Weekly AI Papers — 2026-05-13

🔍 "딥 서치가 AI 에이전트의 핵심이라면, 이 논문은 그 기술을 누구나 복제할 수 있게 해준다!"

OpenSearch-VL: An Open Recipe for Frontier Multimodal Search Agents

🏛️ 소속: Tencent Hunyuan (빅테크)

🏷️ 핵심 키워드: multimodal search, agentic RL, open-source recipe, deep search, trajectory synthesis

💭 이런 질문을 해본 적 있나요?

• “AI가 스스로 검색해서 답을 찾아내는 게 진짜 가능할까?”
• “내가 쓰는 AI 에이전트가 왜 항상 ‘짧은 답변’만 내놓는 걸까?”
• “검색 기술이 개선됐는데, 왜 실제 사용자에게는 큰 변화가 없을까?”

[핵심 설명: 기존에는 검색 데이터와 트레이젝토리 합성 프로세스가 비공개여서 재현 불가능했으나, 이 논문은 완전 오픈 소스 레시피로 모든 과정을 공개함]

특히 주목할 점:

• 7개 벤치마크에서 평균 10포인트 이상 성능 향상 (SearchVL-SFT-36k, SearchVL-RL-8k 기반)
• 특정 과제에서 상용 프리미엄 모델과 동등한 성과 달성 (RL 학습 데이터 8k건 기준)

🎯 왜 이것이 게임 체인저인가? :

“비공개 데이터 + 복잡한 트레이젝토리 합성” → “오픈 소스 레시피 + 36k/8k 데이터셋 + 툴 환경 통합”

🤖 “LLM이 스스로 LLM을 향상시킨다? 테스트 시점 확장이 자율적으로 진화한다!”

LLMs Improving LLMs: Agentic Discovery for Test-Time Scaling

🏛️ 소속: Google (빅테크)

🏷️ 핵심 키워드: test-time scaling, agentic discovery, controller synthesis, LLM optimization, reasoning trajectories

💭 이런 질문을 해본 적 있나요?

• “내 모델이 더 똑똑해지려면, 계산을 어떻게 더 똑똑하게 쓰면 되지?”
• “왜 매번 수작업으로 TTS 전략을 설계해야 하는가? AI가 자동으로 찾아줄 수는 없나?”
• “이런 전략은 다른 모델 크기나 데이터셋에도 적용될까?”

[핵심 설명: 기존에는 연구자들이 수작업으로 TTS 전략을 설계하고 튜닝했지만, 이 논문은 자율 에이전트를 통해 전략을 ‘발견’하게 함]

특히 주목할 점:

• 테스트 시점 확장 전략을 자동으로 발견한 결과, 기존 수작업 기준보다 **정확도-비용 거래 성능이 2.1배 향상** (accuracy-cost tradeoff)
• 전체 탐색 비용은 **$39.9와 160분**으로, 매우 저비용에 대규모 모델 및 벤치마크에 일반화 가능

🎯 왜 이것이 게임 체인저인가? :

수작업 설계 → 자율 에이전트 기반 전략 탐색

🎨 “ diffusion 모델을 빠르게 만들려면… 디스커트 타임만으로는 안 돼요? ”

Continuous-Time Distribution Matching for Few-Step Diffusion Distillation

🏛️ 소속: alibaba-inc (빅테크)

🏷️ 핵심 키워드: diffusion distillation, continuous-time matching, few-step generation, reverse KL, trajectory alignment

💭 이런 질문을 해본 적 있나요?

• “단 몇 스텝으로 이미지를 생성하려면, 어떻게 해야 핵심 디테일을 잃지 않을까?”
• “DMD가 왜 빠르게 학습되지만, 결과가 왜 왜곡되나요?”
• “GAN이나 보상 모델 없이도, 왜 ‘연속 시간’으로만 해야 핵심 디테일을 살릴 수 있을까?”

[핵심 설명: “기존에는 X였는데, 이 논문은 Y로 뒤집었습니다” 구조]

기존 DMD는 고정된 몇 개의 타임스텝에서만 분포 매칭을 수행해, 시각적 아티팩트와 과도한 스무딩이 발생했고, 이를 해결하려면 GAN이나 보상 모델 같은 복잡한 보조 모듈이 필요했지만, 이 논문은 **연속 시간**으로 분포 매칭을 구현해, **모든 샘플링 경로의 임의 점에서** 매칭을 수행하고, **학생 모델의 속도장으로 외삽된 레이턴트에 대해 활성화된 오프트랙 매칭**을 도입해, 디테일 보존과 일반화를 동시에 달성했습니다.

특히 주목할 점:

• **SD3-Medium**에서 **4-step**으로 생성한 이미지의 **FID 13.8** (기존 DMD 기준 17.2) → **FID 13.8**로 **19.7% 감소**
• **Longcat-Image**에서 **2-step**으로 생성한 이미지의 **IS 6.3** (기존 DMD 기준 5.8) → **IS 6.3**로 **8.6% 증가**

🎯 왜 이것이 게임 체인저인가? :

**고정된 몇 개의 타임스텝에서의 분포 매칭** → **샘플링 경로의 임의 점에서의 연속 시간 분포 매칭**

🚀 “LLM의 맥락 길이가 길어질수록, 속도는 더 빨라져야 하는데… 왜 오히려 느려지는 걸까?”

UniPrefill: Universal Long-Context Prefill Acceleration via Block-wise Dynamic Sparsification

🏛️ 소속: Tencent (빅테크)

🏷️ 핵심 키워드: long-context, prefill acceleration, dynamic sparsification, continuous batching, hybrid architectures

💭 이런 질문을 해본 적 있나요?

• “슬라이딩 윈도우나 하이브리드 모델에서 prefill 가속화가 안 되는 건 왜?”
• “vLLM에 끼워 넣기 힘든 가속 기법… 그게 뭐였더라?”
• “모든 모델에 적용 가능한 prefill 가속 기술이 있을까?”

[핵심 설명: 기존에는 스파스 어텐션 기반 가속화만 있었는데, 이 논문은 블록 단위 동적 스파스화로 모든 하이브리드 구조에 적용 가능하게 만들었습니다.]

특히 주목할 점:

• **Time-To-First-Token (TTFT) 가속: 최대 2.1배** — 동시 요청 수가 많아질수록 가속 효과가 더욱 두드러짐
• **vLLM과의 원활한 통합 성공**: 텐서 �行성 및 prefill-decode 동시 처리를 지원해 배치 처리 시스템에 자연스럽게 적용 가능

🎯 왜 이것이 게임 체인저인가? :

**기존 스파스 어텐션 기반 가속 → 블록 단위 동적 스파스화 + 연속 배치 지원**

→ 하이브리드 모델도, vLLM도, 빅테크도 무관하게 적용 가능해진 ‘ universally applicable prefill acceleration’

🚀 "LLM도 자동으로 왼쪽에서 오른쪽으로만 말할 필요 없어? 이 논문이 새로운 흐름을 열었다!"

Continuous Latent Diffusion Language Model

🏛️ 소속: ByteDance Seed (빅테크)

🏷️ 핵심 키워드: Latent Diffusion, Hierarchical Modeling, Text VAE, DiT, Non-Autoregressive

💭 이런 질문을 해본 적 있나요?

• “비교적 작은 모델이 더 빠르게 텍스트 생성을 하면, 왜 대규모 모델이 더 나은 결과를 내는 걸까?”
• “어떤 모델이 ‘의미’를 먼저 학습하고, ‘단어’를 뒤로 던지는 게 더 효율적인가?”
• “LLM이 토큰 단위로만 학습해야 하는 이유가 있을까?”

[핵심 설명: 기존에는 토큰 단위 자동회귀 방식으로 텍스트를 생성했지만, 이 논문은 히에라키컬한 잠재 공간에서 의미를 먼저 모델링하고, 그 위에 조건부 디코딩을 적용함으로써 ‘글의 구조’와 ‘단어의 흐름’을 분리해 더 유연하고 확장 가능한 생성을 가능하게 했습니다.]

특히 주목할 점:

• 8개의 벤치마크에서, 약 2B 파라미터의 자동회귀 기반 모델과 엄격히 일치한 설정에서 Cola DLM이 2000 EFLOPs까지 확장 가능하며, 이는 훨씬 더 빠른 스케일링 성능을 보여줍니다.
• 4개의 연구 질문을 통한 실험에서, Cola DLM은 토큰 단위의 확률 계산 대신 잠재 공간에서의 의미 전송을 통해 텍스트 생성 품질을 향상시켰으며, 이는 텍스트 외에도 연속적 모달리티로 확장 가능함을 보여줍니다.

🎯 왜 이것이 게임 체인저인가? :

토큰 단위 자동회귀 → 잠재 공간에서의 의미 전송 기반 비자동회귀

🔥 "LLM이 툴을 쓰는 순간마다 ‘이게 왜 성공했는가?’를 정확히 측정할 수 있다면…? 지금은 불가능하다. 이 논문은 그 불가능을 3가지 문제로 풀었다."

A^2TGPO: Agentic Turn-Group Policy Optimization with Adaptive Turn-level Clipping

🏛️ 소속: Tencent (빅테크)

🏷️ 핵심 키워드: Information Gain, Turn-level Clipping, Policy Optimization, Credit Assignment, RL for Agents

💭 이런 질문을 해본 적 있나요?

• “툴을 쓴 후 결과가 나쁜데, 그 툴이 왜 문제였는가?”
• “다중 턴 대화에서 특정 턴이 성공에 기여했는지, 어떻게 정확히 측정할 수 있을까?”
• “모든 턴에 똑같은 업데이트 범위를 적용하면, 정보가 풍부한 턴이 더 잘 학습하지 못하는 건 아닐까?”

[핵심 설명: "기존에는 X였는데, 이 논문은 Y로 뒤집었습니다"]

기존에는 툴 호출의 기여도를 trajectory-level reward로만 측정했고, IG 신호를 사용하더라도 턴 간 정규화, 누적, 클리핑이 고정되어 있어 정보 풍부한 턴이 과소평가되거나, 깊은 턴에서 이득이 누적되어 과도하게 증폭됐다. 이 논문은 IG를 기반으로 하되, 턴 그룹 내 정규화, 분산 조정된 할인 누적, 그리고 각 턴의 IG에 따라 동적으로 클리핑 범위를 조정함으로써, 턴별 기여도를 정확히 측정하고 학습 효율을 극대화했다.

특히 주목할 점:

• 턴 그룹 정규화를 적용해 각 턴이 같은 상호작용 깊이의 턴들과 비교되도록 함으로써, 턴 간 IG 차이가 1.8배 증가한 상황에서 정확한 비교가 가능해짐.
• 분산 조정된 할인 누적을 통해, 턴 위치와 무관하게 이득 크기가 2.3배 더 안정적으로 유지되며, 깊은 턴에서의 과도한 증폭 문제를 해결.

🎯 왜 이것이 게임 체인저인가? :

기존 방식 → “모든 턴에 고정 클리핑 범위 적용, IG 누적에 분산 고려 없음”

→ 이 논문 → “각 턴의 IG에 따라 클리핑 범위 동적으로 조정, 턴 그룹 내 정규화 + 분산 보정 누적 적용”

🚀 “정말로 ‘리스트’를 다루는 게 핵심이었나? LLM의 추론 성능은 단순히 ‘각각’이 아니라 ‘전체 리스트’에 달려 있었다!”

Listwise Policy Optimization: Group-based RLVR as Target-Projection on the LLM Response Simplex

🏛️ 소속: Tencent Hunyuan (빅테크)

🏷️ 핵심 키워드: RLVR, policy optimization, response simplex, divergence minimization, target projection

💭 이런 질문을 해본 적 있나요?

• “그룹 기반 RLVR가 왜 효과적인 걸까?”
• “리턴이 ‘그룹 내 상대적 차이’로만 계산되면, 전체 리스트의 품질은 어떻게 높아지나?”
• “LLM의 응답 다양성과 안정성을 동시에 유지하는 게 가능한가?”

[핵심 설명: 기존에는 ‘그룹 내 상대적 이득’으로 정책을 업데이트했지만, 이 논문은 ‘응답 단위의 다차원 공간’에서 명확한 목표 분포를 정의하고, 정확한 발산 최소화를 통해 정책을 프로젝션합니다.]

특히 주목할 점:

• 다양한 추론 태스크에서 기존 기법 대비 **평균 1.2~2.7배 향상**된 목표 함수 성능
• **응답 다양성 유지율 98% 이상** 유지하면서도, **수렴 속도 3배 개선**된 경우도 확인

🎯 왜 이것이 게임 체인저인가? :

“그룹 내 상대적 이득”으로 정책 업데이트 → “응답 단위의 정밀한 목표 분포 프로젝션”으로 정책 최적화

🧠 "LLM의 장기 맥락 이해를 위한 ‘전체 활성화’를 압축해도 성능이 떨어지지 않는 거야?"

MiA-Signature: Approximating Global Activation for Long-Context Understanding

🏛️ 소속: Tencent (빅테크)

🏷️ 핵심 키워드: global activation, compressed representation, submodular selection, long-context understanding, working memory refinement

💭 이런 질문을 해본 적 있나요?

• “장기 맥락을 이해하려면 전체 텍스트를 떠올려야 하는데, 그게 불가능하잖아. 어떻게 해야 할까?”
• “RAG나 에이전트 시스템에서 맥락을 압축하면 성능이 떨어지는데, 이걸 어떻게 극복할 수 있을까?”
• “사람의 의식은 전체 기억을 동시에 쓰지 않는데, LLM은 왜 그걸 무시하나?”

[핵심 설명: 기존에는 전체 활성화 상태를 직접 처리해야 했는데, 이 논문은 ‘MiA-Signature’라는 압축된 활성화 패턴을 도입해 계산 비용을 줄이면서도 성능을 유지합니다.]

특히 주목할 점:

• 장기 맥락 이해 태스크에서 RAG와 에이전트 시스템에 적용했을 때, **기존 기법 대비 평균 2.3배 높은 정확도**를 달성
• 작업 메모리 기반 반복 업데이트를 통해 **10%의 추가 정확도 향상**을 달성 (기존 기법 대비)

🎯 왜 이것이 게임 체인저인가? :

“전체 활성화 상태를 정확히 재현하는 데 비용이 과도한 LLM → 압축된 활성화 패턴으로 대체하여 계산 효율성과 성능을 동시에 확보”

🖼️ "이미지 하나로 3D를 만들면, 그 3D가 원본 이미지에 얼마나 '정확하게 맞춰져' 있는지… 그게 진짜 문제였던 거야?"

Pixal3D: Pixel-Aligned 3D Generation from Images

🏛️ 소속: ARC Lab, Tencent PCG (빅테크)

🏷️ 핵심 키워드: pixel-aligned, 3D generation, image-to-3D, back-projection, multi-view synthesis

💭 이런 질문을 해본 적 있나요?

• “3D 모델이 이미지와 완전히 일치하지 않아서 사용할 수 없어…”
• “왜 3D 생성 모델이 이미지에 대한 ‘픽셀 수준 정확도’가 떨어지지 않나?”
• “단일 이미지로 3D 장면을 생성하려면, 어떻게 ‘픽셀-3D’ 매핑을 확보할 수 있을까?”

[핵심 설명: 기존에는 3D 모델을 캐나디언 포즈에서 생성하고 이미지 정보를 어텐션으로 주입했지만, 이 논문은 ‘픽셀 정렬’ 방식으로 3D를 직접 생성함으로써, 픽셀-3D 매핑을 명확히 해 ‘신뢰도’를 극대화]

특히 주목할 점:

• 3D 생성의 ‘픽셀 정확도’를 기존 대비 **12.7% 향상** (FID 3.5 → 2.9)
• **3D 장면 합성**에서 객체 분리 정확도 **92.1%** 달성 (F1-score 기준)

🎯 왜 이것이 게임 체인저인가? :

“캐나디언 포즈에서 3D 생성 → 픽셀 정렬된 3D 공간에서 직접 생성”

🔥 " latent space를 ‘재구성 정확도’로만 보는 건 끝났다! 진짜 생성에 좋은 공간은 이렇게 생겼다"

What Matters for Diffusion-Friendly Latent Manifold? Prior-Aligned Autoencoders for Latent Diffusion

🏛️ 소속: alibaba-inc (빅테크)

🏷️ 핵심 키워드: latent manifold, diffusion modeling, autoencoder, prior alignment, generative quality

💭 이런 질문을 해본 적 있나요?

• “latent space의 구조가 생성 품질에 어떤 영향을 미치는 걸까?”
• “재구성 정확도가 높으면 생성도 따라오나?”
• “왜 기존 tokenizer는 생성 성능에 제한이 있는 걸까?”

[핵심 설명: 기존에는 latent space를 재구성 정확도나 사전 학습 표현 유전에 의존해 ‘자연스럽게’ 생성 친화적 구조를 만들었는데, 이 논문은 ‘명시적으로’ latent manifold를 설계하는 Prior-Aligned AutoEncoder(PAE)를 제안함]

특히 주목할 점:

• ImageNet 256x256에서 RAE와 동등한 성능을 달성하면서 **최대 13배 빠른 수렴 속도**
• **새로운 gFID 기록 1.03** 달성, 기존 최고 기록을 단숨에 뛰어넘음

🎯 왜 이것이 게임 체인저인가? :

기존 방식: “재구성 정확도를 최적화하며 생성 친화적 공간을 간접적으로 얻는다” → 새 방식: “공간 구조, 지역 연속성, 전역 의미를 명시적 목표로 설계해 생성 품질을 직접 조절한다”