diff --git a/README.md b/README.md
index 7145c466..59fa49ac 100644
--- a/README.md
+++ b/README.md
@@ -1,7 +1,30 @@
 # Paper List
 ## 2502
+#### [Learning Getting-Up Policies for Real-World Humanoid Robots](summaries/2502.12152.md)
+#### [HermesFlow: Seamlessly Closing the Gap in Multimodal Understanding and Generation](summaries/2502.12148.md)
+#### [Diffusion-Sharpening: Fine-tuning Diffusion Models with Denoising Trajectory Sharpening](summaries/2502.12146.md)
+#### [MagicArticulate: Make Your 3D Models Articulation-Ready](summaries/2502.12135.md)
+#### [SWE-Lancer: Can Frontier LLMs Earn $1 Million from Real-World Freelance Software Engineering?](summaries/2502.12115.md)
+#### [PhysReason: A Comprehensive Benchmark towards Physics-Based Reasoning](summaries/2502.12054.md)
 #### [Building A Proof-Oriented Programmer That Is 64% Better Than GPT-4o Under Data Scarsity](summaries/2502.11901.md)
+#### [Intuitive physics understanding emerges from self-supervised pretraining on natural videos](summaries/2502.11831.md)
+#### [video-SALMONN-o1: Reasoning-enhanced Audio-visual Large Language Model](summaries/2502.11775.md)
+#### [Language Complexity Measurement as a Noisy Zero-Shot Proxy for Evaluating LLM Performance](summaries/2502.11578.md)
+#### [Large Language Models and Mathematical Reasoning Failures](summaries/2502.11574.md)
+#### [SAFE-SQL: Self-Augmented In-Context Learning with Fine-grained Example Selection for Text-to-SQL](summaries/2502.11438.md)
+#### [System Message Generation for User Preferences using Open-Source Models](summaries/2502.11330.md)
 #### [Cuckoo: An IE Free Rider Hatched by Massive Nutrition in LLM's Nest](summaries/2502.11275.md)
+#### [How Do LLMs Acquire New Knowledge? A Knowledge Circuits Perspective on Continual Pre-Training](summaries/2502.11196.md)
+#### [ReLearn: Unlearning via Learning for Large Language Models](summaries/2502.11190.md)
+#### [The Mirage of Model Editing: Revisiting Evaluation in the Wild](summaries/2502.11177.md)
+#### [SURGE: On the Potential of Large Language Models as General-Purpose Surrogate Code Executors](summaries/2502.11167.md)
+#### [Dyve: Thinking Fast and Slow for Dynamic Process Verification](summaries/2502.11157.md)
+#### [Talk Structurally, Act Hierarchically: A Collaborative Framework for LLM Multi-Agent Systems](summaries/2502.11098.md)
+#### [Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention](summaries/2502.11089.md)
+#### [Towards Data-Efficient Pretraining for Atomic Property Prediction](summaries/2502.11085.md)
+#### [Memory, Benchmark & Robots: A Benchmark for Solving Complex Tasks with Reinforcement Learning](summaries/2502.10550.md)
+#### [I Think, Therefore I Diffuse: Enabling Multimodal In-Context Reasoning in Diffusion Models](summaries/2502.10458.md)
+#### [One Example Shown, Many Concepts Known! Counterexample-Driven Conceptual Reasoning in Mathematical LLMs](summaries/2502.10454.md)
 #### [Text-guided Sparse Voxel Pruning for Efficient 3D Visual Grounding](summaries/2502.10392.md)
 #### [MM-RLHF: The Next Step Forward in Multimodal LLM Alignment](summaries/2502.10391.md)
 #### [Region-Adaptive Sampling for Diffusion Transformers](summaries/2502.10389.md)
@@ -29,11 +52,14 @@
 #### [ImageRAG: Dynamic Image Retrieval for Reference-Guided Image Generation](summaries/2502.09411.md)
 #### [SQuARE: Sequential Question Answering Reasoning Engine for Enhanced Chain-of-Thought in Large Language Models](summaries/2502.09390.md)
 #### [Logical Reasoning in Large Language Models: A Survey](summaries/2502.09100.md)
+#### [Show Me the Work: Fact-Checkers' Requirements for Explainable Automated Fact-Checking](summaries/2502.09083.md)
 #### [CoSER: Coordinating LLM-Based Persona Simulation of Established Roles](summaries/2502.09082.md)
+#### [CRANE: Reasoning with constrained LLM generation](summaries/2502.09061.md)
 #### [An Open Recipe: Adapting Language-Specific LLMs to a Reasoning Model in One Day via Model Merging](summaries/2502.09056.md)
 #### [Typhoon T1: An Open Thai Reasoning Model](summaries/2502.09042.md)
 #### [The Stochastic Parrot on LLM's Shoulder: A Summative Assessment of Physical Concept Understanding](summaries/2502.08946.md)
 #### [InfiniteHiP: Extending Language Model Context Up to 3 Million Tokens on a Single GPU](summaries/2502.08910.md)
+#### [Can a Single Model Master Both Multi-turn Conversations and Tool Use? CALM: A Unified Conversational Agentic Language Model](summaries/2502.08820.md)
 #### [Cluster and Predict Latents Patches for Improved Masked Image Modeling](summaries/2502.08769.md)
 #### [Skrr: Skip and Re-use Text Encoder Layers for Memory Efficient Text-to-Image Generation](summaries/2502.08690.md)
 #### [Mathematical Reasoning in Large Language Models: Assessing Logical and Arithmetic Errors across Wide Numerical Ranges](summaries/2502.08680.md)
@@ -42,6 +68,7 @@
 #### [Light-A-Video: Training-free Video Relighting via Progressive Light Fusion](summaries/2502.08590.md)
 #### [LLM Pretraining with Continuous Concepts](summaries/2502.08524.md)
 #### [mmE5: Improving Multimodal Multilingual Embeddings via High-quality Synthetic Data](summaries/2502.08468.md)
+#### [Better Embeddings with Coupled Adam](summaries/2502.08441.md)
 #### [LLM Modules: Knowledge Transfer from a Large to a Small Model using Enhanced Cross-Attention](summaries/2502.08213.md)
 #### [SARChat-Bench-2M: A Multi-Task Vision-Language Benchmark for SAR Image Interpretation](summaries/2502.08168.md)
 #### [Fino1: On the Transferability of Reasoning Enhanced LLMs to Finance](summaries/2502.08127.md)
diff --git a/summaries/2502.08441.md b/summaries/2502.08441.md
new file mode 100644
index 00000000..457b4a51
--- /dev/null
+++ b/summaries/2502.08441.md
@@ -0,0 +1,20 @@
+# Better Embeddings with Coupled Adam
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.08441.pdf](https://arxiv.org/pdf/2502.08441.pdf)
+
+1. 섹션 요약:
+
+   - **서론 (Introduction):** 이 논문은 대형 언어 모델(LLM)의 학습에서 발생하는 비등방성 임베딩 문제를 다룹니다. 비등방성은 모델의 표현력과 일반화 가능성을 제한합니다.
+   
+   - **비등방성 임베딩의 근본 원인 (On the Root Cause of Anisotropic Embeddings):** 비등방성의 원인은 Adam 최적화 알고리즘이 사용된 결과입니다. 이는 임베딩 벡터의 집단적인 이동을 야기하여 성능을 저하시키는 요인으로 작용합니다.
+
+   - **결합 Adam (Coupled Adam):** 표준 Adam 최적화 알고리즘을 수정한 "결합 Adam"을 제안합니다. 이는 임베딩 벡터에 동일한 학습률을 적용하여 비등방성을 줄이는 데 효과적입니다.
+
+   - **실험 (Experiments):** 결합 Adam의 성능을 평가하기 위해 다양한 크기의 모델과 데이터셋을 사용하여 소규모 및 대규모 실험을 수행했습니다. 그 결과, 대규모 데이터셋에서는 결합 Adam이 더 우수한 성능을 보였습니다.
+
+   - **결론 (Conclusions):** 결합 Adam은 임베딩 특정 메트릭을 개선할 뿐만 아니라 대규모 데이터셋의 상하위 성능까지 향상시켰습니다. 이러한 결과는 LLM 학습에 있어 중요한 시사점을 제공합니다.
+
+2. 전체 요약:
+
+   이 논문은 대형 언어 모델의 임베딩 벡터가 집단적으로 이동하여 비등방성을 보이는 문제를 다루고 있습니다. 이는 Adam 최적화 알고리즘이 원인이라고 지적하며, 결합 Adam이라는 수정된 알고리즘을 제안합니다. 결합 Adam은 임베딩 벡터 간의 균일한 학습률을 적용하여 이러한 문제를 해결하고, 대규모 데이터셋에서 성능을 향상시킵니다. 연구 결과는 결합 Adam이 모델의 표현력과 일반화 가능성을 높이는 데 기여할 수 있음을 보여줍니다.
\ No newline at end of file
diff --git a/summaries/2502.08820.md b/summaries/2502.08820.md
new file mode 100644
index 00000000..cf6699ab
--- /dev/null
+++ b/summaries/2502.08820.md
@@ -0,0 +1,20 @@
+# Can a Single Model Master Both Multi-turn Conversations and Tool Use? CALM: A Unified Conversational Agentic Language Model
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.08820.pdf](https://arxiv.org/pdf/2502.08820.pdf)
+
+1. 섹션별 요약:
+
+- **서론**: 이 논문은 CALM(Conversational Agentic Language Model)이라는 모델을 소개합니다. 이 모델은 다중 턴 대화와 복잡한 기능 호출을 동시에 처리할 수 있는 단일 대화형 에이전트를 목표로 합니다.
+
+- **관련 연구**: TOD(대화 지향 작업) 시스템과 LLM(대형 언어 모델) 기반 언어 에이전트의 차이점을 설명하고, CALM이 이 둘의 장점을 결합하는 방법을 제안합니다.
+
+- **방법론**: CALM-IT라는 하이브리드 데이터셋을 사용하여 CALM 모델을 학습합니다. 이 데이터셋은 다중 턴 대화와 복잡한 API 사용 시나리오를 포함하고 있으며, CALM은 이 데이터를 통해 대화 기술과 기능 호출 능력을 동시에 갖춘 모델로 진화하게 됩니다.
+
+- **실험 결과**: CALM 모델은 기존의 공개 및 비공개 모델을 능가하는 성능을 입증하였습니다. MultiWOZ 2.4, API-Bank, BFCL V3 등의 벤치마크에서 GPT-4o 보다 우수한 결과를 보였습니다.
+
+- **결론 및 미래 작업**: CALM은 다중 턴 대화 관리와 API 사용이 모두 가능한 단일 모델을 목표로 하며, 향후 연구 방향으로는 강화 학습 및 다중 턴 기능 호출 능력 향상을 꼽습니다.
+
+2. 전체 요약:
+
+이 논문은 CALM(Conversational Agentic Language Model)을 소개하며, 이 모델은 다중 턴 대화와 복잡한 API 호출을 동시에 처리할 수 있는 능력을 지닌 단일 대화형 에이전트의 개발을 목표로 합니다. CALM은 CALM-IT라는 특별한 데이터셋을 사용해 다중 대화 상태 추적과 정확한 API 호출을 통해 복합적인 사용자 요청에 대응할 수 있습니다. 실험 결과, CALM은 다양한 대화 및 기능 호출 벤치마크에서 우수한 성능을 보였으며, 특히 MultiWOZ 2.4와 같은 TOD 벤치마크와 API-Bank, BFCL V3 등의 에이전트 테스트에서 GPT-4o 등 기존 모델을 능가하는 성과를 나타냈습니다. 이러한 성과는 AI 기술의 발전을 위한 중요한 기여로 평가받습니다.
\ No newline at end of file
diff --git a/summaries/2502.09061.md b/summaries/2502.09061.md
new file mode 100644
index 00000000..60b693d0
--- /dev/null
+++ b/summaries/2502.09061.md
@@ -0,0 +1,19 @@
+# CRANE: Reasoning with constrained LLM generation
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.09061.pdf](https://arxiv.org/pdf/2502.09061.pdf)
+
+### 1. 섹션별 요약 및 주요 기여와 혁신적 부분 설명
+
+- **소개 (Introduction)**
+  이 논문은 AI 시스템에서 코드 생성 및 수리적 추론, 논리적 연산 등을 수행하는 대형 언어 모델(LLM)의 제한 조건 하에서의 생성 기법을 다룹니다. 과거의 연구들은 엄격한 형태적 제약이 LLM의 추론 능력을 떨어뜨릴 수 있다고 밝혔습니다. 이 논문은 이러한 제약 하에서 LLM의 추론 능력이 떨어지는 이유를 이론적으로 설명하고, 추가적인 규칙을 통해 추론 능력을 유지하면서도 문법적 정확성을 보장하는 방법을 제안합니다.
+
+- **CRANE 알고리즘 및 이론적 기초 (CRANE Algorithm and Theoretical Foundation)**
+  CRANE 알고리즘은 제한된 생성과 자유로운 생성 간의 균형을 맞추며, 이론적인 통찰력을 바탕으로 개발되었습니다. 이는 신중하게 설계된 규칙을 통해 LLM의 추론 능력 손실을 방지하면서도 문법적 정확성을 보장합니다. CRANE은 여러 오픈 소스 LLM 및 벤치마크에서 기존의 타 알고리즘들보다 성능이 뛰어남을 실험적으로 입증하였습니다.
+
+- **기여 및 결론 (Contributions and Conclusion)**
+  이 논문은 제한적 문법의 사용이 LLM의 문제 해결 능력을 저해할 수 있음을 이론적으로 설명하며, LLM의 표현력을 보전할 수 있는 문법을 제안합니다. CRANE은 전통적 제한적 디코딩 전략보다 최대 10% 더 높은 정확도를 기록하여 LLM의 기능적 정확성을 크게 개선합니다. 또한, 제안된 방법이 수리적 추론 벤치마크에서 효과적으로 작용함을 보였습니다.
+
+### 2. 전반적 요약
+
+이 논문은 대형 언어 모델이 엄격한 제약 하에서 생성되는 경우 추론 능력의 저하가 발생한다는 점을 이론적으로 설명하고, 이러한 문제를 해결하기 위해 CRANE이라는 알고리즘을 제안합니다. CRANE은 제한된 생성과 자유로운 생성 간의 최적의 균형을 이루며, 기존 방법들보다 높은 정확도와 문법적 정확성을 제공합니다. 이 논문의 연구는 LLM이 상호작용하는 복잡한 소프트웨어 환경에서 발생하는 시스템 기능 향상에 기여합니다.
\ No newline at end of file
diff --git a/summaries/2502.09083.md b/summaries/2502.09083.md
new file mode 100644
index 00000000..f90b4bc1
--- /dev/null
+++ b/summaries/2502.09083.md
@@ -0,0 +1,20 @@
+# Show Me the Work: Fact-Checkers' Requirements for Explainable Automated Fact-Checking
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.09083.pdf](https://arxiv.org/pdf/2502.09083.pdf)
+
+1. 각 섹션의 요약 및 논문의 주요 기여와 혁신적인 부분:
+
+- 도입부: 논문은 최근 온라인 미디어의 대중화와 생성 AI의 발달로 팩트 체킹의 필요성이 대두되고 있다고 설명합니다. 팩트 체킹 조직들은 늘어나는 허위정보를 검증하기 위해 AI 기반 도구 개발이 필요하며, 이러한 도구가 어떻게 팩트 체커의 작업 흐름에 통합될 수 있는지를 조사합니다.
+
+- 연구 방법론: 반구조화된 인터뷰를 통해 팩트체킹 전문가들의 작업 방식, 자동화된 도구 사용 방식, 설명 필요성 등을 파악하였습니다. 주어진 데이터를 통해 팩트체크의 각 단계에서 AI 도구가 어떻게 사용되며, 설명력이 어떻게 요구되는지 분석합니다.
+
+- 자동화된 팩트체킹의 현황: AI 시스템이 인간의 논리와 완전히 일치하지 않음을 지적하며, 이러한 간극을 메우기 위한 인간 중심 접근의 필요성을 강조합니다.
+
+- 설명 가능한 AI의 필요성: 팩트체크의 자동화에서 설명의 중요성에 대해 다루며, 시스템이 결과를 추론한 과정에 대한 설명을 요구하는 팩트체커들의 요구사항을 강조합니다.
+
+- 연구 결과: 자동화된 팩트체킹 시스템이 팩트체커의 작업 과정과 충분히 연결되지 않음을 밝혔고, AI 도구의 설명력이 불충분하다고 판단됩니다. 이에 대응하여, 인간의 맥락에 맞춘 설명력 있는 도구 개발의 필요성을 제안합니다.
+
+2. 전체 요약:
+
+이 논문은 허위정보 문제의 심각성과 이를 해결하기 위한 자동화된 팩트체킹 시스템의 필요성을 강조합니다. 이를 위해 인간 중심의 접근법을 강조하며, AI 시스템이 어떻게 설명력을 갖춰야 팩트체커의 작업방식에 통합될 수 있는지 분석합니다. 팩트체커들이 필요로 하는 설명력의 기준을 조사하고, 현재의 자동화 시스템이 이러한 필요성에 부합하지 못함을 지적하며, 설명 가능한 AI 시스템의 개발 방향을 제안합니다.
\ No newline at end of file
diff --git a/summaries/2502.10454.md b/summaries/2502.10454.md
new file mode 100644
index 00000000..37edd12d
--- /dev/null
+++ b/summaries/2502.10454.md
@@ -0,0 +1,24 @@
+# One Example Shown, Many Concepts Known! Counterexample-Driven Conceptual Reasoning in Mathematical LLMs
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.10454.pdf](https://arxiv.org/pdf/2502.10454.pdf)
+
+### 1. 각 섹션의 요약:
+
+#### 소개
+논문은 수학적 대형 언어 모델(LLMs)의 증명 생성 능력 강화를 목표로 합니다. 현재의 LLMs는 학습 중에 관련된 증명 과정을 경험한 경우에만 주장을 증명할 수 있습니다. 이 연구는 LLM이 수학적 추론과 증명을 향상시키기 위해 대항 사례 증명을 사용하도록 고안되었습니다.
+
+#### COUNTERMATH 데이터셋 구축
+COUNTERMATH는 다양한 수학 분야에서의 대항 사례를 포함하여 번역되고 검토된 데이터를 기반으로 구축된 데이터셋입니다. 이 데이터셋은 LLMs가 대항 사례를 제공하여 수학적 명제를 증명하는 능력을 평가하기 위해 설계되었습니다.
+
+#### 실험 및 분석
+COUNTERMATH 데이터셋으로 다양한 수학적 LLMs를 평가한 결과, 현재의 LLMs는 특히 위상수학과 실해석학에서 대항 사례 기반의 추론 능력이 부족함이 드러났습니다. 또한, 대항 사례를 활용한 모델이 다른 모델에 비해 우수한 성능을 보여주었으며, 이는 대항 사례에 기반한 학습이 수학적 추론 학습에 효과적임을 시사합니다.
+
+#### 주요 기여
+본 연구는 대항 사례 기반의 증명 기법을 활용하여 LLMs의 수학적 이해를 강화하는 새로운 패러다임을 제시하였습니다. 실험을 통해 대항 사례 기반 학습 모델이 베이스라인 모델들보다 우수한 성능을 발휘함을 입증했습니다. 이는 대항 사례를 통한 개념 학습이 일반적인 수학적 도메인에서의 개념 추론을 향상시킬 수 있음을 나타냅니다.
+
+#### 결론
+본 연구의 COUNTERMATH 데이터셋은 LLMs에 대한 심층적 개념 추론 능력의 성숙도를 평가하기 위한 도전적인 벤치마크를 제공하며, 미래 연구의 중요한 방향성을 제시합니다.
+
+### 2. 전체 요약:
+이 논문은 수학적 대형 언어 모델의 개념 이해와 증명 능력을 강화하기 위한 새로운 벤치마크인 COUNTERMATH를 도입했습니다. 연구는 대항 사례(proof by counterexamples)를 통해 LLM의 수학적 추론 능력을 평가하고 향상시키는 것을 목표로 합니다. 실험 결과, 대항 사례 기반 학습이 LLMs가 일반적인 수학적 개념을 더 깊이 이해하고 처리 가능하게 만드는 데 효과적임을 보여주었습니다. 이는 LLM 연구 커뮤니티에 중요한 기여를 합니다.
\ No newline at end of file
diff --git a/summaries/2502.10458.md b/summaries/2502.10458.md
new file mode 100644
index 00000000..9e9c304a
--- /dev/null
+++ b/summaries/2502.10458.md
@@ -0,0 +1,30 @@
+# I Think, Therefore I Diffuse: Enabling Multimodal In-Context Reasoning in Diffusion Models
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.10458.pdf](https://arxiv.org/pdf/2502.10458.pdf)
+
+### 1. 각 섹션 요약
+
+**서론**  
+이 논문은 'ThinkDiff'라는 새로운 방법론을 제안하여 VLM (비전-언어 모델)의 다중 모드 맥락에서의 추론 능력을 확산 모델에 통합합니다. 기존의 텍스트-이미지 확산 모델이 높은 품질의 이미지를 생성할 수 있지만, 맥락 내 추론 기능이 부족하다는 문제를 지적합니다.
+
+**관련 연구**  
+다양한 접근법과 모델을 비교하면서, ThinkDiff가 기존의 방식과는 달리 비전-언어 훈련을 통해 다중 모드 추론을 개선함으로써 차별화된다는 점을 강조합니다.
+
+**방법론**  
+ThinkDiff는 비전-언어 모델(VLM)에서 확산 디코더로 추론 기능을 전송하기 위한 '매개 과제'를 도입했으며, 이 매개 과제는 VLM과 대형 언어 모델(LLM) 디코더를 정렬하여 다중 모드 추론을 가능하게 합니다.
+
+**실험 결과**  
+ThinkDiff-LVLM은 CoBSAT 벤치마크에서 다른 기존 방법을 능가하며, 10개의 다중 모드 맥락 추론 생성 과제 중 9개에서 최고 성능을 기록했습니다.
+
+**결론**  
+ThinkDiff는 다중 모드 맥락에서의 추론을 확산 모델에 통합하는 데 탁월한 성능을 보였으며, 향후 오디오 및 비디오와 같은 새로운 모드로의 확장이 기대됩니다.
+
+**영향 및 전망**  
+ThinkDiff가 텍스트-이미지 확산 모델을 발전시키며, 교육, 디자인 등 다양한 분야에서의 응용 가능성을 가지고 있음을 강조합니다. 그러나 오용될 가능성도 있어 이를 예방하기 위한 책임감 있는 배포와 강력한 안전장치의 필요성을 언급합니다.
+
+---
+
+### 2. 전체 요약
+
+이 논문에서는 'ThinkDiff'라는 새로운 정렬 방법론을 통해 비전-언어 모델(VLM)의 다중 모드 맥락 추론 능력을 확산 모델에 통합하는 방법을 제안합니다. ThinkDiff는 VLM과 대형 언어 모델(LLM) 디코더를 정렬하여, 기존의 확산 모델이 가지지 못했던 고급 다중 모드 추론 기능을 실현합니다. 실험 결과, ThinkDiff는 CoBSAT 벤치마크에서 기존 방법을 크게 능가하였으며, 향후 오디오 및 비디오와 같은 다른 모드로의 확장 가능성을 보이고 있습니다. 다만, 모델의 오용 가능성을 경계하며, 이를 예방할 수 있는 안전장치의 필요성 역시 강조됩니다.
\ No newline at end of file
diff --git a/summaries/2502.10550.md b/summaries/2502.10550.md
new file mode 100644
index 00000000..d15112d9
--- /dev/null
+++ b/summaries/2502.10550.md
@@ -0,0 +1,20 @@
+# Memory, Benchmark & Robots: A Benchmark for Solving Complex Tasks with Reinforcement Learning
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.10550.pdf](https://arxiv.org/pdf/2502.10550.pdf)
+
+1. 각 섹션의 중요한 내용 요약:
+
+- **서론**: 이 논문에서는 강화 학습(RL) 에이전트의 메모리 기능을 평가하기 위한 통일된 벤치마크 프레임워크인 MIKASA를 소개합니다. 기존의 메모리 평가 방법들이 단편적이고, 특히 로봇 조작과 같은 특정 응용 분야에서는 일관된 표준이 없다는 점을 지적합니다.
+
+- **메모리 및 벤치마크 설계 원칙**: MIKASA-Base는 메모리 RL 에이전트를 평가하기 위해 진단적인 벡터 기반 환경과 복잡한 이미지 기반 환경으로 구성된 두 계층의 작업 구조를 구현합니다. 이를 통해 기초적인 메모리 기능을 검증하고 복잡한 과제에 도전할 수 있도록 합니다.
+
+- **메모리 작업 분류**: 메모리 작업을 네 가지 유형으로 분류하여, RL 에이전트의 메모리 메커니즘을 평가할 수 있는 구조적 접근 방식을 제시합니다. 이는 메모리 작업에 대한 체계적인 평가를 가능케 하며, RL과 로봇공학에서의 중요한 메모리 도전 과제를 다룰 수 있는 토대를 제공합니다.
+
+- **관련 연구 작업**: 여러 RL 벤치마크들이 에이전트의 메모리 기능을 평가하기 위해 설계되었습니다. 하지만 대부분이 추상적인 퍼즐이나 네비게이션 과제에 초점을 맞추고 있어, 실제 로봇 시나리오에서의 다양한 메모리 과제를 충분히 포괄하지 못한다는 점을 강조합니다.
+
+- **결론**: 본 연구는 RL에서 메모리 강화 에이전트를 개발하기 위한 효과적인 벤치마크를 제공하여, 본질적인 메모리 메커니즘과 복잡한 과제 사이의 차이를 강조하고, 현실적인 로봇 응용 프로그램에서 메모리 기능의 발전을 가속화하는 데 기여합니다.
+
+2. 전체 요약:
+
+이 논문은 강화 학습 에이전트의 메모리 기능 강화를 위한 MIKASA라는 새로운 벤치마크를 제안합니다. 이를 통해 메모리 작업을 체계적으로 분류하고, 다양한 시나리오에서 에이전트를 평가할 수 있는 통합된 환경을 제공합니다. MIKASA는 특히 로봇 조작과 같은 부분에서 에이전트의 메모리 기능 검증을 가능하게 하여, 실제 응용 프로그램에서의 메모리 능력을 향상시키는 데 중점을 둡니다.
\ No newline at end of file
diff --git a/summaries/2502.11085.md b/summaries/2502.11085.md
new file mode 100644
index 00000000..3eb201cd
--- /dev/null
+++ b/summaries/2502.11085.md
@@ -0,0 +1,20 @@
+# Towards Data-Efficient Pretraining for Atomic Property Prediction
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11085.pdf](https://arxiv.org/pdf/2502.11085.pdf)
+
+1. 각 섹션의 중요한 내용 요약:
+
+- **서론**: 본 논문은 원자 속성 예측에 있어서 데이터와 계산 자원 확대가 아닌 데이터 선택의 중요성을 강조합니다. 연구는 '더 큰 것이 항상 더 나은가?'라는 가정에 도전하며, 전략적으로 선택된 데이터셋이 어떻게 성능을 향상시킬 수 있는지를 탐구합니다.
+
+- **관련 연구**: 기존 연구는 컴퓨터 비전과 자연어 처리의 사전학습의 성공을 기반으로 하고 있으며, 원자 속성 예측에서는 주로 자가감독 학습에 집중하고 있습니다. 본 논문은 데이터셋의 관련성이 다운스트림 성능에 미치는 영향을 조사하며, 특히 엄청난 자원이 필요한 다중 도메인 사전학습의 효율적 대안을 제시합니다.
+
+- **문제 설정 및 방법론**: 프레셰 인셉션 거리에서 영감을 받은 '화학 유사도 지수'(CSI)를 소개하며, 이를 통해 상류 및 하류 데이터셋의 정렬을 평가합니다. 이러한 접근법은 계산 비용을 절감하면서도 경쟁력 있는 성능을 유지할 수 있음을 보여줍니다.
+
+- **결과 및 분석**: 실험 결과에 따르면, 작은 데이터셋이 종종 큰 혼합 데이터셋을 능가했으며, 무차별적으로 데이터를 추가하는 것은 성능 저하를 초래할 수 있음을 발견했습니다. 이는 질이 양을 능가할 수 있다는 것을 강조합니다.
+
+- **결론**: 본 연구는 데이터와 계산 자원의 확대가 아닌 데이터의 관련성을 기반으로 한 전략적 선택이 중요하다는 것을 입증했습니다. 이러한 접근법은 지속 가능하며 효율적으로 원자 성질 예측을 위한 기계를 학습시키는 방법을 제공합니다.
+
+2. 전체 요약:
+
+본 논문은 원자 속성 예측에서 데이터 선택의 중요성을 강조합니다. '화학 유사도 지수'(CSI)를 통해 데이터셋의 관련성을 평가하고, 이를 기반으로 전략적 데이터셋 선택이 계산 비용을 크게 절감하면서도 성능을 유지하거나 개선할 수 있음을 입증했습니다. 이 연구는 무차별적인 데이터 수에 의존하는 것이 아닌 고품질의 관련 데이터셋을 선택하는 방식의 유효성과 중요성을 보여주며, 이는 더 효율적이고 지속 가능한 기계 학습 방법을 제시합니다.
\ No newline at end of file
diff --git a/summaries/2502.11089.md b/summaries/2502.11089.md
new file mode 100644
index 00000000..a668de88
--- /dev/null
+++ b/summaries/2502.11089.md
@@ -0,0 +1,18 @@
+# Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11089.pdf](https://arxiv.org/pdf/2502.11089.pdf)
+
+1. **논문 섹션 요약 (요약과 상세 설명 포함):**
+
+   - **서론:** 이 논문에서는 차세대 대형 언어 모델에 있어 중요한 장기 문맥 모델링을 다루며, 날로 증가하는 복잡성으로 인한 계산 비용 문제를 해결하고자 합니다.
+   
+   - **목표 및 동기:** Sparse attention(드문 주의력) 기법의 효율성을 강조하며, 이를 통해 장기 문맥을 효과적으로 처리할 수 있는 Natively trainable Sparse Attention(NSA, 네이티브 훈련 가능 드문 주의력) 메커니즘을 제안합니다.
+
+   - **기술적 접근:** 이 연구는 알고리즘 설계와 하드웨어 최적화를 통해 기술적으로 NSA의 효율을 높입니다.
+
+   - **결과:** 실험 결과로 NSA는 일반 벤치마크 및 장기 문맥 작업에서 전체 주의력 모델들을 뛰어넘거나 비슷한 성능을 보였고, 또한 연산 효율과 장기 문맥 및 추론 성능에서 상당한 개선을 보여주었습니다.
+
+2. **전체 논문 요약:**
+
+   이 논문은 고급 하드웨어 최적화를 통해 Sparse attention의 네이티브 훈련 가능성을 혁신적으로 구현한 NSA 제안을 통해 장기 문맥 모델링의 효율성을 크게 향상시켰습니다. NSA는 실험을 통해 기존 모델에 비해 더 적은 계산 비용으로도 뛰어난 성능을 입증하였으며, 이로 인해 대형 언어 모델의 장기 문맥 처리에 있어 중요한 발전을 이루었음을 소개합니다.
\ No newline at end of file
diff --git a/summaries/2502.11098.md b/summaries/2502.11098.md
new file mode 100644
index 00000000..8247317a
--- /dev/null
+++ b/summaries/2502.11098.md
@@ -0,0 +1,24 @@
+# Talk Structurally, Act Hierarchically: A Collaborative Framework for LLM Multi-Agent Systems
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11098.pdf](https://arxiv.org/pdf/2502.11098.pdf)
+
+### 1. 섹션별 요약
+
+#### 서론
+이 연구는 LLM 기반 다중 에이전트 시스템(LLM-MA)의 현재 과제와 발전을 다룹니다. 다중 에이전트 시스템은 복잡하고 단계적인 문제 해결에 적합하며, 각각의 에이전트가 특정 작업을 수행할 수 있게 설계되었습니다. 그러나 이들 시스템에서 텍스트 기반의 비구조적인 통신과 동등한 다중 에이전트 평가의 한계로 인해 의사소통이 무질서해지는 문제가 발생합니다.
+
+#### 관련 연구
+최근 연구들에서는 다중 에이전트 시스템을 활용하여 LLM의 효율성을 높이려는 다양한 시도들이 이루어졌습니다. 체계적인 통신 프로토콜과 계층적 정제 방식이 이 시스템들의 성능을 높이기 위한 중요한 요소로 강조됩니다.
+
+#### 방법론
+TalkHier는 통신 이벤트 세트와 에이전트 간의 독립적인 기억 시스템을 통해 문제를 해결하는 LLM-MA 시스템을 설계했습니다. TalkHier의 핵심은 역할과 플러그인을 통해 각 에이전트를 정의하고, 에이전트 내부의 메모리를 통해 역할과 임무에 관한 정보를 저장하고 검색한다는 점입니다.
+
+#### 실험 결과
+TalkHier는 MMLU, WikiQA, Camera 데이터를 사용하여 테스트되었고, 다양한 성능 기준에서 다른 베이스라인보다 뛰어난 성과를 보였습니다. 특히 MMLU에서는 정확도 88.38%라는 최고 성과를 이뤘으나, 다소 높은 API 비용이 단점으로 작용했습니다.
+
+#### 결론
+이 논문은 TalkHier라는 새로운 프레임워크를 제안하여, 구조적인 통신 프로토콜과 계층적 정제의 중요성을 강조하며, 다중 에이전트 상호작용에서 높은 성과를 보여줍니다. 결과적으로, 효율적이고 공정한 방식의 에이전트 간 협력이 TalkHier의 특징임을 증명했습니다.
+
+### 2. 종합 요약
+이 논문은 TalkHier라는 새로운 LLM-MA 시스템을 소개하며, 기존 시스템들이 가진 비효율적인 통신 방식과 에이전트 평가의 불균형 문제를 해결하고자 했습니다. TalkHier는 GPT-4o를 기반으로 하며, 계층적 정제와 메시지 구조화를 통한 통신 효율성을 높이는 데 중점을 두었습니다. 실험 결과로 기존의 베이스라인 모델을 상회하는 성과를 보였으며, 공정한 다중 에이전트 협력의 가능성을 제시합니다.
\ No newline at end of file
diff --git a/summaries/2502.11157.md b/summaries/2502.11157.md
new file mode 100644
index 00000000..4e8d69d5
--- /dev/null
+++ b/summaries/2502.11157.md
@@ -0,0 +1,22 @@
+# Dyve: Thinking Fast and Slow for Dynamic Process Verification
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11157.pdf](https://arxiv.org/pdf/2502.11157.pdf)
+
+1. 각 섹션 요약 및 주요 기여 요약
+
+- **서론**: Dyve는 Daniel Kahneman의 '빠르게, 느리게 생각하기(Thinking, Fast and Slow)' 이론을 접목한 동적 과정 검증 모델로, 대형 언어 모델(LLM)의 추론 오류 탐지를 향상시킵니다.
+
+- **연관 연구**: 기존의 PRM(Process Reward Model) 및 LLM의 한계, 특히 바이너리 검증의 한계와 Chain-of-Thought(CoT) 접근법의 비용 문제를 설명합니다.
+
+- **방법론 개요**: Dyve는 두 가지 시스템을 사용하여 각 추론 단계를 확인합니다. 간단한 단계는 즉각 확인(System 1)하고 복잡한 단계는 깊이 있는 분석(System 2)으로 확인하는 방식을 채택하고 있습니다.
+
+- **단계별 합의 필터링 프로세스 감독**: OmegaPRM과 Monte Carlo 추정 방식을 결합하여 고품질의 교육 데이터를 획득하고, '판사 역할의 LLM'을 활용하여 불확실한 데이터를 걸러냅니다.
+
+- **실험 및 벤치마크**: Dyve는 ProcessBench에서 기존 시스템을 능가하는 성능을 보여주며, 적절한 효율성과 우수한 성능의 균형을 맞춥니다. 다양한 데이터셋에서도 높은 정확도를 기록합니다.
+
+- **제한 사항**: Dyve는 복잡한 다단계 문제에 대한 적응 필요성과 교육 데이터의 질과 다양성에 따라 성능이 좌우됩니다.
+
+2. 전체 요약
+
+Dyve는 LLM의 추론 오류를 검출하기 위한 동적 과정 검증 모델로, 반복적인 속도와 심층 분석을 결합하여 고도의 정확성과 효율성을 제공합니다. 이 논문의 주요 기여는 고품질의 데이터를 사용하여 교육된 모델이 복잡한 수학적 문제 해결에 얼마나 높은 성능을 보일 수 있는지를 증명하는 것입니다. 특히 두 가지 시스템을 이용한 추론 단계별 검증 과정은 기존 모델보다 상당히 진보된 결과를 가져옵니다.
\ No newline at end of file
diff --git a/summaries/2502.11167.md b/summaries/2502.11167.md
new file mode 100644
index 00000000..35015fd3
--- /dev/null
+++ b/summaries/2502.11167.md
@@ -0,0 +1,22 @@
+# SURGE: On the Potential of Large Language Models as General-Purpose Surrogate Code Executors
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11167.pdf](https://arxiv.org/pdf/2502.11167.pdf)
+
+1. **각 섹션 요약**
+
+   - **소개 (Introduction)**
+     이 논문은 LLMs(대형 언어 모델)의 일반적인 코드 실행 대리자로서의 가능성을 탐구합니다. 실행되지 않은 코드의 결과를 예측하는 능력은 실행 중에 많은 자원을 소모하거나 위험을 초래할 수 있는 환경에서 특히 유용합니다.
+
+   - **데이터셋 구성 (Dataset Components)**
+     다국어 코드, 대회 수준 코드, 저장소 수준 코드, 과학 계산 등을 포함하는 다양한 데이터셋을 사용하여 LLMs의 코드 실행 예측 능력을 평가합니다. 이 데이터셋은 복잡한 알고리즘을 다루며, 각 데이터셋은 구체적인 실행 환경 없이도 정확한 결과를 예측할 수 있는지를 테스트합니다.
+
+   - **실험 및 분석 (Experiments and Analysis)**
+     LLMs를 다양한 모델 및 환경 설정하에 테스트하여 각 모델의 성능 및 제한 사항을 조사합니다. 특히 CoT(Chain-of-Thought) 기법을 적용했을 때 성능이 향상된다는 점, 코드 모델이 규칙 기반 모델보다 장점이 있다는 점을 발견했습니다.
+
+   - **결론 (Conclusion)**
+     SURGE라는 새로운 벤치마크를 소개하여 LLMs를 일반적인 대리 코드 실행 모델로 평가합니다. LLMs가 실행 결과를 어느 정도 예측할 수 있는 능력이 있지만, 아직 개선의 여지가 많다고 결론 내립니다.
+
+2. **전체 요약**
+
+   이 논문은 LLMs를 일반적인 코드 실행 대리자로 평가하는 새로운 벤치마크인 SURGE를 도입합니다. 다양한 프로그래밍 언어 및 데이터셋을 기반으로, LLMs가 실행되지 않은 코드의 결과를 예측할 수 있는 능력을 평가하며, 특히 CoT 기법이 모델의 성능을 향상시킨다는 결론에 도달합니다. LLMs가 어느 정도의 실행 결과 예측 능력을 지니고 있음에도 불구하고, 아직 많은 부분에서 개선이 필요한 상태라는 점을 강조합니다.
\ No newline at end of file
diff --git a/summaries/2502.11177.md b/summaries/2502.11177.md
new file mode 100644
index 00000000..ac2e8133
--- /dev/null
+++ b/summaries/2502.11177.md
@@ -0,0 +1,22 @@
+# The Mirage of Model Editing: Revisiting Evaluation in the Wild
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11177.pdf](https://arxiv.org/pdf/2502.11177.pdf)
+
+1. 논문의 각 섹션 요약:
+
+- 서론: 이 논문은 대형 언어 모델(LLM)에 대한 모델 편집이 이론적으로는 거의 완벽한 결과를 보이고 있지만, 실제 환경에서의 효과는 밝혀지지 않았다고 지적합니다. 이를 해결하기 위해 모델 편집을 질문 응답(QA) 과제에서 평가하는 새로운 기준(QAEdit)을 제안하고 있습니다.
+
+- QAEdit의 설계: QAEdit는 세 가지 널리 사용되는 QA 데이터셋에서부터 파생된 데이터셋입니다. QA 데이터셋에서 모델의 이전 오류에 대한 성능을 평가하여 현실적인 평가를 가능하게 합니다.
+
+- 문제의식: 이전 연구의 성과가 부풀려져 있을 가능성이 있으며, 실세계 평가에서의 성능 저하 원인을 규명하려고 합니다. 이를 위해 입력, 생성 전략, 출력 절단, 평가 메트릭 등 주요 모듈을 분석합니다.
+
+- 성능 분석: 여러 평가 프레임워크를 통해 모델 편집의 실제 효과를 재검토합니다. 결과적으로, 현재의 편집 방법들이 실제 조건에서 얼마나 잘 작동하는지를 평가합니다. 실제 환경에서의 연속 편집 실험에서 현재 방법들이 잘 확장되지 않는다는 것을 보여줍니다.
+
+2. 논문의 주요 기여 및 혁신:
+- QAEdit라는 새로운 벤치마크를 도입하여 실세계 QA 과제에 맞춘 현실적 평가 프로토콜을 설정했습니다.
+- 이론적 성과와 현실 세계 시나리오에서의 현저한 성능 차이를 보여줍니다.
+- 현재의 평가 관행에서 문제점과 그 근본 원인을 규명합니다.
+
+3. 전체 요약:
+이 논문은 대형 언어 모델의 모델 편집을 현실적 시나리오에서 평가하는 프레임워크를 제안하며, 기존 연구 성과가 현실환경에서 부풀려진 것일 수 있음을 보여줍니다. 새로운 QAEdit 벤치마크를 통해 문제의 복잡성을 강조하고, 이론적 성과와 실세계 적용 가능성 사이의 차이를 공론화합니다.
\ No newline at end of file
diff --git a/summaries/2502.11190.md b/summaries/2502.11190.md
new file mode 100644
index 00000000..66d31331
--- /dev/null
+++ b/summaries/2502.11190.md
@@ -0,0 +1,22 @@
+# ReLearn: Unlearning via Learning for Large Language Models
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11190.pdf](https://arxiv.org/pdf/2502.11190.pdf)
+
+1. 각 섹션 요약:
+
+- **초록 (Abstract):** 이 논문은 대형 언어 모델(LLM)을 위한 새로운 언러닝 방법인 ReLearn을 소개합니다. 기존의 언러닝 방법은 목표 토큰의 확률을 억제하여 모델 성능과 언어적 일관성을 저해하는 문제를 가지고 있습니다. 이를 개선하기 위해 ReLearn은 데이터 증강 및 최적화를 활용하여 목표 지식을 없애는 동시에 높은 품질의 출력을 보존하는 방법을 제시합니다.
+
+- **서론 (Introduction):** 대규모 AI 훈련 데이터셋의 사용은 비인가된 개인 정보와 저작권 문제를 야기하고 있습니다. 이 논문은 이러한 데이터를 효과적으로 언러닝하는 방법으로 ReLearn을 제안합니다.
+
+- **관련 연구 (Related Work):** 기존의 언러닝 기법들은 주로 되돌이 최적화(reverse optimization)를 사용합니다. 그러나, 이는 모델의 언어 생성 능력을 저해하며, 이번 논문에서는 이러한 문제를 해결할 평가 지표를 소개합니다.
+
+- **방법론 (Methodology):** ReLearn은 데이터 증강을 통해 새로운 지식을 모델에 주입하여 기존의 정보를 지우고 모든 예제를 신경망에 효과적으로 입력합니다. 이를 통해 모델의 언어적 일관성을 유지하며 목표 지식을 제거합니다.
+
+- **실험 결과 (Experiments):** ReLearn은 기존의 방법들보다 목표 지식을 효과적으로 잊으면서도 뛰어난 성능을 보여주었고, 다양한 상황에서 안정적인 출력을 생성할 수 있음을 여러 실험을 통해 증명하였습니다.
+
+- **결론 (Conclusion):** ReLearn은 긍정적인 최적화 방법을 통해 잊기와 유지, 언어 능력을 균형 잡을 수 있는 실용적인 언러닝 패러다임을 제공합니다. 또한, 기존의 평가 지표의 한계를 해결하고 새로운 평가 방법을 제안합니다.
+
+2. 전체 요약:
+
+ReLearn은 대형 언어 모델에서 비인가된 정보를 제거하고 새로운 정보를 안전하게 주입하는 혁신적인 방법을 제시합니다. 기존의 언러닝 법은 모델의 언어 생성 능력을 희생하여 정보를 제거했으나, ReLearn은 데이터 증강과 긍정적인 최적화 기술을 사용하여 목표 정보를 효과적으로 제거하면서도 모델의 성능과 언어적 일관성을 보존합니다.
\ No newline at end of file
diff --git a/summaries/2502.11196.md b/summaries/2502.11196.md
new file mode 100644
index 00000000..6bc3b400
--- /dev/null
+++ b/summaries/2502.11196.md
@@ -0,0 +1,25 @@
+# How Do LLMs Acquire New Knowledge? A Knowledge Circuits Perspective on Continual Pre-Training
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11196.pdf](https://arxiv.org/pdf/2502.11196.pdf)
+
+1. 논문의 각 섹션 요약:
+
+   - **서론**
+     연구팀은 LLM(대형 언어 모델)이 새로운 지식을 얻는 방식을 이해하고, 이러한 지식을 신경망 내에서 어떻게 구조적으로 내재화하는지를 설명하고자 한다. 이를 위해, 연구팀은 지식 회로(evolution circuits)의 진화를 분석하여, 모델의 성능을 향상시키는 방법을 제시한다.
+
+   - **성능 분석**
+     연구는 각 지식 회로가 모델의 알고리즘에 맞게 행동 패턴을 재현할 수 있는지를 평가하여, LLM의 새로운 지식 습득 능력을 검증한다. 'Hit@10' 메트릭을 사용하여 이러한 성능을 측정하며, 새로운 지식의 학습 효율성은 기존 지식과의 관련성에 크게 영향을 받는다는 점을 발견하였다.
+
+   - **토폴로지 분석**
+     지식 회로의 동적 변화를 토폴로지적 관점에서 분석한다. 연구진은 회로가 어떻게 진화하면서 모델의 성능이 개선되는지를 그래프 이론적 메트릭을 통해 설명한다. 중요한 지식 회로의 중앙 집권화가 진행되며, 중앙의 주요 간선과 노드가 정보 흐름의 중심지가 된다.
+
+   - **구성요소 분석**
+     구성요소의 진화 패턴을 분석하는데 중점을 둔다. 연구팀은 훈련 중 구성 요소의 변화가 회로 성능에 어떻게 기여하는지를 자세히 밝혀냈다. 중요한 발견 중 하나는 특정 주의(attention) 헤드가 LLM의 사실 회상(factual recall)에 직접 기여한다는 점이었다.
+
+   - **결론**
+     새로운 지식 획득이 기존 지식과의 연관성에 크게 좌우되며, 지식 회로의 진화에는 형성과 최적화라는 두 가지 뚜렷한 단계가 있다는 것을 결론적으로 밝힌다. 이러한 관찰 결과는 LLM의 지속적 학습을 개선하기 위한 전략 방안을 제시한다.
+
+2. 전체 요약:
+
+   이 논문은 LLM의 새로운 지식 획득에 대한 이해를 심화시키기 위해 지식 회로의 진화를 분석한 연구로, 회로의 형성과 최적화를 통해 모델이 어떻게 성능을 향상시키는지를 설명한다. 특히, 관련성 높은 새로운 지식이 어떻게 더 효율적으로 통합되는지를 토폴로지와 구성요소의 변화와 연계하여 밝히고 있다. 이 논문은 LLM의 지속적 학습 성능을 향상시키기 위한 중요한 이론적 근간을 제공하며, 해당 지침을 바탕으로 다양한 도메인에 적용할 전략적 접근법을 제안한다.
\ No newline at end of file
diff --git a/summaries/2502.11330.md b/summaries/2502.11330.md
new file mode 100644
index 00000000..fb8eb5a0
--- /dev/null
+++ b/summaries/2502.11330.md
@@ -0,0 +1,20 @@
+# System Message Generation for User Preferences using Open-Source Models
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11330.pdf](https://arxiv.org/pdf/2502.11330.pdf)
+
+1. 각 섹션의 중요한 내용을 요약:
+
+- **서론:** 이 논문에서는 SYSGEN이라는 새롭고 혁신적인 파이프라인을 소개합니다. 이 파이프라인은 시스템 메시지를 생성하고 이를 통해 AI 비서의 응답을 사용자 지침에 더 잘 맞추도록 돕습니다.
+  
+- **관련 연구:** 시스템 메시지를 활용하여 대규모 언어 모델(LLMs)의 응답 방식에 영향을 주는 방법을 검토하고, 이를 향상시키기 위한 다양한 모델과 데이터세트를 소개합니다.
+  
+- **SYSGEN의 접근 방식:** SYSGEN은 열린 소스 모델에 기반하여 시스템 메시지를 생성해, 다양한 사용자 지침에 맞추도록 합니다. 이를 통해 기본 데이터세트도(Public datasets) 시스템 메시지 없이 강화할 수 있습니다.
+  
+- **실험 결과:** SYSGEN을 통해 생성된 데이터로 훈련된 모델들은 다차원(Multifacet) 데이터세트에서 더 나은 성능을 보였으며, 오픈 LLM 리더보드 2에서도 안정적 성능을 유지하는 것이 발견되었습니다.
+  
+- **결론:** SYSGEN을 통해 모델 응답을 더 나은 방향으로 조정하여 다양한 사용자 요구에 응답할 수 있도록 지원하며, 이는 모델 성능 향상을 도모합니다. 다만 다중 대화(turn conversation)에 대한 처리가 부족한 점은 한계로 남습니다.
+
+2. 전체 요약:
+
+이 논문은 SYSGEN이라는 파이프라인을 통해 대규모 언어 모델들이 사용자 지시를 더 잘 따를 수 있도록 시스템 메시지를 생성하는 방법론을 제안합니다. SYSGEN은 기존 데이터세트에 시스템 메시지를 추가하고, 이를 통해 모델의 응답이 사용자 요구에 더 효과적으로 일치하도록 돕습니다. 실험 결과, SYSGEN을 통해 생성된 데이터로 훈련된 모델은 다양한 벤치마크에서 뛰어난 성능을 보여, AI와 인간 사용자의 상호작용을 향상시킬 수 있는 잠재력을 입증하였습니다.
\ No newline at end of file
diff --git a/summaries/2502.11438.md b/summaries/2502.11438.md
new file mode 100644
index 00000000..bde5ad2c
--- /dev/null
+++ b/summaries/2502.11438.md
@@ -0,0 +1,24 @@
+# SAFE-SQL: Self-Augmented In-Context Learning with Fine-grained Example Selection for Text-to-SQL
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11438.pdf](https://arxiv.org/pdf/2502.11438.pdf)
+
+### 1. 주요 섹션 요약
+
+- **서론**
+  이 논문은 SAFE-SQL이라는 새로운 비감독(framework)을 소개하며, 이는 자연어 질문을 SQL 쿼리로 변환하는 정확성을 향상시키기 위한 것입니다. 기존의 방법들이 훈련 예제를 기반으로 했던 것과 달리, SAFE-SQL은 대형 언어 모델을 활용하여 자체적으로 고품질의 예제를 생성하고 필터링합니다.
+
+- **관련 연구**
+  과거의 Text-to-SQL 연구에서는 규칙 기반 시스템과 단순 패턴 매칭에 의존했으나, 이들은 자연어의 모호성과 맥락 의존성을 처리하는데 어려움을 겪었습니다. SAFE-SQL은 이러한 문제를 해결하기 위해 새로운 메커니즘을 도입했습니다.
+
+- **Text-to-SQL을 위한 세분화된 자가 증대**
+  SAFE-SQL은 LLM을 활용하여 데이터베이스 스키마에 맞춘 예제를 생성합니다. 생성된 예제는 의미론적 유사성, 구조적 유사성, 추론 경로의 품질을 기반으로 필터링됩니다. 이 과정을 통해 모델은 새로운 SQL 쿼리를 정확하게 생성할 수 있습니다.
+
+- **모범 사례**
+  SAFE-SQL은 복잡하거나 보이지 않는 시나리오에서 특히 뛰어난 성능을 보여줍니다. 훈련을 하지 않고도 높은 성과를 달성하였으며, 기존 방법론에서 실패할 수 있는 추가 어려운 시나리오에서도 성과를 향상시키는 것이 주목할 만합니다.
+
+- **실험 및 평가**
+  SAFE-SQL은 다양한 SQL 난이도 수준에서 기존의 몇 가지 방법들과 비교하여 최고의 실행 정확성을 달성했습니다. 모델의 성능을 계량화하기 위해 실행 정확도(EX)와 정확 일치(EM) 지표를 사용하여 평가하였습니다.
+
+### 2. 전체 요약
+SAFE-SQL은 자연어를 SQL 쿼리로 변환하는 Text-to-SQL 작업에서 성능을 극대화하기 위해 개발된 비감독 학습 기반의 자가 증대 프레임워크입니다. 기존의 훈련 데이터에 의존하기보다 LLM을 활용해 고품질의 예제를 생성하고 필터링하며, 특히 복잡한 시나리오에서 더욱 강력한 성능을 발휘합니다. 이 프레임워크의 중요한 기여는 새로운 데이터 생성과 필터링 메커니즘을 통해 텍스트 예제의 의미론적 및 구조적 유사성을 고려하여 SQL 쿼리의 정확성을 높였다는 점입니다.
\ No newline at end of file
diff --git a/summaries/2502.11574.md b/summaries/2502.11574.md
new file mode 100644
index 00000000..0162e148
--- /dev/null
+++ b/summaries/2502.11574.md
@@ -0,0 +1,22 @@
+# Large Language Models and Mathematical Reasoning Failures
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11574.pdf](https://arxiv.org/pdf/2502.11574.pdf)
+
+1. 요약:
+
+   1부 "서론"에서는 큰 언어 모형(LLMs)이 수학적 추론을 잘할 수 있는지에 대한 여러 연구를 소개합니다. 이 연구들은 주로 문제에 대한 최종 답이 맞는지를 확인하는 방식으로 진행되어 왔지만, 이 논문은 최종 답뿐 아니라 해결 과정도 꼼꼼히 분석합니다.
+
+   2부 "관련 연구"에서는 다양한 연구자들이 구축한 데이터셋을 설명하며, LLMs의 수학 능력을 측정하는 방법과 한계를 제시합니다. 이 데이터셋들은 주로 문제의 정답 유무를 자동으로 평가할 수 있게 도와주는 형식으로 제공됩니다.
+
+   3부 "방법론"에서는 50개의 새로 만든 수학 문제를 통해 여러 모델을 평가하는 실험 설정을 설명합니다. 이 문제들은 자연어로 표현된 고등학교 수준의 수학 문제들로 모델에게 제시되었습니다.
+
+   4부 "결과"에서는 다양한 모델의 수학 문제 해결 능력을 수량적으로 평가하고, 여러 유형의 문제에서 나타난 추론 오류를 분석합니다.
+
+   5부 "논의"에서는 모델들의 수학 문제 해결 능력의 제한점을 논의하며, 수학적 사고의 격차를 해소하기 위한 개선이 필요하다고 주장합니다.
+
+   6부 "제한점"에서는 실험 결과를 일반화할 때의 한계를 설명하고, 많은 수학적 영역에서 LLMs의 성능이 여전히 발전할 여지가 있음을 언급합니다.
+
+2. 전체 요약:
+
+   이 논문은 대형 언어 모델(LLMs)을 사용하여 수학 추론 능력을 평가하는 내용을 담고 있습니다. 논문은 자연어로 구성된 50개의 고교 수준의 수학 문제를 통해 8개의 최신 모델들을 평가했습니다. 연구 결과, 비록 최신 모델들이 정확도가 향상되었으나, 여전히 추상적 논리 추론과 현실적 직관을 수학적 단계로 전환하는 데 어려움을 겪고 있음을 발견했습니다. 논문은 LLMs의 문제 해결 능력을 과대평가하지 않도록 주의를 주며, 논리적 제약을 다루는 능력 개선의 필요성을 강조합니다.
\ No newline at end of file
diff --git a/summaries/2502.11578.md b/summaries/2502.11578.md
new file mode 100644
index 00000000..f9d3ad17
--- /dev/null
+++ b/summaries/2502.11578.md
@@ -0,0 +1,32 @@
+# Language Complexity Measurement as a Noisy Zero-Shot Proxy for Evaluating LLM Performance
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11578.pdf](https://arxiv.org/pdf/2502.11578.pdf)
+
+### 요약: AI 및 기계 학습에 관한 논문
+
+1. **서론**
+   - 이 논문은 최신 대형 언어 모델(LLM)이 언어 복잡성 평가를 위한 수치 계산 및 구조 분석 과제를 어떻게 수행하는지를 논의합니다. LIX 독해성 지수와 평균 의존 거리(ADD)에 대한 계산을 통해 LLM의 수학적 능력 및 구조적 추론 능력을 평가합니다.
+
+2. **언어 복잡성 지표**
+   - **평균 의존 거리(ADD):** 단어 의존 트리에서 각 단어와 그 기준 단어 사이의 거리를 계산하는 방법입니다. 이는 문장의 구조적 복잡성을 측정하는 데 사용됩니다.
+   - **스웨덴어 독해성 지수(LIX):** 독해성 수준을 평가하기 위해 사용되며, 긴 단어 비율과 평균 문장 길이에 기반하여 점수를 산출합니다.
+
+3. **방법론**
+   - 스웨덴 고등학교 및 대학 수준의 에세이를 대상으로 LIX 점수 및 의존 구문 분석을 수행해 여러 모델을 평가했습니다.
+
+4. **결과**
+   - **LIX 결과:** 각 모델의 LIX 계산 오차를 비교한 결과, o1-mini 모델이 가장 낮은 오차를 가지며 최고 성과를 보였습니다.
+   - **MMLU와 LIX 오차 상관관계:** 모델이 MMLU 벤치마크에서 높은 점수를 받을수록 LIX 계산에서 낮은 오차를 보이는 강한 부적 상관관계가 발견되었습니다.
+
+5. **토의**
+   - 언어 복잡성 평가가 LLM의 전반적인 성능을 평가하기 위한 유용한 도구임을 제시하며, 이 연구의 방법론이 모델의 추론 능력을 효과적으로 평가할 수 있음을 주장합니다.
+
+6. **결론**
+   - LIX 및 ADD와 같은 언어 복잡성 지표가 지능 모델의 기능을 이해하는 데 있어 중요한 인사이트를 제공한다고 결론 내립니다.
+
+7. **제한 사항**
+   - 연구가 특정 언어와 텍스트 타입에 한정되어 있으며, 더 큰 데이터셋이 필요함을 언급합니다.
+
+### 전체 요약
+이 논문은 LLM이 언어 복잡성을 평가하는데 얼마나 효율적으로 작동하는지를 이해하기 위해 LIX 독해성 지수와 평균 의존 거리(ADD)를 사용하여 모델의 성능을 측정했습니다. LIX와 MMLU의 부적 상관관계를 찾아내고, 독해성 평가가 LLM을 평가하는 유용한 방법이 될 수 있음을 제안합니다. O1-mini가 가장 안정적으로 뛰어난 성능을 보였으며, 연구의 결과는 언어 복잡성 지표가 모델 성능을 평가하는 데 중요한 역할을 할 수 있음을 시사합니다.
\ No newline at end of file
diff --git a/summaries/2502.11775.md b/summaries/2502.11775.md
new file mode 100644
index 00000000..60c4b9b8
--- /dev/null
+++ b/summaries/2502.11775.md
@@ -0,0 +1,20 @@
+# video-SALMONN-o1: Reasoning-enhanced Audio-visual Large Language Model
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11775.pdf](https://arxiv.org/pdf/2502.11775.pdf)
+
+1. **각 섹션 요약:**
+
+   - **소개 (Introduction):** 이 논문은 video-SALMONN-o1이라는 첫 번째 개방형 오디오-비주얼 대형 언어 모델(LLM)을 제안합니다. 이 모델은 일반적인 비디오 이해 작업에서 향상된 추론 능력을 보유하고 있습니다. 모델의 추론 능력은 처음에는 감독된 정밀 조정(Supervised Fine-Tuning, SFT)을 통해 도전적인 질문과 단계별 솔루션이 포함된 새로운 데이터셋을 생성하여 강화되고, 그 후 프로세스 직접 선호도 최적화(process DPO, pDPO)를 통해 더욱 향상됩니다.
+
+   - **관련 연구 (Related Work):** 기존의 연구와 차별되게, video-SALMONN-o1은 일반적인 비디오 이해 시나리오, 특히 오디오-비주얼 정보를 상호 참조해야 하는 작업에 집중합니다.
+
+   - **모델 구조 (Model Structure):** video-SALMONN-o1은 비디오-비주얼 정보를 텍스트 토큰으로 변환하여 엮어주는 비주얼 및 오디오 인코더를 사용합니다.
+
+   - **RivaBench 벤치마크 (RivaBench Benchmark):** RivaBench는 비디오 이해를 평가하기 위해 제안된 첫 번째 오디오 이해 벤치마크로, 입장을 요구하는 세 가지 시나리오를 포함합니다: 스탠드업 코미디, 학술 발표, 합성 비디오 탐지.
+
+   - **결론 (Conclusions):** video-SALMONN-o1은 향상된 추론 능력을 가짐으로써 지식 없는 상태에서도 합성 비디오를 탐지할 수 있는 능력을 보여주며, 또한 LLaVA-OneVision과 같은 기존 모델보다 3-8% 높은 정확도를 나타냅니다.
+
+2. **논문의 총괄 요약:**
+
+   이 논문은 video-SALMONN-o1이라는 모델을 통해 향상된 오디오-비주얼 추론 능력을 입증했습니다. 제안된 모델은 일반적인 비디오 이해 작업에 있어 기존의 타 모델들에 비해 뛰어난 성능을 발휘하며, 특히 추론 최적화를 위한 강화를 통해 RivaBench에서 6-8%의 성능 향상을 달성했습니다. 이 모델은 입출력 정보 간의 복합적 이해를 요구하는 비디오 시나리오에 대해 뛰어난 성능을 구현하며, 합성 비디오 탐지에서도 우수한 성과를 나타냈습니다.
\ No newline at end of file
diff --git a/summaries/2502.11831.md b/summaries/2502.11831.md
new file mode 100644
index 00000000..95185dff
--- /dev/null
+++ b/summaries/2502.11831.md
@@ -0,0 +1,18 @@
+# Intuitive physics understanding emerges from self-supervised pretraining on natural videos
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.11831.pdf](https://arxiv.org/pdf/2502.11831.pdf)
+
+1. 논문의 각 섹션 주요 내용 요약:
+
+- 소개: 인간의 일상적인 사고에는 물리적 직관 이해가 기본적으로 작용하며, 이는 다양한 생명체에서도 관찰됩니다. AI 시스템은 언어, 코딩 등에서 뛰어난 성과를 보이나 물리적 직관에서는 어려움을 겪습니다. 이 연구에서는 비디오 예측 모델 V-JEPA가 물리 직관을 학습할 수 있음을 보이며, 예측 코딩과 유사한 방식을 사용합니다.
+
+- 실험 결과: V-JEPA는 다양한 비디오 데이터셋에서 우수한 성능을 보였습니다. IntPhys와 InfLevel-lab 같은 데이터셋에서 98%와 62%의 정확도를 보였으며, 이는 다른 최신 모델들 보다 월등한 성과입니다.
+
+- 모델 구조 및 데이터: V-JEPA는 학습 과정에서 비디오의 손실된 부분을 예측하는 구조로 이뤄져 있으며, 여러 개의 비디오 데이터셋을 통해 예측 성능을 조절합니다. 입력 데이터의 다양성도 모델 성능에 영향을 미칩니다.
+
+- 토론: 연구는 직관적 물리 이해를 통해 V-JEPA가 고수준의 예측 능력을 보이며, 이는 하위 수준의 사전 정의 구조 없이 한 대표적 사례로 V-JEPA이 사용되었습니다. 그러나 주어진 데이터셋의 상호작용성을 고려할 때 일부 제한점도 존재합니다.
+
+2. 전체 요약:
+
+이 논문은 V-JEPA 모델을 통해 AI에서의 직관적 물리 이해의 가능성을 탐구합니다. 인간 아기에서 나타나는 물리 직관을 AI가 이해하도록 하는 것을 목표로 삼고 있으며, 모델이 여러 비디오 데이터셋에서 높은 정확도를 보여주었습니다. 이를 통해 기존의 비교적 간단한 비디오 예측 방법들이 해결하지 못했던 공통 물리 법칙의 이해에 도전하며, V-JEPA가 미래의 AI 연구 및 일반 목적 학습 모델에서 중요한 역할을 할 수 있음을 시사합니다.
\ No newline at end of file
diff --git a/summaries/2502.12054.md b/summaries/2502.12054.md
new file mode 100644
index 00000000..16f43f4c
--- /dev/null
+++ b/summaries/2502.12054.md
@@ -0,0 +1,20 @@
+# PhysReason: A Comprehensive Benchmark towards Physics-Based Reasoning
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.12054.pdf](https://arxiv.org/pdf/2502.12054.pdf)
+
+1. 각 섹션의 요약
+
+- 소개: 이 논문은 물리학 기반 추론 벤치마크인 PhysReason과 단계 수준에서 평가를 가능하게 하는 자동 채점 프레임워크를 소개합니다. 이는 AI 모델의 물리 기반 추론 능력을 강화하기 위한 새로운 기준을 제시합니다.
+
+- 기존 연구: 현재 대규모 언어 모델(LLMs)은 수학 및 논리적 추론에서 뛰어난 성과를 보였지만 물리 세계와의 상호작용에 있어서는 한계가 명확합니다.
+
+- 방법론: 이 연구는 AI 모델이 단계별로 추론을 수행하도록 유도하여 정확성을 높이기 위한 PSAS-A와 PSAS-S 프레임워크를 제안합니다. 이 접근법은 다양한 종류의 오류를 진단하여 모델의 성능을 향상시키는 방법을 탐색합니다.
+
+- 실험결과: 모델들은 쉬운 문제에서는 절반 이상의 정답률을 기록하였지만, 문제의 난이도가 높아지면 성능이 크게 떨어졌습니다. 그러나 단계별 평가를 통해 다양한 오류 진단이 가능하다는 것이 입증되었습니다.
+
+- 결론 및 한계: 논문은 LLM의 물리학 기반 추론 능력을 평가하는 새로운 벤치마크의 중요성을 강조합니다. 하지만 실제 시나리오를 완전히 반영하지 못한다는 제약이 있습니다.
+
+2. 전체 요약
+
+이 논문은 물리학 기반의 AI 추론 능력을 강화하기 위해 PhysReason이라는 벤치마크와 PSAS-A, PSAS-S와 같은 새로운 평가 프레임워크를 제시하고 있습니다. 이 연구는 AI 모델이 물리적 세계와의 상호작용에서 겪는 어려움을 해결하고, 단계별 오류 분석을 통해 추론의 정확성을 높이는 데 중점을 두고 있습니다. 전체적으로 이러한 접근은 AI의 물리 추론 능력 향상과 보다 신뢰성 있는 평가를 위한 중요한 단계를 제시하고 있습니다.
\ No newline at end of file
diff --git a/summaries/2502.12115.md b/summaries/2502.12115.md
new file mode 100644
index 00000000..043567c3
--- /dev/null
+++ b/summaries/2502.12115.md
@@ -0,0 +1,18 @@
+# SWE-Lancer: Can Frontier LLMs Earn $1 Million from Real-World Freelance Software Engineering?
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.12115.pdf](https://arxiv.org/pdf/2502.12115.pdf)
+
+1. **각 섹션 요약**
+
+    - **소개**: 이 논문은 SWE-Lancer라는 새로운 벤치마크를 도입하며, 이 벤치마크는 프리랜스 소프트웨어 엔지니어링 작업을 평가하여 AI 모델의 실제 소프트웨어 엔지니어링 능력을 측정합니다. 이를 통해 AI 모델의 경제적 영향을 연구할 수 있도록 구조화되어 있습니다.
+  
+    - **SWE-Lancer의 주요 기여**: SWE-Lancer는 기존의 벤치마크와는 달리 실제 경제적 가치를 기반으로 소프트웨어 엔지니어링 작업을 평가하는 점에서 혁신적입니다. 프리랜서 플랫폼 Upwork에서 추출한 1,400개 이상의 작업을 포함하여 모델 성능을 평가함으로써 AI 발전의 경제적 효과를 측정하는 데 중점을 둡니다.
+  
+    - **모델 평가 결과**: 최신 AI 모델들도 복잡한 소프트웨어 엔지니어링 문제를 해결하는 데 어려움을 겪고 있으며, 대부분의 작업에서 실패하는 것으로 나타났습니다. 특히, Claude 3.5 Sonnet 모델은 일부 작업에서 우수한 성능을 보였지만, 여전히 신뢰성 높은 결과를 제공하려면 더 많은 발전이 필요합니다.
+  
+    - **결론 및 미래 작업**: 논문은 SWE-Lancer가 AI 모델 개발의 경제적 영향을 연구할 수 있는 기반을 제공한다고 결론지으며, 다가올 연구는 자동화된 소프트웨어 개발이 전체적인 사회 및 경제에 미칠 영향을 탐구해야 한다고 강조합니다.
+
+2. **전체 요약**
+
+   논문은 SWE-Lancer라는 새로운 벤치마크를 통해 AI 모델의 실제 프리랜스 소프트웨어 엔지니어링 성능을 평가합니다. 이는 기존의 벤치마크보다 더 현실적인 기준으로 모델 성능을 경제적 가치와 연결시킵니다. 연구 결과, 최신 AI 모델은 여전히 복잡한 업무를 해결하는 데 어려움을 겪고 있음을 보여주며, 이는 AI 발전이 가져올 경제적, 사회적 영향을 더 연구해야 할 필요성을 시사합니다. SWE-Lancer는 모델 평가를 통해 자동화된 소프트웨어 개발의 가능성을 측정할 수 있는 기회를 제공하며, 향후 실질적인 경제적 영향을 모니터링하는 데 중요하다고 논의됩니다.
\ No newline at end of file
diff --git a/summaries/2502.12135.md b/summaries/2502.12135.md
new file mode 100644
index 00000000..1022377e
--- /dev/null
+++ b/summaries/2502.12135.md
@@ -0,0 +1,22 @@
+# MagicArticulate: Make Your 3D Models Articulation-Ready
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.12135.pdf](https://arxiv.org/pdf/2502.12135.pdf)
+
+1. 각 섹션의 요약:
+
+- **소개 및 배경**: 이 논문은 3D 콘텐츠 생성의 급속한 발전에 따라, 현실적인 애니메이션을 지원하는 연동 준비가 완료된 3D 모델을 자동으로 변환하려는 새로운 프레임워크 'MagicArticulate'를 제안합니다.
+
+- **관련 연구**: 기존의 뼈대 생성 및 스키닝 가중치 예측 방법들이 사용되고 있으며, MagicArticulate는 이를 개선하기 위한 자동 회귀 모델을 활용하여 뼈대 생성을 시퀀스 모델링 문제로 재구성하였습니다.
+
+- **Articulation-XL 데이터셋**: 3만 3천 개의 3D 모델 데이터셋을 기반으로 하여 고품질의 연동 주석을 제공, 다양한 구조와 복잡한 메쉬 위상도 처리할 수 있도록 설계되었습니다.
+
+- **MagicArticulate 프레임워크**: 스켈레톤 생성 및 스키닝 가중치 예측을 위한 새로운 방법을 제안하여, 메쉬 표면 위에 부드럽게 전환되는 스키닝 가중치를 예측하며, 기존 방법보다 뛰어난 확장성과 범주 일반화를 보여줍니다.
+
+- **실험 결과**: Articulation-XL 데이터셋과 기타 다양한 데이터에서 MagicArticulate의 우수성 확인, 특히 자동화된 애니메이션 콘텐츠 생성에 유리하며 상업적인 애니메이션 파이프라인에서도 실용성을 입증하였습니다.
+
+- **결론**: MagicArticulate는 정적 3D 모델을 자연스럽게 애니메이션 가능한 형태로 변환하여, 수작업이 필요 없는 애니메이션 자산을 효과적으로 생성하여 3D 콘텐츠 제작의 병목을 해결했습니다.
+
+2. 전체 요약:
+
+논문은 3D 모델을 자동으로 애니메이션 가능한 형태로 변환하는 MagicArticulate 프레임워크를 소개합니다. 이 프레임워크는 Articulation-XL이라는 대규모 데이터셋을 기반으로 하여, 자동 회귀 모델을 활용해 다양한 뼈대 및 스키닝 가중치를 예측합니다. 기존의 제약되었던 템플릿 기반 방법들보다 일반화된 성능을 제공하며, 현실적인 애니메이션 제작을 위해 상업적 애니메이션 소프트웨어와 쉽게 호환될 수 있는 포맷으로 출력 가능합니다. 특히, 대규모 애니메이션 콘텐츠 생성에 적합하며 실험을 통해 그 효과를 입증했습니다.
\ No newline at end of file
diff --git a/summaries/2502.12146.md b/summaries/2502.12146.md
new file mode 100644
index 00000000..91c09831
--- /dev/null
+++ b/summaries/2502.12146.md
@@ -0,0 +1,20 @@
+# Diffusion-Sharpening: Fine-tuning Diffusion Models with Denoising Trajectory Sharpening
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.12146.pdf](https://arxiv.org/pdf/2502.12146.pdf)
+
+1. 섹션별 요약:
+
+   - **서론**: 이 논문에서는 디퓨전 모델을 향상시키기 위해 Diffusion-Sharpening이라는 새로운 미세 조정 방법을 제안합니다. 기존의 강화 학습 기반의 미세 조정 방법은 하나의 시간 단계에서 최적화하는 것에 중점을 두고 있었으나, Diffusion-Sharpening은 전체 샘플링 경로를 최적화하여 더 나은 결과를 제공합니다.
+
+   - **관련 연구**: 디퓨전 모델의 정렬 및 샘플링 궤적 최적화에 관한 최신 연구 동향을 소개합니다. 일반적으로 사용자 선호도를 반영하는 강화 학습이나 다른 방법들이 사용되는데, 이러한 방법들의 한계점을 극복하고자 새로운 출발점을 제안합니다.
+
+   - **디퓨전 샤프닝 기법**: 이 논문에서는 SFT-Diffusion-Sharpening과 RLHF-Diffusion-Sharpening이라는 두 가지 방법을 소개합니다. SFT 방식은 이미지-텍스트 데이터셋을 사용하여 감독된 미세 조정을 수행하며, RLHF 방식은 사용자 피드백 데이터를 통해 자체적으로 학습을 진행합니다. 이를 통해 기존 방식을 뛰어넘는 성능 향상을 실현합니다.
+
+   - **실험 결과**: 제안한 방법론은 다양한 메트릭에서 기존 방법들보다 우수한 성능을 보였습니다. 특히 텍스트 맞춤, 구성 능력 및 인간 선호도에서 뛰어난 결과를 얻었으며, 실험 결과들은 제안된 방법의 효과와 효율성을 뒷받침합니다.
+   
+   - **결론**: Diffusion-Sharpening은 저하된 추론 효율성을 극복하며, 사용자가 정의한 보상 모델에 맞춰 샘플링 궤적을 최적화하는 방법을 제안합니다. 이는 향후 디퓨전 모델의 미세 조정에 있어 유용한 사례가 될 것입니다.
+
+2. 전반적인 요약:
+
+   이 논문은 Diffusion-Sharpening이라는 새로운 디퓨전 모델 미세 조정 방법론을 제안합니다. 기존의 강화 학습 기반 방법들이 시간 단계 최적화에 그쳤던 한계를 극복하여, 전체 궤적을 최적화함으로써 뛰어난 성능을 발휘합니다. 제안된 방법론은 다양한 메트릭에서 우수한 성능을 보였으며, 저자들은 이를 통해 추론 과정에서의 효율성을 극대화했습니다. Diffusion-Sharpening은 미래의 디퓨전 모델 조정에 중요한 역할을 할 수 있을 것으로 기대됩니다.
\ No newline at end of file
diff --git a/summaries/2502.12148.md b/summaries/2502.12148.md
new file mode 100644
index 00000000..95963fe9
--- /dev/null
+++ b/summaries/2502.12148.md
@@ -0,0 +1,25 @@
+# HermesFlow: Seamlessly Closing the Gap in Multimodal Understanding and Generation
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.12148.pdf](https://arxiv.org/pdf/2502.12148.pdf)
+
+**1. 섹션별 요약:**
+
+**서론**  
+이 논문은 멀티모달 대형 언어 모델(MLLMs)에서 이해와 생성 능력 간의 격차를 발견한 후 이를 해결하기 위해 HermesFlow라는 프레임워크를 제안합니다. 이 방법은 이해가 생성을 능가한다는 현상에서 시작하여, 이해와 생성 간의 차이를 연결하기 위해 Pair-DPO와 self-play iterative optimization을 사용합니다.
+
+**관련 연구**  
+최근 연구들이 멀티모달 이해와 생성을 통합하려는 시도를 하고 있으며, 이 모델들은 이미지 생성까지 포함해 다양한 성능을 보여주고 있습니다. 그러나 기존 연구들은 이해와 생성 능력 간의 균형을 맞추는 데 실패하고 있습니다.
+
+**방법론: HermesFlow**  
+HermesFlow는 이해와 생성 데이터의 쌍을 사용하여 Move Attention Mechanism을 활용해 멀티모달 데이터를 효율적으로 처리합니다. 이 시스템은 Self-Play와 Pair-DPO를 통해 두 능력을 균등하게 발전시키며, 반복적 최적화를 통해 모델의 전반적인 성능을 향상시킵니다.
+
+**실험 결과**  
+실험에서는 HermesFlow가 기존 모델보다 우수한 성능을 보여주었으며, 특히 설계한 Pair-DPO 방식이 이해와 생성 간의 격차를 효과적으로 줄이는 데 기여하였습니다. 더불어 HermesFlow는 다양한 이해와 생성 벤치마크에서 강력한 성과를 나타냈습니다.
+
+**결론**  
+이 연구는 HermesFlow라는 새로운 패러다임을 소개하여 데이터 간의 간격을 줄이고, 전체적인 멀티모달 모델의 성능을 강화합니다. 하지만 오픈 소스 MLLMs의 적은 수 때문에, 더 넓은 범위의 모델에 최적화되지 못한 점이 한계로 지적됩니다.
+
+**2. 전체 요약:**
+
+이 논문은 HermesFlow라는 혁신적 프레임워크를 기반으로 멀티모달 대형 언어 모델의 이해 및 생성 능력 간의 격차를 효과적으로 줄인 연구를 소개합니다. HermesFlow는 반복적인 자기 최적화 및 Pair-DPO 방법론을 활용하여, 이해가 생성을 일관되게 능가하는 상황을 해결하고, 다양한 실험에서 그 효과를 입증하였습니다. 이 접근 방식은 미래의 멀티모달 기초 모델의 일반적 정렬 프레임워크로서 가능성을 갖고 있습니다.
\ No newline at end of file
diff --git a/summaries/2502.12152.md b/summaries/2502.12152.md
new file mode 100644
index 00000000..d1780004
--- /dev/null
+++ b/summaries/2502.12152.md
@@ -0,0 +1,25 @@
+# Learning Getting-Up Policies for Real-World Humanoid Robots
+## TL;DR
+## Summary
+- [https://arxiv.org/pdf/2502.12152.pdf](https://arxiv.org/pdf/2502.12152.pdf)
+
+I'm unable to display the summaries you have requested in Korean because my browsing capability is disabled. However, I can provide a detailed summary based on the extracted sections from the PDF document. This summary can be translated to Korean for your presentation needs.
+
+### 1. 섹션별 요약
+
+#### 이 논문의 서론
+이 연구는 다양한 지형 위에서 다양한 초기 상태로부터 휴머노이드 로봇이 스스로 일어설 수 있는 학습 기반 제어기를 개발하는 데 초점을 맞추고 있습니다. 기존의 모션 제어 방식이 복잡한 접촉 패턴을 요구하는 것과 비교할 때, 충돌 기하학의 정확한 모델링과 드문 보상이 필요합니다.
+
+#### 연구 방법론
+본 논문은 시뮬레이션에서 실제 환경으로 넘어가는 "인간 일어남" (HUMANUP) 이라는 두 단계의 강화 학습 시스템을 제안합니다. 첫 번째 단계는 매끄러움이나 빠르기 제약 없이 일어나는 궤적을 찾는 데 집중하고, 두 번째 단계에서는 상단의 예측을 실제 환경에 적용할 수 있는 형태로 변환합니다.
+
+#### 실험 및 결과
+G1 플랫폼을 이용한 실험 결과, 이 프레임워크는 G1 로봇이 다양한 초반 상태와 지형으로부터 일어설 수 있는 유연성을 제공합니다. 시뮬레이션과 실제 환경 모두에서 이 시스템이 성공적으로 작동함을 확인했습니다.
+
+#### 관련 연구
+이 논문은 휴머노이드 제어와 관련된 연구들, 특히 다리 로봇의 추락 복구에 관한 과거 연구들을 분석하여 학습 기반 접근법이 제어기의 일반화 능력을 계속 확장하고 있음을 보여주고 있습니다.
+
+### 2. 논문의 전체적 요약
+이 논문은 휴머노이드 로봇의 "일어섬" 정책을 학습하는 새로운 두 단계의 강화 학습 방법론을 소개합니다. 첫 번째 단계는 적은 제약 조건에서 궤적을 발견하며, 두 번째 단계는 이 궤적을 따라가면서 실제 환경에 적용 가능한 형태로 다듬어집니다. 이 연구는 자동 추락 복구가 가능한 로봇 개발의 진전을 보여주며, 예측 불가능한 초기 상태와 지형에서도 효과적으로 작동할 수 있는 방식으로 확장됩니다.
+
+이 결과는 인간 크기의 휴머노이드 로봇이 실제 환경에서 '자발적 일어남' 정책을 성공적으로 학습한 최초의 사례입니다.
\ No newline at end of file