읽을 가치가 있는 기사만, 짧고 또렷하게.

어디든 목표를 향해 움직이는 에이전트의 핵심 능력은 상호 의존적인 작업의 연속을 통해 복잡한 목표를 달성하는 것입니다. 하지만 기존의 시각 목표 조건화 정책들은 목표가 이미 보이는 고립된 상호작용에서 평가되므로, 장기적인 연속 작업 실행 중에 발생하는 조건을 포착하지 못합니다. 에이전트가 이전 작업으로 인해 위치나 방향이 바뀌고 환경이 수정되며 다음 상호작용 목표가 현재 시야 밖에 있을 때, 목표를 현재 관찰에서 구체화하지 못해 다음 단계로 진행하는 데 어려움을 겪습니다.

이러한 문제를 해결하기 위해 본 연구는 Attacca라는 새로운 접근 방식을 제안합니다. Attacca는 실행 환경과 분리된 목표 이미지를 사용하여 검색-상호작용 궤적 전체를 학습함으로써 시각 목표 조건화 정책을 훈련합니다. 구체적으로 Attacca는 컨텍스트 분리 목표 샘플링을 사용하여 각 시연을 다른 세계의 클래스 호환 마스크 목표 이미지와 쌍으로 만들어 장면 및 자세 일치를 제거합니다. 또한, 목표 마스크 예측 헤드를 통해 현재 시야에 대한 밀집된 구체화를 학습하며 행동 모방을 넘어서는 보조적인 감독을 제공합니다.

나아가 Attacca는 행동 단계 조건화(behavioral-phase conditioning)를 도입하여 정책이 검색(Search), 접근(Approach), 상호작용(Interact) 단계를 구별하고 실행이 진행됨에 따라 제어를 조정하도록 학습시킵니다. 마인크래프트 환경에서 여러 단기 및 장기 임체형 작업을 평가한 결과, 이 방법은 39.0%에서 47.5%의 깨끗한 성공률을 달성했으며, 가장 강력한 기준선 대비 1.7배에서 2.4배 향상되었습니다. 장기 목표 작업에서는 54%, 30%, 28%의 완료율을 달성하여 최대 7배의 개선을 보였습니다.

강화 학습(RL)을 이용한 사전 훈련된 대규모 언어 모델(LLM) 훈련 시, 롤아웃 생성 과정에서 상당한 계산 및 메모리 오버헤드가 발생하여 효율적인 RL 훈련을 위한 저정밀도 롤아웃이 필요합니다. 하지만 기존의 FP4 RL 방법들은 훈련 경로와 롤아웃 경로의 불일치를 직접적으로 줄이지 않고 각 경로의 양자화 정확도를 독립적으로 최적화하는 한계를 가지고 있습니다.

이에 본 연구는 혼합 전문가(MoE) 언어 모델의 RL 훈련을 위한 FP4 양자화 프레임워크인 TRACE(Train-Rollout Quantization Alignment via Compact GuidancE)를 제안합니다. TRACE는 롤아웃 측의 양자화 결과를 활용하여 훈련 측의 FP4 반올림 결정을 안내하는 롤아웃 기반 양자화 인식 훈련을 통합함으로써 훈련과 롤아웃 간의 불일치를 직접적으로 줄입니다. 또한 TRACE는 롤아웃 가이드로 인한 저장 및 통신 오버헤드를 줄이기 위해 더 깊은 레이어에서 유지 정보를 선택적으로 보존하는 효율적인 양자화 정보 캐싱 방식을 채택했습니다.

연구진은 TRACE를 추론, 코딩, 장기 수평 RL 작업에 걸쳐 네 가지 대규모 MoE 언어 모델에 대해 평가했습니다. 그 결과 TRACE는 RL 성능이 BF16 롤아웃과 유사하면서도 롤아웃 속도를 최대 5.4배 향상시키고, BF16 훈련 정책의 사후 FP4 양자화와 비교했을 때 강력한 최종 FP4 성능을 달성했습니다.

온디바이스 캐스케이드 음성 에이전트에서 도구 지연 시간을 숨기는 방법을 제시합니다. 기존의 도구 증강 음성 비서 시스템은 자동 음성 인식(ASR), 대규모 언어 모델 추론, 외부 도구 실행을 순차적으로 처리하여 도구 지연 시간이 사용자가 말한 후 LLM이 필요한 도구 호출을 식별한 후에만 발생합니다.

본 연구는 부분적인 ASR 가설로부터 도구 요청을 예측하고 음성이 수신되는 동안 도구 실행을 시작하는 추측적 도구 실행을 제안하여 전체 응답 지연 시간을 줄입니다. 이를 위해 예측 모듈을 도입하여 음성 인식 중에 도구 호출을 예측하고 추측적으로 실행한 후 결과를 캐시합니다. 이 캐시된 결과는 LLM 프롬프트에 주입되어 응답 속도를 높이며, 음성 중 사용자의 자기 수정으로 인한 오류를 완화하기 위해 유효한 캐시 결과만 선택적으로 주입하는 규칙 기반 검증 메커니즘을 사용합니다.

또한, LLM이 직접 도구 호출을 수행할 수 있는 능력을 유지하여 프레임워크의 지연 시간이 최악의 경우 기본 순차 실행 파이프라인으로 상한이 설정되도록 안전장치를 마련합니다. 실제 안드로이드 음성 비서에 대한 측정 결과를 통해 이 방법은 첫 오디오까지의 중앙값을 5.79초에서 4.60초로 줄이고 표준 편차를 3.49초에서 2.81초로 감소시켜 더 예측 가능한 응답 지연 시간을 달성했습니다.

단일 이미지 장면 생성은 카메라가 관찰하지 못한 표면을 포함하여 완전한 3차원 장면 메시를 생성하는 것을 목표로 합니다. 기존의 사전 학습된 3D 객체 생성기는 강력한 형태 사전 지식을 인코딩하지만, 주로 고정된 볼륨 내의 고립된 객체에 초점을 맞추고 실내 장면 데이터가 풍부하여 실외 장면 데이터가 제한적이라는 한계가 있었습니다.

본 연구는 이러한 객체 중심 생성기, 예를 들어 Trellis 2를 실내와 실외 장면 모두에서 작동하도록 재설계하여 기존의 사전 지식을 유지하면서 확장하는 방법을 제시합니다. 이를 위해 장면을 카메라로부터의 거리에 따라 크기가 조정되는 적응형 청크로 분할하고, 이미지 특징을 끌어올려 자유 공간, 관찰된 표면, 관찰되지 않은 영역을 모델이 인식하도록 하여 2차원-3차원 대응 관계를 명시적으로 포착합니다.

또한, 기존 데이터셋이 주로 실내에 국한되어 있다는 점을 보완하기 위해 약 4,000개의 실외 장면을 합성하여 훈련 데이터를 확장했습니다. Tanks and Temples, ScanNet++, 그리고 야외 이미지 실험에서 본 방법은 실내와 실외 장면 모두에서 기하학적 정확도와 지각적 품질 면에서 모든 기준 모델을 능가하는 성능을 보였습니다.

비디오 월드 모델은 시각적으로는 설득력이 있지만 물리적으로는 일관성이 부족한 시퀀스를 생성할 수 있어, 임체형 AI 시스템에서의 예측 및 계획 신뢰성에 대한 우려가 제기되고 있습니다. 기존의 평가 방식은 모델 기반 판단이나 참조 비디오에 의존하는 경우가 많았으나, 본 연구는 비디오 월드 모델의 물리적 일관성을 평가하기 위한 측정 기반 벤치마크인 'World Models' Last Exam in Physics'를 소개합니다.

이 벤치마크는 역학, 광학, 유체, 열 및 상변화 현상, 전자기학, 표면 장력 등 6가지 물리 영역을 포괄하는 40개의 통제된 과제로 구성되어 있습니다. 각 과제는 초기 이미지와 생성 프롬프트를 미리 정의된 물리적 기준과 쌍으로 구성하여 참조 비디오 없이도 관찰 가능한 물리적 관계를 해석할 수 있게 합니다. 평가 모듈은 과제 관찰 가능성 스크리닝과 과제별 정량적 물리 측정값을 결합하여 물리적 불일치를 진단하는 해석 가능한 기반을 제공합니다.

8개의 비디오 생성 모델에 대한 실험 결과는 1,280개의 비디오에서 지속적인 물리적 불일치와 과제 간의 상당한 변동성을 보여주었으며, 최고 모델은 100점 만점에 57.76점을 달성했습니다. 이 벤치마크는 측정 가능한 증거와 명시적인 측정 한계에 기반한 점수를 결합함으로써, 물리적 일관성 부족을 진단하고 물리적으로 일관된 비디오 월드 모델을 향한 진행 상황을 추적하는 데 유용한 기준을 제공합니다.

로봇 파운데이션 모델을 확장하기 위해서는 다양하고 신뢰할 수 있는 훈련 데이터와 평가 환경이 필수적입니다. 현재 시뮬레이션은 확장 가능한 해결책을 제공하지만, 기존 생성 파이프라인은 미리 정의된 에셋과 기술에 의해 제약되며, 장면 생성과 작업 생성 간의 단절, 복잡한 신체 구조 및 물리 현상에 대한 지원 부족이라는 한계를 가지고 있습니다.

이에 연구진은 재귀적 자기 개선(RSI)을 통해 확장 가능한 체화 데이터 생성을 위한 프레임워크인 EmbodiedSmith를 소개합니다. 이 프레임워크는 에셋, 장면, 작업을 통합하는 파이프라인을 제공하여 자율적인 생성과 언어 기반 사용자 맞춤화를 지원합니다. 핵심은 에이전트적 정제 루프인데, 장면 생성이 다운스트림 작업 요구 사항을 예측하고 작업 생성이 목표 장면 편집을 안내함으로써 장면과 작업이 서로를 반복적으로 개선하도록 합니다. 이러한 공동 정제는 장기 작업(long-horizon tasks)을 포함하여 작업 생성 성공률을 향상시킵니다.

EmbodiedSmith는 모바일 매니퓰레이터, 휴머노이드, 섬세한 손뿐만 아니라 변형 가능한 물체와 유체와의 상호작용을 지원하여 생성 데이터에 표현되는 행동과 물리 현상의 범위를 넓힙니다. 이 프레임워크는 로봇 사전 훈련과 평가를 위한 유연한 시뮬레이션 엔진을 제공합니다. 광범위한 실험 결과는 생성된 데이터의 품질, 다양성, 생성 효율성을 입증하며, 다운스트림 정책 실험은 데이터 다양성 증가가 일반화 능력을 향상시킨다는 것을 보여줍니다.

Jev 기반 진단 파이프라인은 105개의 장애 진단 중 80건(76.2%)을 성공적으로 통과했으며, 평균 진단 시간은 14.6초로 나타났습니다. 이 시스템은 클러스터 증거를 프로그램적으로 수집하고 정리한 뒤 이를 Jev에게 제공하여 근본 원인을 진단하는 방식으로 작동합니다.

진단 과정에서 수집기는 Kubernetes 객체, 이벤트, 로그, 리소스 사용량 등을 읽어 구성 요소별로 관찰 결과를 요약합니다. Jev는 이 요약 정보를 바탕으로 잠재적인 원인을 선택하고 증거를 검토하여 진단을 이끌어냅니다. 예를 들어, 특정 장애 상황에서 Jev는 어떤 구성 요소가 원인인지, 어떤 증거가 가장 적합한지를 판단하여 진단 보고서를 구성합니다.

그러나 이 시스템은 몇 가지 한계를 보였습니다. Jev가 잘못된 단서를 선택하거나 수집기가 설명에 필요한 신호를 누락할 경우 진단이 실패하는 경우가 발생했습니다. 특히 서비스 간 상호작용이나 시간이 지남에 따라 변화하는 장애의 경우, 요청 수준의 신호나 여러 구성 요소를 연결하는 측정값이 부족하여 정확한 원인을 파악하는 데 어려움을 겪었습니다.

결론적으로, 성공적인 진단을 위해서는 Jev와 증거 수집기 모두가 필수적이며, 향후에는 요청 수준의 신호를 수집하고 구조화된 텔레메트리를 자연어로 변환하여 Jev가 더 넓은 범위의 설명을 고려할 수 있도록 확장할 필요가 있습니다.

인간과 AI의 상호작용이 대화 중심으로 변화함에 따라 자연스러운 실시간 대화를 수행할 수 있는 풀 듀플렉스 음성 언어 모델의 중요성이 커지고 있습니다. 이러한 모델은 단순히 적절한 응답을 생성하는 것을 넘어, 발화 순서 조정, 백채널링, 그리고 대화 흐름 관리를 실시간으로 조율해야 합니다. 이를 위해 강화 학습(RL)이 상호작용 결과에 대한 직접적인 피드백을 통해 이러한 행동을 개선하는 데 사용됩니다.

하지만 기존의 강화 학습 방법들은 토큰 정책에 타이밍 피드백을 적용하거나 의미적 콘텐츠를 최적화하는 방식으로 접근하여 타이밍과 콘텐츠의 공동 개선을 해결하지 못했습니다. 이에 본 논문은 사전 학습된 풀 듀플렉스 텍스트 정책을 콘텐츠를 언제 출력할지 결정하는 제어 정책과 무엇을 출력할지 결정하는 조건부 콘텐츠 정책으로 분해하는 RL 프레임워크인 HiPLEX를 제안합니다. 이 계층 구조는 각 프레임 내의 조건부 행동을 설명하며 모델의 기존 텍스트 헤드를 활용합니다.

HiPLEX는 생성된 음성 에피소드에서 파생된 이벤트 인과 마스크를 통해 타이밍 이점을 토큰 그룹 요인으로 전달하고, LLM-judge의 의미적 이점을 조건부 콘텐츠 요인으로 전달합니다. Full-Duplex-Bench v1에서 세 가지 Moshi 시드에 걸쳐 실험한 결과, HiPLEX는 자연스러운 사용자 일시 중지 및 백채널 기회 중의 점유율을 줄이고 중단 후 응답 지연 시간을 GRPO 대비 단축하면서도 평가된 중단-응답 품질은 유사하게 유지했습니다.

또한 Moshi 및 PersonaPlex 환경에서 HiPLEX는 GRPO보다 인간의 턴 타이밍 및 백채널 비율 마진을 더 잘 일치시키는 것으로 나타났습니다. 이는 HiPLEX가 실시간 대화에서 타이밍과 의미적 콘텐츠를 동시에 효과적으로 개선할 수 있음을 보여줍니다.

터미널 접근 권한을 갖춘 대규모 언어 모델(LLM)은 소프트웨어 엔지니어링 작업을 자동화하는 데 강력한 능력을 보여주었지만, 기존 에이전트는 장기 작업 흐름에서 취약하다는 한계가 있습니다. 이는 에이전트가 소스 파일, 설정, 테스트, 종속성, 런타임 동작에 흩어져 있는 프로그램 상태를 반복적으로 재구성해야 하기 때문에 상호작용 기록이 길어지고 컨텍스트 폭발 및 의미론적 표류가 발생하기 때문입니다. 또한 대규모 저장소는 작업과 관련된 구성 요소를 식별하는 것을 더욱 복잡하게 만듭니다.

이러한 문제를 해결하기 위해 본 연구는 저장소 구성 요소를 수동적인 소프트웨어 아티팩트에서 소프트웨어 엔지니어링의 능동적인 참여자로 변환하는 모듈식 실행 가능한 추상화인 개발 원리(Dev-Primitives)를 소개합니다. 각 개발 원리는 저장소 아티팩트를 LLM과 연결하여 자체 구현 및 종속성에 기반한 에이전트 고유의 인터페이스를 제공하며, 자연어 추론, 구성 요소 간 통신, 국소적 자체 수정을 가능하게 합니다.

개발 원리를 기반으로, 연구진은 종속성 인식 동적 활성화 메커니즘과 실행 증거를 수정해야 할 구성 요소로 매핑하는 버그 진단 메커니즘을 통해 저장소 규모에서 이러한 원리를 구현하는 모듈 실행 가능한 개발 원리들을 통한 소프트웨어 엔지니어링을 위한 하네스 엔지니어링 프레임워크인 HERMES를 제안했습니다.

네 가지 소프트웨어 엔지니어링 벤치마크에 대한 광범위한 실험 결과, HERMES는 일치하는 기준 하네스보다 평균 12.4% 더 우수한 성능을 보였습니다. 또한 강력한 활성화 및 진단 모델과 결합했을 때, HERMES는 Qwen3-8B 개발 원리를 사용하더라도 네 가지 벤치마크 전반에 걸쳐 균일한 GPT-5.6 솔(Sol) 구성과 4.5% 이내에 머물렀으며, Terminal-Bench 4.0에서는 추론 비용을 26.2% 절감하여 소프트웨어 엔지니어링 에이전트에서 하네스 설계의 중요성을 강조합니다.

현재 비디오 편집 도구는 객체를 삽입할 수는 있지만, 해당 객체가 들어 올려지거나 조작되는 것과 같은 상호작용에 참여하도록 만드는 데 어려움을 겪고 있습니다. 이러한 문제를 해결하기 위해 본 연구진은 ALIVE라는 프레임워크를 제안했는데, 이는 편집된 첫 프레임과 추가된 객체 이름만을 명시하는 지침을 사용하여 삽입된 객체가 원본 비디오 내용과 일관되게 상호작용하도록 만듭니다.

ALIVE를 훈련하기 위해 3D 렌더링, 모델 생성, 실제 세계 비디오와 ROSE의 일반 편집 쌍을 결합한 35,800개의 편집 쌍을 선별했습니다. 이 쌍들은 주변 동작을 보존하면서 대상 객체의 존재를 변경하여 편집자가 객체의 조정된 행동과 원본 보존을 학습하도록 했습니다. 또한, 동일한 입력에서 상호작용 지침을 예측하기 위해 비전-언어 모델(VLM)을 추가로 훈련시켰습니다.

연구진은 상호작용 충실도, 원본 보존, 시각적 일관성을 평가하기 위해 VLM 기반 프로토콜을 사용하는 ALIVE-interaction 벤치마크를 도입했습니다. VLM의 예측된 지침 없이 ALIVE는 가장 강력한 기준선 대비 전반적인 점수를 43.9%, 두 벤치마크에서 4.4% 향상시켰습니다. 나아가 VLM 예측 지침을 사용하면 추가적인 사용자 입력 없이 ALIVE-interaction 점수를 0.95점 향상시킬 수 있습니다.

코드에서 무작위 선택을 구현할 때 흔히 사용하는 방식이 실제 균등 분포를 보존하지 않는다는 문제가 지적됩니다. 예를 들어, `random_u64()` 함수로 얻은 난수를 나머지 선택지 개수로 모듈로 연산하여 객체를 선택하면, 모든 객체가 동일한 확률로 선택될 것이라는 직관적인 기대와 달리 특정 객체가 과도하게 선택될 수 있습니다. 이는 입력 난수의 균등 분포가 결과 객체의 선택 확률에 반영되지 않아, 의도했던 확률 분포가 왜곡되는 결과를 초래합니다.

이러한 문제를 해결하기 위해 작성자는 `random_between(l, h)`과 같이 각 숫자가 균등한 확률을 갖도록 보장하는 함수를 제시합니다. 그러나 더 근본적인 해결책은 단순히 균등 난수를 제공하는 것보다 확률 분포 자체를 명시적으로 표현하는 일반화된 연산자, 즉 `random_choice()`를 사용하는 것입니다. 이 함수는 선택지 집합과 각 선택지의 확률 분포를 직접 지정할 수 있게 하여, 결과가 어떤 확률로 도출되었는지 명확하게 보여줍니다.

`random_choice()`를 사용하면 확률 분포를 직접 표현할 수 있어, 예를 들어 특정 객체에 40%의 확률을 부여하는 등의 복잡한 가중치를 쉽게 구현할 수 있습니다. 이는 코드를 읽고 추론하기 쉽게 만들며, 상태 공간을 탐색하는 데 필요한 다양한 확률적 시나리오를 다루는 데 매우 유용합니다.

결론적으로, 개발자는 단순히 균등 난수를 사용하는 것보다 확률 분포를 직접 표현하는 추상적인 API를 활용하여 코드를 더 정확하고 쉽게 추론 가능하게 만들 수 있습니다. 이는 특히 가중치 처리나 복잡한 조건부 선택이 필요한 상황에서 코드의 정확성을 높이는 데 결정적인 역할을 합니다.

EmbeddingGemma 2는 텍스트, 이미지, 오디오, 비디오를 단일 임베딩 공간에 통합하는 네이티브 멀티모달 임베딩을 제공하는 오픈 소스 경량 모델입니다. 이 모델은 온디바이스 멀티모달 임베딩을 위한 최고 수준의 성능을 제공하며, Google DeepMind의 Gemma 4 아키텍처를 기반으로 구축되었습니다.

EmbeddingGemma 2는 7억 4천만 개의 파라미터를 가지며 온디바이스 추론에 최적화되어 있습니다. MTEB 및 MAEB와 같은 벤치마크에서 소형 멀티모달 임베더들 사이에서 선두적인 점수를 달성했으며, 텍스트, 시각, 오디오 작업 전반에서 더 큰 모델들과 동등하거나 더 나은 성능을 보입니다. 또한, 텍스트 전용 작업에 2억 7천만 개의 파라미터만 필요하며, 비전이나 오디오 인코더를 선택적으로 추가하여 전체 멀티모달 지원이 가능하도록 설계되어 효율적입니다.

개발자들은 이 모델을 사용하여 음성 메모에서 특정 비디오 클립을 찾거나 텍스트 질의를 기반으로 오디오 녹음 전체를 검색하는 등 다양한 온디바이스 검색 도구와 RAG 파이프라인을 구축할 수 있습니다. 모델은 Apache 2.0 라이선스로 배포되어 상업적 사용이 허용되며, Hugging Face와 같은 플랫폼에서 모델 가중치를 다운로드하고 transformers.js나 WebGPU를 통해 브라우저 환경에서 배포할 수 있습니다.

바닐린이 만성 상처 치유에 대한 달콤한 해결책을 제공한다는 연구 결과가 발표되었습니다. 이 연구는 바닐린의 양친매성 분자 구조가 활성 산소종, 세포막, 고분자 매트릭스와 상호작용할 수 있게 하여 기능성 제형에 통합될 수 있는 기반을 제공한다는 점에 주목합니다. 이는 바닐린을 사용하여 궤양 치료 및 소수성 화합물의 표적 약물 전달에 안전하고 다기능적인 해결책을 제시할 수 있음을 시사합니다.

플린더스 대학교 연구팀은 바닐린을 활용하여 다른 식품에서 의료적 이점을 얻는 연구를 계속하고 있으며, 이는 산업적 규모 확장과 제형 재현성, 공급망 안정성을 위해 바닐린이 저렴하고 제조에 적합한 소분자라는 점에서 큰 이점을 제공합니다. 예를 들어, 연구자들은 페퍼민트 오일을 사용하여 감염, 염증 및 산화 스트레스를 보호하는 나노 스케일 코팅을 개발했으며, 이는 인체 조직과 호환되고 의료 재료에 적합합니다.

이러한 연구는 학계, 임상가, 산업계 간의 협력을 통해 바닐린이 활용도가 낮은 생리활성 물질에서 차세대 상처 관리 및 재생 치료의 임상 적용 가능한 구성 요소로 발전할 잠재력이 있음을 보여줍니다. 이 연구는 국제 약학 저널에 게재되었으며, 바닐린이 생체 의학 제형에 있어 중요한 역할을 할 수 있음을 입증합니다.

Samon이라는 주제로 선 설계 퍼즐에 대한 글이 올라왔습니다. 이 글은 선 설계와 선을 긁는 퍼즐이라는 개념을 다루며, 사용자에게 특정 디자인 문제를 제시하고 해결하도록 요구하는 방식에 초점을 맞추고 있습니다.

해당 기사는 디자인과 퍼즐 메커니즘을 결합하는 방법에 대한 아이디어를 탐구하는 데 중점을 두고 있습니다. 개발자나 디자이너에게는 복잡한 공간적 관계나 알고리즘적 사고를 요구하는 이러한 유형의 퍼즐 디자인이 새로운 접근 방식을 제공할 수 있습니다.

이러한 종류의 디자인은 사용자가 시각적 정보를 처리하고 추상적인 규칙을 이해하여 최종적인 결과물을 도출하도록 유도합니다. 따라서 이 글은 단순히 퍼즐을 푸는 것을 넘어, 시스템 설계와 사용자 경험 디자인의 관점에서 접근하는 방법을 제시할 것으로 보입니다.

집에서 사용하는 조명 제품에 대한 디자인과 작동 방식, 배치 경험을 중심으로 소개하는 글입니다. 이 글은 단순히 방을 밝히는 기능적인 측면을 넘어, 수집의 가치에 무게를 둔 선택을 제시합니다.

작성자는 조명을 단순한 기능으로 보지 않고 디자인과 배치 경험을 통해 공간에 미치는 영향을 중요하게 다룹니다. 이는 제품의 가격 대비 가치보다는 디자인적 요소와 수집의 가치를 우선시하는 관점을 보여줍니다.

특히 Tolomeo, Tizio, Akari와 같은 디자이너 조명들을 예시로 들며 움직임과 균형에 대한 미학적 접근을 강조합니다. 이는 사용자 경험을 물리적인 공간의 경험으로 확장하여 해석하는 시각을 제공합니다.

구글이 "Call for Me" AI 기능을 비즈니스 통화를 넘어 친구나 가족에게 메시지를 보내는 용도로 확장할 가능성이 있습니다. 안드로이드 오토라이티(Android Authority)는 APK 분석을 통해 "Gemini Calling" 소개 화면과 함께 "엄마에게 15분 늦을 거라고 말해" 또는 "존에게 저녁 식사 오는지 물어봐"와 같은 예시를 발견했습니다.

이러한 사례들을 바탕으로 볼 때, 이 기능이 확장되더라도 제미나이는 기본적인 문자 메시지 형태의 통화에 국한될 것으로 보입니다. 구글의 AI가 친척들과의 전체 잡담 통화를 자동화하지는 못하더라도, 전화 통화를 선호하거나 문자를 자주 놓치는 사람들에게는 빠른 메시지를 전달하는 데 유용할 수 있습니다.

따라서 이 기능은 복잡한 대화 자동화보다는 간단한 연락을 위한 인터페이스 제공에 중점을 둘 것으로 예상됩니다. 이는 사용자들에게 AI를 활용하여 일상적인 소통을 간소화하는 새로운 방식을 제공할 수 있음을 의미합니다.

AI 에이전트에게 프롬프트 주입이 HTTP 헤더를 통해 이루어지는 방식이 밝혀졌습니다. 2170만 건의 웹 응답 헤더를 분석한 결과, 대부분의 응답은 AI 에이전트를 llms.txt 파일이나 MCP 서버로 안내했으며, 일부는 직접적인 주입 시도를 했습니다. 이는 에이전트가 정보를 가져오는 과정에서 헤더를 읽는 것이 이미 일상적인 행위이므로, 헤더를 에이전트가 읽는 내용의 일부로 간주해야 함을 시사합니다.

이러한 주입 시도 중 대부분은 장난이나 에이전트를 억제하려는 목적으로 이루어졌지만, 일부는 셸이나 데이터베이스 접근 권한과 같은 실제 행동을 요구했습니다. 에이전트의 안전성은 응답에 담긴 권한과 관련이 있으며, 에이전트가 특정 사이트의 지침을 따르도록 프롬프트가 얼마나 많은 권위를 부여하는지에 따라 거부 여부가 결정됩니다.

현재 모델들은 주입된 텍스트를 더 잘 감지하고 있지만, 보안 위험은 여전히 존재합니다. Anthropic의 테스트 결과에 따르면, 완화 조치가 적용되지 않은 상태에서 공격이 성공하는 경우가 발생했으며, 에이전트가 실행 전에 위험한 행동을 통제하고 실시간으로 에이전트의 행동을 평가하는 것이 중요합니다.

따라서 에이전트 보안을 위해서는 공급망 검증, 런타임 보호, 활동 추적을 통해 에이전트 구성 요소를 확인하고 실행 중인 행동을 통제하는 보안 플랫폼을 구축해야 합니다.

example.com 도메인은 IANA에 의해 문서 예시 목적으로 예약된 도메인이며, 시간이 지남에 따라 시각적 디자인이 여러 차례 대대적으로 개편되었습니다. 최근 변경 사항은 2026년 9월 28일에 적용되었는데, 이는 웹사이트에 자바스크립트를 사용하여 다국어 지원을 도입하여 5초마다 콘텐츠를 다른 언어로 전환하는 기능을 추가한 것입니다. 이 기능은 영어, 아랍어, 중국어, 프랑스어, 러시아어, 스페인어로 사이트 목적을 설명하며, 언어 전환 시에는 불투명도(opacity)가 0.4초에 걸쳐 점진적으로 변화하는 애니메이션을 사용합니다.

이러한 변경은 웹사이트의 전반적인 대역폭 요구 사항을 줄이고 유틸리티를 개선하기 위해 이루어졌습니다. 대부분의 트래픽이 자동화되어 있기 때문에, 도메인이 테스트나 모니터링 목적으로 사용되어서는 안 된다는 점을 명확히 하고 있습니다. 따라서 이 도메인은 서비스 제공을 위한 엔드포인트가 아니며, 사용자는 이를 테스트 목적으로 의존해서는 안 됩니다.

가장 초기 버전은 1999년에 출시되었으며 테이블 레이아웃을 사용했으나, 이후 여러 차례의 구조적 변경과 인프라 전환이 있었습니다. 개발자들은 웹사이트 성능을 모니터링하고 개선하기 위해 페이지 속도 및 코어 웹 바이탈 지표를 측정할 수 있으며, DebugBear를 통해 이러한 모니터링을 수행할 수 있습니다.

ChatGPT가 가짜 뉴요커 만화에 실제 만화가들의 서명을 추가하는 문제가 제기되었습니다. OpenAI의 챗봇이 AI로 생성한 이미지를 실제 예술가들의 서명으로 잘못 귀속시키는 현상이 발견되었는데, 이는 AI가 단순히 스타일을 모방하는 것을 넘어 실제 창작자의 정체성을 침해할 수 있음을 보여줍니다.

이러한 문제는 창작자들에게 지적 재산권과 진정성의 문제로 이어집니다. 뉴요커 만화 작가인 브렌단 로퍼의 경우, ChatGPT가 자신의 서명을 사용하여 생성한 만화를 만들어 소셜 미디어에 게시하면서 자신의 작업이 무단으로 수집되어 학습 데이터로 사용되는 것에 대해 개인적인 침해감을 느꼈습니다. 작가들은 서명이 단순한 출처 표시를 넘어 자신의 작품에 대한 진정성과 브랜드의 표식이라고 주장합니다.

연구 결과에 따르면 ChatGPT는 브렌단 로퍼뿐만 아니라 해리 블리스, 에밀리 플레이크 등 뉴요커 잡지의 저명한 작가들 수십 명의 서명을 무단으로 복제하여 만화에 추가한 것으로 확인되었습니다. 이는 AI 이미지 생성 모델이 학습 과정에서 저작권 및 개인의 권리를 고려하지 않고 서명을 모방하는 방식으로 작동할 수 있다는 점을 시사합니다.

OpenAI는 모델의 의도치 않은 행동에 대해 사용자 커뮤니티의 신고를 중요하게 생각한다고 밝혔으나, 현재까지도 ChatGPT는 일부 생성된 만화에 실제 작가들의 이름을 서명으로 붙이는 행위를 지속하고 있습니다. 이는 AI 기반 창작 환경에서 서명과 같은 요소가 지니는 법적, 윤리적 경계에 대한 새로운 논의가 필요함을 의미합니다.

노르웨이 정부가 스마트 안경 사용에 대한 사생활 침해 우려를 이유로 일부 공공장소에서의 사용을 일시적으로 금지하는 방안을 검토하고 있습니다. 이는 사용자가 본인도 모르게 촬영되는 등의 사생활 침해 가능성을 줄이기 위한 조치로 보입니다.

이번 검토 대상에는 공원, 해변, 학교, 의료시설 등 다양한 공공장소가 포함될 수 있습니다. 정부는 이러한 조치를 통해 사생활 보호를 강화하고자 하지만, 현재로서는 스마트 안경의 전면적인 금지를 추진하지는 않는다고 명확히 밝혔습니다.

따라서 해당 정책은 기술 개발 및 서비스 배포를 고려하는 개발자들에게 공공장소에서의 장치 사용에 대한 규제 환경 변화를 이해하는 데 중요한 맥락을 제공합니다. 정부의 최종 결정과 구체적인 금지 범위에 따라 스마트 안경 관련 서비스의 운영 방식에 영향을 미칠 수 있습니다.