[논문리뷰] Read Less, Solve More: Token-Efficient Sparse Reading of External Content for AI Agents이 논문은 agent가 외부 artifact를 통째로 읽어 생기는 over-reading 문제를 다룬다. 핵심 아이디어는 context에 들어가기 전에 읽을 내용을 통제하는 것이다. 선행 연구에 따르면 agent trajectory에서 처리되는 token의 60–80%가 외부 observation이다.#Review#LLM Agents#Sparse Reading#Context Compression#Token Efficiency#Agent Harness#Prefix Caching#Training-free2026년 11월 11일댓글 수 로딩 중
[논문리뷰] Latent Compaction with Test-Time Training본 논문은 긴 컨텍스트 처리에 따른 대규모 KV-Cache가 메모리 대역폭을 점유하고 추론 속도를 저하시키는 문제를 해결하고자 합니다. 기존 연구들은 단순한 토큰 제거(Eviction)나 요약 방식을 사용했으나, 이는 미래의 질문에 필요한 세부 정보가 누락될 위험이 큽니다.#Review#KV-Cache#Test-Time Training#Context Compression#Latent Compaction#Attention Fitting#Distillation2026년 10월 14일댓글 수 로딩 중
[논문리뷰] LatentPress: Context Compression Beyond Text and Vision기존 Large Language Models (LLMs)의 컨텍스트 처리 방식은 latency 및 throughput 측면에서 한계를 가지고 있습니다.#Review#Context Compression#Soft Tokens#Large Language Models#Conversational Memory#Long-Document QA#Efficiency#Latent Representation2026년 9월 3일댓글 수 로딩 중
[논문리뷰] Optical Reasoning: Rethinking Images as an Expressive Reasoning Medium Beyond Text본 연구는 기존의 텍스트 기반 CoT(Chain-of-Thought)가 가지는 비효율성과 multimodal 태스크에서의 표현력 한계를 해결하고자 한다.#Review#Optical Reasoning#Multimodal Large Language Models#Chain-of-Thought#Context Compression#Interleaved-modal Reasoning#Visual Reasoning2026년 6월 8일댓글 수 로딩 중
[논문리뷰] End-to-End Context Compression at Scale본 연구는 긴 문맥(long-context) 처리가 LLM의 핵심 역량임에도 불구하고, 기하급수적으로 증가하는 KV Cache 메모리 점유율과 이로 인한 추론 속도 저하 문제를 해결하고자 합니다.#Review#Context Compression#KV Cache#Latent Context Language Models#Encoder-Decoder#End-to-End Training#Model Efficiency2026년 6월 8일댓글 수 로딩 중
[논문리뷰] Echo-Memory: A Controlled Study of Memory in Action World Models본 논문은 Action World Models에서 발생하는 근본적인 Memory 실패 문제를 해결하기 위해 연구를 시작했다 . 기존의 연구들은 서로 다른 Backbone, Training recipe, Evaluation protocol을 사용하여 메모리 성능을 정확하게 비교하는 것이 불가능했습니다.#Review#Action World Models#Video Diffusion#Memory Mechanism#Open-domain Return#Replay Consistency#State-Space Memory#Context Compression2026년 6월 8일댓글 수 로딩 중
[논문리뷰] LongAttnComp: Cross-Family Context Compression for Long-Context Reasoning본 논문은 Large Language Models (LLMs)의 long-context inference에서 발생하는 memory 및 compute cost 증가 문제를 해결하고자 한다.#Review#Context Compression#Long-Context Reasoning#Large Language Models#Fine-Tuning#Cross-Attention#Code Reasoning#Cross-Family Generalization#Two-Stage Training2026년 6월 1일댓글 수 로딩 중
[논문리뷰] A Self-Evolving Framework for Efficient Terminal Agents via Observational Context Compression터미널 기반의 소프트웨어 엔지니어링 에이전트는 긴 호흡의 의사결정이 필요하지만, 반복적이고 노이즈가 많은 터미널 출력으로 인해 컨텍스트의 중복성이 심화되는 문제에 직면해 있습니다 . 이러한 데이터 중복은 토큰 비용을 기하급수적으로 증가시킬 뿐만 아니라, 중요한 신호를 가려 장기 추론 성능을 저하시키는 주요 원인이 됩니다.#Review#Terminal Agents#Context Compression#Self-evolving Framework#Token Efficiency#Long-horizon Reasoning#Training-free2026년 4월 22일댓글 수 로딩 중
[논문리뷰] Sema Code: Decoupling AI Coding Agents into Programmable, Embeddable Infrastructure본 논문은 기존 AI 코딩 에이전트들이 특정 배포 형태(CLI, IDE 플러그인, 웹 앱)와 결합되어 있어, 기업 환경에서 이기종 인프라 간의 재사용이 어렵다는 문제를 해결하고자 합니다.#Review#AI Coding Agents#Embeddable Infrastructure#Decoupled Architecture#Multi-tenant Isolation#Context Compression#Agent Runtime2026년 4월 15일댓글 수 로딩 중
[논문리뷰] SKILL0: In-Context Agentic Reinforcement Learning for Skill Internalization저자들은 Skill0 프레임워크를 제안하며, 이는 ICRL과 Dynamic Curriculum을 결합하여 스킬을 단계적으로 내재화한다 . 학습 초기에는 풍부한 스킬 문맥을 제공하여 에이전트의 초기 탐색을 돕고, 학습이 진행됨에 따라 스킬 예산을 선형적으로 감소시켜 에이전트가 스스로 최적의 전략을 내재화하도록 유도한다.#Review#In-Context Reinforcement Learning#Skill Internalization#Agentic Agents#Dynamic Curriculum#Context Compression2026년 4월 2일댓글 수 로딩 중
[논문리뷰] ARC-Encoder: learning compressed text representations for large language models본 논문은 대규모 언어 모델(LLM)의 긴 컨텍스트 처리로 인한 추론 비용 증가와 컨텍스트 창 제한 문제를 해결하고자 합니다. 특히, 디코더 모델의 아키텍처를 수정하거나 파인튜닝하지 않고도 컨텍스트를 압축하여 LLM의 일반적인 능력을 유지하면서 효율성을 높이는 것을 목표로 합니다.#Review#Context Compression#Large Language Models#Encoder-Decoder Architecture#Text Representation#In-Context Learning#Parameter Efficiency#Retrieval-Augmented Generation2025년 10월 27일댓글 수 로딩 중
[논문리뷰] ACON: Optimizing Context Compression for Long-horizon LLM Agents본 논문은 장기(long-horizon) LLM 에이전트 태스크 에서 발생하는 컨텍스트 길이 증가 문제 를 해결하고자 합니다. 상호작용 기록 및 환경 관찰을 최적으로 압축하여, 추론 비용 과 메모리 사용량 을 줄이면서도 에이전트의 태스크 성능 을 유지하거나 향상시키는 통합 프레임워크를 제안하는 것을 목표로 합니다.#Review#LLM Agents#Context Compression#Long-horizon Tasks#Prompt Optimization#Knowledge Distillation#Memory Efficiency#Task Performance#Failure Analysis2025년 10월 2일댓글 수 로딩 중