오늘 Hugging Face에서 가장 핫한 10개의 AI 논문: Open LLM, Agent, Robotics, DataPrep 및 Video Generation

오늘 Hugging Face의 논문 순위는 AI의 현재 방향성을 매우 명확하게 보여줍니다: 더 강력해진 오픈 모델 (Open Model), 더 실용적인 에이전트 (Agent), 더 전문화된 벤치마크 (Benchmark), 그리고 점점 더 중요해지는 훈련/추론 효율성 최적화입니다. 다음은 가장 많은 추천(upvote)을 받은 10개의 논문을 정리한 것이며, 각 논문에 대해 다음 4가지 질문에 집중했습니다:

• 문제 (Problem)
• 아이디어 (Idea)
• 차별점 (Novelty)
• 실제 응용 (Practical Application)

1) Kimi K3: Open Frontier Intelligence

논문 (Paper): 2607.24653

GitHub: https://github.com/MoonshotAI/Kimi-K3

프로젝트 (Project): https://www.kimi.com/blog/kimi-k3

문제

현재의 오픈 모델 (Open Model)들은 매우 멀리 발전해 왔지만, 긴 추론 (Reasoning), 코딩 (Coding), 도구 사용 (Tool use), 그리고 대규모 규모에서의 일반적인 작업 능력과 같은 측면에서는 여전히 프런티어 폐쇄형 모델 (Frontier Proprietary Model)과의 격차가 존재합니다.

아이디어

Kimi K3는 **“프런티어 지능 (Frontier Intelligence)”**을 오픈 웨이트 (Open-weight)/오픈 생태계 (Open Ecosystem)로 가져오려는 노력으로 소개되었습니다. 가능한 접근 방식은 다음과 같은 요소들의 결합입니다:

• 대규모 사전 훈련 (Pretraining),
• 고품질 지시어 튜닝 (Instruction Tuning),
• 추론/에이전트적 행동 (Reasoning/Agentic behaviors) 강화,
• 실제 배포를 위한 추론 (Inference) 최적화.

차별점

이 논문의 핵심은 그 야망에 있습니다: 단순히 “꽤 괜찮은” 오픈 모델을 만드는 것이 아니라, **현재 AI 능력의 최상단 (Frontier)**에서 경쟁하는 것을 목표로 합니다. 만약 벤치마크 (Benchmark)가 이를 입증한다면, 이는 오픈 소스 커뮤니티가 폐쇄형 모델과의 격차를 줄이는 데 중요한 진전이 될 수 있습니다.

실제 응용

• 기업 내부용 비즈니스 어시스턴트
• 온프레미스 (On-premise) 코딩 어시스턴트
• 데이터 제어가 필요한 환경에서의 도구 사용 에이전트 (Agent)
• 폐쇄형 API에 의존하지 않는 AI 제품 구축 플랫폼

2) JarvisHub: An Open Harness for Canvas-Native Multimodal Creative Agents

Paper: 2607.23588

GitHub: https://github.com/LYL1015/JarvisHub

Project: https://www.jarvishub.site/

문제 (Problem)

현재의 멀티모달 에이전트 (Multimodal Agent)는 보고, 쓰고, 들을 수 있지만, 디자인, 캔버스 편집, 레이아웃 구성, 여러 도구의 결합과 같은 창의적인 작업에 들어설 때는 이를 훈련하고 평가하기 위한 **표준 하네스 (Standard Harness)**가 여전히 부족합니다.

아이디어 (Idea)

JarvisHub는 **캔버스 네이티브 창의적 에이전트 (Canvas-native creative agents)**를 위한 오픈 환경/하네스를 구축합니다. 에이전트가 단순히 텍스트로 답변하거나 이미지를 한 번 생성하는 것에 그치지 않고, 캔버스 위에서 직접 조작하고, 반복적으로 수정하며, 멀티모달 (Multimodal) 방식으로 협업하여 마치 "창의적 코파일럿 (Creative Copilot)"처럼 작동할 수 있게 합니다.

차별점 (Novelty)

• 텍스트 네이티브 (Text-native) 대신 **캔버스 네이티브 상호작용 (Canvas-native interaction)**을 강조합니다.
• QA(질의응답)나 브라우저 자동화 (Browser automation)에 치중된 기존 에이전트 벤치마크와 달리, **창의적 워크플로우 (Creative workflow)**에 집중합니다.
• 멀티모달 창의적 에이전트를 벤치마킹하기 위한 공통 인프라 역할을 할 수 있습니다.

실제 응용 분야 (Real-world Applications)

• 마케팅 디자인 어시스턴트
• 슬라이드/포스터/배너의 반자동 생성
• 디자이너와의 공동 창작
• 여러 차례의 피드백 루프에 따라 이미지 콘텐츠 편집을 지원하는 AI 시스템

3) From Proprietary to Open-Source: Bridging the Distribution Gap via Multi-Agent Protocol Distillation in Agentic Search

Paper: 2607.24280

문제 (Problem)

에이전틱 검색 (Agentic Search)에서 폐쇄형 모델 (Proprietary model)은 풍부한 데이터, 도구 및 추론 프로세스 덕분에 더 잘 작동하는 경우가 많습니다. 오픈 소스 모델 (Open-source model)로 전환할 때 흔히 **분포 격차 (Distribution gap)**가 발생하는데, 이는 오픈 모델이 폐쇄형 시스템의 작업 해결 행동을 재현하지 못하는 현상을 의미합니다.

아이디어 (Idea)

본 논문은 **멀티 에이전트 프로토콜 증류 (Multi-agent protocol distillation)**를 사용할 것을 제안합니다. 즉, 최종 답변만을 증류 (Distill)하는 것이 아니라, 여러 에이전트 간의 상호작용 프로토콜 (Interaction protocol), 즉 누가 무엇을 검색하고, 어떻게 반박하며, 정보를 어떻게 종합하는지까지 모두 증류하는 방식입니다.

차별점 (Novelty)

매우 흥미로운 점은 에이전트 (Agent) 능력을 단순히 "모델의 지식" 내에 국한하지 않고, 협업 프로토콜 (protocol phối hợp) 내에 있다고 보는 것입니다. 증류 프로토콜 (Distill protocol)은 오픈 모델 (Open model)이 단순히 출력값 (Output)을 흉내 내는 대신, 더 강력한 시스템과 유사한 문제 해결 구조를 학습할 수 있도록 돕습니다.

실질적 응용 (Practical Applications)

• 오픈 소스 검색 에이전트 (Search agent) 구축
• 검증 프로세스가 개선된 연구 보조 도구
• 폐쇄형 플랫폼 대신 검색 에이전트를 내재화하려는 기업
• 더 낮은 비용의 멀티 에이전트 (Multi-agent) 시스템 학습

4) K12-KGraph: 교육용 LLM의 벤치마킹 및 학습을 위한 커리큘럼 정렬 지식 그래프

Paper: 2605.09635

GitHub: https://github.com/haolpku/K12-Dataset

Project: https://haolpku.github.io/K12-KGraph-page/

문제 정의 (Problem)

교육용 LLM (Large Language Model)은 명확한 커리큘럼 구조가 부족한 경우가 많습니다. 개별 질문에는 올바르게 답변할 수 있을지 모르지만, 선행 관계 (Prerequisite relationship), 지식의 흐름 (Knowledge flow), 또는 학년별 적합성을 확실히 파악하지 못합니다.

아이디어 (Idea)

K12-KGraph는 교육용 LLM의 벤치마킹 (Benchmarking) 및 학습을 위해 **K-12 커리큘럼에 밀착된 지식 그래프 (Knowledge graph)**를 구축합니다. 지식은 더 이상 파편화된 질문 집합이 아니라, 개념, 관계, 그리고 학습 경로가 조직된 그래프 형태로 구성됩니다.

차별점 (Novelty)

• **초중고 교육 과정 (K-12 curriculum)**과 직접적으로 정렬.
• 단순 QA 데이터셋 대신 지식 그래프 (Knowledge graph) 사용.
• 교육용 모델의 **평가 (Evaluation)**와 **학습 (Training)**을 모두 지원.

실질적 응용 (Practical Applications)

• 학년 및 과목별 AI 튜터
• 개인화된 학습 경로 추천 시스템
• 학생의 지식 공백 (Knowledge gap) 탐지
• 학습 목표 표준에 부합하는 연습 문제 생성

5) Progress Reward Modeling for Robotic Learning: A Comprehensive Survey

Paper: 2607.21655

GitHub: https://github.com/sterzhang/Awesome-Progress-Models

문제 정의 (Problem)

로보틱스 (Robotics)에서 보상 희소성 (reward sparse)은 매우 어려운 문제입니다. 로봇은 행동이 끝난 시점에서만 "성공/실패"를 알 수 있기 때문에, 학습이 느리고 불안정합니다. 따라서 **단계별 진행 정도 (step-by-step progress)**를 측정하는 방법이 필요합니다.

아이디어

이 논문은 **진행 보상 모델링 (progress reward modeling)**에 관한 서베이 (survey) 논문입니다. 즉, 최종 목적지에서만 점수를 매기는 대신, 로봇이 목표에 얼마나 가까워지고 있는지를 반영하는 보상 신호를 구축하는 방법을 다룹니다.

차별점

서베이 논문인 만큼, 다음과 같은 체계적인 분류가 핵심입니다:

• 진행 신호 (progress signal)의 종류
• 비디오 (video)/시연 (demonstration)/상태 (state)로부터 보상을 학습하는 방법
• 장기 작업 조작 (long-horizon manipulation)에서의 응용
• 평가 및 일반화 (generalization)의 과제

실질적 응용

• 물체 집기 및 배치 로봇
• 공장 내 다단계 조작 로봇
• 시연 (demonstration)으로부터의 더 효율적인 학습
• 로봇 강화학습 (reinforcement learning)의 샘플 효율성 (sample efficiency) 향상

6) DataPrep-Bench: Benchmarking LLMs as Training Data Preparators

Paper: 2607.20465

GitHub: https://github.com/OpenDCAI/Data-Preparation-Bench

Project: https://datapreparationbench.github.io/

문제 정의 (Problem)

점점 더 많은 사람들이 **훈련 데이터 준비 (training data preparation)**를 위해 LLM을 사용하고 있습니다. 데이터 정제 (cleaning), 라벨링 (labeling), 필터링 (filtering), 표준화 (normalization), 재작성 (rewriting), 합성 데이터 생성 (synthetic data generation) 등이 이에 해당합니다. 하지만 LLM을 "데이터 준비자 (data preparator)" 역할로 평가할 수 있는 적절한 벤치마크 (benchmark)가 아직 없습니다.

아이디어

DataPrep-Bench는 단순히 QA나 코딩 능력을 측정하는 대신, LLM의 데이터 준비 능력을 전문적으로 평가하기 위한 벤치마크를 제시합니다. 목표는 모델이 더 나은 훈련 데이터를 생성하는 데 도움이 되는지를 평가하는 것입니다.

차별점

• 초점을 "모델로서의 LLM"에서 **"데이터 엔지니어로서의 LLM"**으로 전환했습니다.
• 데이터 중심 AI (data-centric AI) 워크플로우에 따라 평가합니다.
• 현재 많은 파이프라인 (pipeline)이 모델 아키텍처 자체보다 데이터 구축 단계에 의존하고 있다는 점에서 실질적인 가치가 매우 높습니다.

실질적 응용

• 데이터셋 자동 정제 (cleaning)
• 파인튜닝 (fine-tuning) 전 어노테이션 (annotation) 표준화
• 대규모 웹 데이터 필터링
• 통제된 합성 데이터 (synthetic data) 파이프라인 구축

7) StateAct: Long-Horizon Computer-Use Agent를 위한 픽셀 이전의 프로그램 상태 (Program State, before Pixels)

Paper: 2607.22798

문제 (Problem)

컴퓨터 사용 에이전트 (Computer-use agent)는 대개 스크린샷에 크게 의존합니다. 이는 자원 소모가 크고, 노이즈에 취약하며, 여러 단계가 필요한 장기 작업 (long-horizon tasks)으로 확장하기 어렵습니다. 구조화된 환경의 경우, 단순히 픽셀 (pixel)만 보는 것은 너무 간접적인 방식일 수 있습니다.

아이디어 (Idea)

StateAct는 **픽셀 이전에 프로그램 상태 (program state before pixels)**를 우선시할 것을 제안합니다. 즉, 에이전트가 스크린샷에 의존하기 전에 애플리케이션/인터페이스/시스템의 구조화된 상태를 활용해야 한다는 것입니다.

차별점 (Novelty)

• 현재의 일반적인 사고방식을 "비전 우선 (vision-first)"에서 **"상태 우선 (state-first)"**로 전환합니다.
• 상태 추적과 환경 변수 파악이 순수한 이미지 인식보다 더 중요한 장기 작업 (long-horizon tasks)에 매우 적합합니다.
• 더 효율적이고 신뢰할 수 있는 에이전트 설계 방향을 제시합니다.

실제 응용 (Practical Applications)

• 기업용 소프트웨어 조작 에이전트
• 사무 워크플로우 자동화
• 인터페이스/앱 테스트
• 더 낮은 추론 비용으로 데스크톱/웹에서의 반복 작업 수행

8) SANA-Video 2.0: 효율적인 비디오 생성을 위한 Attention Residuals를 결합한 하이브리드 선형 어텐션 (Hybrid Linear Attention with Attention Residuals)

Paper: 2607.21553

Project: https://nvlabs.github.io/Sana/Video2

문제 (Problem)

비디오 생성 (Video generation)은 긴 시공간 시퀀스 (spatio-temporal sequences)에 대한 어텐션 (attention) 때문에 메모리와 연산량 (compute) 소모가 매우 큽니다. 비디오 모델을 확장하면서도 효율성을 유지하는 것이 핵심 과제입니다.

아이디어 (Idea)

SANA-Video 2.0은 표현 품질을 크게 떨어뜨리지 않으면서도 계산 효율성을 유지하기 위해 **어텐션 잔차 (attention residuals)**와 결합된 **하이브리드 선형 어텐션 (hybrid linear attention)**을 제안합니다.

차별점 (Novelty)

• **효율성 (efficiency)**과 품질 (quality) 사이의 균형을 맞추기 위해 선형 어텐션 (linear attention)과 잔차 설계 (residual design)를 결합했습니다.
• 단순히 무차별적인 연산량 (brute-force compute)을 늘리는 대신, 더 실용적인 비디오 생성을 지향합니다.
• 고해상도 또는 긴 길이의 비디오 모델에 상당한 기여를 할 수 있습니다.

실제 응용 (Practical Applications)

• 더 빠른 text-to-video
• 마케팅 비디오, 컨셉 비디오 제작
• 게임/영화 프리비주얼라이제이션 (pre-visualization)을 위한 장면 시뮬레이션
• 비디오 파운데이션 모델 (video foundation model)의 추론 (inference)/학습 (training) 비용 절감

9) Rethinking Classifier-Free Guidance in On-Policy Diffusion Distillation

Paper: 2607.24731

GitHub: https://github.com/rethinking-cfg-opd/Rethinking-CFG-OPD

Project: https://rethinking-cfg-opd.github.io

문제 정의 (Problem)

Classifier-Free Guidance (CFG)는 디퓨전 (diffusion)의 핵심 기술이지만, on-policy diffusion distillation에 적용될 때 전통적인 CFG 사용 방식은 더 이상 최적이지 않을 수 있습니다.

아이디어 (Idea)

본 논문은 on-policy distillation 과정에서 CFG의 역할을 재검토하며, 현재의 가이던스 (guidance) 적용 방식이 분포 편향 (distribution shift)을 일으키거나, 불안정성을 초래하거나, 효율성을 떨어뜨릴 수 있음을 지적합니다.

차별점 (Novelty)

• 단순히 모델을 개선하는 것에 그치지 않고, 디퓨전에서 거의 기본값처럼 여겨지는 가정을 의심합니다.
• 품질을 유지하면서 더 빠르게 샘플을 생성하는 것이 목표인 distillation 맥락에 집중합니다.
• 학습 레시피 (training recipe)의 작은 변화가 광범위하게 적용될 수 있기 때문에 큰 영향력을 미칠 수 있는 유형의 논문입니다.

실제 응용 (Practical Applications)

• 이미지 생성 가속화
• 엣지 (edge)/실시간 (real-time) 배포를 위한 소형 모델 증류 (distill)
• 창작 제품 내 디퓨전 시스템의 지연 시간 (latency) 감소
• 증류된 생성 모델 (distilled generative model) 학습 시 안정성 향상

10) Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills

Paper: 2607.22529

GitHub: https://github.com/Qwen-Applications/skill-self-play

문제 정의 (Problem)

LLM은 대개 정적 데이터셋 (static dataset)으로부터 기술을 학습합니다. 하지만 고차원적인 능력, 특히 계획 (planning), 도구 사용 (tool use), 분해 (decomposition) 등은 새로운 기술이 다른 기술에 대한 수요를 창출하는 동적인 발전 과정이 필요합니다.

아이디어 (Idea)

Skill Self-Play는 기술 공동 진화 (co-evolving skills) 메커니즘을 활용합니다: 모델 또는 에이전트 시스템이 스스로 새로운 도전 과제를 생성하고, 새로운 기술을 학습하며, 그 기술들을 사용하여 다시 능력 범위를 확장해 나가는 방식입니다.

차별점 (Novelty)

• Self-play 정신을 LLM의 기술 개발에 적용했습니다.
• 고정된 벤치마크 (benchmark) 상에서 최적화하는 대신, 모델이 스스로 커리큘럼 (curriculum)을 생성할 수 있습니다.
• 능력이 초기 데이터에 의해 제한되지 않는 오픈 엔드 학습 (open-ended learning) 아이디어와 부합합니다.

실제 응용 (Practical Applications)

• 더 다재다능한 에이전트 (agent) 훈련
• 도구 사용 (tool-use) 및 계획 (planning) 능력 향상
• 사후 학습 (post-training)을 위한 자동 커리큘럼 데이터 생성
• 새로운 작업에 따라 능력을 스스로 확장할 수 있는 시스템 구축

더 넓은 관점: 오늘 선정된 논문들에서 보이는 4가지 주요 트렌드

1. 오픈 모델 (Open model)이 "프런티어 (frontier)" 영역으로 진입 중

Kimi K3와 에이전틱 검색 (agentic search)에서의 증류 (distillation) 관련 논문은 오픈 소스 커뮤니티가 더 이상 폐쇄형 모델을 단순히 뒤쫓는 것에 그치지 않고, 능력과 추론 과정 전체를 재현하는 방법을 찾고 있음을 보여줍니다.

2. 에이전트는 더 이상 단순한 채팅이 아니다