Ideas
다른 분야에서 통하는 기법 중 소재 분야에서는 아직 드문 것을 제안합니다.
결과가 아니라 시도해볼 방향입니다. 근거 링크는 그 기법이 다른 분야에서 통했다는 것만 보여줍니다. 우리 분야에 맞는지는 연구자가 판단할 일입니다.
학습 없는 후보 압축 검색 · Training-free candidate compression for huge tool/skill libraries
수천 개 도구나 스킬 중에서, 사용자 요청에 맞는 상위 후보만 먼저 압축해 내는 방식입니다. 최종 LLM 판단 전에 후보군을 줄여서 속도와 선택 정확도를 개선하려는 접근입니다.
코퍼스 수준 테스트시점 검색 확장 · Corpus-level test-time scaling for retrieval via metadata/keyword augmentation
LLM을 사용해 문서에 메타데이터와 키워드를 덧붙여, 기존 검색기가 더 잘 찾도록 만드는 방식입니다. 더 강한 검색 모델로 바꾸는 대신, 코퍼스 자체의 검색성을 높이는 데 초점을 둡니다.
검색 루브릭 기반 문서 재랭킹과 강화학습 · Rubric-guided document reranking with reinforcement learning
문서 집합이 만족해야 할 기준을 루브릭으로 명시하고, 그 기준에 맞게 재랭커를 학습시키는 접근입니다. 단순 관련도보다 “균형 잡힌 증거 묶음”을 찾는 데 초점을 둡니다.
네이티브 텍스트-비전 상호작용 · native text-vision interaction
검색이나 추론 과정에서 이미지를 일회성 첨부물이 아니라 계속 유지되는 컨텍스트로 다루는 방식입니다. 부분 실패를 복구하는 훈련/롤아웃 설정과 결합해 멀티모달 작업의 안정성을 높이려는 접근입니다.
파일 기반 장기 멀티모달 검색 · long-horizon agentic multimodal search
이미지와 도표를 컨텍스트 안에 계속 넣어 두는 대신 외부 파일 시스템에 보관하고, 짧은 식별자만 대화 중 유지하는 검색 방식입니다. 긴 상호작용에서 시각 자료를 필요할 때 다시 불러와 컨텍스트 폭증을 줄이려는 접근입니다.
검색 기반 선택형 다중 LLM 협업 · Scalable multi-LLM collaboration with retrieval-based selection
여러 LLM을 두고 각 질문이나 하위 과제에 가장 맞는 모델을 검색과 탐색-활용 전략으로 선택하는 방식입니다. 단일 모델이나 단순 다수결보다 작업별 적합도를 높이려는 설계입니다.
제한된 LLM 판단의 에이전틱 프로그램 · Agentic programs with bounded LLM judgment
결정론적 코드가 파이프라인의 중심을 맡고, LLM은 지정된 관문에서만 제한적으로 판단하는 소프트웨어 패턴입니다. 에이전트 전체를 맡기는 방식보다 검증 가능성과 운영 안정성을 높이려는 접근입니다.
통합 테스트타임 스케일링 프레임워크 · Unified test-time compute scaling framework with pluggable scorers and cost-aware benchmark
여러 test-time scaling 방법과 scorer를 하나의 프레임워크에 넣고, 품질과 계산 비용을 같이 측정하는 방식입니다. 단순 정확도보다 비용 대비 효율을 비교하기 좋습니다.
불확실성 인식 예산 배분 · Uncertainty-aware budget allocation at test time
초기 패스에서 불확실성을 추정하고, 쉬운 입력에는 적은 샘플을, 어려운 입력에는 더 많은 샘플이나 더 큰 계산을 배정하는 방식입니다. 고정 예산을 모든 사례에 똑같이 쓰지 않도록 만드는 것이 핵심입니다.
타입드 에이전트 기반 코디자인 워크플로 · Agentic co-design workflow with typed tools and normalized experiment data
도구를 직접 호출하는 에이전트가 실험·시뮬레이션 절차를 반복 수행하고, 결과를 구조화된 저장소에 기록한 뒤 다시 질의하도록 만드는 방식입니다. 대화형 메모리보다 데이터 중심의 반복 루프를 중시합니다.
그래프 기반 에이전틱 커널 생성과 실시간 컴파일러 피드백 · Graph-based autonomous search for kernel generation with real-time compiler feedback
에이전트가 커널 코드를 생성하고, 컴파일러·런타임 피드백을 바탕으로 점진적으로 개선하는 방식입니다. 그래프 탐색을 써서 더 넓은 후보 공간을 훑을 수 있습니다.
종단간 에이전틱 하드웨어/소프트웨어 공동설계 벤치마크 · End-to-end agentic hardware/software co-design benchmark
에이전트가 여러 구성요소를 함께 수정해 실행 가능한 산출물을 만들고, 시스템 수준 제약을 만족해야 하는 평가 방식입니다. 정적 코드 품질이 아니라 실제 실행과 통합성을 본다는 점이 핵심입니다.