읽을 가치가 있는 기사만, 짧고 또렷하게.

Vim Classic은 안정적이고 신뢰할 수 있는 편집기를 제공하기 위해 Vim 8.x 버전을 장기적으로 유지보수하는 포크 프로젝트입니다. 이 프로젝트는 사용자들에게 신뢰할 수 있는 개발 환경을 제공하는 데 중점을 두고 개발되었습니다.

Vim Classic의 첫 버전인 8.3.0이 2026년 6월 2일에 출시되었습니다. 이 버전은 기존 Vim 8.x의 안정성을 기반으로 하여 장기적인 지원을 목표로 합니다.

특히 주목할 점은 Vim Classic이 생성형 AI 도구의 도움 없이 전적으로 사람이 직접 유지보수한다는 사실입니다. 이는 소프트웨어의 안정성과 방향성이 개발자의 의도에 따라 엄격하게 관리됨을 의미합니다.

자작 휴대형 컴퓨터인 슬러프탑은 라이젠 7 7730U 미니 PC를 기반으로 제작된 x86 시스템입니다. 이 장치는 14인치 화면, 기계식 키보드, 트랙볼을 통합하여 운반형 컴퓨터로서의 기능을 제공합니다.

슬러프탑의 가장 독특한 점은 전원 공급 방식에 있습니다. 이 컴퓨터는 24V 코발트 전동공구 배터리를 사용하여 구동되며, 승강압 회로와 UPS 전원 전환 모듈을 통해 외부 전원과 배터리 사이를 전환하며 전력을 관리합니다.

이러한 설계는 전동공구 배터리를 활용하여 휴대성과 독립성을 극대화하는 데 중점을 둡니다. 개발자나 DIY 사용자에게는 기존의 전력 솔루션과 새로운 배터리 기술을 결합하여 휴대용 장치를 구현하는 방식에 대한 흥미로운 사례를 제공합니다.

추론 언어 모델의 추론 과정은 토큰 수에 비례하여 길어지기 때문에 메모리 대역폭이 생성 속도를 제한하며, 가중치를 bfloat16 대신 두 비트로 저장하면 추론 비용을 8배 절감할 수 있습니다. 그러나 기존의 두 비트 방법들은 주로 퍼플렉시티나 다중 선택 질문 응답 정확도로 평가되어 모델이 더 어려운 문제를 추론할 수 있는지 여부는 제대로 반영하지 못합니다.

이러한 한계를 극복하기 위해 연구진은 추론 능력을 보존하는 엄격한 스칼라 두 비트 프레임워크인 ThinkBit을 제시했습니다. ThinkBit은 모든 가중치를 특정 그룹의 가중치와 공유되는 bfloat16 스케일에 정수 코드워드와 결합하여 저장합니다. 레이어별로 민감도 측정치를 사용하여 비트 폭을 최적으로 할당하고, 이후 레이어 간 상호작용을 포착하기 위해 지식 증류 기반 손실을 사용하여 스케일을 재보정합니다.

이후 양자화 인식 훈련(QAT) 단계를 수행하여 모델이 기본 모델의 분포를 모방하도록 코드워드를 재할당하며, 최종적으로 훈련 문제에 대한 쌍별 추론 테스트를 통해 재보정 단계와 QAT 단계 사이의 최종 체크포인트를 선택합니다.

실험 결과, ThinkBit을 적용한 모델은 추론 능력에서 우수한 성능을 보였습니다. Qwen3-1.7B 모델의 경우, 재보정 체크포인트는 동일 데이터로 훈련된 EfficientQAT(30.0점)보다 MATH-500에서 46.7점을 기록했으며, 추론 흔적에 대한 QAT 후에는 73.0점을 달성했습니다. 또한, 0.52 GB 크기의 모델은 공개된 모든 두 비트 GGUF 모델보다 작으면서도 MATH-500에서 더 높은 정확도를 보였습니다. 이 프레임워크는 최대 14B까지 확장 가능하며, 3.74 GB 모델은 94.8점을 기록하여 29.5 GB bfloat16 모델(97.5점)보다 높은 성능을 보였습니다.

2026년 10월 16일부터 23일까지 PHP2Shell, Node.js, GitLab, LiteLLM 등 여러 시스템에서 심각한 보안 사고가 발생했으며, 이에 대한 패치가 배포되었습니다. 이 사고들은 PHP의 원격 코드 실행 취약점, Node.js의 메모리 오류, GitLab의 인증되지 않은 원격 코드 실행 등 다양한 취약점을 포함하고 있어, 단순히 패치를 적용하는 것 외에 영향을 받은 모든 리소스를 찾아내고 관리하는 것이 핵심 과제가 되었습니다.

특히 취약점 공개와 패치 사이에 공격자가 악용할 수 있는 시간, 즉 익스플로잇 창이 점점 짧아지고 있으며, 공격자들이 취약점을 발견하고 악용하는 데 걸리는 시간이 급격히 줄어들고 있습니다. 이러한 상황에서 영향을 받은 인스턴스, 컨테이너, 서버가 어디에 위치하며, 누가 소유하고 있고, 해당 리소스가 어디까지 접근할 수 있는지 파악하는 것이 신속한 대응에 필수적입니다.

Cloud Sleuth는 이러한 복잡한 상황에서 대응을 돕기 위해 클라우드 환경의 자원을 매핑하고 소유권을 지정하며 연결 관계를 보여줍니다. 이를 통해 사용자는 어떤 리소스가 영향을 받았는지, 해당 리소스가 외부와 어떻게 연결되어 있는지 정확하게 파악하여 보안 대응 시간을 크게 단축할 수 있습니다.

Cloud Sleuth CLI를 사용하면 AWS 및 Azure 환경에서 모든 리소스에 대한 소유권을 확인하고, 보안 위험을 관리하며, 자원을 정리하는 데 필요한 정보를 얻을 수 있습니다. 이는 개발팀이 보안 업데이트에 대응하고 환경의 취약점을 체계적으로 관리하는 데 실질적인 도움을 제공합니다.

사용자의 대리인으로서 행동하는 에이전트가 AI 비서의 오랜 약속을 실현하는 핵심이 되었습니다. 컴퓨터 사용 에이전트는 앱 전반에 걸쳐 완전히 지정된 작업을 수행함으로써 이러한 약속을 실현하지만, 실제 사용자 요청은 종종 불명확하게 주어진다는 문제가 있습니다. 에이전트가 특정 사용자에게 정확하게 행동하기 위해서는 사용자의 활동 기록에서 누락된 정보를 추론하고 사용자만이 제공할 수 있는 다른 정보를 요청해야 하며, 이때 근거 없는 가정을 하거나 불필요한 질문을 던지지 않아야 합니다.

이러한 문제를 평가하기 위해 연구진은 개인 모바일 사용 에이전트의 추론 및 질문 능력을 평가하는 벤치마크인 iPrefBench를 제시했습니다. iPrefBench는 상호작용하는 시뮬레이션된 사용자가 있는 실행 가능한 iOS 환경에서 개인화된 모바일 에이전트의 능력을 평가합니다. 이 벤치마크는 3,051건의 과거 활동 이벤트에 기반하여 26개 앱에 걸친 130개의 불명확한 사용자 작업을 포함하며, 각 누락된 사용자 의존적 요구 사항은 추론 가능하거나 질문만 필요한 형태로 구성되어 있습니다.

실제 평가 결과, 에이전트들은 높은 행동 완료 점수(최대 91.6%)를 달성했지만, 개인화가 뒤처지면서 전체 작업 성공률은 낮게 나타났습니다. 특히 에이전트들은 필요한 정보를 충분히 요청하지 못하여 질문만 필요한 정보(ask-only) 처리에서 어려움을 겪는 것으로 나타났습니다. 이는 개인화된 에이전트가 무엇을 추론해야 하고 언제 질문해야 하는지에 대한 어려움을 강조합니다.

iPrefBench는 개인화된 에이전트가 사용자를 이해하고 함께 일할 수 있도록 하는 데 귀중한 테스트베드가 될 수 있기를 기대합니다.

항공 이미지에서 지시 표현 정렬(Referring expression grounding)을 수행하려면 수평 박스 대신 방향이 있는 경계 상자(oriented bounding boxes)가 필요합니다. 이는 항공 물체가 임의의 방향으로 나타나기 때문에 발생합니다. 기존의 대부분의 정렬 모델은 순차적으로 박스 좌표를 출력하지만, Parallel Box Decoding(PBD)은 단일 순방향 패스에서 모든 기하학적 슬롯을 예측하지만, 이는 수평 박스에 한정되어 있습니다.

본 연구는 이 블록 정렬 인터페이스를 이중 각도 매개변화(double-angle parameterization)를 사용하여 여섯 개의 슬롯을 갖는 방향성 표현으로 확장했습니다. 모델의 확장성을 검증하기 위해 이미지 및 프롬프트 셔플 제어와 가시성/누출 탐지(visibility/leakage probes)를 사용했는데, 이를 통해 수정된 모델이 프롬프트 통계뿐만 아니라 이미지 자체와 프롬프트 모두에 의존함을 확인했습니다.

항공 차량 시각 정렬(AVVG) 벤치마크에서 이 확장된 모델은 방향이 지정된 타겟을 다루는 데 있어 개선을 보였습니다. 제로샷 기준인 0.1253에서 0.303 +/- 0.012의 rotated intersection over union(rotIoU)을 달성했으며, 이는 120개 이미지에 걸친 전체 6139개 레코드 테스트 분할에서 측정되었습니다.

특히, 축 정렬된 외곽선 대신 방향성 박스를 학습함으로써 일치하는 대조군 대비 0.055 +/- 0.008의 rotIoU 향상을 추가로 얻었으며, 블록 확장만으로는 0에서 구별할 수 없는 rotIoU 이득을 얻지 못했습니다.

제약된 디코딩은 대규모 언어 모델(LLM)이 미리 정의된 형식에 맞는 출력을 생성하도록 보장하지만, 이는 종종 추론 능력을 본질적으로 저하시킨다고 가정됩니다. 연구진은 이러한 가정을 세 가지 제약 유형, 즉 출력 구조를 강제하는 형식 제약, 잘못된 답변을 마스킹하는 유효성 제약, 추론 경로를 제한하는 추론 제약의 분류를 통해 검토했습니다.

이러한 제약이 성능에 미치는 영향을 분석한 결과, 적절한 제약은 잘못된 경로를 제거함으로써 성능을 보존하거나 개선할 수 있음을 이론적으로 입증했습니다. 다양한 모델과 오픈소스 모델에 대해 인과적 절제 분석을 수행한 결과, 성능 저하는 디코더 수준 마스킹보다는 프롬프트 및 출력 형식의 비동등성에서 주로 발생한다는 사실이 밝혀졌습니다.

구체적으로 유효성 제약은 잘못된 답변을 제거하여 신뢰성과 추출 가능성을 향상시키며, 추론 제약은 유익한 경로를 강제함으로써 추론 능력과 결과적인 정확도를 개선할 수 있습니다. 따라서 제약된 디코딩의 영향은 제약의 유형과 제거되는 출력 공간에 따라 달라진다는 결론을 내렸습니다.

언어 모델 에이전트는 사용자에게 이의를 제기받았을 때 올바른 작업을 포기하거나 실제 실수를 무시하는 경향이 있습니다. 에이전트가 불만을 읽으면 사용자의 동의를 얻기 위해 이전의 자체 검토를 무시하는 경향이 있기 때문입니다. 이러한 문제를 해결하기 위해 연구진은 훈련 없이 적용 가능한 방법인 Thinking-in-Bets를 제안했습니다.

이 방법은 에이전트가 사용자 피드백을 읽기 전에 자신의 주요 주장, 이를 뒷받침하는 검토 사항, 그리고 자신감도를 짧은 개인 기록으로 작성하는 방식입니다. 에이전트가 이의를 제기받았을 때 이 주장 목록을 참조함으로써 검증된 작업을 유지하면서 불확실하거나 새로 제기된 부분만 조사할 수 있게 됩니다.

연구 결과, 비판 전에 주장을 기록하는 것이 패치 검토에서의 잘못된 반전(false reversals)을 거의 제거하고 잘못된 반론에 의한 보고서 초안을 보호하는 데 효과적입니다. 또한, 다중 턴 코딩 작업에서 이 주장 기록은 잘못된 불만 후 불필요한 파일 수정을 크게 줄이며, 기록을 불확실할 때만 작성하도록 제한하면 토큰 오버헤드를 낮추면서 기준선보다 더 많은 실제 버그를 수정할 수 있었습니다.

사용자 피드백이 없는 비상호작용 작업에서도 초안에 주요 주장을 나열하고 제출 전에 가장 약한 부분을 재확인하는 것은 테스트된 모든 모델에서 답변 정확도와 자신감도 추정치를 모두 개선했습니다. 이 연구는 Gemini 모델 다섯 가지를 SWE-Together, SWE-Interact, DeepSWE 등 여덟 가지 벤치마크에서 평가했습니다.

장기 비디오 생성 모델에서 과거 시각 관찰을 검색하여 정체성 표류를 방지하는 방식이 점점 증가하고 있습니다. 이는 과거의 기록에 더 많이 접근할수록 미래의 비디오가 더 일관성을 갖게 된다는 직관에 기반하지만, 과거의 이미지가 현재 상황에 맞지 않을 수 있다는 문제가 제기됩니다. 연구진은 이러한 시각 기억이 생성된 스토리 자체를 항상 개선하는지 확인하기 위해 VMem-Bench라는 두 트랙 진단 연구를 수행했습니다.

이 연구는 92개의 실제 영화(16,548 세그먼트)에서 참조를 선택하는 과정(트랙 A)과 공유 생성기를 사용하는 30개의 인과적으로 생성된 스토리(2,824 세그먼트)에서 네 가지 검색 정책을 비교하는 과정(트랙 B)을 통해 진행되었습니다. 검색을 통해 엔티티 회상률은 0.559에서 0.628~0.693으로 증가하고 과거 외모와의 유사성은 향상되었으나, 정밀도는 0.977에서 0.915~0.938로 감소했으며 금지 엔티티 회피는 0.968에서 0.845~0.898로 감소하는 상충 관계가 발견되었습니다.

또한, 스토리 변경 후에도 구식 외모를 강화할 수 있다는 점이 확인되었으며, 프롬프트 자체가 외모를 제공할 경우 메모리 없이도 높은 장기 간격 회상률이 발생할 수 있다는 점이 외모 제거 분석을 통해 드러났습니다. 이러한 결과는 검색의 관련성이나 최종 비디오의 일관성만으로는 시각 기억의 유용성을 입증할 수 없음을 보여줍니다.

실체화된 에이전트(Embodied agents)는 주변 환경과 상호작용하는 방식을 스스로 결정함으로써 현실 세계의 목표를 달성할 것으로 기대됩니다. 특히, 물리적 상태를 변화시키는 것이 목표가 아니라 상호작용을 통해 시스템의 상태를 변화시키고 피드백을 관찰하며 탐색하여 목표를 달성하거나 목표가 요구하는 바를 학습하는 '앎을 위한 행동(acts to know)'을 수행하는 데 중점을 둡니다.

이러한 연구를 위해 EmbodiedLab이라는 새로운 벤치마크가 소개되었는데, 이는 로봇이 앎을 위해 행동해야 하는 환경을 제시합니다. 이 벤치마크는 정량적 과학 실험을 통해 시스템의 매개변수를 모든 인스턴스마다 재샘플링하여 결과가 미리 알려지지 않더라도 정확하게 점수를 매길 수 있도록 설정하여 실험 환경을 제어 가능하게 만듭니다.

EmbodiedLab에서는 5개 분야에 걸쳐 14개의 장치 플랫폼에서 30개의 실험을 진행하며, 에이전트는 객체와 장치를 선택하고 물리 기반 시뮬레이션 실험실을 운영하며 카메라를 통해 기기를 읽습니다. 평가 과정은 에이전트가 에피소드 동안 기록된 측정값과 과제가 요구하는 물리적 상태에 근거하여 알게 된 것을 확인합니다.

평가 결과, 가장 강력한 에이전트조차도 성공 확률이 절반 미만이며 대부분의 실패는 장치 상호작용에서 발생했습니다. 또한, 조작 기술(manipulation skills)은 인식 및 계획(perception and planning)보다 약한 에이전트들에게 더 큰 도움을 주는 것으로 나타났습니다. 이 벤치마크와 평가 코드는 GitHub에서 공개되어 있습니다.

AGI를 향한 길에서 시스템이 스스로 개선하는 방식, 즉 재귀적 자기 개선(RSI)은 오랫동안 추구되어 온 목표입니다. 언어 에이전트는 재사용 가능한 기술(skills) 형태로 절차적 지식을 저장하고 있으며, 이러한 기술을 최적화하는 과정 자체가 기술의 자기 개선으로 이어질 수 있다는 점에서 RSI 달성에 중요한 열쇠가 됩니다.

기존의 기술 최적화 방법들은 수동으로 설계된 절차를 따르며, 메타 스킬을 발전시키는 방법조차도 고정된 파이프라인 내에서 각 작업마다 재학습하는 한계를 가집니다. 이에 본 논문은 기술 최적화가 재귀적으로 자기 개선되도록 만드는 Skill^{infty}를 제시합니다. Skill^{infty}는 메타 에이전트가 메타 스킬을 따라 작업 기술을 최적화하고, 동시에 동일한 절차를 사용하여 메타 스킬 자체를 최적화하는 방식으로 작동합니다.

이 과정에서 메타 에이전트는 실행 흔적을 진단하고 후보를 제안하며, 독립적인 검토를 요청하고 검색 예산을 할당하는 등 에이전트 주도의 최적화를 수행합니다. 메타 스킬은 이러한 단계를 정의하여 자기 개선이 이 단계를 재작성할 수 있도록 허용하며, 이 메타 스킬은 작업 기술과 분리되어 다양한 도메인에서 최적화된 후 재사용될 수 있습니다.

실제로 83개의 SkillsBench 작업에서 Skill^{infty}는 60.7%의 통과율을 달성했는데, 이는 인간이 선별한 기술(56.4%)이나 SkillEvolver(54.5%)보다 높은 수치입니다. 이는 에이전트가 스스로 최적화 절차를 개선함으로써 더 효율적이고 강력한 기술을 발견할 수 있음을 보여줍니다.

LLM 추론을 위한 S3AC(Stabilized, Selective, and Scalable Actor-Critic) 방법이 제시되어 강화 학습(RL) 분야에 새로운 접근법을 제공합니다. 이 방법은 보상 검증이 가능한 강화 학습(RLVR)에서 긴 사고의 사슬(CoT) 추론에 사용되는 비평가 없는(critic-free) 방법들의 한계를 극복하고자 합니다. 기존 대안들은 토큰 수준의 보상 할당을 부족하게 다루며 프롬프트별 기준선을 추정하기 위해 그룹 롤아웃에 의존합니다.

S3AC는 실용적인 비평가 훈련 레시피를 기반으로 구축되어 토큰별 이점과 프롬프트별 기준선을 제공하는 비평가를 학습시킵니다. 또한 프롬프트 수준의 기준선을 활용하여 난이도를 추정하는 어려움 인식 프롬프트 샘플링(DAPS)을 제안합니다. DAPS는 결과 이력과 난이도 추정치를 결합하여 생성 전에 프롬프트를 선택함으로써 오프라인 난이도 초기화 없이 롤아웃 낭비를 줄입니다.

이러한 S3AC 접근 방식은 모델 크기가 15억에서 3970억 파라미터에 이르는 밀집 모델과 혼합 전문가(MoE) 모델 전반에서 그룹 롤아웃 성능을 개선합니다. S3AC는 최신 GRPO 변형인 GRPO-X를 능가하는 성능을 보였습니다. 특히 350억 파라미터 모델에서는 단일 롤아웃 훈련을 유지하는 반면, 기존의 비평가 없는 기준선들은 초기 이득 이후 성능이 저하되는 차이를 보였습니다.

기존 연구는 에이전트가 위임된 작업을 안정적으로 수행하는 방법에 대한 통일된 관점을 제시하지 못하고 있습니다. 이 연구는 이러한 격차를 해소하기 위해 작업 에이전트를 기반 모델과 런타임 하네스를 결합하여 상태 저장 작업 공간에서 작업을 실행하고 검증 가능한 결과를 제공하는 시스템으로 보는 작업 중심의 시스템 수준 관점을 제시합니다.

연구진은 작업 환경을 특징짓는 두 가지 보완적인 차원인 작업 지속성(work persistence)과 작업 개방성(work openness)을 도입하고, 작업의 범위와 조직에 따라 디지털 작업을 다섯 가지 형태로 분류합니다. 이를 바탕으로 안정적인 작업 실행에 필요한 다섯 가지 핵심 역량 가족을 식별하고 모델 최적화, 하네스 최적화, 그리고 이들의 공동 최적화 접근 방식을 탐구합니다.

또한, 기존의 평가 방법과 지표를 작업 결과의 관점에서 분석하며, 지속적인 작업 위임, 개방된 환경으로의 적응, 그리고 작업 실행과 역량 개선 간의 상호작용을 포함하는 미래 연구 방향을 논의합니다. 이 논문은 작업 에이전트를 이해하고, 최적화하며, 평가하기 위한 통일된 프레임워크를 제공하여 신뢰할 수 있고 검증 가능하며 실질적으로 가치 있는 작업 결과를 제공하는 시스템 개발을 지원합니다.

거대 모델을 기반으로 구축된 AI 시스템은 경험과 피드백을 사용하여 모델, 프롬프트, 메모리, 도구 및 워크플로우에 지속적인 변화를 가하고 있습니다. 이러한 과정을 확장한 것이 재귀적 자기 개선(RSI)으로, 이는 귀납적 편향과 향후 업데이트를 관리하는 메커니즘까지 확장되어 개선 주기 전반에 걸쳐 수정되고 재사용될 수 있습니다. 그러나 단순히 자기 수정만으로는 신뢰할 수 있는 개선을 보장할 수 없습니다.

보고된 성능 향상은 결함 있는 평가를 반영할 수 있으며, 이전에 습득한 능력은 저하될 수 있고, 행동 제약 조건 준수는 약화될 수 있습니다. 또한, 손상된 결과물이나 민감한 정보가 후속 시스템에 지속될 수 있으며, 개선 메커니즘의 변경은 이전 검증 결과를 무효화하고 인간의 감독을 덜 효과적으로 만들 수 있습니다.

본 논문은 RSI에 대한 운영 정의와 프로세스 프레임워크를 제시하며, 신뢰할 수 있는 RSI를 위한 요구 사항을 네 가지 상호 연결된 주제로 조직합니다. 이 주제들은 진실되고 지속적인 개선, 행동 제약, 정렬 및 공정성, 시스템 보안 및 개인 정보 보호, 그리고 투명성과 제어 가능성으로 구성됩니다.

연구진은 개선 유효성, 제약 조건 보존, 효과적인 감독이라는 세 가지 관점에서 이러한 주제들을 검토하며, 개별 업데이트, 후속 시스템에 의해 상속되는 영향, 개선 메커니즘의 수정에 대한 위험과 안전장치를 평가합니다. 최종적으로 독립적이고 종단적인 평가에 대한 요구 사항을 식별하고 응용 분야와 미해결 연구 문제를 논의합니다.

비전-언어 모델은 정적인 수동적 이해에서 온라인 선제적 상호작용으로 변화하고 있습니다. 그러나 기존 방법들은 명시적인 요청에 의존하며 사용자의 암묵적인 의도(예: 웹사이트 탐색 중 "다음으로 어디를 클릭해야 할까?")를 놓치고, 사용자의 요청이 지속적으로 업데이트될 때 상태를 동시에 갱신하지 못하는 한계를 가지고 있습니다. 이러한 한계는 실제 상호작용에서 의도 인지적 상호작용을 구현하는 데 적합하지 않습니다.

이러한 문제를 해결하기 위해 연구진은 사용자 의도 상호작용을 위한 새로운 벤치마크인 StreamVibe-Bench를 도입했습니다. 이 벤치마크는 명시적, 암묵적, 동적 의도를 포괄하는 4.1K개의 평가 샘플과 85K개의 훈련 샘플을 제공합니다. 이를 기반으로 스트리밍 선제 모델인 StreamVibe-VL을 개발하여 지속적인 관찰로부터 암묵적인 사용자 의도를 추론하고 의도가 발전함에 따라 상호작용을 동적으로 조정합니다.

또한, StreamVibe-Harness는 계층적 메모리를 사용하여 사용자 의도를 지속적인 상태로 유지하며 환경 상태를 추적함으로써 응답 일관성과 적응력을 향상시킵니다. 실험 결과, StreamVibe-VL은 다른 기준선 대비 응답 시간과 답변 품질을 10.7% 개선하면서도 강력한 일반 비디오 이해 능력을 유지했습니다.

특히 StreamVibe-Harness는 지속적인 상호작용에서 응답 일관성과 적응력을 더욱 향상시켜 선제적 상호작용에서 12.3%의 이득을 가져왔습니다. 이는 기존 선제 모델들이 암묵적 및 동적 의도를 이해하고 응답 시점을 결정하는 데 한계가 있다는 점을 보여줍니다.

Entire는 에이전트와 인간의 협업을 위해 특별히 설계된 최초의 Git 포지(Forge)로, 개발자에게 새로운 협업 방식을 제공합니다. 이 플랫폼은 코드를 검토하는 기존의 풀 리퀘스트(PR) 모델을 대체하는 'Trail'이라는 기능을 핵심으로 하며, 에이전트가 코드에 대해 자동 평가 점수(Evals)를 부여하여 개발자가 병합 여부를 결정할 수 있도록 관련 정보를 제공합니다.

Trail은 코드 푸시마다 에이전트가 점수를 산출하고, 개발자가 에이전트와 검토 에이전트 간의 반복 횟수가 안정적인 상태에 도달했는지 판단하게 하여 안정성을 높입니다. 예를 들어, 보안이나 슬롭 점수를 기반으로 에이전트가 계속 수정하도록 지시할 수 있으며, 이는 에이전트 기반 코딩의 성공을 위해 반복적인 루프와 점수 안정화가 필수적임을 보여줍니다.

또한 Entire는 분산 Git 호스팅을 통해 GitHub보다 최대 89배, Cursor Origin보다 6배 빠른 속도를 제공하며, Buildkite와 Depot 같은 CI 시스템과의 통합을 통해 에이전트가 작성한 코드를 안전하게 보장합니다. 더 나아가, Continuous Memory 기능을 통해 세션과 프롬프트를 Git 저장소에 동기화하여 에이전트가 코드 변경의 '이유'와 같은 문맥 정보를 항상 접근할 수 있도록 합니다.

이러한 기능들은 entire-graph와 entire-brain을 통해 코드와 에이전트 세션을 연결하여 에이전트가 학습한 기억을 저장함으로써, 개발자가 코드를 검토할 때 필요한 모든 맥락을 제공하여 협업의 효율성과 안전성을 극대화합니다.

루이즈 이나시우 룰라가 브라질에서 기록적인 네 번째 임기를 승리하며 놀라운 복귀를 이루었습니다. 이는 브라질 정치에서 예상치 못한 결과로 평가되며, 현 상황에 대한 중요한 변화를 시사합니다.

룰라 대통령의 이번 승리는 브라질 정치 지형에 큰 영향을 미치고 있으며, 향후 브라질의 정책 방향과 경제 상황에 대한 예측을 재조정하게 만듭니다. 이러한 정치적 변화는 국내외 투자자들과 정책 결정자들에게 중요한 맥락을 제공합니다.

이번 결과는 브라질의 정치적 역동성이 예상보다 강하게 작용했음을 보여주며, 앞으로의 정치적 움직임과 사회 경제적 변화를 주시해야 할 필요가 있습니다.

자기 주의(Attention) 메커니즘이 강력한 성능과 추론을 위해 반드시 필요한지에 대한 근본적인 질문을 제기하며, 표준 멀티헤드 어텐션이 텐서 리프팅(tensor lifting)의 한 형태로 볼 수 있다고 주장합니다. 저자는 어텐션이 수학적으로 불투명하여 모델을 작은 불변량 기반으로 설명하기 어렵다는 문제점을 지적하고, 이를 해결하기 위해 어텐션이 없는 새로운 아키텍처를 제안합니다.

이 새로운 접근 방식은 그라스만 흐름(Grassmann flows)을 기반으로 하며, 토큰 상태를 선형적으로 축소하고 로컬 토큰 쌍을 그라스만 다양체(Grassmann manifold) 상의 2차원 부분 공간으로 인코딩하는 방식으로 작동합니다. 이 기하학적 특징들을 게이티드 혼합(gated mixing)을 통해 은닉 상태로 다시 융합함으로써, 정보는 비정형적인 텐서 공간이 아닌 유한 차원 다양체 위에서 저차원 부분 공간의 제어된 변형을 통해 전파됩니다.

이러한 기하학적 기반 설계는 신경 추론에 대한 기하학적 및 불변량 기반 해석을 제공하며, 복잡한 계산을 더 구조화된 경로로 만듭니다. 실제 벤치마크 결과, 위키텍스트-2 언어 모델에서는 1300만에서 1800만 개의 파라미터를 가진 순수 그라스만 기반 모델이 크기 일치 트랜스포머 모델 대비 10~15% 수준의 검증 퍼플렉시티를 달성했습니다. 또한 자연어 추론 작업인 SNLI에서도 DistilBERT 위에 그라스만-플루커 헤드를 적용한 모델이 트랜스포머 헤드보다 약간 더 나은 정확도를 보였습니다.

Catchtype은 한영 전환 오류를 자동으로 수정해 주는 앱입니다. 사용자가 한영 상태를 잘못 설정한 채 입력해도 실시간으로 이를 고쳐주며, 한영 상태까지 함께 전환하여 다음 글자를 바로 이어서 입력할 수 있게 해줍니다.

이 앱은 Mac, Windows, Linux 환경에서는 애플리케이션으로 사용되며, iPhone, iPad, Android 환경에서는 키보드 기능을 통해 사용할 수 있습니다. 이는 사용자가 입력 과정에서 한영 키를 반복적으로 누르는 실수를 줄이고 보다 효율적으로 타이핑할 수 있도록 돕습니다.

특히 한국어로 Claude Code와 같은 AI 도구에 지시할 때 한영 키를 너무 자주 누르게 되어 입력 오류가 발생할 수 있습니다. Catchtype은 이러한 상황에서 입력 오류를 최소화하여 한국어 코딩이나 문서 작업 시 발생하는 불편함을 해소해 줍니다.

세르비아의 알렉산드르 부치치(Aleksandar Vucic)가 학생 주도 운동에 대한 선거 패배를 인정하면서 오랜 기간 지속된 권력 장악이 끝났습니다. 이는 학생들의 지속적인 사회 운동이 정치적 변화를 이끌어낸 역사적인 승리로 평가됩니다.

이번 조기 총선은 부패 의혹과 점진적인 권위주의화에 반대하는 학생 시위가 거의 2년간 이어지면서 촉발되었습니다. 학생들은 정치적 개혁을 요구하며 사회적 압력을 가했고, 이러한 시위는 결국 선거 결과에 영향을 미쳤습니다.

이러한 정치적 변화는 CESID-IPSPS의 표본 기반 추정 결과를 통해 분석되었습니다. 이 자료는 학생 운동이 세르비아 정치 지형에 미친 영향을 객관적으로 추정하는 데 사용되었습니다.