전체 AI 소식

$\Psi$-0.6: 통합된 비전-언어 세계 모델에서의 적응형 사고 스트림

arXiv:2610.32177v1 발표 유형: 신규 초록: 인간은 문제의 전개 과정에서 다양한 형태의 추론을 유연하게 결합함으로써 물리적 세계에 대해 사고한다. 이러한 유연성을 구현하는 것은 AI 분야의 주요한 미해결 과제로, 기능들이 종종 각각의 전문 모델들로 분리되어 있어 이를 어떻게 조합하고 특정 작업에 맞춰 공동으로 적응시킬 수 있는지가 제한된다. 우리는 $\Psi$-0.6을 소개한다. 이는 시각-언어 통합 세계 모델로서, 사고의 흐름이라 부르는 공유된 추론 프로세스 내에서 지각, 언어, 기하학 및 시뮬레이션을 적응적으로 구성한다. 이러한 흐름들은 이미지, 텍스트, 그리고 기하학과 운동에 대한 명시적 표현을 서로 교차하며, 이 모든 요소를 모델이 공유된 토큰 인터페이스를 통해 생성하고 해석할 수 있다. $\Psi$-0.6은 다중 시점 공간에 대한 제로샷 성능에서 선도적인 오픈 웨이트 모델들을 능가한다.

개를 얼마나 신뢰하시나요? 추론 언어 모델의 힌트 따르기 행동을 정량화하기

arXiv:2610.32055v1 발표 유형: 신규 초록: 대규모 언어 모델(LLM)은 종종 아첨적인 성향을 보이며, 객관적 사실 및 추론 과제에서도 사용자의 제안에 맞추어 답변을 수정하는 경향을 나타냅니다. 그러나 이러한 영향의 정량적 형태와 그것이 출처의 신뢰성에 따라 조정되는지 여부는 아직 잘 이해되지 않고 있습니다. 본 연구에서는 MMLU 문제를 대상으로 힌트에 의해 유도된 답변 변화를 통해 이와 같은 행동을 탐구하며, “[출처]는 답이 (X)라고 생각합니다”와 같은 형식의 프롬프트를 평가합니다. 우리는 힌트가 부여되는 출처(교수, 친구, 또는 개)를 세 가지 오픈소스 모델 계열인 Qwen, Gemma, SmolLM에서 체계적으로 변경하여 실험을 수행했습니다. 그 결과, 힌트에 의해 유발되는 변화는 지수적 기울기로 잘 특징지어지는 예측 가능한 구조를 따르며, 힌트는

SpecMem은 실시간 도구 호출 메모리 관리 메커니즘을 제안하여 에이전트의 응답 속도를 향상시킵니다.

arXiv는 2026년 10월 26일, “SPECMEM: 실시간 메모리 관리를 통한 에이전트 기반 도구 호출 가속”이라는 제목의 사전 인쇄 논문(번호 2610.31840v1)을 발표하며, 세션 간에 온라인으로 업데이트되는 사용자 수준의 도구 호출 메모리 관리를 통해 도구 호출 지연을 크게 줄이는 새로운 시스템인 SpecMem을 제안했습니다.

추천 이유：이 연구는 현재 도구 호출 에이전트가 배포 과정에서 자회귀 디코딩으로 인해 발생하는 높은 지연 문제를 해결하기 위해, 검증 가능한 쓰기 반영, LRU 제거, 부작용 게이팅 등 핵심 기술을 제안하고, 다중 사용자·다중 세션의 실제 쿼리 흐름에서 그 효과성을 검증했습니다(최대 1.74배의 실측 가속, 평균 수신 토큰 27% 증가). 이는 AI 시스템 엔지니어링 분야에서 중요한 진전입니다.

Can Test-Time Memory Evolution Outperform Test-Time Training for Scientific Discovery?

arXiv:2610.32046v1 Announce Type: new Abstract: Recent \emph{test-time training} (TTT) frameworks have enabled open-weight large language models (LLMs) to outperform inference-only frameworks powered by frontier models on scientific discovery tasks. However, TTT introduces additional computational cost for online weight updates during the discovery process, making computational efficiency an important consideration when scaling to larger models. This motivates us to explore an efficient \emph{test-time adaptation} method for scientific discovery. We introduce \emph{Test-Time Memory Evolution} (TTME), a plug-and-play test-time adaptation method, as an alternative to TTT. TTME continually updates the external memory by distilling the experience to guide subsequent discovery without updating

연구에 따르면 오픈소스 대규모 모델에서는 구조화 추출 과정에서 목록 채우기 현상이 널리 나타난다.

2026년 10월 24일 arXiv에 게재된 한 실증 연구(논문 번호 2610.30997v1)에 따르면, JSON 추출 스키마에서 목록의 최소 항목 수를 설정했지만 문서의 실제 내용이 이를 충족하지 못하는 경우, 여덟 가지 오픈소스 가중치 모델 모두가 해당 최소값을 제약 조건이 아닌 생성 목표로 간주하여, 결과적으로 출력 목록의 길이가 실제 개수를 초과하는 비율이 55.4%에 달했다(기준선은 34.5%); 보충 항목은 원문에서 주로 가져오며, 약 절반은 출처 일관성 검사를 통과했다; 일반적인 완화 전략의 효과는 제한적이다.

추천 이유：이 연구는 사전 등록된 연구 설계를 채택하여, 558개의 실제 문서와 아홉 개의 주석화된 데이터셋을 대상으로 여덟 가지 오픈소스 모델과 여섯 가지 클라우드 기반 서비스 모델을 체계적으로 평가하였다. 연구 방법은 엄격하며, 데이터는 공개되어 있으며(코드와 결과물은 GitHub에 게시됨), 구조화된 정보 추출에서 간과되기 쉽지만 하위 작업의 신뢰성에 큰 영향을 미치는 핵심적인 결함—스키마에 의해 유도되는 비충실한 채우기 행동—을 규명하였다.