# \[2026/10/26 ~ 11/01\] 이번 주에 살펴볼 만한 AI/ML 논문 모음

**URL:** <https://discuss.pytorch.kr/t/2026-10-26-11-01-ai-ml/12374>\
**Category:** 읽을거리&정보공유\
**Tags:** ai-ml-papers-of-the-week, small-language-model, paper, looped-transformer, recursive-self-improvement, attribution-gradients, transferable-tool-selection, capability-aware-harness-router, interactiveworld, the-trinity, agentic-world-action-models, agentbaton, aw-0, latent-numerical-frame, protocols-for-agentic-ai, terminus-4b\
**Created:** [11월 1, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/2026-10-26-11-01-ai-ml/12374 "2026-11-01T21:30:04Z")\
**Posts on this page:** 1\
**Page:** 1

<div class="post-metadata">

**Author:** ![9bow](https://discuss.pytorch.kr/user_avatar/discuss.pytorch.kr/9bow/32/16301_2.png) [@9bow](https://discuss.pytorch.kr/u/9bow)\
**Post date:** [11월 1, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/2026-10-26-11-01-ai-ml/12374/1 "2026-11-01T21:30:04Z")

</div>

### PyTorchKR​🔥🇰🇷 🤔💭

이번 주 선정된 10편의 논문들을 살펴본 결과, 다음과 같은 주요한 연구 트렌드를 발견할 수 있었습니다:

1️⃣ **에이전트 작업 효율화를 위한 소형 언어 모델(SLM)의 전문화 및 협업**: 이번 주 선정된 논문들에서는 복잡한 에이전트 시스템을 구동할 때 발생하는 막대한 비용을 줄이기 위해, 소형 모델을 적극적으로 활용하고 역할을 분담하는 연구가 두드러졌습니다. **AgentBaton** 은 작업 진척도에 따라 고성능 모델과 효율적인 소형 모델 간의 전환 시점을 최적화하여 성능을 유지하면서도 비용을 획기적으로 절감했습니다. 또한 **Terminus-4B** 와 도구 선택 관련 연구는 터미널 실행이나 도구 검색과 같이 범위가 좁은 특정 하위 작업에 맞게 소형 모델을 사후 학습하여 고비용의 프런티어 모델을 성공적으로 대체할 수 있음을 실증했습니다. 이는 거대 모델 하나에 모든 처리를 의존하던 기존 방식에서 벗어나, 비용 효율적이고 목적에 특화된 소형 에이전트들을 결합해 실용적인 시스템을 구축하려는 뚜렷한 흐름입니다.

2️⃣ **단순 생성을 넘어선 에이전트 시스템의 구조화 및 거버넌스 표준화** : 텍스트 생성을 넘어 물리적 실행이나 복잡한 다단계 상호작용을 안정적으로 수행하기 위해, 에이전트의 내부 설계와 외부 통신망을 체계적으로 구조화하려는 시도도 핵심 트렌드입니다. **AW-0** 는 코드를 매개체로 삼아 월드 모델의 시각적 예측과 로봇의 물리적 실행을 하나로 연결하는 구조를 선보였고, **The Trinity** 는 표면적인 과제들을 근본적인 역량 단위로 재구성하여 에이전트의 재귀적인 자기 개선을 도모했습니다. 아울러 **TCP/IP에서 MCP로** 연구는 이러한 다수의 에이전트들이 외부 환경 및 서로와 안전하게 소통하기 위해 초기 인터넷 프로토콜 설계와 같은 개방적이고 표준화된 거버넌스가 필수적임을 강하게 경고하고 있습니다. 이는 에이전트 AI 기술이 단일 프로그램을 넘어, 상호 연동 가능하고 확장 가능한 거대한 인프라로 진화하고 있음을 시사합니다.

3️⃣ **결과의 투명성 확보 및 실세계 수준의 엄밀한 검증 가능성 요구** : AI가 도출한 결과나 행동이 참인지 판별하기 위해 그 근거와 내부 과정을 명확히 검증하고 투명하게 드러내려는 연구들도 다수 등장했습니다. **Attribution Gradients** 는 답변의 출처와 근거를 사용자가 단계적으로 파고들어 비판적으로 검토할 수 있는 정보 인터페이스를 제안하여 AI 응답의 투명성을 대폭 높였습니다. 또한 **InteractiveWorld** 는 실제 사람과 AI의 상호작용을 주관적 평가가 아닌 객관적인 상태 변화로 엄밀하게 채점하는 폐루프 벤치마크 환경을 구축했으며, **출력층을 넘어서** 연구는 인과적 개입을 통해 모델 내부 잠재 공간을 분석하여 멀티모달 추론의 기하학적 구조를 기계론적으로 규명했습니다. 이러한 흐름은 AI의 단순 성능 향상을 넘어, 그 작동 과정과 출처를 투명하게 밝히고 검증하는 것이 상용화의 필수 전제조건이 되었음을 보여줍니다.

## **논문별 핵심 내용 간략 요약**

- **에이전트 작업에서의 효율적인 모델 핸드오프 (AgentBaton)**: 장기 에이전트 작업에서 고성능 모델과 소형 모델 간의 협업 시점을 동적으로 탐지하여, 성능 저하 없이 API 호출 비용을 획기적으로 절감하는 경량 핸드오프 시스템을 제안합니다.

- **코드를 통한 시각적 예측과 실행의 통합 (AW-0)**: 로봇 조작을 위한 월드 모델과 코드 기반 에이전트 계획을 결합하여, 미래 시각 상태 예측과 로봇의 물리적 제어 로직을 하나의 재사용 가능한 스킬 프로그램으로 연결합니다.

- **소형 언어 모델을 활용한 전이 가능한 도구 선택** : 대규모 상용 모델에 의존하던 복잡한 도구 선택 및 지시 분해 작업을 강화학습 기반의 사후 학습을 통해 소형 오픈 모델(Qwen3-8B)에 성공적으로 이식하고 일반화 성능을 입증했습니다.

- **역량 주도 재귀적 자기 개선 프레임워크 (The Trinity)**: 다양한 에이전트 과제들을 표면적 형태가 아닌 근본적인 역량(Capability) 단위로 재구성하고, 시뮬레이션 세계 생성과 실행 구조(Harness) 진화를 결합해 환경 구축 비용과 확장성 문제를 해결합니다.

- **트랜스포머의 반복 적용(Looping) 최적화 전략**: 파라미터 증가 없이 모델의 유효 깊이를 확장하기 위해 트랜스포머 레이어를 반복 적용하는 루핑 기법을 분석하고, 자원 제약 및 추론 환경에 맞춘 최적의 설계와 정보 전달 방식을 제시합니다.

- **AI 답변 검증을 위한 점진적 인용 인터페이스 (Attribution Gradients)**: AI가 생성한 답변의 근거를 사용자가 직관적으로 파악할 수 있도록, 원문 발췌, 출처 링크, 2차 인용 등의 정보를 단계적으로 펼쳐서 보여주어 투명한 비판적 검토를 돕는 설계입니다.

- **멀티모달 모델 내 수치 정보의 기하학적 공유 구조 규명** : 인과적 개입(Causal Intervention)을 통해 텍스트와 이미지 등 입력 모달리티가 달라도 모델 내부에서 동일한 수학적 관계 기하(Geometry)를 공유하여 연산을 수행하고 미리 결과를 계산해 둠을 밝혀냈습니다.

- **검증 가능한 상호작용형 MLLM 어시스턴트 벤치마크 (InteractiveWorld)**: 사람과 AI 어시스턴트가 협력하는 물리적 상호작용 과정을 모사하여, 주관적 평가 대신 객관적이고 검증 가능한 상태 변화를 기반으로 모델의 다중 턴 지시 능력을 엄밀히 평가하는 환경을 구축했습니다.

- **터미널 실행 작업에 특화된 소형 서브에이전트 (Terminus-4B)**: 복잡한 코딩 에이전트 작업 중 단순하고 장황한 터미널 실행을 전담하도록 4B 규모의 모델을 파인튜닝하여, 메인 에이전트의 컨텍스트 윈도우를 깔끔하게 유지하고 프런티어 모델 호출 비용을 낮췄습니다.

- **AI 에이전트 통신 프로토콜을 위한 거버넌스 및 보안 교훈** : MCP와 같은 최신 AI 에이전트 연결 프로토콜이 직면한 소수 기업으로의 권력 집중과 보안 부채 위험성을 초기 인터넷 표준(IETF) 발전 역사에 빗대어 비판적으로 분석하고 개방적 접근을 촉구합니다.

* * *

## AgentBaton: 에이전트 작업에서의 효율적인 모델 협업 / AgentBaton: Efficient Model Collaboration in Agentic Tasks

 ![AgentBaton: 에이전트 작업에서의 효율적인 모델 협업 / AgentBaton: Efficient Model Collaboration in Agentic Tasks #1](https://discuss.pytorch.kr/uploads/default/original/3X/7/1/71c512e3aaa7fda7369129cf00c9ec27c13dcf3c.png)  
 ![AgentBaton: 에이전트 작업에서의 효율적인 모델 협업 / AgentBaton: Efficient Model Collaboration in Agentic Tasks #2](https://discuss.pytorch.kr/uploads/default/original/3X/7/5/75c39cf9dd66e52c86606b3dcbee982259537219.png)

### 논문 소개

장기 에이전트 작업은 모델이 환경과 여러 차례 상호작용하며 행동을 수행하고, 그 결과로 얻은 피드백에 따라 다음 단계를 결정하는 과정으로 이루어집니다. 이러한 작업에서는 높은 신뢰도를 제공하는 고성능 모델이 유용하지만, 반복 호출에 따른 비용이 커질 수 있어 더 저렴하고 효율적인 모델과의 협업이 중요한 과제로 떠오릅니다. 기존의 모델 라우팅 연구가 주로 개별 요청을 어느 모델에 맡길지 결정했다면, 에이전트 작업에서는 진행 단계에 따라 필요한 역량이 달라질 수 있으므로 한 작업 안에서 모델이 실행을 넘겨받는 시점과 방향을 고려해야 합니다. 이를 위해 논문은 모델 간 핸드오프(model handoff)를 체계적으로 분석하고, 특히 효율적인 모델에서 고성능 모델로 넘기는 경우와 고성능 모델에서 효율적인 모델로 넘기는 경우를 비교합니다. 또한 이전 모델의 상호작용 기록을 새 모델의 컨텍스트에 직접 포함하는 방식과, 로그 파일로 제공해 필요할 때 조회하도록 하는 방식의 차이도 살펴봅니다.

분석 결과, 두 핸드오프 방향은 효과가 대칭적이지 않았습니다. 효율적인 모델이 먼저 작업한 뒤 고성능 모델이 이어받는 방식은 대체로 고성능 모델 단독 실행보다 정확도가 낮았고, 비용 절감도 제한적이거나 없을 수 있었습니다. 반면 고성능 모델이 먼저 핵심적인 진척을 만든 뒤 효율적인 모델에 작업을 넘기면, 적절한 시점에서 정확도를 대체로 유지하거나 향상하면서 비용을 줄일 수 있었습니다. 특히 구현물이나 유의미한 중간 결과와 작업 관련 피드백이 확보되고, 남은 작업이 국소적인 수정·검증·마무리에 가까워진 시점이 효과적인 전환 시점의 반복적인 패턴으로 나타났습니다. 이 관찰을 바탕으로 제안된 AgentBaton은 에이전트의 실행 진척에서 반복적으로 나타나는 패턴을 학습해 핸드오프 시점을 탐지하는 경량 시스템입니다. 고성능 모델이 작업을 시작하고, 탐지기가 각 단계의 진척을 살핀 뒤 적절한 시점에 효율적인 모델이 이어받도록 함으로써 잦은 모델 교체에 따른 불필요한 비용과 궤적 오류의 누적을 줄이고자 합니다.

두 개의 대표적인 에이전트 벤치마크와 11개의 모델 조합을 대상으로 한 평가에서 AgentBaton은 평균 65.9%의 API 비용을 절감하면서 정확도를 대체로 보존했으며, 고성능 모델 단독 실행보다 정확도가 최대 8.8%포인트 높아진 경우도 보고했습니다. 다양한 추론 노력(reasoning effort) 설정에서도 정확도와 비용 간의 경험적 파레토 프런티어를 확장해, 기존 단일 모델 실행으로 얻기 어려운 성능·비용 조합을 제시했습니다. 이 연구의 핵심 기여는 장기 에이전트 작업에서 핸드오프 방향, 컨텍스트 전달 방식, 작업 진척이 협업 효과에 미치는 영향을 밝히고, 그 결과를 바탕으로 단순하고 시의적절한 모델 전환 전략을 구현한 데 있습니다.

### 초록(Abstract)

장기 에이전트 작업을 해결하려면 언어 에이전트가 여러 단계에 걸쳐 환경과 상호작용해야 하며, 안정적인 성능을 얻으려면 대개 클라우드 제공업체가 제공하는 고성능 모델을 사용해야 하는데, 이 모델은 비용이 많이 듭니다. 한편, 성능은 떨어지지만 비용이 훨씬 저렴한 대안 모델도 등장하고 있습니다. 여기에는 하위 등급의 클라우드 모델과 로컬 하드웨어에서 실행할 수 있는 소규모 오픈 웨이트 모델이 포함됩니다. 이에 따라 기존의 쿼리 수준 라우팅보다 덜 탐구된 자연스러운 질문이 제기됩니다. 하나의 장기 에이전트 작업 안에서 고성능 모델과 효율적인 모델이 협업해 작업 정확도를 유지하면서 비용을 크게 줄일 수 있을까요? 본 논문에서는 한 모델이 다른 모델의 작업을 이어받는 모델 핸드오프를 통해 이러한 협업의 핵심 설계 선택지를 체계적으로 조사하며, 핸드오프 방향과 컨텍스트 전달에 초점을 맞춥니다. 효율적인 모델에서 고성능 모델로 핸드오프하는 방식은 대체로 고성능 모델만 사용하는 실행보다 성능이 낮고, 비용 절감도 제한적이거나 전혀 없는 반면, 작업 진행의 적절한 단계에서 고성능 모델에서 효율적인 모델로 핸드오프하면 정확도를 대체로 유지하거나 오히려 높이면서 비용을 크게 줄일 수 있음을 확인했습니다. 이러한 결과는 비용 효율적인 에이전트 협업에는 한 번만 수행하는 단순하고 시의적절한 핸드오프 전략으로 충분함을 시사하며, 작업 진행의 반복되는 패턴을 바탕으로 핸드오프 시점을 학습하는 경량 탐지기 AgentBaton의 개발에 동기를 부여합니다. 11개의 모델 쌍과 두 개의 대표 벤치마크에서 AgentBaton은 작업 정확도를 대체로 유지하면서 API 비용을 평균 65.9% 절감했으며, 고성능 모델만 사용하는 실행보다 정확도를 최대 8.8%포인트 높였습니다. 다양한 추론 노력 설정에서 수행한 실험은 AgentBaton이 경험적 정확도-비용 파레토 프런티어를 확장한다는 점도 보여줍니다.

> Solving long-horizon agentic tasks requires language agents to interact with their environments over multiple steps, and reliable performance often comes from the expensive capable models available through cloud providers. Meanwhile, alternative efficient models with inferior performance but a much lower cost are emerging, including lower-tier cloud models and smaller open-weights models deployable on local hardware. This raises a natural question that remains less explored than traditional query-level routing: can capable and efficient models collaborate within a single long-horizon agentic task to substantially reduce cost while preserving task accuracy? In this paper, we systematically investigate key design choices for such collaboration through model handoffs, where one model takes over from another, focusing on handoff direction and context transfer. We find that efficient-to-capable handoffs generally underperform capable-only execution with limited or even no cost reduction, whereas capable-to-efficient handoffs at suitable stages of task progress largely preserve or even improve accuracy while substantially reducing cost. These findings suggest that a one-time, simple, well-timed handoff strategy is good enough for cost-effective agent collaboration, motivating AgentBaton, a lightweight detector that learns when to hand off from recurring patterns in task progress. Across 11 model pairs and two representative benchmarks, AgentBaton reduces API costs by 65.9% on average while largely preserving task accuracy, with accuracy gains of up to 8.8 percentage points over capable-only execution. Experiments across various reasoning-effort settings further show that AgentBaton extends the empirical accuracy-cost Pareto frontier.

### 논문 링크

> **[AgentBaton: Efficient Model Collaboration in Agentic Tasks](https://arxiv.org/abs/2610.35959)**
>
> Solving long-horizon agentic tasks requires language agents to interact with their environments over multiple steps, and reliable performance often comes from the expensive capable models available through cloud providers. Meanwhile, alternative...

* * *

## AW-0(Agentic World Action Models): 코드로 계획·예측·실행을 잇는 에이전틱 월드 액션 모델 / Agentic World Action Models

 ![AW-0(Agentic World Action Models): 코드로 계획·예측·실행을 잇는 에이전틱 월드 액션 모델 / Agentic World Action Models](https://discuss.pytorch.kr/uploads/default/original/3X/1/6/16b17dce04c14fb7db667e3127a9937267a274fc.jpeg)

### 논문 소개

최근 로봇 조작 분야에서는 시각적 미래 예측을 수행하는 월드 액션 모델(WAM, World Action Model)이 주목받고 있지만, 학습된 기술을 조합하고 재사용하기 위한 명시적인 메커니즘은 여전히 부족합니다. 한편 에이전틱 로보틱스(Agentic Robotics)는 코드 기반의 계획과 추론을 재사용 가능한 스킬과 결합하는 방향으로 발전해 왔으나, 물리 역학에 대한 예측적 근거가 약하다는 한계가 있습니다. 본 연구는 이 두 흐름의 간극을 메우기 위해, 코드 기반 계획과 비디오 및 행동의 공동 예측을 통합한 에이전틱 월드 액션 모델 프레임워크인 AW-0을 제안합니다.

AW-0의 핵심은 코드, 미래 비디오, 로봇 행동이라는 세 가지 생성 스트림을 하나의 혼합 트랜스포머(MoT, Mixture-of-Transformers) 구조 안에서 상호 결합하여 함께 모델링한다는 점에 있습니다. 이 구조에서 코드 전문가(code expert)는 매개변수화된 스킬 루틴과 제어 로직을 생성하고, 비디오 전문가(video expert)와 행동 전문가(action expert)는 각각 미래의 시각적 상태와 저수준 모터 명령을 생성합니다. 따라서 코드는 단순한 계획 산출물에 그치지 않고, 월드 모델 내부에서 다단계 예측과 제어를 구조화하는 역할을 수행합니다. 동시에 코드는 스킬을 이후의 에이전틱 실행 단계에서 재사용할 수 있는 프로그램으로 표현하는 역할도 맡으며, 이를 통해 계획, 예측, 실행이 하나의 흐름으로 연결됩니다.

또한 본 연구는 학습 데이터의 확보 문제를 해결하기 위해 자동 큐레이션 파이프라인(automated curation pipeline)을 제안합니다. 이 파이프라인은 로봇과 사람이 수행한 비디오 궤적에 정렬된 프로그램을 레이블로 부여하고, 반복적으로 나타나는 루틴을 통합하여 재사용 가능한 스킬 라이브러리를 구축합니다. 이러한 절차를 통해 사람의 시연 영상까지 학습에 활용할 수 있게 되므로, 스킬 기반 학습의 실용성과 확장 가능성을 함께 높일 수 있습니다.

RoboTwin 2.0 벤치마크와 실제 양손(bimanual) 조작 과제에서 수행된 평가에서 AW-0은 VLA(Vision-Language-Action) 및 WAM 기반의 기존 베이스라인 대비 과제 성능이 향상된 것으로 보고되었습니다. 아울러 언어 지시 추종, 의미 추론, 강건성 측면에서도 개선이 나타났다고 제시되어, 코드를 매개로 한 에이전틱 구조가 월드 모델의 예측 능력과 실제 실행을 효과적으로 연결함을 보여주고자 하였습니다. 보다 구체적인 실험 설계와 정량적 결과는 본문에서 확인하실 수 있습니다.

### 초록(Abstract)

최근의 월드 액션 모델(World Action Model, WAM)은 로봇 조작을 위한 시각적 선행 예측(visual foresight)과 미래 예측을 제공하지만, 구성적 스킬 재사용(compositional skill reuse)을 위한 명시적 메커니즘은 부족합니다. 에이전틱 로보틱스(Agentic robotics)는 코드 기반의 계획 및 추론과 재사용 가능한 스킬을 결합하지만, 물리적 동역학에 대한 예측적 근거(predictive grounding)가 부족한 경우가 많습니다. 본 논문에서는 코드 기반 계획과 비디오 및 행동의 공동 예측을 통합한 에이전틱 월드 액션 모델 프레임워크인 AW-0을 소개합니다. 우리는 코드, 미래 비디오, 로봇 행동을 하나의 통합된 믹스처-오브-트랜스포머(Mixture-of-Transformers) 아키텍처 안에서 서로 결합된 세 개의 생성 스트림으로 모델링합니다. 이 아키텍처에서 코드 전문가(code expert)는 매개변수화된 스킬 루틴과 제어 로직을 생성하고, 비디오 및 행동 전문가(video and action experts)는 미래의 시각 상태와 저수준 모터 명령을 생성합니다. 코드는 상호 보완적인 두 가지 역할을 수행합니다. 즉, 월드 모델 내에서 다단계 예측과 제어를 구조화하고, 이후의 에이전틱 실행을 위해 스킬을 재사용 가능한 프로그램으로 표현합니다. 나아가 로봇 및 사람의 비디오 궤적에 정렬된 프로그램을 라벨링하고, 반복되는 루틴을 재사용 가능한 스킬 라이브러리로 통합하는 자동 큐레이션 파이프라인을 도입합니다. RoboTwin 2.0 및 실제 양손 조작 과제에 대한 평가에서, VLA 및 WAM 베이스라인 대비 과제 성능이 향상되었으며, 언어 추종, 의미적 추론, 견고성에서도 개선이 확인되었습니다. 이는 에이전틱 코드가 WAM 내에서 계획, 예측, 실행을 연결할 수 있음을 보여줍니다.

> Recent world action models provide visual foresight and future prediction for robot manipulation, but lack explicit mechanisms for compositional skill reuse. Agentic robotics combines code-based planning and reasoning with reusable skills, but often lacks predictive grounding in physical dynamics. We introduce AW-0, an agentic world action model framework that integrates code-based planning with joint video and action prediction. We jointly model code, future video, and robot actions as three coupled generative streams within a unified mixture-of-transformers architecture. Within this architecture a code expert generates parameterized skill routines and control logic while video and action experts generate future visual states and low-level motor commands. Code serves two complementary roles: it structures multi-step prediction and control within the world model and represents skills as reusable programs for subsequent agentic execution. We further introduce an automated curation pipeline that labels robot and human video trajectories with aligned programs and consolidates recurring routines into reusable skill libraries. Evaluations on RoboTwin 2.0 and physical bimanual manipulation tasks show improved task performance over VLA and WAM baselines, alongside gains in language following, semantic reasoning and robustness, demonstrating that agentic code enables connection between planning, prediction and execution within WAMs.

### 논문 링크

> **[Agentic World Action Models](https://arxiv.org/abs/2610.30136)**
>
> Recent world action models provide visual foresight and future prediction for robot manipulation, but lack explicit mechanisms for compositional skill reuse. Agentic robotics combines code-based planning and reasoning with reusable skills, but often...

### 더 읽어보기

> **[Agentic World Action Models](https://agentic-wam.github.io/)**
>
> AW-0 is an agentic world action model that jointly denoises skill programs, future video, and robot actions in one mixture-of-transformers, with an agentic pipeline that labels robot and human demonstrations with programs and distills reusable...

* * *

## 전이 가능한 도구 선택을 위한 소형 언어 모델 학습 / Training Small Language Models for Transferable Tool Selection

 ![전이 가능한 도구 선택을 위한 소형 언어 모델 학습 / Training Small Language Models for Transferable Tool Selection](https://discuss.pytorch.kr/uploads/default/original/3X/a/d/adf581d819057ac06621905fb323063b7ab46edb.png)

### 논문 소개

대규모 언어 모델(LLM, Large Language Model) 기반 에이전트가 다루는 도구가 만 개를 넘어서면서, 복잡한 다단계 사용자 지시에 맞는 도구를 고르는 일이 시스템 전체의 핵심 병목으로 떠오르고 있습니다. 모든 도구 설명을 컨텍스트에 한꺼번에 담기는 어렵고, 관련성 기반 검색기(retriever)는 후보 도구의 순위만 매길 뿐 실제로 어떤 도구가 필요한지는 판단하지 못합니다. 이러한 한계를 보완하기 위해 최근 연구에서는 Claude나 ChatGPT와 같은 상용 대규모 모델이 사용자 지시를 하위 단계로 분해하고, 검색된 후보 가운데에서 필요한 도구를 선택하도록 구성하는 방식이 제안되었습니다. 다만 이러한 접근은 상용 모델의 접근 비용과 운영상의 의존성을 수반하므로, 자체적으로 운용하기 어려운 환경에서는 제약이 될 수 있습니다.

본 논문은 이 문제에 대해 상용 모델이 수행하던 도구 선택 기능을 작은 공개 모델에 강화학습(RL, Reinforcement Learning)으로 학습시킬 수 있다는 점을 보이고자 합니다. 저자들은 지도 미세조정(SFT, Supervised Fine-Tuning)을 위한 데이터 정제 과정과 강화학습을 결합한 학습 절차를 설계하고, 이를 Qwen3-8B 모델에 적용하여 사후학습(post-training)을 수행합니다. 이 과정에서 사용자 지시를 여러 독립적인 하위 단계로 나누고 각 단계에 필요한 도구를 고르는 능력이 모델 내부에 자리 잡도록 하는 것이 핵심 목표로 제시됩니다. 연구의 의의는 모델의 규모보다 학습 절차의 설계가 도구 선택 성능을 좌우할 수 있음을 실증적으로 제시한다는 데 있습니다.

실험 결과로는 제안한 절차로 사후학습된 Qwen3-8B 모델이 ToolBench 벤치마크에서 Llama-4-Maverick (402B)을 능가하는 성능을 보였다고 보고합니다. 더욱 주목할 만한 점은 학습된 모델이 학습 과정에서 사용하지 않은 다른 검색기와 결합하여도 그대로 작동하며, 서로 다른 도메인의 새로운 도구 코퍼스에도 일반화된다는 주장입니다. 이는 특정 검색기나 특정 도구 집합에 과적합되지 않은 선택 능력을 확보했음을 의미하며, 실제 시스템에서 검색 모듈이나 도구 목록이 바뀌더라도 재학습 없이 활용할 수 있는 가능성을 시사합니다. 따라서 본 연구는 대규모 도구 환경에서 경량 공개 모델을 실용적인 도구 선택기로 만들기 위한 하나의 현실적인 경로를 제시한다는 점에서 의미가 있습니다.

### 초록(Abstract)

LLM 에이전트가 만 개가 넘는 도구 코퍼스(corpus)에서 동작하게 되면서, 복잡한 다단계 사용자 지시에 맞는 도구를 선택하는 일이 핵심 병목이 되고 있습니다. 모든 도구 설명을 컨텍스트에 담을 수는 없으며, 관련성 기반 검색기(retriever)는 도구의 순위만 매길 뿐 실제로 어떤 도구가 필요한지는 알지 못합니다. 이에 최근 연구들은 Claude나 ChatGPT와 같은 상용 LLM으로 검색기를 구동하여 지시를 분해하고, 검색된 후보 도구들 중에서 선택하는 방식을 채택하고 있습니다. 본 연구는 작은 규모의 오픈 모델도 강화학습(RL)을 통해 같은 기능을 수행하도록 학습할 수 있음을 보입니다. ToolBench에서 본 연구의 레시피로 사후학습(post-training)한 Qwen3-8B 모델은 Llama-4-Maverick(402B)보다 높은 성능을 보입니다. 나아가 학습된 모델은 별도의 수정 없이 서로 다른 검색기에 그대로 전이(transfer)되며, 서로 다른 도메인의 새로운 도구 코퍼스에도 일반화됩니다.

> As LLM agents operate over corpora of more than ten thousand tools, selecting the right tool for a complex multi-step user instruction becomes a central bottleneck. Tool descriptions cannot all fit in context, and relevance-based retrievers only rank tools without knowing which are actually needed. Recent work instead leverages proprietary commercial LLMs like Claude or ChatGPT to drive a retriever, decomposing the instruction and selecting over retrieved candidates. We show that a small, open model can be trained via reinforcement learning to perform the same functionality. On ToolBench, a Qwen3-8B model post-trained with our recipe outperforms Llama-4-Maverick (402B). In addition, the trained model transfers directly to different retrievers and generalizes to new tool corpora in different domains.

### 논문 링크

> **[Training Small Language Models for Transferable Tool Selection](https://arxiv.org/abs/2610.31483)**
>
> As LLM agents operate over corpora of more than ten thousand tools, selecting the right tool for a complex multi-step user instruction becomes a central bottleneck. Tool descriptions cannot all fit in context, and relevance-based retrievers only rank...

* * *

## The Trinity: 멀티모달 에이전트를 위한 역량 주도 재귀적 자기 개선 / The Trinity:Capability-Driven Recursive Self-Improvement for Multimodal Agents

 ![The Trinity: 멀티모달 에이전트를 위한 역량 주도 재귀적 자기 개선 / The Trinity:Capability-Driven Recursive Self-Improvement for Multimodal Agents](https://discuss.pytorch.kr/uploads/default/original/3X/5/9/599c7bcaeaef3dd7d95ed43638c01c29df9dbc39.webp)

### 논문 소개

멀티모달 지능은 세계(World)와 에이전트가 상호작용을 통해 함께 진화하는 과정으로 볼 수 있으며, 이러한 확장에는 두 가지 병목이 있습니다. 첫째는 이질적이면서도 검증 가능한 환경을 구축하는 데 큰 비용이 든다는 점이고, 둘째는 에이전트의 실행 구조인 하네스(Harness)를 사람이 수작업으로 반복 개선하는 방식이 과제의 다양성과 복잡도 증가 속도를 따라가지 못한다는 점입니다. 본 연구는 서로 다른 모달리티와 표면적 형태를 가진 과제들이 동일한 근본 역량(capability) 요구사항을 공유한다는 핵심 통찰에서 출발합니다. 이를 바탕으로 제안된 The Trinity는 세계 생성과 하네스 진화를 결합한 재귀적 자기 개선(Recursive Self-Improvement) 프레임워크이며, Creator, Explorer, Evolver라는 세 가지 역할로 구성됩니다. 그중 Evolver는 검증된 실행 궤적(trajectory)을 근거로 과제 분류 기준을 표면적 범주에서 공유 요구사항으로 옮기고, 원래의 과제 트리를 계층적 역량 트리(capability tree)로 재구성합니다. Creator는 같은 노드에 속한 이질적 과제들의 공통 요구사항을 추출하여 단순화되고 검증 가능한 시뮬레이션 세계를 만들며, 이 세계에서 학습한 역량이 원래 과제로 얼마나 전이되는지는 원본 과제에 대한 평가로 측정합니다. 이러한 절차를 본 논문은 역량 중심 Real2Sim2Real(Real-to-Sim-to-Real) 방식이라고 부릅니다. Explorer는 이 역량 트리를 따라 선택적 상속(selective inheritance) 방식으로 재사용 가능한 역량 모듈을 점진적으로 진화시키고, 검증된 업데이트를 고정된 토폴로지 안에 누적하여 하네스 트리(Harness tree)를 형성합니다. 그 결과 각 하네스는 서로 다른 역량에 특화되며, 이는 공개된 과제 정보만으로 호환되는 모듈 구성을 선택하는 역량 인지 하네스 라우터(Capability-Aware Harness Router)의 필요성으로 이어집니다. 실험에서 진화된 하네스는 28개 학습 벤치마크에서 평균 34점, 실제 로봇 기반 embodied 과제 2개를 포함한 18개 미관측 벤치마크에서 평균 26점의 향상을 보였습니다. 다만 이 수치는 베이스라인 점수가 매우 낮은 항목을 포함한 평균 차이이며, 미관측 벤치마크에서의 이득이 학습 벤치마크보다 작다는 점을 함께 고려해야 전이 효과를 정확히 해석할 수 있습니다. 요약하면 본 연구는 과제를 역량 단위로 재조직하고 세계 생성과 하네스 진화를 결합함으로써, 환경 구축 비용과 수동 개선이라는 확장성의 한계를 완화하려는 시도로서 의의를 가집니다.

### 초록(Abstract)

멀티모달 지능은 상호작용을 통해 인간의 안내 아래 월드(world)와 에이전트가 함께 진화하는 과정으로 볼 수 있습니다. 그러나 이 과정을 확장하는 데에는 두 가지 병목이 있습니다. 이질적이고 검증 가능한 환경을 구축하는 데 비용이 많이 들고, 수작업 방식의 하네스(Harness) 반복 개선은 늘어나는 과업의 다양성과 복잡성을 따라가지 못합니다. 핵심 통찰은 모달리티와 표면적 형태가 서로 다른 과업이라도 근본적인 역량 요구사항은 동일할 수 있다는 점입니다. 이에 본 논문은 월드 생성과 하네스 진화를 결합한 재귀적 자기 개선 프레임워크인 The Trinity를 제안합니다. 이 프레임워크는 Creator, Explorer, Evolver라는 세 가지 역할로 구성됩니다. Evolver는 검증된 실행 궤적(trajectory)을 바탕으로 과업 조직의 기준을 표면적 범주에서 공유 요구사항으로 전환하고, 원래의 과업 트리를 계층적 역량 트리(capability tree)로 재구성합니다. 또한 역량 주도 Real2Sim2Real(Capability-Driven Real2Sim2Real)을 도입합니다. 동일한 노드에 속한 이질적 과업에 대해 Creator는 공통 요구사항을 역량 학습을 위한 단순화되고 검증 가능한 시뮬레이션 월드로 추상화하며, 원래 과업에 대한 평가를 통해 전이(transfer) 성능을 측정합니다. Explorer는 이 역량 트리를 따라 선택적 상속(selective inheritance)을 통해 재사용 가능한 역량 모듈을 점진적으로 진화시키고, 고정된 토폴로지 안에서 검증된 업데이트가 반복에 걸쳐 누적되는 하네스 트리(Harness tree)를 형성합니다. 그 결과 생성된 하네스들은 서로 다른 역량에 특화되며, 이는 공개된 과업 정보를 활용해 트리에서 호환 가능한 모듈 구성을 선택하는 역량 인식 하네스 라우터(Capability-Aware Harness Router)의 필요성을 뒷받침합니다. 진화된 하네스는 학습에 사용된 28개 벤치마크에서 평균 성능을 34점, 학습에 사용되지 않은 18개 벤치마크(실세계 구현(embodied) 과업 2개 포함)에서 평균 26점 향상시켰습니다.

> Multimodal intelligence can be viewed as human-guided co-evolution between worlds and agents through interaction. However, scaling this process faces two bottlenecks: constructing heterogeneous, verifiable environments is costly, and manual Harness iteration cannot keep pace with growing task diversity and complexity. A key insight is that tasks with different modalities and surface forms can share the same underlying capability requirements. We therefore introduce The Trinity, a recursive self-improvement framework coupling world generation with Harness evolution through three roles: Creator, Explorer, and Evolver. Drawing on verified execution trajectories, Evolver shifts the basis of task organization from surface categories to shared requirements, reorganizing the original task tree into a hierarchical capability tree. We introduce Capability-Driven Real2Sim2Real: for heterogeneous tasks at the same node, Creator abstracts their common requirements into simplified, verifiable simulated worlds for capability learning, while evaluation on original tasks measures transfer. Along this capability tree, Explorer progressively evolves reusable capability modules through selective inheritance, forming a Harness tree whose validated updates accumulate across iterations within a fixed topology. The resulting Harnesses specialize in different capabilities, motivating a Capability-Aware Harness Router that uses public task information to select compatible module configurations from the tree. Our evolved Harnesses improve mean performance by 34 points across 28 training benchmarks and 26 points across 18 unseen benchmarks, including two real-world embodied tasks.

### 논문 링크

> **[The Trinity:Capability-Driven Recursive Self-Improvement for Multimodal Agents](https://arxiv.org/abs/2610.36077)**
>
> Multimodal intelligence can be viewed as human-guided co-evolution between worlds and agents through interaction. However, scaling this process faces two bottlenecks: constructing heterogeneous, verifiable environments is costly, and manual Harness...

### 더 읽어보기

> **[The Trinity: Capability-Driven Recursive Self-Improvement for Multimodal Agents](https://trinity-rsi.github.io/)**
>
> Creator, Explorer and Evolver turn 44 benchmarks into a capability tree and grow a Harness tree along it: +34.1 points on 28 training benchmarks and +26.2 on 18 unseen ones, two real robots included.

> **[GitHub - InfRec-Cardinal/The-Trinity: Official implementation of The Trinity:...](https://github.com/InfRec-Cardinal/The-Trinity)**
>
> Official implementation of The Trinity: Capability-Driven Recursive Self-Improvement for Multimodal Agents.

* * *

## 트랜스포머를 반복 적용하는 방법: 루프 스케일링, 특화 및 병렬 추론 / How to Loop Your Transformer: Loop Scaling, Specialization, and Parallel Inference

 ![트랜스포머를 반복 적용하는 방법: 루프 스케일링, 특화 및 병렬 추론 / How to Loop Your Transformer: Loop Scaling, Specialization, and Parallel Inference #1](https://discuss.pytorch.kr/uploads/default/original/3X/1/c/1c804266aa49e68525bfde8dc2b2febf2d88c97e.png)  
 ![트랜스포머를 반복 적용하는 방법: 루프 스케일링, 특화 및 병렬 추론 / How to Loop Your Transformer: Loop Scaling, Specialization, and Parallel Inference #2](https://discuss.pytorch.kr/uploads/default/original/3X/f/2/f2bb8fa25c64a7b41523df21b3633f9e65615f6b.png)

### 논문 소개

트랜스포머의 깊이를 높이려면 일반적으로 레이어와 파라미터를 추가해야 하지만, 이는 모델 크기와 학습·추론 비용을 함께 증가시킵니다. 이 연구는 동일한 가중치를 여러 차례 적용하는 루핑(looping)을 통해 파라미터 수를 크게 늘리지 않으면서 유효 깊이를 확장하고, 그 효과가 자원 제약에 따라 어떻게 달라지는지 체계적으로 살펴봅니다. 이를 위해 연구진은 디코더 전용 트랜스포머를 처음부터 학습하고, 전체 모델 또는 일부 레이어를 반복하는 방식, 반복 횟수, 반복 단계 사이의 정보 전달 방식을 비교합니다. 최대 1B 파라미터와 32회 루프를 포함하는 실험에서 데이터와 기본 아키텍처를 통제하고, 언어 모델링뿐 아니라 다양한 텍스트 도메인, 수학·코드, 객관식 과제를 평가해 설계 선택의 영향을 폭넓게 분석합니다.

결과는 루핑의 효과가 단일한 기준으로 결정되지 않음을 보여줍니다. 파라미터 예산이 고정된 경우에는 전체 트랜스포머를 루핑하는 방식이 대체로 가장 높은 품질을 보이는 반면, 학습 계산량이 제한되면 중간 레이어 블록을 반복하는 방식이 더 효율적인 선택이 될 수 있습니다. 또한 루프를 추가하는 것만으로 성능이 계속 향상되지는 않으며, 이득이 포화되거나 감소하고 학습이 불안정해질 수도 있습니다. 연구진은 모든 반복 단계가 같은 가중치를 사용하는 제약을 완화하기 위해 루프별 저랭크 어댑터(low-rank adapter)를 도입하고, 특히 루프 수가 많을 때 성능 개선 효과가 커짐을 보입니다.

루핑은 반복 횟수에 비례해 자기회귀 추론을 늦출 수 있으므로, 연구진은 인접한 토큰 위치 사이에서 은닉 상태를 전달해 루프 단계를 병렬 실행하는 Parallel Loop Transformers도 검토합니다. 기본 병렬화 방식은 일반적인 루핑의 품질 향상을 일관되게 보존하지 못했지만, 현재 토큰의 임베딩을 유지하고 현재 토큰 임베딩과 이전 토큰의 은닉 상태를 각각 정규화한 뒤 결합하는 설계로 여러 모델 규모와 학습 예산에서 강한 성능을 회복합니다. 이러한 결과는 루핑이 파라미터 효율을 높이는 유망한 방법인 동시에, 반복 횟수와 가중치 공유, 정보 전달 방식이 성능과 효율을 좌우하는 설계 요소임을 보여줍니다. 궁극적으로 이 연구는 모델 크기, 학습 계산량, 추론 속도 가운데 어떤 자원이 병목인지에 맞춰 루핑 구조를 선택하고 조정해야 한다는 점을 제시합니다.

### 초록(Abstract)

트랜스포머 모델에서 루핑(Looping)은 동일한 트랜스포머 또는 그 일부를 반복 적용해 가중치를 재사용함으로써 파라미터 수를 늘리지 않고 모델의 깊이를 늘립니다. 루핑의 유용성은 모델 크기, 학습 연산량, 자기회귀 추론 효율성 중 어떤 제약이 지배적인지에 따라 달라집니다. 본 연구에서는 처음부터 학습한 밀집 디코더 전용 트랜스포머에서 모델의 어느 부분을 루핑할지, 루프를 몇 번 적용할지, 루프 간 정보를 어떻게 전달할지를 달리하며 이러한 상충 관계를 함께 살펴봅니다. 실험에는 최대 10억 개의 파라미터를 가진 모델이 포함되며, 최대 1.07\times10^{21} FLOPs와 32회의 루프를 사용해 최대 1,550억 개의 토큰으로 학습했습니다. 고정된 파라미터 예산에서는 전체 트랜스포머를 루핑할 때 대체로 가장 높은 품질을 얻는 반면, 학습 FLOPs가 제한된 경우에는 중간 계층 블록을 루핑하는 편이 더 나은 투자 수익을 보입니다. 루프를 추가하는 것이 항상 이득인 것은 아닙니다. 성능 향상은 결국 포화되거나 역전되며, 불안정해지기도 합니다. 이에 따라 모든 루프에서 동일한 가중치를 강제하는 것이 더 깊은 루핑의 이점을 제한하는지 살펴봅니다. 이를 위해 루프별 저랭크 어댑터를 소규모로 추가했으며, 이 방식은 품질을 높이고 루프 수가 많을수록 더 큰 향상을 보입니다. 루핑 트랜스포머는 루프 수에 비례하는 디코딩 속도 저하도 겪습니다. 병렬 루프 트랜스포머(Parallel Loop Transformers)는 인접한 토큰 위치 간에 은닉 상태를 전달해 루프 단계를 병렬로 실행함으로써 이 문제를 해결합니다. 그러나 실험 결과, 기존 방식은 일반적인 루핑에서 얻는 품질 향상을 일관되게 유지하지 못합니다. 현재 토큰의 임베딩을 보존하고, 이를 이전 토큰의 은닉 상태와 결합하기 전에 두 표현을 각각 정규화하면 다양한 모델 규모와 학습 예산에서 높은 성능을 회복할 수 있음을 확인했습니다. 종합하면, 효과적인 루핑을 위해서는 설계를 자원 제약과 추론 환경에 맞춰야 합니다.

> Looping in transformer models reuses weights by repeatedly applying the same transformer, or parts of it, making the model deeper without increasing its parameter count. Whether looping is useful depends on which constraint dominates: model size, training compute, or autoregressive inference efficiency. We study these trade-offs jointly in dense decoder-only transformers trained from scratch, varying which parts of the model are looped, how many loops are applied, and how information is passed between loops. Our experiments span models with up to 1B parameters, trained on up to 155B tokens with up to 1.07\times10^{21} FLOPs and 32 loops. We find that looping the full transformer generally gives the strongest quality at a fixed parameter budget, whereas looping a middle block of layers gives a better return when training FLOPs are constrained. Adding loops is not uniformly beneficial: gains eventually saturate, reverse, or become unstable. This motivates asking whether forcing every loop to use the same weights limits the benefit of deeper looping. We address this by adding small loop-specific low-rank adapters that improve quality, with larger gains as more loops are added. Looped transformers also suffer a decoding slowdown proportional to the number of loops. Parallel Loop Transformers address this by passing hidden states between loops across adjacent token positions, allowing loop stages to run concurrently. However, in our experiments the original formulation does not consistently retain the quality gains of ordinary looping. We find that preserving the current-token embedding and separately normalizing it and the previous-token hidden state before combining them recovers strong performance across model scales and training budgets. Together, these results show that effective looping requires matching the design to the resource constraint and inference setting.

### 논문 링크

> **[How to Loop Your Transformer: Loop Scaling, Specialization, and Parallel...](https://arxiv.org/abs/2610.40325)**
>
> Looping in transformer models reuses weights by repeatedly applying the same transformer, or parts of it, making the model deeper without increasing its parameter count. Whether looping is useful depends on which constraint dominates: model size,...

* * *

## Attribution Gradients: AI 답변의 비판적 검토를 위한 인용의 단계적 펼치기 / Attribution Gradients: Incrementally Unfolding Citations for Critical Examination of Attributed AI Answers

 ![귀속 그래디언트: AI 답변의 비판적 검토를 위한 인용의 단계적 펼치기 / Attribution Gradients: Incrementally Unfolding Citations for Critical Examination of Attributed AI Answers](https://discuss.pytorch.kr/uploads/default/original/3X/9/1/9152f49731da10f8d3b0b990f183e32d70d30241.jpeg)

### 논문 소개

AI 답변 엔진은 검색 결과 문서의 목록을 제시하는 대신, 질문에 대한 답변과 인라인 인용을 함께 제공하지만, 인용 링크만으로는 답변이 어떤 근거에 기반하는지 판단하기 어렵습니다. 근거를 확인하려면 출처 문서를 직접 찾아 읽어야 하므로 시간과 노력이 들고, 출처가 답변을 실제로 뒷받침하는지 또는 반박하는지도 빠르게 파악하기 어렵습니다. 이러한 문제를 해결하기 위해 제안된 어트리뷰션 그래디언트(attribution gradients)는 인용을 단순한 링크가 아니라, 답변의 근거를 단계적으로 살펴보게 하는 정보 인터페이스로 구성합니다. 핵심 설계는 근거의 수, 답변을 지지하거나 반박하는 발췌문, 출처 링크, 관련 맥락 설명을 한곳에 모아 제시하는 것입니다. 이를 통해 독자는 출처 전체를 읽기 전에 근거의 성격과 관련성을 살펴보고, 추가 검토가 필요한 자료를 판단할 수 있습니다. 또한 출처가 다시 인용한 자료, 즉 2차 인용(second-degree citations)을 현재 화면에서 펼쳐 확인할 수 있도록 하여 근거의 연결 관계를 더 깊이 추적하게 합니다. 이처럼 정보를 점진적으로 드러내는 방식은 간결한 답변 확인에서 출발해 필요한 경우 원자료와 그 배경까지 살펴보도록 지원하며, 인용 검토의 부담을 줄이면서도 비판적 평가를 가능하게 하는 데 목적이 있습니다. 저자들은 어트리뷰션 그래디언트의 전체 기능을 비판적 읽기 과제에 적용하고, 이를 표준 인용 방식 및 문서 질의응답(QA, question answering) 설계와 비교하는 실험실 연구를 수행했습니다. 초록에 따르면 제안 인터페이스는 독자가 출처 자료에 더 깊이 관여하도록 돕고, 출처에서 얻는 정보의 깊이도 높였습니다. 이는 AI가 생성한 답변을 신뢰하거나 거부하는 데 그치지 않고, 그 근거를 직접 검토하도록 돕는 설계가 중요함을 보여줍니다. 특히 근거의 요약 정보와 원문 접근, 인용 간 연결을 한 흐름 안에서 제공한다는 점에서 어트리뷰션 그래디언트는 AI 답변의 투명성과 검증 가능성을 높이는 방법론적 기여를 제시합니다.

### 초록(Abstract)

AI 답변 엔진은 비교적 새로운 유형의 정보 검색 도구로, 순위가 매겨진 문서 목록을 반환하는 대신 검색 질문에 대한 답변을 생성하고 출처를 인라인 인용으로 제시합니다. 그러나 인용된 출처를 읽는 데는 많은 비용이 들며, 인용 링크 자체는 해당 출처에 어떤 증거가 담겨 있는지 거의 알려 주지 않습니다. 본 논문에서는 정보의 단서와 정보를 찾는 수고를 한곳에 통합해 인용의 정보성을 높이는 기법인 어트리뷰션 그래디언트(attribution gradients)를 제안합니다. 첫 번째 특징은 증거의 수, 뒷받침하거나 반박하는 발췌문, 출처 링크, 맥락 설명을 한곳에 모으는 것입니다. 두 번째 특징은 2차 인용을 그 자리에서 추적할 수 있다는 점입니다. 실험실 연구에서는 비판적 읽기 과제에서 전체 그래디언트를 사용하는 모습을 보이고, 표준 인용 및 문서 질의응답 설계와 비교해 독자가 출처에서 얻는 내용의 깊이를 높이는 심층적 참여를 지원함을 입증합니다.

> AI answer engines are a relatively new kind of information search tool: rather than returning a ranked list of documents, they generate an answer to a search question with inline citations to sources. But reading the cited sources is costly, and citation links themselves offer little guidance about what evidence they contain. We present attribution gradients, a technique to boost the informativeness of citations by consolidating scent and information prey in place. Its first feature is bringing evidence counts, supporting/contradictory excerpts, links to sources, and contextual explanations into one place. Its second feature is the ability to unravel second-degree citations in place. In a lab study, we demonstrate usage of the full gradient in a critical reading task and its support for deep engagement that increased the depth of what readers took away from the sources versus a standard citation and document QA design.

### 논문 링크

> **[Attribution Gradients: Incrementally Unfolding Citations for Critical...](https://arxiv.org/abs/2510.00361)**
>
> AI answer engines are a relatively new kind of information search tool: rather than returning a ranked list of documents, they generate an answer to a search question with inline citations to sources. But reading the cited sources is costly, and...

* * *

## 출력층을 넘어서: 모달리티와 연산에 걸쳐 공유되는 잠재 수치 프레임 / Beyond the Readout: A Latent Numerical Frame Shared Across Modality and Operation

 ![출력층을 넘어서: 모달리티와 연산에 걸쳐 공유되는 잠재 수치 프레임 / Beyond the Readout: A Latent Numerical Frame Shared Across Modality and Operation](https://discuss.pytorch.kr/uploads/default/original/3X/2/1/213cb977fb9bd4c5b8d7f80bc6e501a5eabf0900.jpeg)

### 초록(Abstract)

멀티모달 모델이 텍스트로 주어진 17+35나 렌더링된 이미지로 주어진 91-39를 계산할 때, 두 경우 모두 동일한 답인 52를 출력합니다. 이때 모델은 두 경우 모두에 하나의 내부적인 수 개념을 사용하는 것일까요, 아니면 경로마다 별도의 메커니즘을 사용하는 것일까요? RSA나 CKA와 같은 유사도 지표로는 이 질문에 답할 수 없습니다. 이러한 지표는 동일한 방향과 회전된 방향에 같은 점수를 부여하며, 두 표현이 단지 같은 출력 숫자를 준비한다는 이유만으로 유사해 보일 수도 있습니다. 따라서 본 연구는 인과적 개입(causal intervention)을 사용합니다. 텍스트 또는 이미지 입력, 덧셈 또는 뺄셈이라는 네 가지 조건에 대해, 좌표를 교환하면 모델의 답이 교환되는 Gemma4-12B-it의 잔차 스트림(residual stream) 내 작은 부분공간(subspace)을 학습합니다. 이 부분공간들은 세 가지 질문에 답합니다.

첫째, 각 조건은 동일한 방향을 따라 숫자를 기록하는가? 그렇지 않습니다. 같은 연산에 대해 텍스트에서 얻은 부분공간을 이미지에 재사용하면, 원래 인과 효과의 53.2%만 복원됩니다. 하나의 회전과 크기 조정만으로 한 부분공간을 다른 부분공간에 대응시킬 수 있으며, 이때 복원율은 91.4%로 높아집니다. 이는 조건들이 서로 다른 좌표계로 표현되지만 하나의 공통 기하 구조를 공유함을 의미합니다.

둘째, 이 공통 기하 구조는 모델이 막 출력하려는 숫자만을 반영하는가? 이를 검증하기 위해, 각 부분공간을 출력 계층이 다음 숫자를 선택할 때 참조하는 9개의 방향과 출력 계층이 참조할 수 없는 13개의 방향으로 나누었습니다. 은닉된 13개의 방향에도 여전히 숫자 정보가 담겨 있지만, 이 방향들을 바꿔도 현재 출력 중인 숫자는 거의 변하지 않습니다.

셋째, 이 은닉 방향들은 무슨 역할을 하는가? 모델은 여러 자리의 답을 한 번에 한 자리씩 출력해야 하므로, 전체 결과를 미리 계산해 두고 이를 예비로 보관할 수 있습니다. 두 숫자의 첫째 자리가 같을 때, 은닉 방향의 숫자를 교환하면 현재 출력 중인 자리 숫자는 그대로 유지되는 반면, 77.6%의 경우에 다음 자리 숫자의 방향이 바뀝니다.

따라서 모델은 상류(upstream)에서 추상적인 수 개념을 형성하고 이를 시간에 걸쳐 전개합니다. 즉, 멀티모달 표현은 서로 다른 좌표계에 걸친 관계적 기하 구조를 통해 의미를 공유합니다.

> When a multimodal model computes 17+35 from text or 91-39 from a rendered image, it produces the same answer, 52. Does it use one internal concept of number for both, or separate machinery for each path? Similarity metrics such as RSA or CKA cannot settle this question. They give the same score to identical and to rotated directions, and two representations can look alike only because both prepare the same output digits. We therefore use causal interventions. For four conditions (text or image, addition or subtraction), we learn a small subspace of Gemma4-12B-it's residual stream in which swapping coordinates swaps the model's answer. The subspaces answer three questions. First, do the conditions write numbers along the same directions? They do not. Reusing a subspace from text in an image on the same operation recovers only 53.2% of its causal effect. A single rotation and rescaling maps one subspace onto the other and raises recovery to 91.4%, so the conditions share one geometry expressed in different coordinates. Second, does this shared geometry only reflect the digit the model is about to print? To test this, we split each subspace into 9 directions that the output layer reads to choose the next digit and 13 directions that it cannot see. The 13 hidden directions still carry the number, yet changing them barely alters the digit being written. Third, what are these hidden directions for? A model must emit a multi-digit answer one digit at a time, so it can compute the full result early and keep it in reserve. When two numbers share their first digit, swapping the number in the hidden directions leaves the digit being written intact and redirects the next digit in 77.6% of cases. The model thus forms an abstract numerical concept upstream and unfolds it across time: multimodal representations share meaning through relational geometry across distinct coordinate frames.

### 논문 링크

> **[Beyond the Readout: A Latent Numerical Frame Shared Across Modality and...](https://arxiv.org/abs/2610.37422)**
>
> When a multimodal model computes 17+35 from text or 91-39 from a rendered image, it produces the same answer, 52. Does it use one internal concept of number for both, or separate machinery for each path? Similarity metrics such as RSA or CKA cannot...

* * *

## InteractiveWorld: 더 나은 인터랙티브 MLLM 어시스턴트 구축을 위한 검증 가능한 인간 중심 환경 / InteractiveWorld: A Verifiable Human-Centric Environment for Building Better Interactive MLLM Assistants

 ![nteractiveWorld: 더 나은 인터랙티브 MLLM 어시스턴트 구축을 위한 검증 가능한 인간 중심 환경 / InteractiveWorld: A Verifiable Human-Centric Environment for Building Better Interactive MLLM Assistants](https://discuss.pytorch.kr/uploads/default/original/3X/d/4/d410035edfa4fe9a9a6ecdd04abc1afc6c8ef342.jpeg)

### 초록(Abstract)

사람들은 새로운 요리부터 잃어버린 열쇠까지, 늘 곁에서 길을 안내하고 잊은 것을 일깨워 주는 어시스턴트를 오랫동안 꿈꿔 왔습니다. 멀티모달 대규모 언어 모델(MLLM)에 기반한 웨어러블 기기의 1인칭 시점(egocentric) AI 어시스턴트는 이 꿈을 현실에 가깝게 만들고 있습니다. 이들은 사용자가 보는 장면을 함께 인식하고, 필요할 때 사용자의 실제 작업에 대한 지시를 제공합니다. 그러나 이러한 어시스턴트를 테스트하는 일은 어렵고, 대개 실제 사람의 참여가 필요합니다. 비용이 많이 들고 드문 실제 상호작용 데이터로는 "오늘날의 MLLM이 실제 물리 세계에서 사람을 정말로 도울 수 있는가?"라는 핵심 질문에 답하기 어렵습니다. 이 질문에 답하기 위해, 본 연구는 사람과 AI 어시스턴트 간의 폐쇄 루프(closed-loop) 상호작용을 검증할 수 있는 최초의 환경인 InteractiveWorld를 제안합니다. 로봇 중심의 기존 시뮬레이터와 달리, InteractiveWorld에서는 어시스턴트가 장면을 관찰하고 지시를 이해하며 독립적으로 행동하는 사람 에이전트를 안내합니다. 따라서 어시스턴트가 지시하고, 사람이 행동하고, 환경이 행동을 실행한 뒤 다음에 보이는 장면을 갱신하는 과정, 즉 AI 어시스턴트가 사람과 협업하는 방식을 현실감 있게 모사합니다. 이를 기반으로, 여섯 가지 범주에 걸친 120개의 멀티턴 과제로 구성된 1인칭 시점 AI 어시스턴트용 최초의 동적 벤치마크 InteractiveBench를 소개합니다. 각 과제에서 어시스턴트는 실시간으로 사람을 안내하며, 모든 지시가 결과에 영향을 미치고, 그 결과는 검증 가능한 상태 기반 보상으로 채점됩니다. 최신 MLLM 12종을 대상으로 한 실험에서, 이들은 여전히 신뢰할 수 있는 어시스턴트와는 거리가 멀었습니다. 가장 우수한 모델인 Claude Fable 5.1조차 장기 호흡(long-horizon) 과제에서 안내(Guidance)는 최대 20%, 계획(Planning)은 최대 25%의 성공률에 그쳤습니다. 전반적으로 본 연구는 검증 가능한 플랫폼과 엄밀한 평가 세트를 제공함으로써, 물리 세계에서 사람을 실제로 돕는 상호작용형 MLLM 어시스턴트 연구를 위한 견고한 토대를 마련합니다.

> People have long dreamed of an assistant that is always there to guide them and remind what they forget, from new dishes to lost keys. Powered by multimodal large language models (MLLMs), egocentric AI assistants on wearable devices are bringing this dream within reach: they see what the user sees and give instructions for user's physical work when necessary. However, testing such assistance is challenging and usually requires real people. The expensive and rare real interaction data leaves a key question unanswered: Can today's MLLMs truly help people in physical world? To answer this question, we propose InteractiveWorld, the first verifiable environment for closed-loop interaction between human and AI assistant. Unlike existing robot-centric simulators, InteractiveWorld lets the assistant guide a human agent who observes the scene, understands instructions, and acts independently. It thus realistically simulates how AI assistant collaborates with human: the assistant instructs, the human acts, and the environment executes actions and updates what they see next. Building on it, we introduce InteractiveBench, the first dynamic benchmark for egocentric AI assistants, with 120 multi-turn tasks across six categories. In each task, the assistant guides the human in real time, and every instruction shapes the outcome, which is scored by verifiable, state-based rewards. Experiments with 12 frontier MLLMs show they are still far from reliable assistants. Even the strongest model, Claude Fable 5.1, achieves at most 20% and 25% on long-horizon Guidance and Planning tasks, respectively. Overall, our work offers a verifiable platform and a rigorous evaluation set, laying a solid foundation for research on interactive MLLM assistants that truly help people in the physical world.

### 논문 링크

> **[InteractiveWorld: A Verifiable Human-Centric Environment for Building Better...](https://arxiv.org/abs/2610.33966)**
>
> People have long dreamed of an assistant that is always there to guide them and remind what they forget, from new dishes to lost keys. Powered by multimodal large language models (MLLMs), egocentric AI assistants on wearable devices are bringing this...

### 더 읽어보기

> **[InteractiveWorld: A Verifiable Human-Centric Environment for Building Better...](https://meta-interactiveworld.github.io/)**
>
> InteractiveWorld is the first verifiable environment for closed-loop interaction between a human and a wearable AI assistant. InteractiveBench evaluates 12 frontier MLLMs on 120 multi-turn tasks.

> **[GitHub - facebookresearch/InteractiveWorld: This is the official repo for paper...](https://github.com/facebookresearch/InteractiveWorld)**
>
> This is the official repo for paper InteractiveWorld A Verifiable Human-Centric Environment for Building Better Interactive MLLM Assistants

* * *

## Terminus-4B: 더 작은 모델이 에이전트 기반 실행 작업에서 프런티어 LLM을 대체할 수 있을까? / Terminus-4B: Can a Smaller Model Replace Frontier LLMs at Agentic Execution Tasks?

 ![Terminus-4B: 더 작은 모델이 에이전트 기반 실행 작업에서 프런티어 LLM을 대체할 수 있을까? / Terminus-4B: Can a Smaller Model Replace Frontier LLMs at Agentic Execution Tasks?](https://discuss.pytorch.kr/uploads/default/original/3X/4/8/4801969e184e1863a76870d9f85924b2ed8e0499.jpeg)

### 초록(Abstract)

현대 코딩 에이전트는 검색, 디버깅, 터미널 실행처럼 범위가 좁은 책임을 맡는 더 작고 집중된 에이전틱 루프인 서브에이전트(Subagent)에 특화된 하위 작업을 점점 더 위임하고 있다. 이 아키텍처 패턴은 빌드 로그, 테스트 결과 등 장황한 출력을 서브에이전트의 컨텍스트 안에 격리함으로써 메인 에이전트의 컨텍스트 윈도우를 깔끔하게 유지한다. 이러한 작업에 서브에이전트를 활용할 때 일반적으로는 프런티어 모델을 서브에이전트로 사용한다. 본 논문에서는 파인튜닝된 소형 언어 모델(SLM)이 에이전틱 터미널 실행 작업에서 프런티어 모델에 필적하는 성능을 낼 수 있는지 살펴본다. 우리는 이 작업을 위해 Qwen3-4B 모델에 지도 파인튜닝(SFT)과 루브릭 기반 LLM-as-judge 보상을 사용한 강화학습(RL)을 적용하여 사후 학습한 Terminus-4B를 제안한다. 다양한 프런티어 모델, 학습 애블레이션, 메인 에이전트 구성에 걸친 광범위한 평가에서, Terminus-4B는 서브에이전트를 사용하지 않는 기준선(No Subagent) 대비 메인 에이전트의 토큰 사용량을 최대 약 30%까지 줄이면서도, SWE-Bench Pro 및 장황한 실행 작업이 많은 자체 벤치마크인 SWE-Bench C#에서 에이전트 성능 저하는 없었다. 또한 Terminus-4B는 메인 에이전트가 서브에이전트의 출력에 더 많이 의존하고 터미널 실행 작업을 직접 수행하는 빈도가 줄어드는 핵심 지표를 개선하였다. 그 결과, 우리 모델은 기본 Qwen 모델과 Claude Sonnet, Claude Opus, GPT-5.3-Codex 같은 프런티어 모델 사이의 성능 격차를 줄였을 뿐만 아니라, 많은 경우 이들 모델의 성능을 넘어서는 것으로 나타났다.

> Modern coding agents increasingly delegate specialized subtasks to subagents, which are smaller, focused agentic loops that handle narrow responsibilities like search, debugging or terminal execution. This architectural pattern keeps the main agent's context window clean by isolating verbose outputs (e.g. build logs, test results, etc.) within the subagent context. Typically when agents employ subagents for such tasks, they use frontier models as these subagents. In this paper, we investigate whether a finetuned small language model (SLM) can achieve comparable performance to frontier models in the task of agentic terminal execution. We present Terminus-4B, which is a post-trained Qwen3-4B model via Supervised Finetuning (SFT) and Reinforcement Learning (RL) using rubric-based LLM-as-judge reward, specifically for this task. In our extensive evaluation spanning various frontier models, training ablations and main agent configurations, we find that Terminus-4B is able to reduce the token usage of the main agent by up to ~30% compared to the No Subagent baseline with no impact to agent performance on benchmarks like SWE-Bench Pro and our internal SWE-Bench C# benchmark, which tends to be heavy in verbose execution tasks. Furthermore, Terminus-4B improves key metrics showing the main agent relying on the outputs of the subagent and doing fewer terminal execution tasks by itself. We see that our model not only closes the gap between the Vanilla Qwen model and frontier models like Claude Sonnet / Opus / GPT-5.3-Codex, but often even exceeds their performance.

### 논문 링크

> **[Terminus-4B: Can a Smaller Model Replace Frontier LLMs at Agentic Execution...](https://arxiv.org/abs/2605.03195)**
>
> Modern coding agents increasingly delegate specialized subtasks to subagents, which are smaller, focused agentic loops that handle narrow responsibilities like search, debugging or terminal execution. This architectural pattern keeps the main agent's...

* * *

## TCP/IP부터 MCP까지: 에이전트 AI를 위한 인터넷 프로토콜의 보안 및 거버넌스 교훈 / From TCP/IP to MCP: Security and Governance Lessons from Internet Protocols for Agentic AI

 ![TCP/IP에서 MCP로: 에이전트 AI를 위한 인터넷 프로토콜의 보안 및 거버넌스 교훈 / From TCP/IP to MCP: Security and Governance Lessons from Internet Protocols for Agentic AI](https://discuss.pytorch.kr/uploads/default/original/3X/0/d/0d41131c7f7d168d52521f298c63f188f0dbb161.png)

### 논문 소개

인공지능 에이전트가 사용자, 외부 도구, 그리고 다른 에이전트들과 상호작용하는 방식을 관리하기 위한 프로토콜의 중요성이 급증하고 있습니다. 모델 컨텍스트 프로토콜(MCP, Model Context Protocol)과 에이전트투에이전트(A2A, Agent2Agent) 같은 이러한 프로토콜들은 현대 인터넷을 지탱하는 TCP/IP, HTTP, SSL/TLS 같은 기본 프로토콜들과 놀라울 정도로 유사한 구조를 가지고 있습니다. 이러한 관찰에서 출발하여, 본 논문은 지난 수십 년간 인터넷 프로토콜의 발전 과정에서 얻을 수 있는 보안 및 거버넌스 관련 교훈들을 체계적으로 분석하고, 이를 현재 개발 중인 AI 에이전트 프로토콜에 적용할 것을 제안합니다. 분석의 결과는 두 가지 주요 결론으로 수렴합니다. 첫째, AI 에이전트 프로토콜이 개발의 초기 단계에서 보안을 충분히 우선순위에 두지 않으면, 실질적이고 경제적인 어려움으로 인해 보안 부채(security deficit)가 기하급수적으로 증가하여 시간이 지날수록 해결 비용이 급증하게 된다는 것입니다. 둘째, 현재 AI 에이전트 프로토콜의 거버넌스 구조는 의사결정 권한을 소수의 기술 기업과 그 직원들에게 집중시키고 있으며, 이는 특히 이러한 프로토콜들이 인프라의 수준으로 성장할 경우 정당성 문제를 야기한다는 것입니다.

인터넷 표준 기술 위원회(IETF, Internet Engineering Task Force)의 사례와 최근 리눅스 재단으로 기부된 모델 컨텍스트 프로토콜 및 에이전틱 AI 재단(AAIF, Agentic AI Foundation)의 구조를 비교하면 이러한 우려가 더욱 구체화됩니다. IETF는 1986년 대학과 연구기관의 네트워크 사용자들을 위해 설립되었으며, 가장 독특한 특징은 공식적인 회원제가 없다는 것입니다. 관심 있는 개인이라면 누구나 작업반에 참여할 수 있으며, 의사결정은 대략적 합의(rough consensus) 원칙에 따라 이루어집니다. 특히 IETF의 추천 위원회(NomCom)는 무작위로 선출된 기여자들로 구성되어 주요 지도부를 임명하며, 20명 이상의 회원이 청원하면 리더십을 제거할 수 있는 소환 위원회(Recall Committee)를 구성할 수 있습니다. 이러한 구조는 비록 대기업 직원들의 참여가 있더라도, 리더십이 일반 커뮤니티에 책임을 질 수 있도록 설계되었습니다.

반면 MCP의 거버넌스 구조는 근본적으로 다른 특징을 보여줍니다. MCP는 두 명의 리드 메인테이너가 종신으로 임명되는 자비로운 독재자(BDFL, Benevolent Dictator For Life) 모델을 따르고 있으며, 현재 이들은 모두 같은 여덟 기업의 직원들입니다. 더욱이 AAIF의 거버닝 보드와 기술 위원회는 플래티넘 멤버로 제한되어 있으며, 이들은 AWS, Anthropic, Block, Bloomberg, Cloudflare, Google, Microsoft, OpenAI의 여덟 기업으로만 구성되어 있습니다. 골드, 실버, 협회 멤버들은 기술 위원회에 대표자가 없으며, 이는 IETF나 클라우드 네이티브 컴퓨팅 재단(CNCF, Cloud Native Computing Foundation) 같은 다른 표준 기구들과 비교할 때 매우 제한적입니다. 특히 AAIF 헌장은 스타트업 기간 동안 Anthropic, Block, OpenAI에게 거부권을 부여하고 있으며, 헌장 개정이나 새로운 프로젝트 추가 같은 중요한 의사결정을 거부할 수 있는 권한을 제공합니다.

이러한 거버넌스 구조상의 차이는 단순히 절차적 문제를 넘어 권력의 분산과 책임성의 문제와 직결됩니다. IETF의 경우 비록 일부 민간 기업 직원들이 주요 역할을 하더라도, 일반 기여자들에 의한 무작위 선출과 소환 메커니즘을 통해 리더십이 광범위한 커뮤니티에 책임을 지도록 설계되어 있습니다. 반면 MCP와 AAIF에는 불만족스러운 리더십을 제거할 수 있는 실질적인 방법이 없으며, 의사결정 권한이 영구적으로 소수 기업과 그들의 직원에게 집중되어 있습니다. 더욱이 AAIF 헌장에는 이해충돌을 완화하기 위한 명시적 정책이나 중립성에 대한 가치 선언이 부재합니다. MCP가 AI 인프라의 핵심 요소로서 광범위하게 채택된다면, 현재의 거버넌스 구조는 수십억 명의 사용자에게 영향을 미치는 기술적 결정이 매우 제한된 범위의 이해관계자에 의해서만 결정되는 상황을 초래하게 될 것입니다. 따라서 본 논문은 정책 입안자와 AI 에이전트 프로토콜 개발자들에게 인터넷 초기의 개방적 거버넌스 원칙을 재검토하고, 보안 우선주의와 광범위한 이해관계자의 참여를 바탕으로 한 책임 있는 프로토콜 개발을 촉구합니다.

### 초록(Abstract)

지난 2년간 AI 에이전트가 인간 사용자, 외부 도구, 그리고 서로 간의 상호작용을 관리하기 위한 프로토콜에 대한 상당한 관심이 있었습니다. 많은 측면에서 모델 컨텍스트 프로토콜(MCP)과 에이전트-투-에이전트(A2A)를 포함한 이러한 프로토콜들은 현대 인터넷의 기초를 이루는 프로토콜 모음과 유사합니다. 이러한 유사성에 동기를 받아, 본 논문은 AI 에이전트 프로토콜의 책임감 있는 개발을 지향하기 위해 인터넷 프로토콜의 개발, 역사, 및 거버넌스로부터 교훈을 도출합니다. 본 분석을 기반으로 두 가지 결론을 내립니다. 첫째, AI 에이전트 프로토콜이 개발의 초기 단계에서 보안을 충분히 우선시하지 않으면, 실질적이고 경제적 어려움으로 인해 시간이 지남에 따라 해결 비용이 증가하는 보안 결핍을 누적할 위험이 있습니다. 둘째, AI 에이전트 프로토콜의 현재 거버넌스 구조는 의사결정 권력을 적은 수의 개인과 기업에 집중시키고 있으며, 특히 그들이 중요한 디지털 인프라가 될 경우 정당성 문제를 야기합니다. 우리는 AI 에이전트 프로토콜의 정책입안자와 개발자를 위한 논의 및 시사점으로 결론을 맺습니다.

> The past two years have seen considerable interest in protocols for managing how AI agents interact with human users, external tools, and each other. In many ways, these protocols, including the Model Context Protocol (MCP) and Agent2Agent (A2A), mirror the suite of protocols that underlie the modern internet. Motivated by this parallel, this paper draws lessons from the development, history, and governance of internet protocols with the aim of informing the responsible development of AI agent protocols. Based on our analysis, we make two conclusions. First, if AI agent protocols do not sufficiently prioritise security in the early stages of development, they risk accumulating a security deficit that becomes increasingly costly to address over time due to practical and economic challenges. Second, current governance structures for AI agent protocols centralise decision-making power in a small number of individuals and companies, raising important questions regarding legitimacy, especially if they become critical digital infrastructure. We conclude with a discussion and implications for policymakers and developers of AI agent protocols.

### 논문 링크

> **[From TCP/IP to MCP: Security and Governance Lessons from Internet Protocols...](https://arxiv.org/abs/2610.26624)**
>
> The past two years have seen considerable interest in protocols for managing how AI agents interact with human users, external tools, and each other. In many ways, these protocols, including the Model Context Protocol (MCP) and Agent2Agent (A2A),...

* * *

[🔥파이토치 한국 사용자 모임🇰🇷](https://pytorch.kr/)이 정리한 이 글이 유용하셨나요? [회원으로 가입](https://discuss.pytorch.kr/signup)하시면 주요 글들을 이메일💌로 보내드립니다! [텔레그램(Telegram)](https://t.me/pytorchkr)이나 [Slack / Discord / Teams / Dooray / GoogleChat 등](https://discuss-noti.pytorch.kr/)으로도 새 글 알림을 받으실 수 있습니다. 🤩

🎁 아래↘쪽에 좋아요❤를 눌러주시면 뉴스 발행에 힘이 됩니다~ 🤗