MAMBA · ADAPTIVE SCAN · HARDWARE CO-DESIGN · EVIDENCE UPDATE

Adaptivity Has a Budget

CoScan learns where a causal vision state should travel; Slim-Mamba asks when selective machinery is worth keeping at all

PUBLISHED 2026-11-20 KST · EVIDENCE CUTOFF 2026-11-20

선택성 예산을 순서와 상태 갱신에 배분하는 두 연구 왼쪽 CoScan은 이미지 내용에 따라 순서를 학습하고, 오른쪽 Slim-Mamba는 실내 위치추정에서 상태 갱신을 단순화한다. 두 경로는 중앙의 품질, 지연, 메모리, 에너지 제약으로 합쳐지고, 지원되는 결론과 과도한 추론, 다음 검증이 구분된다. ONE DESIGN QUESTION · TWO OPPOSITE MOVES COSCAN · ADAPT THE ORDER 내용별 space-filling scan인접성 · 예측성 · 짧은 지연 MST proxy · multi-scale coarsening · informative prefix SLIM-MAMBA · SIMPLIFY THE UPDATE 채널별 경량 gated recurrence선택 스캔 병목을 task-wise 축소 LuViRA · INT16 · ZCU102 FPGA · K=2 ALLOCATE ADAPTIVITY WHERE MARGINAL VALUE EXCEEDS COST maximize qualitys.t. p95 · peak memory · Joule/task · recovery 순서 · 전이 · attention · 외부 메모리 · 정밀도 사이의 예산 배분 SUPPORTED 과제별 적응성 배치실측 병목 기반 공동설계 DO NOT INFER 보편적 최적 scanSlim recurrence = Mamba NEXT TEST OOD · global contextend-to-end Joule/success

좁은 화면에서는 다이어그램을 좌우로 스크롤할 수 있습니다.

핵심 요약 · 두 새 논문은 서로 반대 방향으로 움직인다. CoScan은 순서의 적응성을 늘리고, Slim-Mamba는 특정 과제에서 상태 갱신의 선택성을 줄인다.

공통 결론은 “선택성이 많을수록 좋다”가 아니다. 입력 구조와 실제 하드웨어에서 추가 적응성이 만드는 정보 이득이 비용보다 큰 위치에만 예산을 배치해야 한다는 통합 해석이다.

THE CENTRAL QUESTION

한정된 지연·메모리·에너지 안에서, 모델은 무엇을 입력에 따라 바꾸고 무엇을 고정해야 하는가?

2026년 11월 18일 최초 공개된 CoScan과 Slim-Mamba는 같은 Mamba 생태계에서 상반된 해법을 제시한다. 전자는 이미지의 2D 구조를 1D causal state에 넣는 순서를 학습하고, 후자는 massive MIMO 위치추정에서 원래 Mamba block의 선택 스캔을 더 단순한 recurrence로 줄인다. 이 글은 두 결과를 “새 Mamba 변형”으로 나열하지 않고, 적응성의 위치·비용·검증 범위를 비교한다.

INTERPRETATION적응성은 모델의 고정 속성이 아니라 순서·상태 전이·attention·정밀도·외부 기억 사이에 배분하는 희소 예산이다.
PART 01 · SCOPE
01

Definition

LFM과 Mamba를 먼저 분리한다

LFM(Liquid Foundation Models)은 Liquid AI의 모델군이다. LFM2 기술보고서가 설명한 입력 의존 게이트 단거리 합성곱과 일부 GQA는 LFM2 세대의 구조다. 2026년 10월 공개된 LFM3는 게이트 단거리 합성곱·sliding-window attention·global attention을 섞은 tri-hybrid이며, 기업 발표·모델 정보로 논문과 구분해야 한다. LFM = LTC = LNN = Mamba라는 동일시는 잘못이다.

Mamba는 입력에 따라 상태의 기록·망각·읽기를 조절하는 selective state-space architecture다. 반면 CoScan은 Mamba backbone이 처리할 토큰의 순서를 내용별로 정하는 모듈이고, Slim-Mamba는 원래 selective block을 특정 위치추정 과제에 맞춘 경량 gated recurrence로 바꾼 system-level proposal이다.

SCOPE BOUNDARYCoScan의 결과를 언어 Mamba나 LFM에 소급할 수 없고, Slim-Mamba의 경량 전이를 원래 Mamba의 동의어로 부를 수 없다. 두 논문의 직접 대상은 각각 causal vision restoration과 massive MIMO indoor localization이다.
PART 02 · OPTIMIZATION
02

Problem Definition

공통 문제는 긴 이력을 낮은 추론 비용으로 처리하면서 필요한 정확도를 유지하는 것이다. 그러나 실제 설계는 정확도 하나의 최대화가 아니라 제약이 있는 다목적 최적화다.

maximize Q(θ, π, m, q, r)
subject to p95 latency ≤ L*, peak memory ≤ M*, energy / successful task ≤ E*, recovery ≥ R*

여기서 θ는 상태 전이, π는 scan order, m은 attention·외부 메모리 배치, q는 정밀도, r은 runtime·kernel이다. CoScan은 π를 입력 의존적으로 만들고, Slim-Mamba는 θ의 입력 의존 계산을 줄인다. 두 선택은 모두 품질 이득이 p95·메모리·에너지 비용을 상쇄하는지로 평가해야 한다.

INTERPRETATION적응성의 한계효용이 비용보다 큰 위치에만 선택성을 남기는 것이 이 두 논문을 잇는 설계 원리다. 이는 논문이 직접 검증한 단일 결론이 아니라 결과를 통합한 해석이다.
PART 03 · MECHANISM
03

Core Concepts

Selective SSM: 상태는 입력에 따라 달라지지만 가중치를 다시 배우지는 않는다

ht = Āt ht−1 + B̄t xt
yt = Ct ht

선택성은 입력별로 무엇을 기억하고, 얼마나 잊고, 어떻게 읽을지를 이미 학습된 함수가 조절한다는 뜻이다. 추론 중 가중치를 새로 학습한다는 뜻이 아니다. 순환 상태 크기가 길이에 독립이라는 말도 무한 정보의 완전 보존을 뜻하지 않는다. 유한 상태는 정보 압축기이며, exact recall과 state tracking은 같은 능력이 아니다.

순서도 모델의 일부다

2D feature map을 causal 1D recurrence에 넣으려면 순서를 정해야 한다. 같은 두 pixel이 원래 공간에서는 이웃이어도 scan에서 멀어지면 상태를 통해 긴 경로를 거쳐야 한다. CoScan은 이 순서를 고정 raster가 아니라 이미지 내용에 따른 space-filling traversal로 바꾼다. 따라서 입력 의존성은 상태 전이뿐 아니라 입력의 직렬화에도 존재할 수 있다.

복잡도 주장을 모델 전체에 확대하지 않는다

구성prefill / 전체 sequencedecode·순환 상태정확한 해석
표준 full attention길이 n에 대해 O(n²)KV O(n), 한 토큰 attention O(n)전체 과거에 직접 접근하지만 이력 비용이 증가
고정 상태 순수 SSM총 O(n)상태 O(1), n에 독립정보 용량이 무한하다는 뜻은 아님
CoScan + vision SSMbackbone은 선형 scan을 사용scan 생성·MST·patch 처리 비용 추가순서 생성 오버헤드까지 포함해 측정해야 함
LFM2/LFM3·attention hybridattention 범위와 배치에 의존global KV는 길이에 선형전체를 O(1) memory 또는 완전 선형이라 부르면 안 됨

GQA는 KV 크기의 계수를 줄이지만 길이에 대한 선형 의존을 제거하지 않는다. CoScan도 scan order를 잘 고른다는 이유만으로 상태의 유한 용량 문제를 없애지 않는다.

PART 04 · UPDATE
04

Introduction

전날의 연구 업데이트는 Mamba 안정성을 상태 전이, 이산화, scan order, precision, kernel이 함께 만드는 시스템 속성으로 정리했다. 오늘의 두 논문은 그 명제를 한 단계 더 좁힌다. 시스템은 모든 위치에 같은 수준의 적응성을 둘 필요가 없다.

CoScan: 더 적응적으로

고정 scan이 degradation 아래에서 의미적으로 단절된 causal context를 만들 수 있다고 보고, 입력별 traversal을 학습한다. 적응성은 상태 cell 바깥의 순서 생성기에 투자된다.

Slim-Mamba: 덜 적응적으로

원래 Mamba block의 selective-scan 계산을 실내 위치추정에 필요한 수준으로 단순화하고 FPGA 병목을 기준으로 파이프라인을 재구성한다.

FACT두 논문 모두 2026-11-18 arXiv v1이다. CoScan은 arXiv comments에서 NeurIPS 2026 채택을 명시하지만, 이 글은 공식 proceedings를 별도 확인한 것으로 표현하지 않는다. Slim-Mamba는 현재 arXiv preprint이며 정식 학회 기록을 확인하지 못했다.

어느 모델도 모든 데이터·문맥 길이·하드웨어에서 우월하다고 결론내릴 수 없다. 하나는 이미지 복원 backbone 세 종류에 대한 plug-in 결과이고, 다른 하나는 LuViRA 위치추정과 ZCU102 구현에 대한 task-specific co-design이다.

PART 05 · LINEAGE
05

Motivation and Background

2023년 최초 공개된 Mamba는 selective SSM과 hardware-aware scan으로 sequence modeling의 효율성을 확장했다. 이는 2025년 이전 원논문이므로 본 조사의 배경이다. 2024년 최초 공개 후 ICLR 2025에 발표된 Samba는 SSM과 sliding-window attention을 결합했고, 음의 고유값 연구는 state tracking 표현력에 전이 스펙트럼이 중요함을 보였다. 2025년 계산 한계 연구는 고정 상태 모델의 이론적 경계를, LFM2 기술보고서는 gated short convolution과 일부 GQA를 hardware-in-the-loop search로 배치하는 방식을 보여줬다.

2026년 Mamba-3은 exponential–trapezoidal discretization, 복소수 상태, MIMO로 state-space operator 자체를 확장했다. 그 뒤의 흐름은 효율적인 연산자 하나를 고르는 문제에서 기억 회수·상태 추적·입력 순서·하드웨어·학습을 공동 설계하는 문제로 이동했다.

LFM VERSION CHECKLiquid AI의 최신 공개 모델군은 2026-10-27 발표된 LFM3다. 24층 text backbone은 공식 발표 기준 13 gated short convolutions, 5 SWA(256-token window), 6 global attention이다. 이 기업 발표는 오늘 두 새 논문과 구분하며, 2026-11-20 확인 시 새 LFM 학술 기술보고서는 찾지 못했다.
INTERPRETATION연구 흐름의 다음 질문은 “Mamba가 attention을 대체하는가”가 아니라 어떤 정보 구조에서 recurrence, attention, learned order, external evidence가 각각 비용 대비 가치가 있는가다.
PART 06 · FAILURE MODES
06

Challenges

정확 회수와 압축의 충돌

좋은 scan은 인접 정보를 앞당기지만 유한 상태가 모든 과거 세부를 보존하게 만들지는 않는다. 복원 품질과 identifier-level recall을 분리해야 한다.

state tracking ≠ memory retrieval

좌표를 연속 갱신하는 능력과 오래전 관측의 원문·센서 근거를 정확히 회수하는 능력은 다르다. Slim-Mamba의 위치 오차만으로 장기 기억을 주장할 수 없다.

proxy와 실제 scan의 간극

CoScan은 non-differentiable MST traversal을 evaluator proxy로 학습한다. proxy가 순위는 맞춰도 unseen degradation에서 실제 최적 order를 보장하는지는 열려 있다.

patch-local과 global context

고해상도에서 patch별 scan을 독립 생성하면 patch 경계와 극장거리 의존성이 약해질 수 있다. 저자도 coarse-to-fine global coordination을 한계로 제시한다.

양자화 누적 오차

Slim-Mamba의 INT16 결과가 K=2에서 안정적이어도 긴 recurrent horizon의 drift를 증명하지 않는다. 낮은 정밀도와 긴 session을 함께 늘려야 한다.

kernel과 실제 지연의 격차

FPGA core latency, offline-preprocessed throughput, 센서 입력부터 위치 출력까지의 end-to-end p95는 서로 다르다. CPU/GPU/NPU 비교도 동일 runtime maturity가 필요하다.

훈련 길이 밖 일반화

위치추정 K=2와 patchwise restoration의 결과를 긴 문맥·다른 장면·다른 radio geometry로 확대할 수 없다.

효과 분리

scan, start token, global prefix, backbone, 학습 curriculum의 이득을 분리하고 데이터·증류·아키텍처 효과를 동일 예산에서 재검증해야 한다.

PART 07 · QUESTIONS
07

Research Questions

  1. 동일한 peak memory에서 정확히 기억해야 할 정보와 상태에 압축해도 되는 정보는 무엇인가?
  2. content-adaptive order, selective state update, local/global attention 가운데 어느 축에 적응성을 배치할 때 가장 큰 한계효용을 얻는가?
  3. 동일 restoration 품질에서 CoScan의 최소 scan 적응성, 최소 global token 비중, 최적 patch 크기는 무엇인가?
  4. 상태 전이 표현력과 parallel training·kernel 효율의 균형을 task difficulty로 예측할 수 있는가?
  5. INT8·INT16·BF16 recurrent state가 훈련 길이 밖에서 언제 drift하거나 reset을 요구하는가?
  6. 합성 state-tracking 점수와 실제 agent·로봇의 성공률, 근거 회수율, 오류복구율은 얼마나 상관되는가?
  7. 센서 전처리·scan 생성·host–device 이동까지 포함한 성공 작업당 Joule과 p95는 어떻게 달라지는가?

질문의 단위는 model name이 아니라 task × sequence geometry × precision × hardware configuration이어야 한다.

PART 08 · METHODS & EVIDENCE
08

Approaches (Methods)

A. CoScan: non-differentiable traversal을 proxy로 학습한다

CoScan은 image-dependent space-filling curve를 직접 미분하는 대신, 2×2 circuit dual graph에서 minimum spanning tree를 만든 뒤 Hamiltonian traversal로 scan을 얻는다. 실제 MST·traversal은 non-differentiable이므로 evaluator가 candidate scan의 품질을 예측하고 generator에 differentiable proxy supervision을 준다.

scan-quality objective는 세 관계를 함께 본다. AC는 짧은 lag의 autocorrelation으로 가까운 sequence token의 coherence를, AR은 autoregressive residual variance로 causal predictability를, ADJ는 공간 인접 보존을 본다. 고해상도에서는 fine-level MST를 coarsening해 여러 feature scale에서 일관된 scan을 만들고, frequency-guided start selection으로 정보가 많은 구조를 prefix에 배치한다.

AUTHOR-REPORTEDLOL low-light에서 CoScan+MambaIR는 PSNR 23.7910, MambaIR는 22.7181로 보고됐다. CoScan+MaIR는 GoPro deblurring 33.55 dB/SSIM 0.941/LPIPS 0.081, MaIR는 32.97/0.928/0.102였다. 이는 해당 데이터·학습 설정의 저자 보고값이며 독립 재현이 아니다.

저자들은 MambaIR·EAMamba·MaIR 세 backbone과 low-light, deblurring, raindrop, dehazing, super-resolution에서 일관된 개선을 보고한다. dehazing CoScan+MaIR는 23.5M parameters, 35.2G MACs와 indoor/outdoor 30.67/31.24 dB를, MaIR는 26.3M, 49.3G와 29.95/28.49 dB를 보고한다. 같은 이름의 backbone이라도 scan 생성·global prefix·학습 설정을 포함한 시스템 비교로 읽어야 한다.

LIMITATION고해상도에서 patch-wise scan을 독립 생성하므로 극장거리 관계와 patch 경계 일관성이 제한될 수 있다. code는 arXiv에 “will be released”로 연결되어 있으며, 실행일 현재 이 글은 독립 재현 결과를 주장하지 않는다.

B. Slim-Mamba: 모델 병목을 FPGA 데이터플로로 되먹임한다

Slim-Mamba는 original Mamba, channel correlation을 강화한 CMamba, 제안한 Slim-Mamba를 LuViRA real massive MIMO data에서 비교한다. 입력은 100 antenna × 10 CIR taps와 power를 포함해 2100 features이며, 배포 temporal window는 K=2다. 홀수 trajectory를 학습하고 인접한 짝수 trajectory를 test하므로 넓은 distribution shift보다 공간 보간에 가깝다.

원래 Mamba의 여러 입력 의존 SSM parameter 생성, explicit discretization, C/D readout, state expansion을 줄이고, 입력 의존 update coefficient와 SiLU output gate를 남긴 경량 channel-wise recurrence를 쓴다. 개념적으로는 다음처럼 읽을 수 있다. 이는 논문의 계산 구조를 설명하기 위한 정규화된 표현이며 원문의 모든 projection을 재현한 식은 아니다.

ht = at ⊙ ht−1 + bt ⊙ xt
yt = SiLU(gt) ⊙ P ht

Zynq UltraScale+ ZCU102, 100 MHz, INT16 구현은 공유 MAC array, fine-grained FIFO pipeline, dynamic-scale ping-pong buffer, LUT sigmoid/SiLU를 사용한다. four-block serial latency는 21,204 cycles, 212.04 μs/token으로 추정되며 offline-preprocessed input 기준 core throughput은 4,716 positions/s다.

AUTHOR-REPORTEDSlim-Mamba는 FP32 3.40 MB, 816k trainable parameters, 13 s/epoch, 75.30 batch/s, mean error 13.5 cm를 보고한다. original Mamba는 3.38 MB, 33 s/epoch, 32.62 batch/s, 24.74 cm다. INT16 hardware-aware model은 0.14 m를 보고한다.

중요한 음의 결과는 K=1과 K=2가 모두 13.50 cm이고 K=32는 16.60 cm로 악화됐다는 점이다. 이 과제에서는 더 긴 이력이 자동으로 더 좋은 위치추정을 만들지 않았다. 이는 “장기 문맥은 쓸모없다”가 아니라, task·sampling·state design이 추가 history를 이용하지 못했거나 잡음으로 만들었음을 뜻한다.

연구 / 조건핵심 조작저자 보고 결과비교 경계
CoScan + MambaIR
LOL low-light
content-adaptive multiscale traversal23.7910 dB vs 22.7181scan module·학습 설정 포함; 독립 재현 아님
CoScan + MaIR
GoPro deblurring
MST proxy + start selection33.55 / .941 / .081
PSNR / SSIM / LPIPS
MaIR 32.97 / .928 / .102
Slim-Mamba
LuViRA, K=2, FP32
경량 recurrence13.5 cm ME, 13 s/epochnearby trajectory interpolation; original Mamba 24.74 cm
Slim-Mamba FPGA
ZCU102, 100 MHz, INT16
shared MAC + pipelining212.04 μs/token, 0.14 m MEoffline-preprocessed core estimate; full pipeline p95 아님
FPGA resource / power4-block backboneLUT 22.21%, FF 14.11%, BRAM 30.59%, DSP 19.68%; 4.29 W total estimatePS dynamic 2.62 W가 dynamic power의 74%; sensor preprocessing 별도

모든 수치는 논문 저자 보고값이다. 비교모델·데이터 split·입력 길이·정밀도·하드웨어·batch가 다른 결과를 하나의 절대 순위로 합치지 않았다.

PART 09 · USE
09

Key Applications

온디바이스 비전 보조

저조도·blur·rain·haze·super-resolution에서 내용별 scan은 제한 연산 안에서 causal context의 질을 높일 가능성이 있다.

massive MIMO 위치추정

radio fingerprint의 짧은 temporal state와 FPGA matrix-vector pipeline을 결합해 저지연 indoor localization을 목표로 한다.

로컬 RAG

압축 상태는 대화·작업 상태를, 필요한 구간 attention은 근접 근거를, 외부 memory는 원문과 출처를 맡는 계층형 구성이 적합하다.

스트리밍 분석

센서·음성·설비 로그에서 event ordering 자체를 입력 내용에 맞추되, 순서 생성 실패와 상태 오염을 별도 탐지해야 한다.

RESEARCH PROPOSALETRI/Physical AI에서는 센서 상태 추적, 로봇의 고수준 계획, 엣지 운영지능에 content-adaptive ordering + compact recurrence + external evidence replay를 시험할 수 있다. 저수준 제어 안전성은 별도 검증 가능한 controller, independent monitor, emergency stop에 맡겨야 한다.

예를 들어 다중 센서 입력을 시간순으로만 직렬화하지 않고, 사건 중요도·공간 인접·예측 불확실성으로 order를 바꾸는 연구가 가능하다. 단, 순서 변화가 원래 timestamp와 provenance를 삭제해서는 안 된다. 모델용 traversal과 감사용 원 기록을 분리해야 한다.

PART 10 · GAPS
10

Open Problems

유한 상태의 과제별 기억 한계

어떤 task entropy와 precision에서 상태가 포화되는지, 좋은 order가 그 한계를 얼마나 늦추는지 예측하는 이론·측정이 부족하다.

망각 탐지와 장기 session drift/reset

state가 틀린 정보를 carry할 때 전체 reset, 부분 수정, 원 기록 replay 중 무엇을 선택할지 기준이 없다. 모델은 자신이 잊은 정보를 스스로 보고하지 못할 수 있다.

재현 가능한 공정 비교

동일 데이터, parameter·MAC·tuning budget, quantization, input size, hardware, runtime에서 fixed scan·learned scan·native 2D·attention을 비교해야 한다. Slim recurrence도 original Mamba와 같은 training budget·kernel maturity를 맞춰야 한다.

end-to-end 에너지와 전처리

FPGA core만이 아니라 센서 acquisition, CIR extraction, host–device transfer, scan generation, verification, retry를 포함한 Joule/success가 필요하다. 성공 건수가 0이면 좋은 유한값처럼 보고해서는 안 된다.

실세계 안전성과 한국어 전문업무

한국어 장문 문서, 기관별 약어, 설비 event, 통신 단절, sensor drift에서 근거 회수율·오류복구율을 검증해야 한다. 내용별 order가 감사 가능성과 causality를 해치지 않는지도 중요하다.

높은 평균 정확도, 짧은 core latency, 작은 recurrent state는 각각 다르며 어느 하나도 실세계 신뢰성을 대신하지 못한다.

PART 11 · RESEARCH AGENDA
11

Future Directions

적응성 예산 controller

연구 제안. 입력의 구조 복잡도, state drift, retrieval uncertainty, hardware load를 보고 scan 생성·state rank·attention window·external retrieval budget을 늘리거나 줄이는 controller를 둔다. 적응성 자체도 비용이므로 controller overhead를 포함한 Pareto frontier를 측정한다.

압축 상태 + 필요한 구간 attention + 외부 증거

연구 제안. 반복적인 국소 상태는 recurrence에, 직접 재참조가 필요한 구간은 sparse attention에, 원문·timestamp·sensor provenance는 외부 memory에 둔다. evidence recovery가 실패하거나 state contamination이 감지되면 replay 또는 human approval로 전환한다.

적응성 예산 기반 계층형 시스템원 입력과 감사 기록에서 구조 추정기가 scan, recurrence, attention, 외부 증거 예산을 배분하고, 검증 게이트가 drift와 회수 실패를 확인한 뒤 실행한다.구조·불확실성·하드웨어 부하 추정content-adaptive scan필요할 때만 order 생성compact recurrent state빠른 상태 추적attention + evidence정밀 참조 · 원문 replay검증 게이트 · drift / recall / provenance / recovery통과 · budget 확대 · 부분 reset · 사람 승인검증된 응답 또는 고수준 행동
연구 제안 · 적응성을 항상 켜두지 않고 정보 가치와 실패 신호에 따라 배분한다. 완성된 검증 시스템이나 논문 결과가 아니다.

scan order, recurrent state, attention, external evidence를 하나의 block으로 합치지 않고 역할과 검증 계약이 다른 계층으로 구성한다.

ETRI 온디바이스 협업지능 단계 검증

단계 · 제안동일 조건실패 주입핵심 지표
1. operator / order baseline동일 데이터·parameter·training·quantizationorder shuffle, long horizon, unseen degradation정확도·근거 회수율·state drift
2. hardware baseline동일 CPU/GPU/NPU, runtime, batch, thermal statememory pressure, kernel fallback, frequency throttlingp50/p95·peak memory·Joule/success
3. recovery baseline동일 replay·reset·retrieval budgetstate contamination, packet loss, sensor dropout오류복구율·재시도·사람 개입
4. 장기 현장 실증동일 로봇·설비 mission setrare event, drift, multi-agent conflict완료율·근거성·안전 incident

최종 benchmark는 성공 작업당 Joule, 입력부터 검증 완료까지의 p95, 근거 회수율, 오류복구율을 함께 보고해야 한다. 다음 경쟁은 더 복잡한 선택성을 추가하는 것이 아니라 선택성이 필요한 순간과 위치를 검증 가능하게 만드는 것이다.

SOURCES · VERSION & EVIDENCE
S

출처와 검증 범위

실행일 이후 자료는 포함하지 않았다. 서지 날짜는 arXiv 제출·개정 이력과 공식 기록을 분리했다. 실험 수치는 모두 저자 보고이며 독립 재현을 수행하지 않았다. 링크 확인일: 2026-11-20 KST.

[1] CoScan: Multi-Scale Content-Adaptive Space-Filling Scans for Causal State-Space Image RestorationWei Dong et al. 최초 공개 2026-11-18; arXiv v1. comments에 “Accepted by NeurIPS 2026” 표기. 후속 version 없음.https://arxiv.org/abs/2611.23717
[2] Slim-Mamba: An Efficient and Reconfigurable Mamba-Based Accelerator for Massive MIMO Indoor LocalizationShengjie Chen et al. 최초 공개 2026-11-18; arXiv v1, 11 pages. 정식 학회 발표 기록 미확인.https://arxiv.org/abs/2611.24553
[3] Stability Is a System Property: New Bounds, Native 2D Mamba, and Scan-Order Evidence이 블로그의 직전 후속 글, 2026-11-19. perturbation bound, FM-Mamba, GaussianMamba, SFMambaNet v2를 다룸.https://sungsoo.github.io/2026/11/19/stability-is-a-system-property-mamba-log-bound-fm-scan-order.html
[4] LFM2 Technical ReportLiquid AI. 최초 공개 2025-11-28; arXiv v1. LFM2 구조와 hardware-in-the-loop search의 공식 기술보고서.https://arxiv.org/abs/2511.23404
[5] Mamba-3: Improved Sequence Modeling using State Space Principles최초 공개 2026-03-16; arXiv에 ICLR 2026 표기. exponential–trapezoidal discretization, complex states, MIMO.https://arxiv.org/abs/2603.15569
[6] Samba: Simple Hybrid State Space Models for Efficient Unlimited Context Language Modeling최초 공개 2024-06-11; ICLR 2025. 2024년 최초 공개 배경 연구로 병기.ICLR 2025 공식 기록
[7] Unlocking State-Tracking in Linear RNNs Through Negative Eigenvalues최초 공개 2024-11-19; ICLR 2025. 2024년 최초 공개 배경 연구.ICLR 2025 공식 기록
[8] 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
[9] Introducing LFM3: Every Modality for Specialized IntelligenceLiquid AI 공식 기업 모델 발표, 2026-10-27. 논문·동료평가 기록과 구분. 최신 모델·구조 확인용.https://www.liquid.ai/blog/lfm3https://www.liquid.ai/models
후속 비교 기준 · 기존 게시물의 arXiv ID와 source list에 [1]·[2]가 없음을 확인했다. 두 논문은 새로운 방법·실험·하드웨어 검증을 제공하므로 의미 있는 변화로 판정했다. 응용명에 Mamba가 들어간 것만으로 포함하지 않았고, 제품 업데이트는 논문과 분리했다.