AI FRONTIER
Signals worth understanding before they become obvious.
Tsinghua AI, SGLang 기반 LLM 에이전트용 캐시 엔지니어링 서버 AKV 오픈소스 공개
Tsinghua AI가 SGLang 위에 구축된 LLM 에이전트용 캐시 엔지니어링 서버 AKV를 오픈소스로 공개했다. 논문 초록은 대규모 언어모델의 능력, 평가 또는 정렬 문제를 다루며 방법과 실험 결과에 관심 있는 독자에게 적합하다.
- Tsinghua AI가 AKV를 오픈소스로 공개했으며, LLM 에이전트용 캐시 엔지니어링 서버로 규정했다.
- AKV는 SGLang 위에 구축되었다.
- 논문 초록은 대규모 언어모델의 능력, 평가 또는 정렬 문제를 다룬다고 밝힌다.
LLM 에이전트를 만드는 개발자에게 AKV는 캐시 엔지니어링을 SGLang 위의 독립 서비스 계층으로 분리한 시도이며, 에이전트 추론 경로에서 캐시 재사용 효과를 시험할 가치가 있다.
ISTA-DASLab, DeepSeek-V4.1-Flash-1017의 GSQ-RCO 비균일 GGUF 양자화 공개
ISTA-DASLab은 GSQ와 RCO로 763.2B 파라미터·384 전문가 MoE인 DeepSeek-V4.1-Flash-1017을 텐서별 혼합 정밀도로 양자화해 IQ1_M(1.75 bpw), IQ2_XXS(2.00), IQ2_XS(2.25) 표준 GGUF 빌드를 공개했다.
- 모델은 희소 MoE로 763.2B 파라미터, 레이어당 384개 라우팅 전문가, 토큰당 6개 활성, 컨텍스트 창 1M 토큰이다.
- 백본 GGUF는 551.9B 파라미터를 담고, Engram 조회 테이블은 196.6B 파라미터의 IQ4_NL 4.50 bpw로 모든 빌드가 공유한다.
- 총 크기는 IQ1_M 231.32 GB, IQ2_XXS 248.84 GB, IQ2_XS 265.83 GB이며 세 빌드 모두 Strata로 단일 12 GB VRAM GPU에서 실행된다.
- 논문에 따르면 IQ2_XXS는 AIME25(100.00), GPQA-Diamond(90.91), LiveCodeBench v6(89.71)에서 베이스 모델과 일치해 과제 평균 93.54, 복구율 100.0%를 기록했다.
2.00 bpw IQ2_XXS가 논문 보고 벤치마크에서 베이스 모델과 동등하므로, 763B급 MoE 로컬 추론을 12 GB GPU와 시스템 메모리로 시험할 수 있다.
Self-Direction: 에이전트의 실수를 지속적인 교훈으로 바꾸다
논문은 Self-Direction을 제안한다. 에이전트가 작업에 실패하면 자신의 궤적을 성찰해 교훈을 추출하고 이를 즉시 경량 저랭크 어댑터로 증류한다. 원본 가중치는 동결되어 어댑터는 영구 교훈 라이브러리에 저장되고 이후 관련 문제에 자동 라우팅된다.
- 각 어댑터가 학습하는 추가 파라미터는 베이스 모델 파라미터 수의 약 0.02%
- Qwen 계열 오픈 웨이트 모델 기반 에이전트에서 GAIA, Claw-Eval, Terminal-Bench 2.1 전반의 성공률이 8.9~17.0 퍼센트포인트 향상
- 논문은 향후 작업에서 반복 실수가 줄어 에이전트 수정의 신뢰성이 거의 두 배가 된다고 보고
- 논문은 소수의 어댑터가 추가 학습 없이 수십 개의 새 작업으로 일반화된다고 보고
에이전트를 만드는 팀에게 실패를 라우팅 가능한 저랭크 어댑터로 저장하는 방식은, 컨텍스트 내 성찰보다 지속적이고 전체 파라미터 미세조정보다 저렴한 개선 경로다.
연구진이 멀티모달 모델의 추론 능력을 테스트하는 MMGR 벤치마크를 제안
연구진이 멀티모달 모델의 추론 능력을 테스트하기 위한 MMGR 벤치마크를 제안했다. 이 벤치마크는 멀티모달 모델의 추론 작업 성능을 평가하는 것을 목표로 한다.
- 연구진이 MMGR 벤치마크를 제안하여 멀티모달 모델의 추론 능력을 테스트한다.
- 이 소식은 DoNews가 보도했다.
AI 개발자에게 MMGR은 멀티모달 추론 능력에 특화된 평가 벤치마크를 제공하여 서로 다른 멀티모달 모델의 추론 성능을 측정하고 비교하는 데 활용할 수 있다.
OpenAI, 학계와 협력해 과학적 이해 구축
OpenAI는 Kakeya 추측, 지수 시간 가설, 양자 색역학에 대한 모델 결과를 공개하고 연구자들이 이를 검증하고 발전시키는 방법을 설명했다.
- OpenAI는 Kakeya 추측에 대한 모델 결과를 공유했다.
- OpenAI는 지수 시간 가설에 대한 모델 결과를 공유했다.
- OpenAI는 양자 색역학에 대한 모델 결과를 공유했다.
- OpenAI는 연구자들이 결과를 검증하고 발전시키는 방법을 설명했다.
AI 개발자에게는 수학·물리 문제에서 모델 추론을 평가할 수 있는 검증 가능한 출력 사례를 제공한다.
SyncVid: 동기화된 비디오 생성을 위한 세계 등변성 확산 모델
SyncVid는 각 2차원 이미지 평면에서 독립적으로 노이즈를 샘플링하는 대신, 소스 비디오에서 도출된 정준 3차원 공간에서 가우시안 노이즈 사전을 샘플링하여 대상 카메라로 래스터화한다. 단안 비디오를 정준 4차원 표현으로 끌어올리고 교차 뷰 일관성 화이트닝 절차를 제안하며, 구조화된 노이즈를 LoRA로 적응된 사전 학습 비디오 확산 모델의 확산 사전으로 사용하므로 아키텍처 수정이 필요 없다.
- 논문은 단안 비디오를 정준 4차원 표현으로 끌어올리고, 노이즈를 장면 기하와 미관측 공간에 연관시키며, 결과로 얻은 구조화된 노이즈를 임의 시점으로 래스터화한다.
- 논문은 뷰 간 대응을 유지하면서 인접 픽셀의 상관을 제거하는 교차 뷰 일관성 화이트닝 절차를 제안한다.
- 구조화된 노이즈는 LoRA로 적응된 사전 학습 비디오 확산 모델의 확산 사전으로 작동하며 아키텍처 수정이 필요 없다.
- 논문은 확률성의 원천에서 시공간 및 교차 뷰 일관성을 강제함으로써 SyncVid가 동기화된 비디오를 생성하고 실험에서 지각 품질과 교차 뷰 일관성을 모두 개선한다고 보고한다.
다중 시점 비디오 생성을 구축하는 개발자에게 SyncVid는 확산 무작위성을 정준 3차원 공간에 고정하면 확산 아키텍처를 재설계하지 않고도 교차 뷰 일관성을 높일 수 있음을 보여준다.
PaperFormalizer: Lean에서의 저자 참여형 연구 논문 자동 형식화
PaperFormalizer는 Lean 기반 에이전트 파이프라인으로, LaTeX 소스에서 시작해 논문을 진술 의존성 그래프로 변환하고 각 진술의 충실성, 모호성, 정확성을 자연어로 감사한 뒤 Mathlib, 선택적 도메인 라이브러리, 저자의 개인 툴킷에 대해 Lean으로 진술을 형식화하고 증명한다.
- 논문은 2026년 10월 22일 arXiv에 제출되었으며 번호는 arXiv:2610.31810(cs.AI, 교차 cs.LO)이다.
- 파이프라인은 LaTeX 소스에서 시작해 논문을 진술 의존성 그래프로 변환하고 각 진술을 자연어로 감사한다.
- 형식화와 증명은 Mathlib, 선택적 도메인 라이브러리, 저자의 개인 툴킷에 대해 수행된다.
- 진술이 둘 이상의 해석을 허용하면 파이프라인은 멈추고 저자에게 묻고, 각 수정을 자연어와 TeX 기호로 제안으로 제시하며 저자는 수용, 거절, 방향 전환할 수 있다.
수학 AI 도구를 만드는 개발자에게 PaperFormalizer는 모호한 지점에서 멈춰 저자에게 결정을 맡기는 저자 참여형 패턴을 보여주며, 형식화가 논문의 주장을 바꿀 수 있을 때 저자의 통제권을 유지한다.