7 Things That Will Shape the AI Field — July 21, 2026

1. SWE-Pruner Pro — ByteDance는 코딩 LLM (Large Language Models)이 어떤 컨텍스트가 관련이 있는지 이미 내부적으로 인코딩(encode)하고 있음을 보여주었습니다. 모델 자체의 표현(representations)으로부터 가지치기(Pruning)를 수행함으로써 39%의 토큰을 절약하고, 실제로 SWE-Bench 성능을 +3.8% 향상시켰습니다. 외부 분류기(classifiers) 없는 컨텍스트 관리 기술입니다.

2. DeepSearch-World — HKUST가 웹 에이전트(web agents)를 위한 완전한 자기 증류(self-distillation) 파이프라인을 공개했습니다: 420K개의 태스크, 검증 가능한 환경, 교사(teacher) 모델 불필요. 이들의 9B 모델은 순수하게 자기 대국(self-play)만으로 BrowseComp에서 31.2%, GAIA에서 61.5%를 달성했습니다. 환경, 모델, 코드가 모두 공개되었습니다.

3. EvolvingWorld — Tencent는 역할 수행(role-play) 에이전트와 세계 모델(world models)이 57개의 문학적 세계를 가로질러 함께 진화하는 프레임워크를 구축했습니다. 138K개의 지도 학습(supervised) 샘플, 10차원 LLM-as-Judge 평가를 포함합니다. 지속적이고 일관된 장기 시뮬레이션(long-horizon simulation)을 위한 진지한 인프라가 마침내 마련되었습니다.

4. RynnBrain 1.1 — Alibaba DAMO가 체화된 파운데이션 모델(embodied foundation models)을 실제 일반화(generalization) 단계로 밀어붙이고 있습니다. 인지(perception), 계획(planning), 제어(control)를 아우르는 22명의 저자가 참여한 노력으로, 데모와 실제 배포(deployment)를 구분 짓는 통합 시스템 구축의 사례입니다.

5. Apple-π — 비디오 생성 모델을 세계 시뮬레이터(world simulators)로 사용할 수 있을까요? 최고 점수는 0.473입니다. MMLab@NTU의 이 벤치마크는 모델이 정확히 어디에서 실패하는지 진단합니다: 인지(Perception) → 공식화(Formulation) → 추론(Deduction) 병목 현상, 약한 다중 법칙 전이(multi-law transfer), 지속적인 Sim-to-Real 격차. 잔혹하지만 필요한 정직함입니다.

6. GEPO — InternLM이 GRPO 스타일의 강화학습 (RL)에서 미묘하지만 만연한 결함을 수정했습니다: 이질적인 태스크(heterogeneous tasks) 전반에서 엔트로피 체제(entropy regimes)가 달라져 어드밴티지 신호(advantage signals)를 비교할 수 없게 만듭니다. 그룹 엔트로피 제어 비대칭 셰이핑(Group entropy-controlled asymmetric shaping)은 13개 벤치마크에서 일관되게 GRPO를 능가합니다.

7. LLM-as-a-Coach — Microsoft Research가 스칼라 보상(scalar reward)을 경험적 지식(experiential knowledge)으로 대체합니다. 이 "코치(coach)"는 풍부한 텍스트 피드백을 증류(distill)하며, 정책(policy)은 컨텍스트 증류(context distillation)를 통해 이를 내재화합니다. 루브릭(rubric) 기반의 RL보다 성능이 뛰어나고, 일반화 능력이 더 좋으며, 검증 불가능한 태스크에서의 보상 해킹(reward hacking)을 완화합니다.