# \#raw-rag **URL:** https://discuss.pytorch.kr/tag/raw-rag/9372.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [\[2026/10/19 ~ 25\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2026-10-19-25-ai-ml/12294)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 25, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/2026-10-19-25-ai-ml/12294 "2026-10-25T21:30:52Z")
PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: 이번 주 선정된 10편의 논문들을 살펴본 결과, 다음과 같은 주요한 연구 트렌드를 발견할 수 있었습니다: :one: 에이전트 하네스 최적화 및 자기 진화 구조의 발전: 이번 주 논문들에서는 에이전트가 도구를 사용하고 작업을 수행하는 기반인 하네스(Harness)를 최적화하고 스스로 진화시키는 연구들이 두드러졌습니다. Object-Oriented Harness는 객체 지향 설계를 도입해 다양한 작업에 특화된 하네스를 동적으로 생성하고 선택하는 프레임워크를 제안했습니다. 또한 Harness Scaling은 단일 고정 하네스에서 벗어나 다양한 실행 구성으로 강화학습을 확장하여 모델의 일반화 능력을 크게 향상시켰습니다. Are Self-Evolving Agents Continual Learners? 와 DiscoveryRSI 역시 에이전트가 경험을 바탕으로 스스로 프롬프트나 워크플로우를 수정하며 지속적으로 발전할 수 있는 구조적 가능성과 한계를 심도 있게 탐구했습니다. :two: 복잡성에 대한 재평가와 본질적인 효율성 추구: 시스템을 무작정 복잡하게 만들기보다는 단순하고 효율적인 기반 구조의 강력함을 재조명하는 흐름도 포착되었습니다. Raw-RAG 논문은 복잡한 구조의 에이전트 메모리보다 원본 대화 기록을 단순히 검색하는 기본 RAG 방식이 오히려 더 높은 성능을 발휘할 수 있음을 입증했습니다. Hybrid Reasoning Agents는 텍스트 기반 추론의 비효율성을 극복하기 위해 잠재 공간 추론을 결합하여 토큰 사용량과 비용을 획기적으로 절감했습니다. 아울러 LoGRA와 Zeroth-Order Optimization 관련 연구들은 대규모 모델의 강화학습 및 미세조정 과정에서 발생하는 심각한 메모리 병목 현상을 저랭크 스케치와 효율적인 최적화 기법으로 해결하며 실용성을 극대화했습니다. :three: 엄격한 진단 평가 체계와 신뢰성 검증 도입: 모델의 표면적인…