Wonder News Morning: Unity 7, 코딩 에이전트용 CLI·API·무료 MCP 예고

Unity가 Unity 7에 CLI, 공개 API, 코딩 에이전트용 무료 Model Context Protocol 연결을 넣겠다고 발표했다. 오늘은 Unity 엔진 로드맵과 함께 장기 계획·시각 강화학습, 교육용 애니메이션, 영상 추론, 선제형 에이전트, AI 동반자의 기억, 여러 에이전트의 탐색, 교육기술 컨퍼런스 소식을 전한다.

밤사이 달라진 점

• Unity는 7월 21일 Unite Seoul에서 Unity 7 로드맵을 발표했다. 초기 베타는 12월, 정식 출시는 2027년 1분기로 예정했다.
• arXiv의 7월 21일 새 논문 목록에 장기 월드 모델 계획, 시각 강화학습, 교육용 애니메이션, 영상 추론, 선제형 에이전트, AI 동반자 기억, 잡음이 있는 검증 절차 연구가 올라왔다.
• 알래스카 교육기술협회는 2027 컨퍼런스를 2월 13~15일 열며, 교육자 세션 제안은 2026년 9월 30일까지 받는다.

게임 제작과 제어

Unity 7, 코딩 에이전트를 편집기에 연결

Unity는 Unity 7을 Unity 6 구조 위에 이어서 개발하기 때문에 프로젝트를 다시 만들거나 새 언어를 배울 필요가 없다고 밝혔다. 새 CLI와 공개 API를 쓰면 개발자, 아티스트, 프로듀서와 이들이 사용하는 도구가 편집기 전체를 열지 않고도 에셋을 검사하고 빌드를 내보낼 수 있다. 코딩 에이전트가 연결할 수 있는 MCP도 무료로 제공할 계획이다.

CoreCLR을 바탕으로 플레이 모드 진입 시간을 크게 줄이고 바뀐 코드만 다시 불러오며, 셰이더 빌드 속도는 최대 90% 높인다는 것이 회사 설명이다. Surface Cache GI, 신경망 업스케일링, AI 보조 그래픽 최적화도 로드맵에 포함됐다. 아직 출시 전 계획이다. 초기 베타는 12월, 정식 출시는 2027년 1분기로 잡혀 있다.

SAGE, 도달 가능한 중간 목표로 더 긴 계획 탐색

Letian Cheng, Qi Zhang, Yisen Wang은 7월 20일 SAGE를 공개했다. 무작위 행동 후보에서 월드 모델 계획을 시작하는 대신, 여러 시간 길이에 맞는 도달 가능한 잠재 중간 목표를 예측한다. 그 주변에서 행동 후보를 만든 뒤 고정된 월드 모델이 평가한다.

목표 간격이 150일 때 PushT 성공률은 12.7%에서 64.7%, OGBench Cube는 26.7%에서 67.3%로 올랐다고 연구진은 보고했다. 두 시험 모두 플레이 가능한 게임이 아닌 로봇 조작 과제이며, 선택할 행동이 늘어날 때의 계획 능력을 측정했다.

PAMD, 시각 강화학습의 상태 비교 방식 조정

Daegyeong Roh, Juho Bae, Han-Lim Choi는 시각 강화학습을 위한 쌍별 적응형 마할라노비스 거리를 제안했다. 모든 상태에 같은 거리 계산법을 쓰는 대신 비교할 두 잠재 상태에 맞춰 거리를 조정한다. 임의의 값을 외우지 않도록 거리 함수에는 수학적 제약을 뒀다.

ICML 2026 논문은 시각 MuJoCo 연속 제어 과제에서 여러 이중모사 기반 알고리즘에 PAMD를 더했을 때 최종 성능이 올랐다고 보고한다. 초록에는 여러 과제를 하나로 합친 개선 수치가 나와 있지 않다.

생성 영상과 공간 추론

SGA, 교육 영상이 글자와 도형을 가리는지 실행 전에 검사

Jhon Lopez, Carlos Hinojosa, Bernard Ghanem은 코드로 만드는 Manim 수업 자료를 위한 Symbolic Geometric Agent를 개발했다. 생성된 코드를 일부 실행해 장면 그래프를 만들고, 겹치거나 가려지는 부분을 찾아 해당 배치만 고친다. Manim Visual Quality Score는 영상을 실제로 렌더링하지 않고 공간 배치를 평가한다.

언어 모델 4종과 애니메이션 제작 절차 2종을 조합한 8개 설정 가운데 7개에서 점수가 올랐다. GPT-5.1을 쓴 Code2Video는 73.11점을 기록해 수정 전보다 16.1% 높았다. 학생이 영상을 보고 더 잘 배웠는지는 이 시험에서 측정하지 않았다.

Thinking in Video, 그럴듯한 움직임과 인과 이해를 따로 평가

Yongheng Zhang을 비롯한 연구진 15명은 영상 생성 모델이 인과관계를 파악하는지와 그 결과를 영상으로 정확히 만드는지를 함께 평가하는 방법을 제시했다. 영상 질문에 답하는 능력과 모델이 만든 다음 장면을 짝지어 검사한다.

논문에 따르면 공개 모델은 인과관계를 명시적으로 파악하는 능력이 거의 0에 가까운데도 그럴듯한 움직임을 만들었다. 비공개 모델은 두 능력이 더 잘 맞았지만 격차가 남았다. 모델은 올바른 인과 설명을 말로 내놓는 데 비해 영상으로 구현하는 데 더 자주 실패했다.

ConsiSpace, 시점이 바뀌어도 공간 정보를 일관되게 유지

Ting Huang을 비롯한 연구진은 긴 영상의 공간 질문을 풀기 위해 기하 일관성 기억을 만들었다. 암묵적인 근거 토큰과 명시적인 기하 단서를 함께 보관하고, 답·거리·위상 일관성에 보상을 주는 강화학습을 적용했다.

VSI-Bench, OSI-Bench, MMSI-Video-Bench에서 가장 강한 비교 모델보다 평균 12.6점 높았다. 녹화 영상에서 카메라 시점이 달라져도 물체 위치를 유지하는 시험이며 실시간 조작은 평가하지 않았다.

핵심 프레임으로 연속 동작 중 인물 모습 변화 억제

Zhenjie Liu를 비롯한 연구진 5명은 기준 인물과 시간대별 동작 설명을 받아 영상을 만드는 과제를 다뤘다. 학습이 필요 없는 이 방법은 먼저 각 동작이 끝나는 핵심 프레임을 만든다. 기준 인물과 직전 프레임을 함께 참고한 뒤, 여러 기준 이미지를 이용해 프레임 사이를 채운다.

IPVG26 트랙 2 순위에서 3위를 기록했다. 정해진 순서대로 동작하면서 인물 모습을 유지하는 시험 결과다. 플레이어 입력에 반응하거나, 미리 쓴 동작 밖에서도 상태를 보존하는지는 보여주지 않았다.

에이전트, 기억, 협업

ProEvent, GPT-5.1도 선제 지원 상황의 26.7%에만 올바르게 반응

Guanzhen Li, Liangming Pan, Leye Wang은 계획이 암시되거나 바뀌고 취소되는 현실적인 합성 채팅 대화를 만들었다. ProEvent는 명시적인 요청이 없어도 일정표를 갱신하고 알맞은 때에 도움을 주는지를 평가한다.

모델과 실행 절차 8종을 시험한 결과 에이전트는 자주 지나치게 개입했고 취소된 일정을 제대로 처리하지 못했다. GPT-5.1이 올바르게 반응한 상황은 26.7%였다. 계획이 바뀌었을 때 취소를 반영하고 사용자 관점에서 상황을 이해하는 일이 여전히 어려웠다.

ZifaMem, 대화 기억을 구조화했지만 Mem0와는 통계적으로 비슷

Jingzhe Fang을 비롯한 연구진은 AI 동반자 대화를 세션 요약, 일화 기억, 통합 사용자 모델로 나눴다. 가공하지 않은 전체 대화를 그대로 넣은 비교군보다 모델 4종의 정서 지능 점수가 전체 평균 11.4% 높아졌다. 95% 신뢰구간은 6.3~17.1%였다.

사전 등록한 핵심 선호도 비교에서는 ZifaMem과 Mem0의 차이가 5점 이내여서 통계상 우열이 없었다. 감정 상태를 별도로 추적하는 장치를 더해도 5개 지표 어디에서도 측정 가능한 개선이 없었다.

하나의 답을 공유한 탐색자 8명, 같은 곳만 반복해서 찾을 수 있어

Yohei Nakajima는 상자 16개 가운데 목표 하나를 단서가 불확실한 탐색자 8명이 찾는 수학 모형을 만들었다. 단서를 모으면 가장 좋은 단일 추천의 정확도는 0.20에서 0.3835로 올랐다. 그러나 8명이 모두 그 추천을 따르면 전체 발견 확률은 각자 단서를 따라갈 때의 0.8322에서 0.3835로 떨어졌다. 같은 공동 정보를 바탕으로 8가지 행동을 나눠 맡기면 0.8594에 도달했다.

실제 에이전트 팀을 배포한 시험은 아니다. 정보를 공유해서 얻는 이점과 모든 에이전트가 같은 행동을 반복해서 생기는 손실을 분리해 보여주는 수학 결과다.

VRR-Stop, 계획을 한 번 더 고치면 나빠질 때 멈추는 기준 제시

Yitao Wu를 비롯한 연구진은 검증기의 오판과 수정기가 계획을 고치거나 망가뜨릴 확률을 따로 모델링했다. 다음 수정으로 얻을 수 있는 이익이 양수인지 추정해 진행 여부를 정한다. 검증기가 결과를 가려내지 못할 때는 충분한 점수 차이가 있어야 기존 답을 바꾼다.

잡음을 넣은 GSM8K 시험에서 VRR-Stop은 다섯 번 고정 수정하는 방식보다 최종 실제 정답률을 60.6%포인트 높였다. 평균 수정 횟수는 0.72회였다. 수학 과제를 쓴 시험이지만, 검증 통과 횟수는 늘어도 실제 코드나 도구 계획은 나빠질 수 있다는 문제를 측정했다.

일정표에 새로 추가

Wonder News 2027년 일정표에 알래스카 교육기술협회 컨퍼런스 2027을 추가했다. 행사는 2월 13~15일 미국 앵커리지 호텔 캡틴 쿡에서 열린다. 교육자 세션 제안은 2026년 9월 30일까지 받는다. 기업 전시 신청도 열려 있지만 마감일은 발표되지 않았다. 개인 참가 등록 일정도 아직 나오지 않았다.

다음에 확인할 것

• 12월 Unity 7 베타에서 공개될 CLI, 공개 API, 무료 MCP의 실제 지원 범위.
• 제작 중인 프로젝트에서 Unity의 셰이더 빌드 속도와 업그레이드 호환성 주장이 재현되는지.
• 화면 정보가 많은 상호작용 환경에서 SAGE가 거둘 결과와 여러 제어 과제의 PAMD 세부 점수.
• 공간 배치 점수를 넘어 SGA 교육 영상을 본 학생의 학습 효과.
• Thinking in Video가 시험한 모델별 인지·예측 격차 세부 결과.
• ConsiSpace의 실시간 조작 시험과 정해진 영상 밖에서 인물 모습을 유지하는 상호작용 시험.
• 실제 동의를 받은 대화에서 ProEvent를 시험한 결과와 지나친 개입의 비용.
• ASTE 2027 교육자 세션 제안 마감일인 9월 30일.

이 한국어 기사는 영어 원문을 번역한 것이며, 번역 과정에서 오류가 있을 수 있습니다. 이 글은 Wonder Bricks AI Agent의 도움을 받아 작성했으며 SunnyLabs가 편집했습니다.