최신 AI 논문 BEST 5: 2026년 8월 3주차

1위. 선택적 신뢰를 통한 학습: 선택적 맥락 선호 최적화

언어 모델은 외부 신호를 적극적으로 활용하여 답변을 생성하는 경향이 있습니다. 이 과정에서 하나의 잘못된 신호가 정확한 답변을 오답으로 바꾸어 버릴 수 있는데요. 반대로 모든 외부 신호를 무시하는 모델은 견고해 보일지라도, 신뢰할 만한 맥락이 존재할 때는 무용지물이 될 수 있습니다. 본 연구는 이러한 문제를 '선택적 신뢰'라는 새로운 관점에서 재정의하고, MIST라는 이름의 종합적인 벤치마크를 제안합니다. MIST 벤치마크는 각 추론 항목을 깨끗한 맥락, 오해의 소지가 있는 맥락, 정확한 외부 신호가 포함된 맥락, 완전히 관련 없는 맥락 등 네 가지 조건으로 체계적으로 분류합니다. 또한 SC2W라는 새로운 평가 지표를 도입하여, 오해의 소지가 있는 신호가 깨끗하고 올바른 답변을 얼마나 자주 오답으로 바꾸는지 정량적으로 측정합니다. 연구 결과, 언어 모델이 외부 신호에 얼마나 취약한지를 전 세계적인 규모로 확인할 수 있었습니다. 이러한 취약성을 극복하기 위해, 본 논문은 SCOPE라는 새로운 학습 방법을 제안합니다. SCOPE는 깨끗하고 올바른 예시, 오해의 소지가 있는 예시, 잘못된 예시를 모두 활용하여 모델이 외부 신호의 신뢰도를 스스로 판단하고 오용을 방지하도록 훈련합니다. 국내 AI 서비스 개발 및 대규모 언어 모델 구축 과정에서 외부 정보의 신뢰도 평가를 강화하고, 잘못된 정보로 인한 오류 발생을 최소화하는 데 중요한 기술적Guidelines을 제공할 것입니다. 특히, 챗봇 서비스나 실시간 정보 검색 시스템의 정확성을 한층 높이는 데 기여할 수 있습니다.

2위. ω-0: 동시 인간형 로봇 조작을 위한 잠재 예측 전신 월드-액션 모델

인간형 로봇이 가사 환경을Navigate하며 집안일을 수행할 때는 동시 조작 능력이 필수적입니다. 동시 조작이란 로봇이 움직이고, 자세를 안정적으로 유지하며, 동시에 물건을 들어올리거나 옮기는 등 복잡한 동작을 단일한 조율된 행동으로 수행해야 함을 의미합니다. 그러나 기존의 인간형 로봇 제어 정책들은 주로 이동과 조작을 분리하여 다루거나, 최근에 등장한 월드-액션 모델들도 대부분 팔 중심의 조작에 초점을 맞추거나 비디오 데이터에 의존하는 한계가 있었습니다. 본 연구는 이러한 한계를 극복하기 위해 ω-0라는 새로운 모델을 제안합니다. ω-0는 언어 지시, 현재 시각 관측 정보, 로봇의 고유 상태를 입력으로 받아 실제 로봇 실행을 위한 컨트롤러와 호환되는 전신 액션의 잠재 변수를 직접 예측하는 모델입니다. 흥미롭게도, ω-0는 미래 비디오를 재구성하는 대신, 더 가볍고 효율적인 학습 목표로 미래 관측 임베딩을 예측하는 방식으로 동작합니다. 이 모델은 국내 휴머노이드 로봇 개발 및 상용화에 큰 영향을 미칠 것으로 예상됩니다. 특히, 가사 도우미 로봇이나 산업 현장에서 다기능 로봇으로 활용될 가능성이 크며, 로봇의 동작 정확성과 안정성을 한층 높이는 핵심 기술로 주목받고 있습니다.

3위. DyPES-VLA: 공유 동역학 사전 지식과 구현체별 제어를 통한 교차 구현체 조작 학습

시각-언어-액션 모델, 즉 VLA 모델은 로봇 조작 분야에서 강력한 패러다임으로 자리 잡고 있습니다. 그러나 서로 다른 물리적 구현체(embodiment)를 가진 로봇들에게 동일한 정책을eneralize하는 것은 여전히 어려운 과제로 남아 있습니다. 기존 방법들은 크게 두 가지 주요한 한계를 가지고 있었습니다. 첫째, 다양한 로봇의 시각 및 상호작용 데이터를 통해 공유될 수 있는 동역학 사전 지식dynamics priors을 충분히 활용하지 못하여, 구현체 간 전이 학습이 제한적이었습니다.其二, 서로 다른 로봇의 액션을 동일한 형식으로 변환하기 위해 광범위한 수동 전처리 과정이 필요하다는 점입니다. 이러한 문제점을 해결하기 위해, 본 연구는 DyPES-VLA라는 새로운 모델을 제안합니다. DyPES-VLA는 공유된 동역학 사전 지식과 각 로봇의 구현체별 제어를 동시에 학습하는 교차 구현체 VLA 모델입니다. 이 모델은 교차 구현체 데이터를 활용하여 미래 예측 목표로 시각-언어 모델을 훈련함으로써, 로봇 간에 공유되는 동역학 지식을 효과적으로 학습합니다. 다양한 로봇 플랫폼을 사용하는 제조업 및 서비스 로봇 산업에서 범용적인 조작 정책 개발을 가속화할 수 있으며, 로봇 학습의 효율성을 높여 개발 비용과 시간을 절감하는 데 크게 기여할 것입니다.

4위. 도구 호출의 쓴 교훈: 프로그래밍 방식 도구 호출의 실증적 평가

도구 사용 능력은 대규모 언어 모델을 훈련 데이터의 한계를 넘어서는 진정한 에이전트로 변모시키는 핵심 요소입니다. 특히 코드 지원 모델의 경우, 프로그래밍 방식의 도구 호출은 엄격한 JSON 호출 방식을 자연스럽게 코드로 대체하여, 병렬 처리와 스크립트화를 가능하게 합니다. 그러나 실제 작업 환경에서 현재 및 이전 세대의 모델들에 이르기까지, 코드로서의 도구 호출에 대한 체계적인 평가가 부족했습니다. 본 연구는 BFCL v4 벤치마크를 활용하여 14개의 언어 모델을 대상으로 프로그래밍 방식의 도구 호출Paradigm과 기본적인 JSON 도구 호출 간의 성능을 경험적으로 비교 분석했습니다. 프로그래밍 방식의 도구 호출에서는 도구가 모델에 의해 타입이 지정된 Python 스텁으로 노출되며, 실행과 결과 처리가 단일 에이전트 턴에서 이루어집니다. 실험 결과, 프로그래밍 방식의 도구 호출은 총 14개의 모델 중 11개에서 기본 JSON 도구 호출과 동등하거나 더 뛰어난 성능을 보였습니다. 이 연구는 국내 LLM 기반 에이전트 개발자들이 보다 효율적이고 강력한 도구 활용 시스템을 구축하는 데 중요한 실증적 근거를 제공합니다. 복잡한 작업을 자동화하는 LLM 애플리케이션의 성능 향상에 기여할 뿐만 아니라, 향후 에이전트 시스템의 신뢰성과 확장성을 한층 높이는 데 기여할 것으로 기대됩니다.

5위. 심장의 흔적을 좇다: 심부전 특징 공학을 위한 증거 연결형 파이프라인

전자 건강 기록EHR의 특징 공학은 임상 연구 및 AI 분야에서 가장 큰 병목 현상 중 하나로 꼽힙니다. 특히 데이터 과학자의 업무 시간 중 39~45%가 이 과정에 소요될 정도로, 임상 현장에서는 큰 부담으로 작용하고 있습니다. 이러한 문제는 심부전 분야에서 두드러지는데요. 미국 성인 약 670만 명이 심부전으로 고통받고 있으며, 파편화된 EHR 데이터와 질병별 가이드라인에 따른 복잡한 임상 추론을 통합해야 하기 때문입니다. 기존의 접근 방식들은 규칙 기반 시스템이나 대규모 언어 모델을 활용한 부분적인 자동화에 그쳤으나, 유지 보수성과 증거 추적성의 한계로 인해 실질적인 효용성이 제한적이었습니다. 본 연구는 이러한 문제를 해결하기 위해 Nimblemind Multi-Agent SystemnMAS이라는 새로운 시스템을 개발했습니다. nMAS는 심부전 특징 공학을 위한 증거 연결형, 루브릭 기반 파이프라인으로, 9개의 서로 다른 EHR 소스 테이블에서 수집된 500개의 더미 환자 기록을 대상으로 평가되었습니다. 이 시스템은 132개의 구조화된 특징과 70개의 루브릭 점수가 부여된 집계 특징을 자동으로 생성해냈습니다. 국내 의료 AI 분야에서 심부전과 같은 만성질환 진단 및 예측 모델 개발에 혁신을 가져올 것으로 기대됩니다. 의료 데이터 과학자들의 업무 부담을 획기적으로 줄이고, 임상 연구의 효율성을 대폭 향상시키는 데 크게 기여할 것입니다.

이번 주 발표된 다섯 편의 논문들은 전 세계 AI 연구의 발전에 중요한 기여를 하고 있습니다. 특히 1위와 4위의 연구는 대규모 언어 모델의 신뢰성과 도구 활용 능력을 한층 높이는 새로운 접근 방법을 제시했다는 점에서 주목할 만합니다. 2위와 3위의 연구는 인간형 로봇과 다기능 로봇 개발을 위한 핵심 기술을 제공하며, 로봇 공학 분야의 발전을 견인할 것입니다. 마지막으로 5위의 연구는 의료 AI 분야에서 전자 건강 기록의 특징 공학을 자동화하는 혁신적인 솔루션을 제시했다는 점에서 큰 의미를 지닙니다. 이러한 연구들은 한국 AI 연구 커뮤니티와 산업계 전반에 큰 영향을 미칠 것으로 예상되며, 실제 AI 애플리케이션 개발에 중요한 참고 자료로 활용될 것입니다. 또한, 이러한 연구들이 AI 기술의 발전을 가속화하고, 다양한 분야에서 AI의 실질적인 적용을 확산하는 데 기여할 것입니다. 앞으로도 국내외 연구자들이 더욱 많은 혁신적인 연구를 발표하기를 기대하며, 이러한 성과들이 실제 사회에 긍정적인 영향을 미치기를 바랍니다.