로봇은 작업 하나가 끝나면 대개 처음 상태로 돌아간다. 방금 본 장면도, 풀어낸 방법도 남지 않는다. AgiBot은 이 '리셋'을 문제로 짚었다. 중국 로봇 기업 AgiBot이 공개한 LIFE("Learning to Live: A Step Toward Lifelong Embodied Intelligence")는 로봇이 작업 사이에도 보고 기억하게 하려는 프레임워크다.
공개 범위
논문은 10월 30일 arXiv에 올라왔다. 코드는 GitHub에 Apache-2.0 라이선스로 풀렸다. 11월 3일에는 파라미터 0.8B, 2B, 4B짜리 RoboBeats 모델의 추론 코드와 가중치가 뒤따랐다. 모델은 같은 크기의 Qwen3.5 체크포인트를 바탕으로 만들었고, Hugging Face에 올라 있다. 다만 AgiBot 공식 계정이 아니라 개인 계정에 있고, AgiBot 저장소가 이를 링크하는 방식이다. 평가 데이터 SSS-Bench는 비상업용 CC BY-NC 4.0이라 쓰임새가 갈린다.
세 부품의 역할
LIFE는 멀티모달 거대모델이 움직이는 에이전트 곁에서 세 부분이 일한다.
첫째는 RoboBeats다. 로봇이 보는 장면에 대해 자연어로 적은 조건을 계속 추적하는 가벼운 판단 모델이다. 프레임마다 글을 생성하지 않고 참/거짓 점수를 읽는다. 여러 조건이 같은 시각 입력과 캐시된 계산을 나눠 쓴다. AgiBot은 이 지속적인 감지를 '심장박동(heartbeat)'이라 부른다.
둘째는 Plastic Memory다. 원본 프레임과 구조화된 JSON 기록을 함께 저장한다. 당시에 써둔 요약에만 기대지 않고, 새 질문이 생기면 원본을 다시 분석할 수 있다.
셋째는 EDM(Explore-Distill-Mount)이다. 효과가 있었던 문제 해결 방식을 검증된 재사용 도구로 바꿔 붙인다. 모델 가중치는 갱신하지 않는다.
팀이 내놓은 수치
모두 AgiBot 자체 논문의 결과다.
| 항목 | 기준 | 결과 |
|---|---|---|
| RoboBeats-2B 지연 (RTX 5090 1장) | 새 프레임당 | 약 75ms |
| 같은 조건, 16개 추적 시 | 프레임당 | 약 77ms |
| StreamingBench 선제 출력, RoboBeats-4B | 정확도 | 21.2%에서 64.0% |
| SSS-Bench (171개 영상, 618개 질문) | 텍스트 기억 질의응답 | 40.9%에서 60.5% |
| FindingDory 보류 질의 597개, EDM 도구 장착 | 성공률 | 37.5%에서 65.8% |
조건을 16개로 늘려도 지연은 75ms에서 77ms로 거의 그대로다. 조건이 입력과 계산을 공유하는 설계가 수치로 드러난 대목이다.
24시간 사례 연구도 있다. AgiBot A3 Ultra 로봇으로 하루치 기억을 쌓았다. 질문 6개를 세 번씩 던졌고 답변 모델은 같았다. LIFE는 30점 만점에 29.5점, 평균 응답 80.6초였다. 같은 기억을 준 Codex 기반 기준선은 28.5점에 554.7초였다. 점수 차는 1점인데 응답 시간은 7배 가까이 벌어졌다.
읽을 때 걸리는 점
한계도 소스에 적혀 있다. 팀은 며칠에 걸친 온라인 배치를 다음 단계로 꼽았다. 결과는 독립적으로 재현되지 않았다. SSS-Bench의 향상폭은 기억 자체의 정확도가 아니라 질의응답 정확도를 잰 값이다.
감지는 가벼운 모델에, 기억은 원본 보존에, 노하우는 재사용 도구에 맡겼다. 코드가 Apache-2.0이어서 직접 열어볼 수 있다. 평가 데이터는 비상업용이라 사용 범위를 확인해야 한다.
출처: IT Home Report, AgiBot 공식 GitHub, arXiv 논문 LIFE.
