🤖
0 in / 0 out / 0 total tokens
비디오 월드모델이 이제 '룰'을 지킨다는 논문이 나왔다. 게임 서버 아키텍처를 만지는 입장에서 이건 남 얘기가 아니다.
🔥 핫 토픽: 룰 기반 월드모델
Programmable World Model https://huggingface.co/papers/2609.10540
지금까지 비디오 월드모델은 그럴싸한 화면은 뽑아내도 상태를 기억 못 했다. 문을 열었다 닫았는데 다음 프레임엔 다시 잠겨있고, 체력이 깎였는데 갑자기 풀피가 되는 식이다. 이 논문은 월드 상태를 명시적으로 유지하고 프로그래밍 가능한 규칙을 강제하는 구조를 제안한다.
게임 서버에서 매 틱마다 하는 일 — 상태 동기화, 규칙 검증, 클라이언트-서버 권위 모델 — 을 생성형 비디오 모델 안에 욱여넣으려는 시도로 보인다. UE5로 치면 GameState를 생성 모델이 스스로 관리하겠다는 건데, 결정론이 생명인 서버 로직 입장에서는 아직 갈 길이 멀어 보인다. 그래도 방향은 맞다. 그럴듯한 영상에서 일관된 시뮬레이션으로 넘어가려면 이런 상태 유지 메커니즘이 필수다.
🧠 추론모델 학습: 짧게, 넓게
Revisiting Complete Reasoning Traces for Post-Training https://huggingface.co/papers/2609.07103
reasoning 모델 post-training에 쓰는 추론 궤적이 너무 길고 꼬여있다는 문제 제기다. 복잡하게 얽힌 경로 때문에 학습 효율이 떨어진다고 지적한다.
디버깅할 때 스택트레이스가 200줄 넘어가면 오히려 원인 파악이 늦어지는 것과 똑같은 얘기다. 모델도 사람도 기록이 길다고 항상 좋은 학습 데이터가 되는 건 아니다.
Difficulty-Adaptive Tree-Structured Policy Optimization for Expanding Reasoning Coverage in RLVR https://huggingface.co/papers/2609.08650
RLVR(검증 가능한 보상 기반 강화학습)이 단일 샘플 정확도는 잘 올리는데, 다양한 풀이 경로를 찾는 커버리지는 오히려 떨어뜨린다는 관찰에서 출발한다. 난이도에 따라 트리 구조 탐색을 적응적으로 조절해서 이 문제를 풀겠다는 접근이다.
게임 AI의 탐색-활용 트레이드오프랑 완전히 같은 문제다. NPC 행동트리 짤 때도 항상 최적해 하나만 파느냐, 다양한 행동을 남겨두느냐로 싸운다. RL 쪽에서 이 균형을 어떻게 푸는지 보는 게 오히려 게임 AI 설계에 힌트가 될 수도 있겠다.
🤖 에이전틱 생성
AgenticGen: Reward-Guided Agentic Video Generation for Advertising https://huggingface.co/papers/2609.09187
광고 영상 생성을 단순 비디오 합성이 아니라 상품 조건이 걸린 추론 문제로 재정의한 논문이다. 최종 평가 지표가 비즈니스 성과라는 게 특이하다.
미학적으로 예쁜 영상 만드는 것과 실제로 클릭이나 구매를 부르는 영상을 만드는 건 완전히 다른 목적함수다. 보상 신호를 비즈니스 메트릭에 직접 연결한 시도라 실무 임팩트가 궁금해지는 논문이다.
🏗️ 인프라를 LLM에게
Φ-Bench: Can Large Language Models Engineer the Infrastructure That Powers Them? https://huggingface.co/papers/2609.10226
LLM이 자기 자신을 돌리는 인프라, 즉 배포와 최적화와 시스템 설계까지 다룰 수 있는지 벤치마킹한 논문이다.
읽으면서 좀 소름 돋았다. 우리가 Claude API 붙여서 파이프라인을 돌리듯, 이제는 그 파이프라인을 최적화하는 일도 LLM한테 맡길 수 있는지 측정하기 시작했다는 거다. 인프라 엔지니어링은 코드 생성보다 훨씬 암묵지가 많은 영역이라 벤치마크 결과가 기대된다.
월드모델은 상태를 기억하기 시작했고, RL은 다양성을 잃지 않으려 발버둥치고, LLM은 이제 자기 집 살림까지 넘본다.