쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 22일 (일)까지 5067건
12건 · "긴 작업"조건 지우기 ×
001 21:11 ▲ 126 · 댓글 62 Gemini 4 Carbon은 왜 이렇게 느린가 Hacker News의 한 개발자가 Gemini 4 Carbon을 버그 수정 작업으로 벤치마킹했을 때 Opus나 Astra는 수 분이 걸리는 작업을 거의 1시간 가까이 소요하는 것을 발견했다. AI · 머신러닝 · Why is Gemini 4 Carbon taking so long?
Key Point Claude 모델(Opus, Astra)과 직접 비교되는 Google Gemini 4 Carbon의 성능 문제를 구체적인 벤치마크로 분석해 LLM 에이전트 최적화의 현주소를 보여준다.
핵심 요약
Hacker News의 한 개발자가 Gemini 4 Carbon을 버그 수정 작업으로 벤치마킹했을 때 Opus나 Astra는 수 분이 걸리는 작업을 거의 1시간 가까이 소요하는 것을 발견했다. 느린 속도를 세 가지로 분석했다: 먼저 추론 속도(queueing, 네트워크 지연, 프롬프트 처리)는 Astra 대비 16~30%, Opus 대비 45~49%의 추가 시간만 설명한다. 나머지는 더 긴 작업 궤적에서 비롯되는데, Carbon은 Astra보다 7배 많은 스텝을 거치고 11배 많은 작업(파일 읽기, 명령 실행 등)을 수행하며 7배 더 많은 토큰을 작성한다. 전체 요약 6문장 읽기 → 002 18:11 ▲ 33 · 댓글 3 컴퓨터 제어 AI, 실수 복구 능력 체계적으로 평가하기 키보드·마우스로 디지털 업무를 자동화하는 컴퓨터 제어 AI 에이전트는 긴 작업 흐름에서 오류가 쌓이고 의도하지 않은 부작용이 생기면서 실수에서 복구하는 능력이 중요해졌다. AI · 머신러닝 · Lost in Recovery: Demystifying Recovery Behavior of Computer-Use Agents via Goal-Oriented Action Replay
Key Point 컴퓨터 자동화 에이전트의 신뢰성을 높이는 핵심인 '오류 복구'를 처음 체계적으로 평가하고, 현재 AI 모델들이 자신의 복구 능력을 제대로 사용하지 못하고 있다는 실제 한계를 드러낸다.
핵심 요약
키보드·마우스로 디지털 업무를 자동화하는 컴퓨터 제어 AI 에이전트는 긴 작업 흐름에서 오류가 쌓이고 의도하지 않은 부작용이 생기면서 실수에서 복구하는 능력이 중요해졌다. 기존 복구 방식은 한계가 있다: 소유권이 있는 시스템은 환경 초기화가 불가능하고, 긴 작업 흐름에서 액션 재실행은 비용이 너무 크며, API 기반 되돌리기는 웹 환경에만 적용되므로 모델 기반 복구는 거의 연구되지 않았다. 연구팀은 ReTrace라는 평가 프레임워크를 제시해 컴퓨터 제어 에이전트의 복구 동작을 체계적으로 연구한다. 전체 요약 8문장 읽기 → 003 06:11 당일 +157 멀티코어 최적화 물리 엔진, Jolt Physics 오픈소스 공개 C++로 작성된 멀티코어 친화적 강체 물리·충돌 감지 라이브러리로, 호라이즌 포비든 웨스트와 데스 스트랜딩 2 온 더 비치에 사용됐다. 하드웨어 · 시스템 · jrouwe/JoltPhysics · C++
Key Point AAA 게임(호라이즌, 데스 스트랜딩 2)에 검증된 물리 엔진이 오픈소스로 공개되어 게임 개발자가 직접 활용할 수 있게 됐다.
핵심 요약
C++로 작성된 멀티코어 친화적 강체 물리·충돌 감지 라이브러리로, 호라이즌 포비든 웨스트와 데스 스트랜딩 2 온 더 비치에 사용됐다. 게임이 여러 스레드에서 동시에 실행되는 점을 감안해 설계했으며, 배경 스레드에서 물리 본체를 로딩·언로딩하거나 수정할 때 시뮬레이션을 차단하지 않는다. 충돌 쿼리를 시뮬레이션과 병렬로 실행할 수 있고, 광역 판정(광역 충돌)을 사전에 수행한 후 세밀한 판정(협역 충돌)을 배경에서 처리해 긴 작업을 여러 프레임에 분산시킨다. 전체 요약 11문장 읽기 → 004 12:11 ▲ 10 · 댓글 2 긴 작업의 신용배분 문제를 푸는 Self-Credit 강화학습 LLM 에이전트는 보통 강화학습으로 훈련되지만, 희소한 보상 신호로 인해 장기 작업에서 신용배분이 어렵다. AI · 머신러닝 · Self-Credit: Credit Assignment for Long-Horizon Agentic RL via Intra-group Rescaling
Key Point 희소 보상 환경에서 LLM 에이전트가 어떤 액션이 성공을 이끌었는지 파악하기 어려운 문제를 모델의 자체 추론과 그룹 비교로 해결하는 구체적 방법을 제시한다.
핵심 요약
LLM 에이전트는 보통 강화학습으로 훈련되지만, 희소한 보상 신호로 인해 장기 작업에서 신용배분이 어렵다. Self-Credit은 모델이 생성한 요약에 핵심 증거를 담은 이전 턴을 인용하게 함으로써 자동 신용배분 신호를 만든다. 그룹 내 재스케일링을 통해 같은 프롬프트에 대해 성공한 롤아웃과 실패한 롤아웃 간의 인용 액션을 비교해 신용을 정제한다. 전체 요약 8문장 읽기 → 005 12:11 ▲ 101 · 댓글 3 장기 작업 AI, 히스토리 대신 객체로 문맥 정리 장기 작업을 수행하는 AI 에이전트는 누적된 진전을 기록하는 긴 상호작용 히스토리를 반복해서 처리해야 한다는 문제가 있다. AI · 머신러닝 · Pack Light, CarryOn: Building Object-Oriented Context for Long-Horizon Agents
Key Point 컨텍스트 윈도우 제약이 있는 LLM 기반 에이전트에서 긴 작업 수행 시 토큰 사용량을 절반 이상 줄이면서 오히려 성능을 높이는 새로운 접근법이다.
핵심 요약
장기 작업을 수행하는 AI 에이전트는 누적된 진전을 기록하는 긴 상호작용 히스토리를 반복해서 처리해야 한다는 문제가 있다. CarryOn은 히스토리 대신 재사용 가능한 작업 객체를 중심으로 문맥을 조직하는 객체 지향 문맥 런타임이다. 기존 방식의 압축된 히스토리나 재구성된 진전 기록 대신, 재사용 가능한 작업 객체, 보완 실행 문맥, 최근 상호작용 로그로 문맥을 구성한다. 전체 요약 5문장 읽기 → 006 03:12 ▲ 13 · 댓글 2 긴 작업도 '문제없이' 아젠트를 훈련하는 방법 LLM 기반 에이전트는 여러 도구를 조합해 긴 작업을 수행해야 하는데, 기존의 직접 도구 호출(DTC) 방식은 도구 응답이 컨텍스트에 계속 쌓여 컨텍스트 부패와 오케스트레이션 실패를 초래한다. AI · 머신러닝 · ProgAgent: Learning Tool Orchestration through Programmatic Training
Key Point 컨텍스트 길이 한계가 늘어가는 상황에서 복잡한 작업을 수행하는 에이전트의 근본적인 훈련 방식에 대한 실증적 개선안을 제시하고 있다.
핵심 요약
LLM 기반 에이전트는 여러 도구를 조합해 긴 작업을 수행해야 하는데, 기존의 직접 도구 호출(DTC) 방식은 도구 응답이 컨텍스트에 계속 쌓여 컨텍스트 부패와 오케스트레이션 실패를 초래한다. 프로그래밍 방식 도구 호출(PTC)은 실행 가능한 코드를 통해 도구를 호출하고 중간 결과를 런타임 변수에 저장하는 방식으로, 기존 연구에서는 추론 시점 최적화로만 탐구되었다. ProgAgent는 검증 가능한 장기 작업 합성 파이프라인, 경량 PTC 런타임, 2단계 훈련 레시피로 구성된 완전한 PTC 훈련 스택을 제시한다. 전체 요약 6문장 읽기 → 007 15:11 ▲ 138 · 댓글 2 긴 작업 완수하는 AI 에이전트 학습 데이터 합성법 공개 장시간에 걸쳐 현실의 전문 업무를 완료하는 터미널 에이전트 개발에 적합한 학습 데이터가 부족한 문제를 다룬다. AI · 머신러닝 · Scaling Agentic Data for Long-Horizon Terminal Intelligence
Key Point 장시간 복잡한 작업을 자율적으로 완료해야 하는 AI 에이전트 개발 시 학습 데이터의 질과 특성이 모델 성능을 크게 좌우하기 때문에, 현실 기반의 효과적인 데이터 합성 방법론은 에이전트 연구 진행에 직결된다.
핵심 요약
장시간에 걸쳐 현실의 전문 업무를 완료하는 터미널 에이전트 개발에 적합한 학습 데이터가 부족한 문제를 다룬다. 기존 환경 합성 방식은 탐색, 구현, 검증 같은 에이전트의 핵심 활동을 미리 완료해 버려서 에이전트가 배울 수 없다는 한계가 있다. 이를 해결하기 위해 TerminalHorizon이라는 자동화된 데이터 합성 엔진을 제안하는데, 실제 전문 업무에서 시작해 독립 실행으로 빠진 작업을 파악하고 환경을 재구성한다. 전체 요약 7문장 읽기 → 008 03:11 ▲ 14 · 댓글 2 긴 작업 추적하는 AI 코딩 어시스턴트 비평가 'Opera' 공개 장시간 코딩 작업을 수행하는 에이전트가 피드백을 받아도 실제로 문제가 해결되지 않는 경우가 많다. AI · 머신러닝 · Opera: A Verbal Critic Framework for Long-horizon Coding Agents
Key Point AI 코딩 에이전트의 가장 큰 약점인 '피드백을 받아도 실제 문제가 풀리지 않는' 현상을 근본적으로 진단하고 추적하는 방식이 소프트웨어 공학 벤치마크 전체에서 최고 성능을 기록했습니다.
핵심 요약
장시간 코딩 작업을 수행하는 에이전트가 피드백을 받아도 실제로 문제가 해결되지 않는 경우가 많다. Opera는 각 수정을 지속적인 기록으로 관리하며, 진단된 문제가 실제로 해결될 때까지 추적하는 AI 비평가 프레임워크다. 주기적·이벤트 기반 검토 트리거, 타입화된 연산자를 통한 문제 진단, 전달 전 증거 기반 감시, 피드백 이후 에이전트 행동 추적이 핵심이다. 전체 요약 8문장 읽기 → 009 18:33 ▲ 11 · 댓글 2 긴 작업의 진행률을 아는 게 왜 이렇게 어려울까 로봇 같은 embodied agent가 장기 작업을 수행할 때, 현재 프레임만으로는 얼마나 진행했는지 판단하기 어렵다는 문제를 '문맥 의존적 진행률 추정'으로 정의했다. AI · 머신러닝 · ProgressCompass: Embodied Progress Reward Models Are Lost Without the Right Context
Key Point 로봇 작업 완수 시 진행 상황을 정확히 추적하는 것이 단순히 현재 상황만으로는 불가능하다는 근본적인 문제를 드러내고, 범용 모델 활용으로 기존 시스템을 개선할 수 있는 실질적 해법을 제시하기 때문이다.
핵심 요약
로봇 같은 embodied agent가 장기 작업을 수행할 때, 현재 프레임만으로는 얼마나 진행했는지 판단하기 어렵다는 문제를 '문맥 의존적 진행률 추정'으로 정의했다. 기존 Progress Reward Models(PRMs)는 각 단계에서 작업 진행도를 점수화하는데, 장기 작업에서는 이전에 일어난 일들의 맥락이 필요하지만 대부분 현재 관찰만으로 작동한다. 연구팀이 24개 조작 작업 120 에피소드로 구성한 ContextProgress-Bench를 구축했으며, 상태 재호출(이전 정보가 현재 프레임에 없음), 순서 추적(단계들이 정해진 순서대로 진행), 반복 구분(비슷한 프레임이 다른 진행 단계에 나타남) 등 3가지 시나리오를 다룬다. 전체 요약 6문장 읽기 → 010 09:11 ▲ 147 · 댓글 103 Opus 5.5를 최대한 활용하는 프롬프팅 가이드 Opus 5.5는 이전 Opus보다 더 오래 작업하고, 진행 상황을 명확히 보고하며, 매 답변 전에 자체 사고 과정을 거친다. AI · 머신러닝 · Getting the most out of Opus 5.5 in Claude and Claude Code
Key Point Opus 5.5의 멀티스텝 능력이 크게 향상되어 프롬프팅 방식과 작업 진행 방식이 근본적으로 달라지므로, 기존 습관을 버리고 새로운 최적화 방법을 배워야 한다.
핵심 요약
Opus 5.5는 이전 Opus보다 더 오래 작업하고, 진행 상황을 명확히 보고하며, 매 답변 전에 자체 사고 과정을 거친다. 장시간 멀티스텝 작업에서는 전체 작업을 한 메시지에 제시하고 '테스트 통과' 같은 명확한 완료 기준을 지정하면 중단 없이 진행한다. 기존 프롬프트의 '신중하게 생각하세요', '단계별로 생각하세요' 같은 지시어를 제거해야 한다. Opus 5.5는 항상 스스로 사고하는 범위를 결정하므로 불필요하다. 전체 요약 16문장 읽기 → 011 00:11 ▲ 53 · 댓글 2 로봇 손가락 제어 보상 함수를 테스트 중에 진화시켜 새 작업 수행 휴머노이드 로봇이 학습 과정 없이 테스트 시점에 새로운 작업을 수행하도록 하는 InterEvolve 기법을 제시했다. AI · 머신러닝 · InterEvolve: Test-Time Evolution of Reward Programs for Humanoid Loco-Manipulation
Key Point 재학습 없이 이미 학습된 로봇의 역량을 새로운 작업에 활용하는 방법을 구체적으로 제시해, 실제 로봇 개발에서 배포 후 신속한 작업 확장이 가능해진다.
핵심 요약
휴머노이드 로봇이 학습 과정 없이 테스트 시점에 새로운 작업을 수행하도록 하는 InterEvolve 기법을 제시했다. 핵심은 광범위하게 학습된 컨트롤러가 새 작업에 필요한 역량을 이미 대부분 갖고 있으며, 계획과 제어 사이의 적절한 인터페이스로 그 역량을 접근 가능하게 만드는 것이다. 객체 인식 순전파-역전파 행동 기초 모델(object-aware FB behavioral foundation model)을 개발해 동결된 신체 모델 위에서 객체 잔차를 통해 새로운 보상을 조작 행동으로 변환한다. 전체 요약 8문장 읽기 → 012 15:11 ▲ 82 · 댓글 3 장기 작업 수행하는 AI 에이전트, 명시적 신념 상태로 더 정확해진다 LLM 기반 에이전트가 복잡한 작업을 수행할 때 상호작용 이력을 단순히 메모리에 저장하는 것만으로는 현재 세계 상태를 일관되게 이해하기 어렵다. AI · 머신러닝 · Beyond Memory: Harnessing Long-Horizon Agents with Explicit Belief States
Key Point LLM 에이전트의 장기 작업 수행 능력을 크게 향상시키는 새로운 접근법으로, 기존 메모리 기반 방식의 한계를 구체적으로 해결하고 실제 성능 개선을 입증했습니다.
핵심 요약
LLM 기반 에이전트가 복잡한 작업을 수행할 때 상호작용 이력을 단순히 메모리에 저장하는 것만으로는 현재 세계 상태를 일관되게 이해하기 어렵다. 새로운 프레임워크 PoS는 추론 과정에서 명시적 신념 상태(explicit belief states)를 구성하고 지속적으로 유지한다. 각 신념은 현재 세계 상태 추정치와 해결되지 않은 작업 요구사항을 결합하여, 에이전트가 여전히 학습해야 할 것과 달성해야 할 것을 명확히 한다. 전체 요약 8문장 읽기 →