# \#kernelbench

**URL:** https://discuss.pytorch.kr/tag/kernelbench/6822.md

[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)

---

## [\[2026/03/09 ~ 15\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2026-03-09-15-ai-ml/9224)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [3월 15, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/2026-03-09-15-ai-ml/9224 "2026-03-15T21:30:20Z")

</div>

\[2026/03/09 ~ 15\] 이번 주에 살펴볼 만한 AI/ML 논문 모음 PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: :one: 에이전틱 강화학습(Agentic RL)과 자율적 자가 개선: 이번 주 논문들에서는 언어 모델이 정적인 텍스트 생성을 넘어, 환경과 상호작용하며 스스로 성능을 높이는 '에이전틱 강화학습'이 핵심 화두로 떠올랐습니다. OpenClaw-RL과 Agentic RL 서베이 논문은 모델이 터미널, GUI 등 복잡한 환경에서의 피드백을 통해 실시간으로 지속 학습하는 패러다임을 제시합니다. 또한 AutoHarness와 EvoSkill은 에이전트가 자신의 실행 실패를 분석하여 스스로 코드 하네스를 합성하거나 새로운 스킬을 진화시키는 등 인간의 개입을 최소화한 자가 개선 능력을 입증했습니다. 이는 AI가 단방향 도구에서 벗어나, 시행착오를 통해 자율적으로 문제를 해결하고 최적화하는 독립적인 시스템으로 진화하고 있음을 의미합니다. :two: 컨텍스트 효율성 극대화 및 추론(Reasoning)의 재발견: 긴 문맥을 처리하고 복잡한 논리를 전개할 때 발생하는 연산 및 메모리 병목을 극복하고, 추론의 본질적인 이점을 극대화하려는 시도도 돋보였습니다. Doc-to-LoRA는 방대한 컨텍스트를 가벼운 LoRA 어댑터로 즉시 압축하여 반복적인 메모리 소모를 없애는 혁신적인 접근을 보여주었습니다. 한편, InftyThink+ 는 무한한 추론 과정에서 언제 요약하고 무엇을 남길지를 강화학습으로 최적화하여 긴 호흡의 논리 전개를 효율화했습니다. 더불어 Thinking to Recall 연구는 단순한 사실 확인 질문에서도 추론 과정 자체가 계산 버퍼 역할을 하여 모델 내부에 잠재된 지식을 효과적으로 끌어낼 수 있음을 밝혀내며, 추론 토큰이 가지는 숨겨진 가치를 재조명했습니다. :three: 특정 개발 환경(Terminal/CUDA)에 밀착된 전문 에이전트: 범용 모델의 한계를 극복하고, 실제 소프트웨어 개…
