$ cat briefs/daily/2026-10-12.md
2026-10-12
2026년 10월 12일 (월)
주요 소식 2건 · 추천 논문 2편 · 새 페이지 3개
주요 소식
1. MiMo 학습 보고서가 채점 연산량을 확장 축으로 제시했다
Xiaomi는 컨텍스트 길이 최대 1M에서 스텝당 1,568개 샘플과 2.7-3.7B 토큰을 처리하는 비동기 RL을 설명한다. 롤아웃 처리량과 환경 다양성에 더해 그룹 단위 에이전트 채점을 확장하여 보상을 개선하고 더 짧은 해법을 유도한다. 고정된 MoE 라우터와 여러 층의 보상 해킹 방어가 학습 안정성을 뒷받침한다.
왜 중요한가: 기존 출시 모델의 학습 설계 선택을 드러내는 보고서이며, 모델 순위를 독립적으로 검증하는 자료는 아니다. → Agentic Reinforcement Learning · MiMo-V2.6-Pro (source)
2. Qwen Code가 로그인된 브라우저 세션과 이메일로 시작하는 작업을 지원한다
2026-10-09 업데이트는 Mac/Linux에서 Chrome을 백그라운드로 조작하는 기능과 발신자 허용 목록을 적용한 Email Channel을 추가한다. Windows 브라우저 연동은 지원하지 않는다. 화면 공유를 동반한 음성과 승인을 받은 백그라운드 배치 작업도 추가됐다.
왜 중요한가: 에이전트가 기존 계정과 원격 작업 접점을 오가며 일할 수 있어 접근 경계가 운영 설계의 일부가 된다. → Alibaba / Qwen AI Lab (source)
추천 논문
AgenticBBO-Bench — 도구가 많아도 일관되게 도움이 되지는 않는다. 유한한 평가 예산 아래 에이전트는 다섯 영역 중 네 영역에서 가장 우수한 수치 최적화 기법을 앞선다. 과제의 의미 정보가 구체적인 사전 지식보다 일관되게 도움이 된다. 도구 접근과 최적화 품질을 구분하기 위해 읽을 만하며, 초록에는 과제별 예산과 상세 비용이 없다. → AgenticBBO-Bench — agents under a finite optimization budget (source)
OneSearch-VL — 시각적 근거에서 답변까지의 연결을 학습한다. 근거 그래프가 데이터 구성, RL, 평가를 이끈다. 저자들이 새로 만든 OneSearch-MI-Bench와 OneSearch-Video-Bench에서 도구를 사용하는 Qwen3-VL-8B 대비 각각 20.2퍼센트포인트와 17.6퍼센트포인트 향상을 보고한다. 추적 가능성을 살펴보기 위해 읽을 만하며, 독립적인 재현과 추론 비용은 열린 문제다. → OneSearch-VL — traceable evidence for visual research (source)
주시할 흐름
- Station: 모의 과학 생태계가 결과를 숨긴 연구 과제 세 개에서 발견 기준의 **62.7%**를 재발견했다. Codex Multiagent-v2는 15.4%, AI Scientist-v2는 **14.4-20.6%**였다. 이는 저자들의 설정 아래 재발견을 측정한 것이며 독립적인 돌파구가 나오는 비율이 아니다. → R&D Automation Index (source)
위키에 새로 추가
업데이트
- Mara Chain: 탈락한 구성을 보존하여 추가 개선에 활용한다. AppWorld에서 저자들은 GEPA보다 65.5% 적은 롤아웃으로 목표 점수에 도달했다. 롤아웃 수만으로 전체 연산량 절감을 확립할 수는 없다. → Agents (LLM Agents) (source)