읽을 가치가 있는 기사만, 짧고 또렷하게.

최근 소프트웨어 엔지니어링 에이전트의 발전에 따라 복잡한 코딩 작업을 수행하는 능력이 향상되었지만, 기존 에이전트들은 행동의 결과를 예측하지 못하고 보상 신호를 통해 실패를 정확히 반영하지 못하는 한계를 가지고 있습니다. 이로 인해 잘못된 수정이 신호가 도착하기 전에 저장소 상태를 돌이킬 수 없게 손상시킬 위험이 있었습니다.

이러한 문제를 해결하기 위해 연구진은 ANTE(Anticipate, Then Execute)라는 에이전트 기반 강화 학습(RL) 프레임워크를 제안했습니다. ANTE는 실제 실행을 통해 정책의 사전 예측을 검증하고 이를 행동에 대한 단계별 신용과 신뢰 또는 포기 결정으로 전환하는 방식으로 작동합니다. 특히, 사전 행동에 대한 내부 믿음(belief)을 각 행동 전에 설정하는 Belief-Anchored Policy Optimization(BAPO)을 사용하여 예측을 기반으로 단계별 이점을 확보합니다.

또한, 훈련된 예측을 추론 시 더 나은 행동으로 전환하고 테스트 시간 확장을 용이하게 하기 위해 ANTE-TTO(test-time optimization)를 도입하여 외부 평가자 없이 후보 행동 중에서 선택할 수 있게 합니다. 이 프레임워크를 적용한 결과, Qwen3-32B 모델은 SWE-bench Verified에서 pass@1 성능이 25.0%에서 57.2%로 향상되었으며, 이는 보상 상태를 고려하지 않고 훈련된 GRPO 기준선보다 6.2% 높은 수치입니다.

나아가, 이 모델의 세계 모델 정확도는 강화 학습 과정에서 44%에서 69%로 상승했으며, 학습된 예측 능력은 다양한 하네스 및 분포 외 도메인으로 확장되었습니다. 요약하자면, ANTE는 발생한 일, 현재 상태, 그리고 다음 행동이 달성할 결과를 모두 아는 코딩 세계 모델을 구축하는 것을 목표로 합니다.

선형 어텐션은 긴 컨텍스트 언어 모델링에 필요한 효율성을 제공하지만, 고정된 크기의 순환 상태는 지속적인 계산을 지원함과 동시에 계속 증가하는 기록으로부터 정보를 보존해야 하는 과제를 안고 있습니다. 이러한 결합은 상태의 메모리 용량이 모델의 긴 컨텍스트 능력을 결정한다는 기존의 관점을 강화해 왔습니다.

본 논문은 순환 계산이 장기 저장의 전체 부담을 질 필요가 없음을 주장하며, NoteBank라는 희소한 에피소드 메모리를 소개합니다. NoteBank는 미래의 쿼리가 알려지기 전에 선택된 텍스트를 보관하고, 백본의 고유 특징을 사용하여 쓰기와 주소를 지정하며, 재생(replay)을 통해 검색된 증거를 읽어냅니다. 이 인터페이스는 외부 임베딩 모델, 별도로 훈련된 검색기, 또는 별도의 신경망 리더 없이도 작동하는 훈련 불필요한 플러그 앤 플레이 방식을 제공합니다.

실제 실험 결과, 백만 토큰 수준에서 Gated DeltaNet의 평균 정확도를 6가지 RULER 검색 작업에서 1.7%에서 70.3%로 향상시켰으며, 4K에서 1M 토큰으로 확장할 때 검색 성능 저하가 관찰되지 않았습니다. 또한, 컨텍스트 저장은 동일한 너비, 깊이, 정밀도를 가진 트랜스포머의 전체 MHA KV 캐시 용량의 약 1/2,600 수준에 불과하며, 이는 계산 효율성을 유지하면서 긴 컨텍스트 능력을 크게 확장할 수 있음을 보여줍니다.

이 연구는 1.3B 순환 백본부터 Mamba-2-8B, 그리고 사전 훈련된 Qwen3.5-9B 모델에 이르기까지 다양한 모델에서 LongBench 및 MemoryAgentBench 성능 향상을 입증했습니다. 따라서 희소한 증거 저장과 고유한 재생 메커니즘은 순환 계산의 효율성을 유지하면서 사전 훈련된 선형 어텐션 모델의 긴 컨텍스트 능력을 실질적으로 확장할 수 있습니다.

언어 모델이 인프라로 자리 잡으면서, 공개된 데이터를 기반으로 공공 기관이 구축한 인프라가 소수 제공업체에 의존하는 것의 대안이 되고 있습니다. Apertus는 이러한 접근 방식이 대규모로도 가능하다는 것을 보여주며, Apertus 1.5를 통해 텍스트에서 멀티모달 추론으로 확장했습니다.

Apertus 1.5는 텍스트 모델을 멀티모달 추론으로 확장하며, Apertus 패밀리의 완전히 공개된 모델을 확장합니다. Apertus 1.0 모델을 추가로 사전 학습하여 이미지 및 오디오 이해 능력을 추가하고 컨텍스트 창을 4배 늘려 262,144 토큰까지 확장했습니다. 이 과정에서 멀티모달 기능은 토크나이저를 통해 도입되었으며, 아키텍처는 텍스트에 국한된 상태로 유지되었습니다.

모델은 지도 미세 조정, 장문 컨텍스트 미세 조정, 검증 가능한 보상을 이용한 강화 학습, 선호 정렬을 통해 출시되었습니다. 특히, '생각(Thinking)'은 별도의 모델이 아닌 채팅 템플릿 플래그로 기능하며 8B 모델에서 수학적 추론 능력을 최대 20% 향상시켰습니다.

공개된 모델들은 이전 모델들보다 거의 모든 벤치마크에서 개선되었으며, 특히 8B 모델은 지식, 지시 따르기, 문화적 벤치마크에서 최고 성능을 보입니다. 이미지 및 오디오 이해 능력에서는 완전히 공개된 멀티모달 모델과 경쟁할 만한 성능을 보이며 문서 이해 및 장문/저자원 음성 인식에서 강점을 보입니다.

Apertus는 Apertus 1.0과 마찬가지로 공개적으로 사용 가능한 데이터만을 사용하여 학습하며, 크롤러 옵트아웃을 반영하고 제한적으로 라이선스된 자료를 제외합니다. 모델 가중치, 데이터 준비 및 학습 레시피, 평가 도구는 관대한 라이선스 하에 공개되며, 정렬 단계에 대한 Apertus 헌장도 함께 발표되었습니다.

에이전트 스킬은 운영 절차와 도메인 전문 지식을 담고 있는 재사용 가능한 지식 자산이지만, 평문으로 배포될 경우 무단 복사 및 유출에 취약합니다. 현재 스킬 소유권 확인 및 유출 추적을 위한 실질적인 메커니즘은 아직 충분히 개발되지 않았습니다.

이러한 문제를 해결하기 위해 연구진은 기능 보존과 강력한 워터마크 삽입을 동시에 목표로 하는 KGW 기반 워터마킹 방법인 SkillMarker를 제안합니다. SkillMarker는 품질 제약 기반 재작성(quality-constrained rewriting)과 신호 지향 후보 검색(signal-oriented candidate search)을 통합하여 작동합니다. 이는 지침의 충실도를 보존하기 위해 필수 지식과 유연한 표현을 분리하고, 보존 제약 하에서 더 강력한 워터마크 신호를 얻기 위해 대체 표현을 탐색합니다.

연구팀은 워터마크 삽입, 품질 감사, 탐지를 통합한 오픈 소스 툴킷을 공개하여 에이전트 스킬을 보호할 수 있도록 지원합니다. 이 방법은 콘텐츠가 전체 또는 일부로 복사되거나 다른 스킬에 통합될 수 있는 분산된 스킬 생태계에서 소유권 확인과 유출 추적을 목표로 합니다.

물체 조작 분야에서 비전 언어 행동(VLA) 모델은 개별적인 기본 기술을 실행할 수 있지만, 장거리 조작을 위해서는 시연 없이 이러한 기술들을 조합하는 능력이 필요합니다. 현재의 전체 지침 경로 방식은 기술 연결을 장거리 모방으로 간주하며, 제한된 기술 조합 시퀀스에 대한 전체 지침 훈련은 조합 성공률 40.0%를 보였으나 실제 기술 재조합 성공률은 7.7%에 불과하여 단순히 시퀀스 템플릿을 암기하는 수준에 머무름을 시사합니다.

연구진은 이러한 문제를 해결하기 위해 계층적 하위 작업 실행(HSE)이라는 진단 프레임워크를 도입하여 플래너, 트리거, 정책에 걸쳐 기술 재조합을 노출시키고 장거리 실패를 분리 가능한 모드로 분해합니다. 또한, 기술 훈련 경로 없이 기술 재조합을 측정하기 위한 벤치마크인 RoboCombine을 제시하여, 기본 역량만으로는 순차적 실행을 보장하지 못하며 실패가 이전 하위 작업으로부터의 전환 지점에서 발생한다는 점을 밝혀냈습니다.

이러한 '시작 상태 간극(start state gap)'을 해결하기 위해 연구진은 포즈 견고 작업 초기화(PRTI)라는 경량의 후훈련 전략을 제안했습니다. PRTI는 표준적인 시작 상태를 넘어 시작 상태 범위를 확장하여, 오라클 시간 기반 HSE를 RoboCombine에 적용했을 때 순차적 성공률을 18.16%까지 높였습니다. 이는 무작위 교란(4.21%)이나 로봇 리셋 오라클(9.47%) 결과와 비교했을 때의 수치이며, 조합적 일반화가 단순히 알려진 하위 작업으로 분해되는 것이 아니라, 첫 단계 진행 상황을 신뢰할 수 있는 후속 실행으로 전환하는 견고한 기본 기술 전달에 달려 있음을 보여줍니다.

컴퓨팅 자원은 풍부하지만 고유한 학습 데이터가 제한되어 반복 학습이 필요한 상황에서의 사전 학습(pretraining)에 대한 연구 결과를 제시합니다. 연구진은 무한한 컴퓨팅 환경에서의 사전 학습(infinite-compute pretraining)이 이전에 고정되었거나 개별적으로만 연구된 선택들에 의해 결정된다는 것을 발견했습니다.

특히 배치 크기와 에포크 수를 최적화할 때 검증 손실과 배치 크기 사이에 U자형 관계가 나타나며, 이는 작은 배치에서 발생하는 기울기 노이즈가 암묵적인 정규화(implicit regularization)를 제공하기 때문에 일반적인 사전 학습보다 더 작은 배치를 선호함을 시사합니다. 또한, 단일 패스 가정 하에 최적화되었던 학습 레시피를 에포크마다 문서를 새로운 시퀀스로 재포장하거나 가중치 결합(weight tying) 등을 통해 조정할 수 있음을 확인했습니다.

이후 무한 컴퓨팅 가정을 완화하여 GPU와 시간을 별도의 자원으로 취급할 때의 문제점을 다루었습니다. 일반적인 배치 크기보다 작은 배치는 긴 순차적 학습을 요구할 수 있으므로 GPU와 시간을 분리하여 고려해야 합니다. 또한, 시간 제약이 엄격할 경우 더 큰 배치가 유리하지만, 고정된 시간 예산 내에서도 더 적은 GPU를 사용한 작은 배치가 더 큰 배치와 더 많은 GPU를 사용한 배치보다 낮은 검증 손실을 달성할 수 있음을 발견했습니다.

결론적으로 이 연구는 반복 데이터 학습에서 간과되었던 요인들을 식별하고, 학습 레시피와 자원 할당 방식이 단일 패스 사전 학습에서 어떻게 변화해야 하는지에 대한 구체적인 지침을 제공합니다.

비전-언어 내비게이션은 에이전트가 자연어 지시에 따라 목표 위치에 도달하도록 요구하므로 고품질의 언어 감독이 필수적입니다. 기존 연구들은 비용이 많이 드는 인간 주석에 의존하기보다 데이터 합성 방법을 탐색해 왔으나, 대부분의 방법은 내비게이션과 지시 생성 모델을 분리하거나 특정 구성 요소를 통해 결합합니다. 특히, 기존 방식들은 업데이트 전에 전체 궤적 코퍼스를 고정된 모델로 주석 처리하여 생성된 감독이 발전하는 정책을 따라가지 못하는 문제가 있었습니다.

이에 본 논문은 정책 동기화된 언어-행동 이중 부트스트래핑을 통한 내비게이션을 위한 데이터 중심의 재귀적 자기 개선 프레임워크인 RSI-Nav를 제안합니다. RSI-Nav는 비전-언어-행동 지시 따르기와 비전-행동-언어 지시 생성을 공유 모델 내에서 통합합니다. 이 프레임워크는 지도 학습 미세 조정으로 기본 능력을 확립한 후, 레이블이 없는 궤적을 작은 조각(shard)으로 처리하며 점진적으로 자기 개선을 수행합니다.

RSI-Nav는 각 조각별 업데이트를 통해 새로 생성된 감독이 발전하는 정책과 일치하도록 유지하며, 내비게이션에 공간 추론이 중요함을 고려하여 공간 이해 데이터를 통합합니다. 광범위한 실험 결과, RSI-Nav는 R2R-CE에서 68.6%의 SR(Success Rate)과 RxR-CE에서 72.4%의 SR을 달성했으며, 재귀적 진화를 통해 지시 생성 유틸리티가 향상되고 공간 이해 능력이 소폭 개선되었습니다.

멀티모달 에이전트의 성능을 향상시키기 위해 모델 가중치를 업데이트하지 않고도 재사용 가능한 기술을 개선하는 방법이 제시되었습니다. 연구진은 관찰된 증거와 이를 읽는 절차를 공동으로 발전시키는 ViewCraft를 소개합니다. 이 인터페이스는 관찰 결과를 선택하고 변환하며 정리하고, 독자는 그 결과된 시각을 해석합니다.

ViewCraft는 실패 추적, 리플레이 및 쌍별 평가를 통해 유용한 변경 사항을 보존하며, 인터페이스 투영을 통해 적절한 거부된 공동 제안에서 시각적 편집을 복구합니다. 이 방법은 여덟 가지 벤치마크에서 직접 실행보다 평균 6.1점의 점수 향상을 보였으며 모든 벤치마크에서 개선을 달성했습니다.

또한, 이 학습된 기술은 입력 토큰 예산이 일치할 때 직접 실행보다 더 나은 성능을 보이며, 다중 소스 작업에서 초기 기술보다 8%에서 15% 적은 입력 토큰을 사용했습니다. 학습된 기술은 실행기 전반에 걸쳐 전이되며 증거 구성과 읽기를 결합된 재사용 가능한 기술로 뒷받침합니다.

대규모 언어 모델 에이전트가 데스크톱 애플리케이션의 중요한 사용자 클래스로 부상하고 있지만, 기존의 데스크톱 인터페이스는 인간 사용자나 개발자를 위해 설계되어 에이전트가 시각적 제어를 해석하거나 저수준 소프트웨어 작업을 발견하고 구성하는 데 어려움을 겪습니다. 이러한 불일치는 유능한 에이전트조차도 성능을 저해할 수 있으며, 에이전트가 데스크톱 소프트웨어를 더 쉽게 사용하도록 만드는 인터페이스 속성이 무엇인지에 대한 연구가 필요합니다.

이 질문을 탐구하기 위해 소프트웨어 진화를 인터페이스 변화의 자연스러운 원천으로 간주하고, 여섯 가지 데스크톱 애플리케이션에 걸친 255개의 아티팩트 검증 작업을 포함하는 DeskIF-Bench라는 벤치마크를 도입했습니다. 이 벤치마크는 태스크, 에이전트, 검증자를 고정하고 소프트웨어 릴리스를 변화시켜 인터페이스 변화가 에이전트 성능에 미치는 영향을 측정합니다. 분석 결과, 가장 새로운 릴리스가 가장 오래된 릴리스보다 일관되게 더 나은 성능을 보였으며, 궤적 분석을 통해 발견 용이성(discoverability), 세분성(granularity), 관찰 가능성(observability)이라는 세 가지 관련 인터페이스 속성이 확인되었습니다.

이러한 속성을 바탕으로 설치된 애플리케이션의 기능을 활용하여 에이전트 네이티브 인터페이스를 합성하는 프레임워크인 ANIS를 개발했습니다. 8개 애플리케이션에 걸친 368개의 태스크에 대한 확장된 평가에서는 원자적 인터페이스가 네이티브 SDK 사용보다 성공률을 각각 3.8%포인트와 3.5%포인트 향상시켰습니다. 또한 온라인 토큰 사용량을 약 73% 절감하는 효과를 보였습니다. 목표 수준 명령의 경우 성공률은 각각 74.5%와 67.4%로 더욱 향상되었습니다.

거대 언어 모델(LLM) 에이전트가 팀으로 배포될 때 정보 보유자가 침묵하거나 지배적인 화자가 잘못된 답변으로 그룹을 고정하고 규범 위반이 승인 없이 발생하는 등 사회적인 방식으로 실패하는 문제가 보고되었습니다. 이를 해결하기 위해 LLM 에이전트 팀 내에서 진화하는 사회적 역학 관계를 모델링하고 검증하는 프레임워크인 에이전트 소시오드라마(Agent Sociodrama)를 제시합니다.

이 프레임워크는 고정된 페르소나 하에서 외부 LLM 심판을 통해 에이전트의 감정 상태와 비대칭적 관계가 각 라운드마다 업데이트되도록 하여 상호작용을 형성합니다. 이 연구는 여섯 가지 LLM 백본과 다섯 가지 사회 시나리오를 통해 고전적인 사회 이론 패턴과 인간의 판단에 기반하여 사회적 충실도를 평가하며 구조화된 사회적 패턴을 보여줍니다.

나아가 상호작용 기록과 사회적 궤적에서 그룹 역학 실패를 진단하고 에이전트 페르소나를 재구성하는 궤적 기반 페르소나 재구성(Trajectory-Guided Persona Recasting, TPR)을 도입했습니다. TPR은 에이전트 페르소나 구성이 이질적이거나 무작위로 초기화된 경우에도 초기 페르소나 지정 대비 최대 83.3%p의 정확도 향상을 제공합니다.

대표적인 분산 정보 협력 및 혼합 동기 교섭 작업에서 TPR은 SOTOPIA 및 AgentVerse보다 세 번의 비교에서 최대 37.5%p의 파레토 비율 개선을 달성했습니다. 이러한 결과는 검증된 사회적 궤적이 LLM 에이전트 팀을 복구하기 위한 실행 가능한 신호를 제공한다는 것을 보여줍니다.

희소하고 비정렬된 이미지로부터 완전한 3D 에셋을 생성하려면 관찰된 기하학을 보존하면서 보이지 않는 영역을 채워야 하는 과제가 있습니다. 재구성(reconstruction)과 생성(generation)을 결합하는 방식은 이 두 목표를 동시에 달성할 수 있지만, 카메라 상대적 재구성 방식과 표준 공간(canonical-space) 생성을 결합할 경우 좌표 불일치가 발생하여 기하학적 상호작용이 어려워집니다. 또한, 모든 시점에 따라 3D 위치를 조건화할 때 관련 없는 이미지 내용이 유용한 기하학적 증거와 혼합되어 국소적인 세부 묘사 복구가 방해될 수 있습니다.

이러한 문제를 해결하기 위해 본 논문은 재구성 및 생성을 공유된 앵커 가이드 공간에서 공동으로 모델링하는 UniForge3D를 제안합니다. 이 공간은 앵커 뷰의 방위각을 따르면서 객체를 수직으로 유지하여 좌표 불일치를 해소합니다. 두 분기는 특징을 양방향으로 교환하여 시점별 포인트 맵과 완전한 희소 복셀 구조를 예측합니다.

나아가, 예측된 구조를 기반으로 포인트 맵 예측을 조건화하여 픽셀 대 복셀 대응 관계를 확립하고 각 복셀에 대해 가장 유익한 입력 시점을 선택합니다. 선택된 시점의 특징을 사용하여 상세한 형태 생성을 안내함으로써 관찰된 기하학적 세부 사항을 보존할 수 있습니다. 이 방법은 Toys4K와 GSO에서 최고 수준의 외관 및 기하학적 결과를 달성하며 향상된 충실도로 완전한 3D 에셋을 생성합니다.

오디오를 제거해도 시각 예측기의 결과가 변하지만, 해당 작업이 의도된 오디오 정보를 사용했는지 여부는 알 수 없는 문제가 제기되었습니다. 이에 연구진은 해석을 개입, 홀드아웃 작업 비교, 또는 엔드포인트 제어를 연결하는 네 단계 프로토콜인 조건부 입력 및 시각 해석 확인(CIViC)을 도입했습니다.

이 방법은 배우 분리 얼굴 레스터 테스트, 합성 오디오 특징 혼합, 소스 비디오 분리 SpeakerVid 프록시 작업 등 다양한 프록시 작업에서 CIViC를 시연했습니다. 정적인 얼굴 레스터 테스트에서는 교차 배우 오디오 대체가 작은 효과로 등록된 탐지 규칙을 충족했으며, 별도의 시간적 엔드포인트에서는 오디오 훈련 적합(fits)보다 상수 오디오가 더 나은 점수를 얻었습니다.

합성 혼합에서는 조건 증강 적합이 오디오만 사용한 적합보다 1,000 스텝 RMSE가 더 높았으나 훈련 과정에서 이 격차는 줄어들었습니다. 또한 SpeakerVid 프록시 작업에서는 오디오 요약(five-feature-zero fit)이 정렬된 오디오보다 전체 프레임 그레이스케일 RMSE는 낮았지만, 정렬된 오디오는 세그먼트 드리프트 오류가 더 낮았습니다.

이러한 결과는 출력 활성화, 홀드아웃 오류, 그리고 엔드포인트 제어가 이러한 프록시 작업 전반에 걸쳐 서로 다른 해석을 지원한다는 것을 보여줍니다. 이는 오디오 조건화된 시각 예측 모델에서 해석의 신뢰성과 제어 가능성을 높이는 데 중요한 시사점을 제공합니다.

에이전트 강화 학습(RL) 분야의 최근 연구는 장기 과제에서 보상 할당 문제를 개선하는 데 중점을 두고 있습니다. 특히 강화 학습과 검증 가능한 보상(RLVR) 및 온-폴리시 자기 증류(OPSD)를 결합하여 궤적 수준의 이점과 밀도 높은 토큰 수준의 감독을 통합하는 방향이 주목받고 있습니다. 이러한 접근 방식은 종종 에이전트 기술과 같은 특권적 맥락을 기반으로 교사 모델을 조건화하여 학생 정책이 생성한 토큰을 평가하는 방식을 사용합니다.

하지만 이러한 연구들은 에이전트 기술의 온-폴리시 진화나 교사 감독의 신뢰성을 충분히 고려하지 못한다는 한계가 있습니다. 이에 본 논문은 에이전트 기술과 정책 모델이 훈련 과정 전반에 걸쳐 공동으로 진화할 수 있게 하는 자기 발전 에이전트 RL 프레임워크인 재귀적 자기 개선 정책 최적화(RSIPO)를 제안합니다. RSIPO는 정책 자체가 완료된 궤적에서 기술을 추출하고 궤적 재생을 통해 기술 생성 능력을 명시적으로 최적화할 수 있게 합니다.

또한 RSIPO는 기술 향상된 교사 지침이 때때로 덜 신뢰할 수 있다는 점을 고려하여 학생의 교사 점수에 대한 신뢰도를 동적으로 보정하는 경험적 베이즈 수축(empirical Bayes shrinkage)을 사용합니다. 이 방법은 에이전트 기술의 온-폴리시 진화와 교사 신뢰도 문제를 해결하며, 실증 실험 결과는 Qwen 계열 모델을 에임바디드 상호작용 및 탐색 기반 에이전트 과제에 적용했을 때 RSIPO가 모든 비교 기준 접근 방식을 능가함을 보여줍니다.

Qwen2.5-7B를 기반 모델로 사용한 실험에서 RSIPO는 ALFWorld에서 평균 성공률 98.6%를 달성했으며, 이는 두 번째로 좋은 기준선과 표준 GRPO 대비 각각 2.5%와 17.4%의 절대적인 개선을 가져왔습니다.

이 웹사이트를 Swift로 완전히 재작성하여 페이지, 컴포넌트, 스타일까지 모두 Swift로 구현했습니다. 개발자는 앱에서 웹으로 전환할 때 언어와 도구를 변경할 필요가 없어졌으며, 이는 Swift가 SwiftUI와 유사한 방식으로 작동하기 때문에 개발 경험을 크게 향상시킵니다.

이 시스템의 핵심은 컴파일러를 통해 오류를 사전에 잡아낸다는 점입니다. 링크, 클래스 이름, 스타일 등 웹사이트의 모든 요소들이 컴파일 과정에서 상호 검증되어, 런타임에 발생하는 깨진 페이지 문제를 원천적으로 방지합니다. 컴포넌트는 구조체(struct)로, 스타일은 수정자(modifier)로 작동하며, 이는 SwiftUI의 개념과 매우 유사하게 설계되었습니다.

스타일링과 데이터 처리 역시 타입 안전성을 극대화했습니다. CSS 변수나 미디어 쿼리 같은 기능들이 타입으로 정의되어 컴파일 오류를 방지하며, 컴포넌트는 자체적인 마크업과 스타일, 스크립트를 하나의 파일에 담아 관리합니다. 결과적으로 웹사이트는 작고 빠르며, 모든 링크와 ID는 빌드 후에도 검증되어 안정성이 보장됩니다.

Zig 언어에서 타입 안전성을 보장하는 HTML 템플릿 기능을 구현하는 프로젝트가 소개되었습니다. 이 프로젝트는 기존의 동적 언어에서 발생하는 런타임 템플릿 오류와 XSS 취약점을 해결하고 싶다는 요구에서 출발했습니다.

개발자는 컴파일 시점에 모든 입력과 출력을 타입 안전하게 검사하며, 메모리 할당 없이 직접 `std.Io.Writer`에 출력하는 방식으로 속도를 극대화했습니다. 또한 모든 입력값은 기본적으로 HTML 이스케이프 처리되어 XSS 공격을 방지하며, 레이아웃 상속 기능을 제공하여 다른 언어의 템플릿 상속 개념을 구현할 수 있습니다.

이 시스템은 템플릿 오류가 Zig 컴파일러 오류로 처리되어 안정성을 높이는 것이 가장 큰 장점입니다. 템플릿 내에서 발생한 오타나 구조적 오류는 컴파일 단계에서 즉시 감지됩니다. 현재 프로젝트는 Zig 코드 내에서 템플릿을 파싱하고 트랜스파일하는 방식으로 작동하며, 개발자는 Zig의 네이티브 제어 흐름을 활용하여 템플릿을 작성할 수 있습니다.

다만, 프로젝트는 아직 성숙 단계에 있으며 향후 `@if`, `@for`, `@switch`와 같은 구문으로 전환을 고려하고 있습니다. 이는 템플릿의 명확성을 높이는 방향으로 진행될 예정입니다.

NixOS 환경에서 VEX(Vulnerability Exploitability eXchange)의 효과적인 활용에 대한 내용입니다. VEX는 특정 소프트웨어 제품이 알려진 취약점에 노출되어 있는지 여부를 알려주는 기계가 읽을 수 있는 보안 자문입니다. 최근 LLM 기반 취약점 보고서의 홍수로 인해 프로젝트 유지보수자뿐만 아니라 시스템 관리자나 보안 팀들도 CVE를 처리하는 데 어려움을 겪고 있으며, 이를 자동화하여 취약점 분류 프로세스를 확장할 필요성이 제기되고 있습니다.

기존의 취약점 분석 방식은 소프트웨어 구성 목록(SBOM)을 기반으로 취약점을 스캔하는 방식으로 이루어지지만, 이는 코드 변경 시마다 전체 분석을 반복해야 하는 비효율성이 있습니다. 이 문제를 해결하기 위해 NixOS의 선언적 특성을 활용하여 취약점 조건을 코드로 명시하고 VEX 문서를 조건부로 생성하는 nixos-vex라는 접근 방식이 제시되었습니다.

이 방법은 특정 취약점(예를 들어 CVE-2007-2768)이 시스템 구성 조건에 따라 영향을 미치는지 여부를 코드로 정의하여, 해당 코드가 존재하지 않으면 VEX 상태를 'vulnerable_code_not_present'로 설정할 수 있게 합니다. 이를 통해 취약점 분류 작업의 비용을 최소화하고, 취약점이 해결되었을 때만 재확인하는 방식으로 자동화가 가능해집니다.

이러한 프로세스를 통합하여 취약점을 자동으로 무시하고 분류하는 것이 가능해지며, 이는 시스템의 보안 관리 효율성을 크게 높일 수 있습니다. 개발자는 이 프로세스를 통해 취약점 관리의 부담을 줄이고 시스템의 안전성을 확보할 수 있습니다.

전구형 컴퓨터는 프로젝터와 컴퓨터 비전을 큰 전구 형태로 결합하여 일상 공간의 표면과 사물에 정보를 투사하는 기기 구상입니다. 이 기술은 물리적인 공간을 디지털 인터페이스로 확장하여 사용자에게 직관적인 정보 접근 방식을 제공하는 것을 목표로 합니다.

이 기기는 음성 명령과 손가락으로 가리키는 동작을 인식하고 눈앞의 내용을 분석하는 방식으로 작동합니다. 이를 통해 사용자는 복잡한 명령 없이도 다양한 기능을 수행할 수 있습니다.

구체적인 활용 사례로는 주방 레시피 표시, 지도 탐색, 스마트홈 제어 등이 있으며, 이는 사물과 환경에 직접 정보를 투사하는 새로운 인터랙션 방식을 제시합니다.

마이크로소프트의 CEO인 사티아 나델라는 고도로 발전된 AI 모델이 제기하는 위험에 대해 경고하며 모든 AI 모델은 '손상되었다(compromised)'고 가정해야 한다고 주장했습니다. 그는 더 이상 AI를 조언과 행동을 단순히 수용하거나 거부하는 '중첩된 블랙박스'로 취급하는 세상을 받아들일 수 없다고 강조했습니다.

나델라는 AI 시스템에 대한 위험을 해결하기 위해 모델을 격리하고 관찰할 수 있는 보다 투명한 시스템을 구축해야 한다고 제안했습니다. 이를 통해 모델이 남기는 '위변조 방지 인간이 읽을 수 있는 증거'를 남기는 것이 필수적이라고 말했습니다.

그는 이러한 요구 사항들이 업계 전반의 권고 사항과 일치한다고 언급하며, 시기적절한 사고 공개, 독립적인 감사, 검증 가능한 데이터, 그리고 모델 격리라는 네 가지 핵심 조치를 강조했습니다. 특히 모델의 안전성과 신뢰성을 확보하기 위해서는 이러한 투명성과 증거 기반 접근 방식이 중요합니다.

AMD SEV-SNP(Secure Nested Paging)는 하이퍼바이저가 게스트의 메모리에 접근하는 것을 방지하며, 메모리 소유권과 매핑에 대한 검사를 통해 보안을 강화합니다. 이 기술은 가상 머신이 시작될 때의 상태와 구성을 증명하는 보고서를 요청할 수 있게 하여 원격 증명(attestation)을 가능하게 합니다.

SNP는 가상 머신의 시작 측정값과 정책을 포함하는 보고서를 제공하며, 이 보고서는 AMD 보안 프로세서에 의해 서명됩니다. 리눅스 환경에서는 /dev/sev-guest 인터페이스를 통해 이 보고서를 요청할 수 있으며, 이때 가상 머신의 권한 수준(VMPL) 정보도 함께 전달됩니다.

개발자는 Zig 언어를 사용하여 이 보고서를 가져오고 파싱하는 방법을 구현할 수 있습니다. 특히, 보고서의 무결성을 확인하기 위해 OpenSSL을 사용하여 서명 인증서 체인과 ECDSA P-384 서명을 검증하는 과정이 필요합니다.

Coconut SVSM이나 OpenHCL과 같은 서비스가 가상 TPM을 호스팅할 때, SNP 펌웨어는 메모리 접근을 차단하여 키를 보호합니다. 따라서 보고서를 요청할 때 이러한 서비스의 주장과 플랫폼 보안 버전, 그리고 예상되는 런치 측정값을 비교하여 보고서의 유효성을 최종적으로 검증해야 합니다.

마이크로소프트의 사티아 나델라 CEO는 인공지능 모델에 ‘비상 브레이크’가 필요하다고 강조하며 AI 안전에 대한 새로운 접근 방식을 제시했습니다. 나델라는 AI를 단순히 중첩된 블랙박스로 취급하여 추천이나 행동을 무조건 수용하거나 거부해서는 안 되며, AI의 신뢰 구조를 재평가해야 한다고 주장했습니다.

그는 모델을 작동시키는 장치로부터 분리하고 통제 및 안전장치를 외부화해야 한다고 설명했습니다. 또한 모든 의미 있는 모델 행동은 위변조 방지된 사람이 읽을 수 있는 증거로 문서화되어야 하며, 권한 있는 사람이 작업 도중에 모델을 일시 중지하거나 중단할 수 있는 능력을 갖춰야 한다고 제안했습니다.

나델라는 모델이 손상되었을 가능성을 항상 염두에 두고 처음부터 이를 통제하고 격리해야 한다고 강조하며 비상 브레이크의 필요성을 역설했습니다. 이러한 주장은 AI 기업들이 모델 통제력을 상실한 사례가 늘어나고, 다른 주요 AI 기업들이 더욱 신중한 개발 계획을 발표하는 상황에서 나왔습니다.