- 한국어 추론 데이터 합성부터 긴 영상·옴니모달 AI 평가 벤치마크까지…네이버클라우드, 모델 개발 현장의 문제를 직접 정의하고 해결

- 네이버 'LLM 추론 과정 해석', 네이버랩스 유럽 '검색 증강 에이전트' 등 주요 연구 성과 주목

- 팀네이버, ECCV·ICML 이어 주요 AI 학회서 연이은 성과…연구부터 서비스까지 아우르는 AI 경쟁력 증명

​

팀네이버의 연구 논문 24편이 자연어처리 분야 세계 최정상 학회 'EMNLP(Empirical Methods in Natural Language Processing) 2026'에 채택됐다. 실제 AI 모델과 서비스를 만드는 과정에서 마주친 문제를 연구로 풀어낸 성과들이 글로벌 학계에서 잇따라 인정받았다.

EMNLP는 ACL, NAACL과 함께 자연어처리 분야 3대 학회로 꼽히며, LLM 등 언어 AI 연구의 흐름을 가장 앞서 보여주는 무대다. 올해 학회는 10월 24일부터 29일까지 헝가리 부다페스트에서 열리며, 팀네이버는 이 자리에서 주요 논문들을 발표할 예정이다.

이번에 채택된 논문 24편은 네이버, 네이버클라우드, 네이버랩스 유럽 등 팀네이버 기술 조직 전반에서 나온 연구 성과로, 한국어 AI부터 음성·영상을 아우르는 멀티모달 AI, LLM 추론 분석과 에이전트 기술까지 폭넓은 주제를 다뤘다.

네이버클라우드는 벤치마크 점수를 높이는 데 그치지 않고, 실제 모델을 개발하고 서비스에 적용하며 마주치는 문제를 직접 정의하고 해결하는 연구에 집중했다. 먼저 언어모델에 시각 능력을 더할 때 지시를 따르는 능력이 손상되는 원인을 규명하고, 이를 학습 전에 예측하는 진단 지표를 제안했다.(제목: Text Capability Loss in Vision-Language Adaptation: An Attention-Sink Diagnosis) 이와 함께 의료·보안 등 전문 분야에서 부족한 한국어 추론 학습 데이터를 영어 원문으로부터 합성해 한국어 성능을 끌어올린 연구(제목: From Unverifiable Domain Text to Cross-Lingual RLVR via Code-Switched Task Synthesis)는 소버린 AI 역량을 강화하는 연구로 평가받았다.

또한 멀티모달 AI가 실제 환경에서 갖춰야 할 능력을 새롭게 정의하고 평가하는 벤치마크 연구도 정규 논문으로 채택됐다. 수 시간 길이의 영상에서 특정 장면이 나오는 순간을 찾아내는 기술을 다룬 연구는 기존 AI가 장면을 인식하지 못하는 것이 아니라 긴 영상 속에서 특정 구간을 찾지 못했다는 점을 밝혀냈고(제목: Natural-Language Temporal Grounding in Hour-Long Videos is a Search Problem: A Benchmark and Empirical Decomposition), 옴니모달 AI가 상황에 맞는 목소리 톤과 속도로 답하는지를 평가하는 벤치마크 연구는(제목: OmniACBench: A Benchmark for Evaluating Context-Grounded Acoustic Control in Omni-Modal Models) 텍스트 평가에서 우수했던 모델들도 낙제점을 받는 현실을 드러냈다.

네이버는 LLM의 내부 추론 과정 분석, 효율적인 포스트 트레이닝, 전문가 혼합(MoE) 모델의 능력 보존 등 모델 규모를 키우는 대신 LLM이 어떻게 추론하는지 이해하고 학습 비용을 줄이는 연구에 초점을 맞췄다. 대표적으로 네이버 AI Lab은 문제 이해, 계획 수립, 계산 등 사람의 추론 과정이 LLM 내부에서도 서로 구분되는 형태로 나타난다는 사실을 확인해, LLM이 답을 도출하는 방식을 분석하는 '기계론적 해석' 연구의 기반을 넓혔다.(제목: Beneath the Surface of Chains-of-Thought: A Mechanistic Interpretation of Reasoning Operations in LLMs)

네이버랩스 유럽의 경우 검색 증강형 LLM 에이전트와 LLM 정렬·추론 기술 연구를 선보였다. AI 에이전트가 과거 작업 경험을 검색해 새로운 과제 해결에 활용하도록 한 연구(제목: Retrieval-Augmented LLM Agents: Learning to Learn from Experience)는 처음 보는 작업에 대한 일반화 성능을 높였고, LLM이 생성한 텍스트가 음성합성(TTS)을 거쳐도 자연스럽게 들리도록 모델 자체를 정렬한 연구(제목: Ready to Speak: Aligning LLMs for TTS-Friendly Text Generation)는 별도의 후처리 없이 음성 서비스에 적합한 답변을 만들어내는 길을 열었다.

한편, 팀네이버는 지난 9월 'ECCV 2026'과 7월 'ICML 2026'에서도 각각 23편과 6편의 논문이 채택되는 등 컴퓨터비전·머신러닝·자연어처리 분야 최고 권위 학회에 연이어 이름을 올리고 있다. 앞으로 팀네이버는 이번 연구 성과를 차세대 AI 모델과 서비스 개발에 적극 반영해 글로벌 AI 경쟁력을 한층 끌어올릴 계획이다.