이 초안이 다루는 논문들은 LLM 에이전트의 다중 턴 시계열 추론, 소프트웨어 설계 협업, 스킬 보안, RAG 근거 검색, 반복 트랜스포머, 드론 시뮬레이터를 다룬다. 공통적으로 성능 주장 자체보다 평가 프로토콜, 안정성, 근거성, 보안 신호, 실제 배포 가능성을 점검한다.
여러 차례 대화가 이어질 때 시계열 에이전트는 무너진다
쉽게 말하면: 데이터 분석 에이전트가 한 번의 질문을 넘어서, 대화가 이어지며 앞선 분석을 바탕으로 결정을 내려야 하는 상황에서 얼마나 신뢰할 수 있는지를 체계적으로 평가한 연구다. 1
기존 시계열 벤치마크는 예측이나 이상탐지 같은 단일 단계 과제에 주로 초점을 맞췄다. 그러나 실제 분석 현장에서는 사용자의 목표가 대화 중 바뀌고, 에이전트가 이전 분석을 이어받아야 하며, 결론은 누적된 근거에서 나온다. 저자들은 이런 다단계 흐름을 평가할 벤치마크가 부족하다는 문제에서 출발했다. 1
이에 TimeSage-MT를 제안했다. 이 벤치마크는 8개 실세계 도메인에 걸쳐 240개 과제와 2,680개 대화 턴을 담았고, 기본 탐색부터 의사결정 지향 분석까지 포괄한다. 원시 시계열 데이터를 검증 가능한 답이 있는 다중 턴 대화로 변환하는 재현 가능한 파이프라인으로 구축됐으며, 통합 평가 프로토콜과 공개 리더보드를 제공한다. 저자들은 프런티어 LLM들과 함께, 포괄적인 시계열 스킬 라이브러리를 갖춘 구조화 에이전트 TimeSage도 평가했다. 1
결과는 분명했다. 의사결정 중심 과제에서 성능이 급격히 떨어졌고, 원인은 기억 유지 실패, 불확실성 처리 미흡, 도메인 기반 판단의 결함이었다. 이 벤치마크는 현재 에이전트형 시계열 추론의 중요한 공백을 드러내며, 향후 시스템 개발을 위한 평가 기반을 제공한다. 1
가정용 GPU에서 반복 트랜스포머의 안정성을 학습으로 잡다
쉽게 말하면: 층을 잔뜩 쌓는 대신 하나의 공유 코어 블록을 깊이 방향으로 반복 재사용해 파라미터 효율을 높이려는 언어모델 아키텍처 연구다. 2
CART는 단일 공유 코어 블록을 여러 번 재사용하는 Context-Anchored Recurrent Transformer다. 기존 반복 트랜스포머가 매 반복마다 키-값 표현을 다시 계산하는 것과 달리, CART는 다층 프렐류드에서 키-값 표현을 한 번 계산한 뒤 반복 코어 전체에서 재사용하도록 설계됐다. 2
CART의 핵심 설계는 문맥 인코딩과 반복 정제를 분리하는 것이다. 프렐류드가 계산한 표현을 반복 코어가 multi-head latent attention 기반 교차 어텐션으로 재사용해 반복당 FLOPs를 줄이고, 모든 반복에 안정적인 어텐션 앵커를 제공한다. 반복 계산의 안정성은 학습된 Linear Time-Invariant 게이트로 확보되며, 실험은 Stage 1에서 RTX 3050, Stage 2에서 RTX 3090이라는 단일 소비자용 GPU에서 진행됐다. 2
결과에는 부정적 신호도 담겼다. Stage 1의 49M 토큰 규모 하이퍼파라미터 스크리닝에서 얻은 반복 횟수 순위가 Stage 2의 1B 토큰, 시퀀스 길이 1024 전면 학습에서 뒤집혔다. 또한 학습한 것보다 많은 반복을 테스트 시점에 돌리면 HellaSwag, LAMBADA, PIQA에서 일관되게 성능이 떨어져, 이 설정에서는 테스트 시점 연산 확장이 성능 향상으로 이어지지 않는다는 반례가 됐다. 저자들은 이런 반전을 LTI 게이트가 공격적 폐기 영역에 안착한 점과 텍스트 전용 코퍼스의 한계 가능성에 연결해 설명한다. 2
세 개의 스캐너가 서로 다른 것을 본다: 에이전트 스킬 보안의 사각지대
쉽게 말하면: AI 에이전트에 기능을 더해주는 ‘스킬’이 안전한지 검사하는 신호들이 서로 얼마나 일치하는지를 6만여 건의 실데이터로 확인한 연구다. 3
에이전트 스킬은 지시, 도구, 스크립트, 참조, 워크플로를 담은 재사용 소프트웨어 계층으로, 모델 안전성이나 전통적 패키지 악성코드 탐지와는 구별되는 보안 경계를 만든다. 저자들은 악성 스킬의 유병률을 추정하는 대신, 여러 독립 스캐너가 같은 스킬을 두고 서로 동의하는지, 그 불일치가 신뢰 결정에 무엇을 뜻하는지를 물었다. 3
OpenClaw 레지스트리의 최신 공개 스킬 버전 67,453건으로 데이터셋을 만들고, 각 스킬에 VirusTotal, 정적 휴리스틱 분석, NVIDIA SkillSpector 세 계열의 신호와 ClawScan 레지스트리 최종 판정을 짝지었다. 결과, 두 스캐너가 겹치는 플래그는 통합 양성의 최대 10.4%에 불과했고, 세 스캐너가 동시에 지목한 스킬은 전체의 0.69%, 플래그의 81.9%는 단일 스캐너에서만 나왔다. 불일치는 무작위가 아니라 공격 표면에 따라 구조화돼 있었다. 의심 판정에서는 SkillSpector가 75.3%, 즉 25,504건 중 19,209건에서 양성이었지만, 악성 판정에서는 6.8%, 즉 206건 중 14건에 그쳤다. 반대로 악성 판정의 72.8%, 즉 206건 중 150건은 VirusTotal 양성이어서 번들 코드 악성 증거와 일치했다. 3
저자들은 에이전트 스킬 보안에는 단일 스캐너의 허용/차단 결정이 아니라 계층적 거버넌스가 필요하다고 결론짓는다. 다만 라벨은 사람 주석 정답이 아니라 레지스트리의 자동 판정이므로, 공개 코퍼스는 정제된 실버 스탠더드 데이터셋으로 명시됐다. 또한 이번 공개는 초기 버전 스냅샷이며, 사람 주석 부분집합은 개발 중이다. 3
설계를 다듬는 데는 협력보다 반박과 교차 검토가 낫다
쉽게 말하면: 여러 AI가 팀을 짜서 소프트웨어 구조를 설계할 때 어떤 협업 방식이 가장 좋은 결과를 내는지 통제된 실험으로 따진 연구다. 결론은, 적대적 재작성 요구나 서로 다른 모델 간 검토가 좋은 순위를 보였다는 것이다. 4
LLM의 소프트웨어 활용이 코드 완성에서 아키텍처 설계 생성으로 넘어오면서, 여러 에이전트가 구조화된 워크플로로 협업하면 단일 모델의 반복보다 나은 설계를 낼 수 있느냐는 질문이 떠올랐다. 저자들은 권한, 역할, 역학이라는 세 축을 교차한 요인 설계로 12개 다중 에이전트 협업 위상을 평가했다. 4
연구진은 복잡도가 다른 8개 설계 과제에서 520회 실험을 수행했다. 설계는 12차원 루브릭으로 세 개의 독립 자동 평가자, 즉 GPT-OSS 120B, Claude Opus 4.6, Claude Sonnet 4.6이 채점했고, 순위는 가중 앙상블로 냈다. 결과, 패치가 아니라 재작성 지시를 요구하는 구조적 적대 검토 v4b가 앙상블 4.637/5.0으로 1위, 한 모델로 생성하고 다른 모델로 검토하는 교차 모델 검토 v2b가 4.606으로 세 평가자 모두에게서 2위를 차지했다. 반면 병렬 병합 계열은 세 평가자 모두 하위권, 3.65~3.79에 놓였고, 논문은 그 원인을 토큰 부족과 ‘프랑켄슈타인 효과’로 설명했다. 4
평가자 불일치 자체도 발견이었다. 세 평가자가 v4b가 최고, v3가 최악이라는 데는 합의했지만 v2b에 대해서는 크게 갈렸다. Claude 계열에서는 d=1.44, GPT-OSS에서는 d=0.45였다. 이는 모델 계열마다 설계 품질을 다르게 가중한다는 뜻이며, 논문은 Opus, Sonnet, GPT-OSS의 가중 앙상블이 520회 실험 전반에서 견고한 순위를 제공한다고 보고했다. 다만 평가는 사람이 아니라 자동 평가자에 의존했다. 4
‘주제가 비슷하다’와 ‘근거가 된다’를 갈라내는 검색기
쉽게 말하면: RAG에서 질문과 주제가 비슷한 문서가 아니라 실제 근거가 되는 토큰을 찾도록, 사람이 표시한 사실적 근거를 학습에 활용하는 검색 프레임워크 연구다. 5
저자들은 RAG의 사실성과 해석가능성이 여전히 중요하고 열린 문제라고 본다. 제목 그대로 이 연구의 초점은 단순한 주제 유사성을 넘어, 검색기가 답변을 뒷받침하는 구체적 근거를 식별하도록 만드는 데 있다. 5
저자들은 CERA, 즉 Contrastive Evidence Rationale Attention을 제안했다. CERA는 주관성 기반 하드 네거티브 선택을 사용하는 검색 프레임워크이며, 대조 학습에 근거 유도 편향을 넣기 위해 보조 어텐션 정렬 손실을 추가한다. 밀집 검색기를 두 목표로 미세조정하는데, 하나는 삼중항 기반 대조 학습이고 다른 하나는 사람이 주석한 사실적 근거에 품사 가중 마스킹 분포를 씌워 CLS-토큰 어텐션을 감독하는 해석 가능한 어텐션 정렬이다. 대규모 임상시험 보고서 코퍼스 실험에서 주관성 기반 하드 네거티브 선택은 Contriever와 일반 하드 네거티브 기준선 대비 검색 효과를 크게 개선했다. 5
근거 정렬은 검색 성능을 경쟁력 있게 유지하면서 충실도를 높였고, 사람의 근거로 유도하면 어텐션이 모델 행동을 더 충실히 설명할 수 있다는 가설을 뒷받침했다. 주제 유사성을 넘어, 검색기가 지지 근거를 구성하는 특정 토큰을 짚어내 RAG의 근거 선택을 더 해석 가능하게 만든다는 것이 핵심 함의다. 데이터, 코드, 모델은 공개됐다. 5
던진 드론이 0.38초 만에 스스로 복구를 배우다
쉽게 말하면: 드론 알고리즘 개발을 위해 속도, 정확도, 미분 가능성을 함께 추구한 JAX 기반 시뮬레이터 연구다. 이 시뮬레이터는 실제 드론을 던진 뒤 0.38초 만에 복구 정책을 처음부터 학습해 안정화하는 실험까지 시연했다. 6
항공 로보틱스 시뮬레이터는 그동안 정밀도, 미분 가능성, 군집이라는 요구를 각각 따로 발전시켜 왔지만, 이들을 모두 아우르는 통합 플랫폼은 부족했다. 저자들은 모델 기반부터 데이터 주도, 그래디언트 기반부터 샘플링 기반, 단일 에이전트부터 다중 에이전트까지 포괄하는 시뮬레이터 Crazyflow를 제안했다. 6
성능은 기존 최첨단 드론 시뮬레이터 대비 단일 드론에서 10배 이상 빠르고, 4,000대 드론으로 구성된 군집 수천 개를 시뮬레이션할 수 있다. 실세계 실험에서 분석적 그래디언트 기반 정책 학습으로 도메인 무작위화 없이 서브센티미터 수준의 궤적 추종 정확도를 달성했고, 샘플링 기반 장애물 회피는 초당 5억 스텝을 넘는 속도로 돌아갔다. 무엇보다 훈련 후 배포라는 전통적 패러다임을 깨고, 실제 드론을 공중에 던진 뒤 복구 정책을 처음부터 0.38초 만에 학습해 기체를 안정화하는 비행 중 강화학습을 시연했다. 6
Crazyflow는 여러 수준의 시뮬레이션 추상화를 지원하고 모든 오픈소스 Crazyflie 모델과 직접 호환되며, 경량 시스템 식별 파이프라인으로 커스텀 드론 플랫폼과 응용에 빠르게 재구성될 수 있다. 정확도, 속도, 미분 가능성을 동시에 밀어붙여 합성 데이터 생성과 대규모 병렬화, 실행 중 온라인 학습과 최적화를 위한 오픈소스 리소스를 제공한다는 것이 함의다. 6