#ICML 2026
3개의 포스트

질문을 미리 배운 검색 — 애플 '상각 MIPS'가 RAG 검색을 빠르게 만드는 법, 지지 함수부터 한국어 실측까지
애플 머신러닝 연구팀이 2026년 11월 5일 「Faster Retrieval for Better, More Efficient RAG」를 올렸습니다. RAG의 맨 밑바닥에서 돌아가는 '최대 내적 검색(MIPS)'을, 색인을 더 잘 짓는 대신 '들어올 질문을 미리 배우는' 신경망으로 빠르게 하자는 제안입니다. 핵심은 볼록 해석의 오래된 도구인 지지 함수입니다. 문서 집합에 대한 최고 점수는 질문의 볼록 함수이고, 그 기울기가 곧 정답 문서입니다. 그래서 점수를 배우는 SupportNet은 방(클러스터) 고르기에, 정답 위치를 바로 배우는 KeyNet은 질문 고쳐 쓰기에 씁니다. Natural Questions 260만 문단에서 같은 품질을 1.9배·8배 빠르게 냈다는 결과입니다. 이 글은 50년 근사 검색의 역사에서 이 아이디어가 왜 나왔는지, 논문 그림과 수식을 하나씩 풀고, 연산량으로 다시 셈한 비용, 공개 코드의 시험셋 구성, 생성 질의라는 데이터의 성격까지 따져 봅니다. 그리고 KorQuAD 6만 질문·2만 8천 문단과 KURE-v3로 KeyNet과 라우터를 직접 학습해 쟀습니다. 논문 방식의 시험(학습 질문의 잡음 복제본)에서는 방 하나로 정답 방을 고르는 비율이 46.7%에서 KeyNet 60.0~69.8%, 라우터 76.7%로 뛰었지만, 같은 시험에서 '가장 비슷한 학습 질문의 답 베끼기'가 96.3%였습니다. 처음 보는 질문에서는 KeyNet의 이득이 1~5%포인트로 줄고 라우터는 12%포인트를 지켰으며, 처음 보는 문서의 질문에서는 KeyNet이 8~10%포인트 손해를 봤습니다. 인터랙티브 7개, 삽화 12장.

기억력 시험은 만점, 심부름은 낙제 — MemoryArena가 보여 준 에이전트 기억의 진짜 시험
LoCoMo 같은 기억력 시험에서 90점대를 받는 에이전트가, 어제 산 카메라에 맞는 렌즈를 오늘 사 오는 심부름은 거의 못 합니다. ICML 2026 논문 MemoryArena는 기억을 '회상'이 아니라 '다음 행동'으로 채점합니다. 묶음 쇼핑·단체 여행·점진 검색·수학/물리 증명 사슬 701과제(하위 과제 4,850개)에서 롱컨텍스트·기억 에이전트·RAG 13가지 방식의 과제 성공률은 모두 0.20 이하였고, 단체 여행은 전원 0이었습니다. 기억 장치를 붙였다고 나아지지도 않았습니다. 왜 이런 시험이 필요해졌는지 1990년대 인지과학과 POMDP부터 건초더미 속 바늘, LoCoMo·LongMemEval까지 거슬러 올라가고, 네 경기장의 설계와 표·그림·부록 사례·공개 심사평을 하나씩 읽습니다. 공개 데이터로 '기억해 내기'와 '기억으로 행동하기'를 직접 갈라 재 보니, 같은 모델이 같은 기억으로 앞 여행자의 선택을 97% 떠올렸지만 그 선택을 기준 삼은 행동은 36%만 맞혔고, 필요한 사실을 정답으로 쥐여 줘도 31%였습니다. 모델이 직접 쓴 요약 메모는 취향만 적고 결정을 버려 회상 0%였습니다. 인터랙티브 5개.

LLM은 도약하지 못한다: 아인슈타인의 낙서 한 장이 2026년 AI에게 던진 질문
구글 딥마인드 톰 자하비의 ICML 2026 포지션 페이퍼 「Position: LLMs can't jump」를 정면으로 뜯어본다. 아인슈타인이 친구에게 그려 보낸 낙서 한 장에서 출발해, 왜 오늘의 AI가 정리를 증명하면서도 전제를 만들지 못하는지, 벌컨 행성과 엘리베이터 사고실험과 2026년의 월드 모델 경쟁까지 — 5개의 인터랙티브와 함께 끝까지 따라간다.