휴머노이드 로봇 제어 향상 · LLM 토크나이저 확장 외 10건

오늘의 AI 동향은 휴머노이드 로봇 제어 정확도 향상과 대규모 언어 모델(LLM)의 토크나이저 효율 개선 등 핵심 기술 진전이 두드러집니다. 또한 다단계 에이전트 검색의 인과적 유용성 분석, 물리적 위험 탐지 프레임워크 도입 등 에이전트의 신뢰성과 안전성 평가에 대한 연구가 활발히 진행되고 있습니다. ### 1. 휴머노이드 로봇 제어 및 강화학습 효율화 ⚠ 검증중 휴머노이드 로봇의 보편적 제어를 위해 행동 기반 모델(BFM)과 휴머노이드 트랜스포머 아키텍처를 결합한 연구가 발표되었습니다. 이 접근법은 시뮬레이션 및 실제 환경 테스트에서 기존 제어기 대비 키포인트 위치 오차를 크게 줄이는 성과를 거두었습니다. 한편, 강화학습의 사후 학습 단계에서는 보상 모델 제약을 완화하기 위해 '온폴리시 델타 증류' 기법이 제안되었습니다. 이 방법은 추론 능력 튜닝 전후의 변화량을 학습 신호로 활용하여 짧은 기간 내에도 강력한 추론 능력을 갖춘 모델을 효율적으로 훈련할 수 있음을 입증했습니다. _공식·논문 발표 — 독립 확인이나 커뮤니티 반응은 아직 안 보임_ 원문 2건 - 01:08 · [Scaling Behavior Foundation Model for Humanoid Robots](http://arxiv.org/abs/2607.15163v1) - 01:07 · [On-Policy Delta Distillation](http://arxiv.org/abs/2607.15161v1) ### 2. LLM 토크나이저 확장 및 물리적 안전성 평가 ⚠ 검증중 사전 학습된 대규모 언어 모델(LLM)의 토크나이저를 원위치에서 확장하는 기법이 제안되어, 후발 언어 처리 시 발생하는 토큰 수 증가와 연산 비용 문제를 해결했습니다. LFM2-8B-A1B 모델에 적용한 결과 힌디어와 베트남어 처리 시 토큰 수가 약 2.4~2.6배 줄고 디코딩 속도가 최대 3.7배 향상되었습니다. 또한, 텍스트로는 안전해 보이지만 실제 물리적 행동으로 이어질 때 위험할 수 있는 문제를 탐지하기 위한 단일 레이어 프로브 모델 PRISM이 소개되었습니다. 이 모델은 기존 심사자의 과도한 차단 오류를 줄이며 물리적 위험 식별 정확도를 높이는 것으로 평가받았습니다. _공식·논문 발표 — 독립 확인이나 커뮤니티 반응은 아직 안 보임_ 원문 2건 - 02:32 · [In-Place Tokenizer Expansion for Pre-trained LLMs](http://arxiv.org/abs/2607.15232v1) - 02:20 · [When Words Are Safe But Actions Kill: Probing Physical Danger Beyond Text Safety in Hidden-State Ris…](http://arxiv.org/abs/2607.15218v1) ### 3. 에이전트 검색 유용성 및 메타분석 자동화 ⚠ 검증중 다단계 에이전트 검색 시스템에서 문서의 정적 유용성과 인과적 유용성이 통계적으로 무관하다는 연구 결과가 나왔습니다. 전체 문서 중 약 3분의 1은 정적 평가에서는 쓸모없어 보이지만 실제로는 다음 검색 행동을 결정하는 핵심 '브리지 문서' 역할을 수행하는 것으로 확인되었습니다. 이와 별개로, 자연어 질문을 입력받아 문헌 검색부터 메타분석 수행까지 전 과정을 자동화하는 다중 에이전트 시스템 AutoSynthesis가 소개되었습니다. 이 시스템은 전문가 수준의 정확도를 보이며 수동 증거 종합의 확장성 문제를 해결할 가능성을 입증했습니다. _공식·논문 발표 — 독립 확인이나 커뮤니티 반응은 아직 안 보임_ 원문 2건 - 02:48 · [Bridge Evidence: Static Retrieval Utility Does Not Predict Causal Utility in Multi-Step Agentic Sear…](http://arxiv.org/abs/2607.15253v1) - 02:45 · [AutoSynthesis: An agentic system for automated meta-analysis](http://arxiv.org/abs/2607.15247v1) ### 4. 추천 시스템 실시간 업데이트 및 인과관계 분석 도구 ⚠ 검증중 추천 시스템에서 모델 재학습 없이도 실시간으로 사용자 임베딩을 업데이트하는 '가변 저랭크 스케치' 기법이 제안되었습니다. KuaiRec 데이터셋 평가 결과 기존 방식 대비 8배 빠른 업데이트 속도와 더 낮은 예측 오차를 기록했으며, 신규 사용자의 첫 평점 입력 후 1ms 이내에 개인화된 추천이 가능했습니다. 또한, 비개입적 관찰 데이터에서 인과관계를 분석하기 위한 'teLLMe' 시스템이 소개되어 대시캠 영상 기반 도시 주행 데이터의 인과 구조를 학습하고 자연어 질문으로 인과 효과를 추정하는 데 유용함이 확인되었습니다. _공식·논문 발표 — 독립 확인이나 커뮤니티 반응은 아직 안 보임_ 원문 2건 - 02:39 · [Mutable Low-Rank Sketches for Retrain-Free Recommendation](http://arxiv.org/abs/2607.15242v1) - 02:49 · [teLLMe Why (Ain't Nothing but a Jam): Exploratory Causal Analysis of Urban Driving Data](http://arxiv.org/abs/2607.15254v1) ### 그 외 소식 - 02:38 · [Beyond the Leaderboard: Design Lessons for Trustworthy Multimodal VQA](http://arxiv.org/abs/2607.15241v1) — 이 연구는 의료 다중모달 AI의 신뢰성과 해석 가능성을 높이기 위해 MediaEval Medico 2025 대회의 위장내시경 사례를 분석했습니다. - 02:37 · [TikStance: A Multimodal and Hierarchical Dataset for Multi-target Stance Analysis in TikTok Politica…](http://arxiv.org/abs/2607.15240v1) — 이 논문은 틱톡의 정치 담화를 분석하기 위해 오디오비주얼 정보와 계층적 대화 구조를 모두 보존한 다중 모드 데이터셋 'TikStance'를 소개합니다. - 02:35 · [Language Identification via Compositional Data Analysis: A Linear-Time Classifier Based on Log-Ratio…](http://arxiv.org/abs/2607.15238v1) — 이 연구는 언어 식별을 위해 문자 및 바이그램 빈도 분포를 단순체(simplex)에 제약된 구성 벡터로 모델링합니다. - 02:31 · [Data Driven Block Replacement Scheduling](http://arxiv.org/abs/2607.15229v1) — 이 연구는 수명 분포가 알려지지 않은 상태에서 N대의 동일한 기계를 정기적으로 교체하는 최적의 주기를 데이터 기반으로 학습하는 알고리즘을 제시합니다.