📑NVIDIA: "당신 코드, GPU를 얼마나 낭비하고 있을까?"

🏛️ ByteDance, National University of Singapore

🏷️ Flow-Matching, Generative Field Distillation, Multi-Capability

특히 주목할 점:

→ T2I·로컬 편집·글로벌 편집을 단일 flow-matching 모델에 통합하며 능력 간 충돌 해소

→ 학생이 자기 롤아웃 상태에서 각 '능력 필드'를 질의하는 on-policy 증류(velocity MSE)

→ classifier-free guidance 같은 연산자 정의 필드까지 하나로 흡수

🏛️ Alibaba

🏷️ Agentic Generation, Context Gap, Retrieval-Augmented

특히 주목할 점:

→ 부족·암묵·최신지식 의존 요청을 '맥락 격차(Context Gap)'로 정의하고 에이전트가 보강

→ 계획·추론·검색·기억·피드백을 통합한 맥락 중심 에이전트 프레임워크

→ Plan·Reason·Search·Memory 능력을 측정하는 IA-Bench 신설, 세 벤치마크 SOTA

🏛️ Tencent, Tsinghua University

🏷️ Visual Tokenizer, Quantization, Multimodal Efficiency

특히 주목할 점:

→ 텍스트 정렬 사전학습 + proximal 이산화 2단계로 의미·디테일 균형

→ position-aware head-wise quantization으로 임의 해상도 입력 지원

→ 멀티모달 학습에서 base LLM·레시피에 따라 20~70% 가속

🏛️ Sony AI, KAIST

🏷️ 4D Video Generation, Point Tracking, Novel-View Synthesis

특히 주목할 점:

→ 단안 참조 영상 → 목표 카메라 궤적의 새 시점 비디오를 기하·모션 일관성 있게 생성

→ 특정 어텐션 레이어가 대응점 단서를 인코딩한다는 핵심 관찰

→ 멀티뷰 포인트 트래킹을 보조 감독으로 결합해 SOTA 기하 일관성 달성

🏛️ Ant Group, Renmin University of China

🏷️ Diffusion LLM, Bidirectional Attention, Non-Autoregressive

특히 주목할 점:

→ iLLaDA-Base: 이전 LLaDA 대비 BBH +21.6점, ARC-Challenge +14.9점

→ iLLaDA-Instruct: MATH +14.5점, HumanEval +16.5점

→ 비자기회귀 학습에도 자기회귀 Qwen2.5 7B와 여러 벤치마크에서 경쟁

🏛️ Meta

🏷️ Synthetic Data, Agentic Pipeline, Meta-Optimization

특히 주목할 점:

→ AI 에이전트가 학습·평가 데이터를 직접 설계하는 Agentic Self-Instruct 구현

→ 데이터 생성 에이전트 자체를 메타 최적화하니 성능 향상폭이 더 커짐

→ CS 연구·법률 추론·수학적 추론 과제에서 고전적 합성 데이터 기법 대비 개선

🏛️ NVIDIA, Stanford University

🏷️ Speed-of-Light Analysis, Performance Bounds, LLM Compiler

특히 주목할 점:

→ LLM 프런트엔드가 소스를 Affine Loop IR로 번역하고 출력 비교로 검증

→ 결정론적 흐름이 IR을 einsum 그래프로 올려 unfused·fused·cache-aware 한계 산출

→ KernelBench·JAX/Flax·로보틱스 워크로드에서 SOL 위반 0건

🏛️ Microsoft

🏷️ Linear Attention, Memory Management, Long-Context

특히 주목할 점:

→ 쓰기 주소와 독립된 위치의 낡은 기억을 먼저 지우는 erase 단계 추가

→ dense 2.5B·MoE 25B-A2.8B 모델군 모두에서 최고 성능

→ 80B 토큰 장문 중간학습 후 4k~128k 장문 평가에서 일관된 우위

🏛️ Kuaishou

🏷️ Multi-Agent System, Self-Evolving, Recommender

특히 주목할 점:

→ Brainstorm·Developing·Evaluation 에이전트가 가설→프로덕션 코드→안전한 A/B를 닫힌 루프로 수행

→ 가드레일이 거부권을 가진 온라인 롤아웃으로 성공·실패를 모두 구조화 지식으로 전환

→ Harness Evolution 층(SGPO)이 실행 궤적을 의미적 그래디언트로 증류해 에이전트 자체를 개선

🏛️ LinkedIn

🏷️ RLAIF, Reward Hacking, GRPO

특히 주목할 점:

→ 규칙 기반 reward floor로 verbatim copying을 교정해 cross-family 평가서 +0.147 품질 향상

→ RLOO·REINFORCE++는 보상 해킹에 강하지만, GRPO의 group-relative 정규화는 유독 취약

→ 학습용 reward model이 성능 향상을 2.4배 과장함을 확인