읽을 가치가 있는 기사만, 짧고 또렷하게.

OpenAI는 새로운 인터페이스를 통해 ChatGPT에 시각적 요소를 대폭 추가하는 인텔리전트 UI 기능을 출시했습니다. 이 새로운 기능은 GPT-6 모델과 함께 배포되며 사용자의 대화에 상호작용적인 시각 자료를 통합하는 것을 목표로 합니다.

이 변화를 통해 사용자는 단순히 텍스트 답변을 받는 것을 넘어, 사용자가 직접 작업하고 이해할 수 있는 요소들을 얻게 됩니다. 예를 들어, 비행기 날개의 양력 생성 원리나 요리 레시피, 자전거 역학에 대한 다이어그램, 여행 지도, 개인 저축 계산기 등 복잡한 주제에 대한 시각적 설명을 즉시 생성할 수 있습니다.

OpenAI는 이러한 시각화가 복잡한 주제를 더 쉽게 학습하도록 돕고, 챗봇을 더 친숙하게 만들어 더 넓은 사용자층을 확보하는 데 기여할 것이라고 설명했습니다. 또한, 사용자는 응답에 포함되는 시각 자료의 양을 조절할 수 있어 개인화된 경험을 제공합니다.

인텔리전트 UI는 GPT-6을 사용하는 Pro, Plus, Business, Enterprise 사용자에게 전 세계적으로 출시되며, 무료 및 저가형 Go 티어 사용자에게는 목요일에 제공될 예정입니다.

OpenAI는 모든 사용자에게 시각적으로 더 풍부한 “지능형 사용자 인터페이스(Intelligent UI)”를 제공하기 위해 ChatGPT를 업데이트했습니다. 이번 업데이트의 핵심은 챗봇의 출력 결과물에 상호작용 가능한 요소를 생성하는 것입니다.

이 새로운 기능은 기존의 텍스트 기반 응답을 넘어 사용자가 직접 상호작용할 수 있는 인터랙티브한 요소를 챗봇 출력에 포함시킵니다. 이는 단순히 정보를 제공하는 것을 넘어 사용자와의 대화 경험을 시각적이고 능동적으로 변화시키는 것을 목표로 합니다.

개발자 관점에서 이는 챗봇의 출력 구조와 상호작용 방식을 근본적으로 변화시킨다는 점에서 주목할 만합니다. 사용자는 텍스트를 읽는 것을 넘어 시각적 요소를 통해 챗봇과 더 깊이 상호작용할 수 있게 됩니다.

이러한 지능형 UI의 도입은 챗봇이 단순한 정보 제공자를 넘어 실제적인 인터랙티브 콘텐츠 생성 도구로 진화하고 있음을 보여줍니다. 이는 향후 AI 기반 애플리케이션의 사용자 경험 디자인에 중요한 변화를 가져올 것으로 예상됩니다.

메타 퀘스트 3S가 현재 아마존, 월마트, 베스트바이에서 특별 할인가로 판매되고 있습니다. 128GB 모델을 보통 349.99달러에서 297.49달러에 구매할 수 있으며, 이는 퀘스트 2 대비 상당한 업그레이드 가격으로 제공됩니다.

이 헤드셋은 비록 퀘스트 3만큼 선명한 렌즈와 디스플레이를 갖추고 있지는 않지만, 동일한 칩셋을 사용하며 내장된 인디-아웃 트래킹 기능을 제공합니다. 이는 일반적인 VR 게임과 영화 감상에 매우 합리적인 가격으로 접근할 수 있게 해줍니다.

또한 이 딜에는 메타 호라이즌 플러스 세 달 이용권이 포함되어 있어 방대한 게임 라이브러리에 접근할 수 있습니다. 게이머들을 위한 추가적인 혜택으로는 고플레이어 게임인 고릴라 태그 VR용 코스메틱 세트와 인게임 아이템으로 사용할 수 있는 샤이니 락 2,000개가 포함되어 있습니다.

마이크로소프트는 Surface Laptop Ultra를 공개하기 전에 제품을 철저히 테스트하는 과정을 거쳤습니다. 이 모든 테스트는 워싱턴주 레드먼드 캠퍼스 내의 창문이 없는 창고 같은 실험실에서 진행되었습니다.

개발팀은 로봇에게 버튼을 수천 번 누르게 하거나 거대한 안테나에서 나오는 전파로 기기를 때리거나 점점 더 높은 곳에서 물체를 떨어뜨리는 등의 실험을 통해 제품의 내구성과 성능을 확인했습니다. 이러한 과정을 통해 Surface 기기가 실제 사용 환경에서 견딜 수 있는지 검증했습니다.

이러한 엄격한 테스트는 Surface Laptop Ultra가 단순한 Surface Laptop의 고성능 구성이 아니라 새로운 플랫폼으로서 자리매김하기 위한 기반이 되었습니다. 마이크로소프트는 이 과정을 통해 경쟁 제품에 필적하는 품질을 확보하고자 했습니다.

자세한 정보를 나중에 필요할 때 참조할 수 있도록, 본 연구는 에고센트로(egocentric) 비디오를 통해 신체 내재화된 비디오에서 지속적인 3차원 객체 기억을 구축하는 방법을 탐구합니다. 연구진은 일상 활동을 관찰함으로써, 사용자가 나중에 필요할지라도 객체의 위치, 이력, 그리고 맥락적 설명을 결합한 지속적인 3차원 객체 메모리인 Ledger를 제안합니다.

Ledger는 녹화된 시점들을 연결하여 관찰을 연관시키고, 사용자가 만지지 않았거나 시야에서 벗어난 객체까지도 보존합니다. 또한, 객체의 관찰을 휴식 위치별로 클러스터링하고 반복적인 증거를 통해서만 움직임을 기록하여 위치 노이즈의 영향을 줄입니다. 짧은 설명은 객체의 내용이나 지지 표면과 같은 세부 정보를 보존하며, 이를 통해 원본 이미지나 비디오에 접근하지 않고도 공간 질문에 답할 수 있게 합니다.

이러한 메모리 시스템은 성능 향상에 기여했으며, HD-EPIC 정확도는 29.7%에서 42.6%로, UCS-Bench 정확도는 33.8%에서 38.5%로 향상되었습니다. 또한, Ego4D 객체를 반환 예측 시 0.99m의 중앙 오차로 위치를 파악할 수 있었습니다. 분석 결과는 시간적 지속성, 맥락적 설명, 그리고 검색이 상호 보완적인 역할을 한다는 것을 보여줍니다.

다만, 100개의 장면 스트림을 연결하여 분석한 결과, 검색과 구성 모두에서 실패가 발생함을 확인했습니다. 그러나 장면별 구성은 단일 장면 스트림에 비해 장면 변화에 따른 성능 손실을 부분적으로 회복시키는 것으로 나타났습니다.

최신 언어 모델에 검증 가능한 보상(RLVR)을 적용하는 연구에서 탐색과 최적화를 분리하는 새로운 프레임워크가 제시되었습니다. RLVR의 핵심 목표는 새로운 추론 전략을 발견하는 것이지만, 실제 적용 시 강한 새로움 인센티브를 추가하면 모델 품질이 저하될 수 있다는 한계가 있었습니다. 이는 검증 가능한 보상이 모델 지식의 좁은 영역만을 감독하기 때문에 품질 저하를 회복하기 어렵기 때문입니다.

이에 연구진은 탐색과 최적화를 분리하는 탐색-증류(Exploration-Distillation, ExpDis) 프레임워크를 제안했습니다. 이 방법은 보상에 새로움 보너스를 부여하여 탐색 정책을 훈련하고, 그 궤적을 필터링하여 별도의 학생 정책으로 증류합니다. 이후 학생 정책은 새로움 보너스 없이 훈련되어 탐색을 품질 저하 없이 공격적으로 확장할 수 있게 합니다.

ExpDis는 여러 라운드에 걸쳐 탐색과 최적화를 교차하는 방식으로 작동하며, 이 분리 덕분에 학생 정책의 품질 저하 없이 탐색을 확장할 수 있습니다. 이 방법은 수학적 추론 벤치마크 7가지와 두 가지 모델 패밀리에서 DAPO보다 우수한 성능을 보였습니다. 또한, ExpDis는 더 다양하고 정확한 해답을 생성함을 나타내는 pass@k 스케일링 개선을 관찰했습니다.

조건부 메모리 아키텍처는 입력 n-그램을 사용하여 학습된 임베딩을 조회함으로써 제한된 추가 연산으로 대규모 언어 모델(LLM)의 용량을 확장합니다. 이러한 아키텍처는 모델 스케일링을 넘어 사실적 지식 저장과 일반 목적 연산을 분리하여 트랜스포머 백본을 고정한 채 사실적 지식을 업데이트할 수 있는 유망한 경로를 제시합니다. 하지만 사실의 다른 표현들이 서로 다른 n-그램 임베딩을 활성화할 수 있으며, 공유 임베딩을 업데이트할 경우 다른 사실에 대한 모델의 예측이 의도치 않게 변경될 수 있다는 어려움이 있습니다.

이에 연구진은 조건부 메모리를 통한 지식 분리 업데이트를 위해 EngramEdit을 제안했습니다. EngramEdit은 여러 표현에 걸쳐 업데이트된 사실을 모델이 예측하도록 만드는 목표 메모리 표현을 먼저 계산하고, 이를 바탕으로 공유 n-그램 임베딩을 업데이트하여 이러한 목표를 일치시킵니다. 특히 자주 재사용되는 임베딩에 대한 업데이트를 더 강하게 제재함으로써 관련 없는 지식이 보존되도록 합니다.

실험 결과 EngramEdit은 조건부 메모리를 독립적인 사실 지식 업데이트를 위한 편집 가능한 지식 인터페이스로 전환하여 거의 완벽한 편집 성공을 달성했습니다. 수정된 지식은 보지 못한 표현과 다단계 추론에서 사용 가능하며, 체인-오브-사고(CoT) 프롬프팅 하에서 가장 강력한 기준선보다 약 세 배 높은 정확도를 보였습니다. 또한 사실적 업데이트가 축적되는 동안에도 관련 없는 지식과 일반적인 능력은 크게 보존되었습니다.

실시간 로봇 제어는 움직임과 작업 진행 상황을 추론하기 위해 충분한 시각적 기록이 필요하지만, 이 기록을 처리하는 과정이 행동을 지연시킬 수 있습니다. 이에 Long-WAM은 실시간 제어 제약 조건 하에서 인과적 세계 행동 모델의 컨텍스트를 확장하기 위한 모델-시스템 프레임워크를 제시합니다. 연구 결과에 따르면, 기록에 접근하는 것과 기록을 사용하는 것은 다르며, 비디오 기반이 자기회귀적(AR)으로 사전 학습될 때 더 긴 기록이 훨씬 더 큰 이점을 제공합니다.

Long-WAM은 로봇 및 자각 기반 비디오에서 행동 레이블 없이 인과적 예측을 학습한 후, 세계 행동 적응 과정에서 이 과거-미래 구조를 보존합니다. RoboCasa GR-1 실험에서 컨텍스트를 0.0초에서 19.2초로 늘리자 성공률이 63.3%에서 78.7%로 상승했으며, 로봇 도메인 AR 사전 학습은 GR-1 및 LIBERO-Long에서의 최대 성공률을 더욱 높였습니다. 이 모델은 LIBERO-Long, RoboTwin 2.0, DOMINO 등 비교 대상 방법들 중에서 최고의 결과를 달성했습니다.

또한, 스트리밍 관찰 인코딩과 비동기 실행을 통해 RTX 5090, DGX Spark, Jetson AGX Thor와 같은 하드웨어에서 미래 예측을 손실하지 않고 배포가 가능합니다. RTX 5090 환경에서 각 행동 청크와 미래 비디오 잠재 예측을 포함한 작업은 107.4ms가 소요됩니다. Unitree G1 및 YAM에서의 실시간 배포는 동적 및 장기 조작을 지원하며, 동적 컵 쌓기에서 95%의 성공률을 보였습니다. Long-WAM은 메모리 기반 실행자로서 복합 작업에서 상위 수준 계획을 보완하는 역할도 수행합니다.

현대 머신러닝에서 흔히 관찰되는 꼬리가 긴 노이즈(heavy-tailed noise)는 경사 클리핑(gradient clipping)이나 정규화(normalization)와 같은 기법을 사용하도록 이끌었습니다. 이러한 방법들은 중앙 집중식 환경에서는 잘 이해되어 있지만, 로컬 경사에 비선형성을 적용하여 최적화와 합의(consensus)에 영향을 미치는 분산 환경에서는 알려진 바가 적습니다. 기존 연구에서 경사 클리핑은 최적의 수렴 속도를 제공하지 못했으며, 정규화는 수렴을 위해 로컬 모멘텀이나 미니배치에 의존해야 했습니다.

이러한 배경에서 연구진은 비선형성을 사용하는 분산 방법이 꼬리가 긴 노이즈 하에서 최적의 수렴 속도를 달성할 수 있는지에 대한 질문을 던졌습니다. 이에 연구팀은 클리핑된 분산 SGD($\mathtt{DSGD}$)가 긍정적인 답을 제공한다고 주장하며, 부드러운 비볼록 비용 함수에 대해 $p$-번째 모멘트 노이즈($p \in (1, 2]$) 하에서 $\mathtt{DSGD}$가 확률적으로나 기댓값으로나 최적의 수렴 속도를 달성함을 보였습니다.

이 결과의 핵심은 클리핑의 구조를 활용하여 합의 간격(consensus gap)을 분석함으로써 네트워크 효과를 고차항으로 치부하는 정밀한 분석에 있습니다. 또한, 분산 환경에서 클리핑과 정규화의 차이점을 강조했는데, 정규화된 $\mathtt{DSGD}$는 수렴에 실패할 수 있는 반면, 클리핑은 크기 정보를 유지하여 $\mathtt{DSGD}$가 수렴하고 최적의 속도를 달성할 수 있게 합니다.

나아가 이 연구는 에이전트 수에 대해 선형적인 속도 향상을 입증했는데, 이는 기존의 분산 방법 중 클리핑을 사용한 경우 알려지지 않았던 결과입니다. 이는 분산 최적화에서 노이즈 환경을 다룰 때 클리핑 기법이 효과적인 대안이 될 수 있음을 시사합니다.

54세의 노스캐롤라이나 남성 마이클 스미스가 인공지능을 이용해 음악 스트리밍 플랫폼에서 수백만 달러를 훔친 사기 행위에 연루되어 18개월의 징역형을 선고받았습니다. 이 사건은 인공지능을 이용한 스트리밍 사기 범죄에 대해 미국에서 형사 기소된 최초의 미국인 사례로 기록되었습니다.

스미스는 2024년에 이 사기 행위를 7년 동안 탐지되지 않고 성공적으로 운영했습니다. 그는 인공지능을 사용하여 노래를 생성하고 이를 통해 불법적인 수익을 창출하는 방식으로 범죄를 저질렀습니다. 이는 AI 기술이 콘텐츠 생성 및 유통 과정에서 악용될 수 있는 심각한 윤리적, 법적 문제를 제기하고 있음을 보여줍니다.

이 사건은 AI 모델이 생성하는 콘텐츠의 출처와 진위 여부를 식별하는 기술적 도구의 필요성을 강조합니다. 개발자와 플랫폼 운영자들은 AI 기반 콘텐츠 생성 시스템의 투명성과 보안을 강화하여 이러한 종류의 사기 행위를 방지하기 위한 새로운 방어 메커니즘을 개발해야 할 필요가 있습니다.

비전-언어-행동 모델(VLA)은 지시 문구에 매우 민감하여 기반이 되는 비전-언어 모델의 언어 견고성을 물려받지 못하는 문제가 있습니다. 단어 하나만 수정해도 성공률이 수십 포인트 변동하는데, 예를 들어 $π_{0.5}$ 모델은 "스토브 켜기"에 대해 100% 성공하지만 "핫플레이트 켜기"에 대해서는 2%의 성공률을 보이며, $π_0$ 체크포인트 역시 최대 61포인트까지 변동이 발생합니다.

연구진은 이러한 민감도를 통계적으로 측정하고, 구문 자체만으로도 분포 내(in-distribution)와 분포 외(out-of-distribution) 작업 간의 21포인트 격차를 거의 좁힐 수 있음을 확인했습니다. 이 민감도를 정책을 수정하지 않고도 줄이는 방법을 제안했는데, 이는 민감도가 체계적이기 때문에 명시적인 규칙으로 표현될 수 있다는 점에 기반합니다.

이를 위해 대규모 언어 모델을 사용하여 수많은 프레이징을 평가하고 10~20개의 재구문 규칙을 추출한 뒤, 배포 시 각 입력 지시문을 이 규칙에 따라 한 번 재작성하는 파이프라인을 구축했습니다. 이 규칙들은 적대적, VLM 생성, 인간 생성 프레이징 전반에서 12개의 홀드아웃 작업에 걸쳐 $π_0$를 16%에서 27%까지 개선했으며, 특히 분포 외 작업에서 이 이득이 집중되었습니다.

이 방법은 추가적인 재학습이나 단계별 검증이 필요 없으며, 보지 못한 작업과 지시문에 대해 제로샷으로 적용할 수 있어 VLA 모델의 신뢰성을 향상시키는 데 기여합니다.

샤크 크라이오글로우 LED 마스크가 아마존 프라임 데이에서 $299에 판매되고 있습니다. 이 제품은 LED 기기 중 가장 선호되는 제품 중 하나로 알려져 있습니다.

이 할인은 샤크 크라이오글로우 마스크를 구매하려는 사용자들에게 매우 매력적인 기회를 제공합니다. 프라임 데이 기간 동안 이 인기 있는 LED 마스크를 특별한 가격에 구매할 수 있으므로 빠른 행동이 필요합니다.

샤크 크라이오글로우 마스크는 LED 기기 사용자들 사이에서 인기가 높은 제품입니다. 따라서 이번 프라임 데이 할인을 통해 이 제품을 구매하는 것은 기술 장비를 찾는 사용자들에게 좋은 기회가 될 것입니다.

GNN에서 MLP로 지식을 증류하는 과정은 메시지 전달(message-passing) 교사의 예측 정확도를 유지하면서 그래프 정보를 제거한 추론 시 MLP를 배포하는 것을 목표로 합니다. 기존 방법들은 노드별 예측을 전달하거나 신뢰도 기반 재가중치를 사용하지만, 학생 모델이 교사의 그래프 유도 기하학을 어디에 보존해야 하는지 명시하지 않아 두 가지 스펙트럼 실패 모드가 발생합니다.

구체적으로 희소 그래프에서는 경계 영역 근처에 집중된 고에너지 교사 방향을 놓쳐 스펙트럼 언더핏을 겪고, 밀집 그래프에서는 집계 과정을 통해 교사가 수렴시킨 허위 방향을 보존하여 스펙트럼 오버핏을 겪습니다. 이러한 문제를 해결하기 위해 에너지 가중치 교사-학생 정렬 목표에 기반하여 올리비에-리치 곡률(Ollivier-Ricci curvature)을 활용하는 그래프 기하학 인식 MLP(G^2MLP)라는 훈련 시간 증류 프레임워크를 제안합니다.

이 곡률은 두 스펙트럼 오류가 집중되는 위치를 식별하여 예측 수준과 표현 수준 정렬 간에 감독을 할당하는 데 사용됩니다. G^2MLP는 추론 시 그래프 접근이 필요 없는 표준 MLP로 배포되며, 노드 분류 벤치마크에서 그래프 프리 증류 기준선보다 일관되게 성능을 향상시키고 두 영역 모두에서 교사-학생 랭크 차이를 줄입니다.

또한 G^2MLP는 그래프 트랜스포머 교사 및 링크 예측으로의 지식 전이에서 아키텍처 변경 없이도 효과를 보였습니다. 이는 그래프 구조 정보를 효과적으로 보존하는 것이 모델 성능과 전이 학습 능력에 결정적인 영향을 미친다는 것을 보여줍니다.

기억을 잊는 언러닝(unlearning) 알고리즘은 선택된 예제를 제외하고 처음부터 재학습하는 것과 유사한 결과를 내는 것을 목표로 합니다. 본 연구는 모델과 잊어야 할 예제만을 입력으로 받아 학습 데이터나 추가적인 훈련 정보를 보존하지 않는 '잊어버리기만 하는 언러닝(forget-only unlearning)'이 항상 가능한지 탐구합니다.

연구 결과에 따르면 잊어버리기만 하는 언러닝의 가능성은 학습 방법론에 따라 달라집니다. 서로 다른 데이터셋이 동일한 훈련 모델을 생성할 수 있지만, 동일한 예제를 제거한 후에는 매우 다른 결과가 필요합니다. 이러한 관찰을 바탕으로 언러닝이 재학습과 얼마나 정확하게 일치할 수 있는지에 대한 하한선을 도출하고 여러 표준 학습 알고리즘에 대해 이를 구체화했습니다.

또한, 임의의 삭제 요청을 처리하기 위해 알고리즘이 훈련 데이터에 대해 무엇을 기억해야 하는지에 대한 하한선도 도출했습니다. 특히 단순 임계값 학습자(threshold learners)의 경우, 일반적인 훈련이 단 하나의 경계점만 보존하더라도 삭제 요청을 처리하기 위해 전체 데이터셋만큼의 정보가 필요할 수 있습니다.

결론적으로, 일반적인 학습 과정에서 버려진 정보가 삭제 과정에서 필요할 수 있다는 것을 보여줍니다. 따라서 잊어버리기만 하는 언러닝을 설계하는 모델은 표준 훈련 모델보다 더 많은 정보를 보존해야 할 필요가 있습니다.

잠재 세계 모델은 미래 상태를 예측하고 실제 환경에서 계획하는 데 뛰어난 능력을 보여주지만, 모델 크기, 데이터, 컴퓨팅에 따라 그 능력이 어떻게 확장되는지 예측할 원칙적인 방법이 부족한 상태입니다. 이 연구는 이러한 문제를 해결하기 위해 12가지 로봇 구현체를 포괄하는 대규모 데이터셋으로 훈련된 Joint Embedding Predictive Architecture(JEPA) 기반의 세계 모델인 RoboJEPA를 제시합니다.

연구진은 RoboJEPA의 상상 오류(imagination error), 즉 잠재 롤아웃의 오류가 컴퓨팅에 대해 2차 차수 거듭제곱 법칙을 따른다는 것을 보여주어, 해당 법칙이 적용된 범위를 넘어 모델 품질을 예측할 수 있게 합니다. 또한, 다운스트림 로봇 계획 성능이 컴퓨팅에 따라 예측 가능하게 향상되며 상상 오류가 이 성능과 강하게 상관관계를 보인다는 것을 입증하여 실제 로봇 평가를 위한 신뢰할 수 있는 대리 지표가 됩니다.

나아가 잠재 세계 모델이 실제 하드웨어에서 장기 계획을 요구하는 작업을 해결하기 위해 제로샷(zero-shot) 로봇 에이전트로 배포될 수 있음을 시연했습니다. 이는 로봇이 단일 목표 이미지로 계획을 세워 작업을 수행하는 것을 의미하며, 이 연구는 실제 로봇 데이터로 훈련된 다중 구현체 로봇 세계 모델에 대한 스케일링 법칙을 확립한 최초의 연구입니다. RoboJEPA는 80억 개의 매개변수를 가진 모델로, 현재까지 훈련된 가장 큰 JEPA 예측 모델입니다.

아론 서킨 감독의 영화 <더 소셜 레코닝>은 영화적 요소가 많지만 많은 세부 사항이 실제 사건에 매우 가깝게 묘사되어 있습니다. 이 영화는 페이스북 시민 통합 제품 관리자였던 프랜시스 하우겐이 내부 문서를 월스트리트저널(WSJ) 탐사 보도 기자 제프 호로위츠에게 유출하게 된 과정을 다룹니다.

실제 사건과 영화 속 이야기는 하우겐이 이 유출을 통해 의회에서 내부 고발자로서 증언하게 되는 과정을 중심으로 전개됩니다. 이러한 유출은 나중에 2021년에 방영된 시리즈인 <더 페이스북 파일>로도 알려지게 되었습니다.

영화의 마지막 장면들은 하우겐이 그 사건 이후에도 전 세계 정부 앞에서 발언하는 상황을 묘사하며, 실제 사건이 가져온 파급력을 보여줍니다. 이는 내부 고발과 정보 공개가 사회에 미치는 영향을 시각적으로 전달하는 맥락을 제공합니다.

언어 모델 에이전트가 개방형 과학 연구를 수행하도록 요구받고 있지만, 그 결과의 유효성을 판단할 기준이 부족한 상황에서 AI 과학 시험(SciExam for ENSO)이 새로운 과학 모델의 타당성을 평가하는 벤치마크로 사용됩니다. 이 시험은 에이전트가 실제 관측 자료로부터 엘니뇨-남방 진동(ENSO)의 주요 기후 변동 모드인 저차 확률 모델을 구축하는 것을 목표로 합니다.

에이전트는 6시간의 예산 내에서 관측 자료를 처리하고 자체 진단 결과를 작성한 후 이를 피드백으로 사용하여 모델을 개발합니다. 숨겨진 채점자는 이 모델이 ENSO 통계를 재현하고 관측되지 않은 변수를 복구하며 홀드아웃 연도를 예측하는지 테스트하여 모델을 평가합니다. 그 결과, 12개의 에이전트 시스템 중 6개가 발표된 모델보다 더 나은 재구성 및 예측을 통해 더 높은 점수를 받았습니다.

이러한 결과는 모델이 ENSO의 따뜻함-차가움 비대칭에 대한 두 가지 경쟁적인 설명 중 하나와 양립할 수 있음을 보여줍니다. 또한, 다양한 정보 하에서 최고 시스템을 통제된 방식으로 실행한 결과, 점수가 관측 기록을 단순히 회상하는 데서 나온 것이 아니며 에이전트가 받는 정보가 모델 구축 방식에 영향을 미친다는 사실이 밝혀졌습니다.

따라서 SciExam for ENSO는 정답이 알려지지 않은 연구를 평가할 수 있으며, 에이전트가 과학자들이 여전히 논쟁하는 질문들에 영향을 미치는 경쟁력 있는 모델을 이미 구축할 수 있음을 시사합니다.

마이크로소프트는 Surface Laptop Ultra에 대한 출시일과 시작 가격을 발표했습니다. 이 제품은 10월 16일에 출시될 예정이며, 기본 구성은 18코어 CPU, 24GB RAM, 512GB 저장 공간을 제공하고 시작 가격은 2,599달러입니다.

Surface Laptop Ultra는 최대 2,000니트의 최고 밝기를 지원하는 15인치 HDR 터치스크린 디스플레이와 햅틱 피드백을 지원하는 더 큰 트랙패드를 탑재합니다. 이 장치는 엔비디아의 새로운 RTX Spark 칩을 사용하며, 이는 최대 128GB의 통합 메모리를 갖춘 Arm 기반 프로세서입니다.

마이크로소프트와 엔비디아는 RTX Spark 노트북을 노트북 시장의 최고급 포지션에 위치시키려는 전략을 취하고 있습니다. 이는 RTX Spark 칩을 통해 고성능 AI 및 그래픽 작업을 요구하는 사용자층을 겨냥하며, 프리미엄 시장에서의 경쟁 구도를 형성할 것으로 보입니다.

도커 에이전트(Docker Agent)는 코딩 없이도 복잡한 문제를 해결하기 위해 협업하는 지능형 AI 에이전트를 생성하고 실행할 수 있게 해주는 도구입니다. 이 도구는 도커 CLI 플러그인으로, 사용자가 YAML 구성을 통해 에이전트와 그들이 사용할 도구들을 정의하고 멀티 에이전트 아키텍처를 구축할 수 있도록 지원합니다.

핵심 기능은 다양한 AI 모델 제공업체(OpenAI, Anthropic, Gemini 등)를 지원하는 AI 공급자 독립적인 구조를 갖는다는 점입니다. 또한, 내장 도구와 MCP 서버를 통해 풍부한 도구 생태계를 제공하며, RAG(검색 증강 생성) 기능을 통합하여 고급 추론 능력을 구현합니다.

개발자는 YAML 파일을 사용하여 에이전트를 선언적으로 정의하고, 이 에이전트들을 OCI 레지스트리에 푸시하여 어디서든 실행할 수 있습니다. 이는 에이전트를 패키징하고 공유할 수 있는 기능을 제공하여 개발 워크플로우를 자동화하고 확장하는 데 중점을 둡니다.

이 에이전트 시스템은 Docker 환경 내에서 작동하며, Docker Model Runner를 통해 로컬 모델 사용도 가능합니다. 따라서 도커 에이전트는 AI 기반 개발 환경 구축과 멀티 에이전트 오케스트레이션을 통합하여 개발 생산성을 높이는 데 기여합니다.

마이크로소프트의 엔비디아 기반 서피스 RTX 스파크 개발자 박스(Surface RTX Spark Dev Box)가 현재 선주문을 받고 있으며 11월에 출시될 예정입니다. 이 개발자 박스의 가격은 약 6,000달러로 책정되었는데, 이는 작년에 엔비디아가 출시한 디지엑스 스파크(DGX Spark) 미니 PC보다 비싼 가격입니다. 이러한 가격 책정은 현재 RAM 및 기타 부품 부족으로 인해 PC 가격이 상승하고 있는 시장 상황을 반영합니다.

이 개발자 박스는 평평하고 3D 프린팅된 아노다이징 알루미늄 섀시를 사용하여 방열판 역할도 겸하며 엑스박스 시리즈 X의 상단 통풍구와 유사한 디자인을 특징으로 합니다. 이 장치는 새로운 서피스 랩톱 울트라와 함께 출시되며 엔비디아의 Arm 기반 RTX 스파크 플랫폼과 128GB의 통합 메모리를 구동합니다.

개발자 박스는 100와트의 열 환경과 엔비디아 텐서 코어를 탑재하고 있어 강력한 성능을 제공합니다. 메모리 용량이 128GB라는 점은 개발 환경에서 대규모 메모리가 필요한 작업에 적합하며, 이는 현재 부품 부족으로 인해 PC 가격이 상승하는 맥락에서 중요한 고려 사항입니다.