2026-08-13

1. Meta가 유기 피드 hot path에 8B LLM을 넣었다 — Facebook (⚠ 테제 변경)

이 저장소의 오래된 테제 하나가 있었다 — topics/llm-in-recsys.md가 자리 여섯 개(콘텐츠 주석 / 안전성 판정 / 랭커 자체 / 유저 관심사 요약 / LLM-as-judge / 자연어 지시 파싱) 중 **자리 3(LLM을 랭커로)**을 X도 Meta도 채우지 않았다고 못박아 왔다. Meta의 GEM·LLaTTE·MARM 블로그가 쓰는 "LLM-scale", *"LLM-inspired"*는 스케일링 곡선/파라미터 수의 비유이고 실제 랭커는 LLM이 아니라는 것, 유일하게 Meta에서 Llama라는 이름이 블로그에 나오는 곳은 Groups Search의 오프라인 automated judge 하나이며 그마저도 랭킹은 "we plan to"라는 미래형이었다는 것. 그 공백은 2026-07 Netflix GenRec이 처음 깼고, 오늘까지도 두 번째 사례는 없었다.

ConnectionMind는 그 두 번째 사례다. 그리고 Netflix GenRec과는 근본적으로 다른 형태로 들어왔다 — 채점 함수 자체가 LLM인 GenRec과 달리, ConnectionMind는 LLM이 그래프 위 경로를 JSON으로 emit하는 경로 추론기다. 서빙 층에서도 하이브리드를 택했다: 상위 5–10% 헤비 유저는 Llama 3.1-8B가 온라인 hot path에서 직접 추론하고, 나머지 90–95%는 그 LLM이 오프라인에서 discover한 meta-path로 학습된 Student GNN이 서빙한다. 이 배치가 "8B LLM이 실제로 온라인 hot path에 들어간다"는 진술과 "대다수 트래픽은 여전히 GNN이 서빙한다"는 진술을 동시에 성립시킨다.

• 모델 백본은 Llama 3.1-8B-Instruct, 배포 확인됨 [확인] §6.1 — 실험에서는 3.2-3B와 3.1-8B를 모두 봤지만 프로덕션에는 8B를 넣었다. Meta 자체 시스템 인용은 Fan et al. 2019(GraphRec) 하나뿐이고 HSTU·GEM·LLaTTE·MARM은 참고문헌에 등장하지 않는다.

• 하이브리드 서빙 = LLM은 5–10% 코호트, Student GNN이 90–95% [확인] §6.1

  "The top 5-10% of most active users exhibit complex social graphs and high engagement velocity. For this cohort, requests are routed to the full ConnectionMind LLM. For the remaining majority of traffic, we employ an offline distillation pipeline. The LLM processes historical contexts to discover effective meta-paths. These paths are extracted to train a lightweight Graph Neural Network (Student GNN)." — ConnectionMind, §6.1 Hybrid Inference

• LLM이 그래프 위 경로를 JSON으로 emit한다 [확인] §4.1 — 상태 s_d는 *"current paths, candidate next-hop edges, and compact textual node profiles"*로 직렬화된 프롬프트로 LLM에 들어가고, LLM은 *"a structured action with two components: path expansions and surfaced item–path pairs"*를 낸다. beam search나 constrained decoding은 안 쓰고 format reward로 사후 검증(§4.3). 종료 조건은 "when 𝒫_{d+1} = ∅ or when the maximum depth D_max is reached".

• 그래프 스키마 = User–User(Friend, Similar) / User–Page(Follow) / User–Group / Group–Item(Share) / Page–Item(Post) / Item–Item(Co-watch, Semantic Similarity) [확인] §3.1 — Groups와 Pages가 1급 엣지 타입이다. Instagram·Threads에는 Groups·Pages 스키마가 없다.

• 학습 = SFT → GRPO 2단계 [확인] §4.2-§4.3 — SFT는 *"For each positive engagement (u,i⁺), we enumerate valid shortest paths from u to i⁺ in the sampled subgraph"*의 BFS 최단경로 teacher-forcing. RL은 GRPO(DeepSeek-R1 계열), reward = format(−1/+1) + F1 기반 recommendation + step-wise shaping, 가중치 α_rec=0.5·α_step=0.3·α_fmt=0.2.

• A/B 결과 — 수천만 유저·다주 기간 [확인] §6.2 Table 2 (프로덕션 대비 상대 리프트): watch time +0.43% ± 0.14%, exposure +0.33% ± 0.08%, video sessions +0.22% ± 0.13%.

  "extensive A/B test on a massive user population (tens of millions of users) over a continuous multi-week period" — ConnectionMind, §6.2

• 오프라인 벤치는 Delicious·Foursquare 공개 셋 [확인] §5.1 — Meta 데이터가 아니고, 베이스라인은 TrustMF/GraphRec/MHCN/SEPT/DiffNet/DiffNet++/RecDIFF/SGIL/BIGRec뿐이다. LightGCN·PinSage·SASRec·HSTU 같은 강한 sequential/generative-rec 베이스라인은 부재. Recall@10 기준 "+88%" 리프트가 Table 2에 있는데 이 숫자는 온라인 A/B가 아니라 학술 벤치 오프라인이다 — 표 캡션이 온라인/오프라인을 섞어 놓으니 인용 시 주의.

⚠ 이 진술을 다룰 때 반드시 붙일 caveat 네 가지

1. 지면 미공개. 논문이 "large-scale personalized video recommendation in a social platform setting"(§3), "short-form video platform"(§6)까지만 쓴다. [추정] Facebook Reels 또는 통합 Facebook Video 지면일 가능성이 가장 높다 — 그래프 스키마의 Groups·Pages 1급 관계, 주 지표(watch time·video sessions), 2024 Q2 이후 Meta가 Reels/롱폼/Live를 단일 video recommendation service로 묶은 사실이 함께 가리키는 방향. 그러나 논문이 확정하지 않았으므로 서비스명 인용 금지, "Meta short-form video platform"으로 인용할 것.
2. Meta 자체 시스템 인용 0건. HSTU·GEM·LLaTTE·MARM이 참고문헌에 없고 같은 회사의 다른 랭킹 라인과 관계를 논문 안에서 설정하지 않는다. 별개 팀 병렬 실험선일 수도 있고, 저자 5명이 Meta Menlo Park로만 묶여 있어 소속 팀(Core Ranking / GenAI / Reality Labs)이 각주에서 특정되지 않는다.
3. 서빙 코스트 완전 미공개. 8B LLM이 헤비 유저 hot path에서 실제로 어떤 SLO를 견디는지 — QPS, p99 지연, GPU 세대, 코호트 라우팅의 fallback 정책 — 논문 어디에도 없다. "millisecond-level latency"가 언급되지만 이건 Student GNN 쪽 얘기다. Netflix GenRec 서빙 층 블로그가 vLLM·MSS·FSx pre-materialization·constrained decoding batch scaling까지 서술한 것과 대비가 크다.
4. 오프라인 실험은 학술 벤치, Meta 데이터의 ablation은 없다. Delicious·Foursquare 60/20/20 스플릿에 강한 sequential/generative-rec 베이스라인이 없다는 사실은 학술 대비의 신뢰도를 떨어뜨린다. 프로덕션 A/B의 세 숫자만이 Meta 데이터 진술이다.

• services/facebook.md 랭킹 절에 새 소절 "ConnectionMind — LLM이 그래프 경로를 추론하는 랭킹 레이어 (2026-08 논문, 프로덕션 A/B)" 추가. 지면 caveat, 하이브리드 서빙 구조, LLM emit 형식, A/B 세 수치, 미공개 항목 열린 질문화. 출처 절에 논문 추가. 열린 질문에 3건 신규(지면·서빙 비용·HSTU와의 관계).
• topics/llm-in-recsys.md — 자리 3 표의 Meta 칸 갱신, 개요의 "자리 3 공백은 Netflix가 깼다"를 "Netflix가 처음 깼고 Meta가 두 번째"로 재작성. Meta ConnectionMind 케이스 절 신규(Netflix 케이스 앞에 배치). 프레이밍 검증 절의 결론 문장 재작성 — "1차 진술은 X·Meta 어느 쪽에도 없다"를 "Netflix GenRec이 처음이었고 Meta ConnectionMind가 두 번째"로. "누가 이걸 쓰는가" 절의 Facebook Feed 행 갱신.

⚠ 테제 변경. 이 저장소는 지금까지 *"Meta는 LLM을 (광고) 피처 인코더와 오프라인 심판으로 쓴다. 유기 피드 랭킹 경로에 LLM이 들어간다는 1차 진술은 X·Meta 어느 쪽에도 없다"*로 요약해 왔다. ConnectionMind가 두 번째 문장을 뒤집었다. 다만 뒤집힘의 형태가 미묘하다 — 랭커 그 자체는 아직 LLM이 아니고(GenRec처럼 backbone을 LLM으로 갈아끼운 게 아니라), 그래프 위 다중-hop 추론이 LLM 자리인 것이고, 그것도 대다수 트래픽(90–95%)에는 여전히 GNN이 서빙된다. "LLM이 랭킹한다"가 두 회사에서 완전히 다른 실체를 가리킨다는 사실이 오늘 새로 확립된 지형이다.

두 번째 의미는 부재의 부재다. 이 저장소는 오래 *"Meta는 유기 피드 스택을 거의 안 공개한다 — 부재가 곧 미사용은 아니다"*라는 caveat를 달아 왔는데, ConnectionMind가 그 caveat의 정당성을 확인했다. Meta에는 공개되지 않은 유기 피드 시스템이 실제로 존재하고 있었다는 뜻이다.

세 번째, ConnectionMind가 Meta 자체 시스템(HSTU·GEM·LLaTTE·MARM)을 하나도 인용하지 않았다는 사실은 같은 회사 안에서 랭킹 라인이 여전히 여러 갈래로 병렬 진행 중이라는 신호일 수 있다. 이것이 조직 구조상의 파편화인지, 서로 다른 지면·서비스에 최적화된 병렬 실험인지는 미확정. [추정]

2. Netflix GenRec의 학술판 — 블로그가 안 밝힌 정량치가 나왔다

이 저장소는 GenRec을 이미 두 번 정본에 반영했다. 2026-08-09 daily는 Netflix TechBlog 원문("GenRec: Towards LLM-Native Recommendation at Netflix", 2026-07-30)을 정독한 결과를 담았고, 2026-08-10 daily는 그 뒤에 나온 "In-House LLM Serving at Netflix" 블로그(2026-07-17)로 서빙 층을 보강했다. 그래서 오늘 나온 arXiv 논문의 관건은 하나다 — 블로그가 안 밝힌 게 논문에 있는가.

답: 있다. 블로그와 명시적 모순은 없고, 논문은 정성 서술을 부수는 대신 정량 세부·손실 함수 수식·팀 구조를 추가하는 관계다.

• 온라인 코어 지표의 실측값 최초 공개 [확인] §5.1 — 블로그는 *"statistically significant win"*만 썼다. 논문이 절대값을 준다.

  "For example, we observe a +0.006% relative improvement on our core online metric, which is statistically meaningful at Netflix scale." — GenRec arXiv, §5.1

  이 값이 유의미하다고 논문 스스로 규정한 점이 인용상 중요하다 — 절대값만 놓고 보면 작아 보이지만 논문은 "at Netflix scale"이라는 단서를 붙였다.

• Phase 1 / Phase 2 각각의 기여 분해 — 그리고 시간 축이 결정한다 [확인] §5.3

  "Using the Phase-1 foundational LLM as the base model improves offline ranking metrics by the order of 10-20% compared with using an off-the-shelf LLM as the backbone." "Phase-2 post-training provides a further roughly 35-50% gain in offline ranking metrics when evaluated on the Phase-1 training cutoff date (i.e. when Phase-1 model is the freshest)." "the improvement rises to roughly 80% after two weeks" — GenRec arXiv, §5.3

  Phase 2의 상대 이득이 시간이 갈수록 커지는 이유를 논문이 명시한다 — "increasing staleness of the less frequently updated Phase-1 backbone". 즉 Phase 1 백본이 상대적으로 낡을수록 Phase 2 post-training의 상대 가치가 올라간다. 블로그의 두 단계 필요 진술에 시간 축 관계가 새로 붙었다.

• 컨텍스트 압축의 절대 예시 + 서빙 비용도 1/3 [확인] §5.4 — 블로그는 *"roughly one-third of the original budget"*만.

  "the context length can be reduced to roughly a third of the original token budget (for example, from about 5,000 tokens down to about 1,700 tokens) with only negligible degradation in offline ranking metrics." "Since GenRec is largely compute-bound with serving cost approximately proportional to the context length, we observed the serving cost is reduced to roughly a third of original cost as well." — GenRec arXiv, §5.4

  즉 5,000 → 1,700 토큰 예시가 붙었고, 컨텍스트 압축이 품질뿐 아니라 서빙 비용도 1/3로 낮춘다는 정량 주장이 새로 나왔다. 이건 블로그의 정성 서술만으로는 못 얻던 조합이다.

• 손실 함수 수식이 처음 공개됐다 [확인] §4.4-§4.5

  "ℒ = α·ℒ_ranking + β·ℒ_language + γ·ℒ_miscellaneous, s.t. α+β+γ = 1, α,β,γ ≥ 0" "These labels are used in a cross entropy loss over the item catalog (or candidate set), teaching the model to produce a high-quality ordering of items given the verbalized context." "When the catalog is too large to score exhaustively, we can combine the scoring with sampled-softmax instead." — GenRec arXiv, §4.4-§4.5

  세 항 볼록결합, 랭킹 손실 = catalog(또는 candidate set) 전체 softmax cross-entropy, 카탈로그가 클 때 sampled softmax로 대체. α/β/γ 수치는 미공개. 추론 시엔 랭킹 헤드만 쓰고 LM 헤드는 학습 정규화용이라는 명시도 새로 나왔다 — *"future text generation use cases (e.g., natural-language explanations)"*가 미래 확장으로 열려 있다.

• 학습 데이터 스키마 = user/assistant 대화, assistant 쪽에 engagement 원신호 [확인] §4.2

  "we transform a member's historical interaction data into a single-turn or multi-turn 'conversation' between a user and a recommender. Each turn pairs a user message (combining context, history, and a task) with an assistant message representing the member's actual engagement for that turn." — GenRec arXiv, §4.2

  블로그는 user message 쪽("verbalized context, profile, history, item metadata, and task")만 나열했다. 논문은 assistant message에 실제 engagement(play, play duration, abandon, thumb, etc.)가 들어간다고 스키마를 열어 보였다. positive label 정의도 명시: "high-quality engaged events (e.g., high-duration plays, strong explicit feedback), with denoising logic and thresholds that vary by content types" — 콘텐츠 타입별 임계값·디노이징 로직 존재 (구체 임계값은 미공개).

• GRPO는 preliminary에서 실제로 SFT를 이겼다 [확인] §4.6 — 블로그는 *"higher cost 때문에 future work"*까지만.

  "In preliminary experiments, RL-style methods (e.g. GRPO) showed additional gains over supervised finetuning, but their high training overhead makes them better suited for future work. Therefore, currently we adopt the reward-weighted loss approach as the main alignment mechanism for GenRec, due to its simplicity, stability, and cost considerations." — GenRec arXiv, §4.6

  시도했고 이겼지만 배포하지 않았다. Meta ConnectionMind가 실제로 GRPO를 배포한 것과 대비된다 — 같은 알고리즘이 두 회사에서 반대의 결정을 받았다.

• 데이터 스케일링 스윕 [확인] §5.2 — Phase-2 데이터 1x~20x 스케일링을 ~1B와 ~10B 두 백본에서 각각 실행, 양쪽 모두 monotonic 개선 + 유사한 scaling pattern. 절대 곡선/기울기는 미공개.

• Semantic-ID 계열이 아님을 명시적으로 자리매김 [확인] §2.2

  "Most LLM-based generative retrieval systems rely on autoregressive decoding with beam search at inference time, which introduces latency overhead that can be prohibitive at scale, especially for large candidate sets. Our work avoids these limitations by augmenting the base LLM architecture with a catalog-aware ranking head, so that it can rank a large candidate set in a single forward pass" — GenRec arXiv, §2.2

  Google PLUM, Kuaishou OneRec-Think, Spotify GLIDE, Yandex Gryphon 등 SID/생성 계열과의 차별점을 논문이 스스로 정리한다. GenRec은 semantic ID 계열이 아니다 — 채점 헤드가 catalog-aware라 single forward pass에 대규모 후보 집합을 채점한다.

• 팀 구조가 처음 드러났다 [확인] §8 — 블로그에 팀 구분 없음. 3팀 협업: AI for members (22명, 주 저자단·Justin Basilico 포함) / AI platform and serving (13명, 서빙 인프라) / Product (4명). Justin Basilico는 Netflix 개인화 총괄로 알려진 인물로, 그의 이름이 GenRec 인접 문서에 명시 확인된 첫 사례.

• 논문도 롤아웃 전면 확언은 피한다 [확인] §7

  "GenRec represents an initial step toward a more LLM-centric recommendation stack at Netflix. Our results suggest that this is a viable and promising path for large-scale personalization in at least some scenarios" — GenRec arXiv, §7 Conclusions

  "initial step", "at least some scenarios" — 정본이 열어 둔 질문(전면 롤아웃 여부·실시간 지면 여부·후보 집합의 생성 주체)이 논문에서도 답이 없어 그대로 유지된다.

services/netflix.md — GenRec 절 아래에 "GenRec arXiv 논문 — 블로그가 안 밝힌 정량치 (2026-08-10)" 소절 신규. +0.006% 코어 지표, Phase 1/2 기여 분해와 시간 축, 5000→1700 토큰 예시 + 서빙 비용 1/3, ℒ = αℒ_rank + βℒ_lang + γℒ_misc + catalog softmax, user/assistant 대화 스키마, GRPO preliminary 결과, distilled 백본 언급, Semantic-ID 자리매김, 3팀 구조, 논문에도 여전히 미공개인 항목 열거. 출처 절에 논문 추가. 열린 질문은 그대로 유지(전면 롤아웃·실시간 지면·후보 집합 출처 등 — 논문도 답 없음).

블로그의 정성 서술은 견고했다 — 새 논문이 그것을 부수지 않았다. 하지만 논문이 준 정량치 몇 가지가 이 저장소의 인용 무게를 바꾼다. 세 가지가 특히 중요하다:

1. +0.006% 코어 지표를 이제 인용할 수 있다. "statistically significant"만 있을 때는 규모 감이 없었지만 논문의 자기 규정("Netflix scale에서 유의미")과 함께 쓰면 진술의 무게가 잡힌다.
2. 컨텍스트 압축이 품질만 지키는 게 아니라 서빙 비용도 1/3로 낮춘다는 조합이 새로 확립됐다. 이건 GenRec의 batch-compute 서빙 경제성 논증에서 핵심 조각이다.
3. GRPO는 이겼지만 안 배포됐다는 진술은 Meta ConnectionMind가 같은 GRPO를 실제로 배포한 것과 대비되어, "훈련 비용을 얼마나 감당할 수 있느냐가 배포 형태를 가른다"는 산업 차원의 트레이드오프가 두 사례에서 대칭적으로 나온 첫 순간이다.

블로그/논문의 관계 자체가 시사적이다 — Netflix는 블로그를 먼저 내고 논문으로 정량을 보강하는 순서를 두 달 만에 완성했다(블로그 2026-07-30 → 논문 2026-08-10). 이 순서가 앞으로도 계속되면 이 저장소의 스캔 전략(블로그 나오면 즉시 정본 반영 → 논문 나오면 정량 보강)이 확립된다.

3. Yandex Music Sona — 스마트 스피커 지면의 통합 랭커 — 레이더

이 저장소는 2026-08-10 daily에서 Yandex Music Gryphon-v2(arXiv 2608.06213, 2026-08-06)를 radar.md의 "생성형 retrieval / semantic ID" 스레드에 넣었다. Gryphon-v2는 프로덕션 캐스케이드 15+ 후보 생성기 + pre-ranking + final ranking을 단일 모델로 대체했다는 진술, active users +1.41%. 5일 만에 같은 회사가 두 번째 논문을 냈다.

• Sona는 음악 스트리밍용 통합 생성형 추천 모델로, 유저 engagement 시퀀스를 공유 인코더로 처리해 autoregressive 디코더 + 랭킹 모듈로 추천을 낸다. hand-engineered feature 없이 [확인] abstract.
• 배포 지면: "My Vibe on smart speakers" — 스마트 스피커 전용 지면. Gryphon-v2의 광의의 음악 추천 캐스케이드와는 배포 지면이 다르다.
• 프로덕션 A/B: "replaced the entire production cascade", active users +4.53%, total listening time +6.30% [확인] abstract.

Yandex Music이 5일 사이에 두 편의 프로덕션 통합 랭커 논문을 내는 것 자체가 회사 차원에서 SID+LLM 통합 랭커 계열에 리소스가 붙어있다는 신호다. Gryphon-v2와 Sona의 관계(같은 모델 계보인가 별개 라인인가), 지면별로 왜 다른 모델을 배포하는가는 미확인. 세 번째 회사(음악 외 도메인)의 유사 진술이 나오면 topics/llm-in-recsys.md의 케이스 절 승격 후보 유지.

검증에서 뒤집힌 것

⚠ 자리 3 테제 절반 뒤집힘. topics/llm-in-recsys.md의 오랜 결론 문장 *"유기 피드 랭킹 경로에 LLM이 들어간다는 1차 진술은 X·Meta 어느 쪽에도 없다 — 업계 전체에서 그 진술을 처음 낸 것은 Netflix GenRec"*을 재작성했다. 새 결론: "Netflix GenRec(2026-07, LLM = 채점 함수)이 처음이었고, Meta ConnectionMind(2026-08, LLM = 그래프 경로 추론기)가 두 번째". 형태가 두 회사에서 다르다는 사실이 새로 확립된 지형. 검증에 사용된 코퍼스는 이번 사이클의 arXiv 2건 원문 (§ 1·§ 2에 인용).

대신 뒤집히지 않은 것 하나: "Netflix GenRec의 채점 구조는 텍스트 생성이 아니다 — LLM은 pooled hidden state h를 만드는 인코더이고 최종 채점은 임베딩 내적/작은 MLP" 는 그대로 유지된다. arXiv 논문 §4.5의 catalog softmax + scoring head φ 서술이 이 요약과 정합. 새로 나온 손실 수식이 이 서술을 강화하지 약화하지 않는다.

레이더

• Sona (Yandex Music) arXiv 2608.11015, 2026-08-11 — Gryphon-v2 스레드에 3–4줄 포인터 추가. 스마트 스피커 지면 통합 랭커, active users +4.53%, total listening time +6.30%.
• LLM-native 랭킹 확산 스레드 갱신 — Meta ConnectionMind가 자리 3 두 번째 프로덕션 진술로 진입했다는 사실을 radar.md 해당 오픈 스레드에 반영. 지켜볼 목록에 "ConnectionMind 지면 확정·서빙 코스트 후속 글" 추가.

radar triage 결과: 오늘 스캔한 arXiv cs.IR 신규 30건 중, 위 3건(2608.10257 Netflix GenRec / 2608.10187 Meta ConnectionMind / 2608.11015 Yandex Sona) 외에 수용 기준(플랫폼 기업 저자 · 프로덕션·A/B 진술 · 메커니즘 신규성 · 스케일 결과)을 통과한 항목 없음. 통과하지 못한 대표 예: LLM 리랭커 계열(2608.10528·2608.10406), 멀티모달 sequential rec(2608.10700·2608.10240·2608.10983), 학술 벤치 CF(2608.10297·2608.10247) — 전부 프로덕션 배포 진술 부재.

다음에 볼 것

• ConnectionMind의 지면 확정 — 후속 Meta 블로그·Q3 IR·시스템 카드 갱신을 지켜본다. 카드에 "그래프 경로 추론 LLM" 예측 헤드가 나타나면 그때 지면이 확정된다.
• ConnectionMind의 서빙 코스트 후속 — Meta가 유기 피드 hot path에 8B LLM을 실제로 어떻게 서빙하는지(vLLM인가? 자체 스택인가? Ads의 MARM 인프라와 공유하는가?)의 1차 진술이 나올 때까지 열린 질문 유지.
• GenRec + ConnectionMind 두 사례의 GRPO 대칭 — 같은 알고리즘이 두 회사에서 반대 결정을 받은 이유(훈련 비용의 절대치? 지면 특성? 데이터 양?)를 정리할 topic 절 후보. [topics/llm-in-recsys.md](../topics/llm-in-recsys.md)에 GRPO 관련 소절 추가 검토.
• Meta 시스템 카드(fb-feed·fb-video·fb-reels) 재렌더링 — ConnectionMind의 진술과 카드가 정합하는지, 카드가 갱신됐는지 확인. 카드는 client-rendered라 브라우저 렌더링이 필요. 다음 스캔 사이클에 시도.
• Yandex Music Gryphon-v2 vs Sona 관계 — 두 논문의 아키텍처 차이 정리. radar에만 두고 심층 분석은 사람 트리거 대기.