한 줄 요약

질병 맥락을 반영한 신약 후보 생성, 장기 시퀀스를 안정화한 영상 복원·예측, 사고 중심 자율주행 평가가 맞물리고, 에이전트 제작 허브가 프로토타이핑을 단축한다.

Research Papers

DrugGen-2: 질병 맥락과 표적을 함께 조건으로 한 신약 후보 설계

DrugGen-2는 작은 분자를 설계할 때 치료하려는 질병과 표적 단백질 서열을 함께 고려해 제안하는 생성 모델이다. 생성 사전학습 변환기 2(Generative Pre-trained Transformer 2, GPT-2)를 미세조정한 뒤 강화학습을 적용해, 화학적 유효성·새로움·다양성·높은 결합 친화도를 동시에 만족하는 분자를 목표로 한다. ¹

훈련은 지도 미세조정에 이어 그룹 상대 정책 최적화(Group Relative Policy Optimization, GRPO)로 강화학습을 수행하며, 질병 온톨로지와 표적 서열을 모두 조건으로 넣는다. 보상 함수는 화학적 유효성, 새로움, 다양성, 예측 결합 친화도를 최적화하도록 설계돼 질병 맥락을 표적 정보와 동등한 1급 입력으로 취급한다. ¹

당뇨병성 신병증과 연관된 5개 표적에서 DrugGen-2는 DrugGPT와 DrugGen 기준선을 앞섰다. 고유한 분자를 더 많이 생성하고, 승인 약물과의 구조 유사성이 높았으며, 모든 표적에서 예측 결합 친화도가 개선됐다. 도킹 분석에서는 -9.917, -9.485, -9.367의 예측 친화도를 보인 리간드를 확인했으며, 이는 기준 약물인 에날라프릴(-8.283)을 상회했다. ¹

질병별 맥락 신호를 생성 과정에 주입함으로써, DrugGen-2는 실제 임상 제약을 더 잘 반영하는 데노보 설계와 약물 재창출 워크플로로의 진전을 시사한다. 당뇨병성 신병증을 넘어 더 넓은 질병 온톨로지와의 비교 평가를 지켜볼 만하다. ¹

LongE2V: 이벤트 스트림에서 장기 영상 복원·예측·보간을 확실히 유지

LongE2V는 희소한 이벤트 스트림으로부터 고품질 영상을 복원하고, 미래 프레임 예측과 중간 프레임 보간까지 한 모델로 수행한다. 사전학습된 비디오 확산 모델을 미세조정하는 접근으로, 이벤트 센서가 기록하는 변화 신호를 길고 일관된 영상 시퀀스로 재구성한다. ²

아주 긴 시퀀스에서의 시간적 표류를 줄이기 위해 오토리그레시브 언롤링과 적응형 컨텍스트 전환을 도입했고, 보간 단계의 양방향 정합을 위해 재인코딩 정렬과 교차 잔차 보정을 추가했다. 또한 이벤트 복셀 밀도 증강으로 다양한 센서 해상도에 견고하게 대응한다. 실제 데이터셋에서 복원·예측·보간 세 과제 모두에서 최신 성과를 보고하며, 시간적 일관성과 제로샷 일반화가 뛰어나다. ²

AUTOPILOT-VQA: 사고 중심 블랙박스 이해를 묻는 시각 질의응답 벤치마크

AUTOPILOT-VQA는 블랙박스(대시캠) 영상에서 단순 객체 인식이 아니라 사고 상황에 대한 근거 있는 답변을 요구하는 시각 질의응답(Visual Question Answering, VQA) 벤치마크다. 시각-언어 모델(Vision-Language Model, VLM), 대형 언어 모델(Large Language Model, LLM), 멀티모달 대형 언어 모델(Multimodal Large Language Model, MLLM)의 자율주행 활용을 겨냥한다. ³

실제 사고 및 아차사고를 바탕으로 날씨·조도, 교통 환경, 도로 구조, 노면 상태, 표지·표지판, 관련 주체, 사고 발생 여부, 충돌 지점, 회피 가능성 추론 등 안전과 직결된 범주를 구조화된 질문으로 평가한다. 컴퓨터 비전 및 패턴 인식 학회(Conference on Computer Vision and Pattern Recognition, CVPR) 2026 AUTOPILOT 대회의 일부로 공개되며, 다양한 시나리오에서 신뢰성을 표준화해 측정하고 시간적 맥락에 뿌리내린 안전 추론을 촉진한다. ³

Canvas360: 기하 인지 사전학습으로 파노라마 인컨텍스트 생성

Canvas360은 먼저 기하 정보를 학습한 뒤, 스타일 전환·인페인팅·아웃페인팅·편집 등 인컨텍스트 파노라마 생성 과제에 맞춰 미세조정하는 2단계 프레임워크다. 목표는 전역 기하 일관성을 지키면서 지역적 편집을 자연스럽게 수행하는 것이다. ⁴

1백만 쌍의 고품질 파노라마 샘플로 구성된 Canvas360Dataset을 제안하고, 병렬 깊이 생성, 속도 순환 패딩, 유사도 손실 정규화 같은 모델링 기법을 도입했다. 토큰 단위 연결로 다양한 파노라마 작업을 하나의 모델로 처리하며, 파노라마 전용 지표에서의 충실도와 기하 일관성을 개선하고 정량 평가에서 경쟁력 있는 선두 성능을 보인다. ⁴

Open Source & Repos

botpress/botpress: LLM 에이전트를 만드는 오픈소스 허브

Botpress는 OpenAI 등 공급사의 모델을 활용해 챗봇과 AI 에이전트를 구축·배포하는 공개 소프트웨어 플랫폼이다. 소프트웨어 개발 키트(Software Development Kit, SDK)와 명령줄 인터페이스(Command-Line Interface, CLI) 패키지(@botpress/sdk, @botpress/cli), 관리형 Botpress Cloud를 제공하며 대형 언어 모델(Large Language Model, LLM) 기반 어시스턴트를 빠르게 만들 수 있도록 설계됐다. ⁵

GitHub 저장소에는 문서, 커뮤니티 채널(디스코드, 유튜브), 클라우드 콘솔이 함께 연결돼 있어 고객지원, FAQ, 업무 자동화 어시스턴트를 시제품으로 만들고 호스팅까지 이어가기 좋다. ⁵

왜 중요한가

질병 온톨로지, 물리 센서의 이벤트 스트림, 사고 사건의 구조처럼 실제 제약을 입력으로 삼으면, 의사결정 현장에서 더 신뢰할 수 있는 출력이 나온다. DrugGen-2, LongE2V, AUTOPILOT-VQA는 모두 도메인 맥락을 생성과 추론에 연결해 시행착오를 앞단에서 줄이려는 시도를 보여준다. ¹

도구 측면에서는 Botpress 같은 허브형 플랫폼이 어시스턴트 제작의 초기 설정 시간을 줄여 연구 성과와 실무 적용 사이의 간극을 좁힌다. ⁵

이번 주 시도해볼 것

1. Botpress 빠른 시작: GitHub 저장소를 클론하고 @botpress/cli로 FAQ 봇을 스캐폴딩한 뒤 Botpress Cloud에 테스트 배포한다(https://github.com/botpress/botpress).