무엇을 찾으세요?

LLM 에이전트의 장시간 작업에서 어디에 책임을 할당할지 판단하는 방식을 개선함으로써, 복잡한 추론 작업에서 강화학습 효율을 높일 수 있기 때문이다.

AI 에이전트의 자동화 능력은 계속 늘어나지만, 현실의 업무는 인간과의 지속적인 협업을 필요로 하며, 기존 벤치마크로는 이를 측정할 수 없다는 근본적인 문제를 다룹니다.

Next.js와 같은 현대 프레임워크가 정적 블로그처럼 상호작용이 거의 없는 사이트에서 성능을 해칠 수 있다는 구체적인 증거와, 만점을 위해 어떤 선택이 필요했는지 보여준다.

에이전트 모델의 장시간 자동 실행이 일반화되면서 컨텍스트 관리 기법 자체가 새로운 버그를 만드는 악순환이 반복되고 있으며, 개발자는 더 이상 프롬프트만 개선해서는 문제를 해결할 수 없게 되었다.

장시간 작업을 하는 AI 에이전트의 비효율을 근본적으로 줄일 수 있는 훈련 기법으로, 추가 라벨링 없이 에이전트 자신의 경험으로부터 학습하는 방식을 제시한다.

LLM 에이전트의 장시간 작업에서 캐시 관리 오버헤드가 최대 비용이 되는 상황에서, 궤적 수정 없이 캐시를 제어하고 비용을 27.7% 줄이는 새로운 방식의 등장으로 에이전트 성능 최적화의 패러다임이 바뀌고 있다.

모델 가중치를 고정하고 실행 로직만 개선해 AI 에이전트의 신뢰성을 높이는 새로운 접근법으로, 확률적 오류로 인한 작업 실패 문제를 체계적으로 해결하는 방법을 제시한다.

장시간 작업에서 LLM 에이전트의 맥락 길이 문제를 해결하는 새 방식이 기존 방법 대비 성능과 효율성 모두에서 실질적 개선을 보여주기 때문이다.

기존 에이전트 모델의 장시간 작업 신뢰성 문제와 제한된 자율성을 해결하는 구체적 기법(검증·병렬 위임·탐색적 탐구)을 35B 규모 오픈소스 모델로 구현한 점이 중요하다.

에이전트 작업의 비용을 크게 낮추면서 최상위 모델 수준의 성능을 제공하는 모델이 나왔으니, 자동화 솔루션과 개발 업무에 LLM을 활용하는 기업들에게 실질적인 선택지가 생겼다는 뜻이다.

코딩 에이전트의 자동화 능력을 극대화하도록 설계된 플랫폼의 근본적 변화로, 멀티태스킹·컨텍스트 효율성·확장성 측면에서 이전 버전과 완전히 다르다.

LLM 기반 장시간 에이전트의 컨텍스트 제약을 해결하는 새로운 접근법으로, 입력 토큰을 극적으로 줄이면서 의사결정 품질을 유지하는 방법을 제시한다.

AI 에이전트가 장시간 독립적으로 작업할 때 사용자가 무엇을 해야 하는지 알 수 없는 문제를 해결하는 기술이 등장했기 때문입니다.

터미널에서 돌아가는 장시간 작업(빌드, 배포, AI 에이전트)의 상태를 프로토콜로 표준화함으로써, 창 제목이나 화면 내용을 추측하는 비효율을 없앨 수 있게 된다.

컴퓨터 화면에서 정확히 동작하는 AI 에이전트를 만들려는 개발자들이 활용할 수 있는 대규모 고품질 학습 데이터셋이 공개되었으며, 기존 모델들의 성능을 10%대 향상시키는 데 직접 기여하고 있다.

로봇 제어 분야에서 시각적 중간 목표를 통해 긴 수열의 작업을 효율적으로 계획하고, 현실 환경에서도 높은 성공률을 달성한 새로운 접근법이 소개됐다.

Opus 5.5의 멀티스텝 능력이 크게 향상되어 프롬프팅 방식과 작업 진행 방식이 근본적으로 달라지므로, 기존 습관을 버리고 새로운 최적화 방법을 배워야 한다.

AI 에이전트가 단기 작업을 넘어 수개월 규모의 복잡한 소프트웨어 개발 같은 초장기 미션을 독립적으로 수행할 수 있는 가능성을 보여주기 때문입니다.

수일 이상 걸리는 복잡한 작업을 수행하는 AI 에이전트의 학습을 현실적으로 가능하게 하는 기술이며, GPU 자원 활용률을 대폭 개선해 실무 배포 가능성을 높인다.

로봇이 복잡한 장시간 작업을 수행할 때 필요한 기억 능력의 핵심 문제를 체계적으로 분석하고 평가할 구체적 벤치마크와 솔루션을 제시해 구체화 합니다.

로봇 매니퓰레이션 작업에서 사전학습 모델의 실패 부분만 효율적으로 개선하는 새로운 강화학습 접근법으로, 적은 인간 개입과 실제 데이터로 작업 성공률을 대폭 높일 수 있는 방법을 제시한다.

장시간 작업을 수행하는 AI 에이전트의 핵심 약점인 '의사결정 능력'을 체계적으로 측정할 수 있는 첫 벤치마크이며, 어떤 조건에서 의사결정이 어려워지는지 파악할 수 있다.

장시간 작업을 처리하는 AI 에이전트의 성능과 속도가 메모리 관리 효율성에 달려있고, 이 논문이 기존의 비싼 LLM 기반 메모리 시스템을 크게 개선하는 구조를 제시한다.

로컬 기기에서 대형 모델을 실용적으로 실행할 수 있는 경계가 넓어지며, 에너지 효율과 배포 가능성의 균형이 어디까지 갈 수 있는지를 보여주기 때문입니다.

Claude Code 사용자가 세션 상태를 실시간으로 모니터링하고, 컨텍스트 부족 전에 미리 파악할 수 있어 장시간 작업 효율을 높일 수 있다.

뛰어난 AI 모델도 실제 개발 작업에는 불필요한 코드 생성, 낮은 가독성, 비효율적인 문제 해결이라는 근본적 한계를 드러내고 있다.

기존 AI 에이전트의 단기 채팅 형식 한계를 벗어나 장시간 자동화 작업을 관리할 수 있는 새로운 아키텍처를 제시하며, 특히 연구 평가나 복잡한 코딩 워크플로우 자동화를 다루는 개발자에게 의미 있다.