[논문리뷰] SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness본 논문은 장시간 실행되는 에이전트 환경에서 발생하는 과도한 토큰 소모와 비효율적인 시스템 설계 문제를 해결하기 위해 SoL-Pi를 제안합니다. 기존 에이전트 harness는 복잡한 도구 사용과 긴 컨텍스트로 인해 토큰 비용이 급증하는 경향이 있으나, 이를 수동으로 최적화하는 과정은 막대한 인간의 노력을 요구합니다.#Review#Auto-Research#Token Efficiency#Agent Harness#Recursive Self-Improvement#Agent Swarms#Context Management2026년 9월 17일댓글 수 로딩 중
[논문리뷰] Sample Count Is Not Enough: Candidate-Generation Strategy Shapes the Energy and Performance of LLM Test-Time Scaling본 논문은 LLM의 Test-Time Scaling 연구에서 흔히 사용하는 Candidate Count ($N$) 만으로는 추론의 실제 시스템 비용을 충분히 설명할 수 없다는 문제를 제기합니다.#Review#Test-Time Scaling#Candidate-Generation#LLM Inference#GPU Energy#Inference Efficiency2026년 9월 17일댓글 수 로딩 중
[논문리뷰] RiskChainBench: A Benchmark for Obfuscated Platform Message Restoration and Evidence-Grounded Web Investigation본 논문은 플랫폼 남용 캠페인에서 발생하는 메시지 복원과 그에 따른 실제 웹 조사가 단절되어 있는 문제를 해결하기 위해 RiskChainBench를 제안한다.#Review#RiskChainBench#Obfuscated Content#Web Agent#Platform Abuse#Evidence-Grounded Investigation#Cross-Channel Risk2026년 9월 17일댓글 수 로딩 중
[논문리뷰] RetireOPD: Self-Retiring On-Policy Distillation for Agentic Reinforcement Learning본 논문은 Agentic task에서 사용되는 기존의 On-Policy Distillation (OPD) 방식이 가지는 고질적인 한계들을 해결하고자 합니다 .#Review#Agentic Reinforcement Learning#On-Policy Distillation#Privileged Information#Adaptive Retirement#LLM Agents#GRPO2026년 9월 17일댓글 수 로딩 중
[논문리뷰] Region-Level Policy Optimization for Fine-grained MLLM Perception본 논문은 MLLM의 Fine-grained Perception 능력 향상을 위해 해상도를 높이는 기존 방식이 Visual Token 및 Language Model Pre-filling 비용을 과도하게 증가시키는 문제를 해결하고자 합니다.#Review#MLLM#Fine-grained Perception#Region-Level Policy Optimization#Reinforcement Learning#Sparse Visual Encoding#RoI Predictor#Token Compression#Resolution Decoupling2026년 9월 17일댓글 수 로딩 중
[논문리뷰] Reflect, Revise, Reuse: Training-Free Skill Evolution for GUI Agents본 논문은 기존 GUI 에이전트의 기술(Skill) 설계가 고정된 정적 아키텍처에 머물러 있어, 변화가 잦은 GUI 환경에서의 실행 실패에 대응하기 어렵다는 문제를 해결한다.#Review#GUI Agents#Skill Evolution#Reflect-Revise-Reuse#Training-Free#Structured Skill Package#In-Rollout Revision2026년 9월 17일댓글 수 로딩 중
[논문리뷰] PACT: Can Enterprise AI Assistants Be Trusted Under Pressure?본 연구는 기업 환경에 도입된 LLM Agents가 업무 효율성과 규정 준수 사이에서 갈등할 때, 외부 압박 하에서도 규정을 준수할 수 있는지 검증하기 위해 수행되었습니다.#Review#Enterprise AI#Compliance#LLM Benchmarking#Pressure-Applied Compliance Testing#Rule-Following#Agentic AI2026년 9월 17일댓글 수 로딩 중
[논문리뷰] JEPA-Anything: Learning Predictive Models across Different Worlds본 논문은 다양한 도메인에 걸쳐 작동할 수 있는 범용적인 world modeling 학습 원리를 정립하는 것을 목표로 한다.#Review#World Modeling#Joint-Embedding Predictive Architectures#Orthogonal Predictive Factorization#Domain-Agnostic Learning#Latent Dynamics#Representation Learning2026년 9월 17일댓글 수 로딩 중
[논문리뷰] FAMOS: Feed-Forward 3D Articulation Modeling from Sparse Observations본 논문은 sparse한 monocular observations로부터 articulated objects를 정확하게 모델링하는 데 내재된 핵심 문제를 해결하고자 합니다.#Review#Articulation Modeling#Sparse Observations#Feed-Forward#Point Clouds#Transformer#Movable-Part Segmentation#Joint Parameters#Procedural Data Generation#Multi-state Attention2026년 9월 17일댓글 수 로딩 중
[논문리뷰] Don't Mask the Environment: Observation Supervision Changes How Agents Explore Under RL본 연구는 기존 SFT 관행이 에이전트가 환경과의 상호작용 결과인 관찰(Observation)을 예측하도록 학습하지 않아 강화학습(RL)을 위한 최적의 초기화 정책을 제공하지 못한다는 문제의식에서 출발합니다.#Review#Reinforcement Learning#Language Agents#Supervised Fine-Tuning#Observation Supervision#Exploration#GRPO2026년 9월 17일댓글 수 로딩 중
[논문리뷰] DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression본 논문은 long-horizon agent 서비스 확산에 따라 발생하는 과도한 prefill 계산 비용 및 대규모 KV cache에 의한 HBM/SSD 용량 병목 현상을 해결하고자 합니다.#Review#Multimodal MoE#KV Cache Compression#Compressed Sparse Attention 2#Causal Encoder-Decoder#SWA Bounded Replay#FP4#Agentic Workloads2026년 9월 17일댓글 수 로딩 중
[논문리뷰] Can MiniMax-H3 Reason About the Physical World? An Evaluation of Omni-Modal Generative Model본 연구는 Omni-Model이 단순히 여러 모달리티를 입력받는 것을 넘어, 실제 물리적 세계에 대한 논리적 추론 능력을 갖추고 있는지 검증하기 위해 수행되었습니다.#Review#Omni-Modal Generative Models#Physical-World Reasoning#Video Generation#Multimodal Alignment#Cross-modal Grounding#Implicit Prompting2026년 9월 17일댓글 수 로딩 중
[논문리뷰] An Empirical Study of Harness Design for Coding Agents본 논문은 Coding agents의 성능을 결정짓는 핵심 Harness 구성 요소들의 개별적인 기여도를 체계적으로 분석합니다. 기존 연구들은 Harness를 단일 시스템으로 평가하여, 어떤 구성 요소가 정확도와 비용에 실질적으로 기여하는지 명확하지 않다는 한계가 있습니다 .#Review#Coding Agents#Harness Design#Context Management#Planning#Action Space#SWE-Bench#Terminal-Bench2026년 9월 17일댓글 수 로딩 중
[ultralytics] YOLO 학습 성능 25% 향상: B200 GPU 최적화 분석YOLO 학습 파이프라인의 불필요한 GPU 동기화, 메모리 복사 및 초기화 오버헤드를 제거하여 학습 속도를 1.25배 개선한 사례를 분석합니다.#YOLO#PyTorch#Performance#Optimization#CUDA2026년 9월 16일댓글 수 로딩 중
[flashinfer] Blackwell 아키텍처를 위한 MoE All-Reduce Fusion 최적화: FlashInfer의 'Cake' 백엔드 분석Blackwell(SM100/103) 환경에서 MoE All-Reduce와 RMSNorm을 융합하여 1.12배 성능 향상을 달성한 FlashInfer의 새로운 최적화 기법을 살펴봅니다.#NVIDIA Blackwell#MoE#All-Reduce#CUDA#FlashInfer#Performance Optimization2026년 9월 16일댓글 수 로딩 중
[ultralytics] RT-DETR의 OpenVINO INT8 양자화 정확도 문제 해결: NNCF Transformer 모드 적용RT-DETR의 디코더를 FP32로 유지하고 NNCF Transformer 양자화를 적용하여 INT8 정확도를 획기적으로 개선한 최적화 사례.#RT-DETR#OpenVINO#NNCF#Quantization#DeepLearning2026년 9월 16일댓글 수 로딩 중
[onnxruntime] ONNX Runtime, SM90 GPU를 위한 네이티브 FP8 행렬 곱셈 최적화 도입ONNX Runtime이 SM90 GPU에서 MatMulBlockQuantizedFp8Weight 연산자를 위한 네이티브 FP8 행렬 곱셈 경로를 도입하여 성능을 크게 향상시켰습니다.#ONNX Runtime#CUDA#FP8#SM90#DeepGEMM#최적화#성능2026년 9월 16일댓글 수 로딩 중
[논문리뷰] Zing-0.5: Toward Playable Worlds with Real-Time Joint Action and Text Control본 논문은 사용자가 생성된 세계 속에서 직접 탐색하고, 언어적 지시를 통해 사건에 개입하며, 즉각적인 피드백을 받을 수 있는 'Playable World' 구현을 목표로 합니다.#Review#World Model#Autoregressive Generation#Joint Action Control#Text Conditioning#Distribution Matching Distillation#Real-Time Inference2026년 9월 16일댓글 수 로딩 중
[논문리뷰] VC-Attention: Value Smoothing and Softmax Casting for Low-bit Attention본 연구는 고해상도 비디오 생성을 위한 Diffusion Transformers(DiTs)의 추론 비용 중 대부분을 차지하는 어텐션 연산의 효율성과 정확도 문제를 해결하고자 합니다.#Review#Diffusion Transformers#Low-bit Attention#Value Smoothing#Softmax Casting#ExpCast-FP8#V-Smooth#Model Efficiency2026년 9월 16일댓글 수 로딩 중
[논문리뷰] The Other Half of the Memory Wall: Serving 35B MoEs from SSD with Trained Routing Prediction본 연구는 대규모 MoE 모델을 단일 GPU에서 구동할 때 발생하는 극심한 Memory Wall 문제를 해결하는 데 집중합니다. 기존 연구들은 주로 Weight Quantization이나 Weight Pruning을 통해 모델 크기를 줄여 VRAM 내에 적재하려 시도했으나, 이는 모델의 Accuracy 저하를 초래합니다.#Review#Mixture-of-Experts#SSD#Memory Wall#Routing Prediction#LLM Inference#Throughput2026년 9월 16일댓글 수 로딩 중