[논문리뷰] WeMM-Embedding: WeChat Multi-Modal Embedding Technical Report본 논문은 현대 AI 시스템에서 이기종 멀티모달 데이터의 통합 표현 문제를 해결하기 위해 고성능의 범용 Multimodal Embedding 모델군을 제안합니다. 기존의 CLIP 스타일 모델은 모달리티별로 분리된 인코딩 경로를 가져 복합적인 입력을 처리하는 데 한계가 있으며, 특정 태스크에만 편향되는 경향이 있습니다.#Review#Multimodal Embedding#Large Language Models#Contrastive Learning#Matryoshka Representation Learning#Representation Learning#Retrieval2026년 8월 25일댓글 수 로딩 중
[논문리뷰] Douyin Multimodal Embedding Model Technical Report본 논문은 대규모 산업용 다중 모달 플랫폼에서 효율적인 검색과 세밀한 의미론적 식별이라는 두 가지 상충하는 요구사항을 동시에 만족시키기 위해 DME를 제안합니다.#Review#Multimodal Embedding#Retrieval#Semantic Sufficiency#Latent Reasoning#Cross-Conditional Reconstruction#Bi-Encoder#Representation Learning2026년 8월 9일댓글 수 로딩 중
[논문리뷰] MVEB: Massive Video Embedding Benchmark기존 비디오 벤치마크는 단일 Task에 초점을 맞추어 모델의 일반 목적 비디오 표현 품질을 평가하기 어렵게 만들며, 이는 fragmented landscape를 초래합니다.#Review#Video Embeddings#Benchmark#Multimodal Learning#Zero-Shot Classification#Retrieval#MTEB#Audio-Visual2026년 6월 15일댓글 수 로딩 중
[논문리뷰] MISA: Mixture of Indexer Sparse Attention for Long-Context LLM Inference본 논문은 Long-context LLM Inference에서 indexer 연산이 전체 비용의 지배적인 비중을 차지하는 문제를 해결하기 위해 MISA를 제안한다.#Review#Large Language Models#Long-Context#Sparse Attention#Mixture of Experts#Indexer#Inference Efficiency#Retrieval2026년 5월 10일댓글 수 로딩 중
[논문리뷰] BrowseComp-Plus: A More Fair and Transparent Evaluation Benchmark of Deep-Research Agent현재 Deep-Research 에이전트 평가 벤치마크(예: BrowseComp)는 라이브 웹 검색 API 에 의존하여 공정성, 재현성 및 투명성 측면에서 중대한 한계를 가집니다.#Review#Benchmarking#Deep-Research Agents#LLMs#Retrieval#Curated Corpus#Evaluation#Fairness#Transparency#Reproducibility2025년 8월 12일댓글 수 로딩 중