📑LG AI: "750B 모델, 공짜로 풀어줄게!"

🏛️ LG AI Research

🏷️ Mixture-of-Experts, Open-Weight, Long-Context

특히 주목할 점:

→ 750B 총 파라미터 / 37B 활성 MoE, 256K 컨텍스트

→ 9개 평가 카테고리에서 이전 세대 대비 전방위 향상 — 특히 agentic coding과 long-context에서 최대 폭

→ long-context 검색·안전성(한국 사회문화 맥락 기반)에서 가장 뚜렷한 강점

🏛️ HKUST

🏷️ Personalization, Over-Inference, Faithfulness

특히 주목할 점:

→ 12개 모델 전원이 35~49% 과잉추론, 예외 없음

→ Self-Monitoring Inversion: 자기평가 낮은 모델이 실측은 최악 (rho = -0.60)

→ 멀티턴에선 지어낸 속성이 수정 없이 거의 선형으로 누적

🏛️ Independent

🏷️ Synthetic Data, Long-Horizon Agent, Recursive Verification

특히 주목할 점:

→ 과제당 ~$0.05로 37,484건 합성 (기존 수백~수천 달러 대비)

→ 라운드가 갈수록 난이도 급상승: 정답 코드 중앙값 67→374줄, DeepSeek-V4-Pro pass@4가 90%→2.5%로 붕괴

→ 이 데이터로 파인튜닝 시 Qwen3.5-27B가 Terminal-Bench에서 최대 +10점, 상한선 징후 없음

🏛️ Meta, University of Oxford, New York University

🏷️ Multimodal Pretraining, Modality Synergy, MoE

특히 주목할 점:

→ Early Unification이 늦은 정렬·순차 학습을 능가, 'vision laziness' 현상 규명

→ 데이터 '복잡도'가 모달리티 시너지 vs 경쟁을 결정

→ 도출한 레시피로 컴퓨트 5%만 쓰고도 강력한 생성 성능 → 13.5B MoE·2T 토큰으로 스케일 검증

🏛️ Tencent

🏷️ 3D World Generation, Agentic Pipeline, Editable Assets

특히 주목할 점:

→ 텍스트 → 지역·지형·에셋·재질·공간관계의 구조화 명세로 자동 변환

→ 전역 지형 일관성을 유지하면서 인스턴스 단위 편집 가능한 에셋 산출

→ 렌더 기반 에이전트가 지형·객체·외형·접촉을 추가로 정제

🏛️ Huawei, Shanghai Jiao Tong University

🏷️ Agentic RL, World Rehearsal, Agent World Model

특히 주목할 점:

→ 외부 환경/시뮬레이터 없이 정책이 환경 역할까지 겸해 end-to-end 학습

→ BFCL-v4, tau²-Bench, VitaBench, FinMCP-Bench에서 environment-scaling 베이스라인 상회

→ 테스트 시 '실행 전 사적 리허설'로 추가 이득 (코드 공개)

🏛️ Naver

🏷️ On-Policy Distillation, Multilingual Reasoning, Math

특히 주목할 점:

→ 교사-베이스 확률 격차(delta)를 신호로 쓰는 OPD²가 기존 OPD를 일관 상회

→ 한국어·일본어에서 향상 폭이 특히 크고 영-한 격차 축소

→ 영어 전용 학습은 성능은 올리되 답변을 영어로 이동시킴 → 다국어 데이터의 중요성 확인

🏛️ Meituan, Zhejiang University

🏷️ Credit Assignment, Self-Distillation, Agentic RL

특히 주목할 점:

→ 턴 단위 credit assignment을 베이지안 믿음 갱신으로 정식화 (critic-free)

→ Qwen2.5-7B로 ALFWorld 89.1% 성공, GRPO·강력한 self-distillation 베이스라인 상회

→ ALFWorld·WebShop·Search-QA 전반에서 일관된 향상

🏛️ Alibaba, Beihang University

🏷️ Self-Evolving Agent, Financial Workflow, Benchmark

특히 주목할 점:

→ 진화 조건이 비진화 대비 +9.33~19.37점, 규정 위반 감소 (Letta 최고점 91.65 / Codex 최대 진화이득 +19.37)

→ 씬 후반 과제(4~6위)의 이득이 초반(1~3위)보다 6.10~8.70점 큼 → 경험 축적 효과 입증

→ memory-only보다 skill-only 진화가, reference-answer보다 rubric 피드백이 우수

🏛️ JD.com, CASIA, Xi'an Jiaotong University

🏷️ Flow Matching, Pixel-Space Generation, Coarse-to-Fine

특히 주목할 점:

→ ImageNet 256×256에서 FID 1.55(200에폭)·1.45(600에폭), 더 적은 에폭으로 달성

→ 512×512는 고해상 적응 40에폭만에 FID 1.58

→ text-to-image 전이 시 GenEval 0.85 / DPG-Bench 83.9 (백본·데이터 무수정, 코드 공개)