읽을 가치가 있는 기사만, 짧고 또렷하게.

2달러짜리 ESP32-C3 칩을 사용하여 PSRAM 없이 동작하는 DNS 광고 차단기가 개발되었습니다. 이 장치는 Pi-hole 방식의 광고 차단 기능을 구현하며, 메모리 사용량을 획기적으로 줄이는 데 중점을 두었습니다.

이 장치는 차단 목록을 RAM 대신 플래시에 저장함으로써 RAM 사용량을 약 50KB로 최소화했습니다. 이는 메모리가 제한적인 임베디드 시스템 환경에서 효율적인 운영을 가능하게 하는 중요한 개선점입니다.

또한, 도메인 목록을 정렬된 40비트 해시로 저장하고 이진 탐색 방식을 적용하여 효율성을 높였습니다. 이를 통해 14만 개 이상의 도메인을 약 0.7MB의 공간에 담아 WiFi 왕복 통신을 통해 광고 차단 기능을 수행할 수 있습니다.

이러한 설계는 제한된 리소스 환경에서 DNS 광고 차단 기능을 구현하고자 하는 개발자들에게 메모리 효율성과 데이터 저장 방식을 동시에 고려할 수 있는 구체적인 사례를 제공합니다.

C64 Keyboard는 클래식 Commodore 64 키캡 사진을 기반으로 글자 형태와 비례를 일관되게 다듬어 재현한 폰트입니다. 이 폰트는 단순히 화면에 표시되는 비트맵 폰트를 모방하는 것이 아니라, 실제 키캡에 인쇄된 문자와 기호를 재현하는 데 중점을 두고 있습니다.

이 폰트는 키캡의 디자인을 충실히 반영하여 대문자, 숫자, 문장부호, 화살표, 통화 기호(£) 등 다양한 요소를 포함합니다. 특히 입력된 소문자도 대문자로 표시하는 독특한 방식으로 클래식한 키보드 디자인의 느낌을 살려냅니다.

따라서 이 폰트는 시각적인 재현을 넘어 클래식한 컴퓨터 인터페이스의 미학을 디지털 환경에 적용하고자 하는 목적으로 개발되었습니다. 이는 사용자에게 레트로한 키보드 경험을 제공하는 데 기여합니다.

교통 흐름 모델링은 도로망 상의 차량 집단 역학을 이해하고 예측하는 데 필수적입니다. 셀룰러 오토마타는 국소 상호작용 규칙을 통해 이러한 역학을 표현하는 단순하면서도 해석 가능하고 강력한 틀을 제공하지만, 특히 확률적 모델의 경우 물리적으로 의미 있는 제약 조건을 유지하면서 데이터로부터 국소 전이 규칙을 학습하는 것은 여전히 어려운 과제입니다.

이 논문은 데이터 기반 교통 흐름 모델링을 위한 물리 정보 기반 신경 셀룰러 오토마타(PI-NCA)를 제안합니다. 표준 신경 셀룰러 오토마타(NCA)를 기반으로, 도로 위상과 물리적으로 일관된 신경 구조를 설계하여 차량 총수의 보존을 보장함으로써 학습된 전이 규칙을 물리적으로 허용 가능한 역학으로 제약합니다.

나아가 이 프레임워크는 동일한 물리 정보 제약 조건을 보존하면서 확률적 전이 규칙을 매개변수화하여 확률적 역학으로 확장됩니다. 연구진은 잘 알려진 나겔-슈레켄버그(Nagel-Schreckenberg) 및 케르너-클레노프-볼프(Kerner-Klenov-Wolf) 셀룰러 오토마타로 생성된 여러 교통 시나리오에서 제안된 모델을 평가했습니다.

그 결과, PI-NCA는 두 교통 모델의 역학을 성공적으로 학습하며 표준 NCA보다 일관되게 성능이 우수함을 입증했습니다. 또한 확률적 확장은 부과된 물리적 제약을 훼손하지 않으면서 확률적 전이 규칙을 포착하는 데 성공했습니다.

AI 에이전트에게 필수적인 제어 능력은 실행 시간 관리입니다. 이는 에이전트가 시간 인식을 갖추고 벽시계 시간을 예측 및 추정하며 스스로 행동을 제어할 수 있는 능력을 의미합니다. 기존 연구들이 시간 인식에 초점을 맞췄다면, 에이전트의 실행 시간 준수 및 제어 능력에 대한 연구는 아직 미흡했습니다.

본 논문은 에이전트가 요청된 시간 동안 작업을 수행하고, 실행 시간을 예측하며, 경과 시간을 추정할 수 있는지 테스트하기 위한 벤치마크인 AgentTime을 제시합니다. 이 벤치마크는 코딩, 컴퓨터 사용, 에이전트 작업, 자동화된 연구 분야에서 총 18개 출처의 222개 작업을 포함합니다. 작업 지속 시간 실험에서 요청된 시간(1분에서 수일)을 지정하는 지시를 추가했을 때, 정확도는 크게 달라집니다. 예를 들어, Claude Code의 Fable 5.1은 요청된 실행 시간보다 평균 2.9배의 편차를 보인 반면, GPT-6 Astra는 1.2배의 편차만을 보였습니다.

또한 예측 실험과 회고 실험을 통해 에이전트의 시간 예측 능력에 대한 중요한 통찰을 얻었습니다. 예측 실험에서는 에이전트가 실제 실행 시간을 과대평가하는 경향이 있으며, 시간 정보를 제거했을 때 Sol과 Astra의 편차는 두 배 이상, Fable의 편차는 거의 두 배로 증가했습니다. 이는 에이전트가 단순히 작업을 완료하는 것이 반드시 스스로 시간을 제어하거나 요청된 전체 기간 동안 작업을 수행할 수 있음을 보장하지 않는다는 것을 의미합니다.

따라서 에이전트가 장기간 동안 안정적이고 안전하며 자율적으로 작동하기 위해서는 작업 완료 능력뿐만 아니라 시간 제어 능력 모두를 평가해야 합니다. 에이전트의 신뢰성을 확보하기 위해서는 실행 시간 제어와 작업 완료 능력에 대한 동시 평가가 필수적입니다.

강화 학습(RL) 미세 조정은 비전-언어-행동(VLA) 정책을 개선하지만, 미세 조정 분포를 넘어선 일반화 능력은 여전히 제한적입니다. 연구진은 RL이 행동을 전역적으로 수축시키면서도 성공적인 궤적을 다양화하고, 지도 미세 조정보다 더 많은 잠재적인 과제 유효 해 공간을 커버한다는 것을 분석했습니다. 이러한 성공 모드의 광범위한 커버리지는 분포 변화 시 대안 전략을 제공할 수 있습니다.

이에 연구진은 성공적인 행동의 다양성을 명시적인 RL 목표로 전환하는 DRIVE(Diversity-driven RL fine-tuning for VLA generalization)를 제안했습니다. DRIVE는 작업 조건이 일치하는 롤아웃들을 그룹화하고 시간적 정렬을 비교하여 상대적인 행동 다양성으로부터 성공 조건화된 내재적 보상을 도출합니다. 이 설계는 다양한 실패나 표면적인 타이밍 차이를 보상하지 않으면서도 실현 가능한 해답의 광범위한 커버리지를 장려합니다.

이 방법은 LIBERO-Plus, ManiSkill3, RoboTwin 2.0 등 여러 환경에서 적용되었으며, 일반 RL 미세 조정 대비 평균 외 분포(OOD) 성능을 $\pi_0$에서 5.3점, $\pi_{0.5}$에서 2.0점 향상시켰습니다. 특히 듀얼 암 AgileX PiPER-X 플랫폼에서는 평균 OOD 성공률을 64.1%에서 73.3%로 9.2% 증가시켜 물리적 배포 환경에서도 성능 향상이 지속됨을 입증했습니다.

홀로그래픽 초전도체 모델에서 스칼라 질량 $M$을 역산하는 과정이 기존 방식에 비해 획기적으로 빨라졌습니다. 기존에는 단일 학습 실행에 며칠이 걸렸으나, 새로운 훈련 방법을 통해 역산 시간을 약 10분에서 1시간으로 단축할 수 있게 되었습니다.

이 새로운 방법은 임계 온도를 고정하는 조건의 기울기를 구하는 데 중점을 둡니다. 이전 방식이 유한 차분으로 기울기를 구하고 매번 벌크 적분을 반복해야 했던 것과 달리, 이 방법은 지평선과 경계에서 시작하는 두 번의 적분을 통해 조건과 $M$에 대한 미분값을 얻어내므로 추가적인 적분이 필요 없습니다.

연구진은 이 속도를 활용하여 구형 또는 이중 가우시안 돔, 그리고 YBa$_{2}$Cu$_{3}$O$_{y}$ 및 2M-WS$_{2}$의 측정된 위상도에 대해 스칼라 질량 $M$이 결정할 수 없는 영역을 연구했습니다. 돔이 도달하는 지평선 영역에서는 재구성 결과가 일치하지만, 특정 구간에서는 차이가 발생합니다.

다만, 돔이 유지하는 고정 질량(pinned mass)이 특정 목표물에 대해 좁은 여백이나 연결점에 놓이는 경우가 있어 스칼라 질량 $M$이 열려 있게 됩니다. 따라서 이 연구 결과는 돔이 도달하는 영역에서 $M$을 제약하지만, 이중 연산자의 차원을 고정하기 위해서는 추가적인 관측값이 필요함을 시사합니다.

인공지능은 건물 운영에 여러 형태로 활용되지만, 전문가 규칙 조정, 레이블링된 데이터 부족, 신뢰할 수 없는 확률 제시 등의 장벽이 존재합니다. 최근 연구는 이러한 한계를 극복하기 위해 사전 학습된 새로운 종류의 모델인 의사결정 모델(decision model)을 제시합니다. 이 모델은 허용된 모든 답변에 대한 확률을 반환하여 훈련 없이도 여러 결정을 수행할 수 있게 합니다.

본 연구는 냉난방공조 시스템의 고장 진단에 대한 세 가지 질문, 즉 모델이 어떤 결정을 할 수 있는지, 어떤 입력이 필요한지, 그리고 조건 변화 시 확률이 유지되는지를 다룹니다. 연구진은 네 개의 공개 데이터셋에서 128개의 고장일에 대해 실제 장비 데이터를 사용하여 테스트를 진행했습니다.

실제 장비 데이터에서 물리적 특징이나 Brick 위상 정보를 입력으로 제공했을 때, 의사결정 모델 Jev와 대규모 오픈 모델은 단일 특징이 증거를 지니는 고장만 진단할 수 있었고 운영 맥락이 필요한 고장은 진단하지 못했습니다. 조건 변화 시에도 Jev와 오픈 모델은 정확도와 보정값을 유지했지만, 지도 학습 모델은 0.33의 매크로 F1 점수를 잃었습니다.

결론적으로 이 연구는 의사결정 모델이 진단할 수 있는 고장 유형과 입력 방식을 매핑하며, 코드가 물리학을 계산하고 모델이 운영자에게 후보 고장을 순위화하는 작업 분담을 지원합니다. 이는 AI 기반 진단 시스템에서 모델의 한계를 명확히 이해하고 신뢰도를 높이는 데 기여합니다.

Itgan 시스템은 NADI 2026의 세 가지 자동 음성 인식(ASR) 하위 과제, 즉 견고한 국가 수준 ASR(1.1), 혼합 방언 ASR(1.2), 그리고 튀니지 코드 전환 ASR(1.3)에 대한 결과를 제시합니다. 이 세 과제는 소비자용 GPU에서 LoRA를 적용하여 Whisper를 적응시킨 동일한 레시피를 공유하며, 각 과제는 이 기반 위에 다른 추가적인 개선을 적용했습니다.

국가 수준 ASR(1.1)의 경우, 테스트 시점에 방언 레이블이 주어지는 환경에서 풀링된 어댑터가 가장 큰 성능 향상을 보였으며, 제출된 시스템은 국가 평균 WER 57.1%에 도달했습니다. 또한, 고정된 인코더 특징에 대한 선형 탐색을 통해 레이블이 없는 발화도 탐색할 수 있었으며, 이는 오라클 라우팅이 제공하는 정보의 44%를 회복했습니다.

혼합 방언 ASR(1.2)에서는 어댑터 용량보다 기반 모델의 선택이 더 중요했으며, 시스템 조합은 상관관계가 없는 멤버를 추가했을 때에만 한 번 도움이 되어 46.7%의 WER을 달성했습니다. 튀니지 코드 전환 ASR(1.3)에서는 경쟁 시스템 중 두 번째로 14.49%의 WER을 기록했으며, 선도 제출 시스템 중 가장 낮은 CER인 5.38%를 달성했습니다. 이 결과는 추가 훈련 없이 독립적으로 훈련된 실행의 정확한 가중치 공간 평균과 ROVER 투표를 통해 나머지 0.60 WER 포인트를 얻어냈습니다.

모든 비교는 쌍별 부트스트랩 테스트를 통해 수행되었으며, 작동하지 않은 여덟 가지 방향에 대한 결과도 보고되었습니다. 이는 모델 적응 및 조합 시 기반 모델과 어댑터의 상호작용이 성능에 미치는 영향을 분석하는 데 중요한 맥락을 제공합니다.

샘플 복잡도는 순차적 의사결정 문제에서 에이전트와 환경 간의 상호작용 동안 발생하는 최적하지 않은 결정의 수를 의미하는 널리 사용되는 척도입니다. 본 연구는 확률적 다중 팔대잡이 문제의 샘플 복잡도를 분석하고, 새로운 프레임워크인 기대적으로 근사하게 올바름(Approximately Correct in Expectation, ACE)을 통해 기대 샘플 복잡도 성능 척도를 도입합니다.

ACE 보장은 다른 프레임워크에서 발견되는 고확률 보장과 달리 최적 기대 보상으로의 거의 확실한 수렴을 의미하며, 이러한 ACE 보장을 명시적인 기대 후회 상한으로 변환하는 방법도 제시합니다. 또한 기존 측정치와 달리 결정론적 알고리즘은 유리한 ACE 상한을 얻을 수 없음을 보였습니다.

연구진은 허용되는 서브옵티멀리티 수준 $\epsilon$이 알고리즘에 알려져 있는지 여부에 따라 확률적 알고리즘을 두 가지 설정으로 분석합니다. $\epsilon$을 알고 있는 경우 탐색 후 $\epsilon$-탐욕 알고리즘을, $\epsilon$을 모르는 경우 톰슨 샘플링의 기대 샘플 복잡도를 분석합니다. 최종적으로 두 설정 모두에 대해 거의 일치하는 하한을 확립하여 알고리즘이 $\epsilon$에 대해 타이트하며 두 영역 사이에 성능 분리가 있음을 증명합니다.

지식 그래프 임베딩(KGE) 모델은 지식 그래프의 개체와 관계를 저차원 잠재 공간으로 인코딩하여 분류나 링크 예측과 같은 작업을 가능하게 합니다. 대부분의 KGE 모델은 인코더와 디코더로 구성된 오토인코더 구조를 따르지만, 기존 라이브러리들은 완전한 오토인코더를 지원하지 않거나 유지보수가 미흡하고, 문서화되지 않은 기본 하이퍼파라미터를 사용하며, 라이브러리 간 결과 비교가 어렵다는 한계가 있습니다.

이러한 문제를 해결하기 위해 KGATE(Knowledge Graph Autoencoder Training Environment)라는 모듈형 파이썬 라이브러리가 제안되었습니다. KGATE는 PyTorch Geometric과 TorchKGE를 기반으로 구축되었으며, 사용자가 초기화, 인코더, 디코더, 손실 함수, 평가 지표 등을 구성 요소로 조립하거나 자체 블록을 추가할 수 있도록 합니다.

KGATE는 데이터 누수를 제어하는 전처리 절차, 내장된 훈련 파이프라인, 그리고 재현성을 설계 단계부터 보장하는 기능을 포함하고 있습니다. 여러 기존 KGE 라이브러리와 비교한 벤치마크 결과, KGATE의 훈련 시간은 가장 빠른 라이브러리와 비교하여 유사한 수준을 보이지만 훨씬 더 광범위한 기능을 제공합니다.

다중 벡터 시각 문서 검색 시스템은 각 페이지를 약 천 개의 패치 벡터로 저장하는데, 이 인덱스를 통해 페이지를 역변환하는 공격이 가능하다는 연구 결과가 나왔습니다. 이는 인덱스가 라스터 순서로 벡터를 보존하고, 각 벡터가 문서 이해를 위해 사전 학습된 비전-언어 모델(VLM)로 계산되었기 때문에, 저장소 접근 권한을 가진 공격자가 인덱스만으로 페이지를 재구성할 수 있다는 가설을 제시합니다.

연구진은 이 역변환을 조건부 문서 이미지 생성으로 정의하고, 공격에 필요한 요소로 인코더, 페이지 모양, 그리고 벡터의 순서를 제시했습니다. ViDoRe v3 벤치마크에서 원시 인덱스로부터 역변환된 페이지는 단어의 47%와 민감한 토큰의 45%를 복구했으며, 저장된 인덱스를 쿼리로 사용할 경우 원본 페이지를 98.4%의 확률로 순위 1에 올렸습니다.

토큰 풀링이나 셔플링과 같은 간단한 보호 조치를 적용했을 때 단어 검색 재현율은 약 8%로 감소했지만, 벡터 순서를 재구성하는 모델은 원본 페이지 순위 점유율을 3.8%에서 93.5%까지 높였습니다. 또한, 다른 다중 벡터 검색기에도 동일한 공격을 적용했을 때 역변환된 페이지는 원본 페이지를 70.2%의 확률로 순위 1에 올렸으며, 이는 인덱스 보호가 문서 자체를 보호하는 것만큼 중요함을 시사합니다.

결론적으로 다중 벡터 시각 문서 검색 시스템은 저장된 인덱스를 통해 역변환 공격에 취약하므로, 인코딩된 문서와 마찬가지로 인덱스 자체를 보호해야 합니다.

딥러닝 모델의 학습된 상태에서 헤시안 스펙트럼은 고유값들이 0 근처에 큰 덩어리를 이루고 소수의 고립된 이상치로 조직되는 지속적인 패턴을 보입니다. 이 논문은 이러한 스펙트럼 현상에 대한 자연스러운 설명을 제시하며, 이는 원래 설정이 주변에 숨겨진 고도로 대칭적인 기준점으로부터의 이탈로 이해될 때 나타난다고 설명합니다.

모델의 구조, 데이터 분포, 또는 파라미터 측정 기준을 변경하는 등의 수정은 가중치 대칭성만으로는 설명되지 않는 풍부한 불변량을 갖는 근접한 기준 구성(reference configuration)을 드러냅니다. 이러한 대칭성은 스펙트럼을 정확하게 기술할 수 있게 하며, 고차원 커널과 다중성 고유값을 강제합니다. 원래 구성으로 돌아가면 헤시안 대칭성이 깨지면서 관찰된 클러스터와 이상치의 계층 구조가 발생하게 됩니다.

이 프레임워크는 일반적인 상황에서 개발되었으며, 3층 ReLU 네트워크에 대한 상세한 분석과 함께 컨볼루션, 그래프, 트랜스포머 모델, 그리고 NTK에 대한 응용을 포함합니다. 또한 이 메커니즘은 레이어별 헤시안과 가우스-뉴턴 행렬에서도 유사한 스펙트럼 구조를 산출함을 보여줍니다.

구글이 Pixel Buds 2A와 Pro 2에 새로운 기능을 추가하는 업데이트를 출시했다고 밝혔습니다. 이 업데이트는 지난 8월에 공개가 예고되었으며, 사용자 경험을 개선하는 여러 기능을 포함하고 있습니다.

가장 큰 업데이트는 Pixel Watch 기반의 수면 감지 기능으로, 두 이어버드 모두에 적용됩니다. 사용자가 Pixel Watch를 착용하고 잠들면 이어버드가 이를 감지하여 음악 재생을 일시 중지하고 알림을 끄며 터치 제어 기능을 비활성화합니다. 이 기능은 사용자가 수면 중 방해받지 않도록 돕는 데 중점을 둡니다.

또한, 통화 중 마이크를 빠르게 음소거하거나 해제할 수 있는 탭 투 뮤트 기능도 추가되었습니다. 이 기능은 Pixel 폰을 사용할 때만 작동하며, 통화 중 마이크 제어를 더욱 편리하게 만듭니다.

Xreal의 기대작인 Aura XR 안경이 곧 1,279달러에 출시될 예정이며, 이 글은 메타가 최근 발표한 VR 안경과 비교하여 Aura의 성능을 평가합니다. 이 기사는 현재 시장에서 등장하고 있는 페이스 컴퓨터 기술의 발전 상황을 다루고 있습니다.

Aura 안경의 출시와 메타 제품과의 비교는 사용자들에게 어떤 XR 기기가 더 나은 경험을 제공하는지에 대한 중요한 기준을 제시합니다. 개발자나 기술에 관심 있는 독자들은 이 비교를 통해 현재 XR 하드웨어 시장의 경쟁 구도와 기술적 진보의 방향을 이해할 수 있습니다.

구체적으로 Xreal Aura가 메타의 VR 기기와 비교했을 때 어떤 장단점을 가지는지에 대한 분석을 제공함으로써, 새로운 XR 기기를 선택하거나 개발할 때 참고할 수 있는 실질적인 정보를 제공합니다. 따라서 이 글은 단순한 제품 소개를 넘어 실제 사용자 경험과 기술적 성능을 중심으로 논의를 전개합니다.

구글이 AI 프롬프트를 사용하여 맞춤형 게임을 만들 수 있는 새로운 브라우저 기반 플랫폼인 플레이그라운드(Playground)를 오늘 발표했습니다. 이 플랫폼은 코딩 경험이 없어도 게임 제작의 장벽을 낮추는 것을 목표로 하는 실험적인 게임 플랫폼입니다.

플레이그라운드는 대화형 인터페이스를 통해 사용자가 원하는 것을 입력하는 것만으로 게임을 지시할 수 있게 합니다. 사용자는 빈 캔버스에서 시작하거나, 시작 프롬프트를 리믹스하거나, 가이드 지원을 사용하여 컨셉을 형성한 다음 즉시 테스트할 수 있습니다.

이 플랫폼을 통해 사용자는 물리 엔진을 조정하거나 코드를 재작성하는 등 게임의 세부 사항을 직접 수정할 수 있습니다. 구글은 플레이그라운드가 AI를 활용하여 창작 과정을 단순화하고 접근성을 높이는 데 중점을 두고 있다고 설명합니다.

구글의 Xreal 파트너십 제품인 Aura가 메타의 VR 글래스와 직접 경쟁하게 되었습니다. 최근 기자들은 무게가 약 100그램에 불과한 두 새로운 웨어러블 기기를 비교했으며, 이는 두 제품이 시장에서 경쟁 구도를 형성하고 있음을 보여줍니다. Xreal은 Aura 사전 주문을 1,279달러부터 시작하며 메타 VR 글래스보다 20달러 저렴한 가격을 제시했습니다.

Aura는 12GB RAM과 256GB 저장 공간 구성으로 1,279달러에 제공되며, 16GB RAM과 512GB 저장 공간 구성은 1,499달러에 판매될 예정입니다. Xreal 측은 16GB RAM 구성이 특정 애플리케이션에 얼마나 중요한지에 대해서는 밝히지 않았습니다.

이러한 가격과 메모리 옵션은 개발자들이 새로운 XR 기기를 평가하고 제품을 기획할 때 고려해야 할 중요한 비교 기준이 됩니다. 두 제품 모두 100그램 내외의 가벼운 무게를 특징으로 하며, 이는 모바일 환경에서의 사용 편의성에 영향을 미칩니다.

도어대시(DoorDash)는 올해 2분기에 9억 7천만 건의 주문을 처리하며 45억 달러의 매출을 기록하는 주요 음식 배달 앱입니다. 이러한 대형 플랫폼과 비교했을 때, 10명 규모의 스타트업인 바이츠(Bites)는 샌프란시스코 베이 지역에 약 300개의 레스토랑과 계약한 상태로 프리시드 스타트업으로 운영되고 있습니다.

하지만 최근 바이츠는 도어대시의 주목을 받으며 AI 기반 에이전트 음식 배달 시스템과 관련된 논란을 일으켰습니다. 지난 8월, 베이 지역의 여러 레스토랑들은 도어대시로부터 이상한 이메일을 받았습니다. 이 이메일은 도어대시가 "여러 파트너"로부터 들은 정보를 바탕으로 동의 없이 자신들이 바이츠에 등록될 수 있다는 경고를 담고 있었습니다.

이러한 이메일은 도어대시가 바이츠 플랫폼을 통해 레스토랑 데이터를 처리하는 과정에서 발생한 문제임을 시사합니다. 이는 대형 배달 플랫폼이 소규모 스타트업의 데이터를 어떻게 활용하고 관리하는지에 대한 기술적, 윤리적 맥락에서 중요한 시사점을 제공합니다.

PSP 게임인 고의 왕좌(God of War)를 에뮬레이터 없이 브라우저에서 실행하기 위해 정적 재컴파일을 WebAssembly로 변환하는 프로젝트가 공개되었습니다. 이 프로젝트는 PSP의 MIPS 기계 코드를 C++로 변환하고, PSP 운영체제 및 그래픽 칩의 일부를 재현하는 HLE 커널과 WebGL2 렌더러를 결합하여 게임을 구동합니다.

구체적으로 PSPRecomp는 실행 파일을 분석하여 함수를 찾아 WebAssembly로 변환하며, PSP의 메모리 모델과 시스템 호출을 에뮬레이션하는 호스트 환경을 구축합니다. 이를 통해 게임 데이터 없이도 PSP의 하드웨어 동작을 모방하여 화면에 그래픽을 표시할 수 있게 됩니다.

이 시스템은 WebGL2를 사용하여 그래픽 처리를 수행하며, 파일 시스템 접근은 HTTP Range 요청을 통해 디스크 이미지를 스트리밍하는 방식으로 구현되었습니다. 다만, 이 구현은 아직 PSP에서 완전히 구현되지 않은 시스템 호출이나 그래픽 기능에 대해서는 제한이 있으며, 이는 개발자가 에뮬레이션의 한계를 파악하고 추가 기능을 구현하는 데 중요한 맥락을 제공합니다.

아마존 프라임 빅 딜 데이 이벤트의 둘째 날이 진행 중이며, 이번 세일은 10월 8일 목요일 미국 동부 시간 오전 3시에 종료됩니다. 어제 제공된 일부 주요 딜은 이미 마감되었지만, 많은 할인들이 계속 이어지고 있어 마지막 날까지 주목할 만한 새로운 할인이 등장하고 있습니다.

팀은 쇼핑 사이트와 자체 리뷰를 교차 확인하여 버지(Verge) 스태프가 선호하는 다양한 기기들에 대해 약 100개의 딜을 찾아냈습니다. 프라임 구독자는 가장 많은 딜에 접근할 수 있으며, 일부 제품은 베스트 바이, 월마트, 타겟과 같은 소매점에서 가격이 맞춰져 있습니다.

특히 주목할 만한 기기 할인으로는 레노보 레전드 고 2 핸드헬드 게임기, M6 칩이 탑재된 M6 맥 미니, 애플 워치 시리즈 12, 그리고 아이폰 에어 등이 있습니다. 또한 27인치 240Hz 주사율의 LG 울트라기어 OLED 게이밍 모니터나 280Hz 주사율의 얼리언웨어 34인치 OLED 게이밍 모니터 등 고성능 게이밍 장비 할인도 제공됩니다.

최신 아이폰 에어는 5.6mm의 얇은 두께와 6.5인치 ProMotion 디스플레이를 제공하지만, 단일 후면 카메라와 배터리 수명 등의 한계가 있어 모든 사용자에게 적합하지 않을 수 있습니다. 이 외에도 2TB NVMe SSD와 같은 저장 장치 할인도 함께 확인해 볼 수 있습니다.

삼성 웨일렛을 통해 일부 GM 차량의 디지털 키를 잠그고, 잠금 해제하며 시동을 걸 수 있는 기능이 미국과 캐나다 사용자를 대상으로 제공됩니다. 이 기능은 특정 2026년과 2027년형 캐딜락 전기차(EV)를 대상으로 지원이 시작되며, 구체적으로는 2025년부터 2027년형 리릭(Lyriq), 2026년부터 2027년형 옵틱(Optic), 그리고 2027년형 비스티크(Vistiq) 모델이 포함됩니다.

GM은 2026년 말까지 더 많은 모델을 지원할 것이라고 밝혔으며, 이와 별도로 GM은 12월에 일부 GMC 및 쉐보레 트럭에도 디지털 키 기능을 도입할 예정입니다. 주목할 점은 이 디지털 키 기능이 삼성 웨일렛에만 국한된 것이 아니라는 점입니다. 애플 웨일렛과 구글 웨일렛 역시 호환되는 아이폰, 애플 워치, 픽셀 기기 사용자에게도 동일한 기능을 제공합니다.

따라서 이 기능은 특정 제조사에 국한된 것이 아니라 다양한 스마트 기기 생태계 간의 연동을 통해 차량 접근성을 높이는 기술적 시도임을 알 수 있습니다. 다만, 해당 기능이 모든 GM 모델에 적용되는지는 아직 명확하게 확인되지 않았습니다.