읽을 가치가 있는 기사만, 짧고 또렷하게.

Mac의 화면을 iPhone이나 iPad에서 실시간으로 스트리밍할 수 있는 오픈 소스 프로젝트인 Sill이 공개되었습니다. 이 애플리케이션은 Mac의 창이나 전체 데스크톱을 터치, Apple Pencil, 트랙패드, 키보드 입력으로 캡처하여 HEVC 비디오로 인코딩한 후 기기로 전송하는 방식으로 작동합니다.

Sill은 서버 없이 작동하며, Mac과 모바일 기기가 USB 케이블 또는 Tailscale과 같은 VPN을 통해 직접 무선 연결을 통해 데이터를 주고받는 구조를 가지고 있습니다. 이는 중간 서버 없이 기기 간의 연결을 구현하여 보안성과 효율성을 높인 기술적 접근을 보여줍니다.

이 프로젝트는 Mac에서는 ScreenCaptureKit과 VideoToolbox를 사용하여 화면을 캡처하고 인코딩하며, 모바일 기기에서는 앱을 통해 이를 수신하는 방식으로 구현되었습니다. 개발자는 Homebrew를 통해 설치하거나 소스 코드를 기반으로 빌드할 수 있으며, 프로젝트는 Apache-2.0 라이선스로 공개되어 있습니다.

Sill을 개발하고 기여하기 위해서는 Swift 및 Apple 프레임워크만을 사용하며 서버 의존성이 없는 코드를 유지해야 하며, 보안 문제 보고는 공개 이슈가 아닌 별도로 진행하도록 권고하고 있습니다.

테슬라 로드스터에 대한 기사는 테슬라의 고성능 전기차 모델에 대한 정보를 다루고 있습니다. 해당 기사는 테슬라 공식 웹사이트의 로드스터 페이지로 연결되며, 개발자 커뮤니티에서는 관련 논의가 활발하게 이루어지고 있습니다.

이 기사는 테슬라 로드스터의 기술적 사양이나 개발 관련 정보에 관심 있는 사용자들에게 중요한 참고 자료가 될 수 있습니다. 특히 관련 댓글이 106개 달렸다는 점은 커뮤니티 내에서 이 모델에 대한 사용자들의 관심과 논의가 상당함을 보여줍니다.

해당 페이지는 테슬라 로드스터의 제품 정보와 함께 하드웨어 및 소프트웨어 측면에서 논의되는 다양한 의견을 담고 있습니다. 개발자들은 이 정보를 통해 전기차 플랫폼의 기술적 구현 방식이나 미래 모빌리티 기술의 발전 방향에 대한 통찰을 얻을 수 있습니다.

테슬라는 다음 세대 로드스터를 웨코, 텍사스에서 시연하며 이목을 집중시켰습니다. 이 전기 슈퍼카는 운전 중 거꾸로 운행하고 잠시 비행하며 1초도 안 되어 60마일(약 96km/h)까지 가속하는 인상적인 모습을 선보였습니다. 이는 일론 머스크가 약속한 비행 자동차의 가능성을 시각적으로 보여주는 시연이었습니다.

이번 행사는 제품 공개라기보다는 일종의 스턴트 쇼에 가까웠으며, 가격, 트림 레벨, 출시일과 같은 구체적인 세부 정보는 전혀 언급되지 않았습니다. 이는 실제 제품 출시 전에 기술적 가능성과 디자인의 잠재력을 과시하려는 의도로 해석됩니다.

하지만 이러한 시연은 향후 생산될 차량에 대해 상당한 제약과 제한이 따를 수 있음을 시사합니다. 테슬라가 이 차량을 실제 양산 단계로 진행할 경우, 기술적 구현과 안전 문제에 대한 중대한 고려 사항이 뒤따를 것으로 보입니다.

머스크는 이 하이퍼카가 2028년에 생산될 것이라고 약속했지만, 실제 제품에 대한 구체적인 정보는 아직 공개되지 않았습니다. 따라서 개발자나 기술 분야 종사자들은 이 시연을 통해 미래 전기차 기술의 잠재력과 함께 실제 상용화 과정에서 발생할 수 있는 현실적인 제약 조건들을 염두에 두고 정보를 분석할 필요가 있습니다.

자동차 제조사가 텍사스에서 차세대 럭셔리 스포츠카를 공개했습니다. 이 차량은 공중으로 띄울 수 있는 추진 장치를 탑재하고 있다는 점이 주요 내용입니다.

이번 공개에서 선보인 새로운 스포츠카는 단순한 이동 수단을 넘어 비행 능력을 갖추게 되었다는 점이 주목받고 있습니다. 차량에 장착된 추진 장치는 실제로 차를 공중에 띄울 수 있는 기능을 제공합니다.

이는 기존의 자동차 디자인과 성능 개념을 확장하며 새로운 모빌리티의 가능성을 제시합니다. 향후 이 차량이 어떤 기술적 제약과 상업화 계획을 가지고 출시될지에 대한 관심이 높아지고 있습니다.

테슬라는 스페이스X 추진기를 탑재한 2세대 로드스터를 공개하며 공중 비행과 낙하 시연을 선보였습니다. 일론 머스크 CEO는 텍사스에서 이 차량이 고성능 팬과 추진기를 사용하여 공중에서 회전하고 착지하는 시연을 보여주었습니다. 이 차량은 실제로 도로를 달릴 수 있는 차세대 차량이 될 것이라고 강조하며, 안전보다는 혁신적인 경험에 중점을 두겠다는 입장을 밝혔습니다.

이 로드스터는 공중에서 움직이는 동안 사이버캡, 사이버트럭, 테슬라 세미, 모델 Y, 모델 3 차량 위를 띄우는 데 추진기를 사용했습니다. 엔지니어링 부문은 이 차량이 공중에서 움직이고 회전하기 위해 600리터의 압축 공기와 10개의 노즐을 사용한다고 설명했습니다. 이 공기 탱크는 재충전이 가능하며, 이는 테슬라와 스페이스X 엔지니어들의 협업으로 탄생한 결과입니다.

다만 이 프로젝트는 개발 과정에서 많은 지연을 겪었습니다. 머스크는 로드스터 개발을 다른 차량 프로젝트에 집중하면서 2020년부터 2024년까지 공개를 연기했으며, 최종적으로 2026년 4월로 공개 시점을 미루었습니다. 이러한 반복적인 지연은 일부 고객들의 논란을 낳았으며, 테슬라가 로드스터를 출시하는 과정에서 발생한 개발 및 생산의 어려움이 주목받고 있습니다.

RPKI는 인터넷 경로의 70%를 보호하며, 이는 작년 대비 54%에서 크게 증가한 수치입니다. 이는 BGP(Border Gateway Protocol) 라우팅 발표에 대한 신뢰 문제를 해결하기 위해 도입되었으며, IP 주소 블록 소유자가 해당 경로를 발표할 수 있는 자율 시스템(AS)을 지정하는 Route Origin Authorization(ROA) 기록을 통해 작동합니다. 네트워크 운영자는 이 기록을 비교하여 유효하지 않은 경로를 거부할 수 있습니다.

RPKI 유효 경로의 비율은 2025년 9월 54.0%에서 2026년 9월 70.3%로 증가했으며, 이는 16.4%p의 상승으로 1년 만에 30% 증가한 수치입니다. 이러한 증가분은 주로 중국에서 발생했는데, 중국의 IPv4 주소 중 유효 경로에 포함된 비율이 2023년 3.7%에서 2026년 65.0%로 급증하며 전체 증가분의 상당 부분을 차지했습니다.

RPKI가 라우팅을 불안정하게 만들지는 않으며, 유효하지 않은 경로의 전파는 제한적입니다. 특히, 유효하지 않은 경로를 단순히 집계하는 것은 특정 국가의 실제 영향을 과장할 수 있으므로, 각 경로를 여러 관측 지점(vantage points)이 보는 정도를 가중치로 고려하여 분석해야 합니다. 이를 통해 유효하지 않은 경로의 실제 영향을 더 정확하게 파악할 수 있습니다.

마케팅 엔지니어는 고객 조사, 페이지 제작, 광고 생성, 데이터 연결, 실험 실행을 직접 수행하는 역할을 합니다. 이들은 이러한 복잡한 과정을 통해 여러 AI 에이전트를 연결하여 캠페인을 지속적으로 생성하는 시스템을 구축합니다.

과거 마케팅에서 가장 큰 병목 현상은 아이디어를 내는 것보다 실행에 필요한 인력과 조율에 있었습니다. 따라서 마케팅 엔지니어의 역할은 아이디어 발상 단계를 넘어 실제 실행과 시스템 통합에 중점을 두어 효율성을 극대화하는 데 있습니다.

이제 AI 에이전트는 이러한 실행 과정을 자동화하고 확장하는 데 핵심적인 도구로 활용됩니다. 마케팅 엔지니어는 AI 에이전트를 활용하여 더 많은 실험을 100배 더 많이 수행함으로써 마케팅 프로세스의 효율성과 규모를 혁신할 수 있습니다.

이러한 접근 방식은 마케팅 실행의 병목을 해소하고, 인력과 조율의 부담을 줄여 데이터 기반의 실험을 대규모로 진행할 수 있게 합니다. 결과적으로 마케팅 엔지니어는 단순한 실행자가 아닌, AI 에이전트 기반의 캠페인 시스템을 설계하고 관리하는 핵심 역할을 수행하게 됩니다.

월간 소셜 조회수를 0에서 1억 회까지 늘리는 3단계 전략에 따르면, 초기 단계에서는 단순히 조회수를 늘리는 것보다 제품에 실제 관심이 있는 잠재 고객을 모으는 것이 훨씬 중요합니다. 제품과 무관한 바이럴 콘텐츠로 팔로워 수를 늘릴 경우, 이들이 이후 제품 콘텐츠에 반응하지 않아 장기적인 성장에는 부정적인 영향을 미칠 수 있습니다.

성공적인 성장을 위해서는 초기부터 제품에 대한 관심도를 확보하는 데 집중해야 합니다. 이를 위해 월 100만 조회수 달성까지는 창업자 중심의 콘텐츠로 시작하는 것이 효과적입니다. 창업자 중심 콘텐츠는 제품에 대한 진정성을 전달하며 초기 잠재 고객과의 신뢰를 구축하는 데 유리합니다.

이 전략을 실행할 때는 콘텐츠를 매일 게시하고 지속적으로 개선하며 사용자 반응을 살피는 것이 필수적입니다. 이러한 과정을 통해 잠재 고객을 유입시키고 장기적인 제품 성장을 위한 기반을 마련할 수 있습니다.

플랫폼은 여전히 최고의 사업 모델로 평가받고 있습니다. 이는 구매자와 판매자, 사용자와 개발자처럼 참여자 사이의 직접적인 상호작용을 연결하는 데 중점을 둡니다.

이러한 플랫폼은 네트워크 효과와 적은 자산 부담을 결합하여 수익성, 확장성, 그리고 지속적인 경쟁우위를 확보할 수 있습니다. 참여자들이 직접 상호작용하며 가치를 창출하는 구조가 핵심입니다.

실제로 에어비앤비의 숙소나 유튜브의 콘텐츠처럼, 플랫폼은 호스트와 창작자 같은 참여자들을 연결하여 사업을 확장해 왔습니다. 따라서 플랫폼의 성공은 참여자들의 직접적인 상호작용을 얼마나 효과적으로 연결하고 관리하느냐에 달려 있습니다.

이 글은 인공지능이 생성하는 결과의 양이 인간의 이해보다 앞서는 연구 문화를 풍자하며 과학과 수학을 하는 이유를 되묻는 내용을 담고 있습니다. 이론물리학자 릭압 감비르의 풍자글이 테렌스 타오의 블로그에 실려 논의의 시작점이 되었습니다.

특히 OpenAI가 수학 문서를 대량 공개한 사건은 이러한 논의를 촉발하는 배경이 됩니다. 이는 AI가 방대한 지식을 생성하고 공개하는 현상이 인간의 이해 속도를 압도할 때, 우리가 과학과 수학을 추구하는 근본적인 목적은 무엇인지에 대한 질문을 던지게 합니다.

결국 이 글은 AI가 제공하는 지식의 폭발적인 양 속에서 인간의 역할과 연구 문화의 의미를 재고하도록 유도합니다. AI가 생성하는 결과의 양이 인간의 이해를 능가하는 상황에서 과학과 수학이 가지는 가치와 동기에 대해 깊이 생각해 볼 필요가 있습니다.

WP Engine은 교육과 개별 코칭을 포함하여 목표 및 핵심 결과(OKR) 도입을 네 차례 시도했지만 모두 실패했습니다. 이러한 시도들에서 매번 돌아온 피드백은 “제대로 하지 않았다”는 것이었습니다.

이러한 결과가 반복될 때 조직은 실행의 문제로만 프레임워크의 실패를 돌리는 것을 넘어 프레임워크 자체가 조직에 적합한지 질문해야 합니다. 실패할 때마다 더 정확한 이해와 실행을 요구하면서 무엇이 ‘제대로’ 수행된 것인지 명확하게 정의하지 않으면 지속적인 시행착오만 반복될 수 있습니다.

따라서 조직은 단순히 실행 방식을 개선하는 것을 넘어, 프레임워크의 정의와 실행 기준을 명확히 설정하는 데 집중해야 합니다. 무엇이 성공적인 실행인지에 대한 기준을 정의하지 않으면 프레임워크 도입의 의미를 찾기 어렵습니다.

AI 코딩의 품질 검증 병목 지점이 코드 작성 자체에서 코드의 정확성 검증으로 이동하고 있습니다. 이는 AI가 생성한 코드의 오류를 사람이 수동으로 찾아 수정해주는 방식보다 에이전트가 스스로 변경하고 검사하며 수정하는 반복 과정을 거치게 함으로써 품질을 크게 향상시킬 수 있다는 내용입니다.

이러한 에이전트 기반의 반복적인 검증 과정은 AI가 단순히 코드를 생성하는 것을 넘어 실제 요구사항에 부합하는 정확한 결과물을 도출하는 데 필수적입니다. 에이전트가 스스로 오류를 발견하고 수정하는 순환 구조를 갖추게 되면, 개발자가 개입해야 하는 오류 수정 작업의 부담을 줄이고 전체적인 코드 품질을 높일 수 있습니다.

또한, 이러한 맥락에서 E2E 테스트는 실제 사용자 흐름을 기준으로 설계되어야 합니다. 이는 AI가 생성한 코드가 실제 사용 환경에서 제대로 작동하는지 검증하는 데 중요한 기준이 되며, 에이전트 기반의 검증 시스템이 실제 사용자 경험을 반영하여 코드를 검증하는 데 활용될 수 있음을 시사합니다.

자체 애플리케이션 내에서 AI 에이전트를 만들고 그 실행 과정을 직접 제어하고자 하는 개발자를 위한 Python/TypeScript SDK가 공개되었습니다. 이 SDK는 개발자가 모델과 클라우드를 자유롭게 선택하여 에이전트의 실행을 직접 제어할 수 있도록 지원합니다.

이 SDK의 가장 큰 장점은 유연성과 확장성에 있습니다. 개발자는 특정 모델이나 클라우드에 얽매이지 않고 원하는 환경을 선택할 수 있으며, 에이전트 코드를 독립적으로 유지할 수 있어 향후 규모가 커지거나 백엔드를 교체하더라도 코드의 유지보수가 가능합니다.

또한, 에이전트 운영에 필수적인 기능들이 기본으로 제공됩니다. 구체적으로 맥락 관리, 실행 제한, 관측 기능을 기본으로 제공하여 에이전트의 복잡한 실행 과정을 효과적으로 관리할 수 있도록 돕습니다.

웹용 손실 압축 사진 포맷인 JPEG XL과 AVIF를 웹 활용 사례를 중심으로 비교한 결과, 대체로 AVIF가 더 작은 파일 크기를 제공합니다. 같은 품질을 유지할 때 JPEG XL은 기본 압축 노력 설정 기준 보통 15~25%, 최대 설정 기준 6~20% 더 큰 압축 노력을 요구하지만, 일부 사진에서는 JPEG XL이 더 나은 결과를 보였습니다.

스크린샷, 일러스트, 투명 이미지와 같은 다양한 웹 콘텐츠 포맷에서도 AVIF가 비트 단위로 우위를 점하며 효율적인 압축을 보여줍니다. 이는 웹 환경에서 이미지 전송 및 로딩 속도를 최적화하는 데 중요한 의미를 가집니다.

따라서 웹 환경에서 손실 압축 사진을 다룰 때는 파일 크기 최소화가 중요하며, 특히 다양한 이미지 유형을 포괄하는 AVIF의 사용이 유리합니다. 다만, 특정 사진의 경우 JPEG XL이 더 나은 압축 효율을 보일 수 있으므로 사용 목적에 따라 두 포맷 중 적절한 것을 선택해야 합니다.

Haxy가 프리뷰로 공개되어 개발자 협업 플랫폼에 새로운 접근 방식을 제시합니다. Haxy는 이슈, 풀 리퀘스트, 토론과 같은 프로젝트 메타데이터를 Git 저장소에 보관하고 관리할 수 있도록 설계된 플랫폼입니다.

이 플랫폼의 핵심은 프로젝트 메타데이터를 코드처럼 복제하고 로컬 환경에서 조회, 편집한 뒤 다시 푸시할 수 있도록 하는 데 있습니다. 이는 프로젝트의 상태와 정보를 Git의 강력한 버전 관리 시스템을 활용하여 코드처럼 다룰 수 있게 함으로써 협업의 효율성을 극대화합니다.

Haxy는 SSH 기반 터미널 UI와 웹 UI를 모두 제공하여 다양한 환경에서 접근성을 확보합니다. 특히 로컬에서 메타데이터를 변경하고 저장소에 반영하는 작업에는 저장소 커밋 권한이 필요하도록 설계되어 있어, 변경 사항에 대한 명확한 권한 관리가 가능합니다.

디컴파일 진행 상황을 모아 보여주던 decomp.dev가 공개 목록과 순위표가 가져오는 해악이 이익보다 크다는 판단을 내리고 메인 목록과 신규 프로젝트 등록을 중단했습니다. 이는 플랫폼 운영 방향에 대한 중요한 변화를 의미합니다.

이러한 결정은 공개 목록과 순위표가 사용자들에게 미치는 부정적인 영향이 제공하는 이점보다 크다고 판단했기 때문에 내려졌습니다. 플랫폼은 사용자 경험과 데이터 공개의 균형을 재고하며 운영 정책을 조정했습니다.

다만, 기존 프로젝트에 대한 추적 기능은 계속 유지됩니다. 사용자들이 이미 등록한 개별 프로젝트 페이지와 과거 데이터는 그대로 보존되어 접근 가능합니다.

거대 언어 모델(LLM)의 발전은 일반화된 체화된 인공지능(embodied AI)으로 나아가는 길을 열었으며, LLM이 물리적 세계에서 어떻게 행동할 수 있는지에 대한 질문을 제기하고 있습니다. 기존에는 로봇 행동 데이터를 수집하고 LLM 아키텍처를 행동 헤드로 정제하여 비전-언어-행동(VLA) 모델을 대규모로 훈련하는 방식이 주요 접근법이었습니다.

하지만 연구진은 코딩 에이전트가 일반화된 체화된 조작을 실현할 잠재력이 있으며, 이를 위해서는 단순하면서도 효과적인 로봇 하네스가 필요하다고 주장합니다. 이들은 LLM 에이전트에게 시각-기하학적 제어 패널을 제공하여 체화된 작업을 직접 이해하고 호출할 수 있게 하는 로봇 하네스인 RoboHarness를 제시했습니다.

RoboHarness를 구현함으로써 Qwen3.8-Flash-Next 모델은 BEHAVIOR Challenge 2025 과제에서 기존의 최첨단 VLA 모델들을 능가하는 성능을 보였습니다. 이 연구는 LLM 에이전트가 물리적 환경을 제어하는 데 필요한 인터페이스의 중요성을 강조하며, 해당 구현은 오픈 소스로 공개되었습니다.

재귀적 자기 개선(RSI)은 연구를 안내하고 진보를 평가하기 위해 평가 피드백에 의존하지만, 복잡한 벤치마크를 반복적으로 실행하는 것은 비용이 많이 들고 반복 속도를 늦춥니다. 인간 전문가들은 이러한 비용을 줄이기 위해 벤치마크 부분 집합을 선택하거나 간결한 테스트 세트를 설계하여 비용을 절감해 왔습니다. 이에 따라 AI 에이전트가 이러한 설계 과정을 자동화할 수 있는지 탐구하기 위해 자율 평가 연구를 위한 벤치마크인 EvalResearchBench(ERB)를 제안합니다.

ERB에서는 목표 자료, 개발 참조, 후보 API, 고정된 시간 및 API 예산이 주어졌을 때, 에이전트가 연구자 역할을 수행하여 작업을 선택하거나 합성하고, 평가자(grader)를 구현한 후 파일럿 테스트를 통해 수정하는 과정을 거칩니다. 연구진은 9명의 연구자와 13개의 후보 모델을 대상으로 이 평가자들을 14개의 목표 벤치마크와 비교하여 점수 일치도와 쌍별 합의도를 측정했습니다.

분석 결과, 가장 좋은 평가자들은 후보 쌍의 약 75%를 목표로 설정하는 데 성공했으며, 목표들 간의 불일치로 인해 설정된 91%의 상한선 아래에서 결과가 나왔습니다. 또한, 연구자마다 모든 지표에서 우위를 점하지 못했으며, 개발 목표에서 가장 좋은 평가자가 숨겨진 목표에서 가장 좋은 평가자는 아님을 발견했습니다.

인간이 설계한 공개 작업 샘플은 여전히 강력한 기준선으로 남아 있으며, 기록된 실행 비용이 가장 낮은 평가자가 가장 높은 쌍별 합의도를 달성했습니다. 에이전트가 파일럿 피드백을 통해 작업과 평가자를 개선할 수 있지만, 평가자는 여전히 답변을 자르거나 평가 예산을 소진하거나 소수의 질문이 특정 도메인 점수를 지배하도록 허용할 수 있다는 한계가 있습니다.

비전-언어-행동(VLA) 모델은 범용 로봇 조작에 큰 잠재력을 보이지만, 실시간 제어를 위한 추론 비용이 주요 병목으로 남아 있습니다. 특히 $\pi_{0.5}$와 같은 플로우 매칭 VLA에서는 반복적인 디노이징 과정에서 액션 전문가가 계속 평가되어 이 비용 문제가 더욱 두드러집니다. 이에 본 논문은 플로우 매칭 VLA 정책을 위한 효율적인 맘바(Mamba) 액션 전문가인 MambaAct를 제안합니다.

MambaAct는 $\pi_{0.5}$의 사전 학습된 시각-언어 접두사 인코더는 유지하면서, 기존의 트랜스포머 기반 액션 전문가를 보다 컴팩트한 맘바 기반 액션 전문가로 대체합니다. 이 전문가 내부에서 맘바는 노이즈가 있는 연속 액션 시퀀스 전반의 의존성을 모델링하는 액션 믹서 역할을 수행합니다. 또한, 반복적인 토큰 레벨 교차 어텐션 없이 시각-언어 조건화를 보존하기 위해 MambaAct는 경량의 컨텍스트 압축기(Context Compressor)를 사용하여 시각-언어 모델(VLM) 접두사 토큰을 각 맘바 액션 블록을 게이팅하고 조절하는 압축된 조건 신호로 매핑합니다.

MambaAct는 액션 전문가를 10배 작게 만들었으며, LIBERO에서 플로우 매칭 디노이징 지연 시간을 64.8% 감소시키고 실제 환경 배포에서는 58.8%를 줄였습니다. 이와 함께 세 번의 독립적인 파인 튜닝 시드에서 평균 LIBERO 성공률을 1.08 퍼센트 포인트 향상시켰으며 LIBERO-Plus 및 실제 환경 벤치마크에서도 이득을 유지했습니다. 이 모델의 코드와 가중치는 공개되어 있으며 GitHub에서 접근 가능합니다.

370만 개의 지도 다각형을 489밀리초 만에 삼각형으로 분할하는 작업에서 새로운 알고리즘이 기존 방식보다 훨씬 빠르게 처리됨을 입증했습니다. 이 연구는 지도 데이터가 주로 다각형으로 구성되어 있기 때문에, 렌더링이나 시뮬레이션을 위해 다각형을 삼각형으로 나누는 과정의 효율성을 극대화하는 데 초점을 맞춥니다.

연구진은 다각형을 삼각형으로 분할하는 두 가지 주요 방법인 델로네 삼각분할(Delaunay)과 귀 자르기(Ear Clipping)를 비교했습니다. 델로네 방식은 점들의 원 규칙을 사용하여 가장 큰 최소 각도를 갖는 삼각형을 생성하며, 귀 자르기 방식은 다각형의 모서리를 잘라 삼각형을 생성하는 방식입니다. 이 과정에서 구현 방식에 따라 성능 차이가 발생하며, C++ 환경에서는 `earstrip`이 `earcut.hpp`보다 14% 빠르며, 브라우저 환경에서는 `earcut.js`보다 1.4배에서 2.1배까지 빨랐습니다.

성능 차이는 구현 방식에 따라 크게 달라지는데, 좌표를 JavaScript 숫자로 전달하고 배열을 반환하는 방식은 `earcut.js`보다 1.4배 빠르지만, 모듈 내부 루프를 사용하는 방식과 비교하면 성능 차이가 줄어듭니다. 특히, 다각형의 모서리 테스트나 버킷 처리를 생략하고 직접적인 메모리 접근을 통해 처리할 경우, `earcut.js`보다 1.7배에서 2.1배까지 속도가 향상될 수 있습니다.