읽을 가치가 있는 기사만, 짧고 또렷하게.

확산 언어 모델(dLLM)은 마스킹된 위치를 반복적으로 노이즈 제거하며 텍스트를 생성하는데, 이 과정에서 답변 분포가 확정되기 전 단계마다 노출된다는 점이 공격의 취약점으로 작용합니다. 연구진은 이 점을 악용하여 고정된 dLLM을 공격자가 선택한 인구통계학적 답변으로 유도하는 표적 편향 주입 공격을 제안했습니다.

이 공격은 노이즈 제거 과정 동안 목표 답변 확률을 추적하는 비례-적분(PI) 제어기를 사용하여 스티어링 벡터의 강도를 실시간으로 조정하는 방식으로 작동합니다. 이 방법은 모호한 질문에서 올바른 답이 '기권'인 경우에도 효과적이며, LLaDA-8B-Instruct 모델의 특정 그룹 선호도를 1.8%에서 16.7%까지, 가장 강력한 고정 강도 기준선보다 세 배 이상 증가시켰습니다.

또한, SocialStigmaQA 데이터셋에서는 낙인찍는 답변의 선택률이 17.6%에서 58.1%로 증가하는 결과를 보였습니다. 이 공격은 다른 인구통계학적 목표에 대해서도 최대 37%의 답변 변화를 유발할 수 있으며, 한 GPU에서 약 40분의 계산 시간을 소요합니다.

연구 결과는 dLLM에서 노이즈 제거 궤적(denoising trajectory)이 새로운 제어 채널임을 밝혀냈습니다. 따라서 편향에 대한 감사 시 단순히 고정된 모델뿐만 아니라 서비스 스택 전체를 검토해야 한다는 점을 시사합니다.

옴니모달 대규모 언어 모델(OmniLLMs)은 텍스트, 이미지, 오디오, 비디오를 통합하지만, 잘못된 증거에 의존하여 생성할 때 환각(hallucination) 현상이 발생합니다. 기존의 추론 시간 기반 방법들은 환각을 줄일 수 있지만, 어떤 증거가 생성된 확신을 뒷받침하는지 밝혀내지는 못합니다.

이에 연구진은 훈련 없이 옴니모달 환각을 완화하기 위한 방법인 OmniConfess를 제안합니다. 이 방법은 후보 응답을 고정하고 통제된 채널별 증거 개입 하에서 토큰 해상도에서 재점수를 매겨 응답의 증거 의존성을 드러내는 구조화된 토큰별 채널 고백을 생성합니다.

OmniConfess는 이 고백을 사용하여 근거에 기반한 콘텐츠를 보존하고 관련 없거나 모순되는 증거에 의해 주도된 확신을 수정합니다. 이 방법의 효과를 평가하기 위해 텍스트, 이미지, 오디오, 비디오 환경을 포괄하는 여섯 가지 데이터셋에서 판단 및 자유 형식 생성에 대한 3,540개의 예시로 구성된 OmniHalluBench 벤치마크를 구축했습니다.

실험 결과, OmniConfess는 이질적인 양식과 작업 설정 전반에 걸쳐 환각을 효과적으로 완화하는 것으로 나타났습니다. 관련 코드와 벤치마크는 공개되어 있으며 GitHub에서 접근할 수 있습니다.

다중 팔 협업에서의 일반화는 익숙한 원자적 기술들을 팔들 간에 새로운 방식으로 조합하는 것으로 연구될 수 있습니다. 그러나 기존 평가들은 다양한 조정 요구 사항 하에서 이러한 능력을 지원하는 훈련 및 아키텍처 선택이 무엇인지에 대한 통찰력이 제한적입니다. 연구진은 이러한 문제를 해결하기 위해 이중 팔 정책에서의 기술 재조합을 연구할 수 있는 공통 테스트베드를 제공하는 Arm-wise Compositional Generalization을 위한 벤치마크인 ACG-Bench를 소개합니다.

ACG-Bench는 8개의 작업 패밀리에 걸쳐 23개의 작업-조건 쌍을 포함하며, 재배열, 동기화, 조합, 교차 작업 조합을 다루는 17개의 보지 못한 조합을 포함합니다. 모든 방법은 동일한 팔별 원자 프롬프트를 받으며, 성공은 물리적 마일스톤과 지정된 순서 또는 타이밍 제약 조건을 만족하면서 작업 목표를 달성해야 합니다.

연구진은 공통의 비전-언어-행동 백본으로 $\pi_{0.5}$를 사용하여 대표적인 데이터 증강 및 아키텍처 전략을 비교했습니다. 이 과정에서 팔 토큰 그룹화, 특정 기술에 대한 LoRA 어댑터(SkillLoRA), 팔별 주의(AWA)를 탐구하여 기술 조건화된 매개변수와 주의 구조의 상호 보완성을 강조했습니다.

이러한 선택들을 결합하여 얻은 AE-VLA는 시뮬레이션 환경에서 21.53%의 일반화 성공률을 달성했으며, 이는 단일 $\pi_{0.5}$의 2.94%, MA-VLA의 3.06%, 두 개의 독립적으로 제어되는 $\pi_{0.5}$ 정책의 5.53%보다 훨씬 높은 수치입니다. 또한 물리적인 SO101 로봇에서 AE-VLA는 다섯 가지 보지 못한 조건에서 평균 39.00%의 성공률을 기록했는데, 이는 가장 강력한 기준선인 10.00%보다 크게 향상된 결과입니다.

이러한 발견은 고정된 훈련 루틴을 넘어 일반화되는 이중 팔 정책을 설계하기 위한 경험적 지침을 제공합니다.

비전-언어-행동(VLA) 모델은 로봇 조작을 위한 통합 정책으로 사용되지만, 비싼 추론 비용 때문에 정책 호출 사이에 로봇이 멈추는 현상이 발생하여 부드러운 움직임을 방해하고 작업 완료 시간을 지연시킵니다. 액션 청크를 확장하면 정책 호출 횟수가 줄어들어 이러한 일시 정지가 감소하지만, 더 먼 미래를 예측하게 되면 긴 청크 실행의 신뢰성이 떨어집니다.

이러한 신뢰성 문제를 분석한 결과, 긴 청크 내의 액션 오류는 조작 하위 기술 간의 전환 지점에서 집중되며 청크 길이에 따라 그 정도가 급격히 증가한다는 사실을 발견했습니다. 이는 청크 내에서 하위 기술을 전환하는 시점, 즉 전환 타이밍이 중요함을 시사합니다. 이에 따라 연구진은 보조적인 한 단계 디노이징 통과로부터 전환 타이밍을 예측하고 액션 생성을 조건화하는 프레임워크인 RACE(Reliable Action-Chunk Extension)를 제안했습니다.

RACE는 전환 타이밍을 학습하고 조건화함으로써 하위 기술 전환에서의 오류를 줄이고 더 긴 액션 청크의 신뢰성 있는 실행을 가능하게 합니다. 시뮬레이션 벤치마크에서 RACE는 동일한 청크 길이에서의 파인튜닝보다 우수했으며, 청크 길이가 2배 길 때 최근의 최첨단 효율적인 VLA 모델을 능가하는 성공률을 보였습니다.

실제 로봇 환경에서 RACE는 4배 긴 청크를 사용하여 정지-재개 실행으로 인한 유휴 시간을 약 5배 감소시키면서, 동일한 청크 길이의 파인튜닝보다 더 높은 성공률을 달성했습니다. RACE의 코드와 실제 로봇 데모는 GitHub에서 확인할 수 있습니다.

월 액션 모델(WAM)은 비디오 생성 백본에서 얻은 시각적 표현을 활용하여 행동 예측을 안내하는 방식으로 작동합니다. 기존의 효율적인 WAM들은 Mixture-of-Transformers(MoT) 구조를 채택하고 비디오 표현을 한 번만 계산하여 재사용하지만, 내부 전문가 반복(다단계 행동 노이즈 제거)과 전문가 간 대기(비디오 및 행동 전문가의 순차적 실행)로 인해 추론 효율성이 제한됩니다.

이러한 병목 현상을 해결하기 위해 본 논문은 단일 단계 행동 생성 및 비동기 추론을 지원하는 매우 효율적인 WAM 변형인 RealtimeWAM을 제안합니다. 또한 내부 전문가 반복을 줄이기 위해 국소-전역 오류 격차를 해결하는 Teacher-Anchored Consistency Distillation(TACD)을 제안하여 고정된 교사의 다단계 롤아웃 엔드포인트로부터 명시적인 감독을 받아 정확한 단일 단계 행동 생성을 가능하게 합니다.

더불어 전문가 수준의 대기를 제거하기 위해 Cross-Expert Wavefront Pipelining(CEWP)을 제안했는데, 이는 비디오 KV 캐시의 블록별 공유를 통해 두 전문가를 중첩시키고 해당 행동 어텐션이 캐시를 소비하기 직전에만 동기화하여 효율성을 높입니다.

다양한 벤치마크(LIBERO, LIBERO-Plus, RoboTwin)와 모델 변형(Fast-WAM, Faster-WAM)에 걸친 광범위한 실험 결과, RealtimeWAM은 거의 손실 없는 성능(1% 미만 하락)을 유지하면서 H100에서 25배에 달하는 상당한 종단 간 속도 향상을 달성했습니다. 관련 코드와 체크포인트는 GitHub에서 공개되어 있습니다.

인간-객체 상호작용 데이터는 휴머노이드 로코-조작(loco-manipulation)에 풍부한 지도 정보를 제공하지만, 데이터가 희소하고 이질적이며 로봇이 직접 실행하기는 어렵다는 한계가 있습니다. 이에 연구진은 로봇의 동작 데이터와 추적 정책이 서로를 개선하는 자기 진화형 동작 모방 프레임워크인 InterMimicGen을 제안합니다.

이 프레임워크는 먼저 동작 캡처된 인간-객체 상호작용 데이터셋을 통합하고 전체 신체 조정 및 섬세한 손-객체 관계를 보존하면서 휴머노이드 로봇 참조로 리타겟팅합니다. 이를 통해 섬세한 전신 로코-조작을 위한 크고 다양한 휴머노이드 로봇 참조 컬렉션을 확보합니다. 다음으로, 물리학 기반의 일반화된 추적기를 훈련시켜 이러한 참조를 섬세한 손을 가진 휴머노이드 시뮬레이션 환경에서 실행하며 기존 휴머노이드 추적 시스템보다 넓은 범위와 다양성을 포괄합니다.

마지막으로 데이터 플라이휠을 구축하여 각 반복마다 상호작용이 발생하는 위치와 신체의 수행 방식을 작은 변화로 조정하고 추적기를 미세 조정합니다. 이 과정에서 시뮬레이션 실행이 작업을 완료하는 변형들만 다음 라운드를 위한 시드(seed)로 남겨, 희소한 원본 시연에 대한 광범위한 커버리지를 유지하면서 작업 의미론과 동작 품질을 보존합니다.

실험 결과 InterMimicGen은 로봇 구성 전반에 걸친 접촉 보존 리타겟팅, 단일 일반화된 정책을 사용한 광범위한 추적, 증강 라운드에 걸쳐 성장하는 실행 가능한 동작, 그리고 실제 로봇으로의 전이 가능성을 보여줍니다. 이는 이질적인 인간 시연에서 지속적으로 확장되는 동작 자원으로 이어지는 휴머노이드 로봇 학습을 위한 통일된 경로를 제공합니다.

Haskell과 GTK 4를 사용하여 Adwaita 라이브러리를 기반으로 todo-list 애플리케이션을 만드는 과정을 다루는 시리즈의 첫 번째 부분이 공개되었습니다. 이 시리즈는 중간 수준의 Haskell 개발자를 대상으로 하며, GTK 4와 Adwaita가 GNOME 프로젝트의 디자인 언어를 구현하는 라이브러리임을 설명합니다. Adwaita는 런타임에 테마에 따라 색상이 변경되는 반응형 디자인을 가능하게 하며, 이는 GTK 환경에서 사용자 인터페이스의 스타일과 접근성을 관리하는 데 중요한 역할을 합니다.

이 과정에서 Haskell과 GTK 간의 상호 작용을 위해 haskell-gi 툴킷을 사용하며, 이는 GTK 라이브러리로부터 Haskell 바인딩을 자동 생성하여 C API와 연결할 수 있게 합니다. 개발자는 이 시리즈를 통해 GTK 환경에서 상태 관리의 복잡성을 해결하기 위해 Elm 아키텍처(TEA) 패턴을 적용하는 방법을 배웁니다. TEA는 애플리케이션을 Model(상태), View(사용자 인터페이스), Update(상태 변경 로직), Message(사용자 상호작용), Effects(부수 효과)의 다섯 가지 핵심 개념으로 모델링합니다.

실제 Todo 앱 구현에서는 todo 목록과 상태를 Model 데이터 구조로 정의하고, 사용자 상호작용을 Message로 정의하며, Model을 업데이트하는 update 함수를 통해 상태 변화를 처리합니다. 특히 update 함수는 상태 변화에 따른 부수 효과(예: 디스크에 todo 목록 저장)를 반환하도록 설계되어, GTK 툴킷의 명령형 특성을 관리하는 데 효과적입니다.

이러한 구조는 dispatch와 step 함수를 통해 Model의 업데이트와 View의 갱신을 분리하여 관리하며, 이는 GTK 환경에서 상태 관리와 UI 렌더링을 체계적으로 분리하는 데 도움을 줍니다. 이 방법론은 복잡한 인터랙티브 애플리케이션을 Haskell 환경에서 구축할 때 상태와 UI의 일관성을 유지하는 데 중요한 맥락을 제공합니다.

영국 내무부 연계 기구인 Prevent Standards and Compliance Unit(StaCU)이 정부의 극단주의 대응 프로그램인 Prevent에 대해 온라인상에서 비판하는 사람들의 기록을 수집하고 보관하고 있습니다. 이는 해당 정책에 대한 온라인상의 비판 기록을 체계적으로 관리하려는 목적으로 이루어지고 있습니다.

StaCU는 2024년 3월부터 2025년 2월까지의 기간 동안 총 77건의 관찰 기록을 작성했으며, 이 기록들은 주로 X(구 트위터) 플랫폼에서 수집되었습니다. 이 데이터는 Prevent 프로그램과 관련된 온라인상의 비판 활동을 모니터링하고 기록하는 데 사용됩니다.

이러한 기록 수집은 정부 기구가 극단주의 대응 정책에 대한 대중의 의견과 비판을 온라인 환경에서 어떻게 인식하고 관리하는지에 대한 맥락을 제공합니다. 따라서 이 데이터는 정부 정책과 온라인 담론 간의 관계를 이해하는 데 중요한 참고 자료가 될 수 있습니다.

Rust로 작성된 오픈 소스 Adobe 호환 스위트인 ArtCraft Apps가 공개되었습니다. 이 프로젝트는 이미지 편집, 벡터 일러스트레이션, 비디오 편집, 사진, PDF 작업, 모션 그래픽 및 페이지 레이아웃 등 총 일곱 가지 핵심 앱으로 구성되어 있습니다.

ArtCraft 팀은 이 앱들을 Rust로 처음부터 구축했으며, Electron이나 웹 뷰 없이 macOS, Windows, Linux용 데스크톱 앱으로 네이티브하게 컴파일하여 배포합니다. 이는 개발자들이 웹 기술에 의존하지 않고 실제 데스크톱 환경에서 실행되는 고성능 애플리케이션을 구축할 수 있게 합니다.

이 스위트의 핵심 원칙은 오픈 소스 라이선스 준수, 네이티브 컴파일, 로컬 파일 기반 작업, 그리고 CLI나 AI 에이전트를 통한 자동화 및 제어에 최적화된 설계입니다. 모든 작업은 클라우드 왕복 없이 로컬 파일에서 이루어지며, 사용자는 이미 익숙한 레이아웃과 단축키를 제공받습니다.

또한, PhotoCraft, VectorCraft, FilmCraft 등 일부 앱들은 WebAssembly로 컴파일되어 브라우저에서도 실행될 수 있는 확장성도 제공합니다. ArtCraft는 현재 개발 중인 상태이며, GitHub와 Discord를 통해 지속적인 개발과 커뮤니티 참여를 독려하고 있습니다.

미국 애리조나주 항소법원이 법정에서 숨진 피해자를 재현한 인공지능(AI) 영상 상영이 부적절하다고 판단하여 징역 10년을 선고받은 Gabriel Paul Horcasitas의 형량을 재고하도록 명령했습니다. 항소법원은 해당 영상이 실제 사건이나 특정 순간의 기록이 아니라는 점을 지적했습니다.

법원은 이 영상이 피해자 자매의 상상으로 만들어진 피해자라는 점을 근거로, 법정에서 이러한 재현 영상이 적절한지 심사해야 한다고 보았습니다. 이는 AI 기술을 활용하여 시각적 증거를 제시하는 방식이 사법 절차에서 어떤 의미를 갖는지에 대한 논점을 제기합니다.

결국 이 판결은 AI를 이용한 시각 자료가 실제 사건의 기록이 아닌 주관적인 상상에 기반할 경우, 법적 증거로서의 효력과 법정 상영의 적절성에 대한 중요한 기준을 제시한다는 점에서 주목됩니다. 이는 향후 법적 맥락에서 AI 생성 콘텐츠의 활용 범위에 대한 논의를 촉발할 수 있습니다.

GitHub의 새로운 대시보드가 이제 모든 사용자에게 기본 화면으로 적용되었습니다. 이 변경은 사용자들이 작업 흐름을 더욱 효율적으로 관리할 수 있도록 설계되었습니다.

새 대시보드는 활성 에이전트 세션, 이슈, 풀 리퀘스트 등 핵심 정보를 한곳에서 통합하여 확인할 수 있게 합니다. 사용자는 필터를 활용하여 원하는 항목만 선택적으로 표시할 수 있어 정보 탐색이 훨씬 용이해졌습니다.

또한, 업데이트 사항을 별도의 Feed 탭에서 확인할 수 있도록 분리하여 제공합니다. 이러한 구조 변경은 개발자들이 프로젝트 관련 정보를 더 빠르고 체계적으로 파악하고 관리하는 데 도움을 줄 것입니다.

Vx는 CPU, GPU, NPU 및 가속기 메모리를 타입 시스템에 포함하는 이기종 컴퓨팅용 시스템 프로그래밍 언어입니다. 이 언어는 다양한 하드웨어 구성 요소 간의 상호작용을 안전하게 관리하는 것을 목표로 합니다.

Vx의 핵심 특징은 데이터의 위치가 타입의 일부로 정의된다는 점입니다. 이를 통해 메모리 영역 사이를 이동하거나 데이터에 접근할 때 하드웨어 수준의 제약 조건을 타입 시스템이 반영하게 됩니다.

이러한 설계 덕분에 호스트에서 장치 포인터를 역참조하는 경우 런타임 오류가 발생하는 대신 컴파일 오류가 발생하게 됩니다. 이는 개발자가 시스템 간의 데이터 흐름 오류를 실행 시점이 아닌 컴파일 시점에 미리 감지하고 해결할 수 있게 하여 시스템 안정성을 크게 향상시킵니다.

코딩 에이전트들을 하나의 작업 공간에서 통합 관리하는 Offrun이 공개되었습니다. 이 도구는 Mac 환경에서 기존 계정을 사용하여 코딩 에이전트 CLI를 실행하고, Claude Code, Codex, Antigravity와 같은 여러 에이전트를 한 곳에서 함께 관리할 수 있게 합니다.

Offrun의 핵심 기능은 각 에이전트마다 별도의 git worktree와 브랜치를 할당하는 데 있습니다. 이를 통해 개발자는 같은 저장소 내에서 여러 에이전트가 동시에 리팩터링이나 버그 수정을 진행하더라도 동일한 파일을 안전하게 편집할 수 있습니다.

이러한 기능은 복잡한 프로젝트에서 여러 AI 에이전트를 활용할 때 발생하는 작업 충돌 문제를 해결하고, 개발 워크플로우의 효율성을 극대화하는 데 중점을 둡니다. 개발자는 이제 여러 에이전트의 작업을 병렬적으로 진행하면서도 버전 관리의 복잡성을 최소화할 수 있습니다.

소화기를 표시 없는 벽면 패널 뒤에 숨기는 설계는 비상시에 장비를 찾기 어렵게 만드는 기능적 실패이며 안전 규정에 어긋날 수 있다는 지적이 제기되었습니다. 이러한 디자인 선택은 미적인 측면만을 고려하여 필수 안전 장비의 접근성을 심각하게 저해한다는 비판을 받고 있습니다.

이러한 설계가 실제 Apple 매장이나 사무실에 설치된 사례로 알려진 이미지가 유통되고 있지만, 해당 설치가 실제로 이루어졌는지에 대한 구체적인 사실을 확인할 수 있는 공식 발표나 건축 문서, 혹은 검증 자료는 현재까지 확인되지 않고 있습니다.

따라서 소화기 같은 안전 장비의 설치 위치와 방식에 대해서는 기능적 실패와 안전 규정 준수 여부를 면밀히 검토해야 할 필요가 있습니다. 실제 설치 사례에 대한 공식적인 확인이 이루어지지 않은 상황에서 이러한 디자인이 안전 기준을 충족하는지에 대한 추가적인 검증이 요구됩니다.

뉴욕시에서는 나무의 정밀 측정이 필요하다는 논의가 진행되고 있습니다. 현재 위키피디아에 따르면 뉴욕시에서 정밀 측정된 가장 높은 나무는 퀸즈 자이언트(Queens Giant)이지만, 인용된 측정 기록은 2004년 자료로 20년 이상 지난 것입니다.

이러한 데이터의 정확성을 확보하고 뉴욕시 내 가장 높은 나무의 후보를 찾기 위해 새로운 측정 방식이 도입되었습니다. 공원 당국은 항공 LiDAR 데이터를 활용하여 여러 나무 후보를 추려내고 현장 측정을 진행하고 있습니다.

이러한 접근 방식은 기존의 오래된 측정 기록에 의존하지 않고 최신 항공 데이터를 사용하여 보다 정확한 정보를 확보하려는 목적을 가지고 있습니다. 결과적으로 뉴욕시의 나무 높이에 대한 정확한 데이터를 구축하는 데 기여할 것으로 보입니다.

Google이 영업비밀로 분류했던 데이터센터 보고서에서 특정 영역을 복사하여 붙여넣는 방식으로 접근하자 물과 전력 사용량이 그대로 드러났습니다. 이는 대규모 인프라 운영에 대한 데이터 투명성 문제와 관련하여 주목받고 있습니다.

이러한 공개된 정보를 통해 네브래스카주 링컨에 위치한 Agate LLC의 구체적인 사용량이 확인되었습니다. 해당 시설은 최대 전력 수요 시 52.65MW의 전력을 사용했으며, 지난 1년간 물 사용량은 총 1,329만 9,000갤런에 달하는 것으로 나타났습니다.

이 사례는 대규모 데이터센터 운영에 필요한 물과 전력 사용량 같은 핵심 운영 지표가 어떻게 관리되고 공개되어야 하는지에 대한 논의를 촉발합니다. 데이터가 영업비밀로 가려졌을 때 실제 인프라 사용량에 대한 정보가 어떻게 노출될 수 있는지에 대한 맥락을 제공합니다.

결론적으로, 대규모 IT 인프라의 환경적 발자국과 운영 효율성을 정확히 파악하기 위해서는 데이터의 투명한 공개가 필수적임을 시사합니다.

macOS 27에서 Apple Intelligence 기능을 비활성화하고 디스크 공간을 확보할 수 있는 도구인 RemoveMacAI가 소개되었습니다. 이 도구는 다운로드된 모델을 제거하고 재다운로드를 차단하여 시스템 자원을 효율적으로 관리할 수 있도록 돕습니다.

RemoveMacAI는 구성 프로파일을 사용하여 Apple Intelligence 기능을 제한하고, Apple의 자산 서비스를 통해 모델을 제거하는 방식으로 작동합니다. 이 과정에서 시스템 무결성 보호를 유지하면서 기능을 제한할 수 있습니다.

사용자는 이 도구를 통해 모든 변경 사항을 쉽게 되돌릴 수 있으며, 시스템의 안정성을 해치지 않으면서 필요한 공간을 확보할 수 있습니다. 이는 macOS 27 환경에서 Apple Intelligence 관련 파일로 인해 발생하는 디스크 공간 문제를 해결하는 실질적인 방법을 제공합니다.

애리조나 항소법원은 AI가 생성한 비디오를 재판에서 고려한 것이 근본적으로 불공정하다고 판단하여 도로 난동 살인범의 형량을 취소했습니다. 이 사건은 피해자 크리스토퍼 펠키의 모습이 등장하여 살인범에게 "용서"를 표하는 내용이 담긴 AI 생성 비디오가 판사의 형량 결정에 영향을 미친 데서 비롯되었습니다.

이 비디오는 펠키의 여동생 스테이시 웨일즈가 제작했으며, 재판 과정에서 판사는 이 비디오를 "사랑했다"고 말하며 진실하다고 판단했습니다. 그러나 항소 법원은 이 비디오가 실제 사건을 반영하지 않았으며, 형량 결정에 지나치게 불리하게 작용했다고 지적했습니다.

법원은 해당 비디오가 사건을 기록하거나 특정 순간을 담은 것이 아니라, 피해자의 여동생의 상상에서 만들어진 피해자와 그 생각의 묘사라고 판시했습니다. 따라서 법원은 살인범에게 최대 형량을 선고한 것이 부당하다고 보며 형량을 취소하고 재심을 위해 사건을 돌려보냈습니다.

새롭게 유출된 Fitbit Edge는 중간 가격대의 Charge 라인의 후속 모델로 보입니다. 이 웨어러블 기기는 구글의 Pixel Watch와 Fitbit Air 사이의 중간 지점을 차지하는 것으로 알려져 있습니다.

구체적으로 Fitbit Edge는 시계처럼 확장된 화면은 아니지만 위젯을 표시할 수 있는 작은 화면을 갖추고 있습니다. 하지만 이 기기는 7일의 배터리 수명과 내장 GPS, 고도계를 탑재하여 미니멀한 Fitbit Air보다 훨씬 더 많은 기능을 제공할 것으로 예상됩니다.

이러한 사양 덕분에 Fitbit Edge는 단순한 피트니스 추적 기기를 넘어선 기능성을 제공하며, 사용자들은 이 기기가 어떤 앱 지원을 제공할지에 주목해야 합니다.

Thoreau BASIC은 GW-BASIC 스타일의 문법을 기반으로 하면서도 64비트 메모리, 그래픽, 네트워킹, 오디오 기능을 통합한 BASIC 구현체입니다. 이 구현체는 네이티브 x64 JIT 컴파일을 결합하여 기존 BASIC의 접근성을 유지하면서도 현대적인 기능을 제공합니다.

이 소프트웨어는 같은 언어로 Windows 프로그램으로 실행할 수 있는 것은 물론, 운영체제 없이 UEFI 환경에서 직접 실행하는 것도 가능합니다. 이는 전통적인 BASIC 프로그래밍 환경을 현대적인 하드웨어 및 시스템 환경에 적용할 수 있게 해줍니다.

따라서 Thoreau BASIC은 레거시 문법의 장점을 살리면서도 최신 시스템 아키텍처와 멀티미디어 기능을 통합하고자 하는 개발자들에게 새로운 실행 환경을 제시합니다. 이는 운영체제 종속성을 벗어나 하드웨어 수준에서 직접 프로그래밍을 수행하고자 하는 사용자들에게 중요한 대안이 될 수 있습니다.