🧠 arxiv cs.AI 주간 리포트
기간: 2026년 7월 15일(수) ~ 7월 21일(화)
총 논문 수: 956편 (cs.AI 신규 등재 기준)
생성일: 2026-07-24
분석 범위에 관한 알림. 이번 주 cs.AI 신규 등재는 956편에 이른다. arxiv 목록 서버가 날짜별 페이지 요청을 첫 페이지로 되돌려 보내, 전체를 한 편씩 훑는 길이 막혔다. 그래서 가장 최근 날짜(7월 21일)의 상위 50편을 대표 표본으로 삼아 주제를 분류했고, 그 가운데 여섯 편은 본문과 초록까지 파고들어 깊이 읽었다. 아래 분포와 목록은 이 50편 표본에 근거한다. 총량 956편은 이번 주 연구의 규모를 가리키는 숫자로 읽어달라.
📊 이번 주 트렌드 요약
이번 주 흐름은 하나로 모인다. 에이전트다. 표본 50편 가운데 절반 가까이가 LLM 에이전트의 기억, 계획, 도구 사용, 멈춤 판단을 다뤘다. 특히 '기억'을 두고 여러 연구가 부딪혔다. 무엇을 남기고 무엇을 버릴지, 예산이 빠듯할 때 어떻게 압축할지가 이번 주의 공통 질문이었다. 두 번째 흐름은 추론의 내부 통제다. 프롬프트 바깥에서, 모델의 은닉 상태를 직접 건드려 추론을 조종하려는 시도가 눈에 띄었다.
주제별 논문 분포 (내용 기반 분류, 표본 50편)
| 주제 | 논문 수 | 비중 |
|---|---|---|
| Agent & Planning | 11 | 22% |
| Knowledge & Memory | 7 | 14% |
| Multimodal | 6 | 12% |
| Benchmark & Evaluation | 5 | 10% |
| Other | 5 | 10% |
| Reasoning & Logic | 4 | 8% |
| Safety & Alignment | 3 | 6% |
| Science & Domain Application | 3 | 6% |
| Efficiency & Compression | 2 | 4% |
| Foundation Model | 2 | 4% |
| Robotics & Embodied AI | 2 | 4% |
주목할 트렌드
-
에이전트 기억이 하나의 독립된 문제로 섰다. 표본에서 기억을 정면으로 다룬 논문만 대여섯 편이다. 원본을 그대로 남길 것인가(retain), 압축해 묶을 것인가(consolidate). 예산이 빠듯하면 압축이 이기고, 넉넉하면 원본이 이긴다는 결과가 나왔다. 기억을 '저장'이 아니라 '예산 아래의 선택'으로 다시 정의하는 흐름이다.
-
추론을 프롬프트 바깥에서 통제하려 한다. 모델이 같은 생각을 맴돌며 토큰을 태우는 '자기 루프'를 은닉 상태 개입으로 끊는 연구가 나왔다. 프롬프트로 지시하는 방식을 넘어, 추론 궤적을 잠재 상태의 연속으로 보고 그 전이를 직접 조종하려는 시도다. 해석 가능성 연구와 실용적 제어가 만나는 지점이다.
-
에이전트를 '경험적으로 검증'하는 벤치마크가 늘었다. 축구 예측, 능동적 사건 대응, RTL-to-GDS 반도체 설계, 환경법 집행까지 도메인별로 에이전트의 실제 완수 능력을 재는 벤치마크가 쏟아졌다. "정말 끝까지 해내는가"를 묻는 질문이 성능 자랑을 대신하기 시작했다.
🔬 주요 논문 심층 분석
참신성·영향력·완성도를 기준으로 고른 여섯 편이다.
[1] The Shared Discovery Paradox: How a One-Answer Rule Turns Better Information into Worse Search
arXiv ID: 2607.18045
저자: Yohei Nakajima
분류: cs.AI / cs.GT / cs.MA · Agent & Planning
중요도: 13/15점
핵심 기여
흩어진 정보를 하나로 모아 순위를 매기고 여러 행위자가 그 순위를 따르게 하면, 믿음은 좋아지지만 발견은 나빠진다. 저자는 이 역설을 정확히 풀리는 벤치마크로 못박았다. 상자 열여섯, 목표 하나, 탐색자 여덟, 잡음 섞인 사적 단서.
방법론
정보를 모으면 최선의 단일 추천 정확도는 0.20에서 0.3835로 오른다. 그러나 모두가 그 추천 하나를 따르면 집단 발견율은 0.8322(각자 단서를 따를 때)에서 0.3835로 떨어진다. 문제는 정보가 아니라 규칙이다. '정답 하나' 규칙이 여덟 개의 가능한 행동을 하나의 반복된 선택으로 짓눌러버린다. 같은 정보로 여덟 행동을 조율하면 0.8594까지 오른다.
실험 결과
자기 이익을 좇는 탐색자들이 상금을 나누는 게임은 잠재 게임(potential game)이 된다. 대칭 균형은 물 채우기(water-filling) 규칙을 따르고, 무정부 비용(price of anarchy)은 정확히 2 − 1/N이다. 혼자 목표를 덮은 자에게만 보상하는 '단독 구조' 규칙을 넣으면 모든 순수 내시 균형이 최적이 된다.
한계 및 향후 연구
열여섯 상자짜리 정밀한 장난감 모형이다. 결과의 명료함은 여기서 나오고, 한계도 여기서 온다. 실제 조직과 대형 멀티에이전트로 옮길 때 규칙의 힘이 그대로 남는지는 확인이 필요하다.
왜 중요한가
멀티에이전트 설계에 뼈아픈 교훈을 준다. 더 나은 정보를 주고도 결과가 나빠질 수 있다. 문제는 정보의 질이 아니라 그것을 행동으로 바꾸는 규칙(프로토콜)이다. AI 에이전트 군집을 짜는 사람이라면, 합의를 강제하는 순간 탐색의 다양성이 죽는다는 점을 기억해야 한다.
[2] Is Progressive Disclosure All You Need for Long-Context Agents?
arXiv ID: 2607.17598
저자: Yifeng He 외 3인
분류: cs.AI / cs.CL / cs.SE · Agent & Planning
중요도: 12/15점
핵심 기여
긴 문서를 다루는 에이전트에게 문서 전체를 맥락에 밀어넣거나 별도 검색기를 붙이는 대신, 문서 경로만 주고 스스로 읽게 하는 방식이 있다. '점진적 공개(progressive disclosure)'다. 실무자들은 이미 이 방식을 널리 쓰지만, 근거는 일화 수준이었다. 저자는 이를 처음으로 통제된 실험으로 검증했다.
방법론
InfiniteBench에서 원문 탐색, 여러 설계의 Agent Skills 팩, 고전적 하이브리드 검색기를 세 개의 에이전트 하네스와 세 개의 모델 계열로 비교했다.
실험 결과
책 한 권에서는 이득이 하네스에 달렸다. 에이전트가 원문을 잘 못 헤치면 이득이 크고, 강한 하네스가 이미 스스로 나눠 검색하면 이득은 거의 0이다. 여러 권으로 규모가 커지면 원문 탐색은 무너지고, 한 단계 점진적 공개가 더 천천히 나빠지며 앞선다. 두 번째 라우팅 단계는 도움이 안 되고 오히려 정확도를 깬다. 한 단계면 충분하다.
한계 및 향후 연구
결론이 단정적이다. "점진적 공개는 지능이 아니라 맥락을 산다." 강한 에이전트에게는 군더더기이고, 말뭉치가 읽기로 감당 못 할 만큼 커지면 결정적이다. 어느 지점에서 필요가 갈리는지는 하네스마다 다르다.
왜 중요한가
Agent Skills 같은 최신 설계 패턴을 맹신하지 말라는 경고다. 도구가 좋아서가 아니라 에이전트가 약해서 도구가 필요한 것일 수 있다. 실무 설계자는 "이 계층을 왜 넣는가"를 먼저 물어야 한다.
[3] Retain or Consolidate? Budget-Dependent Operator Selection for Language Agent Memory
arXiv ID: 2607.17545
저자: Qingcan Kang 외 7인
분류: cs.AI · Knowledge & Memory
중요도: 12/15점
핵심 기여
언어 에이전트는 상호작용을 가로질러 기억에 기댄다. 그러나 맥락 창과 추론 비용이 한 번에 쓸 기억을 제약한다. 원본을 남기는 보존(retention)과 압축해 묶는 통합(consolidation), 둘 중 무엇이 나은지는 상황에 달렸다. 저자는 그 '상황'을 예산으로 정식화했다.
방법론
각 연산자(Merge·Abstract·Rewrite)의 효용을 두 갈래로 나눈다. 보존이 빠뜨린 증거를 덮는 효과(coverage), 이미 들어맞는 원본을 대체하는 효과(replacement, 부호 있음). 이 둘의 균형이 선호를 바꾼다. 이를 OAS(Offline Abstraction-Safety)라는 가벼운 학습기로 구현해, 생성 전 특징으로 행동 효용을 추정한다.
실험 결과
LongMemEval에서 예산이 빠듯하면 통합이 절대 정확도를 최대 48%까지 끌어올린다. 예산이 넉넉하면 보존이 낫다. LoCoMo도 같은 교차(crossover)를 더 작은 예산에서 재현한다. 압축이 필요할 때는 노트 사이를 넘나드는 추상·병합이 국소적 재작성보다 낫다.
한계 및 향후 연구
효용 분해는 명료하나, 사전 특징으로 효용을 얼마나 정확히 예측하는지가 관건이다. 벤치마크 두 개를 넘어선 일반화는 남은 과제다.
왜 중요한가
에이전트 기억을 '많이 저장하기' 문제에서 '예산 아래 선택하기' 문제로 옮긴다. 인간 기억의 요약·통합과도 닿는 관점이다. 장기 대화형 에이전트, AI 동반자를 만드는 사람에게 직접 쓸모가 있다.
[4] Can We Break LLMs Out of Self-Loops? Fine-Grained Reasoning Control with Activation Steering
arXiv ID: 2607.18100
저자: Sheldon Yu 외 8인
분류: cs.AI · Reasoning & Logic
중요도: 12/15점
핵심 기여
확장된 추론은 최신 LLM의 표준이 됐지만, 그 궤적은 여전히 통제 밖이다. 실패하는 추론은 '자기 루프'에 갇혀 답에 다가가지 못한 채 토큰 예산만 태운다. 저자는 이 루프를 은닉 상태 개입으로 끊는 SOPHIA를 내놓았다.
방법론
추론 궤적을 다듬어지지 않은 글이 아니라 잠재 상태의 연속으로 본다. 모든 접두(prefix)를 잠재 상태로 분류하고, 단계별 전이를 기록해 상태 쌍으로 색인한 조종 벡터 은행을 만든다. 추론 시점에 제어기가 현재 상태를 추정하고, 목표 상태에 맞는 벡터를 꺼낸다. 전이 구조에서 자기 루프를 온라인으로 감지해, 모델이 '추론 블랙홀'로 빠지기 전에 막는다.
실험 결과
이 방법은 자기 루프 실패에 안정적으로 개입한다. 조종 벡터는 다른 상태 쌍으로도 일반화한다. 최종 정확도와 토큰 효율이 함께 오른다. 정밀한 제어가 곧 더 나은 추론 품질로 이어진다는 뜻이다.
한계 및 향후 연구
상태 분류의 정확도와 조종 벡터의 부작용이 열린 문제다. 모델과 과제가 바뀔 때 상태 정의가 얼마나 옮겨지는지도 확인이 필요하다.
왜 중요한가
프롬프트 엔지니어링을 넘어선 추론 제어의 한 방향이다. 해석 가능성(잠재 상태 발견)과 실용적 제어(조종 벡터)를 잇는다. 추론 모델의 낭비와 폭주를 줄이는 실마리다.
[5] Quantifying Diversity of Thought: A Predictive Law of Weighted LLM Ensemble Lift
arXiv ID: 2607.17384
저자: Junade Ali
분류: cs.AI / cs.LG / cs.LO / cs.MA · Reasoning & Logic
중요도: 11/15점
핵심 기여
여러 LLM을 묶었을 때 '생각의 다양성'이 얼마나 이득을 주는지, 실험으로 검증한 형식 법칙을 내놓았다. 앙상블 이득을 구조(rescue)와 손상(damage) 질량으로 정확히 분해하고, 이득을 예측하는 간결한 지표를 뽑아냈다.
방법론
정확도로 보정한 정답 상관 φ_adj, 정확도 격차, 쌍의 집단 정확도를 예측 지표로 삼는다. 열 개의 오픈웨이트 모델, 두 개의 대학원 수준 과학 벤치마크, 그리고 각 모델이 격리된 샌드박스에서 디지털 포렌식을 수행하는 새 에이전트형 사이버보안 벤치마크에서 76만 7,520회의 추론으로 검증했다.
실험 결과
SuperGPQA에서 40:60 투표로 한 번 보정한 뒤 계수를 고정하니, 보정에 쓰지 않은 데이터로 옮겨가도 예측이 유지됐다(GPQA Diamond ρ=0.51, 포렌식 과제 ρ=0.84). 스왑 질량은 실제 이득을 R²≥0.96으로 추적했다. 날것의 φ는 예측력이 거의 없고(R²≤0.09), 정확도로 보정한 φ_adj가 뚜렷이 낫다.
한계 및 향후 연구
한 번의 보정으로 계수를 고정하는 방식이 모델 구성이 크게 달라져도 버티는지가 관건이다. 데이터셋 사이 전이에서 ρ가 0.51까지 떨어진 대목은 법칙의 경계를 보여준다.
왜 중요한가
"모델을 섞으면 나아진다"는 직관에 계량의 뼈대를 세운다. 어떤 모델을 언제 섞어야 이득인지 미리 계산할 수 있게 한다. 멀티모델 투표·앙상블을 운영하는 실무에 곧장 쓰인다.
[6] Self-Modifying Lean Proof Agents with Verifier-Grounded Benchmark Coevolution
arXiv ID: 2607.17352
저자: Yuqing Li 외 3인
분류: cs.AI / cs.LG / quant-ph · Reasoning & Logic
중요도: 11/15점
핵심 기여
형식 수학 증명에서 Lean 증명 에이전트의 작업 흐름 자체를 손으로 설계하지 않고 진화시킬 수 있는지 물었다. 작고 신뢰할 수 있는 고정 런타임이 완전히 바꿀 수 있는 작업 공간(워크플로·프롬프트·도구)을 감싼다. 여기에 더해, 에이전트와 벤치마크를 함께 진화시킨다.
방법론
세대마다 최고 점수 에이전트(챔피언)가 과제 분포를 고친다. 현재 수준을 통달한 뒤에야 더 어려운 증명 과제를 들이는 '숙달 조절 커리큘럼'과, 난도가 오를 때도 점수를 견줄 수 있게 챔피언을 다시 돌리는 단일 앵커 재보정을 쓴다. 모든 진화는 Lean 검증 고리 안에 머문다. 에이전트가 자신을 어떻게 고쳐 쓰든, Lean이 검증한 증명을 낼 때만 성공으로 친다.
실험 결과
15세대를 돌린 뒤 miniF2F 홀드아웃에서 최고 공진화 에이전트는 45.1%를 풀었다. 씨앗 에이전트 12.7%, 고정 벤치마크 최고 에이전트 32.0%와 견주면 뚜렷한 도약이다.
한계 및 향후 연구
검증기가 진리를 붙잡아 주는 형식 수학이라 자기수정이 안전하다. 검증기가 없는 영역으로 이 방식을 옮기기는 쉽지 않다. 벤치마크 공진화가 난도 인플레이션으로 흐르지 않게 하는 재보정의 견고함도 더 살펴야 한다.
왜 중요한가
자기수정 에이전트의 위험을 검증기로 묶는 설계를 보여준다. 에이전트가 자신을 다시 써도, 성공의 정의는 Lean이 쥐고 있다. 자율적으로 진화하는 AI를 안전하게 가두는 한 가지 틀이다.
📂 전체 논문 목록 (주제별, 표본 50편)
Agent & Planning (11편)
| # | 제목 | arXiv ID | 한줄 요약 |
|---|---|---|---|
| 1 | The Shared Discovery Paradox | 2607.18045 | 합의 규칙이 발견을 죽인다 |
| 2 | AdaHome: Adaptive Smart Home Assistant | 2607.18034 | 소형 LM 스마트홈 비서 |
| 3 | SAGE: Latent World Model Planning | 2607.17973 | 하위목표 조건 행동 생성 |
| 4 | Towards Agentic Agent-based Models | 2607.17948 | 에이전트 기반 모형 자동화 |
| 5 | SR-Agent: E-Commerce Recommendation | 2607.17719 | 경험 기반 후순위 전략 개선 |
| 6 | LaT: LLM-as-Trainer for VRP | 2607.17708 | LLM이 차량경로 해결기를 훈련 |
| 7 | Verify, Repair, Repeat, or Stop? | 2607.17641 | 잡음 속 견고한 멈춤 판단 |
| 8 | Is Progressive Disclosure All You Need? | 2607.17598 | 점진적 공개의 통제된 검증 |
| 9 | Feedback-Augmented Self-Distillation | 2607.17558 | 검색 에이전트 자기증류 실패 분석 |
| 10 | Empirical Grounding of LLM Agents | 2607.17437 | 재난 시 인간 행동 시뮬레이션 |
| 11 | Agentic ERP | 2607.17331 | 멀티에이전트 전사자원관리 |
Knowledge & Memory (7편)
| # | 제목 | arXiv ID | 한줄 요약 |
|---|---|---|---|
| 1 | OntoExtend | 2607.17963 | LLM 기반 온톨로지 확장 |
| 2 | PEARL: Reasoning Graph Extraction | 2607.17917 | 감사 가능한 과학 추론 그래프 |
| 3 | Reflective Recall Cycle | 2607.17879 | 장기기억 성찰적 회상 |
| 4 | Semantic-Answerability Gap in Table RAG | 2607.17742 | 표 RAG의 의미-응답 격차 |
| 5 | Mechanistic Attention Guidance | 2607.17621 | 에이전트 기억 정련 |
| 6 | ZifaMem | 2607.17564 | AI 동반자용 구조화 기억 |
| 7 | Retain or Consolidate? | 2607.17545 | 예산 의존 기억 연산자 선택 |
Multimodal (6편)
| # | 제목 | arXiv ID | 한줄 요약 |
|---|---|---|---|
| 1 | SGA: Educational Video Synthesis | 2607.18116 | 기하 검증 플러그인 |
| 2 | Do Maps Still Matter for Machines | 2607.17999 | 파운데이션 모델의 지도 이해 |
| 3 | ST-Veto: Diffusion MLLMs | 2607.17884 | 시공간 토큰 거부 |
| 4 | Cross-Modal Negation Detection | 2607.17712 | 교차모달 부정 탐지 |
| 5 | OrientSAM | 2607.17657 | 방향 인식 공간 정렬 |
| 6 | Pailitao-MMSearch | 2607.17499 | 전자상거래 멀티모달 검색 |
Benchmark & Evaluation (5편)
| # | 제목 | arXiv ID | 한줄 요약 |
|---|---|---|---|
| 1 | WorldCupArena | 2607.18084 | 축구 예측 에이전트 평가 |
| 2 | The Autonomous Agency Scale | 2607.17947 | 자기주도 행동 측정 척도 |
| 3 | WuYu-EnvLE-Bench | 2607.17745 | 환경법 집행 벤치마크 |
| 4 | ProEvent | 2607.17701 | 능동적 에이전트 사건 벤치마크 |
| 5 | Can AI Agents Complete RTL-to-GDS? | 2607.17528 | 반도체 설계 워크플로 벤치마크 |
Reasoning & Logic (4편)
| # | 제목 | arXiv ID | 한줄 요약 |
|---|---|---|---|
| 1 | Logical Judgments Under Pressure | 2607.18228 | 삼단논법 안정성 진단 |
| 2 | Can We Break LLMs Out of Self-Loops? | 2607.18100 | 활성화 조종 추론 제어 |
| 3 | Quantifying Diversity of Thought | 2607.17384 | 앙상블 이득의 예측 법칙 |
| 4 | Self-Modifying Lean Proof Agents | 2607.17352 | 검증기 기반 자기진화 증명 |
Safety & Alignment (3편)
| # | 제목 | arXiv ID | 한줄 요약 |
|---|---|---|---|
| 1 | Stress Testing Concept Erasure | 2607.17890 | LLM 에이전트로 개념 삭제 검증 |
| 2 | Cognitive Jailbreak of T2I Models | 2607.17779 | 동적 방어 프로파일링 탈옥 |
| 3 | Dual-Hypothesis LLM Guardrails | 2607.17575 | 이중가설 추론 가드레일 |
Science & Domain Application (3편)
| # | 제목 | arXiv ID | 한줄 요약 |
|---|---|---|---|
| 1 | Evidence-Sufficiency Prompting (Clinical) | 2607.18086 | 임상 LLM 안전-유용성 균형 |
| 2 | Financial Audit Assistance | 2607.17797 | 허위정보 탐지 감사 보조 |
| 3 | AI for Transportation Behavior | 2607.17694 | 지속가능 스마트시티 교통 |
Efficiency & Compression (2편)
| # | 제목 | arXiv ID | 한줄 요약 |
|---|---|---|---|
| 1 | Hardware-oriented Bayesian Inference | 2607.17855 | 베이지안 추론 하드웨어 배치 |
| 2 | FlowBlock: Wavefront-Parallel Decoding | 2607.17652 | 확산 언어모델 병렬 디코딩 |
Foundation Model (2편)
| # | 제목 | arXiv ID | 한줄 요약 |
|---|---|---|---|
| 1 | Rethinking Heterogeneous LLM Merging | 2607.18026 | 가중 모델 평균화 관점 |
| 2 | Reinforcement Learning: From Algorithms to FM | 2607.17560 | 프린스턴 박사학위 논문 |
Robotics & Embodied AI (2편)
| # | 제목 | arXiv ID | 한줄 요약 |
|---|---|---|---|
| 1 | PGN: Vision-Language Navigation | 2607.17806 | Pangu 기반 항법 시스템 |
| 2 | DeeperRadar | 2607.17351 | MIMO 레이더 다중모달 융합 |
Other (5편)
| # | 제목 | arXiv ID | 한줄 요약 |
|---|---|---|---|
| 1 | PAMD: Bisimulation in Visual RL | 2607.18004 | 구조적 적응 거리 표현 |
| 2 | The Curvature Shadow | 2607.17543 | 최대엔트로피 균형 선택 |
| 3 | Panache: One-Pass Motif Discovery | 2607.17481 | 모든 창 길이 모티프 발견 |
| 4 | AEC-DS: Decentralized Storage | 2607.17460 | 적응형 소거 부호화 저장 |
| 5 | Intermittent Control Is Not Diluted Control | 2607.17432 | 인공 행위성의 전환 효과 |
📁 arxiv 서브카테고리별 분포 (표본 50편, 교차 등재 포함)
| 서브카테고리 | 논문 수 |
|---|---|
| cs.AI (기본) | 50 |
| cs.MA (멀티에이전트) | 7 |
| cs.LG (기계학습) | 8 |
| cs.CV (컴퓨터비전) | 3 |
| cs.CL (자연어) | 3 |
| cs.SE (소프트웨어공학) | 2 |
| cs.GT (게임이론) | 2 |
| cs.RO (로보틱스) | 1 |
| 기타 (cs.CY·HC·AR·DB·LO·MM·GR, quant-ph) | 각 1~2 |
📝 분석 메모
이번 주 표본에서 가장 또렷한 신호는 '에이전트 기억'이다. 한 주에 대여섯 편이 같은 문제를 서로 다른 각도에서 두드렸다. 보존이냐 통합이냐(2607.17545), 성찰적 회상(2607.17879), 주의 기반 정련(2607.17621), 동반자용 구조화 기억(2607.17564). 이 흐름은 다음 몇 주 더 이어질 것으로 본다. 기억을 '용량'이 아니라 '예산 아래의 경제 문제'로 다루는 관점이 자리를 잡는 중이다.
두 번째로, 에이전트의 '멈춤'과 '자기수정'을 다룬 논문이 눈에 띈다. 언제 멈출지(2607.17641), 어떻게 자신을 고쳐 쓰되 검증기에 묶일지(2607.17352), 어떻게 자기 루프에서 빠져나올지(2607.18100). 성능을 올리는 연구에서 행동을 통제하는 연구로 무게가 옮겨가고 있다. 자율성이 커질수록 통제가 연구 주제가 된다.
주목할 연구자로 Yohei Nakajima를 꼽는다. 멀티에이전트 발견의 역설을 정확히 풀리는 벤치마크로 못박은 솜씨가 단정하다. 게임이론과 AI 에이전트를 잇는 후속 작업을 지켜볼 만하다.
다음 주 관찰 포인트: 에이전트 기억 연산자의 표준화, 추론 궤적 제어(활성화 조종)의 다른 모델로의 일반화, 도메인별 '완수 능력' 벤치마크의 확산.
본 리포트는 arxiv cs.AI 카테고리 자동 분석 스킬로 생성되었습니다.
논문 본문·초록 심층 분석 대상: 6편 / 주제 분류 표본: 50편 / 이번 주 전체 등재: 956편