오늘의 AI 업데이트
카카오 알림

오늘 업데이트 · 10.01.04:53

오늘 꼭 알아야 할
AI·테크 소식

카카오톡으로 받아보기

오늘의 AI 트렌드는 자율적 에이전트의 설계와 운영 체계 구축, 그리고 이를 통한 전문적 워크플로우 자동화에 집중되었습니다. 규제 당국의 시장 독점 조사와 보안 이슈가 대두되는 가운데, 차세대 모델들의 성능 경쟁과 로봇 제어를 위한 효율적인 학습 방법론 등 기술적 진보도 활발히 논의되었습니다.

매일 09:00 전체 요약 · 12:00 커뮤니티 반응 · 17:30 논문과 제품/서비스

오늘 올라온 소식

뉴스부터 논문과 새 도구까지 한 번에 이어서 볼 수 있습니다.

논문

Raven: The Harness of Harnesses for Composable Agentic Intelligence

LLM의 발전으로 에이전트가 복잡한 워크플로우를 수행하게 되면서, 수동 설계의 복잡성과 특정 도메인에 국한된 범용성 부족 문제가 발생하고 있습니다. 이를 해결하기 위해 Raven은 모델과 하네스(Harness) 쌍을 하나의 모듈형 단위로 취급하는 오픈소스 멀티 에이전트 생태계를 제안합니다. Host Agent가 목표를 분해하고 적절한 에이전트와 매칭하며, EverOS와 Skill Forge를 통해 경험을 축적하고 재사용 가능한 절차로 변환합니다. 이론적으로 이러한 구성 방식은 개별 에이전트의 역량을 합친 것 이상의 신뢰할 수 있는 작업 범위를 확보할 수 있음을 증명합니다. 실험 결과, Raven은 복잡하고 장기적인 작업에서 기존 SOTA 에이전트 시스템들을 크게 상회하는 성능을 보여주었습니다.

2026.10.01

Raven: The Harness of Harnesses for Composable Agentic Intelligence

논문

In-Context Learning for Robots: Methods and Applications

범용 로봇은 새로운 작업 요구사항을 추론하고 이를 물리적 동작으로 변환해야 하는 과제에 직면해 있습니다. 본 논문은 모델의 파라미터를 고정한 상태에서 데모와 상호작용을 통해 기존 역량을 활용하는 In-Context Learning(ICL) 연구를 검토합니다. 연구진은 문맥 정보를 실행으로 연결하는 방식을 네 가지(조건부 정책, 기하학적 데모 전이, 월드 모델 기반 제어, 스킬/에이전트 기반 실행)로 분류했습니다. 이를 통해 학습, 대응성, 메모리 역할이 작업 전이에 미치는 영향을 분석했습니다. 결과적으로 조작 및 내비게이션 분야에서 환경 변화에 따른 작업 유지 능력을 검증하며, 향후 재귀적 자기 개선을 위한 연구 방향을 제시합니다.

2026.10.01

In-Context Learning for Robots: Methods and Applications

논문

MaLiang-Harness: A Programmable Path to Image and Video Generation

실행 가능한 코드를 통한 시각적 생성은 명시적 제어를 제공하지만, 코드가 의도한 구성이나 움직임을 정확히 구현하지 못하는 'Program-to-Visual (P2V)' 격차 문제가 발생합니다. 이를 해결하기 위해 MaLiang-Harness는 생성된 프로그램, 이력, 검증 과정을 하나의 참조로 관리하는 통합 프레임워크를 도입합니다. 핵심 설계로 상태를 보존하는 PEG, 편집 이력을 연결하는 TGP, 검증과 복원을 지원하는 REV 메커니즘을 통해 계획-실행-피드백 루프를 구축합니다. 실험 결과, GPT-6-Astra와 같은 고성능 MLLM이 높은 생성 성공률을 보였으나 일반 성능 점수와 시각적 생성 성능 사이에는 차이가 있음이 밝혀졌습니다. 이 연구는 프로그래밍 방식의 시각적 생성 연구를 위한 체계적인 기반을 제공합니다.

2026.10.01

MaLiang-Harness: A Programmable Path to Image and Video Generation

논문

Omni-IO Skills: Harnessing Your Agent Omni-Native

범용 에이전트는 다양한 모달리티(텍text, 이미지, 비디오 등)를 다루어야 하지만, 모델 업데이트 비용과 복잡한 워크플로우 관리 문제로 인해 능력이 파편화되어 있습니다. 본 논문은 기존 에이전트를 '옴니 네이티브'로 만드는 플러그 앤 플레이 방식의 'Omni-IO Skills' 프레임워크를 제안합니다. 이 시스템은 계층적 Skill, 표준화된 실행 인터페이스, 의존성 인식 오케스트레이션, 자산 레지스트리를 핵심 구성 요소로 가집니다. 멀티 에셋 워크플로우는 선언적 실행 그래프(Declare Execution Graphs)를 통해 스케줄링되며, 생성된 결과물은 재사용 가능한 자산으로 등록됩니다. 실험 결과, 기존 모델의 입력 지원율을 100%로 끌어올리고 의미적 품질 점수를 대폭 향상시켰습니다. 이를 통해 모델 코어를 수정하지 않고도 확장 가능한 옴니 시스템을 구축할 수 있음을 입증했습니다.

2026.10.01

Omni-IO Skills: Harnessing Your Agent Omni-Native