팀네이버가 2026년 7월 6일부터 11일까지 서울 코엑스에서 열린 국제머신러닝학회(ICML 2026)에 참가해 연구 6건을 발표했다. 네이버가 7월 13일 공개한 목록은 스포트라이트 1건, 일반 포스터 4건, 포지션 트랙 1건이다. 연구 범위는 대규모언어모델(LLM) 안전성, 모델 병합과 에이전트 워크플로 자동화, 흐린 단안 영상의 동적 3D 복원, 의료 AI 평가체계까지 이어진다.
스포트라이트로 선정된 ‘Stable-GFlowNet’은 LLM의 취약점을 찾는 레드티밍에서 공격의 효과와 다양성을 함께 확보하려는 방법이다. 논문은 생성 흐름 네트워크의 분배함수 추정을 없애고, 쌍별 비교와 잡음 보상 마스킹, 비문 생성을 억제하는 안정화 장치를 제안한다. 네이버는 이 논문이 전체 채택 논문의 상위 약 2.2%에 해당한다고 밝혔다. 다만 이 비율은 회사 발표 기준이며, 보도자료에는 공격 성공률의 원점수나 실제 서비스 검증 결과가 없다.
운영 효율 분야의 ‘SyMerge’는 여러 작업용 모델을 합칠 때 단일 작업별 레이어와 병합 계수만 조정해 간섭 회피를 넘어 작업 간 상승효과를 노린다. ‘FlowBot’은 워크플로 구조를 고르는 바깥 최적화와 각 LLM 호출을 다듬는 안쪽 최적화를 결합해 사람이 짠 파이프라인 의존도를 낮춘다. 분산형 지시 튜닝 연구 ‘MERIT’은 136개 Vision-FLAN 작업을 Qwen2.5-VL-3B에 적용한 논문 실험에서 8개 벤치마크 평균을 공동학습 54.3에서 57.0으로 높였다고 보고했다. 이는 해당 모델·데이터 구성의 연구 결과이지 모든 환경의 성능 보장은 아니다.
3D 연구 ‘Kinematics-GS’는 움직임 때문에 흐려진 단일 카메라 영상에서 정적·동적 가우시안을 나누고, 운동 궤적에 맞춘 좌표축으로 동적 가우시안의 형태를 보정한다. 저자들은 별도 모션 감독 없이 비강체 장면을 복원하도록 설계했으며 실제 흐림이 있는 자체 데이터셋도 제시했다. 논문은 기존법보다 우수한 복원을 보고하지만, 초록에는 모든 장면에 적용되는 단일 성능 수치가 없고 논문 본문도 연산 비용과 메모리 사용량을 한계로 적었다.
나머지 포지션 트랙 논문은 공개 벤치마크만으로 의료 AI를 평가할 때 생기는 한계를 국가별 의료 환경에 맞춘 평가로 보완해야 한다는 문제를 제기한다. 네이버 보도자료는 이 연구의 제목과 트랙을 공개했지만 데이터셋, 비교 실험, 정책 적용 일정은 설명하지 않았다. 부스에서 소개한 ‘서울 월드 모델’은 네이버·네이버랩스·KAIST·서울대가 서울 전역 공간 데이터를 시뮬레이션해 로봇 경로와 행동 학습에 쓰려는 플랫폼이다. 이는 현장 전시 사례이며 채택 논문 6건 목록에는 포함되지 않는다.
| 발표 구분 | 건수 | 연구 |
|---|---|---|
| Spotlight · Top 2.2% | 1 | Stable-GFlowNet |
| Poster | 4 | SyMerge / Kinematics-GS / Decentralized Instruction Tuning(MERIT) / FlowBot |
| Position Track | 1 | The Open Benchmark Paradox Must be Resolved through Sovereign Medical Evaluation |
자료: STORIUM 정리
이번 발표는 연구 채택과 전시 성과를 묶은 것으로, 상용 제품 출시나 즉시 적용을 뜻하지 않는다. 네이버는 모델 배포 일정, 고객 적용 범위, 비용, 재현 가능한 통합 벤치마크를 공개하지 않았다. 따라서 확인 가능한 결론은 6건의 트랙 구성과 각 논문이 제안한 방법, 제한된 실험 조건까지다. 특히 ‘최고 수준’, ‘탁월한 성능’ 같은 회사 표현은 공개된 실험 설정과 독립 재현 결과를 확인한 뒤 판단해야 한다.
1차 출처: https://www.navercorp.com/media/pressReleasesDetail?seq=10034468
저작권자 © STORIUM 무단전재 및 재배포 금지
