확인한 것만 기록한다.
2026-11-23 · 00:14 KST / 15:14 UTC한국어 | EN검색 /

01 / AI · 분석

GeoJeV, 1.12초 더 써 정확도 5.32%p 향상

문장 생성 대신 확률 분포로 탐색을 제어했으나 7.8배 속도 비교의 상대 방법 이름은 초록에 없다.

어두운 분석실 모니터에 항구를 내려다본 초고해상도 위성 영상이 떠 있고, 호박색 확률 히트맵이 표시된 몇몇 구역 중 한 곳으로 탐색 범위가 단계적으로 좁혀지고 있다. AI 생성 이미지

GeoJeV 논문은 질문당 1.12초를 더 써 Qwen3-VL-8B 평균 정확도를 5.32%p 높였다고 밝혔다. GeoJeV는 지표를 멀리서 찍은 초고해상도 원격탐사 영상의 근거 영역을 찾는 방법으로, 11월 9일 arXiv에 공개됐다. 세 벤치마크 평균이며 연구진 공개 수치이다.

초고해상도 영상은 세부 정보가 풍부한 대신 정확하고 효율적인 이해가 어렵다고 연구진은 썼다. 이 논문은 정확도와 처리 시간을 함께 제시했다.

쟁점은 탐색의 매 단계를 무엇이 판단하느냐이다. 논문은 그 판단을 문장 생성에서 확률 분포로 옮겼다고 밝혔다.

GeoJeV 벤치마크별 정확도(연구진 공개 수치)

LRS-GRO60.59
MME-RealWorld-RS52.79
LRS-VQA34.32
출처 arxiv.org · 기준 2026-11-09 · 단위 %차트: LOGIT 자체 제작

문장 대신 확률 분포로 고르는 탐색 경로

기존 근거 탐색법은 중간 탐색 제어를 이미지와 글을 함께 다루는 생성형 언어 모델에 크게 의존했다고 연구진은 썼다. 연구진이 꼽은 첫째 약점은 사람 피드백 강화학습(RLHF)이 영역 관련성 판단보다 답변 선호도에 주로 맞춰진 점이다. 연구진이 든 둘째 약점은 토큰을 하나씩 잇는 자동회귀 디코딩을 반복하는 연산 비용이다.

논문에 따르면 GeoJeV는 근거 탐색을 공간 확률에 따른 의사결정 문제로 다시 세운 방법이다. 평가하는 영역마다 추가 학습 없이 고정한 JeV 모델이 후보 영역의 확률 분포를 출력했다. JeV 모델의 구조와 규모는 초록에 없다.

논문에 따르면 이 분포를 공유한 첫 장치 Region Rank는 후보 영역의 우선순위를 매겼다. Sparse Branch는 확률이 실린 후보 수에 따라 가지 폭을 정했다. Depth Gate는 가지의 희소성과 분포 집중도를 보고 세분화 깊이를 조절했다.

초록은 분포 공유의 효과를 "reduces reliance on RLHF-aligned generation"이라고 적었다. 강화학습에 맞춘 생성 의존을 줄였다는 뜻이다. 중간 디코딩에 대해서는 "eliminates intermediate decoding"이라고 써 제거를 명시했다.

세 벤치마크에 걸친 정확도 편차

세 벤치마크는 LRS-GRO, MME-RealWorld-RS, LRS-VQA이다. 연구진 공개 수치에서 GeoJeV 정확도는 LRS-GRO가 가장 높았고 LRS-VQA가 가장 낮았다.

연구진 공개 수치로 평균 정확도 향상 폭은 5.32%p, 질문당 추가 시간은 1.12초이다. 이 1.12초가 정확도 상승의 비용이다. Qwen3-VL-8B 단독의 벤치마크별 정확도는 초록에 없다.

7.8배 속도 향상의 비교 대상

연구진 공개 수치로 GeoJeV의 추론 속도는 최근 방법 대비 7.8배 빨랐다. 비교 대상의 이름은 초록에 없다. 7.8배는 비교 대상이 정해져야 의미가 정해지는 수치이다.

연구진이 제시한 1.12초와 7.8배를 측정한 하드웨어 사양은 초록에 없다. 초록이 내세운 결론은 문장 생성을 확률 분포로 바꾸고도 정확도와 속도를 모두 얻었다는 것이다. 이 결론의 무게를 정하는 항목은 비교 대상의 이름과 측정 환경이다.