총 100건
Disaggregated LLM 서빙에서 KV는 네트워크 경계를 넘나드는 핵심 페이로드다. 기존 KV 압축은 정적 구성에 의존해 다양한 서비스 조건에서 최적이 아닐 수 있으며, 대역폭 변화나 SLO/품질 예산의 변동에 따라 성능이 하락할 수 있다. KVServe는 온라인 서비스 상태를 감지해 KV 압축 프로파일을 동적으로 선택하고, 오프라인에서 3D Pareto Frontier를 구성해 온라인 선택의 근거를 제공한다. 이로써 PD separation 및 KV state disaggregation 방식에서 엔드-투-엔드 지연(JCT)을 최대 수배 단위로 개선하고, TTFT를 크게 감소시킨다.
깊은 트랜스포머에서 cross-layer routing의 선택성이 저하되는 문제를 라우팅 소스의 중복성으로 설명한다. Delta Attention Residuals는 deltas(vi = hi+1 − hi)를 소스로 삼아 라우팅 구별성을 회복하고, additive routing으로 잔류 스트림을 보존한다. 이로써 220M–7.6B 파라미터 규모에서 기존 Baseline 및 AttnRes 대비 PERPLEXITY를 개선하고, Delta Block은 실무 적용에 적합한 오버헤드로 성능을 유지한다.
AI를 활용해 일상 대화 속 음성 패턴을 분석함으로써 치매와 같은 인지 기능 저하를 조기에 예측할 수 있는 가능성이 확인됐다.
Aalto 대학 연구진이 텐서 네트워크를 활용해 기존 슈퍼컴퓨터로 시뮬레이션이 불가능했던 복잡한 준결정 구조를 즉각적으로 계산하는 양자 영감 알고리즘을 개발했다.
AI 인프라에 막대한 자본이 투입되는 반면, 소비자 신뢰 하락과 플랫폼 내 AI 콘텐츠 거부 현상이 심화되며 AI 시장의 구조적 불균형이 커지고 있다.
GLiGuard는 0.3B 파라미터의 인코더 기반 모델로, 기존 디코더 모델 대비 16배 빠른 속도와 대등한 안전성 모더레이션 성능을 제공한다.
AI 코딩 에이전트 Devin이 안드로이드 가상 장치(AVD)를 지원하여 모바일 애플리케이션의 빌드, 실행, 테스트 과정을 자율적으로 수행합니다.
AI 기후 모델의 성능을 표준화된 방식으로 평가하기 위해 AI2가 주도하는 AIMIP 프로젝트와 첫 번째 벤치마크 데이터셋을 공개했다.
eBay가 GameStop의 인수 제안을 거절하고, OpenAI는 사이버 보안 프로젝트 Daybreak를 공개하며 보안 시장 경쟁을 본격화했다.
Pipecat은 개발자를 위한 시각적 AI 워크플로 빌더와 이커머스용 AI 쇼핑 어시스턴트 기능을 제공하는 플랫폼이다.
Mycelis는 스마트 라우팅, RAG, MCP 에이전트 통합을 통해 서버 관리 없이 오픈소스 모델을 배포하고 운영할 수 있는 서버리스 AI 워크스페이스를 제공한다.
구글이 Gboard에 Gemini 기반의 AI 음성 받아쓰기 기능인 Rambler를 도입하여 실시간 언어 전환과 문장 교정을 지원한다.
메타가 WhatsApp과 Meta AI 앱에 대화 내용을 저장하지 않는 시크릿 모드 기능을 도입하여 사용자 프라이버시를 강화한다.
Perceptron이 물리적 인과관계와 객체 역학을 추론하는 비디오 분석 모델 Mk1을 기존 대비 90% 저렴한 비용으로 출시했다.
Qwen-Image-2.0은 Qwen3-VL을 인코더로 활용하고 멀티모달 Diffusion Transformer를 결합하여 텍스트 렌더링과 이미지 편집 성능을 높인 생성 모델이다.
Cursor는 IDE 기반의 실시간 페어 프로그래밍에, Codex는 작업 위임과 비동기 검토에 최적화된 AI 코딩 도구이다.
기업의 워크플로를 자동화하고 앱 스택 전반에서 에이전트를 운영할 수 있는 최적의 AI 에이전트 빌더 소프트웨어를 선정하고 각 도구의 강점과 적합한 사용 사례를 분석한다.
Cursor가 멀티 리포지토리 지원, Docker 기반 환경 설정, 보안 및 거버넌스 기능을 강화한 클라우드 에이전트 개발 환경을 업데이트했다.
AI 생성 코드가 가져오는 '정확성의 환상'을 방지하고, CATS(계약, 자동 검증, 텔레메트리, 단순화) 프레임워크를 통해 지속 가능한 개발 속도를 확보하는 방법을 제시합니다.
llm CLI 0.32a2 버전이 OpenAI 최신 모델의 추론 토큰 표시와 /v1/responses 엔드포인트 지원을 추가했습니다.
Anthropic이 QuickBooks, PayPal 등 주요 비즈니스 도구와 연동하여 급여 관리, 마케팅, 회계 업무를 자동화하는 'Claude for Small Business'를 출시했다.
기업이 소프트웨어 테스트에 LLM을 효과적으로 도입하려면 유연한 모델 선택권과 엄격한 거버넌스 체계를 동시에 구축해야 한다.
Hermes Agent와 Qwen 3.6 모델을 NVIDIA 하드웨어에서 구동하여 로컬 환경에서 효율적인 에이전트 워크플로를 구축한다.
NVIDIA와 Ineffable Intelligence가 대규모 강화학습을 위한 전용 인프라와 학습 파이프라인을 공동 개발한다.
채용 AI 시스템에서 발생하는 데이터 및 알고리즘 편향성의 원인을 분석하고 이를 사전에 방지하기 위한 실무적 접근법을 제시합니다.
OpenAI의 공식 컨설팅 법인 DeployCo 설립 소식과 Thinking Machines가 발표한 실시간 상호작용 특화 모델인 Interaction Models의 핵심 내용을 다룹니다.
Braze의 CTO Jon Hyman이 300명 규모의 엔지니어링 조직을 AI 우선 팀으로 변화시킨 과정과 에이전트 도입에 따른 비용 및 문화적 도전 과제를 공유한다.
OpenAI가 파인튜닝 API 지원 중단을 발표하며, 업계의 중심이 파인튜닝에서 프롬프트 기반 접근법과 에이전트 시스템으로 이동하고 있습니다.
Rust와 순수 CUDA 커널을 사용하여 vLLM 대비 3배 이상의 성능과 2.5GB의 경량 이미지를 제공하는 새로운 LLM 추론 엔진 Atlas가 공개되었습니다.
Salesforce는 AI 에이전트의 기술적 정확도와 실제 사용자 가치 사이의 간극을 메우기 위해 3단계 심각도 티어와 11가지 휴리스틱 평가 체계를 제안한다.
xAI가 미시시피주 데이터 센터에 환경 단체의 소송과 규제 논란 속에서도 19대의 가스 터빈을 추가로 설치하여 총 46대를 가동 중인 것으로 드러났다.
허깅페이스 파리 본사를 방문하여 오픈소스 로보틱스 프레임워크 LeRobot 팀의 기술적 지향점과 데이터 전략, 그리고 로봇 AI의 미래를 탐구한다.
샌프란시스코 스타트업 SPAN이 주택에 액체 냉각 GPU 노드를 설치하여 AI 연산력을 확보하고 거주자에게 전기료 혜택을 주는 분산형 데이터 센터 계획을 공개했다.
Mistral AI는 기술 규모 경쟁 대신 유럽 시장의 규제와 데이터 주권을 공략해 1년 만에 ARR 20배 성장을 기록했다.
구글의 차세대 멀티모달 모델 Gemini Omni가 유출되었으며 기존 Veo 모델을 뛰어넘는 강력한 비디오 생성 능력과 높은 연산 비용이 특징이다.
ClearML의 오케스트레이션 대시보드와 감사 기능을 통해 AI 워크로드의 리소스 사용량, 실행 환경, 모델 계보를 통합 관리하고 규정 준수를 달성하는 방법을 제시합니다.
Anthropic이 승인되지 않은 비상장 주식 거래 및 투자 사기에 대해 공식 경고를 발표하며 비공개 AI 시장의 불투명성과 위험성을 지적했다.
생성형 AI 프로젝트의 프로덕션 전환 실패를 해결하기 위해 강화학습(RL)을 활용한 피드백 통합 및 합성 데이터 생성 파이프라인 구축 방안을 제시한다.
Skywork AI를 사용하여 단일 프롬프트로 레이어 편집이 가능한 포스터, 로고, 인포그래픽을 생성하고 수정하는 실전 워크플로우를 소개한다.
Databricks가 별도의 ETL 파이프라인이나 추가 컴퓨팅 비용 없이 Lakebase 데이터를 Unity Catalog 관리형 테이블로 자동 복제하는 Native Lakehouse Sync 기능을 발표했습니다.
구글이 안드로이드 스마트폰에서 제미나이를 활용해 여러 앱을 넘나들며 복잡한 작업을 스스로 수행하는 앱 자동화 기능을 확대합니다.
OpenAI의 ChatGPT가 19세 대학생에게 치명적인 약물 조합을 권장하여 사망에 이르게 했다는 혐의로 유족으로부터 소송을 당했다.
219명의 엔지니어링 리더를 대상으로 한 설문 조사 결과, 코드의 48%가 AI로 생성되고 있으나 코드베이스에 대한 이해도 저하와 역할 정의의 부재가 심각한 문제로 나타났다.
Roboflow의 RF-DETR 모델과 OC-SORT 트래커를 결합하여 고속으로 이동하는 야구공과 선수의 움직임을 실시간으로 추적하고 시각화하는 기술 가이드입니다.
비디오에서 소리를 이해하는 능력이 실제로는 시각적 신호에 의한 shortcut일 수 있음을 보여준다. THUD 인터벤션과 두 단계 정렬로 시각 우선 숏컷을 해체하고, 음향 존재 여부와 시간 정합성, 소리-시각의 물리적 일치를 검증하는 방법을 제시한다.
Multimodal-physics 평가 파이프라인의 구성 방식은 벤치마크 간 비교의 신뢰성에 직접적 영향을 미친다. 이 논문은 train–eval contamination, translation drift, MCQ saturation의 3가지 핵심 문제를 식별하고, 이를 해결하기 위한 3단계 audit와 4개의 공개 자산을 제시한다. 이를 통해 벤치마크 주도식 평가의 편향을 줄이고, train 데이터의 활용 가능성 및 일반화 가능성을 검증하는 방법론을 제공한다.
Sparse MoE 계층에서 토큰은 소수의 전문가를 통해 처리되며, pairwise 신호만으로는 세 전문가가 함께 merge될 때의 Irreducible Cycle을 포착하기 어렵다. 이 논문은 simplicial Laplacian의 harmonic 커널을 이용해 고차 mergeability 잔류를 식별하고, 학습 없이도 상위 계층 압축성능(frontier)을 개선하는 HodgeCover를 제시한다. Qwen 계열과 OLMoE 같은 공개 체크포인터에서 66% expert reduction 시에도 벤치마크를 능가하며, 66%에서 Qwen 3.5-35B-A3B의 DS-Avg가 STUN+Wanda 대비 +12.6pp 향상을 달성한다. 학습-free 파이프라인과 Stage-2 Wanda의 결합은 두 축의 압축을 직교적으로 활용한다.
대규모 언어 모델의 포스트-트레이닝에서 On-Policy Distillation(OPD)가 유의미한 속도 이점을 보여 주지만, 그 기저의 파라미터 업데이트 역학은 잘 이해되지 않았다. 본 연구는 OPD의 효율성이 초기 학습 단계에서의 방향 정렬과 모듈 선택의 차별적 업데이트에 의해 유도된다고 관찰하고, 이를 바탕으로 EffOPD를 제안해 학습 시간은 크게 줄이면서 최종 성능은 유지한다. 이는 Dense supervision의 이점이 단순한 업데이트 규모의 증가에 의한 것이 아니라 고효율 방향으로의 빠른 수렴에 의해 좌우된다는 통찰을 제공한다.
현재 Doc-VQA 평가는 주로 최종 정답의 정확도에 집중하고 증거의 타당성은 간과된다. CiteVQA는 답변의 정확성과 함께 pdf 내 특정 위치의 요소 수준 바운딩 박스 증거를 제시하도록 요구하여, 모델이 올바른 위치의 증거에 근거해 답을 도출했는지 검증한다. 711개의 다문서 PDF에서 1,897개의 질문을 통해 긴 문서에서도 신뢰 가능한 해석 경로를 평가하는 체계를 제공한다.
Omni-modal LLM은 오디오, 비주얼, 텍스트를 함께 이해하도록 설계되었으나 벤치마크의 성과는 시각적 단서에 의해 과대평가될 수 있다. 본 연구는 시각적 leakage를 제거하는 운영 뷰인 OmniClean을 제시하고, 이 뷰를 바탕으로 3단계 포스트 트레이닝 OmniBoost를 통해 소형 모델에서도 의미 있는 omni-modal 능력 향상을 보인다. 시각 누출에 대한 평가 제어가 있으면 omni-modal 진보의 해석이 더 명확해진다.
다양한 물리장을 다루는 이산 매니폴드에서 위상 보존은 전역적 불변성과 보존 법칙의 유지에 필수적이다. Hodge 이론에 기초하여 k-forms를 gradient(=im(dk−1)), curl(=im(δk+1)) 및 harmonic(=ker(Δk))로 분해하면, 전역 토폴로지와 국소 기하를 직교적으로 분리해 구조 보존성과 지역적 다이나믹스를 동시에 학습할 수 있다. 이 프레임워크(HSD)는 topology-dominated base space와 geometry-dominated fiber space를 분리 학습하고, harmonic 구성 요소를 층별로 hard-constraint로 보존하여 글로벌 보존 규칙을 강제한다. 실험은 External Aerodynamics, Magnetostatics, Toroidal Transport 등 다양한 기하학적 도메인에서 정확도와 물리적 일치를 개선함을 보여준다.
저화질 입력에서 텍스트 조건이 불안정하고, 글로벌 prior가 로컬 stroke 경계까지 완전히 결정하지 못한다는 두 가지 문제를 해결한다. FMPR로 privileged prior 공간으로의 안정적 흐름을 학습하고, SURE로 로컬 구조를 불확실성 하에 보정함으로써 단일 스텝 diffusion으로 텍스트의 읽기 가능성과 glyph 일치성을 함께 향상시키며, 밀리초 수준의 추론 속도를 달성한다.
긴 호라이즌 스토리라인에서의 일관성을 유지하려면 중요한 세부 정보를 보존하는 메모리 시스템이 필요하다. 기존의 프로파일링이나 재현적 요약은 정보 손실이 불가피하므로, BOOKMARKS는 질의-답 형태의 북마크를 스토리라인에 걸쳐 유지·동기화하고 필요할 때만 업데이트한다. 결과적으로 검색 기반 grounding의 정확도와 처리 효율이 향상되며, 장기 이야기에서의 일관성 유지에 유리하다.
현행 MLLMs은 perspective 이미지 기반으로 공간 이해가 제한된다. 360° 파노라마는 전체 환경을 한 번에 인식하게 해 공간 추론의 잠재력을 높이지만, ERP를 구면 좌표로 직접 다루기보다 2D 투영에 의존하는 것이 일반적이다. 본 연구는 ERP 파노라마를 관찰자 중심의 연속 공간으로 다루는 pano-native 이해를 제시하고, 이를 통해 통합적인 공간 추론 능력을 강화한다. 이로써 인간 중심 시나리오뿐 아니라 탐색, 내비게이션 등 다수의 360° 어플리케이션에 대한 성능 및 효율성을 높인다.
저장된 메모리가 기하급수적으로 증가하는 환경에서도 Retrieval 구성이 정적이라면 최적의 검색이 어려워진다. EVOLVEMEM은 저장 지식과 retrieval 구성을 함께 진화시키는 AutoResearch 프로세스로, 실패 로그를 바탕으로 구성 변화를 제안·적용하고 필요 시 재실험한다. 이 접근은 벤치마크 간 일반화 가능성을 보이며 LoCoMo와 MemBench에서 강력한 baselines를 상회한다.
올림피아드 문제는 장기적 추론과 증명-검증의 엄밀한 조합이 필요하다. 본 연구는 SFT로 규범적 증명-검색 습관을 주입하고, 두 단계의 RL로 탐색 및 증명 품질을 확장하며, TTS로 평가-검증 비용을 늘려 골드급 성능을 달성한다. 또한 수학과 물리 외의 과학 도메인으로 일반화될 가능성을 보인다.
구조화된 LLM 워크플로우는 다수의 서브에이전트와 실행 그래프를 포함해 복잡한 문제를 해결한다. 런타임 라우팅은 특정 정확도–지연 트레이드오프에 집중하는 반면, FlowCompile은 배포 전 설계 공간을 전역으로 탐색해 다양한 운영 포인트를 재사용 가능한 구성 세트로 제공한다. 이로써 다양한 배포 제약과 사용자 선호를 충족하는 유연한 적용이 가능해진다.
전통적 다단계 retrieval 파이프라인은 후보 생성과 랭킹 간 credit assignment 문제로 인해 end-to-end 최적화의 효율이 저하된다. 본 연구는 같은 LLM 백본으로 두 과정을 결합하고, 각 단계에 고유한 학습 신호를 부여하는 F-GRPO를 제시해 후보 커버리지와 순서 품질의 균형을 개선한다.
영어 중심의 의료 대화 데이터에 의존하던 한계를 넘어, 영어·9개 Indic 언어를 아우르는 병렬 다턴 대화를 구축했다. 또한 LoRA로 파인튜닝한 IndicMedLM과 LLM-as-a-Judge 기반 포스트-프로세싱으로 저자원 환경에서도 임상 적합성과 다언어 일관성을 확보하고자 한다.
binary 패스 여부만으로는 행위의 질 차이를 드러내지 못한다. AGENTLENS는 프로세스 수준에서 트레이스의 품질을 평가해 모델 간 차이와 실패의 원인을 밝히고, 안전한 배포와 품질 높은 시演을 돕는 지렛대를 제공한다.
대규모 사전학습 기반의 다언어 ASR에서 저자원 언어의 spontaneous 음성에 대한 성능 저하가 흔하다. 본 연구는 복잡도에 따라 Tier를 나눈 Vividh-ASR 벤치마크와 학습률 타이밍 및 커리큘럼 방향의 상호작용을 평가하여, 초기 대규모 업데이트가 엔코더의 음향 기하를 거의 손상시키지 않으면서 디코더를 재구성하도록 하는 학습 전략(R-MFT)을 제시한다. 이를 통해 244M Whisper 모델이 769M 대비 경쟁하거나 우수한 성능을 달성할 수 있음을 보이며, 스튜디오-바이어스(studio-bias) 문제를 해결하는 방향을 제시한다.
모델 병합 후에도 성능 차이가 남는 문제를 feature drift 관점에서 분석한다. FEATCAL은 드리프트를 레이어 단위로 추적하고 forward-order로 보정해 merged 모델의 피처 분포를 task expert의 피처 분포에 가깝게 조정한다. gradient descent나 추가 모듈 없이도 빠르게 폐쇄형 해를 통해 가중치를 업데이트하며,Inference 속도를 유지한다.
대형언어모델의 파라미터를 업데이트하지 않고도 새로운 정보나 도메인 지식을 효과적으로 활용하기 어렵다. 본 연구는 외부 근거를 활용하는 컨텍스트 최적화와 빔 탐색 기반의 탐색-확장 학습을 통해, 컨텍스트의 품질과 일반화 가능성을 높이고 다양한 도메인에서 데이터-효율적 성능 향상을 보인다.
현재 LLM 에이전트는 목표 조건의 순차적 계획으로 환경 이해를 실행 중에 얻는 지연적 인식 문제를 보인다. MAP는 실행 전 환경 정보를 전역적으로 파악해 인지 맵을 구축하고 실행에 연결함으로써 Epistemic Bottleneck와 Delayed Environmental Perception를 완화한다. ARC-AGI-3에서 프런티어 모델의 일반화 성능이 대폭 향상되었다.
ICU 데이터는 긴 시간 축의 임상 흐름과 시간 제약 속 의사결정이 얽혀 있어, 기존 벤치마크의 ground-truth가 항상 최적의 의사결정을 반영하지 않는다. RealICU는 전체 환자 트래젝토리를 의사 검토 후 주석처리하여 LLM의 순차적 의사결정 능력을 현실적 조건에서 평가할 수 있게 한다. 네 가지 의사결정 과제를 정의하고, 두 개의 라벨링 파이프라인(의사 리뷰 기반 Gold 라벨링, Oracle-LMM hindsight 라벨러)을 통해 신뢰성 있는 ground-truth를 제공한다. 이로써 기억 기반 모델의 한계와 안전성 문제를 다각도로 분석하고, 장기 추론 능력을 강화하는 방향을 제시한다.
롱-호라이즌 의사결정에서 초기 오착이 전체 상태 분포를 왜곡해 성능 저하를 유발한다. SFT는 전문가 상태에서의 학습으로 충분한 피드백을 주지만 배포 시 상태 분포가 달라지는 covariate shift를 초래하고, RLVR은 희소한 보상으로 학습한다. 본 연구는 DAgger의 원칙을 멀티턴 LM 에이전트에 적용해 교사 라벨을 유지하면서 학생의 방문 상태를 점차 반영하도록 학습 데이터를 확장, 배포 시 배치와의 불일치를 줄이고 밀집한 피드백을 제공한다.
로봇 조작의 데이터 수집은 비용과 시간 측면에서 큰 제약이다. 본 연구는 VLM 플래너와 VGM 시뮬레이터를 상호 진화시키는 공진화 루프를 제시하고, unlabeled seed 이미지로 시작해 Daytime과 Nighttime의 이중 학습으로 물리적 타당성과 시맨틱 목표를 함께 달성한다. 이 접근은 데이터 효율성을 극적으로 끌어올리고, 지속적 학습에서의 악순환을 완화하며, 복잡 작업으로의 확장성을 확보한다.
다중 홉 QA는 여러 소스에서 증거를 차례로 연결해야 하는 문제이다. 자유형 텍스트로 중간 결과를 다루는 기존 방법은 중간 상태의 불투명성, 엔티티 드리프트, 자체 평가에 의한 잘못된 피드백 문제를 겪는다. PyRAG는 다중 홉 추론을 실행 가능 프로그램으로 형상화하여 중간 상태를 명시적으로 노출하고, 실행에서 얻는 deterministic 피드백으로 self-reflection의 한계를 제거하며, 실행 시점에 필요한 검색 범위를 조정하는 실행 기반 규칙을 가능하게 한다.
고차원 픽셀 공간에서의 velocity 예측은 거대한 노이즈 차원으로 인해 네트워크 내부 상태를 오염시키고 학습 효율을 저하시킨다. AsymFlow는 데이터 예측을 전체 차원으로 유지하고 노이즈 예측을 저랭크 서브스페이스로 제한해 학습 안정성과 샘플 품질을 동시에 향상시키며, latent-flow를 픽셀 공간으로 파인튜닝하는 경로를 제시한다. 이를 통해 픽셀 공간 이미지 생성을 대규모 latent 모델에서 효과적으로 확장할 수 있다.
로봇 조작에서 프레임은 정보 밀도가 다르며, uniform 샘플링은 저변경 구간의 정보를 과소평가한다. FRAMESKIP은 프레임별 중요도에 따라 샘플링을 재배치해 학습 신호를 강화하고, 데이터 효율을 높인다. 이를 통해 프레임 수를 크게 줄이면서도 벤치마크에서 성능을 개선한다.
일반적인 many-shot ICL 연구는 비-추론 태스크에서 안정적 개선을 보이는 반면, reasoning 태스크에서는 비-추론 LLM에서 불안정하고 reasoning-oriented LLM에서만 향상이 나타난다. 본 연구는 CoT-ICL를 in-context test-time learning으로 재해석하고, 이해의 쉬움과 지식 진행의 매끄러운 흐름이라는 두 원칙으로 데모를 구성해야 한다고 제시한다. 이로써 긴 컨텍스트에서도 학습 신호를 구조화하고 추론 절차를 형성하는 방법을 마련한다.
고해상도 이미지 합성에서 일반적인 고압축 비율은 재구성 품질 저하를 유발한다. Qwen-Image-VAE-2.0은 Global Skip Connection(GSC), 대형 latent 채널, 그리고 세맨틱 얼라인먼트를 통해 고압축(f16/f32)에서도 재구성 품질을 유지하고 latent 공간의 diffusability를 향상시킨다. 텍스트-rich 문서의 재구성에 특화된 OmniDoc-TokenBench를 도입해 실제 텍스트 가독성을 평가하고, Downstream DiT의 수렴 속도를 대폭 개선한다.
긴 컨텍스트를 다루는 LVLM의 능력은 문서 이해, 비디오 분석, 에이전트 워크플로에서 핵심적이다. 본 연구는 32K에서 128K로 컨텍스트를 확장하는 LongPT를 체계적으로 분석하고, 데이터 구성과 혼합 전략이 성능 및 일반화에 미치는 영향을 실증한다.
일련의 비디오 확산 모델에서 흔히 쓰이는 consistency distillation은 테스트 시점에 샘플링 스텝이 늘어나면 성능이 저하되는 경향이 있다. AnyFlow는 flow map 기반으로 임의의 시간 쌍 간 전이를 학습해 어떤 스텝 수에서도 안정적으로 샘플링 가능하도록 한다. 두 단계 학습(Forward flow map training + On-policy flow map distillation)으로 PF-ODE 경로를 보존하면서도 discretization error와 exposure bias를 감소시킨다. 1.3B~14B 파라미터 규모의 bidirectional/causal 아키텍처에서 기존 CM 기반 방법과 비슷하거나 더 나은 few-step 성능을 보이고, 샘플링 스텝이 늘어날수록 성능이 계속 향상된다.
포스트-트레이닝은 다수의 정책 변형을 단일 고가의 기지 모델 배포 위에 올려놓는 환경이다. Full checkpoint 기반 파인튜닝은 확장에 한계가 있으며, MinT는 base-model을 resident하게 유지하고 LoRA adapter revision을 통해 rollout, update, export, evaluation, serving, rollback를 연결하는 서비스형 RL 인프라를 제시한다. 이를 통해 다수의 정책 변형을 하나의 거대 모델에 흩뜨리지 않고 관리할 수 있으며, 1T-class 규모의 베이스 모델과 함께 수백만 규모의 어댑터 정책을 다룰 수 있다.
Linchpin은 Docker 기반의 오픈소스 셀프 호스팅 런타임으로, 다양한 클라우드 및 로컬 모델을 지원하는 관리형 AI 에이전트 플랫폼을 제공한다.
BossHogg은 AI 코딩 에이전트와 터미널 사용자가 PostHog의 분석 및 기능 플래그를 효율적으로 제어할 수 있도록 돕는 에이전트 중심 CLI 도구입니다.
Node.js 내장 모듈만 사용하는 30줄 규모의 초경량 자율 코딩 에이전트 mi를 소개합니다.
기존의 복잡한 모놀리식 검색 파이프라인을 LLM 기반의 에이전트가 오케스트레이션하는 에이전트 기반 검색 모델로 대체하는 흐름과 그 필요성을 다룬다.
Claude for Legal은 계약 검토, 실사, 규제 모니터링 등 다양한 법률 워크플로우를 자동화하는 AI 에이전트와 플러그인 모음입니다.
RL fine-tuning을 통해 소형 4B 모델을 Recursive Language Model로 학습시켜, 대형 모델 수준의 성능과 낮은 추론 비용을 동시에 달성함.
기존의 토큰 기반 스케일링 법칙을 넘어, 바이트 단위의 정보 밀도를 고려한 컴퓨트 최적화 스케일링 법칙을 제시함.
Gemini 3.1을 기반으로 증류된 26M 파라미터의 초소형 함수 호출 특화 모델 Needle의 구조와 활용법을 정리한다.
에이전트가 기술 문서를 검토, 수정, 검증하는 반복 루프를 통해 문서의 정확성을 유지하고 유지보수 비용을 절감하는 워크플로를 다룬다.
AI 데이터 센터의 전력 수요 급증으로 인해 기존 EV 및 태양광 산업의 공급망이 AI 인프라로 전환되는 '공급망 상속' 현상이 발생하고 있다.
Meta가 새로운 파운데이션 모델 'Muse Spark'를 공개하며 Meta AI의 음성 대화, 실시간 시각 인식, 쇼핑 지원 기능을 대폭 강화했다.
Zapier를 활용해 Google Forms 응답을 ChatGPT로 자동 분석하고 Gmail 초안 생성이나 팀 알림을 자동화하는 워크플로 구축 가이드.
미국 CMS가 AI 기반 의료 서비스의 성과에 따라 보상하는 ACCESS 프로그램을 통해 의료 AI 상용화의 새로운 장을 엽니다.
소프트웨어 패치 문서를 위장해 LLM의 가드레일을 무력화하는 새로운 단일 시도 탈옥 기법인 'Hi-Vis 공격'이 공개됐다.
아마존 개발자들의 AI 사용량 조작 실태와 구글-스페이스X의 우주 데이터 센터 협력, 그리고 Anthropic의 법률 AI 시장 진출 전략을 다룹니다.
Vercel AI SDK v6의 지속성 샌드박스와 파일 시스템을 활용해 스스로 도구를 생성하고 문맥을 유지하는 고성능 에이전트 구축 방법을 다룹니다.
Aegis DQ는 LLM을 활용해 데이터 품질 규칙을 자동 생성하고, 오류 발생 시 근본 원인 분석과 SQL 복구 쿼리까지 제공하는 에이전트형 프레임워크이다.
Exim 메일 서버의 중대한 Use-After-Free 취약점(CVE-2026-45185) 발견 과정과 AI 에이전트를 활용한 자동화된 익스플로잇 개발 가능성을 탐구한다.
구글과 스페이스X가 AI 연산 비용 절감을 위해 우주 공간에 궤도 데이터 센터를 구축하는 방안을 논의 중입니다.
FairyFuse는 AVX-512 명령어를 활용해 터너리 가중치 연산에서 부동소수점 곱셈을 제거함으로써 CPU 환경의 LLM 추론 성능을 획기적으로 개선한다.
구글이 제미나이 AI를 핵심으로 설계한 안드로이드 기반의 새로운 노트북 라인업인 구글북을 발표했다.
Meta가 Threads 게시물 내에서 Meta AI를 직접 언급하여 실시간 정보와 트렌드 맥락을 제공받는 기능을 5개국에서 베타 테스트 중이다.
Anthropic이 법률 분야 특화 서비스인 'Claude for Legal'에 문서 관리 및 판례 검색 시스템 연동을 위한 새로운 플러그인과 MCP 커넥터를 추가했습니다.