logo

팀네이버, 세계 최고 권위 AI 학회 'ICML 2026'서 모델부터 실서비스까지 ‘AI 풀스택’ 기술력 입증

- LLM의 취약점을 찾는 '레드티밍' 연구, 전체 채택 논문 중 상위 2.2% '스포트라이트' 선정

- 시머지, 플로우봇 기술 등 공개… AI 모델 및 에이전트 운영 효율 대폭 개선

- 서울 전역 공간 데이터 기반 '서울 월드 모델', 피지컬 AI 핵심 인프라로 주목

2026-07-13

팀네이버가 세계 최고 권위의 AI 학회 'ICML 2026(국제 머신러닝 학회)'에서 AI 모델의 고도화부터 현실 세계의 피지컬 AI까지를 포함하는 폭넓은 연구 성과를 발표하며 글로벌 AI 기술 경쟁력을 입증했다.

팀네이버는 지난 6일부터 11일까지 서울 코엑스에서 열린 ICML 2026에 'Where AI Research Becomes Reality(AI 연구가 현실이 되는 곳)'를 주제로 참가, 부스를 열고 주요 연구 성과뿐만 아니라 이를 기반으로 한 실서비스 사례를 다수 선보였다.

이번 학회에서 팀네이버가 발표한 연구들은 AI 풀스택 기술을 실제 서비스와 산업현장에 적용하기 위한 구체적인 성과들로, ▲AI 안전성 강화 ▲모델ㆍ에이전트 운영 효율화 ▲3D 공간 이해와 물리 세계 확장 등 크게 세 가지 분야를 아울렀다.

그중 가장 주목받은 연구는 LLM의 취약점을 공격자의 관점에서 찾아내는 '레드티밍(Red-Teaming)' 기술이었다. '스테이블 지플로우넷(Stable-GFlowNet)'은 기존 방식이 안고 있던 학습 불안정성과 유사 패턴 반복 문제를 구조적으로 해결한 기술로, 전체 채택 논문 중 상위 약 2.2%에 해당하는 '스포트라이트(Spotlight)'에 선정됐다. 덕분에 LLM이 실제 서비스에 배포되기 전 공격 취약점을 더 강력하고 다양한 시나리오로 검증할 수 있다는 평가를 받았다.

모델·에이전트 운영 효율화 분야에서는 AI를 더 효율적으로 합치고 운영하는 기술들이 공개됐다. ‘시머지(SyMerge)'는 서로 다른 작업에 특화된 여러 모델을 하나로 통합하는 모델 병합 기법으로, 단 하나의 레이어만 조정해 모델 간 시너지를 이끌어내는 매우 간단한 아이디어를 제시함에도, 비전과 자연어처리를 포함한 다양한 벤치마크에서 최고 수준의 성능을 달성했다.

'플로우봇(FlowBot)'은 여러 AI가 협력해 문제를 해결할 때 어떤 순서로 작업할지 사람이 일일이 설계하지 않아도 AI가 스스로 찾아내는 기술로, 하네스 엔지니어링의 핵심 연구 성과라는 평가를 받았다. 또한 수백~수천 개의 서로 다른 데이터셋을 성격에 따라 그룹을 지어 분할 학습시킨 후, 단 한 번의 병합만으로 LLM 후공정 성능을 효율적으로 끌어올리는 기술도 함께 소개됐다.

3D 공간 이해 분야에서는 흔들리거나 초점이 흐린 단일 카메라 영상만으로 움직이는 3차원 장면을 복원하는 연구가 발표됐다. 기존 방식은 움직임으로 인해 물체의 동작과 형태 정보를 뒤섞어 정밀한 복원이 어려웠지만, 이 연구는 운동 궤적을 기반으로 형태를 추정하는 방식으로 탁월한 복원 성능을 입증했다.

논문 발표와 함께 팀네이버는 실제 서울을 가상으로 재현한 '서울 월드 모델(Seoul World Model)'을 집중 소개했다. 네이버, 네이버랩스, 한국과학기술원(KAIST), 서울대학교가 공동 개발한 이 모델은 서울 전역의 공간 데이터를 시뮬레이션해 로봇의 경로·행동 학습에 직접 활용할 수 있는 피지컬 AI의 핵심 플랫폼으로 큰 주목을 받았다.

한편 ICML(International Conference on Machine Learning, 국제 머신러닝 학회)은 NeurIPS·ICLR과 함께 세계 3대 인공지능 및 머신러닝 학회로 꼽히며, 올해 처음으로 한국에서 개최되었다. (끝)

[참고] 올해 ICML에서 채택된 6건의 팀네이버 논문 정보

｜SPOTLIGHT · TOP 2.2%

- Stable-GFlowNet: Toward Diverse and Robust LLM Red-Teaming via Contrastive Trajectory Balance

｜POSTER

- SyMerge: From Non-Interference to Synergistic Merging via Single-Layer Adaptation

- Kinematics-Driven Gaussian Shape Deformation for Blurry Monocular Dynamic Scenes

- Decentralized Instruction Tuning: Conflict-Aware Splitting and Weight Merging

- FLOWBOT: Inducing LLM Workflows with Bilevel Optimization and Textual Gradients

｜POSITION TRACK

- The Open Benchmark Paradox Must be Resolved through Sovereign Medical Evaluation