Today’s frontier report
Research Pool → Multi-Scout → Editor → Edition
3qk7 · AI LOCAL LABS TECHNICAL SCOUTING

AI FRONTIER

Signals worth understanding before they become obvious.

2026-11-10
01
testinferencecost collapse

BEVCast: 효율적인 엔드투엔드 자율주행을 위한 경로 적응형 BEV

BEVCast는 예측 주행 경로에 따라 해상도가 적응하는 2단계 BEV다. 먼저 4.096m 셀의 거친 그리드로 전체 장면을 인코딩하고, 기록된 경로로 학습된 히트 헤드가 고열 셀을 고정 예산 아래 1.024m 셀로 세분화하며 나머지 셀은 거친 해상도를 유지한다.

  • 10% 세분화 예산에서 BEVCast는 BEV 쿼리의 28%를 인코딩하고, 배치 크기 1에서 BEV 인코더 시간은 전체 1.024m 셀 그리드의 66%다.
  • nuScenes에서 평균 변위 오차는 1.078m(비교 1.149m), 주행 가능 영역 위반율은 1.46%(비교 2.29%)다.
  • NAVSIM navtest에서 평균 변위 오차는 0.577m(비교 0.598m), 확장 예측 운전자 모델 점수는 82.51(비교 81.28)이다.
  • 이 방법은 HD 맵이나 내비게이션 명령이 필요 없으며, 궤적 헤드는 전체 장면을 포함하는 혼합 해상도 BEV를 읽는다.

자율주행 BEV에서 예측 경로에 따라 해상도를 배분하면 전체 장면 커버리지를 유지하면서 쿼리 수와 인코더 시간을 줄여 엔드투엔드 모델에 조정 가능한 계산 예산을 제공한다.

arXiv cs.CV
02
testcreativecost collapse

InstaGen: 빠른 비디오 생성을 위한 그룹 공유 중요도 샘플링

이 논문은 InstaGen을 제안하며, Diffusion Transformer의 permuted block-sparse attention(PBSA)에서 블록 선택을 중요도 샘플링으로 정식화한다. 최고 점수 키는 완전 계산되는 정확한 집합으로 두고, 나머지 키는 추정 어텐션에 비례해 샘플링한 뒤 역 샘플링 확률로 재가중하며, 각 쿼리 클러스터가 하나의 샘플을 공유한다.

  • Wan2.1-T2V-1.3B와 Wan2.1-T2V-14B에서 SVG2로 파라미터화된 InstaGen은 동일 어텐션 밀도에서 SVG2 대비 PSNR을 각각 3.4 dB, 2 dB 향상시켰다.
  • 동일 실시간 기준으로는 PSNR이 각각 1.6 dB, 2.2 dB 향상되었다.
  • Wan2.1-T2V-14B에서 InstaGen은 거의 같은 밀도에서 SVG-EAR보다 PSNR이 1.1 dB 높고, dense 대비 1.65x로 동작해 SVG-EAR의 1.48x보다 빠르다.
  • 논문은 top-p 선택이 비디오 생성에서 흔한 고엔트로피 어텐션 영역에서 샘플 효율이 낮다고 지적하며, 같은 계산 예산에서 샘플링이 더 나은 근사를 제공함을 보인다.

블록 선택을 top-p에서 정확한 집합과 중요도 샘플링으로 바꾸면 어텐션 밀도나 지연을 늘리지 않고도 비디오 확산 모델의 품질을 직접 향상시킬 수 있다.

arXiv cs.CV
03
watchresearchcapability unlock

문자 선택 강제가 거부를 억제한다: WMDP에서의 메커니즘적 증거

이 논문은 객관식 형식이 거부율을 낮추는 현상에 대한 최초의 메커니즘적 설명을 제시하며, WMDP 데이터셋에서 Llama-3.1-8B와 Qwen3-8B 두 모델을 검증했다.

  • tuned lens 기법을 사용해 객관식 처리 시 모델이 답안 문자 토큰에 매우 빠르게 확정되는 반면, 개방형 형식에서는 거부가 점진적으로 형성됨을 보였다.
  • 객관식 형식의 활성화는 개방형 대응 활성화에 비해 거부 방향에서 약 3배 더 멀리 위치한다.
  • 객관식 답안을 담당하는 어텐션 헤드를 제거하면 거부가 증가하며, 이는 객관식 답안 선택이 거부와 경쟁한다는 직접적 증거다.
  • 이 논문은 BlackboxNLP 2026(EMNLP 2026 워크숍)에 채택되었으며 17페이지, 그림 15개로 구성된다.

안전 평가를 구축하는 개발자는 객관식 안전 점수가 주로 지식 능력을 측정하며 실제 거부 메커니즘을 평가하지 않는다는 점을 유의해야 한다.

arXiv cs.CL
04
testmodelsopen source unlock

ccore/Qwen3.5-4B-3D-Coder 초기 프리뷰: Three.js 3D 장면 생성에 특화

CCORE가 Qwen/Qwen3.5-4B를 기반으로 독자적으로 파인튜닝한 4B 모델의 초기 프리뷰로, 범용 코딩과 Three.js 기반 인터랙티브 3D 장면 생성에 초점을 둡니다. Qwen의 공식 릴리스가 아닙니다. FP16 Safetensors 가중치, Q4_K_M 및 Q8_0 GGUF, 학습 데이터셋, 기술 보고서가 공개되었습니다.

  • 모델 카드 기준 좋아요 947, 지난달 다운로드 289,466, 라이선스는 Apache-2.0입니다.
  • 학습 데이터셋 CCORE Three.js 3D Scenes는 4,146개의 장면 예시(학습 3,933 / 검증 213)를 포함하며 MIT 라이선스로 공개되었습니다.
  • Q4_K_M 및 Q8_0 GGUF는 약 644 MiB의 BF16 비전 프로젝터와 함께 사용하면 이미지 입력을 받을 수 있으며, 작성자는 llama.cpp b11889에서 로컬 테스트했다고 밝혔습니다.
  • 작성자는 10월 27일 체크포인트에서 원샷 성공률과 장면 품질이 크게 향상되었지만 일부 장면은 여전히 재시도나 수정이 필요하다고 전했습니다.

3D 및 크리에이티브 코딩 도구를 만드는 개발자에게 이 모델은 공개 데이터셋과 양자화 버전을 갖춘 로컬 배포 가능한 소형 모델로, Three.js 장면 생성 파인튜닝과 평가의 출발점이 됩니다.

Hugging Face Trending
05
watchdevelopernew architecture

OpenAI, 'Control Room' 공개: AI 워크로드에 대한 인간 통제

OpenAI의 Control Room은 연구 인프라 전반의 모델 워크로드를 추적하며, 안전 또는 보안 우려가 발생하면 신속하게 중단할 수 있다.

  • Control Room은 OpenAI 연구 인프라 전반의 모델 워크로드를 추적한다.
  • 안전 또는 보안 우려가 발생하면 Control Room은 해당 워크로드를 신속하게 중단할 수 있다.

공유 연구 인프라에서 모델을 운영하는 팀에게 Control Room은 신속한 중단 기능이 개별 워크로드의 가드레일이 아닌 별도의 통제 계층으로 구축되고 있음을 보여준다.

OpenAI News
06
watchresearchincremental

Onsager 보정을 이용한 표본 분할 없는 고차원 오프폴리시 평가

이 논문은 Onsager 보정을 적용하고 목표 정책으로 가중한 기준을 제안하여, 보상 모델의 훈련 관측만으로 목표 정책 아래에서 전체 데이터 보상 모델의 표본 외 위험을 추정한다. 이를 통해 표본 분할 없이 전체 데이터 경사하강 궤적에서 조기 종료가 가능하다.

  • 고정 깊이와 은닉 너비의 신경망, 가우시안 문맥, 단일 지표 보상, 문맥 의존 다중 지표 목표 정책, 알려진 문맥 독립 로깅 설정에서 이 기준이 고정된 유한 개의 경사하강 반복점에서 균일 일관성을 가짐을 증명한다.
  • 동일한 보정은 이중 강건 추정량을 제공하며, 보상 모델 예측 오차가 사라지지 않아도 표본 분할 없이 참 정책 가치를 일관되게 추정한다.
  • 실험에서 고정된 표본 대 차원 비율에서 차원이 커질수록 위험 추정 오차가 감소하고, 홀드아웃 기준선보다 보상 모델 선택이 개선되었다.
  • 논문은 이 보정이 보상 모델 적합과 선택에 동일한 데이터로 계산한 이중 강건 가치 추정의 제곱근 평균 제곱 오차도 줄인다고 보고한다.

오프폴리시 평가를 하는 AI 개발자에게 이는 홀드아웃 데이터를 떼어놓지 않고 전체 데이터 훈련 궤적에서 보상 모델을 선택하고 이중 강건 가치 추정을 얻을 수 있음을 의미한다.

arXiv stat.ML
07
testinferencecost collapse

VoluCompose: 의료 이미지 이해를 위한 압축된 볼륨 시각 표현 구성

VoluCompose는 유지할 시각 콘텐츠와 할당할 토큰 수를 분리하는 학습 불필요·모델 비종속 프레임워크로, 쌍곡선 토큰 구성 모듈과 주의 엔트로피 기반 용량 제어 모듈을 통해 볼륨 의료 이미지를 압축한다.

  • 논문은 9개의 보정된 설정에서 VoluCompose가 비교 방법 중 가장 높은 평균 품질—유지 하이퍼볼륨을 달성했다고 보고한다.
  • 논문은 비압축 참조 대비 평균 상대 품질이 121.68%이며 평균적으로 시각 토큰의 22.78%를 유지했다고 보고한다.
  • 논문은 10% 토큰 예산에서도 압축이 견고하며 VoluCompose의 비압축 참조 대비 최저 ROUGE-L 비율이 96.4%라고 보고한다.
  • 논문은 압축 기준선의 해당 최솟값이 15.0%에서 70.5% 범위라고 보고한다.

의료 비전—언어 모델을 구축하는 개발자에게 VoluCompose는 학습 없이 시각 토큰을 약 22.78%로 줄이면서 품질을 유지할 수 있음을 보여 긴 슬라이스 시퀀스의 추론 비용을 낮춘다.

arXiv cs.CV
08
testresearchbenchmark jump

기하에서 기능으로: 도시 파사드의 의미 및 기능 파싱을 위한 다중 작업 LiDAR 벤치마크 데이터셋

논문은 캐나다 핼리팩스의 건물 26동에서 수집한 약 4억 9,200만 개의 LiDAR 포인트로 구성된 대규모 도시 파사드 벤치마크 HFX3D를 제안한다. 데이터는 사계절, 주야간, 다양한 날씨를 포함하며 각 파사드는 의미, 인스턴스, 인스턴스별 기능 속성의 세 계층으로 주석 처리된다. 저자들은 기하와 의미에 기능 레이블을 결합한 최초의 파사드 데이터셋이라고 밝히고, 포인트 기반, 그래프 기반, 합성곱, 트랜스포머 아키텍처를 평가한다.

  • HFX3D는 캐나다 핼리팩스의 건물 26동에서 약 4억 9,200만 개의 LiDAR 포인트를 포함한다.
  • 데이터는 사계절, 주야간, 다양한 날씨 조건을 포괄한다.
  • 각 파사드는 의미, 인스턴스, 인스턴스별 기능 속성의 세 계층으로 주석 처리된다.
  • 논문은 심각한 클래스 불균형에서 의미 분할이 이미 어렵고, 반복 구조의 인스턴스 분리와 기하로부터의 기능 추론이 상당히 더 어렵다고 보고한다.

이 벤치마크는 평가 범위를 기하 및 의미 분할에서 기능 추론으로 확장해 기능 인식 3D 도시 이해 모델의 정량적 평가 기반을 제공한다.

arXiv cs.CV