아티클

이 논문은 AI가 수학 증명처럼 엄격한 소프트웨어 검증(Coq, Lean)을 '완전 자동'으로 할 수 있음을 보여줍니다. 기존엔 전문가가 일일이 증명 전략을 짜야 했지만, Claude Code 같은 범용 코드 에이전트에게 '이 렘마 증명해줘'라고만 맡기고, 검증 하네스(자동 채점기)가 통과할 때까지 피드백 루프를 돌리면 됩니다. 그 결과, 동시성/메모리 검증의 표준인 Iris 라이브러리 4,257개 렘마, Rust 표준 라이브러리 검증 217개, 기존 LLM 증명기가 8분의 1만 풀던 reglang 318개, Lean 4로 포팅 중인 iris-lean 72개를 **모두 100% 자동으로 증명**했습니다. 전문가 개입 제로, 실패 제로.

Danus는 여러 AI 에이전트가 협력해 복잡한 수학 증명을 풀 수 있게 해주는 시스템입니다. 메인 에이전트가 계획을 세우고, 여러 워커 에이전트가 병렬로 증명을 탐색하며, 검증자가 수학적 주장이 맞는지 확인한 뒤 '팩트 그래프'라는 공유 메모리에 저장합니다. 이렇게 하면 긴 증명도 단계별로 쌓아가며 정리할 수 있습니다. 실제 연구급 수학 문제 6개로 테스트했고, 코드도 공개되어 있습니다.

이 논문은 생물의학 질의응답(BioASQ) 대회에서 1위를 차지한 LLM 파이프라인을 소개합니다. 핵심은 '질문 유형별로 다른 전략을 쓴다'는 점입니다. 예/아니오 질문은 증거 순서에 흔들리지 않게 셔플+자기반성, 사실형 질문은 전체 증거+사고연쇄 프롬프팅, 리스트형 질문은 다중 에이전트가 협업해 추출→검증→집계를 수행합니다. 단일 프롬프트로 모든 걸 해결하려 하지 않고, 작업 특성에 맞춰 파이프라인을 분리한 것이 성능 비결입니다.

VLM(비전-언어 모델)은 이미지 속 객체의 위치를 잘 파악하지만, 이를 이미지 편집(디퓨전 모델)의 조건으로 쓰면 위치 정확도가 떨어집니다. 이 논문은 그 이유를 'VLM이 한 번의 순전파만으로 정보를 압축해야 해서, 본래 잘하던 단계별 추론을 못 하기 때문'이라고 밝힙니다. 'Analysis-by-Proxy'라는 가벼운 탐침 모델로 VLM 내부 표현을 들여다보니, 위치 정보는 고정된 레이어가 아니라 프롬프트에 따라 다른 중간 레이어에 숨어 있었습니다. 현재 편집 파이프라인이 엉뚱한 곳에서 정보를 꺼내 쓰고 있었던 셈입니다.

이 논문은 '한정된 정밀도(메모리)를 가진 순환 모델(RNN, SSM 등)이 외부 도구를 쓸 때, 계산 능력이 얼마나 늘어나는가?'를 수학적으로 엄밀히 증명한 이론 논문입니다. 핵심은: 1) 유한 상태 도구(계산기, 간단한 API 등)는 모델 내부에 흡수 가능해서 계산 능력이 안 늘어남. 2) 하지만 '읽기/쓰기/이동'만 가능한 무한 테이프(튜링 머신의 테이프) 하나만 줘도 모델이 튜링 완전해짐. 3) 이걸 실제 선택적 SSM(Selective SSM) 한 레이어로 구현 가능함을 보임. 즉, '도구 사용이 모델을 진짜로 강력하게 만들려면 도구 자체가 무한 상태여야 한다'는 걸 수학적으로 증명한 겁니다.

LLM 에이전트가 복잡한 작업을 할 때, 전체 상태를 다 볼 수 없으니 필요한 부분만 보여주는 '프로젝티드 뷰'와, 수정한 내용을 안전하게 원래 상태에 반영하는 '검증된 패치' 시스템을 제안합니다. 마치 구글 독스에서 여러 사람이 동시에 편집하되, 각자 권한 있는 영역만 고치고 충돌 없이 합쳐지는 것과 비슷합니다.

이 논문은 AI 코딩 에이전트(클로드 코드, 코덱스 CLI 등)가 실제 오픈소스 저장소에서 버그를 고치는 능력을 테스트하는 새로운 벤치마크 'RuBench'를 소개합니다. 특이한 점은 작업 지시사항이 영어로 번역된 게 아니라, 러시아어 원어민이 실제 고객처럼 자연스럽게 작성했다는 겁니다. 5개 인기 프로젝트(aiohttp, aiogram, Laravel, NestJS, Fastify)에서 25개 태스크를 뽑아 테스트했는데, 최고 성능 모델이 78.7%를 해결했습니다. 더 흥미로운 건, 평가 도중 클로드 코드 제품이 조용히 모델을 오퍼스 4.8로 바꿔치기하는 걸 발견했다는 점입니다. 즉, '모델 성능'이 아니라 '배포된 제품 전체'를 평가해야 한다는 걸 보여줍니다.

이 논문은 '비디오의 특정 시각적 요소가 시청자 반응에 어떤 인과적 영향을 미치는지'를 통계적으로 밝혀내는 최초의 방법론을 제안합니다. 기존에는 비디오가 너무 복잡하고 고차원이라 인과추론이 불가능했는데, 딥 생성 모델로 비디오를 압축 표현하고, 시계열 신경망으로 시간에 따른 인과효과를 추정합니다. 슈퍼마리오 1만 개 레벨로 검증했고, 2020년 미국 대선 TV 광고에 적용해 후보자 등장 확률을 높이면 시청자 평가가 좋아진다는 걸 발견했습니다.

Large language model (LLM) agents are increasingly used for multi-step, stateful tool-use tasks, yet production reliability remains limited

Integration of web APIs is a cornerstone of modern software systems, yet writing correct web API invocation code remains challenging due to complex and evolving API specifications