📑 IBM: “에이전트 워크플로우, 아직도 감으로 짜고 계신가요?”

금주 캐치페이퍼는 Alibaba, IBM Research, Meta, Huawei, NVIDIA, Samsung Research, Qualcomm과 함께합니다. 3분만 투자해 쓱 둘러보고, 빠르게 바뀌는 기술의 방향성을 놓치지 마세요!

🌟 형식 증명(Formal Reasoning)과 강화학습의 결합이 이번 주의 핵심 키워드입니다

🔥 디퓨전 모델이 텍스트 생성과 문서 OCR까지 영역을 확장하며 새로운 패러다임을 제시하고 있습니다

🚀 코드 기반 로봇 제어부터 게임 월드 모델링까지, AI가 물리 세계와 만나는 접점이 급격히 넓어지고 있습니다

LongCat-Flash-Prover: Advancing Native Formal Reasoning via Agentic Tool-Integrated Reinforcement Learning

🏛️ 소속: Alibaba

🏷️ 핵심 키워드: Formal Reasoning, Mixture-of-Experts, Lean4

💭 이런 질문을 해본 적 있나요?

수학 올림피아드에서 문제를 풀 때, 최고의 선수들은 문제를 분해하고 도구를 활용하며 단계적으로 접근합니다. Alibaba의 LongCat-Flash-Prover가 바로 그 전략을 AI로 구현했습니다. 560B 파라미터의 MoE 모델이 Lean4에서 자동 형식화(auto-formalization), 스케치(sketching), 증명(proving)의 세 가지 능력을 분리 학습합니다. HisPO라는 계층적 중요도 샘플링 알고리즘이 이 거대 모델의 장기 추론 학습을 안정화시키는 핵심 열쇠입니다.

특히 주목할 점:

🎯 왜 이것이 게임 체인저인가? : 형식 증명은 클로즈드 모델의 영역 → 560B 오픈소스 MoE가 에이전틱 RL로 SOTA 달성, 오픈 연구 가속화

🔗 https://arxiv.org/abs/2603.21065

VideoDetective: Clue Hunting via both Extrinsic Query and Intrinsic Relevance for Long Video Understanding

🏛️ 소속: CAS/NLPR

🏷️ 핵심 키워드: Long Video Understanding, Visual-Temporal Graph, Clue Localization

💭 이런 질문을 해본 적 있나요?

추리 소설의 탐정이 현장에서 단서를 수집하는 방식을 떠올려보세요. 좋은 탐정은 질문(용의자)만 보는 게 아니라, 증거들 사이의 연결고리도 함께 살펴봅니다. VideoDetective가 바로 이 접근입니다. 영상을 세그먼트로 나누고 시각-시간적 친밀도 그래프를 구축한 뒤, 가설-검증-정제(Hypothesis-Verification-Refinement) 루프로 관찰된 세그먼트의 관련성을 추정하고 미관찰 세그먼트로 전파합니다.

특히 주목할 점:

🎯 왜 이것이 게임 체인저인가? : 질문-세그먼트 매칭에만 의존하는 단방향 검색 → 영상 내부 구조까지 활용하는 양방향 단서 사냥

🔗 https://arxiv.org/abs/2603.22285

From Static Templates to Dynamic Runtime Graphs: A Survey of Workflow Optimization for LLM Agents

🏛️ 소속: IBM Research, Rensselaer Polytechnic Institute

🏷️ 핵심 키워드: Agentic Workflow, Computation Graphs, Dynamic Optimization

💭 이런 질문을 해본 적 있나요?

건축가가 설계도를 그릴 때, 처음부터 완벽한 도면을 그리는 방법과 시공 중에 현장에 맞게 수정하는 방법이 있습니다. LLM 에이전트의 워크플로우도 마찬가지입니다. IBM Research의 Pin-Yu Chen 등이 주도한 이 서베이는 에이전트 워크플로우를 ’에이전틱 연산 그래프(ACG)’로 통합 정의하고, 구조가 결정되는 시점(정적 vs 동적), 최적화 대상, 평가 신호의 세 축으로 기존 문헌을 체계화합니다.

특히 주목할 점:

🎯 왜 이것이 게임 체인저인가? : 에이전트 워크플로우를 직관에 의존해 설계 → 체계적 분류법과 구조 인식 평가로 과학적 최적화의 토대 마련

🔗 https://arxiv.org/abs/2603.22386

On the Direction of RLVR Updates for LLM Reasoning: Identification and Exploitation

🏛️ 소속: Alibaba, USTC

🏷️ 핵심 키워드: RLVR, Token-Level Analysis, Reasoning Enhancement

💭 이런 질문을 해본 적 있나요?

나침반을 생각해보세요. 목적지에 도달하려면 얼마나 빨리 가느냐(크기)보다 어느 방향으로 가느냐가 훨씬 중요합니다. 이 연구는 RLVR이 LLM을 변화시키는 메커니즘에서 기존의 ‘크기(magnitude)’ 중심 분석을 뒤집고, 토큰별 로그 확률 차이(Δlog p)의 ’방향’이 추론에 핵심적인 업데이트를 더 정확히 포착한다는 것을 증명합니다.

특히 주목할 점:

🎯 왜 이것이 게임 체인저인가? : RLVR 효과를 ’얼마나 변했나’로 분석 → ’어떤 방향으로 변했나’로 전환, 학습 없는 추론 향상까지 가능

🔗 https://arxiv.org/abs/2603.22117

WildWorld: A Large-Scale Dataset for Dynamic World Modeling with Actions and Explicit State toward Generative ARPG

🏛️ 소속: Independent

🏷️ 핵심 키워드: World Model, Action-Conditioned Generation, Game Dataset

💭 이런 질문을 해본 적 있나요?

레이싱 게임에서 ’좌회전’과 ’우회전’만 있는 것과, 드리프트, 기어 체인지, 핸드브레이크까지 있는 것은 전혀 다른 세상입니다. 기존 월드 모델 데이터셋은 전자에 가까웠습니다. WildWorld는 몬스터 헌터: 와일드에서 1억 800만 프레임을 자동 수집하여, 450종 이상의 의미 있는 액션(이동, 공격, 스킬 시전)과 함께 스켈레톤, 월드 스테이트, 카메라 포즈, 뎁스 맵까지 동기화된 어노테이션을 제공합니다.

특히 주목할 점:

🎯 왜 이것이 게임 체인저인가? : 단순 액션 + 픽셀 변화에 의존하던 월드 모델 학습 → 상태 인식 기반의 풍부한 액션 공간에서의 동적 세계 모델링

🔗 https://arxiv.org/abs/2603.23497

ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model

🏛️ 소속: Meta, Northeastern University

🏷️ 핵심 키워드: Latent World Model, VLM Guidance, JEPA

💭 이런 질문을 해본 적 있나요?

카메라만 달린 자율주행차가 표지판은 잘 읽지만 전체 교통 상황을 이해하지 못한다면? 그 차에 경험 많은 조수석 운전자(VLM)를 태우는 것이 ThinkJEPA의 아이디어입니다. 밀집 프레임을 처리하는 JEPA 브랜치와 넓은 시간 범위를 추론하는 VLM ‘thinker’ 브랜치의 듀얼 경로 구조를 통해, 세밀한 동작 모델링과 장기 의미 이해를 동시에 달성합니다.

특히 주목할 점:

🎯 왜 이것이 게임 체인저인가? : 밀집 프레임 모델링 OR 의미적 추론 중 택일 → 듀얼 경로로 세밀함과 의미 이해를 동시 확보하는 월드 모델

🔗 https://arxiv.org/abs/2603.22281

MinerU-Diffusion: Rethinking Document OCR as Inverse Rendering via Diffusion Decoding

🏛️ 소속: Shanghai AI Lab

🏷️ 핵심 키워드: Document OCR, Diffusion Decoding, Parallel Generation

💭 이런 질문을 해본 적 있나요?

사진을 찍는 것(렌더링)의 반대 과정으로 문서를 이해한다면? MinerU-Diffusion은 기존 OCR의 ‘순차적으로 읽기’ 패러다임을 ’병렬 디퓨전 디노이징’으로 대체합니다. 문서를 이미지에서 텍스트로 역렌더링하는 관점에서 접근하여, 블록 단위 디퓨전 디코더와 불확실성 기반 커리큘럼 학습으로 긴 문서도 안정적이고 빠르게 파싱합니다.

특히 주목할 점:

🎯 왜 이것이 게임 체인저인가? : 순차적 자기회귀 디코딩의 오류 누적과 속도 병목 → 병렬 디퓨전으로 속도와 강건성을 동시에 잡는 문서 OCR

🔗 https://arxiv.org/abs/2603.22458

MemDLM: Memory-Enhanced DLM Training

🏛️ 소속: Huawei, CUHK, NTU

🏷️ 핵심 키워드: Diffusion Language Model, Parametric Memory, Train-Inference Gap

💭 이런 질문을 해본 적 있나요?

시험 공부를 할 때 교과서만 읽는 것과, 실전 모의고사를 풀면서 공부하는 것은 결과가 다릅니다. 디퓨전 언어 모델(DLM)은 정적 마스크 예측으로 훈련하지만, 실제로는 다단계 디노이징으로 추론합니다. MemDLM은 이 격차를 메우기 위해 이중 수준 최적화를 도입합니다. 내부 루프가 각 샘플의 디노이징 궤적 경험을 빠른 가중치(Parametric Memory)로 축적하고, 외부 루프가 이 기억을 조건으로 기본 모델을 업데이트합니다.

특히 주목할 점:

🎯 왜 이것이 게임 체인저인가? : 정적 훈련 목표와 동적 추론의 불일치 → 파라메트릭 메모리로 훈련 중에 추론 경험을 시뮬레이션하여 격차 해소

🔗 https://arxiv.org/abs/2603.22241

CaP-X: A Framework for Benchmarking and Improving Coding Agents for Robot Manipulation

🏛️ 소속: NVIDIA, Stanford, UC Berkeley, UT Austin

🏷️ 핵심 키워드: Code-as-Policy, Robot Manipulation, Agentic Test-Time Compute

💭 이런 질문을 해본 적 있나요?

레고 설명서 없이 복잡한 세트를 조립하는 것과, 설명서를 보고 조립하는 것의 차이를 생각해보세요. 기존 Code-as-Policy 연구는 ’설명서(인간이 설계한 추상화)’에 크게 의존했습니다. Fei-Fei Li, Ken Goldberg, Jim Fan 등이 참여한 CaP-X는 이 의존성을 체계적으로 분석하고, 에이전틱 테스트 타임 컴퓨트(다중 턴 상호작용, 시각 차이 비교, 자동 스킬 합성)로 이 격차를 메울 수 있음을 보여줍니다.

특히 주목할 점:

🎯 왜 이것이 게임 체인저인가? : 인간 설계 추상화에 의존하는 Code-as-Policy → 에이전틱 컴퓨트 스케일링으로 저수준 제어에서도 강건한 코딩 에이전트

🔗 https://arxiv.org/abs/2603.22435

ForeSea: AI Forensic Search with Multi-modal Queries for Video Surveillance

🏛️ 소속: Samsung Research, Qualcomm

🏷️ 핵심 키워드: Video Forensics, Multimodal Query, Temporal Grounding

💭 이런 질문을 해본 적 있나요?

범죄 수사에서 수백 시간의 CCTV 영상을 수동으로 검토하는 건 바다에서 바늘 찾기입니다. 기존 영상 검색은 텍스트만 또는 이미지만 지원하거나, 시간 추론에 실패했습니다. Samsung Research와 Qualcomm이 함께 만든 ForeSea는 이미지+텍스트 멀티모달 쿼리를 지원하는 3단계 파이프라인(트래킹 → 멀티모달 인덱싱 → VideoLLM 추론)으로 포렌식 검색을 혁신합니다.

특히 주목할 점:

🎯 왜 이것이 게임 체인저인가? : 단일 모달 + 수동 필터링 기반 CCTV 검색 → 이미지+텍스트 멀티모달 쿼리와 시간 추론을 결합한 AI 포렌식

🔗 https://arxiv.org/abs/2603.22872

매일 목요일 오전 8시,
바쁜 당신을 기술 발전에 뒤쳐지지 않게 만들어줄
최신 AI 트렌드 요약본이 전달됩니다!