읽을 가치가 있는 기사만, 짧고 또렷하게.

고품질 이미지 편집을 위해서는 대상 영역을 정밀하게 수정하면서 관련 없는 영역의 내용을 보존해야 합니다. 기존 편집 모델들은 평면화된 결과물을 생성하여 정밀한 국소 조작과 레이어 재사용을 제한하며, 분해 방법들은 지시 기반 편집과 별도로 레이어 복구를 최적화합니다.

이러한 문제를 해결하기 위해 지시 기반 이미지 편집과 재사용 가능한 RGBA 레이어의 제어를 결합하는 통합 프레임워크인 LayerEditor를 소개합니다. LayerEditor는 In-Context RGB-Alpha Token Modeling을 핵심으로 사용하여 편집된 캔버스와 순서가 있는 RGB-Alpha 레이어 시퀀스를 단일 토큰 시퀀스 내에서 공동으로 표현함으로써 의미론적 편집과 개별 레이어 콘텐츠에 대한 명시적인 제어를 가능하게 합니다.

또한, 사전 학습된 모델의 편집 능력을 레이어 출력에 적응시키는 과정에서 이를 유지하기 위해 Compositional Edit-Prior Distillation을 제안합니다. 이 방법은 편집된 캔버스와 예측된 레이어로 구성된 이미지 모두에 편집 우선순위를 전달합니다.

연구진은 훈련 및 평가를 지원하기 위해 순서가 있는 RGBA 레이어 주석이 포함된 대규모 쌍별 이미지 편집 데이터셋인 LayerEditor-100K를 구축하고 레이어 편집을 위한 전용 벤치마크를 도입했습니다. 광범위한 실험 결과, LayerEditor는 강력한 편집 충실도를 유지하면서 정확한 RGBA 레이어를 생성하여 유연한 레이어 수준 조작과 다중 레이어 분해를 모두 지원함을 입증했습니다.

멀티모달 리소스가 미디어 출력으로 변환됨에 따라 에이전트 AI는 장기적인 관점에서 디자인 의도에 맞춰 정렬을 유지해야 합니다. 디자이너들은 목표, 제약 조건, 결과물을 명시하는 브리프를 따르며, 후속 작업은 이전 결정에 기반하여 구축되지만, 프로젝트 내의 결과물 간 정렬을 유지하는 것은 여전히 어렵습니다. 따라서 에이전트는 도메인과 프로젝트가 성장함에 따라 이러한 의도를 보존하고 적용할 필요가 있습니다.

이러한 문제를 해결하기 위해 연구진은 모델 외부에서 디자인 의도를 보존하고 결과물을 생성하는 워크플로우 단계에 연결하는 그래프 기반 도구인 Design Anything을 소개합니다. Design Anything은 제약 조건과 결정을 유지하는 태스크 계약과, 후속 세대를 위한 명시적인 입력이 되는 선택된 디자인을 포함하며, 결정론적 컨트롤러를 사용하여 출력 유형과 수를 확인하고 후속 턴을 안내합니다.

또한, DesignAnything-Bench라는 벤치마크를 통해 19가지 디자인 도메인에 걸쳐 228개의 태스크를 제공하며, 이는 6, 14, 24개의 결과물 규모를 포함합니다. 이 벤치마크에서 LLM을 고정했을 때, Design Anything은 DeepSeek V4.1 Flash High와 GPT-5.6 Sol High 모델에서 각각 85.0%와 92.5%의 사실적 제약 조건을 만족시켰습니다. 이는 동일 모델의 가장 강력한 기준선보다 각각 15.4%와 14.4% 높은 수치이며, 24개 결과물 태스크에서는 25.1%와 23.0%의 향상치를 달성했습니다.

전문 디자이너들은 또한 이 방법이 동일 모델 기준선보다 완전한 결과물 세트를 선호하여 블라인드 평가에서 우위를 보였습니다.

최근 연구 수준의 LLM 물리학 추론 벤치마크 결과는 모델의 지식이나 실행 능력의 문제가 아니라 추론 대상 세계를 모델링하는 데서 실패가 발생함을 보여줍니다. 모델들은 종종 주어진 양을 변경하거나 법칙을 조작하거나 숨겨진 가정을 주입하여 문제를 익숙한 패턴으로 강제한 후, 이 왜곡된 세계 안에서 추론을 수행합니다. 이러한 모델의 내부 공리적 세계 모델(AWM)과 문제에 명시된 실제 물리 세계 사이의 차이를 모델링 드리프트(modeling drift)라고 정의합니다.

기존의 RLVR이나 PRM 방법이 수학 및 코드에서 상당한 성능 향상을 보였음에도 불구하고, 이들의 보상 형태는 물리학과 같은 공리적 영역에서 세계 모델링을 직접적으로 감독하지 못합니다. 이에 연구진은 공리적 세계 모델을 활용하는 강화 학습(Reinforcement Learning with Axiomatic World Modeling, RLAWM)을 제안했습니다. RLAWM은 추론 과정에서 모델이 추론하는 공리적 세계 모델과 실제 물리 세계 간의 차이를 벌점화하여 정책을 최적화합니다.

RLAWM은 물리학 추론을 모델링과 해결이라는 두 가지 계층적 수준에서 탐색하며, 각 수준은 물리적으로 근거가 있는 보상으로 평가됩니다. 모델링 보상은 계산을 시도하기 전에 모델이 참 공리적 세계를 포착했는지 평가하며, 해결 보상은 구체적인 유도 과정이 공리적 세계와 일관성을 유지하는지 확인합니다. 이 구조는 모델이 추론한다고 믿는 세계와 그 세계 내에서 추론하는 방식 사이를 분리합니다.

이 프레임워크는 훈련 중에만 작동하며 추론 시 추가 비용이 발생하지 않습니다. RLAWM은 기준 모델 대비 PhysReason에서 최대 12.2점, PHYSICS에서 5.2점의 성능 향상을 보였습니다. 또한 난이도, 출처, 도메인에 걸쳐 제로샷 일반화를 달성하며, 가장 강력한 기준 모델 대비 오림피아드 수준의 물리학 및 수학에서 2.45배의 이득과 10점의 향상을 기록했습니다.

오픈 소스 30B 파라미터의 인과 언어 모델인 Muse Glimmer가 소비자 하드웨어에서 자율 에이전트 작업을 위해 설계되어 공개되었습니다. 이 모델은 지각 인코더를 통합하고 다단계 추론, 신뢰할 수 있는 도구 사용, 실패 복구 기능을 단일 모델에 통합하여 클라우드 인프라 없이 소비자 기기에서 로컬로 실행될 수 있습니다.

Muse Glimmer는 텍스트와 이미지 입력을 받아 텍스트 출력을 생성할 수 있으며, 백여 개 이상의 언어 데이터로 학습되었습니다. 효율적인 단일 GPU 추론을 위해 약 4비트 정밀도로 양자화되어 있으며, 이는 소비자 장치에서의 실행 가능성을 높입니다.

이 모델은 에이전트 벤치마크에서 크기별 모델인 Gemma4-31B 및 Qwen3.6-27B 모델과 비교하여 도구 사용, 다단계 계획, 에이전트 작업 완료 측면에서 최고 수준의 성능을 달성했습니다. 개발자들은 이 모델을 Apache 2.0 라이선스로 공개하여 안전하고 강력하며 로컬 AI 에이전트의 오픈 소스 개발을 촉진하고자 합니다.

에이전트 구조가 작은 결정(중단, 검증, 접근 방식 변경 등)을 더 저렴한 모델에 위임하는 추세에 따라, 결정 모델을 도입했을 때 비용 증가 없이 성공률을 개선할 수 있는지에 대한 연구가 진행되었습니다. 연구에서는 결정 지점에서만 사용되는 타입화된 결정 모델인 Jev 1.13을 Claude Sonnet 5.5 터미널 에이전트의 컨트롤러로 사용하여 비용을 절감할 수 있는지 검토했습니다.

Terminal-Bench 2.1에서 21개의 홀드아웃 작업(315회 시도)을 통해 Jev는 동일한 성공률(73.0%)을 유지하면서 시도당 비용을 19% 증가시켰습니다(기하 평균 비율 1.19, 95% 신뢰 구간 1.02-1.36). Jev는 소형 LLM 컨트롤러보다 저렴했지만, 플레이스보(placebo) 모델보다 22% 더 비쌌으며 성공률 차이는 감지되지 않았습니다.

비록 Jev가 다른 대안들보다 종료 요청 순위는 더 좋았으나(규칙 AUROC 0.62, 소형 LLM AUROC 0.60 대비 Jev는 0.78), Jev는 보정(calibration)이 불량했습니다. Jev가 완료 확률을 0.50으로 예측했음에도 실제 성공률이 87%였기 때문에, 에이전트는 이미 올바른 작업을 검증하도록 요청하는 방식으로 행동했습니다.

결론적으로, 정보 제공적 결정 신호가 유용한 개입이 되지 못했음을 시사하며, 이는 비용 효율성과 성능 사이의 균형을 맞추는 데 있어 결정 신호의 활용 방안에 대한 추가적인 논의가 필요함을 보여줍니다.

새로운 연구인 HumanSkill-4D는 언어 질의를 통해 애니메이션 가능한 가우시안 아바타의 영역을 선택하는 아바타 참조 분할(avatar referring segmentation) 방법을 제시합니다. 사용자는 질의에 자세나 움직임을 지정하여 일치하는 구간을 선택할 수 있어 아바타를 로컬 편집하고 움직임을 검사하는 상호작용이 가능해집니다.

기존의 언어 가우시안 스플래팅 방법으로는 인접한 신체 부위나 의류를 분리하기 어렵고 간접적으로 참조될 수 있는 영역 모호성(region ambiguity)과 RGB에서 미세한 움직임이 유사하게 보일 수 있는 움직임 모호성(motion ambiguity)이라는 두 가지 주요 과제가 존재합니다.

이러한 문제를 해결하기 위해 HumanSkill-4D는 여러 아바타에 걸쳐 멀티모달 대규모 언어 모델(MLLM)과 기하학적 연산자를 공유하는 학습 없는 프레임워크를 도입했습니다. 각 아바타에 대해 신체 부위와 의류 범주를 영구적인 가우시안 영역 및 외관 설명과 연결하는 의미 기억(semantic memory)을 구축합니다.

이 프레임워크는 MLLM이 외관, 관계 또는 기능을 통해 범주를 선택하게 하며, 움직임 기억에 저장된 관절 궤적에 대한 질의 조건을 확인하는 연산자를 구성하여 일치하는 구간을 찾습니다. 이 과정은 선택의 추적성을 확보하며 새로운 움직임 조건을 지원합니다.

세 가지 인간 주석 기반 벤치마크를 통해 평가한 결과, HumanSkill-4D는 메모리가 작고 아바타당 설정 시간이 몇 분에 불과함에도 불구하고 부분 분할 및 3D, 4D 참조 분할에서 기존 방법들을 능가하는 성능을 보였습니다.

LLM 에이전트는 단일 출처에서 증거를 수집하고 종합하는 능력은 향상되었으나, 실제 분석 질문은 종종 이질적인 출처를 넘나들어야 하는 경우가 많습니다. 예를 들어, 기업 질문에 답하기 위해서는 내부 데이터베이스 결과와 웹상의 증거를 모두 필요로 할 수 있습니다. 최근 HybridDeepResearch와 같은 벤치마크 평가 결과는 증거가 이러한 경계를 넘나들 때 심지어 최첨단 에이전트조차 어려움을 겪는다는 것을 보여주었습니다.

이러한 한계를 해결하기 위해 연구진은 구조화된 데이터와 비구조화된 데이터 사이의 증거를 연결하는 4B 에이전트인 HybridResearcher를 소개했습니다. HybridResearcher는 기존의 텍스트-SQL 또는 웹 검색 쿼리 같은 단일 출처 작업에서 시작하여 브릿지 엔티티 주변의 누락된 출처를 생성함으로써 교차 출처 연결 경로를 합성하는 방식으로 구축되었습니다. 이 과정에서 데이터가 진정한 교차 출처 의존성을 요구하는지 확인하기 위해 엄격한 구성 게이트를 유지했습니다.

이 모델은 지도 미세 조정(SFT) 후 강화 학습(RL)을 사용하여 훈련되었으며, 기존 HybridDeepResearch 벤치마크에서 기본 모델인 Qwen3.5-4B보다 pass@8 점수가 30.0점 향상되었고, 훨씬 더 큰 Qwen3.5-397B-A17B 모델보다 8.3점 더 높은 성능을 보였습니다. 또한 BrowseComp 및 BrowseComp-Plus와 같은 기존의 단일 출처 벤치마크에서도 기본 모델보다 성능을 개선하여, 복잡한 교차 출처 추론 능력이 대규모 모델에 의존하지 않고도 소형 모델에 직접 학습될 수 있으며 치명적인 망각을 유발하지 않음을 입증했습니다.

LLM이 서버 GPU에서 강력한 성능을 보이는 커널을 생성할 수 있지만, 이들을 엣지 환경에 배포하는 것은 하드웨어의 이질성, 파편화된 소프트웨어 스택, 제한된 자원 예산 때문에 고유한 어려움을 안고 있습니다. 다양한 엣지 백엔드에 걸친 LLM 커널 생성에 대한 체계적인 연구는 아직 부족한 상황입니다.

이러한 문제를 해결하기 위해 EdgeKernelBench를 도입했는데, 이는 통일된 IR 배포 프레임워크와 엣지 워크로드를 위한 계층적 벤치마크를 결합한 것입니다. 이 통일된 IR은 재사용 가능한 계산, 스케줄링, 메모리 결정을 포착하며 컴파일러 인터페이스를 통해 각 대상 백엔드에 연결됩니다. EdgeKernelBench는 TVM을 참조 컴파일러로 사용하여 이질적인 엣지 백엔드 전반에서 설계를 검증했습니다.

단일 생성 시도에서 최적의 모델은 64.5%의 Correct@1 성능을 달성했지만 [email protected] 성능은 25.5%에 불과하여 기능적 정확성이 반드시 성능 향상으로 이어지지 않는다는 점을 보여줍니다. 따라서 최적화를 체계화하기 위해 Layered Edge Kernel Agent(LEKA)를 도입했습니다. LEKA는 계층적 IR을 통해 최적화를 구성하며, 에이전트 평가 부분에서 LEKA는 직접 생성(13.0%)이나 Claude Code(26.1%)에 비해 43.5%의 [email protected] 성능을 달성했습니다.

결론적으로 EdgeKernelBench와 LEKA는 엣지 백엔드 전반에서 LLM이 생성한 커널의 통일된 평가와 계층적 최적화를 지원합니다. 이는 엣지 환경에서 LLM 기반 커널 생성의 성능 격차를 줄이는 데 기여합니다.

LLM 기반 에이전트 시스템은 복잡한 추론 및 문제 해결 능력을 보여주지만, 상당한 토큰 소비와 추론 지연으로 인해 실제 배포에 한계가 있습니다. 이러한 효율성을 높이기 위해 최근 연구는 지도 미세 조정을 통한 증류(distillation) 방식을 사용하여 대규모 모델의 에이전트 능력을 소규모 언어 모델(SLM)로 이전하는 데 집중하고 있습니다.

그러나 상호작용 궤적이 길어지고 추론-행동 체인과 광범위한 환경 피드백이 포함될수록, 증류된 학생 에이전트는 종종 진전 정체(progress stagnation)를 겪게 됩니다. 이는 지속적으로 실패한 전략으로 특징지어지는 비생산적인 루프에 갇히거나 의미 있는 진전을 이루기 어려워지는 현상입니다. 이 현상은 다양한 SLM과 작업 도메인에서 일관되게 발생한다는 체계적인 분석 결과가 있습니다.

이 문제를 해결하기 위해 연구진은 진행 상황을 인식하는 증류(Progress-Aware Distillation, ProD)를 제안했습니다. ProD는 학생과 교사 간의 정체 격차를 명시적으로 감지하고 이를 적응형 마진으로 변환하여 잠재적인 정체를 동적으로 패널티를 부과합니다. 이 절차를 반복적으로 적용함으로써 학생 에이전트는 교사의 행동을 점진적으로 근사할 수 있게 됩니다.

8개의 SLM(0.6B에서 8B 매개변수)에 대한 광범위한 실험 결과는 ProD가 진행 정체를 실질적으로 완화함과 동시에 증류된 SLM 에이전트의 성공률과 작업 완료 효율성을 향상시킨다는 것을 입증했습니다.

통합 오디오-비디오 생성은 텍스트 조건부 결합 합성, 양방향 교차 모달 생성, 그리고 지시 기반 편집을 모두 수행할 수 있는 단일 모델을 필요로 합니다. 기존 방법들은 결합 생성에 필요한 쌍 데이터가 부족하고 편집에 필요한 데이터는 더욱 희소하여, 모달 간 결합보다는 풍부한 단일 모달 데이터로 쉽게 학습할 수 있는 단일 분기 생성 및 편집 능력에 집중하는 경향이 있습니다.

또한, 기존 시스템들은 두 모달 모두에 단일 공유 노이즈 스케줄을 적용하여 두 가지 중요한 한계를 간과합니다. 첫째, 정보 밀도의 차이로 인해 비디오는 공간 및 움직임 구조를 정리하기 위해 긴 노이즈를 필요로 하는 반면, 더 희소한 오디오 신호는 합성 과정에서 더 일찍 안정화될 수 있어 균일한 스케줄이 역동성을 손상시킬 수 있습니다. 둘째, 동시 디노이징은 한 모달을 조건으로 하여 다른 모달을 합성하거나 편집하는 비대칭 워크플로우를 남겨 학습되지 않은 상태로 둡니다.

이에 본 논문은 이러한 문제들을 해결하기 위해 UniAVC를 제안합니다. UniAVC는 각 분기를 단일 모달 데이터로 먼저 훈련하여 생성 및 편집 능력을 확보한 후, 교차 모달 대응 관계를 활용하기 위해 쌍 데이터를 사용합니다. 특히 모달 분리 스케줄러를 통해 공유 타임스텝으로부터 독립적으로 노이즈 스케줄을 왜곡하고, 한 모달로 구성된 하위 작업이 비대칭 구성을 직접 감독하도록 설정합니다.

이러한 설정은 한 모달을 온전히 보존하면서 다른 모달을 제약하는 의도 인식 편집과, 수용된 모달에 반하여 불만족스러운 분기만 재구성하는 사후 추론 자체 정제 기능을 가능하게 합니다. UniAVC는 작업별 어댑터 없이 단일 가중치 세트에서 여러 생성 작업을 포괄할 수 있습니다.

기존의 다중 토큰 예측(MTP) 방법들은 설계상 보조적인 역할을 하므로, 다중 지평(multi-horizon) 손실은 주로 백본에 부착된 모듈을 훈련시키며, 각 지평을 추가할 때마다 또 다른 모듈과 추가적인 연산이 필요합니다. 이에 본 연구는 이러한 비용을 모두 제거하는 효율적인 인과적 자기 재귀(Efficient Causal Self-Recursion, ECHO)를 제안합니다.

ECHO는 백본의 최종 레이어가 모든 지평을 예측하도록 하여 감독이 다음 토큰을 생성하는 파라미터에 집중되도록 하며, 동적 깊이 샘플링(Dynamic Depth Sampling, DDS)을 통해 깊은 지평들을 확률이 깊이에 따라 감소하도록 하여 비용을 합리적으로 유지합니다. 이로써 미래 예측은 부가적인 작업이 아니라 자기회귀 목표의 일부가 되며, 이는 사전 훈련 단계에서 보조 모듈이 포화되어 추론 및 코드에 집중함으로써 MTP 훈련 오버헤드의 절반으로 다운스트림 정확도를 높이는 결과를 가져옵니다.

또한, 사전 훈련된 모델은 추론 시 자체적인 드래프터 역할을 수행하여 훈련된 깊이 너머로 초고엔트로피 생성에서 드래프트 대상 정렬을 유지합니다. 이러한 이점은 두 배의 토큰 예산, 반복적인 사전 훈련 실행, 그리고 지도 미세 조정에서도 유지되므로, ECHO 방법론은 효율성과 성능을 동시에 확보합니다.

소프트웨어 에이전트를 전체 벤치마크로 평가하는 것은 비용이 많이 듭니다. 따라서 소규모 작업 부분집합을 사용하면 에이전트 순위를 유지할 수 있지만, 점수는 부정확해질 수 있습니다. 역사적인 응답은 유용한 구조를 제공하지만, 동일한 소스 응답을 가진 작업이 새로운 대상 에이전트에 대해 다른 결과를 낳을 수 있다는 한계가 있습니다.

본 연구는 이러한 문제를 해결하기 위해 계층적 점 사후 복구(HSPR)를 제안합니다. HSPR은 소스에 맞춘 응답 요인과 불확실한 그룹 성공률을 결합하여 평가의 정확도를 높입니다. 관찰된 목표 결과는 대상 잠재 상태와 그룹 비율에 대한 사후 분포를 업데이트하며, 점 사후 가이드 획득(posterior-guided acquisition)을 통해 후속 작업을 선택합니다.

HSPR의 점 기반 기준은 전체 점 사후 분산의 예상되는 한 단계 감소와 같습니다. 미쿼리되지 않은 작업에 대한 관찰된 성공과 사후 예측 횟수는 전체 점 사후 분포를 제공하며, 최종 추정치는 소스 선택 보정(source-selected calibration)을 사용하여 중앙값으로 계산됩니다.

SWE-bench 패밀리의 네 가지 작업 은행에서 10% 작업 예산으로 평가했을 때, HSPR은 비교 대상 방법들 중에서 세 은행에 대해 가장 낮은 평균 절대 오차(MAE)와 네 은행 모두에 대해 가장 낮은 최대 절대 오차(MaxErr)를 달성했습니다. 그룹 불확실성을 제거하거나 적응형 쿼리를 대체하면 해당 제어에서 전체 평균 절대 오차(macro MAE)가 증가합니다. 그러나 5~20% 예산 범위에서는 전체 평균 절대 오차가 감소하는 것으로 나타났습니다.

도미닉 피체타는 LLM이 이해하거나 사용할 수 없는 프로그래밍 언어인 KillSwitch를 개발하여 LLM의 코드 이해 능력을 테스트했습니다. 이 언어는 인간에게는 사용 가능하지만 LLM과 코딩 에이전트에게는 최대한 어렵도록 설계되었으며, LLM의 학습 데이터에서 코드를 단순히 회상하는 능력과 실제 이해 능력을 구분하고자 했습니다.

KillSwitch는 LLM의 약점, 예를 들어 문자 개수 세기, 안전 장치, 프롬프트 준수 경향 등을 악용하도록 설계되었습니다. 언어 사양에는 인간이 읽기 어렵거나 거짓으로 인식될 수 있는 숨겨진 정보가 포함되어 있으며, 식별자의 문자 개수 세기나 특정 구문은 모델의 안전 장치를 자극하도록 설계되었습니다.

개발자는 KillSwitch를 사용하여 주요 LLM 모델과 코딩 에이전트를 벤치마킹했으며, 그 결과는 흥미로운 결과를 보여줍니다. Claude Opus 5가 사양을 해석하는 데 가장 우수한 성능을 보였으며, 오픈 웨이트 모델 중에서는 MiMo-V2.6-Pro가 66.8점으로 가장 높은 점수를 기록했습니다.

이러한 벤치마크 결과는 LLM이 코드를 '이해'하는지에 대한 명확한 신호를 제공하지는 않습니다. 모델들은 "Hello World" 구현과 같은 비교적 단순한 과제를 해결했지만, 이는 언어에 대한 깊은 이해를 증명하는 것은 아닙니다. 앞으로 더 복잡한 과제를 통해 LLM의 진정한 이해 능력을 측정할 필요가 있습니다.

Things To Do API는 에이전트 애플리케이션과 앱을 위한 빠르고 정확하며 지역화된 이벤트 API를 제공합니다. 이 API는 쇼, 강연, 팝업, 시장, 축제 등 다양한 종류의 지역 이벤트를 지식 기반으로 제공하여 AI 에이전트가 필요한 정보를 쉽게 찾을 수 있도록 돕습니다.

이 서비스는 REST 검색 방식과 MCP(Multi-Agent Communication Protocol)를 통한 에이전트 친화적인 지식 기반을 모두 지원합니다. 예를 들어, 특정 지역의 이벤트를 검색하거나 에이전트가 활용할 수 있는 형태로 데이터를 제공하여 데이터 통합의 어려움을 해결하고자 합니다.

현재는 샌프란시스코 베이 지역의 실시간 이벤트에 대한 데이터만 지원하며, 향후 뉴욕, 로스앤젤레스 등 다른 도시로 서비스 범위를 확장할 계획입니다. 개발자들은 이 API를 통해 지역 이벤트 데이터를 기반으로 개인화 및 추천 기능을 구현하는 데 활용할 수 있습니다.

무료 키를 제공하며 월 1,000건의 호출을 무료로 사용할 수 있는 등 무료 사용 옵션을 제공하고 있으며, 사용량에 따라 종량제 요금제를 운영하고 있습니다.

가상의 세계를 탐험할 수 있는 자동 세계 구축 플랫폼인 Fakeipedia가 공개되었습니다. 이 플랫폼은 사용자가 상상하는 세계의 역사, 인물, 특이점 등을 담은 위키를 생성하여 클릭만으로 무한히 탐색할 수 있도록 설계되었습니다.

Fakeipedia는 다양한 대체 현실의 사례를 담고 있으며, 예를 들어 1998년 신경학적 팬데믹 이후 거짓말을 할 수 없었던 '진실의 변화(The Veracity Shift)'나 2048년에 인공지능이 지배하는 'ASI' 세계, 그리고 2004년 유전자 치료 이후 24시간 일과를 가진 '불면의 배당금(The Insomnia Dividend)'과 같은 구체적인 설정들을 제공합니다.

이 플랫폼은 Argon 모델을 활용하여 기사를 생성하며, 기사 생성 시 소액의 비용($0.90)이 부과되지만 생성된 모든 콘텐츠는 무료로 공개되어 누구나 접근할 수 있습니다. 개발자들은 이 프로젝트가 AI를 활용하여 창의적인 세계관을 구조화하고 탐험하는 새로운 방식을 제시한다는 점에 주목할 수 있습니다.

사용자들은 이 플랫폼을 통해 AI가 생성한 흥미로운 세계관을 탐색하고 새로운 세계 아이디어나 기능에 대한 피드백을 제공할 수 있습니다.

미국 북동부 지역에서 댐 제거가 물고기들의 복귀를 이끌고 있습니다. 댐은 수로의 흐름을 막아 저수지를 만들고 수력 발전을 가능하게 했지만, 이러한 구조물은 산란하는 물고기들의 이동을 방해하는 장벽으로 작용했습니다. 최근 많은 노후화된 댐들이 철거되면서 강과 하천의 자연스러운 흐름이 회복되었고, 특히 청어(herring)가 매년 수천 마리씩 돌아오고 있으며 일부 구간에서는 20만 마리가 넘는 대규모 집단이 관찰되고 있습니다.

댐 제거 운동은 이미 1912년부터 미국 내 수로에서 2,300개 이상의 댐을 제거하는 데 기여했으며, 2024년에는 2,500마일 이상의 단절된 수로가 재연결되었습니다. 특히 클라마스강(Klamath River)에서 댐을 해체한 결과, 치누크 연어(chinook salmon)가 산란 서식지를 찾아 돌아오는 등 생태계에 놀라운 변화가 일어났습니다.

이러한 성공을 전국적으로 확대하기 위해서는 더 많은 자금 지원과 원활한 허가 절차, 그리고 수력 발전을 대체할 태양 에너지 도입과 같은 정책적 개혁이 필요합니다. 북동부 지역에서도 버몬트의 블레이크 히긴스 댐이나 메인의 에드스 폴스 댐 등 여러 댐이 제거되어 지역 생태계가 회복되고 있습니다. 이는 인간의 활동이 아닌 자연의 흐름이 생물 다양성을 회복시키는 과정이 얼마나 강력한지 보여주는 사례입니다.

B2B 분야에서 유튜브 채널을 운영하는 목표는 단순히 바이럴 영상이나 구독자 수를 늘리는 것이 아니라 적합한 잠재 고객의 이메일을 확보하고 실제 매출로 전환하는 데 있습니다. 따라서 영상 제작 시 고객 유입 경로 구축, 전문성 강화, 직접 판매 중 하나의 목표를 설정하고 이를 채널 전체에 걸쳐 조합하는 전략이 필요합니다.

이러한 목표 지향적인 접근 방식은 시청자의 참여를 단순한 시청에서 실제 비즈니스 행동으로 유도하는 데 중점을 둡니다. 예를 들어, 특정 주제에 대한 반응을 확인한 내용을 바탕으로 긴 영상을 제작하면 잠재 고객의 니즈에 더욱 정확하게 대응할 수 있습니다.

특히 LinkedIn과 같은 플랫폼에서 반응을 확인한 주제를 활용하여 심층적인 콘텐츠를 제작하는 것이 효과적입니다. 이는 잠재 고객이 이미 관심을 보인 영역을 확장하여 신뢰를 구축하고 최종적으로 매출 전환으로 이어지게 하는 데 중요한 역할을 합니다.

Salesforce Data 360은 하루 약 800만 건의 Spark 실행을 분석하여 리소스 할당량과 실제 작업량을 비교함으로써 자원 낭비를 찾아내는 방법을 제시합니다. 단순히 작업이 성공적으로 실행되었는지 여부만으로는 리소스 구성이 실제로 효율적인지 판단하기 어렵다는 점을 지적합니다.

이러한 최적화를 위해 애플리케이션 코드 변경 없이 Spark 실행을 계측할 수 있는 방법이 소개됩니다. 이를 위해 공통 제출 관문인 DPC에 Spark 계측 플러그인을 주입하여 실행 데이터를 수집할 수 있습니다.

이러한 계측 플러그인 주입 방식을 사용하면 개발자가 애플리케이션 코드를 수정하지 않고도 Spark 실행의 실제 사용 패턴을 파악할 수 있습니다. 이는 대규모 환경에서 리소스 할당의 효율성을 객관적으로 측정하고 최적화하는 데 중요한 정보를 제공합니다.

PostgreSQL 무중단 마이그레이션은 단순히 데이터베이스가 실행 중인 상태를 유지하는 것을 넘어 서비스 품질과 데이터 정확성을 보장하면서 구버전 애플리케이션과 신버전 애플리케이션이 동시에 동작하도록 하는 배포 방식입니다. 이 방식은 서비스 중단 없이 데이터베이스 스키마를 안전하게 변경해야 하는 프로덕션 환경에서 필수적인 접근법입니다.

이러한 마이그레이션은 주로 확장-축소(expand-contract) 패턴을 활용하여 구현됩니다. 이는 스키마를 추가하거나 데이터를 이전하는 과정에서 서비스의 연속성을 해치지 않도록 단계적으로 작업을 진행하는 방법입니다. 구체적으로는 스키마 추가, 데이터 이전, 그리고 읽기 및 쓰기 작업이 동시에 이루어지도록 설계하여 애플리케이션이 항상 일관된 데이터를 접근할 수 있도록 보장합니다.

이러한 접근 방식은 개발자가 위험을 최소화하면서 대규모 데이터베이스 변경을 수행할 수 있게 합니다. 무중단 마이그레이션 실무 가이드는 안전한 스키마 변경을 위한 구체적인 프로덕션 환경에서의 구현 방안과 주의할 점을 제시합니다. 따라서 복잡한 데이터베이스 마이그레이션 시 확장-축소 패턴을 이해하고 적용하는 것이 중요합니다.

산호초가 하얗게 변하는 백화 현상을 겪은 산호 조각이 건강한 이웃과 접촉하는 것만으로도 며칠 내에 회복할 수 있다는 놀라운 연구 결과가 발표되었습니다. 과학자들은 건강한 산호 조각과 백화된 조각을 접촉시켰을 때, 두 조각이 조직 다리를 형성하여 공생 조류(Symbiodiniaceae)를 전달함으로써 백화된 산호가 빠르게 회복됨을 발견했습니다.

연구팀은 동일한 유전적 구성을 가진 산호 조각들을 실험하여, 접촉하는 쌍에서 백화된 산호가 8주 내에 회복되었음을 확인했습니다. 특히, 공생 조류의 개체 수가 4일마다 두 배로 증가하는 속도는 자연 상태에서 산호가 회복하는 속도보다 훨씬 빨랐습니다. 이는 산호가 스트레스를 받아 색을 잃는 백화 과정을 완전히 되돌릴 수 있는 잠재적인 해결책을 제시하며 광범위한 산호 감소에 대한 희망을 주고 있습니다.

이 연구는 두 산호 조각이 조직 다리를 형성하여 공생 조류를 공유하는 메커니즘을 밝혀냈습니다. 이 현상은 동일한 유전적 배경을 가진 개체들 사이에서만 발생하며, 다른 종이나 다른 개체 간에는 공생 조류가 전달되지 않았습니다. 따라서 이 발견은 산호 생태계의 회복 속도를 이해하고, 대규모 산호 복원 솔루션을 개발하는 데 중요한 영감을 제공할 수 있습니다.