# \#root-cause-analysis **URL:** https://discuss.pytorch.kr/tag/root-cause-analysis/8714.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [\[2026/07/27 ~ 08/02\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2026-07-27-08-02-ai-ml/11499)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [8월 2, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/2026-07-27-08-02-ai-ml/11499 "2026-08-02T21:30:48Z")
\[2026/07/27 ~ 08/02\] 이번 주에 살펴볼 만한 AI/ML 논문 모음 PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: :one: 실환경 기반의 고난도 에이전트 평가 및 정책 준수: 이번 주 연구들에서는 언어 모델 에이전트의 능력을 통제된 실험실이 아닌, 복잡하고 방대한 현실 세계의 제약 속에서 검증하려는 움직임이 두드러졌습니다. ORCA-bench는 에이전트가 실제 프로덕션 환경의 방대한 로그, 메트릭, 코드를 동시에 분석해 시스템 장애 원인을 찾아낼 수 있는지를 평가하며 현재 프론티어 모델들의 실질적인 한계를 명확히 드러냈습니다. 또한, HANDBOOK.md는 길고 복잡한 사내 규정(정책 문서)을 긴 작업 호흡 동안 에이전트가 얼마나 엄격하게 준수하는지를 측정하는 벤치마크를 제안했습니다. 이는 AI 에이전트가 단순한 도구 사용을 넘어, 높은 신뢰성이 요구되는 실제 산업 현장에 안전하게 투입되기 위해 거쳐야 할 한 차원 높은 평가 기준을 제시하고 있습니다. :two: 토큰 압축과 데이터 재사용을 통한 시스템 효율화 극대화: 모델이 처리해야 할 모달리티와 데이터의 양이 급증함에 따라, 메모리와 입출력(I/O) 병목을 영리하게 우회하려는 아키텍처 및 학습 최적화 연구도 강력한 트렌드를 형성했습니다. OmniScope는 다중 모달리티 환경에서 시각과 청각의 특성을 독립적으로 반영한 토큰 압축 전략을 통해 성능 저하를 최소화하면서 추론 속도를 크게 높였습니다. 추천 시스템 분야의 Tokens are All You Need는 무거운 연속 임베딩을 이산 토큰으로 압축하여 LLM 수준의 I/O 효율을 달성했으며, Train Smarter, Not Longer는 모델의 '기억 창(Memorization Window)'을 분석해 제한된 고품질 데이터를 가장 효율적으로 재사용하는 학습법을 제안했습니다. 무작정 자원을 늘리기보다 데이터와 토큰의 밀도를 최적화하여 비용 대비 효용을 극대화하려는 실용적인 접근들입니…