읽을 가치가 있는 기사만, 짧고 또렷하게.

희소점에서 밀집된 움직임 완성(Sparse-to-dense motion completion)은 희소한 정점 변위로부터 밀집된 메시 움직임을 복원하는 것을 목표로 합니다. 기존 연구에서 하나의 기하학적 가족에 대해 학습된 잔차 사전 정보(residual priors)는 다른 기하학적 가족에 대한 매개변수 없는 조화 확장(harmonic extension)보다 성능이 떨어지는 경우가 많았습니다.

또한, 여러 기하학적 가족에 걸친 학습은 스케일의 스케일링 장벽에 직면합니다. 잔차 진폭은 기하학적 가족에 따라 한 자릿수 이상 차이가 나며 관측이 더 조밀해질수록 이 진폭은 붕괴됩니다. 이 스케일은 알 수 없는 목표 움직임에 의존하기 때문에 테스트 시점에 직접 측정할 수 없습니다.

본 연구는 잔차 구조와 물리적 스케일을 분리하기 위해 무차원 사전 정보를 학습하고 관측값으로부터 진폭을 추정하며 학습 소스에만 경량 보정을 적용하는 방법을 제안합니다. 이 통합 모델은 골격, 등록, 또는 교차 메시 대응 없이 보이지 않는 천이나 다리 달린 물체까지 모든 평가 가족에 걸쳐 조화 확장을 능가합니다.

이러한 사전 정보는 골격 재학습 없이 점 추적 동물 비디오나 로봇이 부드러운 물체를 잡는 작업에도 적용될 수 있습니다. 이는 새로운 기하학적 환경에 대한 강력한 일반화 능력을 보여줍니다.

비전-언어-행동(VLA) 사전 학습 시 시연 품질을 어떻게 활용해야 목표 작업 미세 조정 후 성능을 개선할 수 있을까요. 연구진은 5,000개의 자연스럽게 최적이 아닌 인간 시연과 24개의 목표 작업을 사용하여 보상 정의 및 레이블 세분화에 걸쳐 가중치, 필터링, 조건화 기법을 비교 분석했습니다.

이러한 비교를 통해 세 가지 VLA에서 접근 방식에 따른 에피소드 조건화가 단순 행동 복제보다 평균 성공률을 향상시킨다는 것을 발견했습니다. 또한 조건화와 필터링은 평균적으로 에피소드 및 청크 레이블을 선호하며 모델에 따라 반전될 수 있습니다. 더불어 상수 태그 미세 조정을 통해 조건화된 사전 학습 후 태그 유무에 관계없이 성공률을 개선할 수 있음을 확인했습니다.

연구진은 이러한 통제된 비교를 지원하기 위해 AXIS-Bench를 소개했습니다. 이 벤치마크는 크라우드소싱된 시뮬레이션 시연을 기반으로 하며, 공유된 궤적에 대한 품질 레이블을 재계산할 수 있는 기록된 객체 및 접촉 상태를 제공합니다. AXIS-Bench는 재생 가능한 궤적을 지원하여 작업 공간 정렬 렌더링과 사용자 정의 실제 목표 작업을 가능하게 합니다.

실제 실험 결과, 시뮬레이션 사전 학습은 성공률을 9.6%에서 31.7%로 크게 향상시켰습니다. 이는 VLA 모델의 성능을 개선하기 위해 시연 품질을 체계적으로 관리하는 방법이 효과적임을 보여줍니다.

장기 목표 에이전트의 자율적인 작업 능력은 자동 발견 및 재귀적 자기 개선(RSI)에 필수적이지만, 현재 공개된 모델들은 훈련 데이터와 작동 레시피 부족으로 인해 장기 과제 수행에 어려움을 겪고 있습니다. 연구진은 이러한 문제를 해결하기 위해 검증 가능하고 밀도 높은 점진적 보상을 제공하는 최초의 장기 에이전트 훈련 데이터셋인 Tev-Gym을 소개합니다. 이 데이터셋은 7개 도메인에 걸쳐 1,170개의 검증된 작업 환경을 포함하며, 태스크 도메인과 예상 상태에 대한 잠재 세계(latent world)를 먼저 구축하는 접근 방식을 사용합니다.

Tev-Gym은 이 잠재 세계를 기반으로 각 작업을 에이전트 환경으로 점진적으로 렌더링하여 제어 가능한 복잡성과 자연스러운 진행 측정 기준을 가능하게 합니다. 또한, 연구진은 이 측정 기준을 훈련 효율을 개선하고 해결하기 어려운 과제를 훈련 가능하게 만드는 진행 잠재력 보상 형성(PPRS)을 통해 훈련 레시피로 전환했습니다.

이 레시피를 사용하여 훈련한 결과 Tev-27B 모델은 에이전트의 마지막 시험 컴퓨팅 및 수학 과학(ALE-CM) 도메인에서 상당한 성능 향상을 보이며, Pass@5 지표에서 GPT-6 Astra 및 Claude Opus 5와 동등한 결과를 달성했습니다. 또한, ALE 관련 데이터만으로 훈련되었음에도 불구하고 Terminal-Bench(TB) 3.0 및 4.0 하위 집합에 대해 GLM 5.2 및 Gemini 3.7 Flash를 능가했으며, TB 2.1과 같은 중간 범위의 과제에서 Claude Opus 4.8 수준의 성능을 달성하는 뛰어난 일반화 능력을 보여줍니다.

격자장 이론에서 평형 장 구성(equilibrium field configurations) 샘플링은 여전히 주요 계산 병목 현상으로 남아 있습니다. 이러한 문제를 해결하기 위해 독립적인 구성(configurations)을 생성할 수 있는 생성 샘플러 개발이 필요하며, 확산 모델(Diffusion Models)이 이 목적에 유망한 접근법으로 제시됩니다.

확산 모델의 표준 노이즈 제거 점수 일치(denoising score matching) 목표는 대상 분포의 샘플을 요구하기 때문에 원래의 샘플링 문제를 다시 제기합니다. 본 연구는 확률 밀도에 대한 접근이 있을 경우, 확산 모델을 자체 생성 샘플을 사용하여 목표 점수 항등식(target score identity)을 통해 훈련할 수 있음을 보여줍니다.

이때 중요도 가중(importance-weighted) 공식화는 훈련 전반에 걸쳐 일관된 목표를 제공하며, 가중치가 없는(unweighted) 변형은 자기 일관적인 고정점 훈련 방식을 정의합니다. 연구진은 2차원 $\phi^4$ 이론에서 다양한 접근 방식을 벤치마킹하여 대칭, 임계, 파괴된 상(phases) 전반에 걸쳐 효율적인 훈련과 샘플링을 가능하게 하는 효과적인 선택을 식별했습니다.

궁극적으로 이 데이터 없는 훈련 접근 방식은 HMC 참조 데이터로 훈련했을 때와 비교하여 동등한 성능을 달성합니다. 이는 격자장 이론 계산의 효율성을 크게 향상시킬 수 있는 잠재력을 가집니다.

추론 모델은 긴 사고의 사슬(CoT)을 통해 강력한 성능을 달성하지만, 문제 해결에 필요한 것보다 더 많은 토큰을 소비하는 경향이 있습니다. 기존의 CoT 단축 방법들은 모델별 추가 훈련, 고정된 방향 벡터 추가, 또는 'wait'와 같은 단어 금지 같은 디코딩 휴리스틱을 사용하는데, 이는 정확도를 저하시킬 수 있습니다.

본 논문은 이러한 문제를 해결하기 위해 훈련 없이 CoT를 단축하는 디코딩 방법인 DoubtLess를 제안합니다. 이 방법은 훨씬 작은 추론 모델이 큰 모델을 간결하게 유도하는 방식으로 작동합니다. 작은 모델은 큰 모델의 CoT를 두 번 읽는데, 한 번은 간결하게(brief thinker) 읽고 한 번은 상세하게(verbose thinker) 읽도록 프롬프팅한 후, 두 로그잇 벡터의 차이를 강도(strength)로 스케일하여 CoT의 각 단계에 추가합니다.

이 방법은 경쟁 수학, 과학, 코딩 등 일곱 가지 벤치마크에서 Qwen3-32B 모델의 CoT를 정확도를 유지하면서 31% 단축했으며, 다섯 가지 추론 시간 기반 기준 모델보다 우수한 성능을 보였습니다. 또한, 자가 디버깅 코딩 에이전트에서는 작업 성능은 유지하면서 턴당 사고 토큰을 20% 줄이는 효과를 보였습니다.

DoubtLess는 두 가지 다른 모델 패밀리에도 일반화되어 정확도를 유지하며, 훈련 기반 압축과 결합하면 이미 간결성을 훈련받은 모델의 CoT를 추가로 단축할 수 있습니다. 분석 결과, 이 방법은 반복적인 확인을 줄이며, 가장 큰 토큰 절감은 정답이 CoT에 처음 나타난 후에 발생한다는 것이 밝혀졌습니다.

인간의 언어를 넘어서 생각하면서도 외부 환경에서 행동할 수 있는 에이전트를 구축하는 방법에 대한 연구 결과가 발표되었습니다. 기존의 LLM 에이전트는 텍스트를 통해 추론하고 상호작용하지만, 잠재적 추론(latent reasoning)은 효율적인 내부 매체임에도 불구하고 도구 접근성이나 추론의 투명성이 부족한 한계가 있었습니다.

연구진은 이러한 두 방향을 연결하는 하이브리드 추론 에이전트(HybridAgents)를 제안하며, 단일 생성 과정 내에서 잠재적 추론과 텍스트 기반 상호작용 사이를 동적으로 이동하도록 설계했습니다. 이를 위해 경량의 하이브리드링크(HybridLink) 구조를 사용하여 텍스트와 잠재 모드 간의 원활한 전환을 가능하게 하며, 지속적인 작업 메모리는 여러 턴에 걸쳐 손실 없이 하이브리드 컨텍스트를 보존합니다.

이러한 설계는 도구 통합 에이전트의 능력을 유지하면서도 잠재적 사고 과정을 직접 검사할 수 있게 하여 에이전트의 투명성을 높입니다. 또한, 하이브리드 추론을 위한 후처리 알고리즘인 HybridSFT와 HybridRL을 개발하여 백본이 하이브리드링크와 조정되도록 학습시키고, 잠재 공간에서 생각할지 텍스트를 통해 행동할지 학습함으로써 추론 능력을 확장했습니다.

HybridAgent는 수학, 과학, 의학, 검색, 에이전트 추론을 포함하는 11가지 벤치마크에서 평가되었으며, 기존의 최첨단 LLM 에이전트 및 프레임워크와 비교했을 때 성능을 10.4% 향상시켰습니다. 더불어 토큰 사용량을 35.5%에서 54.7%까지 절감하고 추론 속도를 1.8배에서 2.6배까지 빠르게 하며 비용을 2.7배에서 3.7배까지 절감하는 성과를 보였습니다.

코드 모델은 구조화되고 편집 가능하며 검증 가능한 출력을 생성하는 데는 능숙하지만, 레이아웃과 색상 선택이 캔버스 전체에서 어떻게 조화되는지에 대한 공간 계획과 미적 품질을 파악하는 데는 한계가 있습니다. 반면 이미지 생성 모델은 시각적 디자인에 능하지만 요청된 내용을 잘못 렌더링할 수 있어 직접적인 재현 대상으로는 신뢰하기 어렵습니다. 이러한 문제를 해결하기 위해 AesCode는 콘텐츠 프롬프트에 기반한 코드를 생성하면서, 동일한 프롬프트로 생성된 이미지를 미적 지침으로 활용합니다.

AesCode는 목표를 전체 캔버스를 설명하고 각 속성을 귀속시키는 디자인 그래프로 표현합니다. 이 그래프로부터 코드 및 렌더링으로 파싱 가능한 속성을 평가하는 결정론적 검증자(deterministic verifiers)와 그래프 요소 및 관계에 연결된 시각 그래프 루브릭(VGR)을 사용하여 비파싱 가능한 속성을 평가하는 VLM 심사관을 통해 상호 보완적인 교차 모달 보상을 도출합니다. 이 보상들을 강화 학습과 채널별 정규화를 통해 최적화하여 공간 계획, 미적 품질, 그리고 검증 가능한 정확성을 동시에 향상시킵니다.

실험 결과, 참조 이미지는 기존 모델이 생성한 코드의 시각적 품질을 크게 향상시켰으며, AesCode는 참조 이미지를 모델 입력과 시각적 보상의 원천으로 모두 활용할 때 이점을 얻는 것으로 나타났습니다. 특히 AesCode-8B와 AesCode-32B 모델은 동일한 참조 이미지를 사용했을 때 Qwen3-VL 기준선 모델보다 시각적 품질을 각각 31.1%와 22.4% 향상시켜, GPT-5.5나 Claude Opus 4.8과 같은 폐쇄형 최첨단 모델과 유사한 점수를 달성했습니다.

지속적인 그래프 생성 문제를 해결하기 위해 목표하는 위상적 특성을 정확하게 만족하는 그래프를 생성하는 방법을 제안합니다. 기존의 위상 인식 생성 모델들은 소프트 정규화에 의존하여 그래프의 지속성 다이어그램(PD)이 대략적으로 유사한 그래프만을 생성할 수 있었습니다. 본 연구는 목표 PD를 정확하게 실현하는 그래프를 생성하는 문제에 대한 원칙적인 조사를 시작합니다.

이를 위해 목표 PD가 부과하는 암시적인 국소적 및 전역적 제약 조건을 바탕으로 두 가지 접근 방식을 제시합니다. 국소적 접근 방식은 차수 기반의 PD 동등 그래프를 반복적으로 구축하며, 모든 결과가 목표 PD를 실현하고 모든 차수 기반 그래프가 도달 가능함을 증명합니다. 하지만 국소적 생성은 샘플 다양성과 비실현 상태 도달 사이에서 상충 관계를 발생시킵니다.

따라서 연구진은 생성을 완전한 인코딩을 가진 전역 제약 만족 문제로 재구성하고, 이는 현대 제약 프로그래밍 솔버로 해결할 수 있음을 보였습니다. 이 방법은 모든 꼭짓점 기반 순열 동등 필터링 체계에 적용 가능하며 차수 필터링 하에서 최소화됩니다.

네 가지 표준 그래프 생성 벤치마크에 대한 실험 결과는 두 방법 모두 목표 PD를 정확하게 실현함을 확인했습니다. 이 연구는 엄격한 위상적 규격을 만족하는 그래프 생성을 위한 원칙적인 접근 방식을 제공합니다. 코드는 GitHub에서 공개되어 있습니다.

강화 학습과 검증 가능한 보상(RLVR)은 비용이 많이 드는 모델 생성 응답에 의존하며, 이는 더 큰 롤아웃 배치와 제곱근 학습률 스케일링을 촉진합니다. 한 번의 옵티마이저 스텝당 샘플당 진행 상황을 대략적으로 보존한다고 보고되었지만, 이 규칙은 실제 다단계 훈련에서 덜 이해되고 있습니다.

연구진은 진행이 이루어지는 데 필요한 샘플과 붕괴 전에 소모되는 샘플을 분리하는 두 시계 프레임워크를 개발했습니다. 이 프레임워크는 국소 이차 모델 하에서 제곱근 규칙이 샘플당 첫 번째 차분은 보존하지만 진행 상황은 보존하지 못함을 보여줍니다. 더 큰 배치는 더 적고 긴 업데이트를 취하며 곡률에 더 많이 손실을 입어 학습률에 따라 샘플 효율성이 저하되는 임계 배치 크기가 발생합니다.

이러한 결과를 뒷받침하기 위해 드리프트 임계 가설은 제곱근 규칙을 따라 샘플 수가 거의 불변하게 유지되는 보완적인 실패 시계를 예측합니다. Qwen2.5-Math-1.5B 모델에 대한 통제된 GRPO 실험은 $16\times$ 배치 범위에서 이 두 가지 예측을 모두 지지합니다. 또한 비율 클리핑은 특히 더 큰 배치에서 실패를 지연시키지만, 진행 격차는 여전히 존재합니다. 연구진은 이 두 시계 프레임워크를 사용하여 다단계 RLVR 스케줄을 도출했는데, 이는 임계 배치 크기보다 낮은 지점에서 시작하여 실패 전에 더 큰 배치로 전환하는 방법을 제안합니다.

AI 에이전트가 코드를 작성할 때 주석(comments)이 코드 품질이나 효율성에 영향을 미치는지에 대한 실험 결과가 발표되었습니다. 개발자가 코드에 달린 주석 168,000줄을 모두 삭제한 후, 동일한 AI 에이전트에게 동일한 작업을 세 번 반복하여 수행하게 했을 때, 주석의 유무는 에이전트의 결과물 품질에 차이를 만들지 않았습니다.

연구진은 코드의 주석을 제거했을 때 에이전트가 생성하는 코드의 품질은 변하지 않았음을 확인했습니다. 작은 작업에서는 주석이 없었을 때 토큰 사용량이 약간 더 많았으나, 더 큰 작업에서는 주석이 있는 경우 토큰 사용량이 더 많았습니다. 이는 주석이 에이전트의 작업 속도나 결과물 품질에 직접적인 영향을 미치지 않는다는 것을 시사합니다.

다만, 실험 과정에서 숨겨진 테스트 케이스를 포함한 더 복잡한 작업에서는 주석의 유무에 따른 비용 차이가 발생했습니다. 이는 에이전트의 결과가 결정론적이지 않으며, 측정 방식에 따라 결과가 달라질 수 있음을 보여줍니다. 따라서 주석을 유지할지 여부는 에이전트의 성능보다는 코드의 가독성과 유지보수 측면에서 결정해야 합니다.

덴마크와 독일 사이의 도로 및 철도 터널 건설이 사이버 공격으로 인해 중단되었습니다. 이 사고는 페흐마른 벨트 해협을 잇는 프로젝트를 수행하던 국제 FLC 컨소시엄에 영향을 미쳤습니다.

사이버 공격으로 인해 작업자 신분증 기능이 중단되었고, 해상 작업에 사용된 선박, 크레인, 플랫폼 등 장비의 접근이 차단되었습니다. 이로 인해 건설 작업은 완전히 중단되었으며, 이 프로젝트는 2029년 개통을 목표로 약 70억 유로가 소요될 예정이었습니다.

이 프로젝트는 덴마크, 독일, 프랑스, 벨기에, 네덜란드 등 여러 국가의 회사들이 참여하고 있으며, 현장 작업자 중 폴란드인도 상당수가 포함되어 있습니다. 공격의 정확한 배후와 피해 복구에 걸릴 시간은 아직 밝혀지지 않았습니다.

덴마크 디지털 보안 위원회 수장인 헤닝 모르텐센은 이번 사건이 하이브리드 전쟁과 연관될 가능성을 배제하지 않았습니다. 최근 덴마크 당국은 러시아로부터의 사이버 공격 가능성을 경고하며 위협 수준을 높인 바 있습니다.

AI가 생성한 TypeScript 코드의 품질과 안전성을 높이기 위해 Oxlint 규칙을 확장한 Deslop이 공개되었습니다. 이 규칙들은 낮은 증거와 신호를 가진 AI 생성 코드 패턴을 거부하여 타입 안전성, 코드 품질, 테스트의 신뢰도를 확보하는 데 중점을 둡니다.

Deslop은 dmmulroy/anti-slop에서 가져온 규칙에 더하여 추가적인 규칙들을 포함하며, 모든 규칙은 deslop 네임스페이스 아래에 통합되어 있습니다. 예를 들어, no-chained-type-assertions나 no-duplicate-consts와 같은 규칙들은 중첩된 타입 단언이나 중복된 상수 선언을 거부하여 코드의 명확성을 개선합니다.

이 도구는 개발자가 AI가 생성한 코드를 검토할 때 잠재적인 버그나 불안정한 패턴을 사전에 식별할 수 있도록 돕습니다. 또한, no-module-mocking이나 no-repeated-expect-call 같은 테스트 관련 규칙을 통해 테스트의 정확성과 신뢰도를 향상시키는 데 기여합니다.

Deslop을 사용하려면 npm을 통해 ai-deslop을 설치하고 oxlint와 함께 사용해야 하며, 이는 TypeScript 코드의 안전성과 품질을 AI 시대에 맞게 관리하는 데 실질적인 도움을 줄 것입니다.

XY Music이라는 프로젝트는 12-TET을 기반으로 하는 새로운 이소모픽 음악 키보드 시스템을 탐구하며 시작되었습니다. 이 시스템은 각 음을 숫자(N ∈ (0,1,2,3,4,5,6,7,8,9,X,Y))로 표현하는 12진 표기법을 사용하여 음악 표기법을 구현하는 것을 목표로 합니다.

작성자는 이 시스템을 학습하고 새로운 음악을 배우기 위해 관련 악보를 만들고자 했습니다. 이를 위해 Codex를 사용하여 MuseScore 기반의 음악 악보 렌더링 백엔드를 구축했으며, 각 음의 피치 클래스를 표시하는 커스텀 음표 머리를 사용했습니다.

이러한 접근 방식은 사용자가 자신의 악기를 배우는 데 매우 유용하다고 판단되어 공유되었습니다. XY Music은 독특한 음악 표기법을 기술적으로 구현하고 시각화하는 데 있어 소프트웨어 도구와 음악 이론을 결합하는 사례를 보여줍니다.

국가고속도로교통안전국(NHTSA)이 테슬라 로보택시와 와요(Waymo) 로보택시의 안전 문제에 대한 주장을 조사하고 있다고 밝혔습니다. NHTSA는 테슬라의 약 1,000대 로보택시가 자동 주행 시스템을 사용하여 학교 구역 내에서 제한 속도를 초과하고 있다는 주장을 평가하고 있습니다.

와요 로보택시 역시 유사한 조사를 받았습니다. 와요 차량은 학교 버스를 불법으로 통과시키거나 캘리포니아의 한 초등학교 근처에서 아이를 치는 사건과 관련하여 조사를 받았습니다.

NHTSA의 결함 조사국(ODI)은 2026년 9월 23일에 모델 연도(MY) 2026 테슬라 로보택시(모델 Y 및 사이버캡)의 자동 주행 시스템(ADS)이 제한 속도를 초과한다는 주장을 조사해 달라는 요청을 받았습니다. 이는 자동 주행 시스템의 안전성과 규제 준수에 대한 중요한 검토가 진행되고 있음을 의미합니다.

장기 에이전트가 지속적인 작업 상태에서 진전을 축적하지만, 그 진전을 달성한 상호작용 기록을 반복적으로 처리하는 문제를 해결하기 위해 새로운 컨텍스트 런타임인 CarryOn이 제안되었습니다. CarryOn은 재사용 가능한 작업 객체를 중심으로 연속성을 조직하는 객체 지향 컨텍스트 런타임으로, 압축된 기록 대신 연속 전달 운반체(continuation carriers), 보완 실행 컨텍스트, 그리고 최근 상호작용의 실시간 꼬리 부분을 활용하여 컨텍스트 뷰를 구축합니다.

이러한 접근 방식의 핵심 과제는 주변 기록이 폐기된 후에도 이 재사용 가능한 기반을 유효하게 유지하는 방법입니다. CarryOn은 각 접힘마다 전체 표현을 재구성하지 않고도 운반체 기록을 유지하며, 바운드된 증거와 환경 검사를 통해 영향을 받는 기록을 수정하고 영향을 받지 않는 기록을 전달하며 실행 컨텍스트를 공동으로 업데이트합니다.

OSWorld 2.0 및 BrowseComp-Plus 실험 결과, CarryOn은 총 토큰 사용량을 각각 51.9%와 22.9% 절감하면서도 5.8%와 7.0%의 개선된 성능 향상을 보였습니다. 이는 장기 에이전트의 컨텍스트 관리 효율성을 높이고 메모리 사용을 크게 줄이는 데 기여합니다.

Gemini 4 Argon은 코드 리팩터링, 과학 연구, 3D 환경 생성, 업무 자동화 등 광범위한 작업을 수행할 수 있는 새로운 AI 모델입니다. 이 모델은 Google AI Pro와 Ultra 구독자에게 제공되어 고급 사용자들에게 접근성이 확대됩니다.

이 모델은 최대 100만 출력 토큰을 지원함으로써 매우 긴 작업도 처리할 수 있는 능력을 갖추고 있습니다. 이를 통해 사용자는 긴 수학적 증명, 전체 애플리케이션 생성, 대규모 레거시 변환, 구조화된 자료 종합과 같은 복잡하고 방대한 작업을 한 번에 처리할 수 있습니다.

Gemini 4 Argon은 단순한 텍스트 생성을 넘어 고도의 추론과 복잡한 데이터 처리를 통합하여 개발 및 연구 과정에서 효율성을 극대화할 수 있도록 설계되었습니다. 따라서 개발자와 연구자는 이 기능을 활용하여 복잡한 프로젝트를 더 빠르고 체계적으로 진행할 수 있습니다.

파리 자동차 쇼는 자동차 제조사들이 신차를 공개하던 과거의 시대로 돌아간 듯한 인상을 주며 흥미로운 차량들을 선보였습니다. 최근 자동차 제조사들은 쇼에서 직접 공개하기보다 다른 행사에서 신차를 공개하는 추세를 보였으며, 이번 파리 쇼는 이러한 전통적인 공개 방식이 다시 부활했음을 보여줍니다.

이번 전시회에서는 프랑스의 르노와 스텔란티스 그룹의 차량들이 중심이 되었으며, 특히 시트로엥, 푸조, 피아트 등 스텔란티스 브랜드들이 익숙한 이름들을 재해석하여 선보였습니다. 이는 과거 자동차 쇼가 새로운 모델과 미래 개념을 제시하던 방식과 유사한 복고적인 분위기를 연출했습니다.

하지만 이 기사는 미국 시장에 해당 차량들이 출시될 가능성은 낮다는 점을 시사하며, 이는 스텔란티스 브랜드가 미국 시장에서 취하고 있는 다른 추세와 대비됩니다. 특히 스텔란티스는 미국 시장에서 V8 헬캣 파워를 탑재한 차저를 재출시할 계획을 밝히면서 이러한 변화에 대한 논란을 야기하고 있습니다.

미시간 대학교에서 분사한 라플라스 인텔리전스(Laplace Intelligence)는 인공지능 에이전트와 상호작용 시뮬레이션을 사용하여 로봇과 자율 주행 차량을 실제 배포 전에 스트레스 테스트하는 기술을 개발했습니다. 이 회사는 AI를 활용하여 실제 환경에 적용되기 전에 시스템의 안전성과 신뢰성을 검증하는 데 중점을 두고 있습니다.

이러한 접근 방식은 로봇 및 자율 주행 시스템이 실제 환경에서 발생할 수 있는 잠재적인 위험을 사전에 식별하고 해결하는 데 매우 중요합니다. AI 에이전트를 통해 가상 환경에서 복잡한 시나리오를 시뮬레이션함으로써, 실제 배포 시 발생할 수 있는 오류나 안전 문제를 최소화할 수 있습니다.

라플라스 인텔리전스는 이 기술을 통해 로봇과 자율 주행 차량의 배포 과정을 더욱 안전하고 신뢰할 수 있게 만들고 있습니다. 또한 이 유망한 스타트업은 현재 테크크런치 디스럽트 스타트업 배틀필드에서 경쟁하며 기술 커뮤니티의 주목을 받고 있습니다.

자동 위기 보고의 평가를 위해서는 실무자들이 필요로 하는 정보를 측정해야 하며, 이를 위해 전문가 보고서에서 15개의 슬롯 정보 스키마를 도출했습니다. 연구진은 이러한 정보를 바탕으로 5가지 재해와 3가지 위험 유형에 걸쳐 121개의 인간 생성 보고서와 261개의 LLM 생성 보고서를 평가했습니다.

구체적으로 사이클론 아이다이 사례에서 google/gemini-3.7-flash 모델은 경험적 인간 한계치(0.821)보다 약간 높은 수치(0.827)를 보였으나, 통계적으로 차이가 없었습니다. 또한, 100개 항목의 아이다이 샘플에서 저자는 Gemini 심사관의 정확도 0.910과 비가중 코헨의 크라머(Cohen's κ) 0.799를 일치시켰습니다.

기계 보고서는 당일 공식 수치의 5.4%에서 11.0%를 재현했으며, 수동 감사를 통해 45/50의 선언된 부재, 4/25의 공식 일치, 그리고 24/25의 의미론적 일치를 확인했습니다. 그러나 보고서의 발행 출처(날짜, 조직, 시리즈, 권위)가 전문 보고서 범위 내에서 제공되지 않은 모든 셀에서 발행 출처 격차(issuing-provenance gap)가 양(+)으로 나타났습니다.

추가적으로, 세 가지 주요 사건에 대해 ROUGE-L은 정보 제공 능력이 없었고, BERTScore는 다중성 보정 후 완전성과 음의 상관관계를 보였으며, 일반적인 LLM 심사관은 부호가 바뀌는 현상이 관찰되었습니다.

Xteink X4 Pro는 휴대성이 뛰어나 주머니에 쉽게 넣거나 자석이 있는 스마트폰에 부착할 수 있는 매우 작은 전자책 리더입니다. 이 기기는 4.26인치, 800 x 480 해상도의 E Ink 디스플레이를 탑재하여 아마존의 가장 작은 6인치 Kindle보다 훨씬 작고 얇습니다. 현재 이 제품은 아마존에서 $84.15에 판매되고 있으며, 이는 프라임 데이 가격과 동일한 최저가입니다.

X4 Pro는 이전 모델들보다 향상된 기능을 제공하며, 독자가 화면과 상호작용할 수 있는 터치스크린이 추가되었습니다. 물리적인 페이지 넘김 버튼은 유지하면서도, 홈 화면으로 빠르게 돌아갈 수 있는 터치 민감 버튼과 어둠 속에서도 읽을 수 있는 밝기와 색온도를 조절할 수 있는 내장 조명이 포함되어 있습니다. 또한 CrossPoint Reader 소프트웨어가 기본으로 제공되어 라이브러리 탐색 및 독서 경험을 개선합니다.

다만, Xteink가 USB-C 포트를 독점 충전 커넥터로 변경한 점은 일부 사용자에게 아쉬움을 남길 수 있습니다. 자석 연결 기능은 이전 모델과 마찬가지로 호환되는 스마트폰에 부착할 수 있지만, 이번 모델에서는 자석 연결이 더 강해졌으나 여전히 약간 더 안전하게 만들 여지가 있습니다. 그럼에도 불구하고 이 기기는 휴대성과 가격 면에서 최고의 소형 전자책 리더 중 하나로 평가받고 있습니다.