읽을 가치가 있는 기사만, 짧고 또렷하게.

X Corp.는 2026년 8월 24일에 Nitter 인스턴스와 프로젝트 저장소의 영구 삭제를 요구하는 중단 요구서(cease-and-desist letter)를 발송했습니다. 이 요구는 Nitter 프로젝트와 관련된 개발자 및 사용자 커뮤니티에 영향을 미칠 수 있어 주목받고 있습니다.

Nitter는 JavaScript와 광고 없이 Twitter를 탐색할 수 있도록 설계된 무료 오픈소스 프런트엔드입니다. 이 프로젝트는 모든 요청을 백엔드에서 처리하는 방식으로 작동하며, 개발자들에게 특정 방식으로 소셜 미디어를 탐색할 수 있는 대안을 제공했습니다.

X Corp.의 요구로 인해 Nitter 인스턴스와 프로젝트 저장소의 삭제가 요구되면서, Nitter의 오픈소스 생태계와 관련 인프라의 운명에 대한 논의가 이어지고 있습니다. 이는 오픈소스 프로젝트의 지속 가능성과 커뮤니티 기반 개발 환경에 어떤 영향을 미칠지 중요한 맥락을 제공합니다.

자동 연구 에이전트(AutoResearch agents)는 LLM이 독립적으로 솔루션을 구현하고 실행 결과를 학습하는 능력을 보여주면서 AI 분야에서 중요한 방향으로 부상하고 있습니다. 이러한 발전의 핵심에는 강화 학습(RL)이 있으며, 연구자들은 에이전트 학습을 확장하는 과정에서 근본적인 긴장을 발견했습니다. 이는 에이전트 생성 과정은 배치 처리를 통해 컴퓨팅을 공유하는 반면, 환경 실행은 고유한 샌드박스와 실제 기계 시간을 차지하기 때문에 환경 실행이 전체 학습 비용을 지배하고 병목 현상을 유발한다는 점입니다.

이러한 병목 현상을 해결하기 위해 연구진은 환경 실행을 월드 모델(World Model)로 대체하는 월드 모델 강화 학습(WMRL)을 제안했습니다. 또한 월드 모델의 보상이 편향과 노이즈로 인해 불완전할 수 있다는 점을 고려하여, WMRL에 온라인 편향 제거(Online Debiasing)와 역분산 잡음 제거(Inverse-Variance Denoising)라는 두 가지 완화 기법을 추가했습니다. 이론적으로 이 두 가지 완화 기법은 수렴 보장을 엄격하게 개선함을 증명했습니다.

실험 결과, WMRL은 다양한 에이전트 규모에서 학습 시간을 3~4배 가속하고 표준 RL 기준선을 능가하는 성능을 보였습니다. 특히, WMRL을 통해 훈련된 4B 및 9B 에이전트는 48B 및 120B와 같은 훨씬 더 큰 오픈 웨이트 에이전트보다 홀드아웃 벤치마크에서 더 나은 성능을 나타냈습니다. 나아가 WMRL은 AutoResearch를 넘어 후처리된 체화된 VLA 정책(embodied VLA policies)으로도 확장되어 방법론의 일반화 가능성을 입증했습니다.

거대 언어 모델은 cot(-540°) 계산과 같이 구조적으로 풀 수 없는 질문에 대해 거부하지 않고 답하는 경우가 많습니다. 이러한 실패가 인식 부족 때문인지, 아니면 인식에서 거부로의 라우팅 실패 때문인지에 대한 질문을 던집니다.

1.7B에서 70B 매개변수를 가진 명령어 조정 모델들에서, 은닉 상태(hidden state)의 단일 선형 방향이 답변 가능한 질문과 구조적으로 불가능한 수학 및 코드 프롬프트를 분리하며, 이는 모델이 생성 이전에 불가능성을 나타낸다는 것을 보여줍니다. 그러나 이 인식 방향은 훈련된 유해 콘텐츠 거부를 매개하는 표준 안전 거부 방향과는 거의 직교합니다.

이러한 인식 방향은 도메인 내 행동으로 정의된 무효성 인식 방향과 더 가깝지만, 안전 거부 방향과는 여전히 거의 직교합니다. 모델은 안전 거부 경로를 활용하지 못하기 때문에, 자신에게 사용 가능한 "허용되지 않는 답변 없음" 신호를 가지고 있음에도 불구하고 실패가 인코딩 오류보다는 라우팅 실패로 설명됩니다.

이러한 인식 방향을 따라 생성 시 방향을 조절하면 무효성 인식 행동이 수학 및 코드 셀에 대해 양방향적이고 용량 의존적인 방식으로 변화하지만, 무작위 방향은 변화를 일으키지 않습니다. 이는 모델이 생성 전에 이미 낮은 코사인 기하학을 가지고 있으며, 안전 거부 경로가 이 불가능성 신호를 활용하도록 정렬되어 있지 않다는 점을 시사합니다.

텍스트 기반 3D 생성 기술이 발전하면서 대규모 실외 환경과 상세한 실내 장면을 만드는 데는 진전이 있었지만, 이 두 영역은 보통 독립적으로 합성되어 일관성 있는 도시 세계에 필요한 상호 대응 관계가 부족했습니다. 이에 연구진은 지속적으로 업데이트되는 교차 규모 세계 컨텍스트를 기반으로 하는 통합 실내외 도시 세계 생성 프레임워크인 HoloWorld를 제시했습니다.

HoloWorld는 사용자 설명에서 시작하여 도시 규모 계획부터 개별 건물에 이르기까지 다양한 세계 정보를 점진적으로 표현하고 업데이트하며, 생성된 실내 공간이 해당 외부 건물과 명시적인 대응 관계를 유지하도록 합니다. 또한, 발전하는 컨텍스트와 이전에 생성된 인접 블록을 조건으로 사용하여 HoloWorld는 블록 간 일관된 공간 조직과 시각적 정체성을 갖는 도시 외관을 자기회귀적으로 생성합니다.

생성된 외관 표현은 3D 건물 인스턴스와 지지 기반에 근거하여 건물별 실내 생성을 가능하게 하며, 기하학적 제약 레이아웃과 상속된 외관 특성을 통해 건물별 상세화를 지원합니다. 이 연구는 실내외 생성을 일관된 3D 도시 세계 내에서 통합하는 최초의 프레임워크라는 점에서 주목받고 있습니다.

광범위한 실험 결과에 따르면 HoloWorld는 도시 외관 생성 성능에서 기존 최고 수준(SOTA) 대비 평균 AQS 점수를 7.68% 향상시키고 평균 RDR 점수를 가장 높게 달성했습니다. 동시에 통합된 3D 도시 세계 내에서 건물 수준의 실내외 대응 관계와 블록 간 연속성을 강력하게 유지한다는 점을 입증했습니다.

검증 가능한 보상(RLVR)을 이용한 강화 학습은 단일 샘플 정확도(pass@1)를 크게 향상시키지만, 정책의 해답 공간을 수축시켜 테스트 시간 스케일링의 이점을 감소시킵니다. 본 연구는 추론 궤적 내에서 이러한 해답 공간의 축소가 발생하는 위치를 조사합니다. 정책이 유효한 해답 패밀리에 접근하지 못하는지, 아니면 일단 시작된 후 계산을 실행하지 못하는지를 분석하기 위해 Countdown 과제를 사용했습니다.

PPO를 Qwen2.5-3B에, GRPO를 Qwen2.5-3B-Instruct에 적용하여 분석한 결과, 두 훈련 설정 모두에서 해답 커버리지가 최대 67%까지 감소했습니다. 이러한 수축은 주로 진입점(entrance)에 집중되어 있는데, 첫 번째 산술 연산 이전에 토큰별 가능도 변화가 다운스트림 추론 시보다 11배에서 16배 더 크게 나타났습니다. 이는 정책이 계산을 시작하기 전에 대안적인 해답을 실행할 수는 있지만, 새로운 해답 패밀리를 시작하지 못한다는 것을 의미합니다.

이러한 국소화된 분석을 바탕으로, 표면 프롬프팅은 다양성을 회복하지 못하지만 진입점에 초점을 맞춘 개입은 성공함을 발견했습니다. 초기 체크포인트에서 후반 레이어 매개변수 보간(late-layer parameter interpolation)을 적용함으로써 pass@1을 유지하면서 해답 커버리지를 37% 증가시킬 수 있었습니다.

또한, 초기 단계 엔트로피 붕괴(early-step entropy collapse) 현상이 7B 및 14B 모델에서 여섯 가지 수학 벤치마크 전반에서 반복되지만, 이는 추론 최적화의 필연적인 결과는 아닙니다. SFT 기준선과 단계적 SFT--DPO--RLVR 파이프라인은 초기 단계 엔트로피를 보존하여, 추론 개선이 반드시 해답 공간의 다양성 확보로 이어지지 않음을 보여줍니다.

현미경 이미지에서 겹쳐 있는 세포 인스턴스 분할은 반투명 구조로 인해 경계가 약하고 중첩 영역에 시각적 증거가 혼재되어 어려움을 겪고 있습니다. 기존 방법들은 국소적인 관심 영역이나 형태 사전 정보를 활용하지만, 겹쳐 있는 객체에 대한 전역적인 추론 능력은 부족합니다.

이에 연구진은 겹쳐 있는 세포 인스턴스를 분리하는 새로운 쿼리 기반 모델인 QCell을 제안했습니다. QCell은 잠재 공간에서 쿼리 표현을 분해하고 재결합하는 인스턴스 재결합 모듈과 겹치는 세포 쿼리를 분리하는 대조적 쿼리 정렬 목표를 결합하여 이 문제를 해결합니다.

이 연구는 겹쳐 있는 세포 분할을 위한 새로운 오가노이드 데이터셋 벤치마크를 추가로 도입했습니다. 실험 결과, QCell은 여러 벤치마크에서 기존의 최첨단 방법들보다 우수한 성능을 보였으며, ISBI2014에서 AP 2.2, AJI 2.7을 달성했습니다.

QCell의 코드는 GitHub에서 공개되어 있으며, 이는 복잡한 현미경 이미지 분석에서 겹쳐 있는 객체를 정확하게 분리하는 데 활용될 수 있습니다.

사고의 연쇄(Chain-of-Thought, CoT) 추론은 대규모 언어 모델(LLM)이 문제를 중간 단계로 분해하여 해결할 수 있게 함으로써 성능을 크게 향상시켰습니다. 그러나 텍스트 기반 CoT는 시각적 문제를 어색한 산문으로 변환하게 만들며, 모델이 순수 텍스트 추론 문제를 해결할 때 내부 시각 작업 공간을 구축하고 유지하는 방법을 학습할 수 있는 대규모의 다단계, 자체 수정 데이터셋이 부족하다는 한계가 있습니다.

이러한 한계를 해결하기 위해 연구진은 CoVA-SFT라는 고도로 구조화된 코퍼스와 CoVA-Bench라는 비교 벤치마크를 소개했습니다. CoVA-SFT는 51,900개의 샘플과 222,000개의 멀티모달 추론 단계를 포함하며, 5가지 레이아웃 패밀리와 17가지 복잡한 작업을 다룹니다. 이 데이터셋은 명시적인 추론 근거 공식화, 에이전트 렌더링, 검증 루프를 제공하여 멀티모달 언어 모델이 텍스트와 시각적 추상화를 교차하여 사용할 수 있도록 학습시킵니다.

CoVA-Bench는 동일한 작업에 대한 1,700개의 홀드아웃 테스트 샘플로 구성되어 재현 가능한 평가를 가능하게 합니다. CoVA-SFT로 미세 조정된 모델은 CoVA-Bench에서 모든 교차 CoT 기준 모델보다 평균적으로 2배 이상 높은 성능을 보였습니다. 하지만 이러한 모델들은 강력한 텍스트 전용 CoT 기준 모델에는 미치지 못하여 향후 연구에서 해결해야 할 과제가 남아 있음을 시사합니다.

대규모 언어 모델이 상호작용 가능한 웹 인터페이스를 생성할 수 있지만, 사용자 요청이 변화함에 따라 실행 가능한 결과물(artifact)을 유지하는 것이 신뢰할 수 있는 생성형 UI의 핵심입니다. 이러한 문제를 해결하기 위해 다중 턴 인터페이스 유지에 대한 벤치마크인 EvoGenUI-Bench를 소개합니다. 이 벤치마크는 정보 제시, 실행 가능한 상호작용, 도구 기반 외부 상태라는 세 가지 시나리오에서 150개의 다섯 턴 작업과 총 750턴으로 구성되어 있습니다.

평가는 브라우저에서 생성된 결과물을 실행하고 스크린샷, 소스 및 DOM 증거, 액터 추적, 런타임 로그를 사용하여 수행합니다. 단순히 턴별 성공뿐만 아니라 인접 통과 유지(Adjacent Pass Retention)를 측정하여 턴 간의 정보 유지 능력을 평가합니다. 여덟 개의 모델을 대상으로 한 결과, 가장 강력한 모델조차도 5턴 에피소드의 37.3%만을 완료하며 턴 통과율은 74.9%에 불과했습니다. 특히 도구 기반 작업에서는 인접 통과 유지율이 52.4%로 떨어지는 것으로 나타났습니다.

진단 분석 결과, 실패는 정보 구조, 파생 상태 전파 및 어포던스 바인딩에서의 상호작용 실패, 그리고 도구 기반 실패에서 외부 상태 접지 및 요구 사항 분해와 관련이 있습니다. 이러한 결과는 생성형 UI 평가를 개별 출력물을 판단하는 것에서 벗어나 결과물이 진화함에 따라 인터페이스 동작, 파생 상태, 외부 상태, 그리고 어시스턴트의 주장이 동기화되는지를 테스트하는 방향으로 재정립합니다.

추론 과정(CoT) 모니터링은 추론 경로가 모델의 답변을 형성하는 정보를 충실하게 기록한다고 가정합니다. 기존의 충실도 테스트는 종종 사용자 메시지에 명시적인 편향 신호를 배치하지만, 에이전트는 도구 반환이나 원시 결과물에서 선호도를 접할 수 있습니다. 이에 연구진은 큐 위치(사용자 메시지 또는 도구 반환)와 명시성(직접 요약 또는 원시 결과물)을 다양화한 5,100개의 샘플을 평가하는 FACE-Eval(Faithful Attribution of Cue Effects Evaluation)을 도입했습니다.

이 평가를 통해 연구진은 40억 개에서 1.6조 개에 이르는 15개의 오픈 가중치 모델을 평가했으며, 모든 모델에서 도구 반환 신호에 대한 명시적 약속보다 사용자 메시지 신호에 대한 명시적 약속이 더 낮은 언어화된 몰입도를 보였습니다. 또한, 도구 반환 신호와 암시적 신호 모두에서 언어화되지 않은 채택이 더 높게 나타났습니다.

특히, 모델 채널 비교에서 도구 반환 신호에 대한 언어화되지 않은 채택이 모든 15개 모델에서 더 높았으며, 이는 두 모니터(GPT-5.6-Luna 및 GPT-4o-mini)의 탐지 능력 감소와 관련이 있었습니다. 이러한 결과는 선호도 정보가 도구나 원시 결과물에서 도착하거나 추론되어야 할 때, 단일 호출 및 도구 사전 채움 설정 내에서 CoT 모니터링이 덜 신뢰할 수 있음을 시사합니다.

LLM 코딩 에이전트가 관련 애플리케이션 포트폴리오를 생성하고 유지할 때, 공유 로직이 중복되어 코드베이스 간에 중복이 발생하고 구조적 침식이 누적되는 문제가 제기되었습니다. 기존의 애플리케이션별 작업 방식은 공유 로직을 중복시키고 에이전트의 유지보수 과정에서 장황함, 데드 코드, 구조적 침식을 축적하게 만듭니다.

이러한 문제를 해결하기 위해 연구진은 에이전트가 N개의 관련 애플리케이션을 순차적으로 생성하면서 재사용 가능한 교차 애플리케이션 구성요소의 슈퍼 라이브러리를 유지하는 슈퍼 라이브러리 에이전트 문제를 도입했습니다. 최소한의 순차적 뼈대만으로는 공유 코드를 추출하고 라이브러리로 마이그레이션하는 데 어려움이 있으며, 실제로는 추출 재현율이 낮고 의존성 마이그레이션이 취약하다는 한계가 있었습니다.

연구팀은 이러한 실패를 극복하기 위해 코드 청크 요약을 통한 후보 기반 추출, 사전 추출 코드베이스 통합, 그리고 추출 흔적과 호출 그래프를 활용한 컨텍스트 인식 마이그레이션을 제안했습니다. 이 방법은 WebGen-Bench와 PaperBench에서 애플리케이션 기능을 보존하면서 제로샷 환경에서 중복과 토큰 사용량(장황함, 토큰 길이)을 크게 줄이며, 무분별한 라이브러리 구성으로 인한 구조적 침식을 방지했습니다.

결과적으로 이 방법은 LOC와 MDL을 추가적으로 감소시키며, 공유 코드를 효율적으로 관리하고 애플리케이션의 기능성을 유지하는 데 기여합니다. 해당 연구 코드는 https://github.com/sbigstar0310/super-library-agent에서 공개되어 있습니다.

비전-언어 사전 학습 모델을 기반으로 한 이미지 콘텐츠 조작 연구가 텍스트 기반 3D 장면 편집으로 확장되었습니다. 기존의 3D 장면 편집 방식은 고정된 입력 패턴을 따르기 때문에 텍스트 입력의 유연성이 제한적이며, 단일 또는 소수의 2D 시각 모델에 의해 편집 능력이 제약되고 복잡한 파이프라인 설계가 필요하다는 한계가 있었습니다.

이러한 문제를 해결하기 위해 본 연구는 3D 장면 편집을 2D 아틀라스 이미지에 대한 연산으로 재정의하는 Hash-Atlas 네트워크를 제안하여 2D 편집과 3D 재구성 프로세스를 분리합니다. 이를 기반으로 대화 기반 3D 장면 편집 접근 방식인 CE3D++를 도입했는데, 이는 대규모 언어 모델(LLM)을 중심으로 하여 사용자의 임의적인 텍스트 입력을 해석하고 이에 따라 관련 시각 모델을 자율적으로 호출할 수 있게 합니다.

나아가 CE3D++는 움직이는 객체에 운동 제약을 부과하고 편집 작업과 관련된 궤적 데이터셋을 생성하여 LLM을 추가로 미세 조정함으로써 단일 시각 모델이 아닌 여러 시각 모델을 효과적으로 통합하여 다양한 시각 편집 효과를 달성합니다. 이 결과, CE3D++는 강력한 장면 이해력과 다중 라운드 대화 능력을 갖추었으며, 더 나아가 단일 시점 4D 장면으로 확장하여 움직이는 객체에 대한 운동 제약을 적용할 수 있습니다.

특히, 궤적 데이터셋을 활용한 미세 조정을 통해 더 작은 LLM이 최대 30가지의 시각 도구를 정확하게 스케줄링할 수 있게 되었습니다. 이 연구는 3D 및 4D 장면 편집에서 LLM을 활용하여 사용자 상호작용을 통해 장면을 편집하는 새로운 방법을 제시하며, 관련 소스 코드와 학습된 모델은 GitHub에서 공개되어 있습니다.

멀티모달 안전 중재는 시각 콘텐츠, 사용자 의도, 그리고 어시스턴트 행동에서 발생하는 위험을 구별해야 합니다. 기존의 안전 장치는 단일 판단 목표로 훈련되어 안전 평가를 이진 결정으로 축소시키기 때문에, 멀티모달 상호작용 전반에 걸친 위험을 비교하기 어렵고 모호한 사례가 가려지는 문제가 있었습니다.

이에 연구진은 이미지, 요청, 응답 수준의 판단을 다섯 단계 순서 척도에 따라 제공하는 150만 개의 훈련 인스턴스를 포함하는 SafeAtlas-VL 데이터셋을 소개합니다. 이 데이터셋은 실제 및 합성 소스에서 안전 관련 데이터를 수집하고 불일치 인식 주석 절차를 적용하여 구축되었으며, 15가지 유해 범주와 55가지 세분화된 하위 범주를 포괄합니다. 또한 다섯 단계 예측과 연속 위험 점수를 평가하기 위한 5,000개의 인스턴스로 구성된 SafeAtlas-Bench도 함께 구축되었습니다.

이 데이터셋을 기반으로 멀티모달 안전 탐지를 위한 타겟 조건화 튜닝을 통해 SafeAtlas Guard 모델 시리즈를 훈련시켰습니다. 이 모델들은 안전 수준에 대한 다섯 가지 분류뿐만 아니라 소프트 누적 순서 헤드를 통해 안전을 연속 점수로 매핑하는 능력을 보여줍니다. 실험 결과, 이 데이터셋으로 훈련된 보호 모델들은 강력한 일반화 능력을 입증했습니다. 다른 벤치마크의 훈련 세트를 사용하지 않고도 해당 테스트 세트에서 경쟁력 있는 성능을 달성했습니다. 특히 80억 매개변수 모델은 F1 점수에서 이전 최고 성능(SOTA)보다 약 4% 향상된 전반적인 최고 성능을 달성했습니다.

연구진은 코드, 데이터, 모델을 공개하여 추가 연구를 지원하고 있으며, 이 논문에는 공격적이거나 유해하거나, 선정적이거나, 불쾌감을 줄 수 있는 예시 데이터가 포함되어 있음을 경고합니다.

강화 학습 미세 조정(RFT)은 대규모 모델의 추론 능력을 강화하는 데 점점 더 사용되고 있지만, 훈련 데이터의 선택 및 사용 방식에 따라 그 효과가 제한됩니다. 대부분의 데이터 중심 RFT 방법은 샘플의 가치가 훈련 기간 동안 고정되어 있다고 가정하는 정적 또는 발견적 샘플 선택에 의존하며, 이는 정책 학습의 비정상적 동역학을 간과하여 최적화가 미흡한 결과를 초래할 수 있습니다.

이에 우리는 RFT 전반에 걸쳐 데이터 활용을 적응적으로 만드는 원칙적이고 완전 자동화된 프레임워크인 동적 중요 예제 채굴(Dynamic Important Example Mining, DIAM)을 제안합니다. DIAM은 각 최적화 단계에 두 가지 구성 요소를 통합합니다. 첫째는 각 샘플의 정책 개선에 대한 한계 기여도를 효율적으로 근사하는 기울기 정렬 중요도 추정기입니다. 둘째는 최적화 안정화를 위해 업데이트의 기울기 크기를 보존하면서 집합적 유용성을 최대화하는 제약된 배치 재가중(constrained batch reweighting) 방식입니다.

여러 추론 벤치마크에서 DIAM은 강력한 정적 및 동적 기준선보다 일관되게 우수한 성능을 보였습니다. 이 방법은 RFT 과정에서 데이터 활용을 동적으로 조정함으로써 최적의 모델 업데이트를 가능하게 합니다. 관련 코드는 https://github.com/hrtan/DIEM을 통해 공개될 예정입니다.

잠재적 생성 모델은 일반적으로 재구성(reconstruction)을 위한 변분 오토인코더를 훈련한 후 고정된 잠재 공간에서 생성 모델을 훈련하는 2단계 파이프라인을 따릅니다. 하지만 재구성 최적화된 잠재 공간은 생성에 적합하지 않을 수 있어, 두 모델을 공동으로 훈련하는 것이 대안으로 제시됩니다. 그러나 직접적인 종단 간(end-to-end) 훈련은 잠재 붕괴(latent collapse)와 생성-재구성 충돌이라는 문제에 직면합니다.

연구진은 이러한 문제를 해결하기 위해 잠재 공간을 형성하는 목표의 차이를 분석하여 두 가지 핵심 통찰을 발견했습니다. 첫째, 쿨백-라이블러 발산(Kullback-Leibler divergence) 목표에 포함된 엔트로피 항이 붕괴를 방지하는 데 필수적이며, 이는 재구성 및 사전 적합이 사후 확률을 수축시키는 반면 엔트로피는 비퇴화된 잠재 불확실성을 보존한다는 것입니다. 둘째, 재구성과 생성은 비대칭적인 학습 역학을 보입니다. 재구성은 빠르고 강력하게 지도되는 반면, 생성은 더 느리고 최적화하기 어렵습니다.

이러한 통찰을 바탕으로 연구진은 잠재 붕괴 없이 직접적인 종단 간 훈련을 달성하기 위해 생성 전에 재구성을 수행하는 간단한 전략인 GenFirst를 제안했습니다. GenFirst는 약한 재구성 압력 하에서 잠재 공간을 형성한 후 시각적 세부 사항을 복구하기 위해 재구성을 점진적으로 강화합니다. 이 방법론을 통해 SiT는 ImageNet-256에서 CFG 조건 하에 gFID 0.97, CFG 조건 없이 1.45를 달성했으며, MMDiT는 텍스트-이미지 생성에서 GenEval 점수 0.90을 기록했습니다.

나아가 연구진은 이 프레임워크를 생성 및 표현 학습을 위한 공유 시각적 잠재 공간으로 확장하고 연속적인 통합 텍스트-이미지 생성으로 확장했습니다. 이러한 결과는 생성적 사전 및 양식 전반에 걸쳐 안정적인 종단 간 잠재 학습의 일반성을 입증합니다.

Qubes OS 보안 공지(QSB) 118에 따라 dom0에서 qvm-copy-to-vm 오류 보고를 통해 임의의 코드 실행이 가능해지는 취약점이 발견되었습니다. 공격자가 악성 qube를 통해 dom0에서 해당 기능을 사용하면 dom0에 임의의 명령을 주입하여 Qubes OS 전체를 장악할 수 있습니다.

이 취약점은 qvm-copy-to-vm 도구가 파일 이름을 처리하고 오류를 보고하는 과정에서 발생합니다. 파일 이름에 대한 안전성 검사 함수인 sanitize_remote_filename이 비ASCII 문자나 따옴표만 제거할 뿐 셸 메타 문자는 그대로 남겨두기 때문에, 이 파일 이름이 시스템 명령으로 전달될 때 공격자가 주입한 명령이 실행될 수 있습니다.

구체적으로 오류 처리 과정에서 system() 함수가 사용되면서 이 취약점이 악용됩니다. 이 문제는 dom0에서 실행되는 qvm-copy-to-vm의 VM 변형에는 영향을 미치지 않으며, 해당 변형은 system()을 사용하지 않기 때문에 안전합니다. 따라서 모든 Qubes OS 릴리스에 대해 패치를 적용해야 합니다.

미국 지리명 정보 시스템(GNIS)이 '레이크 온타리오(Lake Ontario)'의 명칭을 '레이크 아메리카(Lake America)'로 공식 변경했습니다. 구글은 이러한 공식 정부 출처의 변경 사항을 반영하기 위해 구글 지도(Maps)를 업데이트하고 있습니다.

이 변경 사항은 지리적 위치에 따라 사용자에게 다르게 표시됩니다. 미국 내 사용자들은 지도에서 '레이크 아메리카'로 표시하게 되며, 캐나다 내 사용자들은 여전히 '레이크 온타리오'로 표시됩니다. 미국과 캐나다 외 지역의 사용자들은 두 가지 이름이 모두 표시됩니다.

이는 국가별로 이름이 다른 수역에 대한 구글의 장기 정책을 따르는 것입니다. 개발자나 지도 서비스를 이용하는 사용자는 이러한 지리적 이름 변경이 어떻게 시스템에 반영되고 지역별로 어떻게 다르게 표시되는지 이해해야 합니다.

제9 순회 법원이 캘시(Kalshi) 도박 관련 분쟁에서 주(state)들의 입장에 동조했습니다. 이는 아리조나의 기소 가능성을 재개할 수 있는 잠재적인 발판을 마련했다는 점에서 중요한 의미를 가집니다.

이 판결은 주 정부들이 캘시 플랫폼을 둘러싼 법적 싸움에서 지지받았음을 의미하며, 이는 아리조나 주에서 진행되던 사안의 재개 가능성을 높입니다. 해당 분쟁은 주 정부와 연방 당국 간의 규제 및 법적 권한에 대한 논쟁을 포함하고 있습니다.

이러한 움직임은 캘시 플랫폼을 통한 도박 관련 규제 환경에 영향을 미치며, 향후 주 정부와 연방 법원 간의 관계에 중요한 선례를 남길 수 있습니다. 다만, 이 사안이 아리조나의 기소 가능성을 실제로 어떻게 변화시킬지는 추가적인 법적 절차와 논의에 달려 있습니다.

지역 팝 펑크 밴드가 Flock 시스템을 비판하는 발언을 공개했습니다. 이들은 공연 중 "다른 밴드들을 위해 머물러라, 바텐더에게 팁을 주고, 플록 카메라들을 파괴하라"는 농담을 던졌다고 보도되었습니다.

이 발언은 사생활 감시 기술인 Flock 카메라 시스템에 대한 대중의 인식을 반영하며 논란을 일으키고 있습니다. 특히 카메라 파괴를 언급한 부분은 해당 기술의 설치 및 사용에 대한 비판적인 시각을 드러냅니다.

이는 기술이 일상생활에 침투하는 것에 대한 문화적 반발을 보여주는 사례로 해석될 수 있습니다. 개발자 관점에서 볼 때, 이러한 논란은 사생활 보호와 감시 기술의 윤리적 경계에 대한 사회적 논의가 기술 환경에 미치는 영향을 이해하는 데 중요한 맥락을 제공합니다.

LLM 에이전트가 복잡한 취약점 연구를 수행할 때 기존에 확립한 사실들을 시간이 지나면서 잊어버리거나 잘못된 가정에 기반하여 추론을 계속하는 문제가 발생합니다. 연구 과정에서 특정 객체가 다른 객체를 가리킨다는 사실을 추론했는데 나중에 그 사실이 틀렸음이 밝혀지더라도, 모델이 이전 대화 기록 전체를 바탕으로 결론을 재구성하여 잘못된 추론을 지속할 위험이 있습니다.

이 문제를 해결하기 위해 단순히 대화 기록을 저장하는 대신, 프로그램 분석에서 사용되는 방식처럼 사실과 규칙을 기반으로 상태를 관리하는 접근법이 제안되었습니다. 이는 입력 사실이 변경되었을 때 전체 추론을 다시 시작하는 대신, 변경된 부분에만 영향을 미치는 결과를 업데이트하거나 무효화하는 방식입니다.

이러한 아이디어를 바탕으로 Datalog 엔진을 활용하여 LLM의 상태를 관리하는 Lemmalog라는 시스템이 개발되었습니다. Lemmalog는 LLM이 자신의 지식을 유지하는 데 책임을 지지 않고, 대신 사실과 의존성(dependencies)을 관리하여 지식 업데이트와 시간적 상태를 보존하는 데 중점을 둡니다.

실제 실험 결과, Lemmalog는 전체 컨텍스트를 제공하는 방식보다 특정 작업에서 더 높은 성능을 보였으며, 이는 LLM이 기억을 보존하는 것이 단순히 더 큰 컨텍스트 창을 제공하는 것보다 효과적일 수 있음을 시사합니다. 이는 에이전트가 잘못된 가설을 부활시키거나 환각을 일으키는 것을 방지하고, 현재 상태를 유지하도록 돕는 데 중요한 진전을 의미합니다.

중국 자동차 제조업체들이 로봇이 차세대 수익 창출 기제가 될 것이라는 테슬라의 베팅을 따라 움직이고 있습니다. 로봇에 대한 기대감은 물리적 능력과 대규모 언어 모델(LLM) 기반 AI 기술의 발전으로 인해 가속화되었으며, 이러한 기술 발전은 복잡한 로봇이 거의 모든 작업을 학습할 수 있게 만들었습니다. 이러한 기술적 진보에 힘입어 여러 기업들이 휴머노이드 로봇에서 수익을 창출할 가능성에 투자하고 있으며, 특히 중국 자동차 회사들이 주요 참여자로 부상하고 있습니다.

Xpeng의 로보틱스 부문은 최근 9억 달러 이상을 유치하며 중국의 ‘구체화된 AI(embodied AI)’ 산업에서 가장 큰 단일 라운드 민간 자금 조달 기록을 세웠습니다. Chery 자동차의 로보틱스 부문인 AiMOGA는 IPO를 준비 중이며, BYD는 휴머노이드 로봇인 샤오디(Xiao Di)를 공개했습니다. 창안, GAC, 리오, SAIC, 세레스 등 다른 중국 자동차 제조사들도 휴머노이드 로봇 개발에 박차를 가하고 있습니다.

이들 기업 중 Xpeng은 자율성에 가장 집중하며 휴머노이드 로봇에 가장 적극적으로 투자하고 있습니다. Xpeng은 상업적 배포를 목표로 하는 휴머노이드 로봇인 아이언(Iron)에 베팅하고 있으며, 이는 제조 역량을 바탕으로 하드웨어 측면에서 경쟁 우위를 확보하려는 전략입니다. 하지만 이러한 경쟁에서 승리하기 위해서는 AI 측면에서 테슬라를 따라잡을 수 있는 기술적 격차를 해소하는 것이 핵심 과제입니다.

휴머노이드 로봇 분야에서는 Agility Robotics, Apptronik, Figure와 같은 다른 회사들도 상업적 배포를 목표로 경쟁하고 있으며, 휴먼다이드를 소유한 보스턴 다이내믹스는 이 목표에 더 가까워지고 있습니다. 또한 모빌아이(Mobileye)와 같은 공급업체들도 휴머노이드 로봇 스타트업을 인수하며 이 분야에 진출하고 있습니다.