읽을 가치가 있는 기사만, 짧고 또렷하게.

해커뉴스(Hacker News)에 매일 접속하여 신규 글과 댓글을 확인하는 데 많은 시간을 소비하고 있습니다. 이러한 습관을 개선하기 위해 하루에 한 번만 업데이트를 하고 전날 기준으로 데이터를 수집하는 방법을 제안합니다.

이 방식은 아직 반응이나 평가가 충분하지 않은 신규 글들을 보지 않고 핵심적인 글들만 집중적으로 볼 수 있게 해줍니다. 이는 정보 과부하를 줄이고 중요한 콘텐츠에 더 집중할 수 있도록 돕는 방법입니다.

결과적으로 사용자는 불필요한 정보에 시간을 낭비하지 않고 핵심적인 기술 논의에 더 효율적으로 접근할 수 있습니다. 이러한 업데이트 전략은 매일 해커뉴스를 소비하는 사용자들에게 유용할 것입니다.

Deno 팀이 Cloudflare에 합류하며 서버 소프트웨어 개발의 방향을 전환합니다. Deno는 런타임뿐만 아니라 Deno Deploy와 celld 프로젝트를 통해 컴퓨팅, 스토리지, 통신이 인프라를 따로 조립하지 않고 함께 작동하는 것을 목표로 해왔으며, 이제 Cloudflare의 Workers 및 Durable Objects 팀과 협력하여 이 목표를 더욱 발전시키고자 합니다.

이러한 합류는 Deno의 개발 방향에 중대한 변화를 의미하며, 사용자들에게 구체적인 지원 계획이 제시되었습니다. Deno 런타임은 월별 버그 수정 및 보안 업데이트를 포함한 지원을 한 해 더 제공받으며, 그 이후에는 런타임 개발이 종료됩니다. Deno Deploy는 6개월 동안 운영된 후 종료되며, 유료 고객은 Cloudflare Workers로의 마이그레이션 지원을 받게 됩니다.

또한 JSR 역시 Cloudflare 인프라로 이동하며 운영을 계속할 것이고, rusty_v8은 workerd로 통합될 예정입니다. 특히 AI 에이전트 하네스에 유용한 인프라를 제공하는 Durable Objects에 대한 연구가 강화될 예정입니다. 이는 에이전트의 실행, 상태 유지, 실시간 통신 기능을 통합하여 대규모 에이전트 구축에 필수적인 기반을 마련할 것입니다.

패닉이 2022년에 출시한 작은 노란색 휴대용 게임기인 플레이데이트가 게임 시장에서 최고의 거래 중 하나가 되었습니다. 이는 다른 게임 관련 제품들이 점점 더 비싸지면서 플레이데이트가 상대적으로 좋은 가격에 제공되고 있기 때문입니다. 비록 이 기기가 흑백 화면과 측면에 크랭크가 달린 독특한 디자인을 가지고 있지만, 플레이데이트는 강력하고 지속적으로 성장하는 게임 라이브러리를 구축하는 데 성공했습니다.

플레이데이트의 '시즌'은 짧은 기간 동안 출시되는 게임들을 선별적으로 모아놓은 컬렉션입니다. 특히 시즌 3에는 총 여덟 개의 게임이 포함되어 있으며, 이 게임들은 주간 단위로 출시됩니다. 이러한 시즌 시스템 덕분에 플레이데이트의 가치는 더욱 향상되었습니다.

이러한 시즌별 구성은 사용자들이 한 번에 많은 게임을 합리적인 가격에 경험할 수 있도록 하며, 게임 기기 가격이 상승하는 현재 시장 상황에서 플레이데이트가 제공하는 가치를 더욱 부각시킵니다.

Cloudflare Workers와 Durable Objects에 대해 온디맨드 CPU 및 메모리 프로파일링 기능이 제공됩니다. 이제 프로덕션 환경에서 대화형 플레임그래프를 생성하여 메모리 누수나 성능 병목 현상을 신속하게 추적할 수 있습니다.

이 프로파일링 방법은 코드가 실제로 무엇을 하고 있는지 이해하고 실제 환경에서 개선할 수 있는 유용한 관점을 제공합니다. 개발자는 CLI 또는 Cloudflare 대시보드를 통해 활성 Worker의 CPU 및 메모리 프로파일을 요청하고 분석할 수 있습니다.

CPU 프로파일링을 통해 최적화를 찾는 실제 사례가 제시되었는데, 예를 들어 R2 바인딩을 구현하는 Worker에서 불필요한 CPU 사이클을 제거하여 `genericR2JsonReplacer` 함수의 실행 속도를 2.7배 향상시킨 경험이 있습니다. 이는 코드 내에서 중복 작업을 식별하고 제거하여 성능을 개선하는 데 직접적인 도움을 줍니다.

Durable Objects 프로파일링은 일반 Worker와 달리 상태를 가지므로 특정 인스턴스나 객체를 프로파일링할 수 있는 강력한 기능을 제공합니다. 다만, 온디맨드 프로파일링에는 몇 가지 제한 사항이 있습니다. 프로파일링 세션을 명시적으로 시작해야 하며, 메모리 프로파일러는 프로파일링 기간 동안 발생한 할당만 보여주므로 시작 시점의 할당량은 누락될 수 있습니다.

이러한 한계를 극복하기 위해 Cloudflare는 현재 자동 샘플링을 통한 지속적인 프로파일링 기능을 개발 중입니다. 이는 더 희귀한 이벤트도 포착하여 성능 분석을 용이하게 할 것입니다.

Deno 팀이 Cloudflare에 합류하여 개발자들이 Workers와 Durable Objects를 자체 호스팅하는 것을 획기적으로 단순화하는 것을 목표로 합니다. 이 합류는 개발자들이 더 많은 환경에서 동일한 기본 원시(primitives)를 사용할 수 있도록 하는 데 중점을 둡니다.

이러한 협력은 Deno와 Cloudflare가 제공하는 핵심 기능을 통합하여 개발 환경의 복잡성을 줄이는 데 기여합니다. 이를 통해 개발자들은 Workers와 Durable Objects와 같은 고급 기능을 더 쉽게 접근하고 배포할 수 있게 됩니다.

결과적으로 개발자들은 서로 다른 플랫폼 간에 일관된 방식으로 코드를 작성하고 실행할 수 있는 기회를 얻게 됩니다. 이는 자바스크립트 기반의 런타임과 서비스 호스팅 간의 경계를 허물어 개발 경험을 크게 향상시킬 것입니다.

운동이 암 생존율을 높인다는 연구 결과가 발표되었습니다. 이 연구는 신체 활동이 암 환자 및 생존자에게 긍정적인 영향을 미치며 생존율을 증가시킨다는 점을 입증했습니다.

이 연구는 뉴잉글랜드 의학 저널(NEJM)에 게재되어 신뢰할 수 있는 의학적 근거를 제시합니다. 구체적인 연구 결과는 운동이 암 치료 과정에서 신체적 회복력과 전반적인 건강 상태를 개선하여 생존율 향상에 기여함을 시사합니다.

따라서 암 환자나 생존자들은 일상생활에서 규칙적인 운동을 통해 신체적 건강을 관리하는 것이 암 치료에 있어 중요한 요소가 될 수 있습니다. 이 연구는 운동이 단순한 체력 증진을 넘어 암과의 싸움에서 생존율을 높이는 데 실질적인 역할을 한다는 점을 강조합니다.

멀티모달 언어 모델(MLLM)이 공간 추론에서 유망한 능력을 보이지만, 이를 뒷받침하는 내부 메커니즘은 여전히 잘 이해되지 않았습니다. 연구진은 객체-토큰 표현이 수평, 수직, 거리 축을 따라 연속적인 좌표를 인코딩하는 선형 표현 부분 공간인 S-Space를 발견했습니다. 이 S-Space는 특정 데이터나 프롬프트에 의해 유도된 것이 아니라 내재적이며, 비공간적인 질문에서도 읽을 수 있습니다.

S-Space는 MLLM의 내부 공간 작업 영역으로 기능하며, 지각 과정에서 객체의 위치를 여기에 인코딩하여 정확한 공간 판단을 지원하는 공간 표현을 형성합니다. 내부 추론은 이 공간을 변화된 시점으로 변환하며, 언어적 응답은 인과적 개입을 통해 공간 판단을 변경하면서도 비공간적 응답은 대부분 보존하는 방식으로 S-Space에 선택적으로 접근합니다.

이 연구는 대규모 언어 학습의 능력과 한계를 동시에 보여줍니다. 특히, S-Space는 보이지 않는 개체와 관찰자의 위치를 할당하고 물리적 방향과 추상적인 언어적 의미를 연결하는 것으로 나타났습니다. 그러나 중요한 병목 현상이 발견되었는데, MLLM은 공간 표현을 형성할 수 있지만 시점 변화에 걸쳐 신뢰성 있게 추론하기 위해 필요한 공간 변환 능력은 부족합니다.

연구진은 S-Space를 공간 추론 실패를 진단하는 도구로 사용했습니다. 방향 단어 읽어출은 방위와 이미지 상대적 기준 틀 간의 체계적인 결합을 보여줍니다. 이는 MLLM이 공간적 표현을 형성하는 능력과 공간적 변환을 수행하는 능력 사이의 차이를 명확히 드러냅니다.

인도양 남동부 다이만티나 구역에서 약 1,200km에 걸쳐 고래 사체와 화석 집적지가 발견되었습니다. 이 발견은 약 530만 년 된 심해 고래 무덤의 일부로 추정되며, 고래 낙하 생태계에 대한 이해를 확장하는 중요한 자료를 제공합니다.

연구팀은 수심 6,789m에 위치한 고래 사체에서 현재 생물 군집이 활동하고 있는 5곳의 고래 낙하 지점을 확인했습니다. 또한 이 지역에서 총 476개의 고래류 화석이 기록되어 고대 심해 생태계의 역사를 보여줍니다.

이러한 데이터는 알려진 고래 낙하 생태계의 범위와 활동성을 재조명하며, 심해 환경에서의 생물 다양성과 생태계 연결성에 대한 새로운 통찰을 제공합니다. 이는 심해 생물학 및 해양 환경 모델링에 중요한 근거 자료가 될 수 있습니다.

로봇 정책에 대한 런타임 실패 모니터는 실패와 성공 실행을 얼마나 정확하게 구별하는지를 기준으로 평가됩니다. 하지만 정확한 경고가 복구를 위한 시점을 놓치거나 불필요한 개입이 성공할 수 있는 실행을 방해할 수 있다는 문제가 있습니다. 이에 저자들은 모니터의 경고가 유용한 개입을 가능하게 하는지 평가하기 위한 반사실적 프레임워크인 RESCUE를 제안합니다.

RESCUE는 실행 체크포인트에서 시뮬레이터 및 정책 상태를 복원하여 대안적인 행동을 비교하고, 특정 복구 기준을 만족하는 최신 체크포인트를 식별하며, 경고에 따른 행동이 예상 작업 완료 비용을 줄이는지 평가합니다. 이 연구는 OpenVLA-OFT와 $\pi_{0.5}$를 LIBERO-Spatial 및 LIBERO-Plus 환경에서 128,340개의 반사실적 분기를 사용하여 평가했습니다.

연구 결과는 복구 가능성이 로봇 상태뿐만 아니라 상태와 개입 쌍에 따라 달라진다는 것을 보여줍니다. 예를 들어 $\tau=0.5$ 조건에서 66개의 OpenVLA-OFT/LIBERO-Plus 실패 중 14개가 지속을 통한 복구 가능한 체크포인트를 포함하는 반면, 지속 또는 스크립트 복구를 통한 경우 34개에 불과했습니다. 또한, 주요 강성 정책 조건에서는 유리한 탐지 점수가 개입 비용을 낮추지 못한다는 것이 밝혀졌습니다.

또한, 평가된 정지-재시작 모델에서 이상적인 탐지기조차도 불필요한 재시작의 절감이 실패 조기 중단으로 얻는 이득을 상회하기 전에 2.0~3.3%의 오경보율만 감당할 수 있습니다. 이러한 결과는 모니터의 가치가 사용 가능한 개입과 배포된 작업 부하에 따라 공동으로 결정됨을 시사합니다.

OpenAI는 분할 원리(Partition Principle)가 선택 공리(Axiom of Choice)를 함의하지 않는다는 결과를 발표했습니다. 하지만 선택 공리를 15년 넘게 연구해 온 Asaf Karagila는 공개된 프리프린트만으로는 해당 연구의 전략과 구성을 파악하기 어렵다고 비판했습니다.

이 논쟁의 핵심은 수학적 소통의 품질에 있으며, 이는 특정 수학적 개념들이 어떻게 논리적으로 연결되고 전달되는지에 대한 근본적인 질문을 제기합니다. 연구자들이 특정 수학적 결과를 발표할 때, 그 결과 자체뿐만 아니라 그 배경과 구성 방식에 대한 명확한 소통이 얼마나 중요한지 시사합니다.

따라서 이러한 연구 결과가 실제 수학적 논의에 미치는 영향을 이해하기 위해서는 단순히 결과만을 보는 것이 아니라, 연구 전략과 구성에 대한 깊이 있는 이해가 필수적입니다. 이는 수학적 개념을 다루는 개발자나 연구자들에게 수학적 소통의 품질이 얼마나 중요한지를 보여주는 사례입니다.

임상 예후 예측은 구조화된 측정값, 생리적 파형, 종단적 기록, 그리고 인구 맥락을 통합하는 것을 필요로 합니다. 본 논문은 이러한 요구사항을 충족하기 위해 PRISM(Population-Retrieved Inference for Structured Multimodal Prognosis)이라는 멀티모달 언어 모델을 제안합니다. PRISM은 개별 기록을 프롬프트에 포함하지 않고 유사한 훈련 코호트의 경험 평균 임베딩을 검색하는 방식으로 작동하며, 이를 통해 구조 인식 멀티모달 통합을 달성합니다.

PRISM은 1,443개 태스크의 MDS-ED 벤치마크에서 높은 성능을 보였습니다. 특히 진단(86.2%), 악화(93.1%), 중환자실 입원(91.8%), 사망(92.8%) 예측에서 86.2% 이상의 AUROC를 달성했는데, 이는 보고된 기준선에는 제공되지 않은 96시간 전 도착 시간 창을 활용한 결과입니다. 이는 기존의 보고된 기준선보다 우수한 성능을 입증합니다.

추가 분석 결과, PRISM은 다른 모델들과 비교하여 구조 인식 멀티모달 통합의 중요성을 보여줍니다. 특히 외부 MC-MED 코호트에서 지도 미세 조정(supervised fine-tuning)을 적용했을 때 0.8611 AUROC를 달성하여, 로컬 학습 기반의 그래디언트 부스팅(0.8227)이나 소스 전용 PRISM(0.7841)보다 우수한 결과를 보였습니다. 이는 구조화된 데이터 통합과 지도된 외부 적응이 임상 예후 예측에 효과적임을 시사합니다.

연합 학습(FL)은 분산된 클라이언트 데이터로부터 공유 글로벌 모델을 최적화하는 방식이지만, 통계적으로 이질적인 데이터 분포 하에서는 클라이언트 간에 불공정한 성능을 초래할 수 있습니다. 기존의 공정성 인식 또는 다중 목표 FL 방법들은 클라이언트 재가중치, 기울기 보정 또는 공통 하강(common-descent) 공식화 등을 통해 이 문제를 해결하려 했으나, 종종 글로벌 최적화 방향을 변경하거나 클라이언트 목표를 대칭적으로 취급하는 한계를 보였습니다.

이에 본 논문은 글로벌 최적화 목표와 클라이언트 보호를 분리하는 우선순위 제약 연합 최적화 프레임워크인 FedPCD를 제안합니다. FedPCD는 기존의 연합 집계 결과를 주요 목표로 유지하면서, 클라이언트 성능 제약 조건을 충족하는 데 필요한 최소한의 보정만을 허용합니다. 이러한 접근 방식은 이질적인 FL 벤치마크 전반에서 기존의 최첨단 기준(state-of-the-art)을 지속적으로 능가하며, 모든 구성에서 가장 높은 글로벌 정확도를 달성하고 거의 모든 경우에서 최악의 10% 클라이언트 정확도를 선도합니다.

FedPCD는 글로벌 정확도와 클라이언트 성능 변동성 사이의 경쟁적인 상충 관계를 보존하는 동시에, 더 빠른 경험적 수렴을 입증합니다. 이 방법은 훨씬 적은 통신 라운드에서 동등하거나 우수한 성능에 도달하여 효율적인 FL 적용을 가능하게 합니다.

강화 학습(RL)에서 보상은 시간적 근접성에 따라 전파되므로, 중요한 행동에 할당된 신호가 약해지고 샘플 비효율성이 발생하는 문제가 있습니다. 이 연구는 이러한 문제를 해결하기 위해 설명적 세계 모델(Explanatory World Models, EWM)이라는 귀인 프레임워크를 제안합니다. EWM은 설명을 사용하여 실현된 결과에 기여했을 가능성이 있는 이전 사건들을 식별함으로써 보상을 할당하는 방법을 사용합니다.

연구진은 EWM을 최첨단 언어 모델로 구현하고 보상을 재분배하면서 에피소드 수익을 보존하는 보수적 계층 연산자를 사용하여 학습 신호로 활용했습니다. 또한 유용한 설명이 무엇인지 탐구하기 위해 실제 인과성, 설명적 단순성, 그리고 까다로운 설명에 영감을 받은 세 가지 변형을 운영화했습니다.

이 모델을 두 가지 통제된 장기 RL 벤치마크와 업계 규모의 생성 추천 시스템에 평가했습니다. Crafter와 WordCraft에서는 EWM이 PPO 및 LaRe보다 우수했으며, 보상이 가장 지연되었을 때 가장 큰 이득을 보았습니다. KuaiRand에서는 EWM이 SFT 및 LaRe(오프라인)와 A2C(온라인)보다 우수했습니다. 마지막으로, 업계 규모 생성 추천 시스템의 오프라인 평가에서 EWM은 재현율(Recall)을 크게 개선하고 행동 프록시를 증가시켰습니다.

이러한 결과는 설명이 지연된 결과로부터 학습하는 데 있어 구조화되고 재사용 가능한 크레딧을 제공할 수 있음을 시사합니다. 즉, EWM은 지연된 결과로부터 학습하는 데 있어 효율적인 방법론을 제시합니다.

스톡 앤 플로우 다이어그램을 실행하는 작은 언어인 Meadows에 대한 기사가 올라왔습니다. 이 프로젝트는 시스템 내의 자원 흐름을 모델링하는 데 사용되는 다이어그램을 보다 효율적으로 표현하고 실행하기 위한 언어를 제공하는 것을 목표로 합니다.

Meadows는 복잡한 시스템의 동적인 흐름을 명확하게 표현하는 데 중점을 두고 개발되었습니다. 이는 기존의 다이어그램 도구들이 가지는 한계를 극복하고, 실제 시뮬레이션 환경에서 시스템의 변화를 추적하는 데 필요한 정밀한 표현을 가능하게 합니다.

이러한 언어는 개발자들이 복잡한 시스템 모델링을 코드로 구현하고 시뮬레이션할 수 있도록 돕는 데 중요한 의미를 가집니다. 특히 시스템 설계 및 분석 분야에서 스톡 앤 플로우 모델링의 정확성과 실행 가능성을 높이는 데 기여할 수 있습니다.

장기 목표를 가진 머신러닝 엔지니어링(MLE) 작업을 수행하는 LLM 기반 에이전트 접근 방식은 일반적으로 도구, 기술, 축적된 경험을 관리하는 커스텀 하네스(harness)를 통해 컨텍스트 엔지니어링을 사용합니다. 그러나 단일 세션 실행 시간이 길어질수록 에이전트의 추론 강도는 감소하고 진행 속도는 느려지는 장기 목표 감속(long-horizon deceleration) 현상이 발생하며, 기반 모델이 개선됨에 따라 커스텀 하네스의 이점은 사라지는 하네스 노후화(harness staleness) 현상이 관찰되었습니다.

이러한 발견은 에이전트의 이점이 버전 간에 지속되지 않을 수 있음을 시사하며, 에이전트들이 세션 간에 서로의 작업을 기반으로 구축하는 워크플로우 수준 접근 방식의 필요성을 제기합니다. 연구진은 이러한 교차 세션 에이전트 실행을 컨텍스트 재설정 반마르코 결정 과정(CR-SMDP)으로 모델링하고, 세션 교체가 단일 에이전트 참조 한계를 초과할 수 있는 충분 조건을 설정했습니다.

이를 바탕으로 연구진은 인간화된 MLE 에이전트(Humanize MLE Agents, HMA)를 도입했는데, 이는 두 에이전트를 공유 작업 공간에서 교대로 실행하고 각 세션을 최대 k개의 실험으로 제한하며 컨텍스트를 재설정하는 방식입니다. HMA는 추가적인 작업별 하네스나 사전 지식 보충 없이도 75개의 Kaggle MLE 작업에서 최고 수준의 any-medal 비율 78.2%를 달성했습니다.

또한 HMA는 시간 예산의 4분의 1만을 사용하여 가장 강력한 오픈 소스 기준선보다 8.0점을 초과했으며, 여섯 가지 이질적인 에이전트 쌍에 걸쳐 평균 6.4점의 any-medal 비율 향상을 보여 교차 쌍 일반성을 입증했습니다. 나아가 커널 최적화에 대한 보조 사례에서는 878 사이클을 달성하여 커뮤니티 리더보드 선두 주자와 1.6%의 차이로, MLE를 넘어선 적용 가능성을 보여줍니다.

Jev는 텍스트와 미리 정해진 판단 기준을 입력받아 분류, 점수, 예/아니오 확률을 반환하는 모델입니다. 이 모델은 글을 생성하는 대신 GTM(Go-to-Market) 업무에서 발생하는 반복적인 판단 과정을 처리하는 데 중점을 둡니다.

Jev는 정해진 타입의 응답과 선택지별 확률, 신뢰도를 제공하여 사용자가 원하는 정보를 명확하게 얻을 수 있도록 합니다. 특히 한 번의 API 요청으로 여러 질문을 각각 병렬로 처리할 수 있어 효율적인 데이터 분석이 가능합니다.

이는 LLM(거대 언어 모델)이 텍스트 생성에 집중하는 것과 달리, Jev는 구조화된 의사결정 및 판단을 자동화하는 데 특화되어 있습니다. 따라서 복잡한 비즈니스 환경에서 정량적인 판단이 필요한 업무에 적용하여 반복적인 판단 작업을 자동화하는 데 유용합니다.

이란이 챗지피티를 사용하여 실제 미국 언론 매체에 가짜 기사를 심는 캠페인을 벌였다는 보도가 나왔습니다. 이 캠페인은 인공지능 기술을 악용하여 허위 정보를 대규모로 유포하고 신뢰도를 훼손하는 데 사용되었으며, 이는 AI 생성 콘텐츠의 오용 가능성을 보여줍니다.

공격자들은 챗지피티의 생성 능력을 활용하여 실제 뉴스 출판물처럼 보이는 기사들을 만들어 미국 언론 매체에 삽입했습니다. 이러한 행위는 AI가 생성하는 텍스트의 진위 여부를 구별하기 어렵다는 점을 지적하며, AI 기반 딥페이크나 허위 정보가 미디어 환경에 미치는 잠재적 위험성을 강조합니다.

이 사건은 AI 모델이 생성하는 콘텐츠의 출처와 진실성을 검증하는 데 있어 기술적, 윤리적 문제를 제기합니다. 개발자들은 AI 모델의 출력물이 실제 환경에 미치는 영향을 고려하고, 워터마킹이나 출처 표기 같은 방어 메커니즘을 강화해야 할 필요가 있습니다.

헤트즈너 클라우드 네트워크 스택의 역사는 고객과 잠재 고객이 네트워크를 통해 서비스에 접근할 수 있도록 다재다능하고 안정적인 연결 옵션을 제공하는 데 중점을 두고 발전해 왔습니다. 초기 vServer 제품 출시 이후 다양한 연결 기술이 사용되었으나, 현재는 물리적 네트워크 대신 호스트에서 모든 구성 요소가 작동하도록 설계하여 유연성과 확장성을 극대화하는 방향으로 진화했습니다.

현재의 네트워크 스택은 Open vSwitch를 기반으로 하며, 클라우드 서버와 가상화 호스트(VM 호스트)에 네트워크 기능이 집중되어 있습니다. 이는 물리적 네트워크가 호스트에 안정적인 IP 연결을 제공하고, 호스트가 방화벽, 프라이빗 네트워크와 같은 상위 수준의 네트워크 기능을 제공하는 구조입니다. 이러한 설계는 팀 간의 책임 분리와 기술의 분리를 가능하게 하여 오류 발생 시 영향 범위를 단일 호스트로 제한하고 솔루션을 완전히 소유하고 조정할 수 있게 합니다.

이러한 호스트 기반 접근 방식은 확장성과 복원력을 개선하기 위해 지속적으로 발전해 왔으며, 현재 SDN 팀은 새로운 기능과 IPv6을 위한 프라이빗 네트워크와 같은 새로운 기능을 위한 맞춤형 솔루션을 구축하고 있습니다. 특히, 서버당 최대 80,000개의 활성 연결을 관리하기 위해 ctcount와 같은 내부 프로젝트를 사용하여 연결 추적을 수행하며 네트워크의 안정적인 운영을 보장하고 있습니다.

에이전트 오케스트레이션은 독립적인 컨텍스트를 가진 하위 에이전트에게 작업을 위임하여 대규모 언어 모델 에이전트의 실행 범위를 확장하는 핵심 경로를 제공합니다. 그러나 기존의 오케스트레이션 방법들은 두 가지 한계를 안고 있습니다. 실행 단계에서는 하위 에이전트의 목표와 하네스(harness)가 생성 시점에 고정되어 있어 동적인 실제 환경에 대한 적응력이 제한됩니다. 또한 최적화 단계에서는 희소하고 지연된 피드백이 오케스트레이션 정책의 효과적인 학습을 제약합니다.

이러한 한계를 해결하기 위해 연구진은 즉각적인 선제적 에이전트 오케스트레이션 프레임워크인 POrchestra를 제안합니다. POrchestra는 하위 에이전트가 로컬 실행의 연속성을 유지하면서 필요에 따라 오케스트레이터와 선제적으로 소통하여 하네스를 조정하도록 요청할 수 있게 합니다. 이 메커니즘은 하위 에이전트가 동적인 환경에 원활하게 적응할 수 있도록 하며, 결과적으로 사후 피드백에 기반한 온-폴리시 오케스트레이션 증류(OPOD)를 자연스럽게 유도합니다.

OPOD는 하위 에이전트의 선제적 수정 요청을 이전 오케스트레이션 결정에 연결하여 목표 개선 신호를 도출하고, 최종 보상과 함께 프로세스 감독으로 활용하여 오케스트레이션 정책을 최적화합니다. 연구진은 POrchestra와 OPOD를 심층 연구, 동적 디지털 지원, 소프트웨어 엔지니어링을 포괄하는 세 가지 장기 에이전트 벤치마크에서 평가했습니다.

그 결과 POrchestra는 가장 강력한 기준선 대비 작업 성공률을 평균 9.1% 향상시켰으며, OPOD와 결합했을 때 소규모 오케스트레이터의 성공률을 기존 훈련 기준선 대비 평균 10.0% 개선했습니다. 또한 POrchestra는 비용 대비 성능의 균형도 더 유리하게 달성했습니다. 해당 코드는 GitHub에서 공개되어 있습니다.

Anthropic이 Claude Startups 프로그램 신청서에 대한 재검토를 시작한다고 공식 페이지 FAQ에 공지했습니다. 지난 며칠 동안 이 프로그램에 수십만 건의 신청서가 접수되었으며, 이에 따라 Anthropic은 신청서 처리의 공정성을 확보하기 위해 모든 신청서를 재검토할 예정입니다.

현재 제공되는 혜택의 한도를 이미 초과한 상태이기 때문에, Anthropic은 접수된 모든 신청서를 검토하며 일부 신청서의 상태가 변경될 수 있음을 알리고 있습니다. 이는 신청자들이 기대했던 혜택을 받기 위해 대기하고 있는 상황에서 중요한 변화로 작용합니다.

신청자들은 자신의 신청서 상태가 어떻게 변경될지 확인하기 위해 재검토 결과를 기다려야 합니다. 따라서 신청 과정에 참여한 모든 개발자들은 Anthropic의 공식 공지를 통해 자신의 신청서 상태 변화에 대한 구체적인 정보를 확인하는 것이 필요합니다.