sy/dev

Series

논문 리뷰

19 posts in this series

  1. 1

    AI 엔지니어 필독 논문 10개 — ① 기초 아키텍처 (Attention, VAE, GANs)

    Paper Review2026-06-05 09:0011 min read

    AI 면접 단골 논문 10개를 정리한 시리즈 첫 편. Attention Is All You Need, VAE, GANs가 어떻게 현대 AI의 기초를 다졌는지 이해한다.

  2. 2

    AI 엔지니어 필독 논문 10개 — ② NLP 혁명과 멀티모달 (BERT, GPT, ViT, DDPM)

    Paper Review2026-06-06 09:0010 min read

    BERT와 GPT로 시작된 언어 모델 시대. 그리고 Transformer를 이미지와 생성 모델로 확장한 ViT와 DDPM이 어떻게 AI 업계를 바꿨는지.

  3. 3

    AI 엔지니어 필독 논문 10개 — ③ 실무 적용과 학술의 속도 (RAG, LoRA, PEFT)

    Paper Review2026-06-07 09:0010 min read

    대형 언어 모델 시대, 학술은 이제 Nature가 아닌 arXiv에서 일어난다. RAG와 PEFT가 어떻게 실무 AI 엔지니어의 필수 무기가 되었는지, 논문 3편으로 정리하기.

  4. 4

    AI 엔지니어 필독 논문 10개 — ③ 실무 적용과 학술의 속도 (RAG, LoRA, PEFT)

    Paper Review2026-05-25 09:0014 min read

    큰 모델을 효율적으로 운영하고, 환각을 줄이고, 제한된 리소스에서 학습하는 3가지 실무 기술. 그리고 AI 논문이 Nature/Science를 무시하고 arXiv에서 업계로 직결되는 이유.

  5. 5

    거대 비전-언어 모델은 단 3개의 Attention Head로 충분하다

    Paper Review2026-06-09 12:5010 min read

    Your Large Vision-Language Model Only Needs A Few Attention Heads For Visual Grounding — 텍스트로 지시한 물체를 이미지에서 찾는 작업, 수천 개의 Attention Head 중 단 3개만으로 가능하다는 놀라운 발견.

  6. 6

    [논문 리뷰] SEISMIC — Learned Sparse Retrieval을 마이크로초 단위로 끌어내리기

    Paper Review2026-04-30 22:3013 min read

    SPLADE 같은 Learned Sparse Retrieval은 좋지만 느렸다. 1차 검색에 100ms. SEISMIC은 'Concentration of Importance' 한 가지 관찰에서 출발해 같은 정확도를 0.3ms에 — 100배 이상 빠르게 만든다. SIGIR 2024 best paper 후보로 꼽힌 IR 인덱스 구조.

  7. 7

    [논문 리뷰] EnterpriseRAG-Bench: 사내 지식 RAG 벤치마크

    Paper Review2026-05-05 16:2016 min read

    위키·뉴스 데이터에 치우쳐 있던 RAG 벤치마크의 한계를 지적하고, Slack·Gmail·Jira 등 9종 사내 소스를 모사한 50만 문서 규모의 합성 코퍼스와 500개 질문셋을 제안한 논문.

  8. 8

    [논문 리뷰] A-RAG: Agentic RAG가 2026년의 기본기가 된 이유

    Paper Review2026-05-19 09:006 min read

    단일 retriever→generator 파이프라인이 한계를 보이는 가운데, 질의 분해·병렬 검색·검증·합성을 에이전트가 분담하는 A-RAG의 계층적 검색 인터페이스를 살펴본다.

  9. 9

    [논문 리뷰] Code as Agent Harness — LLM 에이전트의 계획·실행·검증 루프

    Paper Review2026-05-21 09:008 min read

    Meta·Stanford·UIUC 40명 연구진이 제안한 에이전트 하네스 아키텍처. LLM을 '천재적 이야기꾼이지만 끔찍한 몽상가'로 보고, 3계층 구조로 계획-실행-검증 루프를 강제해 신뢰성을 확보한다.

  10. 10

    [논문 리뷰] Scaling Laws for Agent Harnesses — 피드백 계산으로 에이전트 성능 확장하기

    Paper Review2026-06-14 09:0012 min read

    Zhang et al. 연구팀이 제시한 에이전트 하네스의 스케일링 법칙. 더 큰 모델보다 '효과적인 피드백 계산'이 에이전트 성능을 지수적으로 향상시킨다는 것을 실증한다.

  11. 11

    [논문 리뷰] DeepSeek-V4 — 1M Context에서 KV Cache 10% 수준으로 압축한 Hybrid Attention

    Paper Review2026-05-22 09:0010 min read

    DeepSeek-V4는 기존 Multi-Head Attention의 개념을 바탕으로, Compressed Sparse Attention(CSA)와 Heavily Compressed Attention(HCA)을 결합한 Hybrid Attention으로 1M token context를 지원하면서도 KV cache를 90% 감축했다. 이전 Attention 이해하기 시리즈의 Q/K/V와 Multi-Head Attention 개념을 이어 DeepSeek-V4가 어떻게 구현했는지 살펴본다.

  12. 12

    [논문 리뷰] HarnessX — 에이전트 하네스를 실행 트레이스로 진화시키기

    Paper Review2026-06-20 09:0022 min read

    Xiaomi 연구진의 HarnessX 논문을 바탕으로, 프롬프트·도구·메모리·제어 흐름으로 구성된 에이전트 하네스를 1급 객체로 만들고 실행 트레이스로 자동 진화시키는 방법을 정리한다.

  13. 13

    [논문 리뷰] HyperTool — 에이전트의 도구 호출 단위를 다시 설계하기

    Paper Review2026-06-15 09:0014 min read

    HyperTool은 반복적인 step-wise tool call을 하나의 실행 가능한 도구 단위로 묶어 에이전트의 정확도와 효율을 높인다.

  14. 14

    [논문 리뷰] Consensus is Strategically Insufficient — 합의보다 중요한 것은 불일치의 구조다

    Paper Review2026-06-17 09:0020 min read

    LLM 멀티에이전트 시스템에서 disagreement를 제거할 노이즈가 아니라 routing signal로 다루자는 논문. reasoning trace와 결론의 일치 여부를 조합해 네 가지 symbolic state를 만들고, 자동 결정·설명 보존·추가 맥락 요청·사람 escalation으로 연결한다.

  15. 15

    [논문 리뷰] Do Language Models Need Sleep? — 긴 컨텍스트를 잠자는 동안 정리하는 법

    Paper Review2026-06-24 09:0022 min read

    LLM이 긴 컨텍스트를 계속 들고 있는 대신, 오프라인 recurrent pass로 fast weights에 기억을 정리하면 온라인 추론 지연을 늘리지 않고 깊은 reasoning 성능을 높일 수 있다는 논문을 정리한다.

  16. 16

    [논문 리뷰] K-BrowseComp — 한국어 웹 브라우징 에이전트는 왜 어려운가

    Paper Review2026-06-26 09:0018 min read

    K-BrowseComp는 한국 맥락의 웹 브라우징 문제로 에이전트의 검색, 증거 연결, 상태 보존 능력을 평가하는 벤치마크다.

  17. 17

    [논문 리뷰] BINEVAL — LLM 평가를 점수가 아니라 질문으로 쪼개기

    Paper Review2026-06-29 09:0017 min read

    BINEVAL은 LLM 평가 기준을 원자적인 yes/no 질문으로 분해해, 불투명한 단일 점수 대신 디버깅 가능한 평가 신호와 prompt 개선 루프를 만든다.

  18. 18

    [논문 리뷰] Generative Agents에서 MemGPT, Mem0까지 — 에이전트 메모리는 어떻게 진화했나

    Paper Review2026-06-29 09:0020 min read

    Generative Agents, MemGPT, Mem0를 한 흐름으로 읽으면 에이전트 메모리의 진화가 보인다. 시뮬레이션 속 기억에서 시작해, OS식 가상 컨텍스트를 거쳐, 제품용 장기 메모리 레이어로 이동하는 과정이다.

  19. 19

    [논문 리뷰] Dense Retriever의 위치 편향은 타고나는가, 학습되는가

    Paper Review2026-07-04 09:0020 min read

    Dense retriever가 문서 앞부분 정보를 선호하는 현상은 모델 구조만의 문제가 아니라, fine-tuning 데이터에서 정답 근거가 어디에 있었는지에 크게 좌우된다.