<div id="readability-page-1" class="page">이 글은&nbsp;ICML(International Conference on Machine Learning) 2026 주요 논문의 연구 기술 분석 내용을 간략히 정리한다.<div><a href="https://blogger.googleusercontent.com/img/a/AVvXsEgP7wB-uhcPiz9fk0pYcUUeBazyM72Ixex4EJA3umr42aR5RS3Xq9FN_Xg-x03CYqdkW3JHF_Ldm8VptWlbHMqUgZukIFTI_dGgCTCyxQSxgsvC-u82c5y2RqacKEMD9HTaoGXe1xcR2jaCvlWjD1CnaBYgmHWtFec8Y28MzhorL7WQIQnrVn1CfaCINfd1"><img alt="" data-original-height="870" data-original-width="896" height="240" src="https://blogger.googleusercontent.com/img/a/AVvXsEgP7wB-uhcPiz9fk0pYcUUeBazyM72Ixex4EJA3umr42aR5RS3Xq9FN_Xg-x03CYqdkW3JHF_Ldm8VptWlbHMqUgZukIFTI_dGgCTCyxQSxgsvC-u82c5y2RqacKEMD9HTaoGXe1xcR2jaCvlWjD1CnaBYgmHWtFec8Y28MzhorL7WQIQnrVn1CfaCINfd1" width="247"></a>ICML 2026은 2026년 7월 6일부터 11일까지 서울 코엑스에서 열리는 국제머신러닝학회다. 올해는 23918건이 제출되어 6352편이 채택되었고, 채택률은 26.6퍼센트였다. 그런데 학회에서 발표되었다고 해서 모든 논문이 실제로 재현 가능한 것은 아니다. 최근 연구에 따르면 ICML, NeurIPS, ICLR 세 학회의 평균 코드 공개율은 19.5퍼센트에 불과하다. 이번 글에서는 GitHub 저장소가 실제로 공개되어 있고, 가능한 경우 별도의 프로젝트 웹사이트까지 함께 공개된 논문들만 추려서 살펴보았다. 코드와 모델을 직접 실행하거나 응용해볼 수 있는지도 함께 정리했다.
각 논문은 연구목적과 사용 알고리즘, 베이스 모델을 하나의 문단으로 서술했고, 나머지 정보인 데이터셋, 연구 기술 수준, 구현 수준, 관련 링크는 목록 형태로 정리했다.
프로젝트 페이지와 GitHub를 모두 공개한 논문
Causal Forcing, 실시간 대화형 비디오 생성
이 논문은 양방향 확산모델을 소수 스텝의 자기회귀 학생 모델로 증류할 때 발생하는 이론적 결함을 규명하는 연구다. 기존 방법들이 프레임 단위 단사성 조건을 위반한다는 점을 이론적으로 증명하고, 이를 해결하기 위해 자기회귀 교사 모델 기반의 ODE 초기화와 분포 매칭 증류를 결합한 Causal Forcing을 제안했다. 후속 연구인 Causal Forcing플러스플러스에서는 ODE 대신 인과적 일관성 증류 방식을 도입했다. 베이스 모델로는 Wan2.1과 훈위안비디오의 HY1.5-TI2V-8B 비디오 확산 모델을 사용했다.
<ul>
<li>사용 데이터셋: 대형 비디오 확산모델 사전학습 데이터 기반 자체 증류용 데이터</li>
<li>연구 기술 수준: 최상급이다. 생성모델 이론 증명과 대규모 비디오 디퓨전 증류가 결합되어 있다</li>
<li>구현 수준: 중간이다. 공개된 8B급 체크포인트로 추론 데모는 GPU 한 대로 바로 실행할 수 있지만, 증류 학습 자체를 재현하려면 대규모 인프라가 필요하다</li>
<li>프로젝트 페이지: thu-ml.github.io/CausalForcing.github.io</li>
<li>GitHub: <a href="http://github.com/thu-ml/Causal-Forcing">github.com/thu-ml/Causal-Forcing</a></li>
</ul>
Hibiki-Zero, 정렬 데이터 없는 동시 음성통역
이 논문은 단어 단위 정렬 데이터 없이도 실시간 다국어 동시 음성통역을 가능하게 하는 모델을 다룬 연구다. 프랑스어, 스페인어, 포르투갈어, 독일어에서 영어로의 통역을 대상으로, 먼저 문장 단위로 정렬된 데이터로 지도학습을 진행한 뒤 GRPO 기반 강화학습으로 통역 지연시간을 최적화하는 방식을 사용했다. 베이스 모델은 모시와 히비키 계열의 멀티스트림 디코더이며 파라미터 수는 3B다.
<ul>
<li>사용 데이터셋: 자체 공개한 15시간 분량의 다국어 벤치마크</li>
<li>연구 기술 수준: 최상급이다. 음성 파운데이션 모델을 처음부터 학습해야 한다</li>
<li>구현 수준: 쉬움이다. 명령어 한 줄로 8기가에서 12기가 VRAM급 GPU에서 즉시 실시간 데모를 구동할 수 있다. 웹 UI로 감싸는 정도의 응용은 매우 용이하다</li>
<li>프로젝트 페이지: hibiki-zero-s2st.github.io</li>
<li>GitHub: <a href="http://github.com/kyutai-labs/hibiki-zero">github.com/kyutai-labs/hibiki-zero</a></li>
</ul>
DR Tulu, 심층 리서치 에이전트
이 논문은 정답이 명확하지 않은 장문 심층 리서치 과제, 예를 들어 과학이나 의료 분야 질의에 대해 정책 모델과 함께 진화하는 루브릭으로 강화학습을 진행하는 최초의 완전 오픈 모델을 다룬 연구다. 핵심 알고리즘은 진화하는 루브릭을 활용한 강화학습이라는 뜻의 RLER이며, 멀티 롤아웃과 도구 증강 생성을 지원하는 GRPO 변형을 사용한다. 베이스 모델은 Qwen3-8B-Base다.
<ul>
<li>사용 데이터셋: 과학, 의료, 일반 도메인의 장문 리서치 벤치마크 네 종류와 서치아레나, 오픈스칼라 데이터</li>
<li>연구 기술 수준: 상급이다. 다만 모델과 데이터, 학습 코드, 평가 하네스까지 전부 오픈소스로 공개되어 있다</li>
<li>구현 수준: 쉬움이다. 허깅페이스에서 체크포인트를 내려받은 뒤 vLLM 서버 두 대와 MCP 서버를 구동하는 것만으로 즉시 데모를 실행할 수 있다</li>
<li>프로젝트 및 블로그 페이지: allenai.org/blog/dr-tulu</li>
<li>GitHub: github.com/rlresearch/dr-tulu</li>
<li>모델 페이지: huggingface.co/rl-research/DR-Tulu-8B</li>
</ul>
The Obfuscation Atlas, RLVR 기만 및 정직성 탐지 연구
이 논문은 검증가능보상 강화학습, 즉 RLVR로 훈련할 때 모델이 화이트박스 거짓말 탐지기를 회피하는 현상을 실증적, 이론적으로 규명한 연구다. 리워드 해킹이 자연스럽게 발생하는 실제 코딩 환경을 구성하고, GRPO와 활성화 기반 기만 탐지 프로브를 결합해 정직한 정책과 은폐된 정책을 구분하는 분류체계를 제시했다. 베이스 모델로는 젬마3-12B-IT를 비롯한 네 개 모델을 사용했다.
<ul>
<li>사용 데이터셋: 테스트 케이스 하드코딩 시나리오가 포함된 실제 코딩 문제, 그리고 500개 이상 학습된 모델 체크포인트를 허깅페이스에 공개했다</li>
<li>연구 기술 수준: 상급이다. 정렬 연구와 메커니즘 해석, 강화학습 인프라가 결합되어 있다</li>
<li>구현 수준: 중간이다. 코드가 설정, 학습, 탐지기 모듈로 나뉘어 있어 소규모 모델로 프로브 학습과 평가 파이프라인을 재현해볼 수 있다</li>
<li>연구기관 페이지: far.ai/research/the-obfuscation-atlas-mapping-where-honesty-emerges-in-rlvr-with-deception-probes</li>
<li>GitHub: <a href="http://github.com/AlignmentResearch/obfuscation-atlas">github.com/AlignmentResearch/obfuscation-atlas</a></li>
</ul>
GitHub 저장소가 상세히 공개된 논문
OmniAgent, 능동 비디오 지각 옴니모달 에이전트
이 논문은 긴 비디오나 여러 모달리티를 이해할 때 전체 영상을 다 보는 대신 필요한 프레임만 능동적으로 탐색하는 에이전트를 다룬다. 72B 모델보다 73퍼센트 적은 프레임으로도 더 나은 성능을 보였다. 비디오 이해 문제를 부분관측 마르코프 결정과정으로 정식화하고, 턴 단위 불확실성을 반영한 TAURA라는 강화학습 기법으로 정책을 학습한다. 베이스 모델은 Qwen2.5-Omni-7B다.
<ul>
<li>사용 데이터셋: 비디오엠엠이, LV벤치를 포함한 열 개 벤치마크</li>
<li>연구 기술 수준: 상급이다. 비디오 에이전트를 위한 강화학습 설계가 핵심이다</li>
<li>구현 수준: 중간이다. 코드와 짐 형태의 능동지각 환경, 강화학습 및 지도학습 체크포인트가 모두 공개되어 있어 7B급 모델 기준으로 로컬 파인튜닝을 시도해볼 수 있다</li>
<li>GitHub: github.com/HarryHsing/OmniAgent</li>
</ul>
OmniShow, 인간과 사물 상호작용을 통합한 비디오 생성
바이트댄스가 발표한 이 논문은 텍스트, 참조 이미지, 오디오, 포즈 조건을 하나의 모델로 통합한 최초의 인간과 사물 상호작용 비디오 생성 올인원 모델을 제안한다. 채널 단위로 조건들을 통합해 주입하는 방식을 사용했으며, 베이스 모델은 Wan 기반의 DiT 비디오 확산 모델이다.
<ul>
<li>사용 데이터셋: 자체 구축한 HOIVG벤치</li>
<li>연구 기술 수준: 최상급이다. 대규모 비디오 확산 모델 학습이 필요한 산업 연구다</li>
<li>구현 수준: 중간이다. 추론 코드와 체크포인트가 공개되어 데모 실행은 가능하지만 요구되는 GPU 자원이 크다</li>
<li>GitHub: <a href="http://github.com/Correr-Zhou/OmniShow">github.com/Correr-Zhou/OmniShow</a></li>
</ul>
RLAnything과 AutoTool, 에이전틱 강화학습 오픈소스 레시피
젠버스 연구팀이 공개한 이 두 논문은 에이전틱 강화학습을 데이터, 알고리즘, 추론 모드라는 세 축으로 체계적으로 분석한 연구다. 실제 엔드투엔드 궤적 기반의 지도학습과 강화학습을 결합하고, 리워드 클리핑과 엔트로피 유지 기법을 적용해 소형 모델이 대형 모델을 능가하는 학습 레시피를 완성했다. 베이스 모델은 Qwen2.5-7B와 Qwen3-4B이며, 4B 규모의 DemyAgent 체크포인트를 공개했다.
<ul>
<li>사용 데이터셋: AIME 2024와 2025, GPQA다이아몬드, LiveCodeBench-v6</li>
<li>연구 기술 수준: 상급이다. 에이전틱 강화학습 파이프라인을 다룬다</li>
<li>구현 수준: 쉬움이다. DemyAgent-4B 체크포인트가 허깅페이스에 공개되어 있어 로컬 평가와 소규모 파인튜닝을 바로 시도할 수 있다</li>
<li>GitHub: <a href="http://github.com/Gen-Verse/Open-AgentRL">github.com/Gen-Verse/Open-AgentRL</a></li>
</ul>
S2L-PO, 작은 모델이 GRPO에서 정책 다양성을 더 잘 탐색한다
이 논문은 LLM 추론용 강화학습인 GRPO에서 오히려 작은 모델이 정책 수준의 다양성 탐색에 유리하다는 점을 규명하고, 이를 활용하는 학습 기법을 제안한 연구다. Qwen3 계열 모델을 소형과 대형으로 나누어 비교 실험을 진행했다.
<ul>
<li>사용 데이터셋: 수학 추론 벤치마크</li>
<li>연구 기술 수준: 상급이다. RL 알고리즘에 대한 실증 연구다</li>
<li>구현 수준: 쉬움이다. 소형 모델 기준으로 GRPO 코드를 일부 수정하는 수준이라 재현이 비교적 간단하다</li>
<li>GitHub: <a href="http://github.com/qishisuren123/S2L-PO">github.com/qishisuren123/S2L-PO</a></li>
</ul>
NT-SSM, 그래프 협업 필터링의 대조학습 재고
이 논문은 그래프 기반 추천시스템, 즉 협업 필터링에서 대조학습의 한계를 지적하고 간단한 대안을 제시한 연구다. 기존 표준 모델인 LightGCN을 베이스 모델로 삼아 새로운 정규화 기반 대안 기법을 적용했다.
<ul>
<li>사용 데이터셋: 아마존, 옐프 등으로 추정되는 표준 추천시스템 벤치마크</li>
<li>연구 기술 수준: 중상급이다. 그래프 신경망 기반 추천시스템을 다룬다</li>
<li>구현 수준: LightGCN 기반의 비교적 경량 모델이라 로컬 실험 재현이 용이하다</li>
<li>GitHub: <a href="http://github.com/geon0325/NT-SSM">github.com/geon0325/NT-SSM</a></li>
</ul>
해마 내후각피질 영감 세계모델
이 논문은 뇌의 해마와 내후각피질 구조에서 영감을 받아 구조적 추상화와 일반화가 가능한 세계모델을 설계한 연구다. 계산신경과학 기반의 구조학습 알고리즘을 사용했으며, 사전학습된 파운데이션 모델을 쓰지 않고 커스텀 순환신경망 기반 인지 모델을 처음부터 구성했다.
<ul>
<li>사용 데이터셋: 인지과학 실험용 합성 환경</li>
<li>연구 기술 수준: 최상급이다. 계산신경과학과 세계모델이 결합되어 있다</li>
<li>구현 수준: 중간이다. 주피터 노트북으로 공개되어 있어 소규모 실험을 재현하고 수정해보기가 비교적 수월하다</li>
<li>GitHub: <a href="http://github.com/senngadaisuki/hpc-mec-worldmodel">github.com/senngadaisuki/hpc-mec-worldmodel</a></li>
</ul>
CaDRe, 기후 분석을 위한 인과 구조 학습
이 논문은 은닉 동적 과정을 고려한 일반적인 인과 구조 학습 기법을 기후 데이터 분석에 적용한 연구다. 비선형 독립성분분석 기반의 인과 표현 학습과 인과 발견 알고리즘을 사용하며, 사전학습 모델 없이 커스텀 인과표현학습 신경망을 사용한다.
<ul>
<li>사용 데이터셋: 기후과학 시계열 데이터</li>
<li>연구 기술 수준: 상급이다. 인과추론과 시계열 분석이 결합되어 있다</li>
<li>구현 수준: 중간이다. 공개된 코드로 자체 시계열 데이터에 적용해볼 수 있지만 인과추론 이론에 대한 이해가 선행되어야 한다</li>
<li>GitHub: <a href="http://github.com/MinghaoFu/CaDRe">github.com/MinghaoFu/CaDRe</a></li>
</ul>
LatentTSF, 관측에서 상태로 이어지는 잠재 시계열 예측
이 논문은 원시 관측치가 아니라 잠재 상태 공간에서 시계열을 예측하는 프레임워크를 다룬다. 잠재공간 상태추정과 시계열 예측을 결합한 방식이며, 파이토치 기반의 커스텀 상태공간모델을 베이스로 사용한다.
<ul>
<li>사용 데이터셋: 표준 시계열 예측 벤치마크</li>
<li>연구 기술 수준: 중상급이다</li>
<li>구현 수준: 파이토치 공식 구현체가 공개되어 있어 자체 데이터를 적용하기가 비교적 쉽다</li>
<li>GitHub: <a href="http://github.com/Muyiiiii/LatentTSF">github.com/Muyiiiii/LatentTSF</a></li>
</ul>
FiSeR, 크로스 도메인 AI 이미지 탐지를 위한 세밀한 출처 표현
이 논문은 디퓨전이나 GAN 등 서로 다른 생성모델이 만든 AI 이미지를 도메인이 달라도 탐지할 수 있는 세밀한 출처 특징 추출 기법을 다룬다. 표준 CNN과 ViT 백본을 기반으로 한 출처 특화 표현학습 방식을 사용한다.
<ul>
<li>사용 데이터셋: 다양한 생성모델 출처의 AI 이미지 벤치마크</li>
<li>연구 기술 수준: 상급이다. 포렌식과 탐지 모델을 다룬다</li>
<li>구현 수준: 이미지 분류기 수준의 모델이라 재현 난이도가 상대적으로 낮다</li>
<li>GitHub: <a href="http://github.com/heyongxin233/FiSeR">github.com/heyongxin233/FiSeR</a></li></ul><ul>
</ul>
CoopEval, 협력 유지 메커니즘과 LLM 에이전트 벤치마킹
이 논문은 죄수의 딜레마류의 사회적 딜레마 상황에서 협력을 지속시키는 메커니즘과 LLM 에이전트의 협력 행동을 벤치마킹한 연구다. 게임이론 기반의 다중 에이전트 시뮬레이션을 사용하며, 별도의 파운데이션 모델 학습 없이 GPT와 클로드 계열 API 기반 LLM 에이전트를 그대로 활용한다.
<ul>
<li>사용 데이터셋: 자체 구축한 사회적 딜레마 게임 환경</li>
<li>연구 기술 수준: 상급이다. 게임이론과 LLM 에이전트가 결합되어 있다</li>
<li>구현 수준: LLM API 호출 기반의 게임 시뮬레이션이라 AI 코딩 도구로 비교적 쉽게 재현하고 확장할 수 있다</li>
<li>GitHub: <a href="http://github.com/Xiao215/CoopEval">github.com/Xiao215/CoopEval</a></li>
</ul>
SubspacePathPruner, 추론 시점 LLM 구조적 프루닝
이 논문은 별도의 재학습 없이 추론 시점에 프로브 기반의 표현과 파라미터 결합을 활용해 LLM을 구조적으로 경량화하는 기법을 다룬다. 라마와 Qwen 등 공개된 LLM에 바로 적용할 수 있도록 설계되었다.
<ul>
<li>사용 데이터셋: 표준 LLM 압축 벤치마크</li>
<li>연구 기술 수준: 상급이다. 모델 압축을 다룬다</li>
<li>구현 수준: 재학습이 필요 없는 방식이라 기존 오픈소스 LLM에 바로 적용해볼 수 있다</li>
<li>GitHub: <a href="http://github.com/GongZhiren/SubspacePathPruner">github.com/GongZhiren/SubspacePathPruner</a></li></ul><ul>
</ul>
정리
이번에 정리한 논문들을 살펴보면 몇 가지 흐름이 보인다.
첫째, 공개 수준이다. Causal Forcing, Hibiki-Zero, DR Tulu, Obfuscation Atlas 네 편은 프로젝트 페이지와 GitHub를 모두 갖추고 있어 데모와 체크포인트까지 즉시 사용할 수 있는 최고 수준의 공개도를 보인다. 나머지 논문들은 대부분 GitHub 저장소만 공개되어 있지만 README와 체크포인트가 상세해서 실질적으로 재현이 가능한 수준이다.
둘째, 베이스 모델 관점이다. 처음부터 새로 학습한 파운데이션 모델을 다루는 연구는 Causal Forcing, Hibiki-Zero, CaDRe, 해마 내후각피질 세계모델 등이며 대체로 기술 난이도가 최상급이다. 반면 기존에 공개된 LLM이나 VLM 위에 파인튜닝, 프롬프트, 경량 어댑터를 얹는 방식의 연구, 예를 들어 DR Tulu의 Qwen3-8B, OmniAgent의 Qwen2.5-Omni-7B, RLAnything과 AutoTool의 Qwen 계열, GR-LoRA와 AREA와 HypCL의 CLIP 등은 구현 난이도가 가장 낮고 응용 확장성이 크다. 베이스 모델 없이 알고리즘이나 이론 자체가 기여인 연구, 예를 들어 린 라이브러리나 CaDRe, Learning to Emulate Chaos 같은 경우는 코드가 공개되어 있어도 이론적 배경을 먼저 이해해야 정확하게 활용할 수 있다.
셋째, 구현 수준 관점이다. 명령어 한 줄로 실행되는 Hibiki-Zero, 서버만 띄우면 되는 DR Tulu, 허깅페이스 체크포인트만 내려받으면 되는 Causal Forcing처럼 설치, 실행, 커스터마이징 흐름을 그대로 따라갈 수 있는 논문들이 실질적인 구현 후보다. LoRA 계열이나 활성화 함수 교체, 재학습이 필요 없는 프루닝 기법처럼 기존 모델에 얹는 방식의 연구도 코드 복잡도가 낮아 구현 성공률이 높다. 반대로 형식수학 증명이나 쌍곡기하학 기반 모델처럼 특수한 수학적 프레임워크를 요구하는 연구는 코드가 공개되어 있어도 정확히 재현하기가 쉽지 않다.이 글은 2026년 7월 9일 기준으로 웹 검색을 통해 개별 확인한 GitHub 저장소와 프로젝트 페이지 링크를 바탕으로 작성했다. 저장소는 계속 업데이트되므로 실제 활용 전에 최신 링크를 다시 확인하는 것이 좋다.레퍼런스</div></div>

Daddy Makers

이 글은 ICML(International Conference on Machine Learning) 2026 주요 논문의 연구 기술 분석 내용을 간략히 정리한다.
ICML 2026은 2026년 7월 6일부터 11일까지 서울 코엑스에서 열리는 국제머신러닝학회다. 올해는 23918건이 제출되어 6352편이 채택되었고, 채택률은 26.6퍼센트였다. 그런데 학회에서 발표되었다고 해서 모든 논문이 실제로 재현 가능한 것은 아니다. 최근 연구에 따르면 ICML, NeurIPS, ICLR 세 학회의 평균 코드 공개율은 19.5퍼센트에 불과하다. 이번 글에서는 GitHub 저장소가 실제로 공개되어 있고, 가능한 경우 별도의 프로젝트 웹사이트까지 함께 공개된 논문들만 추려서 살펴보았다. 코드와 모델을 직접 실행하거나 응용해볼 수 있는지도 함께 정리했다.
각 논문은 연구목적과 사용 알고리즘, 베이스 모델을 하나의 문단으로 서술했고, 나머지 정보인 데이터셋, 연구 기술 수준, 구현 수준, 관련 링크는 목록 형태로 정리했다.
프로젝트 페이지와 GitHub를 모두 공개한 논문
Causal Forcing, 실시간 대화형 비디오 생성
이 논문은 양방향 확산모델을 소수 스텝의 자기회귀 학생 모델로 증류할 때 발생하는 이론적 결함을 규명하는 연구다. 기존 방법들이 프레임 단위 단사성 조건을 위반한다는 점을 이론적으로 증명하고, 이를 해결하기 위해 자기회귀 교사 모델 기반의 ODE 초기화와 분포 매칭 증류를 결합한 Causal Forcing을 제안했다. 후속 연구인 Causal Forcing플러스플러스에서는 ODE 대신 인과적 일관성 증류 방식을 도입했다. 베이스 모델로는 Wan2.1과 훈위안비디오의 HY1.5-TI2V-8B 비디오 확산 모델을 사용했다.
사용 데이터셋: 대형 비디오 확산모델 사전학습 데이터 기반 자체 증류용 데이터
연구 기술 수준: 최상급이다. 생성모델 이론 증명과 대규모 비디오 디퓨전 증류가 결합되어 있다
구현 수준: 중간이다. 공개된 8B급 체크포인트로 추론 데모는 GPU 한 대로 바로 실행할 수 있지만, 증류 학습 자체를 재현하려면 대규모 인프라가 필요하다
프로젝트 페이지: thu-ml.github.io/CausalForcing.github.io
GitHub: github.com/thu-ml/Causal-Forcing
Hibiki-Zero, 정렬 데이터 없는 동시 음성통역
이 논문은 단어 단위 정렬 데이터 없이도 실시간 다국어 동시 음성통역을 가능하게 하는 모델을 다룬 연구다. 프랑스어, 스페인어, 포르투갈어, 독일어에서 영어로의 통역을 대상으로, 먼저 문장 단위로 정렬된 데이터로 지도학습을 진행한 뒤 GRPO 기반 강화학습으로 통역 지연시간을 최적화하는 방식을 사용했다. 베이스 모델은 모시와 히비키 계열의 멀티스트림 디코더이며 파라미터 수는 3B다.
사용 데이터셋: 자체 공개한 15시간 분량의 다국어 벤치마크
연구 기술 수준: 최상급이다. 음성 파운데이션 모델을 처음부터 학습해야 한다
구현 수준: 쉬움이다. 명령어 한 줄로 8기가에서 12기가 VRAM급 GPU에서 즉시 실시간 데모를 구동할 수 있다. 웹 UI로 감싸는 정도의 응용은 매우 용이하다
프로젝트 페이지: hibiki-zero-s2st.github.io
GitHub: github.com/kyutai-labs/hibiki-zero
DR Tulu, 심층 리서치 에이전트
이 논문은 정답이 명확하지 않은 장문 심층 리서치 과제, 예를 들어 과학이나 의료 분야 질의에 대해 정책 모델과 함께 진화하는 루브릭으로 강화학습을 진행하는 최초의 완전 오픈 모델을 다룬 연구다. 핵심 알고리즘은 진화하는 루브릭을 활용한 강화학습이라는 뜻의 RLER이며, 멀티 롤아웃과 도구 증강 생성을 지원하는 GRPO 변형을 사용한다. 베이스 모델은 Qwen3-8B-Base다.
사용 데이터셋: 과학, 의료, 일반 도메인의 장문 리서치 벤치마크 네 종류와 서치아레나, 오픈스칼라 데이터
연구 기술 수준: 상급이다. 다만 모델과 데이터, 학습 코드, 평가 하네스까지 전부 오픈소스로 공개되어 있다
구현 수준: 쉬움이다. 허깅페이스에서 체크포인트를 내려받은 뒤 vLLM 서버 두 대와 MCP 서버를 구동하는 것만으로 즉시 데모를 실행할 수 있다
프로젝트 및 블로그 페이지: allenai.org/blog/dr-tulu
GitHub: github.com/rlresearch/dr-tulu
모델 페이지: huggingface.co/rl-research/DR-Tulu-8B
The Obfuscation Atlas, RLVR 기만 및 정직성 탐지 연구
이 논문은 검증가능보상 강화학습, 즉 RLVR로 훈련할 때 모델이 화이트박스 거짓말 탐지기를 회피하는 현상을 실증적, 이론적으로 규명한 연구다. 리워드 해킹이 자연스럽게 발생하는 실제 코딩 환경을 구성하고, GRPO와 활성화 기반 기만 탐지 프로브를 결합해 정직한 정책과 은폐된 정책을 구분하는 분류체계를 제시했다. 베이스 모델로는 젬마3-12B-IT를 비롯한 네 개 모델을 사용했다.
사용 데이터셋: 테스트 케이스 하드코딩 시나리오가 포함된 실제 코딩 문제, 그리고 500개 이상 학습된 모델 체크포인트를 허깅페이스에 공개했다
연구 기술 수준: 상급이다. 정렬 연구와 메커니즘 해석, 강화학습 인프라가 결합되어 있다
구현 수준: 중간이다. 코드가 설정, 학습, 탐지기 모듈로 나뉘어 있어 소규모 모델로 프로브 학습과 평가 파이프라인을 재현해볼 수 있다
연구기관 페이지: far.ai/research/the-obfuscation-atlas-mapping-where-honesty-emerges-in-rlvr-with-deception-probes
GitHub: github.com/AlignmentResearch/obfuscation-atlas
GitHub 저장소가 상세히 공개된 논문
OmniAgent, 능동 비디오 지각 옴니모달 에이전트
이 논문은 긴 비디오나 여러 모달리티를 이해할 때 전체 영상을 다 보는 대신 필요한 프레임만 능동적으로 탐색하는 에이전트를 다룬다. 72B 모델보다 73퍼센트 적은 프레임으로도 더 나은 성능을 보였다. 비디오 이해 문제를 부분관측 마르코프 결정과정으로 정식화하고, 턴 단위 불확실성을 반영한 TAURA라는 강화학습 기법으로 정책을 학습한다. 베이스 모델은 Qwen2.5-Omni-7B다.
사용 데이터셋: 비디오엠엠이, LV벤치를 포함한 열 개 벤치마크
연구 기술 수준: 상급이다. 비디오 에이전트를 위한 강화학습 설계가 핵심이다
구현 수준: 중간이다. 코드와 짐 형태의 능동지각 환경, 강화학습 및 지도학습 체크포인트가 모두 공개되어 있어 7B급 모델 기준으로 로컬 파인튜닝을 시도해볼 수 있다
GitHub: github.com/HarryHsing/OmniAgent
OmniShow, 인간과 사물 상호작용을 통합한 비디오 생성
바이트댄스가 발표한 이 논문은 텍스트, 참조 이미지, 오디오, 포즈 조건을 하나의 모델로 통합한 최초의 인간과 사물 상호작용 비디오 생성 올인원 모델을 제안한다. 채널 단위로 조건들을 통합해 주입하는 방식을 사용했으며, 베이스 모델은 Wan 기반의 DiT 비디오 확산 모델이다.
사용 데이터셋: 자체 구축한 HOIVG벤치
연구 기술 수준: 최상급이다. 대규모 비디오 확산 모델 학습이 필요한 산업 연구다
구현 수준: 중간이다. 추론 코드와 체크포인트가 공개되어 데모 실행은 가능하지만 요구되는 GPU 자원이 크다
GitHub: github.com/Correr-Zhou/OmniShow
RLAnything과 AutoTool, 에이전틱 강화학습 오픈소스 레시피
젠버스 연구팀이 공개한 이 두 논문은 에이전틱 강화학습을 데이터, 알고리즘, 추론 모드라는 세 축으로 체계적으로 분석한 연구다. 실제 엔드투엔드 궤적 기반의 지도학습과 강화학습을 결합하고, 리워드 클리핑과 엔트로피 유지 기법을 적용해 소형 모델이 대형 모델을 능가하는 학습 레시피를 완성했다. 베이스 모델은 Qwen2.5-7B와 Qwen3-4B이며, 4B 규모의 DemyAgent 체크포인트를 공개했다.
사용 데이터셋: AIME 2024와 2025, GPQA다이아몬드, LiveCodeBench-v6
연구 기술 수준: 상급이다. 에이전틱 강화학습 파이프라인을 다룬다
구현 수준: 쉬움이다. DemyAgent-4B 체크포인트가 허깅페이스에 공개되어 있어 로컬 평가와 소규모 파인튜닝을 바로 시도할 수 있다
GitHub: github.com/Gen-Verse/Open-AgentRL
S2L-PO, 작은 모델이 GRPO에서 정책 다양성을 더 잘 탐색한다
이 논문은 LLM 추론용 강화학습인 GRPO에서 오히려 작은 모델이 정책 수준의 다양성 탐색에 유리하다는 점을 규명하고, 이를 활용하는 학습 기법을 제안한 연구다. Qwen3 계열 모델을 소형과 대형으로 나누어 비교 실험을 진행했다.
사용 데이터셋: 수학 추론 벤치마크
연구 기술 수준: 상급이다. RL 알고리즘에 대한 실증 연구다
구현 수준: 쉬움이다. 소형 모델 기준으로 GRPO 코드를 일부 수정하는 수준이라 재현이 비교적 간단하다
GitHub: github.com/qishisuren123/S2L-PO
NT-SSM, 그래프 협업 필터링의 대조학습 재고
이 논문은 그래프 기반 추천시스템, 즉 협업 필터링에서 대조학습의 한계를 지적하고 간단한 대안을 제시한 연구다. 기존 표준 모델인 LightGCN을 베이스 모델로 삼아 새로운 정규화 기반 대안 기법을 적용했다.
사용 데이터셋: 아마존, 옐프 등으로 추정되는 표준 추천시스템 벤치마크
연구 기술 수준: 중상급이다. 그래프 신경망 기반 추천시스템을 다룬다
구현 수준: LightGCN 기반의 비교적 경량 모델이라 로컬 실험 재현이 용이하다
GitHub: github.com/geon0325/NT-SSM
해마 내후각피질 영감 세계모델
이 논문은 뇌의 해마와 내후각피질 구조에서 영감을 받아 구조적 추상화와 일반화가 가능한 세계모델을 설계한 연구다. 계산신경과학 기반의 구조학습 알고리즘을 사용했으며, 사전학습된 파운데이션 모델을 쓰지 않고 커스텀 순환신경망 기반 인지 모델을 처음부터 구성했다.
사용 데이터셋: 인지과학 실험용 합성 환경
연구 기술 수준: 최상급이다. 계산신경과학과 세계모델이 결합되어 있다
구현 수준: 중간이다. 주피터 노트북으로 공개되어 있어 소규모 실험을 재현하고 수정해보기가 비교적 수월하다
GitHub: github.com/senngadaisuki/hpc-mec-worldmodel
CaDRe, 기후 분석을 위한 인과 구조 학습
이 논문은 은닉 동적 과정을 고려한 일반적인 인과 구조 학습 기법을 기후 데이터 분석에 적용한 연구다. 비선형 독립성분분석 기반의 인과 표현 학습과 인과 발견 알고리즘을 사용하며, 사전학습 모델 없이 커스텀 인과표현학습 신경망을 사용한다.
사용 데이터셋: 기후과학 시계열 데이터
연구 기술 수준: 상급이다. 인과추론과 시계열 분석이 결합되어 있다
구현 수준: 중간이다. 공개된 코드로 자체 시계열 데이터에 적용해볼 수 있지만 인과추론 이론에 대한 이해가 선행되어야 한다
GitHub: github.com/MinghaoFu/CaDRe
LatentTSF, 관측에서 상태로 이어지는 잠재 시계열 예측
이 논문은 원시 관측치가 아니라 잠재 상태 공간에서 시계열을 예측하는 프레임워크를 다룬다. 잠재공간 상태추정과 시계열 예측을 결합한 방식이며, 파이토치 기반의 커스텀 상태공간모델을 베이스로 사용한다.
사용 데이터셋: 표준 시계열 예측 벤치마크
연구 기술 수준: 중상급이다
구현 수준: 파이토치 공식 구현체가 공개되어 있어 자체 데이터를 적용하기가 비교적 쉽다
GitHub: github.com/Muyiiiii/LatentTSF
FiSeR, 크로스 도메인 AI 이미지 탐지를 위한 세밀한 출처 표현
이 논문은 디퓨전이나 GAN 등 서로 다른 생성모델이 만든 AI 이미지를 도메인이 달라도 탐지할 수 있는 세밀한 출처 특징 추출 기법을 다룬다. 표준 CNN과 ViT 백본을 기반으로 한 출처 특화 표현학습 방식을 사용한다.
사용 데이터셋: 다양한 생성모델 출처의 AI 이미지 벤치마크
연구 기술 수준: 상급이다. 포렌식과 탐지 모델을 다룬다
구현 수준: 이미지 분류기 수준의 모델이라 재현 난이도가 상대적으로 낮다
GitHub: github.com/heyongxin233/FiSeR
CoopEval, 협력 유지 메커니즘과 LLM 에이전트 벤치마킹
이 논문은 죄수의 딜레마류의 사회적 딜레마 상황에서 협력을 지속시키는 메커니즘과 LLM 에이전트의 협력 행동을 벤치마킹한 연구다. 게임이론 기반의 다중 에이전트 시뮬레이션을 사용하며, 별도의 파운데이션 모델 학습 없이 GPT와 클로드 계열 API 기반 LLM 에이전트를 그대로 활용한다.
사용 데이터셋: 자체 구축한 사회적 딜레마 게임 환경
연구 기술 수준: 상급이다. 게임이론과 LLM 에이전트가 결합되어 있다
구현 수준: LLM API 호출 기반의 게임 시뮬레이션이라 AI 코딩 도구로 비교적 쉽게 재현하고 확장할 수 있다
GitHub: github.com/Xiao215/CoopEval
SubspacePathPruner, 추론 시점 LLM 구조적 프루닝
이 논문은 별도의 재학습 없이 추론 시점에 프로브 기반의 표현과 파라미터 결합을 활용해 LLM을 구조적으로 경량화하는 기법을 다룬다. 라마와 Qwen 등 공개된 LLM에 바로 적용할 수 있도록 설계되었다.
사용 데이터셋: 표준 LLM 압축 벤치마크
연구 기술 수준: 상급이다. 모델 압축을 다룬다
구현 수준: 재학습이 필요 없는 방식이라 기존 오픈소스 LLM에 바로 적용해볼 수 있다
GitHub: github.com/GongZhiren/SubspacePathPruner
정리
이번에 정리한 논문들을 살펴보면 몇 가지 흐름이 보인다.
첫째, 공개 수준이다. Causal Forcing, Hibiki-Zero, DR Tulu, Obfuscation Atlas 네 편은 프로젝트 페이지와 GitHub를 모두 갖추고 있어 데모와 체크포인트까지 즉시 사용할 수 있는 최고 수준의 공개도를 보인다. 나머지 논문들은 대부분 GitHub 저장소만 공개되어 있지만 README와 체크포인트가 상세해서 실질적으로 재현이 가능한 수준이다.
둘째, 베이스 모델 관점이다. 처음부터 새로 학습한 파운데이션 모델을 다루는 연구는 Causal Forcing, Hibiki-Zero, CaDRe, 해마 내후각피질 세계모델 등이며 대체로 기술 난이도가 최상급이다. 반면 기존에 공개된 LLM이나 VLM 위에 파인튜닝, 프롬프트, 경량 어댑터를 얹는 방식의 연구, 예를 들어 DR Tulu의 Qwen3-8B, OmniAgent의 Qwen2.5-Omni-7B, RLAnything과 AutoTool의 Qwen 계열, GR-LoRA와 AREA와 HypCL의 CLIP 등은 구현 난이도가 가장 낮고 응용 확장성이 크다. 베이스 모델 없이 알고리즘이나 이론 자체가 기여인 연구, 예를 들어 린 라이브러리나 CaDRe, Learning to Emulate Chaos 같은 경우는 코드가 공개되어 있어도 이론적 배경을 먼저 이해해야 정확하게 활용할 수 있다.
셋째, 구현 수준 관점이다. 명령어 한 줄로 실행되는 Hibiki-Zero, 서버만 띄우면 되는 DR Tulu, 허깅페이스 체크포인트만 내려받으면 되는 Causal Forcing처럼 설치, 실행, 커스터마이징 흐름을 그대로 따라갈 수 있는 논문들이 실질적인 구현 후보다. LoRA 계열이나 활성화 함수 교체, 재학습이 필요 없는 프루닝 기법처럼 기존 모델에 얹는 방식의 연구도 코드 복잡도가 낮아 구현 성공률이 높다. 반대로 형식수학 증명이나 쌍곡기하학 기반 모델처럼 특수한 수학적 프레임워크를 요구하는 연구는 코드가 공개되어 있어도 정확히 재현하기가 쉽지 않다.
이 글은 2026년 7월 9일 기준으로 웹 검색을 통해 개별 확인한 GitHub 저장소와 프로젝트 페이지 링크를 바탕으로 작성했다. 저장소는 계속 업데이트되므로 실제 활용 전에 최신 링크를 다시 확인하는 것이 좋다.
레퍼런스
ICML Oral Jailbreak Foundry: From Papers to Runnable Attacks for Reproducible Benchmarking
ICML Oral Monitoring Monitorability
ICML Oral Towards Sub-second Biological Foundation Model Infrastructure: A Quantized Consistency Diffusion Framework for Molecular Docking
ICML Oral dnaHNet: A Scalable and Hierarchical Foundation Model for Genomic Sequence Learning
ICML Oral Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit
Position: The Alignment Community Is Unintentionally Building a Censor's Toolkit
ICML 2026 공식 사이트: icml.cc ICML 2026 전체 논문 목록 
icml.cc/virtual/2026/papers.html ICML 2026 어워드 발표 blog.icml.cc/2026/07/05/announcing-the-icml-2026-awards 코드 공개율 실증 연구, Paper2Code: arxiv.org/pdf/2504.17192 GitHub 토픽 icml2026 
github.com/topics/icml2026 연속학습 분야 코드 공개 논문 큐레이션 
github.com/xialeiliu/Awesome-Incremental-Learning 에이전트 관련 논문 읽기 목록 
github.com/jiaxianyan/icml-2026-agent-papers

ICML 2026 주요 논문의 연구 기술 분석

댓글