# \#omni-modal-embeddings **URL:** https://discuss.pytorch.kr/tag/omni-modal-embeddings/9207.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [\[2026/09/21 ~ 27\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2026-09-21-27-ai-ml/12024)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [9월 27, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/2026-09-21-27-ai-ml/12024 "2026-09-27T21:30:47Z")
PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: 이번 주에 선정된 논문들을 종합해 보면, AI 모델을 더욱 실용적이고 효율적인 시스템으로 발전시키기 위한 세 가지 연구 흐름을 확인할 수 있습니다: :one: 에이전트 하네스 최적화 및 자기개선의 고도화: 이번 주 선정된 논문들을 살펴보면, 대규모 언어 모델의 가중치 자체보다 에이전트를 둘러싼 프롬프트나 제어 흐름인 하네스를 최적화하여 성능을 극대화하는 연구가 돋보입니다. SoL-Pi와 RRSI는 에이전트의 재귀적 자기개선 과정을 정규화하고 자동화하여, 특정 작업에 과적합되는 현상을 방지하면서도 토큰 사용량과 구동 비용을 크게 절감했습니다. 또한 Harness-Zero는 외부 하네스에 의존하던 기존 에이전트의 한계를 넘어, 하네스가 유도하는 행동을 모델 내부 가중치로 증류시킴으로써 배포 시의 효율성과 자율성을 높였습니다. 이는 무작정 모델의 크기를 키우기보다, 에이전트의 시스템적 작동 방식을 내재화하여 운영 비용과 성능을 모두 잡으려는 실용적인 접근입니다. :two: 실세계 배포를 위한 지식 증류 및 시스템 경량화: 또 다른 주요 트렌드는 무겁고 복잡한 모델을 하드웨어 한계가 명확한 실제 환경이나 기존 산업 인프라에 원활하게 통합하기 위한 경량화 시도입니다. 시각-언어-행동 모델을 다룬 연구에서는 무거운 세계 모델이 가진 물리적 이해 능력을 작고 빠른 정책 모델로 증류하여 로봇의 실제 응답 시간을 밀리초 단위로 단축시켰습니다. 또한 개인화 관련 논문은 모바일 기기 내에서 하이퍼네트워크를 통해 순전파만으로 가중치를 생성해 온디바이스 연산의 한계를 극복했으며, LIGE-GR는 기존의 추천 인프라를 전면 교체하지 않고도 생성형 추천 패러다임으로 부드럽게 전환하는 방법을 제안했습니다. 이는 고성능 AI를 연구실 밖의 모바일 기기, 로봇, 대규모 상용 서비스에 안정적으로 안착시키기 위한 필수적인 진전입니다. :three: 복잡한 추론을 위한 기억 구조 및 다중 …