지속적인 세계 모델(Persistent world models)은 에이전트의 센서가 작동하지 않을 때도 장기적인 과제(long-horizon tasks)를 일관성 있게 유지하는 역할을 합니다. 선형 시간 어텐션(Linear temporal attention)과 연관 그래프 메모리(associative graph memories)는 체화된 시스템(embodied systems)이 이러한 '암흑 간격(dark intervals)' 동안 상태를 기록하고 읽을 수 있는 방법을 제공하며, 오랫동안 시뮬레이션-실제(simulation-to-real) 파이프라인을 괴롭혀 온 드리프트(drift) 현상을 제거합니다.

이러한 발전 이전에는 세계 모델들이 카메라 추적 렌더러처럼 작동했습니다. 즉, 관찰되는 동안은 그럴듯한 프레임을 생성할 수 있었지만, 시점(viewpoint)이 바뀌는 순간 무너졌습니다. 23개 모델의 9,600개 비디오에 대한 분석 결과, 이미지 품질이나 모델 크기에 관계없이 재관찰된 상태가 거의 정확하지 않은 체계적인 “보존-접근-재관찰-일관성(preservation-access-re-observed-consistency)” 간극이 나타났습니다 [].

Kairos는 하이브리드 선형 시간 어텐션으로 이 간극을 폭발적인 컴퓨팅 증가 없이 메울 수 있음을 보여줍니다. 이의 게이티드 선형 어텐션(gated linear attention)은 O(n) 시간에 작동하여, 5초짜리 비디오를 NVIDIA A800에서 약 11.7초 만에 처리할 수 있게 합니다. 이는 이차 시간 복잡도(quadratic attention)로는 불가능했을 실시간 엣지 추론(real-time edge inference)입니다 [].

MRAgent는 그래프 구조의 에피소드 메모리(graph-structured episodic memory)가 동일한 지속성을 저렴하게 만들 수 있음을 보여줍니다. 추론을 메모리 접근에 통합함으로써, 이 모델은 “프롬프트 토큰 수를 118k로 줄여 A-Mem 같은 기준선 대비 크게 감소시켰다(632k)”고 보고했습니다. 이는 표현력을 유지하면서 실행 비용을 절감하는 81%의 감소율입니다 [].

이러한 새로운 구성 요소들이 만능 해결책(silver bullet)은 아닙니다. Kairos는 여전히 슬라이딩 윈도우(sliding-window)와 확장된 윈도우(dilated windows)에 의존하므로, 윈도우 길이를 초과하는 이벤트는 잘릴 수 있습니다. 또한 MRAgent의 재구성 루프(reconstruction loop)는 그래프 노드 수에 따라 증가하여, 진정으로 개방형인 생애 주기(open-ended lifespans)로의 확장성에 대한 우려를 제기합니다. 해당 논문들은 이러한 설계 트레이드오프(design trade-offs)를 논하지만, 완전히 무한한 지속성을 위한 특정 해결책을 주장하지는 않습니다.

만약 지속적인 상태(persistent state)가 누락된 조각이라면, 커뮤니티의 평가 스위트(evaluation suite) 또한 이를 반영해야 합니다. WRBench의 3단계 진단—개입(intervention), 연속성(continuity), 그리고 재관찰된 상태의 정확성(re-observed-state correctness)—은 모든 월드 모델(world-model) 롤아웃(rollout)의 기본 테스트가 되어야 하며, 개발자들이 시각적 충실도(visual fidelity)뿐만 아니라 아무도 보고 있지 않을 때도 세계를 계속 움직이게 만드는 능력을 측정하도록 강제해야 합니다.

참고 문헌

1. Current World Models Lack a Persistent State Core
2. Kairos: A Native World Model Stack for Physical AI
3. Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents