문제 풀이 AI가 답만 내는 것이 아니라, 풀이 과정과 단위까지 따로 검산하도록 만든 연구다. 무엇이 문제였나 — AI가 맞는 답을 말해도 풀이가 엉터리일 수 있고, 그럴듯한 설명이 항상 믿을 만한 것은 아니다. 어떻게 풀었나 — 이 연구는 문제 종류에 따라 논리 문제는 논리 검산기로, 물리 문제는 공식과 단위를 확인하는 계산기로 다시 점검하게 했다. 그래서 뭐가 좋아졌나 — 그 결과 정답률은 거의 비슷하게 유지하면서, 풀이 과정을 더 자세히 보여주는 능력이 크게 좋아졌다. ...

핵심 요약 MAPS 가이드는 Claude Code를 단순한 대화 도구가 아니라 파일 탐색, 상시 실행, 예약 작업, 현황 표시를 잇는 개인 AI 운영체제로 구성하는 방법을 제시한다. 핵심은 Memory, Agent, Pulse, Screen의 4개 층을 정해진 순서로 만들고, 각 단계의 결과를 사용자가 소유한 markdown 파일과 실행 기록으로 남기는 것이다. 저자의 작업 공간 실험에서는 메모리 지도를 썼을 때 같은 질문의 처리 시간이 1분 2초에서 30초로 줄고 토큰 사용량도 27.7k에서 16.8k로 감소했다. 독자는 화려한 화면부터 만드는 대신 정보의 위치, 실행 권한, 실패 한도부터 설계하게 된다. ...

실제 사람들의 스마트워치 기록과 혈액 검사 자료로 만든 4,084개 건강 퀴즈로 AI가 개인 건강 데이터를 제대로 읽는지 시험한 연구 무엇이 문제였나 — 스마트워치는 매일 심박, 수면, 걸음 수를 모으지만 AI가 그 긴 기록을 제대로 해석하는지는 잘 검증되지 않았다. 어떻게 풀었나 — 연구진은 200명 실제 사용자의 기록으로 10지선다형 문제 4,084개를 만들고 14개 AI 모델을 비교했다. 그래서 뭐가 좋아졌나 — 가장 좋은 모델도 72.9%였고 대부분은 60%를 넘지 못해, 실제 기록을 계산하고 해석하는 일이 아직 어렵다는 점을 보였다. ...

AI가 코드를 고칠 때, 자기가 만든 엉성한 테스트로 자기를 통과시킬 수 있으니 테스트 만드는 역할과 코드 고치는 역할을 나누고 테스트를 중간에 못 바꾸게 하자는 논문이다. 무엇이 문제였나 — 먼저 한 에이전트가 문제를 확인할 테스트를 만든다. 어떻게 풀었나 — 그 테스트가 버그 있는 코드에서는 실패하는지 확인한 뒤 고정한다. 그래서 뭐가 좋아졌나 — 다른 에이전트는 그 테스트 결과를 보며 코드만 고치고, 최종 정답 여부는 숨겨진 공식 평가가 판단한다. ...

LLM이 긴 문서를 못 읽는 문제를, 텍스트를 잘라 여러 LLM에 동시에 읽히고 요약하게 한 뒤 그 요약들을 트리 모양으로 합치는 ‘컨볼루션 메모리’로 푼다. 무엇이 문제였나 — 기존 메모리 에이전트는 문서를 한 줄로 순차 읽기 때문에 느리고, RL로 학습한 에이전트는 학습 데이터에만 잘 답하는 과적합 문제가 있다. 어떻게 풀었나 — CNN에서 영감을 받아 LLM을 ‘의미 필터’로 쓰고, 윈도우를 겹쳐 5회 스캔(stride 1,600/window 8,000)해 경계 손실을 없애며, 여러 하위 질문으로 쪼개 병렬 채널에서 따로 추적한다. 결정적 원문은 요약 없이 최종 단계로 직송한다. 그래서 뭐가 좋아졌나 — 지연이 O(N)에서 O(log N)으로 줄고, 백만 토큰 분포 외 데이터에서도 RL 기반 에이전트보다 정확하다. ...

사용자의 정보를 11가지 종류로 나누고, 각 종류마다 다르게 적용되는 ‘잊는 규칙’을 만들어 챗봇이 옛 정보나 바뀐 정보를 답하지 않게 하는 시스템이다. 무엇이 문제였나 — 챗봇이 사용자의 모든 정보를 똑같이 다루면서 옛날 취향이나 끝난 약속을 계속 기억하고 답해, 대화가 길어질수록 어긋났어요. 어떻게 풀었나 — 각 정보를 11가지 행동 카테고리(신상, 관계, 취향, 약속, 취미 등)로 분류하고, 카테고리마다 다르게 망각·교체·만료 규칙을 명확한 수식으로 자동 적용했어요. 그래서 뭐가 좋아졌나 — 거짓 정보를 만들어내는 비율이 절반으로 줄었고(전체 쿼리 기준 13.0% vs Mem0 32.2%), 맞는 답변 비율은 31.2%로 12.6%p 늘었어요. ...

병원 데이터를 한곳에 모으지 않고도 X-ray와 진료 메모를 함께 써서 모델을 학습할 수 있는지 시험한 연구다. 무엇이 문제였나 — 각 병원은 자기 데이터를 그대로 보관하고, 학습된 모델 업데이트만 서버와 주고받는다. 어떻게 풀었나 — 연구진은 실제 환자 기록 대신 합성 메모를 만들고 공개 흉부 X-ray와 클래스 단위로 짝지어 여러 학습 방식을 비교했다. 그래서 뭐가 좋아졌나 — 영상과 메모를 함께 쓰면 점수는 올랐지만, 병원마다 환자 종류가 심하게 다르면 성능이 크게 흔들렸고 통신 비용도 커졌다. ...

메모리 셀 하나에 작은 수도꼭지와 큰 수도꼭지를 함께 달아, 조심스럽게 쓸 때와 확실히 지울 때를 따로 맡긴 칩 설계다. 무엇이 문제였나 — RRAM은 값을 쓸 때는 전류를 조금씩 조절해야 하고, 값을 지울 때는 충분히 큰 힘이 필요하다. 어떻게 풀었나 — 이 논문은 한 셀에 트랜지스터 두 개를 붙여 작은 쪽은 쓰기, 큰 쪽은 지우기에 쓰면 두 요구를 함께 만족할 수 있음을 보였다. 그래서 뭐가 좋아졌나 — 그 결과 여러 단계의 저항값을 더 촘촘히 만들고, 메모리 안에서 곱하고 더하는 AI 계산도 더 정확하게 수행했다. ...

AI가 논문에 인용을 붙일 때, 단어가 비슷한 논문이 아니라 그 문장을 실제로 뒷받침하는 논문을 고르게 만든 연구다. 무엇이 문제였나 — 문제: 기존 인용 추천은 실제 존재하는 논문을 가져오더라도, 그 논문이 문장의 주장을 제대로 뒷받침하지 못하는 경우가 많았다. 어떻게 풀었나 — 해결: ReCite는 먼저 인용이 필요한 위치를 찾고, 왜 인용이 필요한지 파악한 뒤, 후보 논문이 그 주장과 논리적으로 맞는지 확인한다. 맞지 않으면 검색어를 고쳐 다시 찾는다. 그래서 뭐가 좋아졌나 — 효과: 4B 규모 모델로 strict F1 39.15%, lenient F1 55.14%를 기록해 훨씬 큰 생성 모델과 일반 에이전트보다 좋은 인용 정확도를 보였다. ...