SELECTIVE SSM · STABILITY · NATIVE 2D · SCAN ORDER

Stability Is a System Property

New perturbation bounds, a stability-aware 2D recurrence, and order-sensitive spatial scans redraw the boundary between an efficient operator and a dependable system

PUBLISHED 2026-11-19 KST · EVIDENCE CUTOFF 2026-11-19

Mamba 안정성의 세 층위 길이와 무관한 셀 perturbation bound, 2차원 격자의 안정성 제약, 불규칙 공간에서의 scan-order 설계가 중앙의 시스템 안정성 문제로 수렴한다. 그 아래에는 확인된 결론, 과도한 추론, 다음 검증이 구분되어 있다. THREE EVIDENCE LAYERS · ONE SYSTEM CLAIM TIME · LOG-TIMESCALE BOUND 모든 길이에 같은 상계Δ의 상대 변화로 측정 scalar cell theorem · certificate is loose GRID · FM-MAMBA 두 축의 입력 의존 step안정 구간 밖이면 투영 native 2D wavefront · COCO classification ORDER · IRREGULAR SPACE 스캔 순서가 이웃을 정의기하·의미·주파수로 설계 GaussianMamba + SFMambaNet v2 STABILITY = DYNAMICS × DISCRETIZATION × ORDER × HARDWARE 품질 최대화s.t. p95 · peak memory · Joule · drift · recovery 연산자 하나의 성질을 전체 모델·실기기 보증으로 확대하지 않기 SUPPORTED 새로운 분석·설계 도구길이·격자·순서의 분리 DO NOT INFER 전체 Mamba robustness보편적 2D 우월성 NEXT TEST 저정밀 장기 driftorder perturbation · Joule/task

좁은 화면에서는 다이어그램을 좌우로 스크롤할 수 있습니다.

핵심 요약 · 2026년 11월 18일 새 목록의 연구는 “Mamba가 선형이므로 안정적이고 빠르다”는 단일 문장을 시간축 상계, 2D 이산화, 공간 순서, 실행 조건으로 분해한다.

셀 정리는 수학적 상계, FM-Mamba·GaussianMamba·SFMambaNet 결과는 저자 보고 실험이다. 서로 다른 과제와 하드웨어의 수치를 직접 순위화하지 않으며, 중앙의 시스템 결론은 이 글의 통합 해석이다.

THE CENTRAL QUESTION

길이에 무관한 수학적 상계와 안정성 제약이 실제 장기 세션·2D 비전·불규칙 공간의 신뢰성으로 이어지려면 무엇을 더 증명하고 측정해야 하는가?

이번 후속 글은 새 프리프린트 세 편과 실질 개정 한 편을 기존 LFM·Mamba 지식에 통합한다. A Log-Timescale Perturbation Bound는 선택적 scan의 timescale을 절대 차이가 아닌 로그 비율로 측정해 모든 sequence length에 적용되는 셀 상계를 증명한다. FM-Mamba는 2D Fornasini–Marchesini recurrence에 축별 입력 의존 step과 안정 구간 투영을 결합한다. GaussianMamba와 크게 개정된 SFMambaNet은 불규칙 공간을 1D로 읽을 때 scan order 자체가 inductive bias임을 보강한다.

2026-11-19 KST까지 Liquid AI 공식 채널에서 이전 글 이후 새 LFM 학술 논문은 확인되지 않았다. LFM3·d1.2 등 제품·모델 발표는 논문과 분리하며, 본문의 새로운 학술 변화는 Mamba/선택적 SSM 쪽에 한정한다.

3 NEW PREPRINTS1 SUBSTANTIAL REVISIONNOV 18 LISTINGAUTHOR-REPORTED EXPERIMENTSNO NEW LFM PAPER
PART 01
01

Definition

이름이 비슷해도 같은 계보가 아니다

LFM(Liquid Foundation Models)은 Liquid AI의 모델군이다. Mamba는 입력 의존적인 선택적 상태공간 아키텍처 계열이다. Liquid Time-Constant Networks(LTC), Liquid Neural Networks(LNN), LFM, Mamba는 서로 다른 연구·제품 계보다. LFM = LTC = LNN = Mamba라는 동일시는 잘못이다.

사실LFM2 기술보고서가 공개한 구조는 입력 의존 게이트가 있는 단거리 합성곱과 일부 grouped-query attention(GQA)의 결합이다. 이는 LFM2에 한정된 설명이며 다른 LFM 세대에 소급하지 않는다. 이번 새 논문 네 편은 Liquid AI의 LFM 논문이 아니라 선택적 SSM/Mamba의 안정성·2D recurrence·scan ordering을 다룬다.

이번 업데이트의 용어

Log-timescale perturbation

두 run의 step size Δ 차이를 |log Δ − log Δ̃|≤ρ라는 상대적 조건으로 측정한다. 작은 timescale에서 절대 오차가 input weight보다 커지는 문제를 피한다.

FM-Mamba

2D 격자의 두 축과 대각 predecessor를 함께 갱신하는 native 2D selective SSM이다. 두 축의 step을 위치·방향별로 선택하고 안정 구간 밖 값은 투영한다.

Scan order

불규칙 집합을 Mamba가 읽을 sequence로 직렬화하는 규칙이다. 이 순서는 어떤 원소가 가까운 이웃인지 결정하므로 단순 전처리가 아니라 모델 가정이다.

System stability

상태 전이의 수학적 안정성, discretization, scan order, 저정밀 오차, kernel 실행, reset·복구를 함께 만족하는 운영 속성이다.

PART 02
02

Problem Definition

공통 문제는 긴 이력, 낮은 추론비용, 높은 정확도를 동시에 달성하는 것이다. 이를 단일 FLOP 또는 평균 정확도 문제로 축소하면 실제 실패를 놓친다. 품질을 최대화하되 p95 지연, peak memory, 에너지, drift, 오류 복구 제약을 만족하는 다목적 설계로 정의해야 한다.

maximize  Quality(θ,D,T,O)   s.t.   p95≤L*, PeakMemory≤M*, Joule/task≤E*, Drift≤D*, Recovery≥R*

θ는 전이·하이브리드 구조, D는 데이터·학습 recipe, T는 하드웨어·kernel, O는 scan order와 외부 메모리·reset 정책이다. 새 연구는 안정성이 θ 하나의 성질이 아니라 θ×D×T×O의 상호작용임을 구체화한다.

문제 층위새 근거정확한 결론과도한 결론
시간축 perturbationLog-timescale theorem가정 아래 scalar cell gap의 길이 독립 상계전체 Mamba block의 tight robustness certificate
2D discretizationFM-Mamba축별 step을 안정 구간에 투영하는 native 2D recurrence모든 영상 과제·resolution에서 보편 우월
불규칙 공간GaussianMamba·SFMambaNet v2순서 설계가 이웃 관계와 성능·shuffle 민감도에 영향한 가지 순서가 모든 집합 데이터에 최적
PART 03
03

Core Concepts

Selective SSM: 선택성은 추론 중 학습이 아니다

ht = Ātht−1 + B̄txt,    yt = Ctht

Ā_t는 이전 상태의 유지·감쇠, B̄_t는 현재 입력의 기록, C_t는 상태의 읽기를 조절한다. 선택성은 입력마다 기억·망각·읽기 강도를 바꾸는 것이며 추론 중 모델 가중치를 업데이트한다는 뜻이 아니다. 순환 상태 크기가 문맥 길이에 독립이라는 사실도 무한 정보를 완전 보존한다는 뜻이 아니다.

길이에 무관한 상계가 나오는 이유

정확한 zero-order hold(ZOH)에서 scalar cell은 h_t=Ā_t h_(t−1)+(1−Ā_t)c_t로 쓸 수 있다. 즉 이전 상태와 입력 의존 equilibrium c_t의 볼록 결합이다. timescale을 로그 비율로 제한하면 transition 변화가 같은 step의 input weight 1−Ā_t에 비례한다. 오차를 밀어 넣는 항과 수축 항이 같은 작은 계수를 공유하므로 step별 오차가 길이에 따라 단순 누적되지 않는다.

E = η + 2M(eρ−1),   |ht−h̃t| ≤ Pt|h−1−h̃−1| + (1−Pt)E

여기서 η는 equilibrium 변화 상계, M은 perturbed equilibrium/state 범위, ρ는 log-timescale 변화 상계, P_t는 transition 곱이다. 논문은 common start에서 이 상계가 작은 ρ에 대해 가능한 최선의 범용 상계와 약 2배 이내라고 구성으로 보인다. 다만 실제 block certificate는 gradient attack이 찾은 변화보다 10만 배 이상 커 매우 느슨하다.

Attention·SSM·hybrid의 비용 경계

구조PrefillDecode 한 토큰이력 저장주의
표준 full attention길이 L에 대해 이차 연산이력 길이에 선형KV cache 선형FlashAttention은 상수·메모리 접근을 바꾸지만 길이 차수를 제거하지 않음
고정 상태 순수 SSM총 선형 연산고정 상태 갱신길이에 독립인 순환 상태유한 상태의 exact recall·drift 한계는 남음
SSM + attention hybridattention 비중·window에 의존KV를 쓰는 층은 이력 의존상태 + KV 공존전체를 O(1) memory·완전 선형이라 할 수 없음
LFM2gated short convolution + 일부 GQAGQA 층은 KV 접근KV 계수 감소GQA는 선형 길이 의존을 제거하지 않음
PART 04
04

Introduction

이전 연구 흐름은 선택적 scan의 효율, hybrid attention의 기억 회수, 음의 고유값과 structured transition의 표현력, Mamba-3의 이산화·complex state·MIMO, GPU 공동설계를 차례로 확장했다. 이번 업데이트는 그 위에 두 종류의 “안정성”을 얹는다. 하나는 입력이 조금 바뀌었을 때 상태가 얼마나 달라지는지에 대한 상계이고, 다른 하나는 2D 격자의 discrete recurrence가 국소 증폭을 일으키지 않도록 step을 제한하는 설계다.

동시에 GaussianMamba와 SFMambaNet v2는 상태 전이가 같아도 무엇을 다음 토큰으로 놓는지에 따라 모델이 보는 이웃이 달라진다는 점을 보여준다. 3D Gaussian primitive는 scale·orientation을 가진 불규칙 집합이고, 이미지 대응점은 대부분 outlier인 unordered set이다. 이 데이터를 임의로 1D sequence로 읽히면 Mamba의 long-range efficiency가 올바른 관계를 보존한다는 보장은 없다.

해석연구의 초점은 “효율적인 연산자”에서 “안정적인 표현·순서·이산화·실행의 공동설계”로 이동하고 있다. 이는 네 논문을 통합한 해석이며 저자들이 공동으로 입증한 단일 정리가 아니다.
경계Log-timescale 정리는 scalar cell 가정에서 출발하고, FM-Mamba는 COCO image-level multi-label classification, GaussianMamba는 두 3D occupancy benchmark, SFMambaNet은 two-view correspondence에 한정된다. 어느 모델도 모든 조건에서 우월하다고 주장할 근거는 없다.
PART 05
05

Motivation and Background

Mamba 원 논문은 2023년 최초 공개된 배경 연구다. Mamba-2/SSD와 native 2D SSM 다수는 2024년 공개된 배경 연구이며, 2025년 Samba는 SSM과 sliding-window attention의 hybrid를 정식 발표했다. 음의 고유값 연구는 2024년 최초 공개 후 ICLR 2025에 발표되어 state tracking 표현력의 전이 구조 의존성을 강조했다. 2025년 LFM2 기술보고서는 hardware-in-the-loop architecture search, Top-K distillation, curriculum·post-training을 구조와 함께 제시했다.

2026년 Mamba-3는 exponential–trapezoidal discretization, complex-valued state, MIMO를 도입했다. 이후 연구는 GPU kernel fragmentation, persistent multi-state, causal ablation, low-precision recurrence로 확장됐다. 이번 네 근거는 여기에 relative timescale certificate, 2D stability-aware projection, geometry/semantics/frequency-aware order를 추가한다.

출처 구분새 근거 [1]–[3]은 2026-11-16~17 UTC 최초 제출되어 11월 18일 arXiv 새 목록에 노출된 v1 프리프린트다. [4]는 2026-06-03 최초 공개 후 2026-11-17 v2로 제목·저자·분석·실험·부록이 실질 개정됐다. 실행일 기준 정식 학회 발표 기록은 확인되지 않았다. Liquid AI 모델 페이지와 회사 블로그는 제품·모델 출처로만 취급한다.
자료최초 공개학회 발표연도최신 개정이번 글의 역할
Log-timescale bound [1]2026-11-16없음 확인 · preprintv1시간축 안정성 상계
FM-Mamba [2]2026-11-17없음 확인 · preprintv12D discrete stability
GaussianMamba [3]2026-11-17없음 확인 · preprintv1기하·의미 scan order
SFMambaNet [4]2026-06-03없음 확인 · preprint2026-11-17 v2주파수·shuffle 검증
Samba [7]2024-06-11ICLR 20252025-02-28 v3배경 · hybrid
Negative eigenvalues [8]2024-11-19ICLR 20252025-03-18 v5배경 · state tracking
PART 06
06

Challenges

1 · 정확 회수와 압축의 충돌

유한 상태는 이력을 요약한다. 추세와 동역학에는 유리하지만 identifier·근거 문장·과거 사건의 exact recall에는 병목이 된다.

2 · 기억과 상태 추적의 차이

과거 값을 재현하는 기억과 현재 세계 상태를 갱신하는 tracking은 전이 구조, reset, metric이 다르다.

3 · Certificate gap

모든 입력에 대한 보증은 공격이 찾은 실제 변화보다 5 orders 이상 클 수 있다. 유효한 정리가 곧 실용적 certificate는 아니다.

4 · 양자화 누적 오차

BF16·FP8·INT8의 작은 편향이 recurrent update를 따라 누적될 수 있다. 이번 log-timescale 정리는 이를 직접 분석하지 않는다.

5 · 순서와 내용의 얽힘

scan order가 이웃을 바꾸면 내용 표현력과 permutation sensitivity를 분리하기 어렵다. 크기·경로·capacity 통제가 필요하다.

6 · Kernel과 이론 비용의 격차

FM-Mamba의 O(HWn) 계산도 실제 GPU에서는 wavefront dispatch, buffer, graph capture에 따라 p95·memory가 달라진다.

훈련 길이 밖 일반화, 데이터·증류·아키텍처 효과 분리, CPU/GPU/NPU kernel 차이도 남는다. 특히 FM-Mamba의 per-shape dispatch는 throughput을 크게 높이지만 CUDA Graph residency 때문에 peak inference memory가 약 114 MiB에서 468 MiB로 증가했다. 한 지표 개선을 전체 효율로 환원할 수 없다.

PART 07
07

Research Questions

  1. 동일 메모리에서 무엇을 기억해야 하는가? 압축 상태, limited attention, 외부 증거 메모리의 예산을 과제별로 어떻게 배분할 것인가?
  2. 최소 attention 비중과 배치는 얼마인가? direct retrieval이 필요한 순간에만 attention을 쓰면 품질·p95·energy Pareto가 개선되는가?
  3. 표현력과 병렬 학습의 균형은 어디인가? complex/negative eigenvalue, MIMO, 2D coupling이 scan parallelism과 어떤 trade-off를 만드는가?
  4. 저정밀 장기 안정성은 얼마인가? log-timescale certificate가 quantized transition·gate·normalization 오차까지 확장될 수 있는가?
  5. 합성 state tracking은 실제 agent 성공률을 예측하는가? parity·copy·counter와 로봇·설비 작업 완료·복구의 상관은 있는가?
  6. 성공 작업당 에너지는 얼마인가? 같은 데이터·양자화·하드웨어에서 SSM, native 2D recurrence, attention hybrid의 Joule/success와 p95는 어떻게 다른가?
  7. 좋은 scan order의 반증 시험은 무엇인가? shuffle·reverse·randomized local swap·size-matched capacity control 후에도 성능이 유지되는가?
PART 08
08

Approaches (Methods)

8.1 Log-timescale bound: 절대 변화 대신 비율을 추적

저자들은 exact ZOH scalar cell을 이전 상태와 equilibrium의 convex update로 바꾸고, 두 run의 timescale ratio를 e^ρ 이내로 제한한다. transition 차이가 input weight의 고정 비율보다 크지 않다는 ratio lemma에서 출발해 길이에 무관한 cell theorem을 얻는다. 이어 Mamba 공개 코드의 exponential-Euler input term으로 확장하되 timescale upper bound를 추가한다.

저자 주장작은 perturbation에서 범용 상계는 구성적 lower bound의 약 2배 이내다. 두 개의 작은 two-block 모델을 하루치 limit-order-book 데이터로 학습했을 때, bounded timescale 조건에서 기존 additive 분석이 더 타이트한 구간은 최대 첫 8 step이었다. Mamba softplus timescale의 certified floor는 약 10−21까지 작아 기존 bound가 모든 시험 길이에서 더 느슨했다.
제한상계는 모든 block input에 대해 성립하지만 gradient attack이 찾은 변화보다 5 orders of magnitude 이상 크다. 일부 보조 정리는 Isabelle/HOL로 확인됐지만 main ratio lemma·cell theorem·lower bound와 Python interval propagation 전체가 기계검증된 것은 아니다.

8.2 FM-Mamba: 두 축의 selective step과 안정 구간 투영

FM-Mamba는 현재 위치 (i,j)의 상태를 위, 왼쪽, 대각 predecessor와 현재 입력으로 갱신한다. 두 입력 의존 step Δ₁(i,j), Δ₂(i,j)가 각 축 전파를 조절한다. normalized ratio r_k=a₀,k/(a₁,k a₂,k)에서 closed-form stable interval을 만들고, 밖으로 나간 step을 10% margin 안쪽으로 투영한 뒤 post-training per-position으로 재검증한다.

h(i,j)=Ã₁h(i−1,j)+Ã₂h(i,j−1)+Ã₀h(i−1,j−1)+B̃x(i,j)

dual-diagonal wavefront는 두 anti-diagonal buffer만 유지해 저자 분석상 compute O(HWn), depth O(H+W), parallelism min(H,W), state residency O(min(H,W))를 갖는다. 이는 1D flattening의 2~4개 scan과 2D↔1D 변환을 피하지만, 전체 모델의 activation·attention·framework memory까지 길이 독립이라는 뜻은 아니다.

비교조건저자 보고제한
학습COCO 2017 image-level 80-label classification, 224², 40 epochs, RTX 5090 D 32 GiB, AdamW, n=16Mamba2D counterpart 대비 최대 절반 이하 time·energy, peak memory 40% 이상 감소detector·segmentation 아님; 한 데이터·GPU·recipe
품질공통 4-stage 구조 [3,3,9,3], widths [64,128,320,512]test mAP가 Mamba2D counterpart와 0.12pp 이내; 최고 설정 52.873%여러 seed의 통계 구간 미보고
PSD inference3 warm-up 후 3 rounds 평균, data loading 제외83–87 FPS → 365–385 FPSpeak memory 약 114 → 468 MiB; graph capture 비용

8.3 GaussianMamba: 기하와 의미를 서로 다른 순서로 읽기

첫 branch(CGSS)는 Gaussian scale·orientation으로 anisotropic support를 계산하고 locality-preserving traversal을 local swap으로 다듬는다. 둘째 branch(DRSS)는 공간 group을 feature·semantic affinity로 재배치하고 경계의 의미 차이를 support-weighted correction으로 반영한다. 두 Mamba 출력은 서로 다른 scan에서 생긴 local contrast 차이를 이용해 fusion한다.

저자 주장nuScenes-SurroundOcc에서 GaussianFormer에 결합했을 때 IoU/mIoU가 29.83/19.10에서 32.41/20.55로, GaussianFormer-2에서는 30.56/20.02에서 32.98/21.12로 향상됐다. 그러나 144K Gaussian에서 추가 scan latency는 111.42 ms였고, backbone·Gaussian count에 따라 gain이 달랐다.

8.4 SFMambaNet v2: 순서를 주파수 가설로 검증

2026-11-17의 v2는 제목·저자·분석·실험·부록을 크게 확장했다. 대응점을 cluster-by-cluster로 읽어 inlier는 sequence에서 천천히, outlier는 빠르게 변한다는 가설을 세우고 forward/backward Mamba 사이에 learnable frequency gate를 둔다. parameter-free low-pass filter가 같은 규모의 point-wise layer보다 강했고, 학습된 gate는 스스로 low-pass가 되었으며 shuffle 민감도가 줄었다는 저자 보고는 extra capacity만으로 gain을 설명하기 어렵게 만든다.

해석GaussianMamba와 SFMambaNet의 공통점은 “Mamba block을 어디에 붙였는가”보다 어떤 인접성을 sequence로 번역했는가가 중요하다는 것이다. 이 해석은 unordered point·graph·sensor set으로 확장 가능한 연구 가설이지 아직 보편 정리가 아니다.
PART 09
09

Key Applications

응용이번 근거가 주는 설계 단서검증해야 할 실패근거 상태
금융·산업 streaminglog-timescale certificate로 무한 stream의 작은 입력 변화 상계실제 adversarial·distribution shift, state reset, certificate looseness[1] small order-book models
온디바이스 비전native 2D wavefront로 flattening 없이 공간 전파모바일 NPU kernel, p95, graph memory, 저정밀 drift[2] RTX 5090 D 저자 실험
3D occupancy·자율주행Gaussian 기하·의미별 complementary scan큰 primitive set의 latency, rare class, 안전성[3] 두 occupancy benchmark
로컬 RAG·문서·센서 집합순서가 semantic neighborhood를 보존하도록 설계shuffle, entity collision, 근거 회수율이 글의 전이 가설
음성·영상 보조temporal state와 필요한 구간 attention의 역할 분리훈련 길이 밖 generalization, 양자화, reset기존 hybrid/LFM 배경
제안ETRI/Physical AI에서는 센서 상태 추적, 로봇 고수준 계획, edge 운영지능에 이 원리를 적용할 수 있다. 다중 센서를 장치 ID 순으로 단순 연결하지 말고 공간·인과·임무 관계로 순서를 구성한 뒤, order perturbation과 통신 단절을 함께 시험해야 한다.

저수준 제어 안전성은 별도 검증 대상이다. 안정한 high-level recurrence나 높은 occupancy mIoU가 actuator constraint, collision avoidance, emergency stop을 보증하지 않는다. 모델 출력에서 실제 행동까지 independent safety monitor와 fail-safe controller가 필요하다.

PART 10
10

Open Problems

유한 상태의 과제별 기억 한계

길이와 무관한 perturbation bound는 상태의 정보 용량을 늘리지 않는다. “작은 입력 변화에 상태가 크게 흔들리지 않는다”와 “수십만 step 전의 식별자를 정확히 회수한다”는 서로 다른 명제다. state dimension, precision, task entropy에 따른 기억 한계가 필요하다.

망각 탐지와 session 복구

모델이 틀린 상태를 계속 carry할 때 언제 reset할지, 부분 상태만 고칠지, 원 기록을 replay할지 기준이 없다. 장기 session drift와 reset 비용을 accuracy 밖의 독립 지표로 만들어야 한다.

공정 비교와 실세계 안전성

FM-Mamba의 throughput, GaussianMamba의 IoU, SFMambaNet의 correspondence 지표는 서로 다른 데이터·규모·hardware에서 나왔다. 동일 학습 데이터, parameter·FLOP·tuning budget, precision, batch, kernel maturity를 맞춘 비교 없이는 순위를 만들 수 없다.

한국어 전문업무

한국어 약어, 기관별 장문 문서, 날짜가 바뀐 규정, 다자 지시와 센서 event를 동시에 유지하는 평가가 부족하다. sequence order를 문서 구조·시간·entity 관계로 바꿨을 때 회수율·hallucination·energy가 어떻게 달라지는지 검증해야 한다.

안정성 상계, 실제 robustness, exact recall, 물리적 safety는 서로 대체할 수 없는 네 개의 검증 축이다.

PART 11
11

Future Directions

계층형 기억과 적응형 예산

연구 제안. 압축 상태는 빠른 상황 갱신을, 필요한 구간의 attention은 정밀 참조를, 외부 증거 메모리는 원문·출처·장기 기록을 맡게 한다. uncertainty, state drift, 사건 중요도가 임계값을 넘을 때만 기억 크기·attention window·retrieval budget을 늘린다.

적응형 기억과 안정성 검증의 계층입력과 사건 순서가 압축 상태, 제한 attention, 외부 증거 메모리로 분기되고 안정성·회수·복구 검사 후 판단으로 합쳐진다.사건 구조화 · 시간 / 공간 / 의미 / 임무 순서압축 순환 상태빠른 갱신 · drift monitor필요 구간 attention정밀 참조 · budget 확대외부 증거 메모리원문 · 출처 · replay안정성 · 근거 회수 · 상태 오염 · 오류 복구 검사통과 / 선택적 reset / 증거 재검색 / 사람 승인검증된 판단과 실행
연구 제안 · sequence order와 memory budget을 고정하지 않고 사건 구조와 실패 신호에 따라 조정한다. 검증된 완성 시스템을 뜻하지 않는다.

압축 상태, attention, 외부 증거를 서로 대체재가 아니라 역할이 다른 계층으로 구성하고, 판단 전에 drift·회수·복구 검사를 둔다.

ETRI 온디바이스 협업지능 검증 로드맵

단계 · 제안동일 조건실패 주입핵심 지표
1. operator baseline동일 데이터·학습 예산·parameter·quantization길이 증가, 작은 입력 perturbation, order shuffle정확도·근거 회수율·state drift
2. hardware baseline동일 CPU/GPU/NPU, batch, runtime, thermal statememory pressure, kernel fallback, network lossp50/p95·peak memory·Joule/success
3. recovery baseline동일 reset·replay·retrieval budget상태 오염, 작업 취소, 통신 단절오류복구율·재시도·사람 개입
4. 장기 현장 실증로봇·설비의 동일 mission setrare event·sensor drift·다자 지시 충돌완료율·근거성·안전 incident

성공 작업당 Joule은 전체 시도와 재시도의 에너지를 성공 건수로 나눠야 한다. p95는 입력 수신부터 검증된 응답 또는 행동 승인까지 측정해야 한다. 성공 건수가 0이면 에너지 비용을 유한한 좋은 값으로 보고하지 않는다.

다음 경쟁은 상태를 더 오래 유지하는 모델이 아니라, 언제 기억을 늘리고 언제 의심하며 어떻게 복구할지를 측정 가능한 계약으로 만드는 시스템이다.

SOURCES · VERSION & EVIDENCE
S

출처와 검증 범위

서지 날짜는 원문의 제출·개정 이력 기준이다. 실행일 이후 자료는 포함하지 않았다. 실험 수치는 모두 저자 보고이며 독립 재현을 수행하지 않았다. 링크 확인일: 2026-11-19 KST.

[1] A Log-Timescale Perturbation Bound for Selective State Space Models at Every Sequence Length2026-11-16 최초·v1; 2026-11-18 새 목록; 프리프린트. 정식 학회 발표 기록 미확인.https://arxiv.org/abs/2611.21952
[2] FM-Mamba: An Efficient Native 2D Selective State Space Model with Stability-Aware Discretization2026-11-17 최초·v1; 2026-11-18 cross-list; 프리프린트. 정식 학회 발표 기록 미확인.https://arxiv.org/abs/2611.22061
[3] GaussianMamba: Geometric and Relational State Space Scanning of 3D Gaussian Primitives2026-11-17 최초·v1; 2026-11-18 새 목록; 프리프린트. 정식 학회 발표 기록 미확인.https://arxiv.org/abs/2611.22742
[4] Smooth Inliers, Erratic Outliers: Frequency-Aware Mamba for Two-View Correspondence Learning2026-06-03 v1; 2026-11-17 v2. 제목·저자·분석·실험·부록이 실질 개정됨. 프리프린트.https://arxiv.org/abs/2606.04493
[5] LFM2 Technical Report2025-11-28 최초·v1; Liquid AI 공식 기술보고서. 모든 LFM 세대의 구조 설명으로 소급하지 않음.https://arxiv.org/abs/2511.23404
[6] Mamba-3: Improved Sequence Modeling using State Space Principles2026-03-16 최초·v1; arXiv에 ICLR 2026 표기.https://arxiv.org/abs/2603.15569
[7] Samba: Simple Hybrid State Space Models for Efficient Unlimited Context Language Modeling2024-06-11 최초; 2025-02-28 v3; ICLR 2025. 2024년 최초 공개 배경 연구.ICLR 2025 공식 기록
[8] Unlocking State-Tracking in Linear RNNs Through Negative Eigenvalues2024-11-19 최초; 2025-03-18 v5; ICLR 2025. 2024년 최초 공개 배경 연구.ICLR 2025 공식 기록
[9] The Computational Limits of State-Space Models and Mamba via the Lens of Circuit ComplexityConference on Parsimony and Learning 2025; PMLR 280. 이론 가정 밖으로 결론을 확대하지 않음.https://proceedings.mlr.press/v280/chen25b.html
[10] Liquid AI Models and Official News기업 모델·제품 출처, 논문 아님. 2026-11-19 재확인; 이전 게시물 이후 새 LFM 학술 논문은 확인하지 못함.https://www.liquid.ai/modelshttps://www.liquid.ai/news
후속 비교 기준 · arXiv ID와 version history를 기존 게시물에 대조했다. [1]–[3]은 새 논문, [4]는 실질 개정으로 포함했다. BEAM3R의 category listing에는 replacement가 보였지만 abstract history는 v1만 표시되어 이번 업데이트의 개정 근거로 채택하지 않았다. 응용명에 Mamba가 들어간 것만으로 핵심 연구 변화를 주장하지 않는다.