팀네이버 논문 24편이 EMNLP 2026에 채택돼 한국어 추론 데이터 합성법이 10월 말 발표됩니다 | DAKER 커뮤니티

팀네이버의 연구 논문 24편이 자연어처리 학회 EMNLP 2026에 채택돼, 영어 원문으로 한국어 추론 학습 데이터를 합성하는 방법과 몇 시간짜리 영상에서 장면을 찾는 벤치마크 등이 10월 말 발표됩니다. 네이버는 2026년 10월 15일 보도자료에서 네이버, 네이버클라우드, 네이버랩스 유럽 등 기술 조직 전반의 연구가 채택됐다고 밝혔습니다. 학회는 10월 24일부터 29일까지 헝가리 부다페스트에서 열립니다. 이 글은 10월 20일 기준 공식 보도자료를 다시 확인해 국내 LLM 개발자와 연구자가 눈여겨볼 논문을 정리합니다.

사슬 다리 위에 포스터 이젤이 늘어선 장면을 손그림으로 그린 설명용 생성 이미지 모션 미리보기 — 설명을 돕기 위해 만든 생성 이미지입니다.

사슬 다리 위에 포스터 이젤이 늘어선 장면을 손그림으로 그린 설명용 생성 이미지 — 설명을 돕기 위해 만든 생성 이미지입니다.

EMNLP와 이번 채택의 의미

EMNLP는 ACL, NAACL과 함께 자연어처리 분야 3대 학회로 꼽히며, LLM 같은 언어 AI 연구의 흐름을 가장 먼저 보여 주는 무대로 평가됩니다. 이번에 채택된 24편은 한국어 AI부터 음성·영상을 아우르는 멀티모달 AI, LLM 추론 분석, 에이전트 기술까지 폭넓은 주제를 다룹니다. 팀네이버는 지난 7월 ICML 2026에 6편, 9월 ECCV 2026에 23편이 채택된 데 이어 이번 성과를 냈습니다.

한국어 데이터 부족을 푸는 연구

국내 개발자에게 가장 직접적인 연구는 한국어 추론 데이터입니다. 네이버클라우드는 의료·보안처럼 전문 분야에서 부족한 한국어 추론 학습 데이터를 영어 원문으로부터 합성해 한국어 성능을 끌어올린 연구를 발표합니다. 논문 제목은 From Unverifiable Domain Text to Cross-Lingual RLVR via Code-Switched Task Synthesis이며, 보도자료는 소버린 AI 역량을 강화하는 연구로 평가받았다고 소개했습니다.

같은 조직은 언어모델에 시각 능력을 더할 때 지시를 따르는 능력이 손상되는 원인을 규명하고, 이를 학습 전에 예측하는 진단 지표도 제안했습니다(Text Capability Loss in Vision-Language Adaptation: An Attention-Sink Diagnosis). 텍스트 모델을 멀티모달로 확장하려는 팀이라면 학습 비용을 쓰기 전에 참고할 만한 주제입니다.

네이버클라우드는 벤치마크 점수를 높이는 데 그치지 않고, 실제 모델을 개발하고 서비스에 적용하며 마주친 문제를 직접 정의하고 해결하는 연구에 집중했다고 밝혔습니다.

멀티모달 평가와 추론 해석

평가 벤치마크도 정규 논문으로 채택됐습니다. 몇 시간 길이의 영상에서 특정 장면이 나오는 순간을 찾는 연구는 기존 AI가 장면을 인식하지 못하는 것이 아니라 긴 영상 속에서 해당 구간을 찾지 못한다는 점을 밝혔습니다(Natural-Language Temporal Grounding in Hour-Long Videos is a Search Problem: A Benchmark and Empirical Decomposition). 옴니모달 AI가 상황에 맞는 목소리 톤과 속도로 답하는지 평가하는 OmniACBench는 텍스트 평가에서 뛰어났던 모델들도 낮은 점수를 받는 현실을 드러냈습니다.

네이버 AI Lab은 문제 이해, 계획 수립, 계산 같은 사람의 추론 단계가 LLM 내부에서도 서로 구분되는 형태로 나타난다는 사실을 확인해(Beneath the Surface of Chains-of-Thought: A Mechanistic Interpretation of Reasoning Operations in LLMs), LLM이 답을 끌어내는 방식을 분석하는 기계론적 해석 연구의 기반을 넓혔습니다. 네이버랩스 유럽은 에이전트가 과거 작업 경험을 검색해 새 과제에 활용하도록 한 연구, LLM이 만든 문장이 음성합성을 거쳐도 자연스럽게 들리도록 모델 자체를 정렬한 연구를 선보입니다. 앞의 연구는 처음 보는 작업에 대한 일반화 성능을 높였고, 뒤의 연구는 별도 후처리 없이 음성 서비스에 맞는 답변을 만드는 방법을 제시했습니다.

국내 참가자와 실무자에게 주는 시사점

한국어 데이터가 부족한 전문 분야에서 모델을 만드는 팀이라면, 영어 원문을 활용한 교차 언어 데이터 합성 방법이 가장 실용적인 참고 자료가 될 것입니다. 긴 영상 검색이나 음성 응답 품질을 다루는 대회 참가자에게는 새 벤치마크의 평가 방식 자체가 문제 정의의 힌트가 됩니다. 보도자료에 논문 제목이 실려 있으니, 관심 있는 연구는 제목으로 원문 공개 여부를 확인해 볼 수 있습니다. 보도자료 원문은 https://www.navercorp.com/media/pressReleasesDetail?seq=10034754에서 볼 수 있습니다.

24편 가운데 가장 먼저 읽어 보고 싶은 논문은 무엇입니까? 한국어 데이터 합성이나 긴 영상 검색을 직접 다뤄 본 경험이 있다면 어떤 문제가 가장 어려웠습니까?