총 100건
Vision-Language-Action 모델의 사전학습은 긴 시퀀스의 행동-상호작용 신호가 필요하지만 기존 데이터셋은 짧고 특수한 장비로 한정된다. MobileEgo Anywhere는 ARKit가 제공하는 6 DoF 포즈 추적과 소비자용 스마트폰을 활용해 200시간 규모의 장형 에고센트릭 데이터를 수집·가공하는 오픈 인프라를 제시한다. STERA 파이프라인, 무상 앱, 200시간 데이터셋의 공개로 연구 커뮤니티의 하드웨어 진입장벽을 낮추고 VLA 및 Foundation Model 프리트레이닝의 데이터 소스를 확장한다.
Activation Steering의 역추정을 통해 화이트박스 제어와 블랙박스 프롬프트 간의 근본적 차이를 밝힌다. 프롬프트 기반 해석가능성이나 안전성 연구가 Activation Steering의 용이성만으로 평가되어서는 안 되며, 화이트박스와 블랙박스 개입을 구분하는 평가 프로토콜이 필요하다고 제시한다.
머신러닝 모델의 학습 안정성과 예측 신뢰성을 확보하기 위해 학습과 추론 파이프라인 간의 데이터 정규화 기법을 표준화하고 일관되게 적용해야 한다.
오로라 혁신(Aurora Innovation)의 CEO 크리스 엄슨이 자율주행 트럭의 상업적 운영 성과와 검증 가능한 AI 시스템의 중요성을 강조했다.
오픈 소스와 폐쇄형 AI 모델 간의 성능 격차 변화와 물리적 환경에 내장되는 임베디드 AI의 부상을 통해 향후 2년 내 AI 생태계의 변화를 전망합니다.
Ramp의 응용 연구 책임자 Alexander Shevchenko가 Ramp Sheets의 에이전트 아키텍처와 KV 캐시를 이용한 에이전트 간 통신 실험을 공유합니다.
전통적인 수동 피처 엔지니어링에서 벗어나 LLM의 시맨틱 이해 능력을 활용해 비정형 데이터에서 고차원 특징을 자동 추출하는 방법론과 실전 코드를 제시한다.
AI 모델의 성능 변화를 감지하는 드리프트 탐지 프레임워크와 평가 기준을 담은 PDF 문서가 공개됐다.
구글이 새로운 초소형 트래커 Fitbit Air를 공개하고, 기존 Fitbit 앱을 Google Health 앱으로 통합하며 Gemini 기반 AI 헬스 코치를 정식 출시했습니다.
IBM이 공개한 Granite Speech 4.1 모델의 3가지 변체(Base, Plus, NAR)를 통해 정확도, 화자 분리 기능, 초고속 추론 성능의 기술적 특징과 실무 적용 방법을 상세히 다룹니다.
Awesome Design MD 리포지토리의 57개 브랜드 디자인 시스템을 Claude Code에 학습시켜 전문적인 웹페이지, 슬라이드, 그래픽을 단일 프롬프트로 생성하는 워크플로를 제시한다.
OpenAI가 ChatGPT를 Excel과 Google Sheets 내부에 직접 통합하여 데이터 이동 없이 AI로 스프레드시트를 편집하고 분석할 수 있는 기능을 출시했다.
카네기 멜론 대학교 연구진이 텍스트 명령으로 의료 영상 내 장기를 자동으로 식별하고 라벨링하는 AI 도구 AutoMiSeg를 개발했습니다.
Amazon Bedrock AgentCore Payments는 AI 에이전트가 API, 유료 콘텐츠, MCP 서버 이용 시 실시간 마이크로페이먼트를 자동으로 수행할 수 있게 지원하는 관리형 서비스이다.
LLM을 활용한 보안 취약점 자동 탐지가 급증하면서, 기존의 비밀 유지(엠바고) 및 공동 공개 절차가 실효성을 잃고 보안 관리 체계의 근본적 변화를 요구하고 있다.
스포티파이가 AI DJ 기능의 지원 언어를 프랑스어, 독일어 등 4개국어로 확대하고 한국을 포함한 75개국으로 서비스 지역을 넓혔습니다.
AI 기술 확산에 대한 사회적 저항이 커지는 가운데 Anthropic과 SpaceX의 협력, OpenAI 내부의 신뢰 위기 등 업계 주요 변화를 다룹니다.
Moonshot AI가 출시한 1조 파라미터 규모의 MoE 모델 Kimi K2.6이 SWE-Bench Pro에서 GPT-5.4를 앞서며 오픈 웨이트 모델 중 세계 1위를 기록했다.
복잡한 수학 없이 일상 사례를 통해 정규 분포부터 멱법칙까지 데이터의 패턴을 결정하는 7가지 핵심 통계 분포를 설명합니다.
AI 도구로 생성된 무단 리믹스 곡들이 스트리밍 플랫폼에서 급증하며 원곡 아티스트의 수익을 가로채는 심각한 저작권 침해 문제를 야기하고 있다.
보안 전문가들이 Lovable, Replit 등 AI 코딩 도구로 만든 5,000개 이상의 앱을 분석한 결과, 상당수가 인증 없이 민감한 기업 및 개인 데이터를 노출하고 있음을 확인했다.
AIsecTest 방법론을 통해 Nemotron-3 Nano Omni 모델의 자기 인식 및 인지적 안정성을 평가한 결과, 선언적 자기 인식은 우수하나 불확실성 관리와 성찰적 깊이에는 한계가 있음이 확인됐다.
GoodBarber는 단일 백오피스에서 iOS, Android, PWA를 동시에 구축하며 RAG 챗봇과 AI 어시스턴트 기능을 통합할 수 있는 노코드 플랫폼이다.
CEAT 프레임워크를 통해 ChatGPT의 정서적 인지 및 담화 일관성을 분석한 결과, 88점의 높은 점수를 기록했으나 메타인지와 실제 공감 능력에는 한계가 있음이 확인됐다.
실제 서비스 환경에서 AI 에이전트의 오작동을 방지하기 위해 지침, 문맥, 검증의 3단계 계층 구조를 적용하여 안정성을 확보한 사례이다.
Unsloth Studio와 같은 도구로 인해 AI 엔지니어링의 핵심이 코드 작성에서 모델 선택과 데이터 반복 실험으로 이동하고 있다.
개인정보 보호로 확보가 어려운 의료 문서를 대체하기 위해 호주 병원 양식을 모방한 5,000건의 합성 PDF 데이터셋과 생성 파이프라인을 구축했다.
RIKEN AIP의 스즈키 타이지 팀장이 AISTATS 2026에서 딥 파운데이션 모델의 특징 학습과 최적성에 대해 기조연설을 수행했다.
GitHub 웹훅과 Hindsight를 활용해 과거 장애 이력 및 팀 컨벤션을 실시간으로 학습하고 PR 리뷰에 반영하는 데이터 파이프라인 구축 사례이다.
MIT 경제학자들의 연구에 따르면 미국 기업들은 생산성 향상보다 고임금 노동자의 임금 프리미엄을 제거하기 위해 자동화를 도입하며, 이것이 소득 불평등 심화의 핵심 원인임이 밝혀졌다.
Claude의 세션 간 기억 상실 문제를 해결하기 위해 로컬 임베딩과 3단계 메모리 계층을 사용하는 오픈소스 MCP 서버 iai-mcp가 공개됐다.
LLM 에이전트의 워크플로 단계가 늘어날수록 문서 내용이 미세하게 변질되어 결국 데이터가 오염되는 현상이 확인됐다.
LangChain 1.0 정식 출시 이후 많은 개발팀이 업그레이드 비용과 프레임워크의 추상화 가치를 재평가하며 자체 SDK 기반 재작성을 고려하고 있다.
서버나 복잡한 MCP 설정 없이 AI 에이전트가 허용된 주소로만 안전하게 이메일을 보낼 수 있게 해주는 경량 도구이다.
Datadog이 Claude Code 도입 후 발생하는 일회성 도구 파편화 문제를 해결하기 위해 보안과 재사용성을 갖춘 Temper 프레임워크를 구축한 사례이다.
Coinbase의 14% 감원 사례를 통해 실리콘밸리 기업들이 어떻게 AI를 명분으로 조직을 슬림화하고 엔터프라이즈 중심 전략으로 선회하는지 분석합니다.
Augment Code는 AI 생성 코드로 인한 리뷰 병목을 해결하기 위해 Cosmos 플랫폼 기반의 멀티 에이전트 시스템을 구축하여 코드 출력량을 3배 늘리면서도 리뷰 시간을 66% 단축했습니다.
Scale AI가 미국 국방부 CDAO와의 계약 규모를 기존 1억 달러에서 5억 달러로 5배 확대하며 전 군에 걸친 AI 인프라 공급을 강화합니다.
SDPA의 시퀀스 길이 의존성으로 인한 연산/메모리 증가를 해결하기 위해, Q/K/V를 대칭적으로 풀링하는 다층 피라미드와 비미분 Top‑K 선택을 적용한다. 선택 단계는 어텐션 커널 밖에서 수행되며, 선택된 서브시퀀스에 dense SDPA를 적용해 학습 중에도 인퍼런스에서의 dense 모델 성능을 보장한다. 또한 두 단계 학습 전략으로 전체 토큰 예산 하에서 Dense SDPA 재개 시 성능 회복이 가능함을 보여준다.
LLM 에이전트는 장기적 기억을 활용해 사용자에게 일관된 맞춤형 서비스를 제공해야 한다. 그러나 새로운 증거가 기존 기억을 간접적으로 바꿀 때 이를 인식하고 업데이트하는 능력은 아직 충분히 평가되지 않았다. STALE은 암묵적 충돌(Imlicit Conflict)을 체계적으로 시험하여, 모델이 과거의 신념을 업데이트하고, 그 여파가 downstream 행동에까지 반영되는지 검증한다.
MoE 기반 LLM의 확장은 활성 전문가 간 라우팅이 네트워크 대역폭에 의존하는 과부하를 유발한다. FoE는 KV heads와 전문가를 그룹 단위로 분리하고, 각 그룹 내에서만 라우팅을 수행하며, 그룹 간에는 합산으로 결과를 공유한다. 이 설계는 inter-node 네트워크 트래픽을 줄이고 Local Activation Rate를 높여 단일 노드에서의 지연과 다중 노드에서의 스케일링을 개선한다. 실험은 LongBench에서 MoE 대비 엔드-투-엔드 전방 통과(latency) 및 TTFT, TBT를 각각 최대 5.2×, 3.62×, 1.95× 개선하며, 동일한 크기/학습 구성의 MoE와 비슷한 생성 품질을 유지함을 보여준다.
LLM 에이전트가 도구를 사용할 수 있게 되면서 실제 환경에서 위험한 작업으로 확산될 위험이 증가했다. 기존 가드레일은 정적 경계에 의존해 경계가 모호해지면 과도하게 차단하거나 반대로 악용에 취약해지는 문제를 반복해왔다. SafeHarbor는 컨텍스트 의존적 규칙 생성과 계층적 메모리 관리로 edge-case에서도 즉각적이고 정밀한 경계 판단이 가능하도록 한다. 또한 정보 엔트로피 기반의 자기-진화 메커니즘으로 규칙 구조를 지속적으로 개선한다.
대형 언어 모델의 프리트레이닝은 계산 비용이 많이 들며 데이터 처리량이 병렬 처리의 한계에 도달하는 문제를 안고 있다. 본 연구는 모델 아키텍처나 토크나이저를 변경하지 않고, 입력 토큰을 s개로 묶어 처리량을 높이고, 다음 묶음 예측을 다중-핫 크로스 엔트로피로 학습하는 두 단계의 학습 흐름(TST)을 제시한다. 이를 통해 10B Mixture-of-Experts 규모에서도 equal-FLOPs 조건에서 전처리 속도가 크게 개선되며, 총 프리트레이닝 시간은 최대 2.5배까지 절감될 수 있다.
다중 에이전트 시스템에서의 실패 원인을 단일 지점으로 특정하기 어렵다. 본 논문은 conformal prediction을 이용해 finite-sample, distribution-free 커버리지를 보장하는 예측 집합을 제시하고, 연속 데이터 구조에 맞춘 filtration-based CP 알고리즘으로 결정적 오류를 연속 구간으로 국한한다. 이를 통해 인간·자동 롤백 모두에서 오류 위치를 더 정확하게 파악하고, 필요한 경우 얼른 재시동해 자체 수정이 가능해진다.
모바일 환경에서 다양한 모달리티를 하나의 파이프라인으로 처리해야 한다. X-OmniClaw는 on-device에서 Omni Perception, Omni Memory, Omni Action의 세 축을 연계해 프라이버시를 보호하고 지연을 줄이며 고신뢰성 자동화를 가능하게 한다.
기존 양자 시퀀스 모델은 하드웨어의 잡음과 확장성 문제로 긴 데이터를 처리하기 어려웠다. 이 논문은 단일 큐비트 기반의 QKAN과 게이트 메커니즘을 결합하여, 훨씬 적은 파라미터로도 기존 LSTM보다 정확한 예측 성능을 보여주며 실제 양자 컴퓨터에서도 동작 가능함을 입증했다.
LLM 에이전트가 복잡한 도구 사용 작업을 수행할 때, 작업이 완전히 끝난 뒤에야 실패를 확인하면 이미 돌이킬 수 없는 손실이 발생할 수 있다. 이 논문은 에이전트의 실행 기록(Trace)을 실시간으로 분석하여 실패 가능성을 미리 경고함으로써 조기에 개입할 수 있는 실용적인 모니터링 기술을 제공한다.
기존의 통합 멀티모달 모델은 이해와 생성 기능이 분리되어 서로의 장점을 충분히 활용하지 못하는 한계가 있었다. 이 논문은 모델의 이해 능력을 생성 과정의 직접적인 감독 신호로 전환하여 복잡한 지시문 준수 능력과 이미지 세부 묘사를 획기적으로 개선했다.
LLM 기반 에이전트가 복잡한 다단계 작업을 수행할 때 발생하는 논리적 일관성 부족과 반복적인 추론 오류를 해결하기 위한 메모리 기술의 발전 방향을 제시한다. 단순한 데이터 기록을 넘어 에이전트가 스스로 경험을 추상화하고 자율적으로 진화할 수 있는 기술적 로드맵을 제공한다는 점에서 중요하다.
현재의 대형 언어 모델들이 텍스트 생성 능력은 뛰어나지만 사용자의 실제 의도를 파악하는 능력은 현저히 떨어진다는 사실을 정량적으로 입증했다. 이를 해결하기 위한 새로운 벤치마크와 학습 방법론을 제시함으로써 더 안전하고 유능한 AI 비서 개발의 토대를 마련했다.
강력한 외부 교사 모델에 의존하지 않고 LLM이 생성한 데이터만으로 모델을 개선하는 Self-Distillation의 한계를 극복했습니다. 데이터의 신뢰성, 표현 정렬, 학습 안정성을 동시에 해결하여 자원 제약 환경에서도 효율적인 모델 고도화가 가능함을 입증했습니다.
기존 비디오 생성 모델은 영상이 길어질수록 내용이 산으로 가거나 캐릭터의 모습이 변하는 문제가 있었다. 이 논문은 에이전트 구조를 도입해 기억을 관리하고 스스로 오류를 수정함으로써 10분 분량의 긴 영상에서도 일관된 서사를 유지하는 방법을 제시한다.
기존 시각 언어 모델(VLM)은 비디오 속 객체의 움직임과 카메라의 이동이 결합된 복잡한 4D 동적 장면을 이해하는 데 어려움을 겪었다. 이 논문은 외부 기하학적 모듈 없이 모델 내부의 잠재 공간에서 장면의 진화를 시뮬레이션하는 4DThinker 프레임워크를 통해 자율 주행 및 로보틱스 분야에 필수적인 동적 공간 추론 능력을 획기적으로 개선했다.
최신 LLM들이 긴 문맥을 처리하기 위해 다양한 하이브리드 구조를 채택하고 있지만, 기존 가속화 기법들은 특정 구조에만 국한되거나 실제 서비스 환경인 vLLM과의 통합이 어려웠습니다. UniPrefill은 모델 구조에 상관없이 적용 가능한 토큰 삭제 전략을 통해 연산량을 획기적으로 줄이면서도 정확도를 유지하며, 실제 추론 엔진에 즉시 배포 가능한 수준의 통합을 구현했습니다.
물리적 지능(Embodied Intelligence) 발전을 가로막는 가장 큰 병목 현상인 로봇 전용 데이터의 부족 문제를 해결하기 위해 인터넷상의 방대한 인간 활동 비디오를 활용하는 새로운 패러다임을 제시합니다. 1,000시간의 인간 비디오 학습이 100시간의 실제 로봇 데이터 학습 성능을 능가함을 입증하여 로봇 학습의 확장성을 확보했습니다.
기존의 LLM 강화학습 방식인 GRPO 등은 보상 신호를 근사적으로만 처리하여 학습의 안정성이 떨어지는 문제가 있었다. 이 논문은 응답들을 하나의 확률 공간(Simplex)으로 정의하고 수학적으로 정확한 타겟에 직접 투영하는 LPO 기법을 통해 학습 효율과 응답의 다양성을 동시에 확보했다.
음악에 맞춰 춤추는 영상을 생성할 때 발생하는 동작의 물리적 어색함과 외형의 불일치 문제를 동작 전문가와 외형 전문가를 분리한 MoE 구조로 해결했다. 3D 동작 파라미터를 중간 매개체로 사용하여 기존 2D 기반 방식보다 훨씬 정교하고 역동적인 댄스 비디오 생성이 가능하다.
Diffusion Transformer(DiT)를 수백 개 이상의 레이어로 확장할 때 발생하는 갑작스러운 학습 붕괴 현상인 Mean Mode Screaming(MMS)의 원인을 규명했다. 이를 해결하는 MV-Split Residuals 기법을 통해 1000개 레이어의 초거대 모델도 안정적으로 학습할 수 있는 기술적 토대를 마련했다.
현대 LLM은 입력 단계에서만 토큰의 정체성을 확인하고 이후 레이어에서는 문맥 정보에만 의존하여, 자주 나오지 않는 희귀 토큰을 제대로 학습하지 못하거나 비슷한 문맥에서 토큰을 구분하지 못하는 한계가 있다. TIDE는 모든 레이어에 토큰 고유의 정보를 직접 주입하여 희귀 단어 처리 능력을 대폭 향상시키고 모델의 전반적인 성능을 개선한다.
생물 의학 분야는 전문 데이터베이스 검색 없이는 정확한 답변이 불가능하지만, 기존 LLM은 이러한 도구 활용 능력이 부족하여 심각한 환각 현상을 겪는다. BioTool은 7,040개의 정교한 데이터셋을 통해 소형 오픈소스 모델도 전문적인 생물학 도구를 정확히 호출하여 전문가 수준의 답변을 생성할 수 있게 한다.
특정 국가의 언어나 전문 분야처럼 기존 안전성 벤치마크가 없는 환경에서 LLM을 도입해야 하는 실무자들에게 필수적인 평가 방법론을 제시한다. 정답 레이블 없이도 통계적 검증 체인을 통해 모델 간의 안전성을 신뢰할 수 있는 수치로 비교할 수 있게 해준다.
기존 비디오 편집 모델은 배경 교체 시 정적인 결과물을 생성하거나 전경 객체의 구조가 무너지는 한계가 있었다. 이 논문은 전경과 배경의 가이드를 분리하여 처리하는 새로운 데이터 생성 파이프라인을 통해 실제 영화 제작 수준의 역동적이고 자연스러운 배경 합성을 가능하게 한다.
기존 피아노 MIDI 데이터셋은 작곡가 범위가 좁거나 악보와 연주 간의 음표 단위 정렬이 부족해 고품질 연주 모델 학습에 한계가 있었다. PianoCoRe는 2만 시간 이상의 방대한 연주 데이터를 통합하고 정밀한 정렬 알고리즘을 적용해 차세대 음악 생성 및 분석 연구를 위한 표준 기반을 제공한다.
기존 비디오 리워드 모델은 복잡한 동작을 논리적으로 분석하지 못하거나 학습 과정이 불안정한 문제가 있었다. 이 논문은 사고 과정(CoT)과 실제 점수 산출을 분리하는 DeScore 구조를 통해 학습 효율을 76% 높이면서도 인간의 선호도를 더 정확하게 예측하는 방법을 제시한다.
멀티모달 학습이 도메인 변화에 강인하다는 통념과 달리, 실제로는 일관되지 않은 평가 프로토콜로 인해 성능이 과대평가되었을 가능성을 제기합니다. MMDG-Bench라는 표준화된 벤치마크를 통해 기존 특화 알고리즘들이 단순한 ERM 베이스라인보다 큰 우위를 점하지 못하고 있음을 실증적으로 보여주며 연구 방향의 전환을 촉구합니다.
LLM이 사회적 역할을 수행할 때 단순히 텍스트 스타일을 흉내 내는 것이 아니라, 내부 표현 공간에서 '개인적 관점'과 '제도적 관점'을 명확히 구분하는 기하학적 축을 가지고 있음을 발견했다. 이 축을 조절함으로써 모델의 답변을 더 거시적이거나 미시적인 관점으로 자유롭게 유도할 수 있어, 보다 정교한 사회 시뮬레이션과 에이전트 설계가 가능해진다.
기존 AI가 단발적인 문제 풀이에 집중했다면, 이 논문은 수학자의 실제 연구 흐름인 가설 설정, 문헌 조사, 계산 실험을 통합적으로 지원하는 에이전트 시스템을 제안합니다. 특히 고난도 수학 벤치마크인 FrontierMath Tier 4에서 48%의 정답률을 기록하며 AI의 수학적 탐구 능력을 새로운 차원으로 끌어올렸습니다.
고해상도 이미지-비디오(I2V) 생성은 막대한 연산 비용과 입력 이미지의 세부 사항 유지라는 두 가지 난제를 안고 있다. SwiftI2V는 움직임과 세부 묘사를 분리한 2단계 접근법과 세그먼트 단위 생성 기법을 통해 기존 SOTA 모델 대비 GPU 시간을 202배 단축하면서도 2K 해상도의 고품질 비디오를 생성한다. 이는 고성능 데이터센터 GPU뿐만 아니라 일반 소비자용 GPU에서도 전문적인 영상 제작이 가능함을 시사한다.
기존 MoE 모델이 레이어마다 별도의 전문가를 두어 파라미터가 낭비되던 문제를 전역 공유 풀(Global Shared Pool) 구조로 해결했다. 이를 통해 전문가 파라미터 수를 최대 60%까지 줄이면서도 기존 방식보다 더 낮은 손실값과 높은 정확도를 달성할 수 있음을 입증했다.
LLM이 복잡한 다단계 추론에서 겪는 한계를 해결하기 위해 학습 데이터의 논리적 복잡도와 강화학습 효율 사이의 상관관계를 규명했다. 단순한 반복 학습보다 데이터의 논리적 표현력이 모델의 추론 능력 전이에 더 결정적인 역할을 한다는 사실을 입증하여 효율적인 사후 학습 방향을 제시한다.
멀티턴 에이전트 학습 시 각 도구 호출의 가치를 정확히 평가하기 어려웠던 문제를 외부 모델 없이 해결했다. 정보 이득(Information Gain) 신호를 턴 위치별로 정규화하고 업데이트 강도를 조절하여 학습 안정성과 성능을 동시에 확보했다.
사람의 개입 없이 AI 에이전트가 스스로 가설을 세우고 코드를 수정하며 실험 결과로부터 배우는 폐쇄 루프 연구 시스템을 구현했다. 단순한 하이퍼파라미터 튜닝을 넘어 아키텍처와 시스템 최적화까지 수행하여 실제 학습 효율을 크게 개선할 수 있음을 입증했다.
기존 LLM 에이전트는 매 순간 즉흥적으로 행동을 결정하는 반응형 방식에 의존하여 긴 작업에서 일관성을 잃기 쉬웠다. 이 논문은 고수준 전략을 먼저 세우고 이를 따르게 하는 StraTA 프레임워크를 통해 복잡한 과학 실험 및 웹 탐색 작업에서 성능을 획기적으로 개선했다.
강화학습 중 모델이 어려운 문제에 대해 정답을 전혀 찾지 못해 학습이 중단되는 제로 어드밴티지 문제를 해결한다. 의미 없는 라틴어 문구(Lorem Ipsum)를 프롬프트 앞에 붙이는 것만으로도 모델의 사고 경로를 다각화하여 정답 발견 확률을 높일 수 있음을 입증했다.
기존의 확산 모델 증류 방식은 고정된 이산적 시간 단계에 의존하여 이미지의 세부 사항이 뭉개지거나 아티팩트가 발생하는 한계가 있었다. 이 논문은 분포 매칭 증류를 연속 시간 영역으로 확장하여, 추가적인 GAN이나 보상 모델 없이도 단 몇 번의 추론만으로 고품질의 이미지를 생성할 수 있는 새로운 패러다임을 제시한다.
기존 로봇 제어 모델은 정해진 횟수만큼 행동을 맹목적으로 실행하여 환경 변화에 취약하거나 불필요한 연산을 반복하는 한계가 있었다. 이 논문은 로봇이 자신의 예측(상상)과 실제 관측값을 실시간으로 비교하여 실행 길이를 조절하는 방식을 제안해 효율성과 안정성을 동시에 확보했다.
중국의 AI 랩 문샷 AI가 메이투안 주도로 20억 달러 규모의 투자를 유치하며 기업가치 200억 달러를 기록했다.
Tether Data가 공개한 MedPsy는 1.7B 및 4B 규모의 소형 모델임에도 불구하고 특화된 학습 공정을 통해 7배 이상 큰 의료 모델의 성능을 능가하며 엣지 기기 최적화를 달성했습니다.
LLM 프롬프트와 도구 호출 시 발생하는 토큰 비용을 최소화하기 위해 토크나이저 친화적인 단어 조합으로 구성된 새로운 식별자 포맷입니다.
양자 컴퓨팅 위협에 대비하여 암호화 알고리즘을 중단 없이 신속하게 교체할 수 있는 암호화 민첩성의 개념과 구현 전략을 제시한다.
Qwen3.6-35B-A3B 모델은 CRS 프레임워크 평가에서 증거와 의견을 구분하는 우수한 비판적 추론 능력을 보였으나, 분석의 깊이와 구체성에서는 개선의 여지가 확인됐다.
LLM이 오류를 범했을 때 반복적으로 수정하려 논쟁하기보다, 새 대화를 시작하며 이전의 함정을 미리 지적하는 것이 더 효과적이다.
Claude Design을 몇 주간 사용하며 겪은 시행착오를 바탕으로 기획 확정, 디자인 시스템 설정, 참조 이미지 활용 등 실무 효율을 높이는 7가지 가이드를 공유했다.
실제 워크로드에서 전문가 함수 라이브러리를 구축하여 추론 오차 범위를 보장하고 효율성을 극대화하는 자기 인증 캐시 아키텍처 LAWS가 제안됐다.
Claude Code가 대규모 코드베이스를 분석할 때 발생하는 컨텍스트 낭비를 줄이기 위해 AST 파싱과 Git 이력을 활용해 사전 인덱싱을 수행하는 도구 Repowise가 공개됐다.
AI가 코드 작성부터 배포, 유지보수까지 자율적으로 수행함에 따라 개발 도구의 패러다임이 '어시스턴트'에서 '소프트웨어 프린터'로 진화하고 있다.
LLM의 불안정한 라우팅 대신 상태 머신과 Claude Code를 결합하여 안정적인 소프트웨어 개발 생명주기를 자동화하는 오픈소스 도구이다.
코드베이스를 그래프로 인덱싱하여 AI 에이전트의 불필요한 탐색을 줄이고 토큰 사용량을 54% 절감하면서도 품질을 높인 GrapeRoot 사례이다.
Claude Code v2.1.132 업데이트를 통해 관리형 에이전트의 멀티 에이전트 세션 관리, 웹훅 지원, 보안 모니터링 및 스케줄링 로직이 개선되었다.
코딩 경험이 전혀 없는 사용자가 Claude와 Cursor를 활용해 8,000라인의 단일 파일 게임에서 시작하여 일일 사용자 20만 명 규모의 상용 서비스로 성장시킨 실전 사례이다.
Nitro가 Claude AI에서 PDF 및 문서 워크플로를 직접 처리할 수 있는 MCP 커넥터를 출시하여 기업용 문서 자동화 시장에 진입했다.
단순 대화 대신 역할 기반의 시스템 프롬프트를 설정하여 Claude의 출력 품질과 일관성을 높이는 실전 워크플로 사례이다.
학생 모델의 샘플을 교사 모델이 토큰 단위로 평가하는 온-폴리시 증류 기법을 통해 강화학습 대비 최대 100배의 계산 효율로 고성능 소형 모델을 구축할 수 있다.
단순한 생성 속도(TPS) 대신 답변의 정확도와 수정 횟수를 반영한 '유효 초당 토큰 수(eTPS)'라는 새로운 성능 지표를 제안한다.
프롬프트나 모델 변경으로 인한 AI 에이전트의 동작 변화를 감지하고 원인을 분석하는 오픈소스 테스트 도구 Shadow가 공개됐다.
xAI가 Colossus 1 데이터센터의 연산 자원 전체를 Anthropic에 대여하기로 결정하면서, AI 모델 개발보다 인프라 제공 사업에 집중하는 전략적 변화를 보였다.
Snap이 1분기에 Perplexity와의 AI 검색 엔진 통합 파트너십을 종료했으며, 향후 매출 가이드라인에서도 관련 기여분을 제외했다.