읽을 가치가 있는 기사만, 짧고 또렷하게.

본 논문은 물리적으로 근거가 있는 관절형 3D 에셋 생성을 연구하며, 단순히 물체의 외관을 재현하는 것을 넘어 움직임과 기능을 포착하는 것을 목표로 합니다. 이를 위해 절차적 및 에이전트 생성 문헌에서 영감을 받아 물리 시뮬레이션 피드백을 도입한 멀티 에이전트 파이프라인을 갖춘 Artisan 시스템을 제시합니다.

Artisan은 기존의 Articraft 방법을 확장하여 기하학, 외관, 물리적으로 그럴듯한 관절 움직임 외에도 충돌 없는 움직임, 중력 하에서의 안정성, 정확한 질량 및 재료 속성과 같은 포괄적인 속성을 가능하게 합니다. 또한, 공간 충실도, 물리적 타당성, 다운스트림 작업 성능, 전반적인 품질이라는 네 가지 핵심 측면을 포괄하는 통합 벤치마크를 구축했습니다.

이 벤치마크는 ArtVIP 및 LightWheel의 100개 참조 에셋, 50개의 안정성 프롬프트, 참조 질량을 가진 50개의 ABO 객체를 포함하며 다양한 측정 프로토콜을 통해 평가됩니다. 광범위한 평가를 통해 Artisan은 경쟁력 있는 공간 충실도를 달성하는 동시에 평가된 방법들 중 가장 낮은 충돌률과 가장 높은 안정성률을 기록했습니다. 이 시스템과 벤치마크는 3D 생성 기술을 물리적으로 그럴듯하고 기능적으로 사용 가능한 에셋으로 발전시키는 데 중요한 통찰력을 제공합니다.

확산/흐름 모델이 이미지 생성의 주류 패러다임으로 자리 잡았지만, 잠재 표현의 교차 모델 정렬과 근본적인 노이즈 제거 역학의 일관성은 여전히 충분히 탐구되지 않았습니다. 본 연구는 독립적으로 훈련된 생성자들이 유사한 잠재 공간 조직을 보이며, 비정렬된 모델 간에 중간 상태를 직접 전달할 때도 대략적인 시각적 내용을 보존할 수 있다는 흥미로운 교차 모델 호환성을 발견했습니다.

이러한 관찰을 바탕으로 연구진은 이기종 이미지 생성 모델의 노이즈 제거 궤적을 연결하는 경량의 공유 잠재 인터페이스인 InstantFusion을 제안했습니다. InstantFusion은 다양한 모델 간의 상태 변환을 가능하게 하기 위해 모델별 잠재 자동 인코더(LAE)를 도입하여 서로 다른 생성자로부터 중간 상태를 공유 잠재 공간으로 투영하고 목표 생성자의 잠재 공간으로 디코딩합니다.

이 공유 공간은 동일한 노이즈 수준에서 파생된 중간 상태를 정렬하고 해당 상태의 국소 노이즈 제거 속도를 동기화하는 두 가지 상호 보완적인 목표에 의해 제약됩니다. 이 방법을 통해 InstantFusion은 각 모델 쌍에 대한 전용 매핑 없이도 고정된 생성자들 사이에서 노이즈 제거 과정을 원활하게 전환할 수 있게 합니다.

InstantFusion의 다재다능함은 가속, 다중 선호 구성, 교차 아키텍처 온-폴리시 증류, 교차 모델 구성 등 다양한 설정에서 경쟁적인 성능을 달성하며 그 잠재력을 입증했습니다.

코딩 에이전트가 기존 저장소 내 문제 해결이나 요구사항 문서로부터 저장소를 생성하는 대신 처음부터 프로그램을 구축하는 데 사용되고 있지만, 에이전트가 필요한 것을 발견하고 시스템을 설계하는 방법을 결정하도록 강제하는 확장 가능하고 검증 가능한 훈련 환경은 여전히 부족합니다. 또한, 기존 에이전트 워크플로우는 에이전트가 구현 전에 참조 프로그램을 탐색하는 장기 개발을 지속할 수 없습니다.

이러한 문제들을 해결하기 위해 장기 프로그램 복제 에이전트를 위한 확장 가능한 훈련 환경을 제공하는 프레임워크인 ProgramGym을 소개합니다. ProgramGym은 Program-Env와 Program-Agent로 구성되며, Program-Env는 실행 시간 샌드박스 빌드와 블랙박스 테스트 품질을 복구하는 피드백 기반 루프를 통해 저장소로부터 검증 가능한 훈련 환경을 구축합니다. 이 새로운 파이프라인을 사용하여 C, C++, Go, Rust 언어를 포괄하는 1,648개의 훈련 환경을 확보했습니다.

Program-Agent는 분석, 구현, 검토의 역할 분리된 워크플로우와 컴파일 확인 및 실패 복구를 위한 수정 관리를 결합합니다. ProgramBench 실험 결과, Program-Env와 Program-Agent 모두 프로그램 복제 성능을 향상시켰습니다. 이 환경에서 궤적에 대해 미세 조정했을 때 Qwen3.8-27B의 성능은 34.87%에서 42.84%로 상승했습니다. 또한 Program-Agent는 기본 모델과 SFT 모델을 각각 55.71%와 56.25%로 높여 일부 플래그십 모델을 능가했습니다.

연구자들은 ProgramGym을 출시하여 처음부터 프로그램을 구축하는 코딩 에이전트에 대한 추가 연구를 지원할 계획입니다.

대규모 언어 모델(LLM)을 AMLworld의 가장 작은 테스트 분할에 평가하는 것은 각 목표에 대해 별도의 그래프 프롬프트가 필요하여 비용이 많이 듭니다. 샘플링을 통해 비용을 줄일 수 있지만, 작은 균형 잡힌 부분집합은 가중치가 적용되지 않은 정밀도와 F1 점수를 변화시킵니다. 이에 따라 연구진은 모든 불법 거래를 유지하고 지도 점수 계층에서 양성 거래를 샘플링하는 평가 세트인 AMLworld-Compact를 소개합니다.

이 방법은 HT-Coreset 프로토콜을 사용하여 평가 대상을 HI-Small 및 LI-Small에서 271배 및 611배로 줄입니다. Horvitz-Thompson 가중치는 고정된 예측에 대한 편향되지 않은 전체 테스트 혼동 횟수 추정치를 제공하며, 재현율은 정확하지만 정밀도와 F1 점수는 비율 추정치로 계산됩니다. 이 연구에서 그래프 특징 사전 처리기(GFP) 특징을 사용한 별도의 연구에서, F1 RMSE는 균일 샘플링과 HT 가중치를 사용했을 때 4.44-7.41 대 0.00-2.58 퍼센트 포인트로 나타났습니다.

평가 결과, 일곱 개의 오픈 웨이트 LLM은 가중치 적용된 정밀도가 예측된 모든 불법 거래 기준선에 근접했습니다. 또한, 1,000개의 HI-Small 퓨샷 출력에 대한 결과 분류 감사에서, 84.5%의 정확한 결과와 56.2%의 부정확한 이진 판정에서 텍스트 검사가 통과했으므로 이러한 마커는 정확성을 확립하지 못합니다. 연구진은 이 평가 세트, 구축 코드, 감사 도구를 공개했습니다.

연속 학습은 모델이 과거 경험을 축적하고 이를 새로운 작업에 전이시키는 것을 요구합니다. 하지만 지속적인 학습에 대한 연구는 주로 비구체적인 환경에 국한되어 있으며, 구체적인 환경인 임베디드 환경으로 확장되지 못했다는 한계가 있었습니다. 이러한 격차를 해소하기 위해 본 연구는 자기 진화 에이전트의 연속 학습 능력을 평가하는 최초의 임베디드 시뮬레이션 벤치마크인 EmbodiedCLBench를 소개합니다.

이 벤치마크는 구성적 일반화(compositional generalization)를 핵심 평가 원칙으로 삼아, 에이전트가 기본 작업을 학습한 후 획득한 기술을 재조합하여 복잡하고 보지 못했던 고급 작업을 해결할 수 있는지 평가합니다. 다양한 에이전트 하네스와 학습 방법을 통해 실험을 진행한 결과, 기본 작업에서 얻은 경험이 작업 복잡도가 증가하더라도 일관된 개선을 가능하게 함을 확인했습니다.

그러나 이러한 개선 효과는 학습 샘플 수에 비례하여 확장되지 않으며, 현재 에이전트들은 추가적인 경험으로부터 의미 있는 정보를 추출할 수 없다는 한계가 드러났습니다. 따라서 본 연구는 연속 학습을 임베디드 환경에서 효과적으로 설계하기 위한 자원으로서 벤치마크의 가치를 제시합니다. EmbodiedCLBench의 코드와 데이터셋은 https://pku-value-lab.github.io/EmbodiedCLBench-homepage에서 확인할 수 있습니다.

온폴리 정책 증류(OPD)는 더 강한 교사로부터 토큰 수준의 지도 신호를 사용하여 타겟 정책을 훈련하는 방법이지만, 일반적으로 교사가 타겟보다 상당히 더 유능해야 한다는 제약이 있었습니다. 최근 연구는 교사의 절대 분포 대신 전문가와 참조 정책 간의 상대 정책 차이를 전달함으로써 이러한 요구 사항을 완화했습니다. 이 연구는 전문가와 참조 정책 간의 로그 확률 비율을 KL 정규화된 정책 최적화를 위한 암묵적인 보상으로 정의하는 통합된 관점을 제시합니다.

이러한 공식화는 타겟에 대한 온폴리 업데이트를 유도하며 기존의 OPD를 특수한 경우로 복원하고, 규모, 훈련 단계 또는 생성에서 차이가 나는 모델 간의 모든 방향으로의 전이를 가능하게 합니다. 체계적인 실험 결과 세 가지를 도출했습니다. 첫째, 더 강한 전문가가 반드시 더 나은 지도 출처는 아니며, 강화 학습이나 지도 미세 조정과 같은 작업별 훈련에서 유도된 차이는 일관되게 전이되지만, 모델 규모만으로 발생하는 차이는 전이가 약하거나 전혀 일어나지 않습니다.

둘째, 전문가와 참조는 상호 보완적인 역할을 합니다. 전문가는 전이될 능력을 제공하는 반면, 참조는 공유된 행동을 걸러내고 관련 잔차를 분리합니다. 셋째, 유용한 차이도 모든 타겟으로 전이되지 않을 수 있습니다. 성공을 위해서는 유도된 업데이트가 타겟을 전문가 쪽으로 이동시키고 샘플링된 롤아웃을 넘어 일반화해야 합니다. 원시 정책 거리는 전이 가능성을 예측하지 못하지만, 적절한 참조는 그렇지 못한 전이를 구제할 수 있습니다. 이러한 결과는 OPD에 상대 정책 차이가 효과적인 지도를 제공하는 경우를 특징짓습니다.

픽셀 확산 트랜스포머에서 시각 표현이 이해에는 유용하지만 생성에 어떻게 활용될지는 불분명하다는 연구 결과를 제시합니다. 연구진은 더 나은 표현 품질이 반드시 생성 유용성을 높이지는 않으며, 픽셀 합성 과정에서 외부 정렬된 의미가 점진적으로 손실될 수 있다는 첫 번째 통찰을 발견했습니다. 또한, 특화된 픽셀 디코더를 사용한 아키텍처 분리가 생성에 더 적합한 표현을 제공하지 않을 수 있다는 두 번째 통찰도 도출했습니다.

이러한 통찰을 바탕으로 유용한 생성 표현은 적절하게 형성되고 적극적으로 활용되어야 한다는 결론을 내렸습니다. 이에 따라 연구진은 내부 표현을 직접 형성하고 활용하면서도 일반적인 트랜스포머 구조를 유지하는 표현 유도(Representation Guidance, RG)를 제안했습니다. RG는 차원을 낮추는 병목을 통해 생성 관련 정보를 압축된 표현으로 강제하고, 이를 흐름 일치 목표를 수정하여 디코더 생성을 안내하는 방식으로 작동합니다.

RG는 파라미터와 계산 모두에서 효율적으로 확장하면서 더 명확한 의미적 및 공간적 구조를 학습합니다. ImageNet 256x256에서 RG-L/16은 4억 5,900만 개의 파라미터만을 사용하여 더 큰 픽셀 확산 트랜스포머보다 우수한 성능을 보였습니다. RG-XL/16은 FID 1.55를 달성했으며, 512x512 해상도에서는 FID 1.74에 도달했습니다.

나아가 RG는 텍스트-이미지 생성으로 확장되어 GenEval에서 0.89, DPG-Bench에서 87.1의 결과를 달성했습니다. 이는 RG가 효율적인 구조와 뛰어난 생성 성능을 동시에 제공함을 입증합니다.

AI 에이전트를 활용하여 1인칭 슈팅 게임을 디컴파일하는 프로젝트는 정확하고 안정적인 게임 재현을 목표로 진행되었습니다. 개발자들은 C++ 소스 코드를 얻는 것 외에도 실행 가능하고 보안 및 버그 수정이 반영된 코드를 원했으며, 리눅스, macOS 등 다양한 환경에서 구동할 수 있는 포터빌리티 개선도 요구했습니다. 이 과정에서 Claude Max, Codex Pro와 같은 모델들을 오케스트레이션하고 GitHub CLI, Discord를 통해 에이전트 간의 통신을 관리하며 IDA-MCP 도구를 사용하여 디컴파일 작업을 수행했습니다.

에이전트들이 자율적으로 작업하는 과정에서 토큰 소비를 줄이고 에이전트의 집중도를 유지하기 위해 인프라와 지침을 최적화하는 노력이 필요했습니다. 특히 컨텍스트 압축을 조기에 트리거하여 토큰 소비를 줄였으나, 에이전트들은 시간이 지남에 따라 집중력을 잃고 작업의 품질이 떨어지는 문제가 발생했습니다. 결과적으로 디컴파일된 코드는 문법적으로는 읽기 쉬웠으나 함수 서명이나 로직에서 의미론적인 오류가 발견되어 프로젝트의 최종 결과물은 실패로 간주되었습니다.

이 경험을 통해 AI 에이전트에게 정확한 지침을 제공하는 것이 얼마나 중요한지 깨달았습니다. 에이전트가 해석의 여지를 남기지 않는 명확하고 기계적으로 검증 가능한 목표를 설정해야 하며, 지침은 시간이 지나면서 퇴화하므로 주기적인 업데이트가 필수적입니다. 최종적으로 생산성보다 결과물의 정확성과 올바름이 훨씬 더 중요하며, 에이전트의 작업 품질을 보장하기 위해서는 객관적인 PASS/FAIL 신호를 제공하는 검증 시스템이 필요하다는 교훈을 얻었습니다.

Prime Agent를 Rust로 재작성하여 성능과 안정성을 크게 향상시켰다는 소식입니다. 이 작업은 지난 2주 동안 진행되었으며, Prime Agent가 8조 토큰 이상을 처리하고 2,000개 이상의 에이전트를 오케스트레이션하는 대규모 시스템을 기반으로 이루어졌습니다. 개발팀은 이 Rust 전환을 통해 메모리 및 시작 시간 이점을 얻고, 런타임 오류를 줄이며, Rust의 소유권 및 생명 기간 시스템을 활용하여 컴파일 시점에 버그를 사전에 방지하는 강력한 안정성을 확보했습니다.

Rust를 채택한 주요 이유는 성능과 동시성 확보에 중점을 두었기 때문입니다. Rust는 가비지 컬렉터가 없어 메모리 효율성이 높고, Send 및 Sync 트레이트를 통해 스레드 간 데이터 공유를 안전하게 보장하여 다중 에이전트 환경에서 발생하는 복잡한 동시성 문제를 해결했습니다. 또한, 코드베이스를 모듈화하여 윈도우 지원, 세션 충돌 격리, 일관된 데몬 프로토콜 등의 아키텍처 개선을 이루어냈습니다.

재작성 과정에서 팀은 TypeScript 버전과의 기능 동등성(Feature parity)을 보장하기 위해 서브 에이전트를 활용하여 종속성을 정렬하고, TUI, 하네스, 프로토콜 수준에서 객관적인 검증을 수행했습니다. 이러한 체계적인 접근 덕분에 에이전트들이 자율적으로 재작성을 수행할 수 있었으며, 최종적으로 대부분의 버그와 동작 차이를 내부 테스트를 통해 발견하고 수정할 수 있었습니다.

이제 Prime Agent는 기존 대비 훨씬 빠르고 리소스를 적게 사용하며, Prime Intellect 생태계 내의 클라우드 에이전트 군집, 추적, 샌드박스 등 다양한 기능과 더욱 긴밀하게 통합될 예정입니다. 또한, Prime Agent는 네이티브 윈도우 지원(베타)을 제공하며 홈브루를 통해 설치할 수 있게 됩니다.

코딩 에이전트가 왜 그렇게 둔한지에 대한 근본적인 질문을 던집니다. 개발자들이 기대했던 만큼의 효율성을 보여주지 못하는 이유는 에이전트 자체가 모델이 아니기 때문입니다. 대규모 언어 모델(LLM)인 GPT Astra나 Claude Sonnet 같은 모델은 텍스트와 코드를 생성하는 '두뇌' 역할을 하며, 코드를 기반 시스템에 연결하는 소프트웨어가 에이전트, 예를 들어 Claude Code나 Codex가 '몸' 역할을 합니다.

현재 코딩 에이전트의 한계는 작업 관리와 멀티태스킹 능력에서 명확하게 드러납니다. 에이전트는 여러 작업을 병렬로 처리하는 대신 순차적으로 처리하며, 테스트가 완료될 때까지 기다리는 경향이 있습니다. 예를 들어, 여러 하위 에이전트를 실행하더라도 모두 완료될 때까지 기다린 후 다음 단계로 넘어가는 방식으로 작동하여 효율성이 떨어집니다.

또한 에이전트는 자신에 대한 이해나 계획을 효과적으로 소통하는 데 어려움을 겪습니다. 에이전트는 자신의 기능에 대해 질문할 때 온라인 검색에 의존하며, 이전 대화의 맥락을 기억하지 못하는 등 자율적인 의사소통 능력이 부족합니다. 이는 개발자가 에이전트를 관리하고 감독해야 하는 비효율성을 초래합니다.

결론적으로 코딩 에이전트의 미흡함은 AI 도구에 대한 투자가 부족한 주체와 실제 사용자인 개발자 간의 주체-대리자 문제에서 비롯됩니다. AI 기업 경영진은 데모나 벤치마크 점수에 집중할 뿐, 에이전트 자체의 보안이나 개발자 시간 효율성 같은 실제적인 지표에는 소홀한 상태입니다.

OpenAI에 대한 논의는 초지능(super intelligence)의 개념이 OpenAI에게 일종의 굴욕적인 의식처럼 작용한다는 주장을 중심으로 전개됩니다. 이 글은 인공지능의 발전과 관련된 철학적, 비판적 관점을 다루며, AI 시스템의 목표 설정과 개발 과정에 대한 근본적인 질문을 던지고 있습니다.

이러한 주장은 현재 AI 연구 및 개발 커뮤니티 내에서 초지능의 도래가 가져올 잠재적인 윤리적, 실존적 문제에 대한 깊은 우려를 반영합니다. 특히 OpenAI와 같은 주요 개발 주체가 초지능을 어떻게 인식하고 다루는지에 대한 비판적인 시각을 제시하며, 기술 발전의 방향성에 대한 논쟁을 촉발합니다.

해당 글은 기술적 세부 사항보다는 AI의 발전이 사회적, 철학적 맥락에서 어떤 의미를 가지는지에 초점을 맞추고 있으므로, AI 모델의 기술적 성능이나 구현 방식에 대한 구체적인 정보보다는 거시적인 관점에서 AI의 미래에 대해 숙고할 기회를 제공합니다.

Orkut이 실제 사람, 진정한 연결, 소속감을 중심으로 인터넷을 재구축하자는 운동을 제안하며 참여를 요청했습니다. 이는 지난 20년간 소셜 미디어가 사람 간의 연결보다는 관심과 참여도를 최적화하는 데 집중해 왔다는 비판에서 출발합니다.

소셜 미디어 알고리즘은 사용자들을 중독시키고 분열시키는 방식으로 작동하며, 이러한 시스템은 결국 외로움과 불안을 키우는 결과를 낳았습니다. 이러한 현상은 연결의 질보다 참여의 양을 우선시하는 기술적 접근 방식이 사회적 관계에 미치는 부정적인 영향을 보여줍니다.

따라서 현재의 인터넷 시스템이 단순히 연결을 넘어 진정한 소속감을 제공하는 방향으로 재설계되어야 한다는 주장이 제기되고 있습니다. 이는 기술 개발자들이 알고리즘 설계 시 사용자 경험과 심리적 안정감을 어떻게 고려해야 하는지에 대한 중요한 논의를 촉발합니다.

SVG Spark는 개발자, 마케터, 크리에이터를 위한 10가지 클라이언트 측 SVG 디자인 및 개발 도구를 제공하는 프로젝트입니다. 이 도구들은 모든 처리가 사용자의 브라우저 내에서 100% 로컬로 이루어지기 때문에 파일 업로드나 서버 전송이 전혀 발생하지 않아 개인 정보 보호가 완벽하게 보장됩니다.

이 도구들은 SVG를 PNG나 WebP로 일괄 변환하는 기능부터, 정규 표현식 시각화, PDF 분할 및 병합, JSON을 CSV/Excel로 변환하는 기능, 그리고 웹 접근성 점수 측정 기능까지 광범위한 작업을 브라우저 환경에서 수행할 수 있게 합니다. 특히 SQL 쿼리 정리, UTM 링크 빌더, 마크다운 미리보기 등 개발 및 콘텐츠 제작 과정에서 자주 필요한 실용적인 기능을 통합하여 제공합니다.

SVG Spark는 HTML5, Tailwind CSS, 클라이언트 측 JavaScript를 사용하여 서버 없이 구동되므로 보안과 속도를 동시에 확보했습니다. 사용자는 이러한 도구들을 통해 파일을 서버에 올릴 필요 없이 자신의 컴퓨터에서 모든 작업을 안전하게 처리할 수 있습니다.

이러한 도구들은 사용자가 데이터를 외부 서버로 전송하지 않고도 복잡한 이미지 처리, 데이터 변환, 코드 검토, 접근성 점수 확인 등의 작업을 즉시 수행할 수 있도록 돕는 데 중점을 두고 있습니다.

OpenAI가 발표한 분할 원리(Partition Principle) 관련 논문의 품질에 대해 심각한 우려를 표하며 비판했습니다. 저자는 해당 논문이 명확하지 않고 혼란스러우며 이상한 구조를 가지고 있다고 지적하며, 특히 예상치 못한 정리들이 제시되어 있다는 점을 비판했습니다.

또한 논문의 참고 문헌 사용 방식에 대해 지적했는데, 실제 연구에 사용하기에는 부적절한 미출판 자료나 비검토된 강의 노트가 인용되었다고 언급했습니다. 이는 해당 논문이 심각한 수학적 문제를 해결했다는 주장에 비해 학술적인 기준에 미치지 못한다는 점을 강조합니다.

저자는 OpenAI가 수많은 "해결책"을 제시하지만, 이는 실제 전문가의 검토나 소통 없이 제시된 것이므로 신뢰하기 어렵다고 주장합니다. 수학 연구의 품질을 보장하기 위해서는 저자가 커뮤니케이션 수준을 준수해야 하며, AI가 제시하는 결과에 대해 전문가의 피드백을 반영해야 한다고 강조했습니다.

결론적으로 저자는 AI 기술이 수학 분야에서 전문가의 역할을 대체하는 상황에서, 결과물의 품질과 투명성에 대한 기준을 확립하고 책임 소재를 명확히 해야 한다고 촉구했습니다.

Bevy 0.20 버전이 출시되었으며, 실시간 패스 트레이싱 렌더러인 Solari와 DLSS BSN 구문 개선 사항이 포함되었습니다. Solari는 더 빠르고 정확해졌으며, Bevy 렌더링 기능 지원이 늘어났고 Metal을 통해 macOS에서 실행될 수 있게 되었습니다.

새로운 기능으로는 UI 위젯이 대폭 추가되었는데, Feathers 위젯에 색상 입력, 스크롤 가능한 목록 보기, 드롭다운 선택, 지연 메뉴 등이 포함되었으며 숫자 입력 위젯도 드래그 가능하게 개선되었습니다. 또한, WESL 셰이더 언어가 공식적으로 채택되어 WGSL의 확장으로 사용되며 셰이더 개발의 미래가 논의되고 있습니다.

Sprite 및 2D 메시를 위한 커스텀 셰이더 재질 기능이 추가되었고, '팬 오빗 카메라' 기능이 도입되어 CAD와 같은 방식으로 장면을 탐색할 수 있게 되었습니다. Solari의 이미지 품질 개선을 위해 ReSTIR 구현이 대부분 편향되지 않도록 조정되어 더 정확한 조명을 제공하며, 움직이는 물체의 그림자 지연 현상이 줄어들었습니다.

성능 측면에서는 ReSTIR이 선택 사항이 되었고 기본적으로 비활성화되어 CPU 비용이 크게 절감되었습니다. Solari의 장면 관리 코드는 유지 및 최적화되어 CPU 비용이 현저히 줄어들었으며, 사용자는 성능과 품질을 위해 월드 캐시 크기나 패스 트레이싱 반사 횟수 등 다양한 설정을 조정할 수 있습니다.

코드베이스를 이해하는 새로운 방식인 Spinal이 공개될 예정입니다. Spinal은 코드베이스가 어떻게 진화해 왔는지, 그리고 실시간으로 스트리밍되는 변경 사항들을 파악할 수 있는 거의 즉각적이고 예측적인 표면을 제공합니다. 이는 워크트리, diff, 브랜치 등으로 인해 혼란스러운 개발 환경 속에서 개발자들이 코드를 더 빠르고 정확하게 이해할 수 있도록 돕는 것을 목표로 합니다.

Spinal은 초저지연(ultra-low-latency) 방식으로 작동하여 다음에 무엇을 찾을지 예측하고 필요한 신호와 통찰력을 끌어올립니다. 특히 리눅스 커널의 1.48M 커밋과 96K 파일을 기준으로 벤치마킹되었으며, 엔진은 20밀리초 이내에 첫 검색 결과를 반환하는 성능을 보입니다.

이러한 성능은 코드에 대한 이해가 작업 속도보다 빨라지게 만들며, 개발자들이 자신의 에이전트들에 뒤처지지 않도록 돕는 데 중점을 둡니다. Spinal은 코드에 대한 이해를 돕는 도구를 필요로 하는 엔지니어들을 위해 설계되었습니다.

트럼프 대통령이 빅테크 기부자들에게 국가 최고 과학상과 기술 혁신상을 수여했습니다. 이 상을 받은 인물들로는 일론 머스크, 젠슨 황, 세르게이 브린, AMD의 리사 수, 델 테크놀로지스의 마이클 델, 마이크로소프트의 사티아 나델라 등이 포함됩니다.

이들 수상자들은 트럼프 행정부와 관련된 노력에 총 60억 달러에 가까운 금액을 기부했습니다. 구체적으로 알파벳과 마이크로소프트는 대통령 취임 기금과 백악관 볼룸에 기부했으며, AMD는 트럼프 지지 슈퍼 PAC에 기부했습니다. 또한 마이클 델과 수잔 델은 트럼프 계좌 기금을 지원하기 위해 62억 5천만 달러를 약정했습니다.

이러한 수상은 기술 분야의 거물들이 행정부와 깊은 연관을 맺고 있음을 보여줍니다. 특히 마이크로소프트의 사티아 나델라는 이 상을 받기 직후 미국이 숙련 외국인 노동자 고용을 허용하는 H-1B 프로그램에서 마이크로소프트를 무기한 중단시킨 상황에서 수상했습니다. 이는 기술 기업의 정책 및 노동 관련 이슈가 정부의 결정과 밀접하게 연결되어 있음을 시사합니다.

미국은 포트 후드 총격 사건 가해자에 대한 사형 집행을 생중계할 계획이라고 국방부 익명의 관계자들이 BBC와 AP 통신에 밝혔습니다. 텍사스 군 기지에서 13명을 살해한 혐의로 유죄 판결을 받은 전 미 육군 소령 니달 하산의 사형 집행이 계획되어 있으며, 이는 동부 표준시(ET) 기준 12월 3일 오후 2시에 총살로 이루어질 예정입니다.

이 계획에 대해 언론들은 생중계 허용 여부를 문의했으며, The Verge는 YouTube, Twitch, TikTok, Meta, Rumble, Kick 등 주요 플랫폼에 라이브 스트리밍을 허용할 것인지 물었으나 보도 전에 아무런 답변을 받지 못했습니다.

관계자들은 사람들이 이를 볼 수 있도록 공개되어야 하며 사람들이 필요로 하기 때문에 생중계를 진행할 것이라고 밝혔습니다. 이로 인해 해당 사건의 생중계가 온라인 플랫폼에서 어떻게 처리될지에 대한 논의가 이어지고 있습니다.

엘리자베스 홈즈의 책상을 재현한 인터랙티브 시뮬레이션이 개발자들에게 공개되었습니다. 이 시뮬레이션은 사용자가 MacBook, iPhone, Edison 기기를 직접 조작할 수 있도록 구현되어 있습니다.

이 시뮬레이션에서 사용된 문자와 이메일 데이터는 실제 재판 자료에서 가져와 Extend를 사용하여 파싱하는 방식으로 처리되었습니다. 이는 법적 문서를 데이터로 활용하여 인터랙티브 환경을 구축하는 기술적 접근 방식을 보여줍니다.

사용자는 의자를 클릭하거나 탭하여 앉고 드래그를 통해 주변 환경을 탐색할 수 있습니다. 이러한 인터랙티브 경험은 실제 재판 자료를 기반으로 한 데이터를 시각적이고 조작 가능한 형태로 변환하는 데 중점을 두고 있습니다.

24세의 스리랑카 이주 노동자 아노잔 시바라사가 페이스북에 올린 발언으로 사우디아라비아에서 사형 선고를 받았습니다. 이 발언은 신성 모독으로 간주되었으며, 해당 댓글이 사우디 당국과 고용주에게 전달되어 체포되는 결과를 낳았습니다.

검찰은 처음에는 샤리아 법에 따라 재판을 요청했으나, 항소 법원은 형량을 사형으로 상향 조정했습니다. 사우디 당국은 아직 집행 날짜를 정하지 않았습니다.

이 사건에 대해 영국 인권 단체들은 영국 정부에 즉각적인 조치를 촉구하며 사형 선고 철회를 요구했습니다. 스리랑카 정부는 시바라사의 사면을 요청하고 있으며, 가족들은 9월 28일 이후 그에게서 소식을 듣지 못했다고 밝혔습니다.

한편, 스리랑카 내 종교 지도자들과 시민 사회 단체들은 온라인 발언에 대한 가혹한 처벌에 대해 행동을 촉구하고 있습니다. 인권 단체들은 사우디아라비아의 신성 모독에 대한 사형이 마약 범죄나 살인에 비해 드물다고 비판하고 있습니다.