📑Harvard: "맥북에서 돌린 0.6B가 32B를 따라잡았습니다"

🏛️ Harvard, Cornell, University of Waterloo

🏷️ On-Device LLM, Weight Compilation, Parameter-Efficient Adapter

특히 주목할 점:

→ 0.6B Qwen3 인터프리터가 PAW 프로그램을 실행하면 Qwen3-32B 직접 프롬프팅과 맞먹는 성능

→ 추론 메모리는 약 50분의 1, MacBook M3에서 30 tokens/s로 로컬 구동

→ 800개 이상 작업 범주를 담은 FuzzyBench-10M 데이터셋을 공개

🏛️ Shanghai AI Laboratory

🏷️ Long-Horizon Agent, Bounded Memory, Typed Retrieval

특히 주목할 점:

→ 기존 공개 LLM 에이전트(STS2MCP, CharTyr)는 최저 난이도에서도 승률 0 — 포화되지 않은 난제

→ 프롬프트가 길이에 상관없이 바운디드(bounded) 하게 유지돼 실험 재현성 확보

→ 메모리 계층을 개별 절제(ablation)해 '무엇이 실제로 기여하는지' 분리 측정

🏛️ CUHK, University of Macau 외

🏷️ Autonomous Policy Evolution, Interactive RL, Agent Benchmark

특히 주목할 점:

→ GPT-5.5가 종합 랭크 1위이자 16개 환경 전부 상위 2위 안에 드는 최강자

→ 최종 점수가 아니라 예산 배분·피드백 전환을 보는 궤적 수준 진단 제공

→ 정적 평가와 완전 개방형 과제 사이의 공백을 메우는 통제된 세팅

🏛️ Beihang University, ETH Zurich

🏷️ Diffusion Acceleration, Flow Matching, Training-Free

특히 주목할 점:

→ 사전학습 flow-matching 모델(Qwen-Image-20B, FLUX급)에 학습 없이(training-free) 적용

→ 1024×1024 한 장에 A100에서 47초 걸리던 부담을 다단계 파이프라인으로 완화

→ 양자화(<4x)·피처 캐싱(~4x)·토큰 프루닝(<1.5x)의 한계를 넘는 5x+ 가속 계열

🏛️ Tsinghua University

🏷️ Data Agent, Fine-Grained Evaluation, Data Science

특히 주목할 점:

→ 다양한 도메인을 아우르는 현실적 과제 + 세밀 라벨로 단계별 성능 측정

→ 최종 성공 여부가 아닌 워크플로 복잡성을 반영한 평가

→ '데이터 과학 스킬'을 정량화 가능한 조작 패턴으로 재정의

🏛️ HKUST, Ant Group

🏷️ World Model, Persistent Memory, Controllable Video

특히 주목할 점:

→ LLM을 오케스트레이터로 삼아 사용자 지시를 3D 바운딩박스·카메라 궤적으로 변환

→ SAM3로 2D 박스 궤적 추출·재식별, Qwen2.5-VL-72B로 개체별 동작 캡션 생성

→ 시야 이탈 후 재등장에도 시각적 정체성 보존 + 무제한 시점 탐색

🏛️ Tsinghua University

🏷️ Data Mixture, Causal Inference, LLM Pretraining

특히 주목할 점:

→ Qwen2.5-0.5B로 512회 실행을 돌려 조건부 평균 처치효과(CATE)를 추정

→ 정적 분포 가정에 묶인 프록시 방식과 달리 데이터 풀이 바뀌어도 재학습 불필요

→ 추정한 최적 배합을 800K 규모 풀 → 7B 모델 학습으로 외삽 적용

🏛️ University of Edinburgh

🏷️ Interpretability, Retrieval Heads, Long-Context

특히 주목할 점:

→ 복사 여부가 아니라 OV 회로의 정답 토큰 기여도로 비문자적 검색 헤드를 식별

→ needle vs off-needle 위치를 대조해 한 번의 forward pass로 계산

→ Qwen3, Gemma-3, OLMo-3.1 세 모델 계열에서 해당 헤드 절제 시 검색 성능 붕괴 확인

🏛️ USTC 외

🏷️ Visual Generation, RL Reward, Reward Hacking

특히 주목할 점:

→ 샘플별 보상의 리워드 해킹·다양성 저하를 분포-단위 보상으로 억제

→ FID(보통 5만 장 필요)처럼 비싼 신호를 subset-replace로 효율적 근사

→ SiT·EDM2 계열 생성 모델의 RL 파인튜닝에 적용

🏛️ Stanford University

🏷️ Metamemory, Agent Memory, File-System Actions

특히 주목할 점:

→ 파일 읽기/쓰기를 작업 행동과 동급의 메모리 행동으로 취급

→ 장기 과제의 수천 스텝 궤적을 강한 LLM이 리뷰해 숨은 메모리 실수 포착

→ 메모리 스킬을 지지하는 구조와 모델 숙련도를 함께 자동 최적화