Figure 1:Youtu-VL achieves competitive performance on both general multimodal tasks and vision-centric tasks.The concentric rings illustrate the capability scope of different models across various ...

오픈소스 월드 모델의 대전환: LingBot-World 심층 분석 - 비디오 생성을 넘어 실시간 상호작용의 시대로 1. 핵심 요약 (Executive Summary) 최근 인공지능 연구의 최전선은 단순히 텍스트나 이미지를 생성하는 것을 넘어, 물리적 세계의 법칙을 이해하고 시뮬레이션하는 ‘월드 모델(World Model)’로 이동하고 있습니다. O...

Figure 1:OverviewofLingBot-VLA. We scale dual-arm robot data collected in the real world for pre-training.LingBot-VLAcan be easily and efficiently transferred to downstream tasks. Moreover, we cond...

1. Executive Summary (핵심 요약) 인공지능 연구의 흐름은 단순한 ‘지식의 저장’에서 ‘도구의 활용(Tool Use)’으로 급격히 이동하고 있습니다. 그러나 기존의 멀티모달 거대언어모델(MLLM)들은 사전에 정의된 도구의 사용법을 암기하거나, 고도로 정제된 지도학습(Supervised Learning) 데이터에 의존하여 새로운 도구에...

1. 핵심 요약 (Executive Summary) 최근 비디오 생성 AI 분야는 Sora, Kling, Gen-3 Alpha와 같은 모델의 등장으로 ‘시각적 경이로움’의 시대를 맞이했습니다. 하지만 여전히 해결되지 않은 숙제가 있습니다. 바로 ‘긴 호흡의 서사(Long-horizon narrative)’를 일관되게 생성하는 능력입니다. 단순한 텍스...

TwinBrainVLA: 범용 VLM의 지능과 로봇 제어의 정밀함을 결합한 비대칭 트랜스포머 아키텍처 심층 분석 1. 핵심 요약 (Executive Summary) 최근 로봇 공학 및 인공지능 분야의 가장 뜨거운 화두는 ‘Embodied AI(체화된 인공지능)’입니다. 그 중심에는 시각 정보를 이해하고 언어 지시를 따르며 물리적 행동을 수행하는 V...

Text-to-Image Diffusion의 새로운 지평: Representation Autoencoders(RAE)를 통한 초거대 DiT 스케일링 심층 분석 1. 핵심 요약 (Executive Summary) 최근 생성형 AI 분야는 Diffusion Transformer(DiT) 구조를 중심으로 급격한 발전을 거듭해 왔습니다. 그러나 기존의 모...

로봇의 언어 이해를 혁신하는 BayesianVLA: Information Collapse 해결과 베이지안 분해 기술의 심층 분석 1. Executive Summary (핵심 요약) 최근 로보틱스 분야에서는 시각(Vision), 언어(Language), 그리고 행동(Action)을 단일 신경망으로 통합한 VLA(Vision-Language-Actio...

HERMES: KV 캐시를 계층적 메모리로 재설계한 실시간 스트리밍 비디오 이해의 새로운 지평 1. 핵심 요약 (Executive Summary) 최근 멀티모달 대규모 언어 모델(MLLM)은 오프라인 비디오 이해 분야에서 비약적인 발전을 이루었으나, 실시간 스트리밍 환경에서의 적용은 여전히 높은 장벽에 가로막혀 있습니다. 기존 방식은 지속적으로 유...

Think3D: 공간적 연쇄 사고(3D CoT)를 통한 다중 모달 지능의 진화 1. Executive Summary (핵심 요약) 최근 GPT-4o, Gemini 1.5 Pro와 같은 시각 언어 모델(Vision-Language Models, VLMs)의 비약적인 발전에도 불구하고, 이들은 여전히 ‘2D 인식자(2D Perceivers)’라는 근본...