오토 모드와 파이썬 모듈 섀도잉
2026-09-02
앤트로픽은 프롬프트 인젝션 성공률 0.00%라고 했고 연구자는 60~80%로 뚫었습니다. 두 숫자가 다 맞는 이유와, 20년 된 파이썬 기법이 왜 지금 되살아났는지 봅니다.
태그: 에이전트
248개의 게시물
-
-
거리 사진 한 장을 읽는 능력과 그 읽기가 걸어가는 동안에도 살아남는 능력은 다릅니다. 저자들은 홍콩 전역 3D 지리 데이터를 물리 제약이 걸린 Unity 도시로 옮겨, 그 둘을 갈라서 측정했습니다. 국소 질의응답은 잘합니다. 몇 블록만 넘어가면 거의 전부 실패합니다.
-
월드 모델을 키우는 병목이 데이터나 연산이 아니라 보상 채널이라고 보는 논문입니다. 코드에는 컴파일러가, 수학에는 정답 대조가 있었는데 공간 생성에는 없었습니다. 저자들은 그 자리를 게임 엔진이 이미 채우고 있다고 주장합니다.
-
그래프 엔지니어링 2026-08-282026년 그래프 엔지니어링이라는 용어가 지식 그래프 구축 축과 멀티에이전트 조직 설계 축, 서로 인용하지 않는 두 갈래로 갈라져 쓰이고 있는 현상을 정리합니다
-
MCP가 세션을 버린 다음에 남은 숙제 2026-08-25initialize 핸드셰이크와 Mcp-Session-Id가 사라져 원격 MCP 서버가 평범한 HTTP 워크로드가 됐습니다. 8월 22일 나온 로드맵은 그 결정이 남긴 청구서입니다
-
생성된 PLC 제어 로직을 실제 런타임에 올려 실행 트레이스를 대조하면, 정적 점수로는 4점 안에 몰려 있던 방법들이 22.4에서 52.2까지 벌어집니다. 완료 판정을 모델에게서 뺏어 외부 검사에 넘긴 하네스와, 그 하네스가 드러낸 평가 방식의 구멍을 봅니다.
-
암호문 컨텍스트 인젝션 - Grok과 Gemini 2026-08-23웹페이지에 암호문으로 심은 지시를 에이전트가 스스로 복호화해 실행합니다. 입력 필터는 텍스트를 분류할 뿐 실행하지 않기 때문에 암호문 상태로는 아무것도 걸리지 않습니다. Grok에서는 대화 내역 유출로, Gemini에서는 가드레일 우회로 이어졌습니다.
-
Zetta ζ - An Efficient Closed-Loop Embodied Harness for Self-Evolving Physical Intelligence 2026-08-23정책 모델의 가중치를 한 번도 건드리지 않고 로봇의 성공률을 73.6%에서 93.6%까지 올립니다. 대신 진화하는 것은 코드로 짜인 런타임 크리틱과 복구 스킬입니다. 세 개의 서로 다른 시간 규모 루프가 각각 액션 주기, 롤아웃 묶음, 검증 게이트를 맡고, 전용 롤아웃 인프라가 그 진화 속도를 20배로 끌어올립니다.
-
에이전트를 고치는 대신 에이전트가 학습하는 환경을 고칩니다. 벤치마크 코드를 한 줄도 건드리지 않고 reset/step 인터페이스만 감싸서 난이도를 조절하고, 궤적을 읽어 약점을 찾아낸 뒤 그 약점을 겨냥한 래퍼를 자동으로 짜냅니다. 검증기를 그대로 물려받는 설계가 강점이자 한계입니다.
-
스킬이 에이전트를 돕는 이유의 65.7%는 절차를 붙잡아 주는 것이고, 없는 지식을 넣어 주는 것은 4.5%에 그칩니다. 스킬 풀이 5개에서 100개로 늘면 실제 사용 정밀도가 29.6%에서 3.3%로 무너지는데, 정작 과제 성공률은 거의 변하지 않습니다.
-
Grok Bot - 컴퓨터를 가진 에이전트 2026-08-20xAI가 8월 11일 공개한 Grok Bot은 봇마다 클라우드 컴퓨터 한 대를 주고, 로그인·2FA·결제 같은 사람만 통과할 수 있는 벽에서만 사람에게 되돌려줍니다. 다만 이 컴퓨터는 계정 안 봇들이 공유하는 하나의 머신이라 격리가 아니라 신뢰 모델에 가깝습니다.
-
텍스트 한 줄에서 걸어 다닐 수 있는 3D 월드를 만들되, 한 모델이 전부 생성하지 않고 계획·지형·지역 세 단계 에이전트로 나눈 프레임워크입니다. 전역 일관성은 지형이 붙잡고, 디테일은 필요한 지역에서만 자랍니다.
-
촉각을 관측 컨텍스트에 하나 더 얹는 대신, 다가올 액션 청크가 만들어낼 접촉 변화를 예측하는 잠재 토큰으로 바꿔 액션 전문가에 직접 물린 VTLA 파운데이션 모델. 실기기 NeoReal 9개 태스크 전승, 20개 시뮬 태스크 평균 63.8% 대 44.0%
-
총 2.4조 파라미터 중 요청당 95B만 활성화하는 MoE. 코딩 SWE 계열에서는 프런티어에 밀리지만 논문 재현 벤치 PaperBench에서는 Sol과 Fable 5, Opus 4.8을 모두 앞섰습니다
-
Mental World Modeling 2026-08-04월드 모델이 물리 상태만 예측하고 믿음·욕구·의도·감정 같은 심적 변수를 빼먹는다는 지적. 물리와 심적 상태를 하나의 결합 상태로 두고 대상별 부분 관측을 렌더링해 후보 행동의 결과를 양쪽 채널에서 동시에 시뮬레이션하는 프레임워크와, 학습 없이 완전히 들여다볼 수 있는 구현체 MENTIS
-
20~124쪽짜리 사내 규정집을 컨텍스트에 넣어두면 에이전트가 그 규정을 따를까. 65개 회사 환경과 824개 결정론적 채점 기준으로 재보니 최고 구성이 36.2%, 프런티어 대부분이 25% 미만이었습니다. 실패는 네 가지 모양으로 반복됩니다.
-
Gemini Robotics 2 - 상체 조작을 넘어 전신 지능으로 2026-08-02
VLA와 임바디드 추론 VLM, 온디바이스 세 모델 구성으로 걷기와 웅크리기, 뻗기를 조작과 동시에 조율하는 전신 제어를 내놓았습니다. 새 로봇 몸체에는 200예제 미만으로 적응합니다.
-
qm - 조직 단위로 굴리는 멀티플레이어 에이전트 하네스 2026-08-02사람마다 방마다 메모리와 파일, 권한, 샌드박스를 따로 주고 공용 채널에서 협업시키는 헤드리스 코어입니다. Pi와 OpenCode, Codex, Claude Code를 하네스로 갈아끼웁니다.
-
Qwen-UI-Agent Technical Report - Toward Next-Generation Real-World Centric Foundation GUI Agents 2026-08-01GUI 조작과 셸 명령을 하나의 액션 공간에 넣고 한 턴에 여러 액션을 묶어 내보내는 27B 파운데이션 GUI 에이전트입니다. 100대 넘는 실제 안드로이드 단말 위에서 학습과 평가를 돌려 MobileWorld-Real 92.2%를 기록했고, 컴퓨터 태스크에서는 액션의 40~55%가 CLI로 나갑니다.
-
Metis - Memory Foundation Model 2026-08-01에이전트 메모리를 RAG 같은 외부 모듈로 붙이는 대신 백본 안에 지속적으로 진화하는 메모리 상태를 심은 첫 프로토타입입니다. 온라인 갱신에 그래디언트가 필요 없고 forward 한 번이면 끝나며, 추론 시 학습된 가중치는 전부 동결됩니다.
-
재귀적 자기개선을 담론 대신 실행 가능한 테스트베드로 내려서 잰 작업입니다. Draft·Improve·Debug·Crossover 네 개 연산자를 학습과 추론에서 같은 어휘로 쓰게 만들어, 35B 모델의 MLE-Bench Lite 메달 평균을 39.39%에서 71.21%로 올렸습니다.
-
파라미터 수와 아키텍처를 프리뷰와 동일하게 유지한 채 학습과 포스트트레이닝만 갈아끼워 Terminal-Bench 2.1을 61.8에서 82.7로, DeepSWE를 7.3에서 54.4로 끌어올린 빌드입니다.
-
로봇 없이 사람이 손에 쥐고 모은 조작 데이터만으로 사후학습을 끝내고, 실기 로봇에 그대로 올려도 텔레오퍼레이션과 대등하다는 것을 세 가지 백본에서 실기 롤아웃 960회로 보인 논문입니다. 핵심은 규모가 아니라 3mm 궤적 정밀도라는 데이터 충실도입니다.
-
임베딩 검색을 버리고 grep으로 코퍼스를 직접 뒤지는 에이전트가 늘고 있습니다. 문제는 어디부터 볼지 모른다는 것입니다. RARG는 임베딩을 버리지 않되 문서를 고르는 데 쓰지 않고 rg의 탐색 순서와 출력 가시성을 정하는 데 씁니다. 정확도 84%에 도구 호출 23.9회로, DCI의 78%·99.1회를 양쪽에서 앞섭니다.
-
창작 에이전트의 메모리를 벡터 스토어가 아니라 사용자가 보는 캔버스 그 자체에 두자는 제안입니다. 프롬프트, 참조 이미지, 초안, 버림받은 후보, 버전 관계, 피드백을 전부 타입이 붙은 캔버스 노드로 표현하고, 에이전트는 프로토콜 브리지를 통해서만 그 캔버스를 읽고 씁니다. 에이전트가 무엇을 기억하는지가 화면에 남아 있는 것과 같아지는 설계입니다.
-
HuggingFace 프로덕션 인프라에 자율 AI 에이전트 스웜이 17,000+ 행동으로 침투했습니다. 공격자도 AI 에이전트를 썼고, 방어자도 AI 에이전트를 썼습니다.
-
화면을 보고 앱을 직접 조작하는 모바일 에이전트에 '기억'과 '기술'을 이식한 연구. Kimi-K2.6 기반으로 MobileWorld 공개 리더보드 1위(64.1%)를 달성했으며, 기억과 기술은 모델 계열을 넘어 이전될 수 있음을 실험으로 보였습니다.
-
Orca - 병렬 코딩 에이전트 ADE 2026-07-19stablyai가 공개한 오픈소스 에이전트 개발 환경(ADE). 여러 AI 코딩 에이전트를 병렬로 실행해 복잡한 소프트웨어 작업을 나누어 처리하며, GitHub 스타 21,702개를 돌파했습니다.
-
완성된 트래젝토리에서 힌드사이트 스킬을 추출해 정책 모델에 다시 증류하는 자기진화 프레임워크. 기존 결과 기반 RL의 희소 보상 문제를 토큰 수준 밀집 감독으로 해결합니다.
-
AI 에이전트가 얼마나 긴 작업을 완주할 수 있는지 측정하는 벤치마크. 46개 장기 터미널 태스크를 밀집 보상(dense reward)으로 채점해 "성공/실패" 이분법이 놓치는 중간 진행 상황까지 측정합니다.
-
멀티에이전트 검색 시스템이 긴 정보 탐색에서 반복 루프에 빠지는 원인을 분석하고, 검색 상태를 시스템 레이어로 외부화한 SearchOS 프레임워크를 제안합니다.
-
Alibaba AMAP CV Lab이 설계한 로봇 운영체제 레이어. VLM 지각과 VLA 행동 사이에 빠진 심의적 계층을 채우는 에이전트 하네스와 평생 학습 멀티모달 그래프 메모리를 함께 제안합니다.
-
Mistral이 8B 파라미터 로봇 항법 모델 Robostral Navigate를 공개했다. RGB 카메라 한 대와 자연어 지시만으로 로봇을 미지의 환경에서 76.6% 성공률로 안내한다.
-
메모리 관리를 아키텍처에 박아넣는 고정 모듈이 아니라 학습 가능한 기술로 다룬 연구입니다. 파일 시스템 조작을 과제 행동과 동급의 행동으로 올리고, 메타 LLM이 궤적을 검토해 골격과 숙련을 함께 최적화합니다. 가중치를 건드리지 않고 메모리만 손봐도 Qwen2.5-32B의 장기 과제 성능이 두세 배 올랐습니다.
-
sim-use 2026-07-10sim-use가 iOS 시뮬레이터와 Android 에뮬레이터의 접근성 트리를 에이전트용 화면 표현으로 바꾸고, 관찰·조작·검증 루프를 하나의 CLI로 묶는 방식을 정리합니다.
-
일본의 1천만 로봇과 Noetra 2026-07-10일본이 2040년까지 18개 분야에 약 1천만 대의 AI 로봇을 보급하려는 계획과 Noetra 중심의 국산 멀티모달·피지컬 AI 기반 모델 개발을 연결해 정리합니다.
-
Claude Science - Anthropic의 과학자용 AI 연구 워크벤치 2026-07-08Anthropic이 과학 연구자들을 위해 공개한 Claude Science는 논문 탐색부터 실험 설계·데이터 분석까지 에이전트 방식으로 지원하는 AI 연구 워크벤치입니다.
-
LLM 에이전트 메모리를 '얼마나 많은 히스토리가 들어가는가'가 아니라 '어느 레이어가 결정을 바꾸는가'로 측정하는 게임 테스트베드. Slay the Spire 2 위에서 5층 타입 메모리 계약을 구현하고 298개 궤적을 공개합니다.
-
Embodied.cpp - A Portable Inference Runtime of Embodied AI Models on Heterogeneous Robots 2026-07-07VLA와 WAM 모델을 이기종 로봇 에지 기기에서 실행하기 위한 C++ 5-레이어 추론 런타임. Python 스택 단편화 문제를 아키텍처적으로 해소하고, HY-VLA 100%, pi0.5 91% 태스크 성공률을 보고합니다.
-
에이전트 메모리 시스템이 저장된 사용자 기억에 무조건 동조하는 '메모리 아첨' 현상을 처음으로 체계화하고, 언제 기억을 무시·제약·활용해야 하는지 판단력을 평가하는 5-태스크 벤치마크 MemSyco-Bench를 제안합니다.
-
Microsoft가 $2.5B를 쏟는 Frontier Company 모델 2026-07-05Microsoft가 $2.5B를 투자해 Frontier Company를 출범했습니다. Palantir가 원조인 FDE(Forward Deployed Engineering) 모델로, 6,000명의 엔지니어를 기업 고객 안에 심어 AI 파일럿의 90% 실패율을 정면으로 돌파하려는 시도입니다.
-
에이전트가 실행 가능한 정책 코드를 128회 에피소드 예산 안에서 반복 개선하는 능력을 측정하는 벤치마크. GPT-5.5가 Core16 16개 환경 모두 Top-2, Claude Opus 4.7이 MiniGrid에서 가장 강한 두각을 보입니다.
-
Meta AI, Duke, Stanford 공동 연구팀이 터미널 환경에서 범용 에이전트를 평가하는 120개 태스크 벤치마크를 공개했습니다. 가장 강한 구성(Claude Code + Opus 4.8)도 65.8% 성공률에 그치며, Office와 Multimedia에서 공통적으로 막히는 패턴이 드러납니다.
-
California × Anthropic — 미국 최대 주정부 Claude 도입 2026-07-02
Newsom 주지사, 캘리포니아 전 주정부 기관에 Claude 50% 할인 도입 발표. DMV 고객서비스, Medicaid 워크플로우, CDT·CalOES 사이버보안(Claude Security + Claude Code)까지 전 분야에 걸친 미국 최초 규모의 주정부 AI 계약입니다.
-
Claude Sonnet 5 2026-07-02
Anthropic이 Sonnet 5를 전면 출시 — SWE-bench Pro 63.2%, OSWorld 83.4% 등 Opus 4.8에 근접하는 에이전틱 성능을 Sonnet 가격에 제공하지만 에이전틱 작업 시 토큰 소모가 기존 대비 더 많아 '저렴한 에이전트'라는 말을 액면 그대로 받아들이기 어렵습니다.
-
AI 해고 87,714건 데이터 발표 닷새 후 OpenAI, Anthropic, Amazon, Microsoft가 $500M 재교육 펀드 RAISE US를 출범했습니다.
-
Scaling the Horizon, Not the Parameters - Reaching Trillion-Parameter Performance with a 35B Agent 2026-07-01Shanghai AI Lab의 Agents-A1은 35B MoE 모델로 트릴리언 파라미터급 에이전트 성능을 달성합니다. 파라미터가 아닌 지평선을 스케일링하는 KAG 인프라와 다중 교사 증류로 SEAL-0, IFBench 등 5개 주요 벤치마크에서 1위를 기록합니다.
-
LLM 에이전트가 '지금 멈춰야 할 때'를 아는지 측정하는 첫 체계적 벤치마크. 웹·터미널·QA 3개 환경 28K 샘플로 평가한 결과, 대부분의 모델은 너무 늦게, 혹은 전혀 멈추지 않는다는 사실이 드러났습니다.
-
단일 에이전트 경험 학습의 구조적 결함인 Self-Confirmation Trap을 공식화하고, 이종 병렬 실행·제3자 증류·합의 기반 검증의 EDV 프레임워크로 해결합니다.
-
훅 2026-06-30
에이전트의 동작 흐름 중 특정 시점에 사용자가 정의한 명령을 자동으로 실행하는 장치.
-
서브에이전트 2026-06-30
메인 에이전트가 특정 작업을 위임하기 위해 독립된 컨텍스트로 띄우는 보조 에이전트.
-
VLA 모델이 새로운 카메라 시점에서 실패하는 원인을 시스템 식별 문제로 재정의하고, 랜덤 탐색 행동 몇 가지를 컨텍스트로 주입해 파라미터 업데이트 없이 적응하는 ICWM 프레임워크를 제안합니다.
-
GPT-5.6 Sol Terra Luna 출시 분석 2026-06-29OpenAI가 GPT-5.6 계열 세 모델을 발표했습니다. Sol(플래그십), Terra(범용), Luna(경량) 구성으로 가격 전략과 에이전트 기능 모두 이전 세대와 다른 방향을 가리킵니다. 미국 정부 게이팅이라는 전례 없는 출시 방식도 주목됩니다.
-
청화대·절강대·홍콩중문대가 공동 제안한 에이전틱 RL 프레임워크. GRPO의 희박한 결과 보상을 보완하기 위해 완료된 온-폴리시 궤적에서 에피소드·스텝 두 계층의 스킬을 추출하고, 이를 token-level 자기 증류 신호로 변환합니다. 추론 시에는 외부 스킬 라이브러리가 필요 없습니다.
-
Qwen 팀이 코딩 에이전트 보상 설계의 실전 경험을 정리한 논문. 테스트 통과, 시각 판정, 사용자 피드백, 에이전트 평가자 네 가지 방식을 분석하고, 어떤 단일 검증 함수도 모델이 강해질수록 결국 부족해진다고 주장합니다.
-
Nature 계열 학술지 논문 90편에서 추출한 과학 태스크 벤치마크. 최강 모델도 17.8%만 SOTA를 넘었고, 성공의 절반 가까이는 과학적 발견이 아닌 지도학습 문제 변환에 기댄 것으로 드러났습니다.
-
Qwen 팀이 7개 에이전트 도메인을 단일 모델로 시뮬레이션하는 언어 세계 모델 Qwen-AgentWorld를 공개했습니다. 환경을 예측하는 세계 모델 훈련이 에이전트 강화학습의 새 축이 될 수 있음을 실험으로 보입니다.
-
Frontis.AI 팀이 실제 기업 에이전트 세션 5,291건에서 852개 재현 가능 태스크를 추출하는 EnterpriseClawBench를 공개했습니다. 모델 단독이 아닌 하네스-모델 조합을 평가 단위로 삼으며, 최고 점수 0.663으로 기업 에이전트 벤치마크가 아직 포화와 거리가 멀다는 것을 보입니다.
-
SJTU·Tsinghua·MemTensor 팀이 LLM 에이전트 메모리 시스템 12종을 데이터 관리 관점에서 체계적으로 비교했습니다. 단일 만능 구조는 없으며, 효과는 워크로드에 맞는 추상화 수준에 달려 있음을 9가지 발견으로 정리합니다.
-
AOHP - An Open-Source OS-Level Agent Harness for Personalized, Efficient and Secure Interaction 2026-06-25AI 에이전트를 OS 1급 시민으로 다루는 AOSP 기반 오픈소스 에이전트 하네스. 기존 앱 중심 Android 대비 태스크 완료율 +21%, 토큰 비용 -52%, 실행 시간 -44% 달성.
-
로봇 조작 데이터가 비싸고 편향된 문제를 인간 1인칭 영상 1,478시간으로 보완한 VLA 사전학습 프레임워크. 공간·구조·시간 세 축의 표현 통합과 신뢰도 가중 보조 손실로 RoboCasa, RoboTwin 2.0 모두에서 최고 성능을 달성했습니다.
-
1,665개 도구 생태계에서 LLM 에이전트의 장기 계획 능력을 측정하는 대규모 벤치마크. GPT-5.4는 도구 차단 조건에서 51.9%에서 11.36%로 붕괴하며, 실패의 핵심은 검색 부족이 아니라 이미 가진 도구를 제대로 고르지 못하는 선택 실패였습니다.
-
병원·직장·가정처럼 여러 사람이 한 AI 어시스턴트의 메모리를 함께 쓰는 환경을 평가하는 벤치마크. 잘 기억하는 것을 넘어, 권한 밖 정보를 막고 삭제 요청을 지키는 거버넌스까지 측정합니다. 어떤 방법도 유용성·접근제어·능동 망각 세 가지를 동시에 잡지 못했습니다.
-
Mastra npm 공급망 공격 2026-06-23
탈취된 컨트리뷰터 계정으로 @mastra npm 스코프 패키지들이 88분 만에 백도어됐습니다. easy-day-js라는 dayjs 타이포스쿼트가 정보 탈취 페이로드를 심었고, MS는 북한 Sapphire Sleet에 귀속했습니다.
-
Sakana Fugu 2026-06-22여러 프런티어 모델을 동적으로 지휘하는 Sakana AI의 멀티에이전트 오케스트레이션 모델 Fugu를 정리합니다
-
Looped World Models 2026-06-21파라미터를 공유하는 단일 트랜스포머 블록을 반복 적용해 환경 상태를 정제하는 세계 모델. 1B 파라미터로 claude-opus-4-6-max 대비 ScienceWorld EM +21.2%p를 달성하며, 잠재 깊이를 새로운 스케일링 축으로 제안합니다.
-
NVIDIA SkillSpector 2026-06-21AI 에이전트 스킬(MCP 확장 포함) 보안 취약점 64개 패턴·16개 카테고리를 탐지하는 오픈소스 스캐너. 야생 스킬 26.1%에서 취약점 발견, 5.2%는 악의적 의도 의심.
-
Ponytail - AI 코딩 에이전트에 최소주의 심기 2026-06-19AI 코딩 에이전트는 너무 많은 코드를 만듭니다. 간단한 파일 읽기 함수를 만드는 데에도 에러 처리 레이어, 추상 인터페이스, 제네릭 타입 파라미터까지 붙여서 돌아오곤 합니다. Ponytail을 클로드 코드나 코덱스에 설치하면 에이전트가 YAGNI 원칙을 적용합니다. 출시 3일 만에 GitHub 25K+ stars를 달성했습니다.
-
Agentjacking - MCP 주입으로 AI 코딩 에이전트 원격 코드 실행 2026-06-19가짜 Sentry 에러 한 줄이 Claude Code·Cursor·Codex를 해커 서버로 연결합니다. Tenet Security가 2026년 6월 공개한 Agentjacking은 인증 없이 HTTP POST 한 번으로 2,388개 기업의 AI 코딩 에이전트를 타깃으로 삼고, 85% 성공률로 환경변수·Git 크레덴셜·프라이빗 레포 URL을 탈취합니다.
-
Databricks가 2026년 6월 공개한 Genie Ontology는 RAG의 수동 큐레이션 한계를 PageRank 방식의 자동 지식 추출로 돌파합니다. 개인의 LLM Wiki가 팀·조직 규모로 확장될 때 어떤 구조가 필요한지를 보여주는 사례입니다.
-
Agent Memory - 에이전트가 기억하는 7가지 방법 2026-06-19AI 에이전트의 기억은 하나가 아닙니다. 대화형·의미형·에피소딕·절차형·엔티티·작업형·요약형까지 7가지 유형을 구분하고, LLM Wiki가 그 중 어디에 해당하는지, mem0 같은 도구가 무엇을 해결하는지 정리합니다.
-
Karpathy LLM Wiki - 개인 지식을 AI와 공유하는 새로운 방법 2026-06-19카파시가 2026년 4월 공개한 LLM Wiki 개념을 소개합니다. 작은 마크다운 파일들을 컨텍스트로 넣어 AI가 내 도메인을 깊이 이해하게 만드는 방법, 실제 도입 사례와 한계까지 솔직하게 정리합니다.
-
Godot 엔진에서 코딩 에이전트가 실제로 플레이 가능한 게임을 처음부터 끝까지 만들 수 있는지 측정하는 벤치마크. 15개 장르 140개 태스크, 코드 생성부터 상호작용 검증까지 자동화된 평가 프레임워크입니다.
-
지식 관리의 방법 2026-06-19LLM Wiki, GraphRAG, Ontology, Agent Memory까지. 수많은 지식 관리 시스템 중 무엇을 써야 할까요? 개인·팀·조직 규모, 도메인 안정성, 자동화 필요도를 기준으로 선택 기준을 정리합니다.
-
LLM 코딩 에이전트의 레포지토리 탐색이 전체 토큰의 절반을 소비하는 병목입니다. Microsoft와 SJTU 연구팀이 탐색 전용 서브에이전트 FastContext를 훈련해 SWE-bench에서 정확도를 높이면서 메인 에이전트 토큰을 최대 60% 절감했습니다.
-
Cursor Compile 2026 총정리 2026-06-186월 16일 샌프란시스코에서 열린 Cursor 첫 컨퍼런스 Compile의 발표를 정리합니다. SpaceX 600억 달러 인수부터 GitHub 대항마 Origin, 1.5조 파라미터 프론티어 모델, iOS 앱, BugBot 개선까지.
-
VLM 공간 추론 에이전트에서 어떤 도구를 쓰느냐보다 어떻게 도구를 호출하느냐가 더 중요하다. NVIDIA 연구팀이 persistent Python kernel을 활용한 SpatialClaw를 제안해 20개 벤치마크에서 기존 최고 에이전트 대비 평균 +11.2pp를 달성했습니다.
-
From AGI to ASI 2026-06-17AGI 이후의 세계를 다룬 Google DeepMind의 분석 보고서. Legg-Hutter 점수로 AGI/ASI/UAI를 형식적으로 구분하고, 네 가지 경로(스케일링·패러다임 전환·재귀적 자기 개선·멀티에이전트 집합)와 여섯 가지 병목을 체계적으로 분석합니다.
-
Agents' Last Exam 2026-06-16250명 이상의 산업 전문가가 실제 업무를 그대로 가져온 벤치마크입니다. 55개 직군, 1,490개 태스크를 자동 채점으로 평가하는데, 지금 최고 성능 에이전트의 전체 통과율은 24%에 불과합니다.
-
Orchestra-o1 - Omnimodal Agent Orchestration 2026-06-16CUHK·LIGHTSPEED·PKU·THU 공동 연구팀이 제안한 Orchestra-o1은 텍스트·이미지·오디오·영상을 넘나드는 복합 태스크를 오케스트레이터-서브에이전트 구조로 처리하는 옴니모달 에이전트 프레임워크입니다. OmniGAIA 벤치마크에서 Gemini-3-Pro 대비 10.3%p 높은 72.8%를 기록하며 SOTA를 세웠고, 오픈소스 모델 Orchestra-o1-8B도 30.0%로 이전 최고 기록을 9.2%p 앞질렀습니다.
-
현실의 에이전트는 인터페이스가 바뀌고, 코드베이스가 쌓이고, 사용자 취향이 변한다. EvoArena는 이 '진화하는 환경'을 측정하는 벤치마크이고, EvoMem은 메모리가 어떻게 바뀌었는지를 패치 이력으로 남기는 가벼운 해법이다.
-
Crafter - A Multi-Agent Harness for Editable Scientific Figure Generation from Diverse Inputs 2026-06-16과학 논문 피겨 생성에서 더 강한 생성 모델이 아닌 더 나은 오케스트레이션이 답이라는 주장입니다. 멀티에이전트 하네스로 3가지 피겨 유형, 4가지 입력 조건을 단일 구조로 처리합니다.
-
Visa x ChatGPT, AI 에이전트가 직접 결제하는 시대 2026-06-15
Visa와 OpenAI가 2026년 6월 ChatGPT에 결제 기능을 직접 통합했습니다. AI 에이전트가 사용자 대신 실제 거래를 처리하는 구조와 그것이 만들어낼 변화를 정리합니다.
-
MIT 미디어랩의 4주 실험 결과입니다. AI와 함께 쓰면 허위 정보 탐지율이 21% 오르지만, AI를 끄면 시작점보다 15.3%p 추락합니다. AI가 코치가 아니라 목발이 된다는 이야기, 그리고 이것이 우리에게 의미하는 것.
-
Outcomes 2026-06-10
[[Claude Managed Agents]]의 자동 평가 기능. 별도 verifier 서브에이전트가 독립 컨텍스트에서 목표 달성 여부를 검증
-
Claude Managed Agents 2026-06-10
[[Anthropic]]의 클라우드 기반 에이전트 관리 플랫폼. 장기 실행 태스크와 메모리 공유에 최적화
-
SpatialWorld - Benchmarking Interactive Spatial Reasoning of Multimodal Agents in Real-World Tasks 2026-06-10멀티모달 에이전트가 실제 공간을 상호작용하며 이해하는 능력을 8개 시뮬레이터와 760개 과제로 측정한 SpatialWorld. 정적 VQA를 넘어 능동 탐색을 보게 했더니 최강 GPT-5조차 평균 성공률 17.4%에 그쳤고, 더 최신인 GPT-5.4는 조급하게 멈추는 바람에 오히려 뒤처졌습니다.
-
5월 자사 프로덕션 코드의 80%를 Claude가 짰다고 밝히며, 재귀적 자기개선이 통제를 벗어나기 전에 미·중 프런티어랩이 검증 가능한 규칙 아래 함께 멈출 장치를 만들자고 제안한 Anthropic Institute 문서를 짚어봅니다.
-
Claude Fable 5 - Anthropic의 첫 Mythos급 공개 모델 2026-06-09
Anthropic이 2026년 6월 9일 출시한 Claude Fable 5는 내부 Mythos 등급 모델을 외부에서 처음 사용할 수 있게 만든 것이다. SWE-bench Verified 95%, 1M 토큰 컨텍스트, 적응형 사고 상시 활성.
-
Apple WWDC 2026 - Siri와 Gemini 2026-06-09Apple이 Google과 함께 만든 모델로 Siri를 재구축하고, Foundation Models의 LanguageModel 프로토콜과 Core AI로 개발자가 앱에 Gemini·Claude·오픈 모델을 붙이게 연 WWDC 2026 키노트를 공식 발표와 보도를 구분해 정리합니다
-
Agent Memory - Characterization and System Implications of Stateful Long-Horizon Workloads 2026-06-09에이전트에 기억을 붙이는 일을 정확도가 아니라 시스템 비용의 문제로 처음 해부한 논문입니다. 메모리 시스템을 네 갈래로 분류하고, 구축·검색·생성 단계별로 토큰과 GPU 에너지를 측정해 열 개 시스템을 비교합니다. 정답 하나를 만드는 데 드는 에너지가 시스템 간 수십 배 벌어지며, 그 비용 대부분이 사용자 눈에 안 보이는 기억 구축 단계에 숨어 있다는 것을 보입니다.
-
루프 엔지니어링 2026-06-09
에이전트를 매 턴 직접 프롬프트하는 대신, 나를 대신해 일을 찾고 처리하고 검증하는 시스템(루프)을 한 번 설계하는 패러다임. 루프가 비용을 갚는 네 가지 조건, 다섯 부품과 기억, 열린 고리와 닫힌 고리, 그리고 조용히 실패하는 함정까지.
-
Recursive Language Models 2026-06-09긴 프롬프트를 신경망에 통째로 밀어넣지 않고 REPL 환경의 변수로 두는 추론 패러다임. 모델이 코드를 써서 컨텍스트를 들여다보고 자기 자신을 재귀 호출합니다. 컨텍스트 창을 한 자리 수 배가 아니라 10M 토큰 단위로 넘기면서도 비용은 비슷하게 유지합니다.
-
새 LLM 에이전트를 실제 환경에 굴려보지 않고 과거 로그만으로 성능을 가늠하는 오프폴리시 평가 프레임워크 ADWM을 에모리대와 상하이교통대 연구진이 내놨습니다. 핵심은 월드 모델 자체를 디퓨전 과정으로 세우고, 정책 유도 궤적 법칙을 단일 스텝 조건부로 정확히 분해해 평가 정책이 매 디노이징 스텝을 조종하게 한 것. 네 개 멀티턴 벤치마크에서 ADWM만 모든 셀에서 양의 순위 상관을 냈습니다.
-
LLM 에이전트가 자기 추론 속 오류는 못 고치면서 같은 주장이 외부 출처로 붙으면 잘 고치는 현상을, 국립성공대 연구진이 통제 실험으로 파헤쳤습니다. 결론은 자기 교정 실패가 능력 결함이 아니라 채팅 템플릿의 역할 라벨 아티팩트라는 것. 틀린 주장을 바이트 단위로 똑같이 둔 채 감싸는 역할만 self에서 external로 바꾸면 명시적 교정률이 23~93%p 뛰었습니다.
-
Holo3.1 - Fast and Local Computer Use Agents 2026-06-08화면을 보고 클릭하는 컴퓨터 유즈 에이전트를 클라우드가 아니라 내 기기에서 돌린다. H Company가 Holo3.1을 0.8B부터 35B-A3B까지 확장하고, FP8·NVFP4·Q4 GGUF 양자화 체크포인트로 온디바이스 GUI 자동화를 처음 본격 출하했다.
-
수십에서 수백 페이지짜리 멀티모달 문서를 읽는 QA 에이전트가 상호작용 기록을 하나의 거대한 맥락에 계속 쌓다 보면 정작 핵심 증거가 노이즈에 묻힙니다. 톈진대 연구진의 MARDoc은 탐색·정제·반성 세 에이전트가 구조화된 메모리(증거 메모리 + 추론 메모리)로 소통하는 루프로 그 문제를 풉니다. 오픈 Qwen3-30B만으로 DocAgent + Claude 3.5 Sonnet과 맞먹고, DocBench에서는 사람 기준선을 넘었습니다.
-
The Deterministic Horizon - When Extended Reasoning Fails and Tool Delegation Becomes Necessary 2026-06-07긴 chain-of-thought가 어느 지점부터 오히려 정확도를 무너뜨리는지를 디코더 어텐션의 정보이론적 용량 한계로 증명한 ICML 2026 논문. 19~31스텝의 Deterministic Horizon을 넘으면 신경 추론 대신 도구에 위임하라는 결론을 뜯어봅니다.
-
저장 메모리 목록을 비동기 백그라운드 합성으로 대체한 OpenAI의 새 ChatGPT 메모리 아키텍처 Dreaming V3를 뜯어봅니다
-
짐 판 2026-06-06
NVIDIA AI 디렉터이자 Distinguished Scientist. GEAR Lab 공동 리더이자 휴머노이드 프로젝트 GR00T의 공동 책임자로 Physical AI를 연구합니다.
-
인터넷에는 사람을 위한 방법 안내가 넘쳐납니다. 위키하우, 게임 위키, 우분투 문서 같은 것들이죠. 문제는 이 가이드가 멀티모달이고 노이즈가 많고 사람이 실행한다고 가정한다는 점입니다. MMG2Skill은 이런 사람용 가이드를 에이전트가 실행할 수 있는 SKILL.md 절차로 증류하고, 실행 궤적의 진단으로 스스로 고쳐 나가는 폐루프 프레임워크입니다.
-
멀티모달 에이전트가 사람을 대신해 인터페이스를 조작하는 시대에, CAPTCHA는 봇과 사람을 가르는 마지막 검증 관문입니다. HLL은 이 관문을 에이전트가 넘을 수 있는지 정답 인식이 아니라 실제 상호작용으로 측정하는 벤치마크입니다. 8개 프런티어 에이전트는 깨끗한 화면에서는 곧잘 풀지만, 현실적인 방해와 행동 궤적 검증이 들어오면 무너집니다.
-
MetaForge - A Self-Evolving Multimodal Agent that Retrieves, Adapts, and Forges Tools On Demand 2026-06-04멀티모달 에이전트는 도구를 써서 복잡한 추론을 풀지만, 미리 정해진 도구 목록은 처음 보는 상황에 일반화되지 못하고 도구를 마구 부르면 비용과 오류만 늘어납니다. MetaForge는 에이전트의 행동을 Decide, Retrieve, Adapt, Forge 네 단계로 나누고, 도구를 언제 쓸지와 도구를 어떻게 늘릴지를 강화학습으로 함께 배우게 합니다.
-
Video2GUI - Synthesizing Large-Scale Interaction Trajectories for Generalized GUI Agent Pretraining 2026-05-22라벨 없는 유튜브 비디오 5억 개에서 GUI 인터랙션 트래젝토리 1,200만 개를 자동 추출해 만든 WildGUI 데이터셋과 그 추출 파이프라인 Video2GUI. Qwen2.5-VL·MiMo-VL를 사전학습하면 ScreenSpot-Pro·OSWorld-G에서 15~20점 상승, 온라인 OSWorld·AndroidWorld까지 일관된 개선이 나타납니다.
-
단일 에이전트 루프를 운영체제의 스레드 구조로 일반화하면, 비동기·병렬·격리 컨텍스트를 얻을 수 있다는 단순하고 강한 제안. ReAct 위에 Thread Control Block을 끼워 넣어, 본 스레드가 서브스레드들을 직접 관리합니다. DeepResearch Bench에서 단일 에이전트 베이스라인을 일관되게 앞서고, OS의 스레드 추상을 LLM 에이전트로 끌어온 첫 정식 정리에 가깝습니다.
-
LLM의 사고 과정을 organizer와 worker 두 역할로 분리하고 Fork-Join 액션으로 비동기 사고를 학습시키는 새로운 추론 패러다임. 단일 모델이 두 역할을 모두 수행하며, RL로 사고 구조 자체를 최적화합니다. 병렬 사고 대비 추론 지연 28% 감소에 수학 추론 정확도 동시 개선, 미학습 태스크로도 비동기 사고가 zero-shot 일반화됩니다. agentic organization 시대를 선언하는 Microsoft Research의 첫 정식 정리입니다.
-
Composer 2.5 2026-05-19
Cursor가 공개한 코딩 에이전트 모델 Composer 2.5의 학습 방법과 벤치마크를 정리합니다
-
Cactus Needle 2026-05-15
|-
-
사전 정의된 워크플로 그래프 위에서 sub-agent의 모델·reasoning budget·구조 선택을 컴파일 타임에 한 번에 탐색해 정확도-지연 trade-off 집합을 만들어내는 컴파일러입니다. DSPy가 프롬프트 자동화였다면, FlowCompile은 그래프 자체의 자동화로 한 칸 더 나아간 시도입니다.
-
UCLA 팀이 ICLR 2025의 LongMemEval을 웹 에이전트 trajectory 환경으로 확장한 후속 벤치마크입니다. 451개 수작업 문항으로 static state recall·dynamic state tracking·workflow knowledge·environment gotchas·premise awareness 다섯 메모리 능력을 측정하며, 채팅 히스토리에서 ServiceNow·WebArena의 실제 에이전트 행적으로 옮겨가 25M~115M 토큰 규모의 haystack을 다룹니다.
-
Pappers MCP - 클로드의 법률 대리 시나리오 2026-05-14
Pappers MCP를 통해 클로드가 프랑스 상법 사건 페이지 분석 그리드를 그대로 출력하는 시연. 회사 데이터와 판례를 동시에 조회해, pin-cite·gap 분석·결정트리까지 변호사가 받아 쓸 수 있는 출력을 만듭니다. 자체 플러그인이 아닌 오픈 MCP 서버로 법률 버티컬을 묶은 사례입니다.
-
멀티에이전트 LLM 시스템의 chain·star·mesh 토폴로지를 추론을 돌리기 전에 단 세 개의 고윳값으로 진단하자는 제안. successor representation을 통신 그래프에 얹어 drift·consensus·robustness를 closed-form으로 풉니다.
-
AI 팀이 30일 안에 망하는 이유 2026-05-08
AI 에이전트 팀의 90%가 한 달 안에 무너집니다. 에이전트가 멍청해서가 아닙니다. 아무도 안 보고 있어서입니다. 살아남는 AI 팀의 세 가지 원칙과 실제 역할 구성을 정리했습니다.
-
복잡한 에이전틱 하네스의 성능을 실제로 끌어올리는 건 뭘까요? 이 논문은 답이 '병렬 추론 + 순차적 종합'이라는 두 단계 패턴에 있다고 봅니다. Best-of-N의 이론적 상한을 넘는 Heavy Thinking의 구조와 실험 결과를 정리합니다.
-
MCP 2026-05-07
AI 에이전트가 외부 도구·데이터 소스와 상호작용하는 표준 인터페이스. Anthropic이 2024년 제안해 주요 에이전트 플랫폼과 에디터가 채택 중입니다.
-
AI 에이전트의 기억 상실을 고치는 오픈소스 Beads 2026-05-07
GitHub 22.6k 스타의 Beads는 AI 에이전트 기억 문제를 Git 같은 SQL로 해결하겠다고 합니다. 아이디어는 맞는데, 실제로는 어떨까요. Dolt 마이그레이션이 망가뜨린 것들, '의미 기억 감쇠'의 진짜 정체, Mem0와의 비교까지 정리합니다.
-
직원 3명 대신 AI 에이전트 3개 — 소규모 창업자를 위한 현실적 가이드 2026-05-07
혼자 모든 걸 하는 창업자에게 AI 에이전트 3개가 실제로 도움이 될 수 있을까요. 리서치 에이전트, 콘텐츠 에이전트, 운영 에이전트 — 무엇이 가능하고 무엇이 과장인지 구체적으로 살펴봅니다.
-
오픈클로 AI 비서 만들기 - 블로그 2026-04-30
오픈클로 사태가 주는 교훈. Claude Code + 스킬로 외부 프레임워크 없이 나만의 AI 비서를 구축하는 실전 가이드.
-
Recursive Multi-Agent Systems 2026-04-30AI 에이전트 하나가 작업을 받습니다. 그 에이전트가 작업을 쪼갭니다. 쪼개진 작업들을 새로운 에이전트들에게 넘깁니다. 그 에이전트들도 또 쪼갭니다. AI가 AI를 낳는다. 재귀적 멀티에이전트 시스템이 무엇이고, AI의 불편한 미래는 어디로 향하는지 정리합니다.
-
Claude Code의 TypeScript 소스를 직접 뜯어본 MBZUAI·UCL 연구. 핵심 루프는 while-true 한 덩이지만, 권한 시스템·컨텍스트 압축·서브에이전트가 코드의 98.4%를 차지합니다.
-
GPT-5.4 분석 2026-04-23
GPT-5.4가 처음으로 컴퓨터 사용 능력을 네이티브로 탑재했습니다. OSWorld에서 인간 전문가를 앞질렀고, 1M 토큰 컨텍스트도 공식 지원합니다. 에이전트 시대가 OpenAI 입장에서는 시작됐습니다.
-
앤트로픽이 알려주는 에이전트 3원칙 2026-04-13
앤트로픽이 알려주는 클로드 에이전트 3원칙. 클로드가 이미 아는 것을 활용하고, 불필요한 구조를 제거하고, 경계를 신중하게 설정하는 방법이 중요합니다. 클로드를 너무 자유롭게 풀어두거나, 반대로 너무 많은 것을 제약하면 곤란합니다. 대체 적절한 선은 어디일까요?
-
Hermes Agent 2026-04-11
Nous Research의 Hermes Agent — 스스로 배우고 성장하는 오픈소스 AI 에이전트. 5단계 메모리, 자동 스킬 생성, 6개 실행 백엔드, 40+ 도구를 갖춘 로컬 퍼스트 에이전트 프레임워크.
-
Advisor Strategy 2026-04-09Anthropic의 Advisor Strategy — 큰 모델이 작은 모델에게 조언만 하고 실행은 맡기는 새로운 에이전트 아키텍처. Sonnet + Opus 조합으로 비용은 줄이고 성능은 올리는 방법.
-
7장 - 에이전트 LLM 2026-04-07지식 베이스 검색과 순위 재조정으로 구성되는 RAG 파이프라인과, 도구 호출 및 MCP를 활용한 ReAct 에이전트의 관찰과 행동 루프를 다룹니다
-
8장 - 에이전트, 프롬프트, RAG 2026-04-06
Stanford CS230 딥러닝 강의 Lecture 8. 프롬프트 엔지니어링, RAG, 에이전트 워크플로우, 멀티 에이전트 시스템을 다루는 실전 강의.
-
에이전틱 AI, 도구에서 동료로 - 2026년 4월 기업 AI 현황 2026-04-05
마이크로소프트는 1,500만 Copilot 좌석을 팔았다. 그런데 기업 환경은 아직 에이전틱 AI를 받아들일 준비가 안 됐다고 한다. 둘 다 맞는 말이다. 이 역설의 정체가 2026년 에이전트 AI 시장의 실체다.
-
여러분은 MCP를 자주 활용하나요? 저는 매일 사용해서 없으면 안 될 수준입니다. 가끔은 내가 필요한 MCP를 직접 만들고 싶은 때도 있죠. 그렇다면 실제로 MCP가 얼마나 유용한지, 어떤 MCP 서버가 좋은 MCP 서버인지 구별하려면 어떤 기준을 세우면 좋을까요? 이번 논문은 MCP가 실제 업무의 복잡성을 평가하는 벤치마크를 제안하고 MCP 활용 능력을 종합적으로 평가합니다.
-
Agent Learning via Early Experience 2025-10-12스스로 학습하고 발전하는 인공지능을 위한 새로운 학습 패러다임, 초기 경험(Early Experience)을 제안합니다. 보상 신호 없이도 에이전트가 자신의 행동으로 생성된 미래 상태를 학습 신호로 활용할 수 있습니다. 이제 인공지능이 정답만 보고 배우는 게 아니라 직접 시도한 경험으로 학습한다는 겁니다.
-
저는 예전부터 데이터 시각화가 어려웠습니다. 함수 이름이랑 파라미터도 잘 안 외워지고 어떤 그래프가 가장 효과적인가 판단하는 것이 쉽지 않습니다. 구글에서 시각화 시스템을 제안한 논문을 발표한 것은 굉장히 재밌습니다. 아마 Opal과 관련이 있지 않을까요?
-
Microsoft Research GenAI 그룹 연구원. BIT 박사(2024) 후 정규 합류, 다국어 인코더와 멀티모달에서 agentic LLM으로 라인을 옮겨 Era of Agentic Organization 1저자
-
Cloudflare Workers 위에 올린 오픈소스 에이전트 워크스페이스. 문서나 앱 인스턴스마다 별도 샌드박스(Gadget)를 띄우고, 외부 시스템 접근은 게이트키퍼 Worker가 중개합니다. 2026년 8월 5일 Apache 2.0으로 공개됐습니다.
-
알리바바 지도 서비스 AMAP(高德地图)의 CEO로 AMAP을 내비게이션 도구에서 공간 지능 에이전트로 전환시키고 있는 경영자
-
칭화대 AIR 교수. 에지 AI와 추론 시스템 전문. 전 Microsoft Research Asia 수석 연구원 겸 Edge AI 리드.
-
중국인민대 고령인공지능학원(GSAI) 부교수. 추천 시스템·강화학습·인과추론 연구, LLM 에이전트 서베이 저자
-
Frontis.AI / Horizon Research 교신저자. 에이전트 평가 벤치마크 파이프라인 구축 연구 주도
-
중국 최대 가전 기업. 2016년 독일 로봇 회사 KUKA를 50억 달러에 인수했고, AI Research Center(AIRC)에서 에이전트 하네스 연구를 진행합니다
-
홍콩과기대(광저우)·싱가포르국립대학교 소속. ToolArtist 공동 1저자
-
화중과기대(HUST) 연구자. TurboVLA 공동 1저자. 경량 Vision-Language-Action 모델 연구.
-
JavaScript·TypeScript용 오픈소스 AI 에이전트 프레임워크. 워크플로·메모리·RAG·도구 호출을 묶어 에이전트를 만든다. 2026년 6월 npm 공급망 공격 표적
-
Alibaba Cloud 연구원. 모바일 GUI 에이전트와 실기기 런타임 연구, MAI-UI·Qwen-UI-Agent 공동 1저자
-
Alibaba Tongyi Lab Staff Algorithm Expert. 멀티모달 에이전트 R&D 팀 리드, MAI-UI·Qwen-UI-Agent 프로젝트 리더
-
지린대학교 인공지능대학 소속, GateMem 1저자. LLM 에이전트 메모리 거버넌스 연구
-
조지아대학교 박사과정 겸 Tencent HY LLM Frontier 연구원. 장기 터미널 에이전트의 데이터·벤치마크를 연구하며 RST와 LHTB의 공동 1저자.
-
화웨이 노아의 방주 연구소 음성·시맨틱 그룹 연구원. NLP에서 출발해 LLM 에이전트와 에이전트 학습 데이터 쪽으로 옮겨온 1저자형 연구자입니다.
-
베이징대학교(PKU) 박사과정 NLP 연구자로 GUI 에이전트 데이터셋·트래젝토리 합성에 집중하며, Xiaomi LLM-Core 인턴 기간에 Video2GUI 1저자를 맡았다
-
어도비 리서치 시니어 리서치 사이언티스트. 비전-언어 파운데이션 모델, 멀티모달 에이전트, 포스트트레이닝 연구자
-
화중과기대(HUST) 연구자. 구현 AI·VLA·월드 모델·자율주행 인식 연구. TurboVLA 프로젝트 리드.
-
Anthropic의 공식 에이전트 SDK, Python·TypeScript로 Claude 기반 자동화·에이전트를 만들 때 쓰는 라이브러리
-
MemTensor(상하이) 연구 책임자. MemOS 1저자, Metis 교신저자. LLM 메모리를 운영체제 층위로 다루는 연구 라인의 중심
-
상하이교통대 소속 연구자. HLL CAPTCHA 에이전트 벤치마크의 1저자
-
Google DeepMind 프론티어 전략 및 거버넌스 시니어 디렉터. Cooperative AI Foundation 창립자. AI 거버넌스 분야 선구자.
-
Frontis.AI / 칭화대 연구원. 자기개선 에이전트 서베이 1저자, Frontis-MA1 프로젝트 공동 리더
-
칭화대 College of AI 박사과정 연구자(ZenoMind AI 겸). 대규모 추론 모델, AI 에이전트, 통합 모델을 연구하며 특히 멀티모달 공간 과제에 집중. Spider2-V 공저자.
-
UC 버클리 박사과정 연구자. OOD 탐지·LLM 추론·에이전트 신뢰성 연구. ALE 제1저자.
-
청화대학교 자동화학과 소속 연구자. LLM 에이전트 훈련과 에이전틱 강화학습을 연구하며 SEED의 공동 1저자.
-
UC 버클리 CS 교수. AI 보안·에이전트 분야 선구자. MacArthur Fellowship 수상자.
-
NUS/MIT 연구원. LLM 대화 시스템·다중 에이전트 인지 연구. EvoArena 공저자.
-
상하이교통대 컴퓨터과학원 박사과정. LLM 해석가능성과 다중 에이전트 사회 시뮬레이션 연구자로 UrbanGround 1저자
-
알리바바 AMAP-ML의 LLM 에이전트 연구를 프로젝트 리드로 이끄는 연구자로 Tree-GRPO·CoEvolve·LongHorizon-Harness의 교신저자
-
데이터셋 증류·응축 계열을 다뤄 온 연구자. StateM 공동 1저자로 에이전트 런타임 쪽으로 넘어왔습니다
-
화둥사범대 소속 연구자. MetaForge 자가진화 멀티모달 에이전트의 교신저자
-
저장대학교 연구자. HuggingGPT와 TaskBench의 저자로 LLM 에이전트의 과제 분해와 도구 호출을 연구.
-
Meta AI 연구원. 터미널 에이전트 평가 연구. TUA-Bench 공동 제1 저자.
-
저장대학교(Zhejiang University) 소속 연구자. 에이전틱 RL과 자기 증류 분야를 연구하며 SDAR의 공동저자.
-
인민대학교 가오링 인공지능대학 학장. 마이크로소프트 리서치 아시아(MSRA)에서 14년간 웹 검색·데이터 마이닝 그룹을 이끈 검색 분야 원로 연구자.
-
CUHK CSE 박사과정. LLM, 멀티모달 AI, 에이전트 시스템 전공. Orchestra-o1 공동 1저자.
-
MBZUAI 머신러닝학과 조교수, VILA Lab 공동 운영. 효율적 딥러닝, 지식 증류, 에이전트 시스템 설계 연구
-
청화대학교 자동화학과 정교수. 음성 합성·인식·감정 처리 및 에이전틱 AI 분야를 연구하는 시니어 연구자.
-
Alibaba Tongyi Lab 연구원. MobileWorld 벤치마크 1저자, Qwen-UI-Agent 핵심 기여자
-
Frontis.AI Horizon Research 연구원. Frontis-MA1 / OpenMLE 프로젝트 공동 리더이자 1저자
-
BIGAI(베이징범용인공지능연구원) 연구원. Embodied AI·3D 장면 이해·VLA 모델 전공. ACE-Ego-0 프로젝트 리더.
-
프린스턴 인턴십 중 에이전트 스킬 메커니즘 분석 연구를 수행한 1저자
-
워싱턴대학교 세인트루이스 박사과정. R-Zero, G-Zero, VisPlay로 이어지는 자기진화 학습 계보를 만들어온 연구자이며 EnvHarness 1저자.
-
Tencent HY LLM Frontier 수석 연구원. 대형 언어 모델의 에이전트 능력과 장기 자율 실행을 연구하며 LHTB 벤치마크의 시니어 저자.
-
중국 상하이의 연구중심 대학. AI 분야에서 MediaBrain, 인공지능학원을 중심으로 에이전트·멀티모달 연구를 냄.
-
Princeton 전기컴퓨터공학과 교수, 강화학습 이론과 LLM 에이전트 학습 연구
-
KUKA 그룹 CTO 겸 로보틱스 사업부 CTO. ABB에서 20년간 제품·R&D 리더십을 거쳤고 SemaPLC 교신저자입니다.
-
Fudan University 박사과정 연구자. 구현 AI·VLA 일반화·세계 모델링 연구. OpenMOSS 멤버.
-
상하이자오퉁대학교 박사과정. 연합학습에서 LLM 멀티에이전트로 옮겨온 연구자, OpenFedLLM 저자.
-
Meta AI 연구원. 컴퓨터비전·에이전트 평가 연구. HKU 출신. TUA-Bench 공동 제1 저자.
-
베이징인공지능연구원(BAAI) 연구원이자 베이징대 박사후연구원. MemoRAG·WebThinker를 만든 검색 에이전트·장기 메모리 연구자.
-
상하이교통대 존홉크로프트센터·APEX Lab 테뉴어트랙 부교수. 도구 사용 데이터 합성 파이프라인 ToolACE 계열을 만든 사람입니다.
-
펜실베이니아주립대 정보과학기술대 조교수이자 AG2(구 AutoGen) 공동창업자·CEO. LLM 멀티에이전트 프레임워크 분야 대표 연구자
-
Alaya Lab(Shanda AI Research Tokyo) 수석연구원. 게임용 월드 모델, 멀티모달 LLM 연구자. 이전 상하이 AI 연구소.
-
화중과기대(HUST) 연구자. TurboVLA 공동 1저자. 경량 Vision-Language-Action 모델 연구.
-
Microsoft Research Scientist. 코딩 에이전트의 레포지토리 탐색 효율화 연구를 이끄는 FastContext 공동 제1저자.
-
UIUC CS 조교수. LLM 추론, 코드 에이전트, 대규모 훈련 효율화 연구. Crafter 교신저자.
-
Alibaba AMAP CV Lab이 제안한 실행 가능 구현체 AI 벤치마크. UnrealZoo(Unreal Engine 5) 기반 16개 씬, 4단계 난이도, 200개 이상 태스크로 장기 멀티태스크 에이전트를 평가합니다.
-
여러 프런티어 모델을 동적으로 지휘하는 Sakana AI의 멀티에이전트 오케스트레이션 시스템
-
UC 샌디에이고 박사과정. 멀티에이전트 시스템과 LLM 에이전트 평가 연구
-
AI 연구자. 전 Salesforce AI Research SVP, 현 Recursive Superintelligence 공동창업자.
-
인민대학교 가오링 인공지능대학 교수이자 RUC-NLPIR 연구실장. 정보 검색·생성형 IR·에이전트 검색 분야 권위자.
-
칭화대 AIR 원장·AI과학 석좌교수. 전 바이두 사장, 전 Microsoft Research Asia 초대 원장. 중국공정원 원사.
-
여러 LLM 에이전트가 대화하며 과제를 푸는 오픈소스 멀티에이전트 프레임워크. 현재는 AG2로 이어졌습니다
-
칭화대 AIR 교수 겸 부원장. 모바일·에지 컴퓨팅 전문. IEEE Fellow. 전 Microsoft Research Asia 수석 연구원.
-
Anthropic의 팀 협업·자동화 워크스페이스, Claude 모델을 위키·문서·플러그인 워크플로우와 묶는 진입점
-
청화대학교 자동화학과 박사과정. 에이전틱 RL과 LLM 에이전트 훈련을 연구하며 SPARK, OPID, SEED 등을 발표한 연구자.
-
Tencent AI Lab(시애틀) 수석 연구원. LLM 자기진화 학습 계열을 이끌며 R-Zero와 WebEvolver의 공저자.
-
난징대·콰이쇼우 소속 연구자. MMG2Skill guide-to-skill 학습의 공동 1저자
-
Tsinghua University Shenzhen International Graduate School 연구자. LLM 에이전트 자기진화·경험 학습 전문
-
중국인민대학 가오링인공지능학원 소속. ToolArtist 공동 1저자로 에이전틱 이미지 생성을 연구
-
H Company의 모델링 총괄. Holo 컴퓨터 유즈 VLM 라인업을 이끄는 연구자
-
인민대학교 가오링 인공지능대학 박사과정생. 에이전트 정보 탐색과 웹 검색 에이전트를 연구하며 앤트 그룹 인턴으로 SearchOS를 개발.
-
하얼빈공업대학교(선전) 조교수. 대형 멀티모달 모델·AI 에이전트 전문가. KnowAct-GUIClaw, Uni-MoE 등 다수 연구 주도.
-
Midea AIRC 소속 교신저자. SemaPLC의 연구 방향과 산업 적용을 총괄했습니다.
-
메릴랜드대학교(UMD) 박사과정 겸 Tencent HY LLM Frontier 연구원. 에이전트 평가·LLM 추론·비전언어모델 자기보상 학습을 연구하며 LHTB의 공동 1저자.
-
Hermes 모델/에이전트 오픈소스 AI 팀, agentskills.io 표준
-
Anthropic의 공식 터미널·IDE 기반 코딩 에이전트, Claude 모델을 셸과 코드 컨텍스트에 연결하는 CLI
-
하얼빈공업대학교(선전) 교수, Lychee Team 책임자. LLM·멀티모달 LLM·AI 에이전트 분야 연구 수장. KnowAct-GUIClaw 교신저자.
-
KAIST 박사과정 연구원. NVIDIA와의 공동 연구를 통해 VLM 기반 공간 추론 에이전트 SpatialClaw를 제안한 제1저자.
-
StateM 공동 1저자. 롱호라이즌 에이전트의 런타임 제어층을 다룹니다
-
NUS PhD 연구원. LLM 추론 및 에이전트 벤치마크 전문. EvoArena, LogicReward 저자.
-
Shanghai Innovation Institute 연구원. OpenMOSS 소속. 구현 AI·VLA·로봇 조작 연구.
-
Alibaba Tongyi Lab 연구원. MAI-UI·Qwen-UI-Agent 공동 1저자 겸 프로젝트 공동 리더
-
CUHK Shenzhen 연구조교·Qiyuan.Tech CTO. LLM 에이전트와 의료 AI를 넘나드는 오픈소스 기여자.
-
칭화대 AIR·Z-Trans AI 소속 연구자. Zetta 폐루프 임바디드 하네스의 공동 1저자이자 기술 리드.
-
베이징인공지능연구원(BAAI) 연구원이자 홍콩이공대 겸직. BGE 임베딩 계열과 FlagEmbedding 프로젝트를 이끈 검색·표현학습 연구자.
-
상하이교통대 부교수. Auto-CoT와 Multimodal-CoT 저자이며 언어 에이전트와 에이전트 안전을 연구
-
칭화대 AIR 조교수. 모바일 에이전트·DroidBot·AutoDroid 개발. 모바일 인텔리전스 전문.
-
Fudan University 박사과정 연구자. VLA 모델·구현 AI·대형 언어 모델 연구. OpenMOSS 멤버.
-
파리에 본사를 둔 AI 에이전트 스타트업. Runner H와 Holo 컴퓨터 유즈 VLM 라인업을 만든다
-
샤먼대학교 석사과정. 시각 창작·인지를 위한 VLM·LLM·에이전트 연구자. PosterCraft(ICLR 2026) 공저자이자 JarvisHub 코어 기여자.
-
Microsoft Research 교신 저자. LLM 기반 소프트웨어 엔지니어링 에이전트 연구 그룹 리더.
-
UIUC CS 박사과정. 과학 논문 피겨 자동 생성 연구. Crafter 제1저자.
-
Alibaba AMAP CV Lab Algorithm Expert. 구현체 AI, 디지털 휴먼, 디지털 트윈 연구. ABot-AgentOS 프로젝트 리드.
-
도쿄에 본사를 둔 일본 AI 기업, 진화·집단지능 기반 AI 연구로 알려짐
-
Stanford CS 박사과정(지도 Serena Yeung-Levy). 자기개선 AI·임바디드 에이전트·VLM 연구. 전 Qwen 팀.
-
Midea AIRC 연구원. SemaClaw·Sema Code·SemaPLC로 이어지는 하네스 엔지니어링 연구 라인을 주도하는 교신저자.
-
2024년 구글이 공개(arXiv:2405.14573, ICLR 2025)한 20개 앱 116개 태스크 환경으로, adb로 기기 상태를 직접 검사해 성공 여부를 판정한다
-
알리바바 AMAP-ML 소속 연구자로 LLM 에이전트의 스킬 진화와 장기 실행 하네스를 연구하며 SkillClaw와 LongHorizon-Harness의 1저자
-
중국인민대 GSAI 박사과정, MemTensor 소속. LLM 에이전트 메모리 서베이 저자, Metis 공동 1저자
-
메이퇀 연구자. SDAR, SKILL0 등 에이전틱 강화학습과 스킬 내재화 연구를 이끄는 메이퇀 쪽 교신저자.
-
상하이자오퉁대학교 연구자. ABSeeker 공동 1저자로 검색 에이전트의 스텝 단위 크레딧 할당을 다룸.
-
명령과 데이터를 같은 채널로 받는 LLM의 구조를 이용해, 데이터 안에 심어 둔 문장을 모델이 지시로 실행하게 만드는 공격
-
GUI와 CLI를 같은 워크플로 안에서 오가야 풀리는 114개 장기 실행 과제. 하이브리드 인터페이스 컴퓨터 유즈 에이전트를 재는 벤치마크
-
Xiaomi LLM-Core 팀의 시니어 멤버로, MiMo 시리즈(MiMo-7B, MiMo-VL, MiMo-V2-Flash)의 핵심 기여자이자 학계와의 협업을 이끄는 코레스폰딩 저자
-
Meta AI 리서치 사이언티스트. 에이전트 평가·실험 방법론 연구. TUA-Bench 시니어 저자.
-
Princeton 전기컴퓨터공학과 박사후연구원, Gen-Verse 리더, 확산 모델과 에이전트 RL 연구
-
UC Merced 조교수, UC Merced NLP Lab 디렉터. 신뢰성 있는 LLM 제어와 멀티모달 추론을 다루며 Self-Manager의 시니어 저자
-
칭화대 AIR·Z-Trans AI 소속 연구자. Zetta 폐루프 임바디드 하네스의 공동 1저자이자 기술 리드.
-
상하이교통대학(SJTU) 연구원, Microsoft CoreAI 프로젝트 참여. FastContext 공동 제1저자.
-
칭화대학교 선전 국제대학원 석사과정 연구자. 도구 호출 정렬과 에이전틱 강화학습을 연구하며 AgentOPSD 1저자.
-
Alibaba AMAP CV Lab 연구자. ABot-AgentOS 논문 교신저자 겸 프로젝트 리드.
-
Midea AIRC 연구원. SemaPLC 1저자로 PLC 제어 로직 생성의 검증 게이트 설계와 벤치마크 구축을 담당했습니다.
-
Vision-Language-Action. 카메라 뷰와 자연어 지시를 받아 로봇 액션을 직접 출력하는 정책 모델 계열
-
Tencent Hunyuan LLM 리서치 사이언티스트. 에이전트 강화학습과 자기진화 AI를 연구하며 RST의 프로젝트 리드.
-
상하이자오퉁대학교 테뉴어트랙 부교수, 상하이 AI 연구소 co-PI. 협력 인지에서 LLM 멀티에이전트로 옮겨온 연구자.