읽을 가치가 있는 기사만, 짧고 또렷하게.

LLM 에이전트는 모델 파라미터를 업데이트하지 않고도 상호작용 경험으로부터 재사용 가능한 절차적 지식을 축적하고 개선할 수 있는 지속적인 기술 진화가 가능하다. 이러한 효과는 단순히 무엇을 변경할지뿐만 아니라 변경이 정당화되는 이유와 언제 영구적인 지침이 되어야 하는지를 결정하는 데 달려 있다.

하지만 기존의 경험 기반 방법들은 수정에 대한 행동 증거와 작업 맥락을 잃을 수 있으며, 전역적 검증 결과는 구성 요소의 변화에 대한 불완전한 판단을 제공한다. 예를 들어, 국소적으로 지지된 수정이 거부된 개정으로 인해 버려질 수 있으며, 유용한 업데이트를 위해서는 증거가 추가적인 경험을 필요로 할 수 있다.

이러한 문제를 해결하기 위해 본 논문은 증거 기반 프레임워크인 EVISKILL을 제안한다. EVISKILL은 실행 관찰을 재현 가능한 증거 카드(Replayable Evidence Cards)로 정리하고, 지원하는 맥락에 대한 명시적인 링크와 함께 수정을 합성한다. 또한, 목표 재현(Targeted replay)을 통해 이러한 수정을 재실행하여 검증하고 수정에 대한 피드백을 제공한다.

EVISKILL은 여러 에포크에 걸쳐 증거를 보존하고 지원되는 수정을 잠정적으로 유지하면서도 전역적 검증이 최종 기술에 통합되도록 관리한다. 여섯 가지 LLM 백본에 걸쳐 세 가지 상호작용 벤치마크에서 수행된 실험 결과는 이 접근 방식의 효과를 입증한다.

에이전트가 빠르게 발전함에 따라 기존 벤치마크는 포화 상태가 되어 능력 구별과 실패 모드 파악에 한계가 발생하고 있습니다. 특히 과학 분야에서 벤치마크를 구축하고 업데이트하는 것은 방대한 시간, 노동력, 그리고 도메인 전문 지식을 요구하기 때문에 에이전트 능력의 발전에 맞춰 평가를 지속적으로 조정하기가 어렵습니다.

이러한 문제를 해결하기 위해 연구진은 과학 에이전트 벤치마크가 에이전트 능력 변화에 따라 자동으로 생성되고 반복적으로 적응할 수 있는지 탐구하며 AutoSciBench라는 프레임워크를 소개합니다. AutoSciBench는 각 작업을 과학 도메인, 데이터 양식, 요구되는 추론 접근 방식을 지정하는 고수준 개념과 질문, 환경, 정답을 구성하고 검증하는 저수준 레시피를 통해 각 작업을 표현합니다.

에이전트가 각 작업을 해결하면서 생성하는 솔버 궤적과 판단 피드백을 AutoSciBench가 사용하여 레시피나 개념을 수정하며 관찰된 지름길을 닫고 원시 데이터 재검토, 중간 결과 해석, 증거 통합으로 작업을 전환합니다. 완료된 정제 궤적에서 얻은 경험은 새로운 개념 생성을 안내하여 이전 작업 정제에서 얻은 교훈을 다음 벤치마크 구축에 활용할 수 있게 합니다.

기존 벤치마크를 바탕으로 계산 생물학, 재료 과학, 임상 영상 분야에서 AutoSciBench를 평가한 결과, 생성된 벤치마크는 인간이 선별한 벤치마크 대비 평균 솔버 정확도를 각각 22.4%와 25.5% 감소시켰습니다. 하지만 생성된 작업들은 세 분야 모두에서 더 높은 평균 품질 평가를 받았는데, 이는 에이전트 능력이 발전함에 따라 과학 에이전트 평가가 적응할 수 있음을 시사합니다.

LLM-as-Jev라는 프레임워크는 일반 목적의 대규모 언어 모델(LLM)이 텍스트를 생성하지 않고 미리 정의된 옵션에 대한 범주형 확률 분포를 반환하여 소프트웨어 시스템이 직접 결과를 활용할 수 있도록 하는 의사결정 모델을 탐구합니다. 이 연구는 LLM이 이미 이러한 의사결정 능력을 내재하고 있는지, 그리고 언제 미세 조정(fine-tuning)이 실제로 필요한지를 조사합니다.

LLM-as-Jev는 대괄호로 묶인 숫자 식별자(numeric identifiers)에 대한 다음 토큰 확률로부터 보정된 결정을 추출하는 구조를 보존하는 방법론을 제시합니다. 이 방법은 훈련 없는 추론 레시피와 후보 선택을 최적화하는 미세 조정 목표를 제공하며, KL 발산 페널티를 사용하여 보조 예측을 기본 모델에 고정시킵니다.

Qwen3.5-4B 및 Qwen3-0.6B 모델을 평가한 결과, 최신 LLM은 훈련 없이도 효과적인 의사결정 모델임을 확인했습니다. 이 모델들은 커뮤니티 Jev-스타일 모델과 동일한 백본을 사용하면서도 우수하며, 문자 로짓 출력보다 성능이 좋고 임의의 옵션 수를 지원하며 이미지에 대한 다중 모드 결정을 자체적으로 처리합니다.

미세 조정은 보편적인 이점보다는 특정 작업(예: 다중 옵션 의도 라우팅)이나 약한 모델을 크게 개선하는 데 초점을 맞춥니다. 특히 KL 앵커를 통해 대화 텍스트 생성 시 행동적 저하를 방지하며, LoRA는 유능한 모델에서 가장 강력한 성능을 제공합니다.

Loop Flow Transformers(LiFT)는 공유된 Diffusion Transformer(DiT) 코어를 반복적으로 적용하여 계산을 확장하는 루프 기반 생성 모델 계열입니다. LiFT는 각 재귀 단계에 대해 최종 예측을 요구하는 대신, 모델의 초기 추정치에서 흐름 일치 목표점까지의 직선 경로상의 한 점을 단일 회귀 목표로 학습합니다. 이러한 목표점들을 연속적인 깊이 좌표로 인덱싱함으로써, 학습된 모델은 재학습이나 기타 수정 없이 학습 깊이보다 훨씬 먼 거리까지 루프를 수행할 수 있습니다.

이러한 긴 롤아웃은 생성 품질을 향상시키며, 파라미터를 추가하지 않고도 추론 계산을 확장할 수 있게 합니다. 실험 결과, ImageNet 256x256에서 LiFT-L/2는 밀집된 DiT-XL/2 기준 모델보다 FID 점수가 3.34점 낮았으며, 약 60% 적은 파라미터, 32% 적은 학습 FLOPs, 그리고 52% 적은 추론 FLOPs를 사용했습니다.

LiFT는 모델의 효율성과 생성 품질을 동시에 개선하여 대규모 모델의 계산 효율성을 높이는 데 기여합니다. 이는 파라미터 수 증가 없이 추론 계산을 늘릴 수 있다는 점에서 개발자에게 중요한 의미를 가집니다.

도구 사용 AI 에이전트가 엔터프라이즈 소프트웨어 시스템에 광범위하게 배포되고 있지만, 기존 벤치마크는 주로 명목적인 작업 완료만을 평가하여 기본 계획 능력과 운영상의 오류 복구 능력을 혼동하고 있습니다. 이에 본 연구진은 작업 능력과 복구 능력을 분리하기 위해 카운터팩추얼 쌍별 실험과 환경 상태 오라클을 사용하여 8개 엔터프라이즈 도메인에 걸친 36개의 기본 워크플로우와 36개의 오류 시나리오를 포괄하는 벤치마크인 UndoBench를 소개합니다.

연구 결과, 두 개의 오픈 웨이트 모델과 세 가지 복구 패러다임에 걸쳐 12개의 테스트 워크플로우에서 명목적인 작업 능력은 83.54%에 도달했지만, 조건부 복구 성공률(CRSR)은 46.72%로 떨어졌습니다. 특히 단순한 재시도(naive retry)는 53.33%의 실험에서 중복된 외부 효과를 발생시켰습니다. 이는 상업용 API 모델에 대한 확장 연구에서도 능력과 복구 능력의 분리가 재현되었음을 보여줍니다.

또한, 복구는 단계에 따라 달라진다는 것이 밝혀졌는데, 변이(mutation) 이전 단계에서는 방법들이 중복 효과 없이 유사하게 작동했지만, 부분 변이 단계에서는 단순 재시도나 호출별 동일성(per-call idempotency) 및 제로 권한 저널링(zero-privilege journaling)이 평가된 복합 워크플로우에서 실패했습니다. 반면, 커밋 후 승인 전 단계에서는 검증 및 서버 측 동일성이 안전성을 상당히 개선했습니다. 이러한 발견은 명목적인 완료만을 평가하는 것이 자율 에이전트 내의 중요한 단계 의존적 복구 취약점을 가리고 있음을 시사합니다.

테스트 시 학습(Test-Time Training, TTT)은 모델이 추론 시 가중치에 정보를 저장할 수 있게 합니다. 하지만 모델이 자신의 출력으로부터 학습할 때마다 각 업데이트는 다음 학습 예제를 생성하는 모델 자체를 변경시키므로 불안정성이 발생합니다. 128K 토큰 스트림에 걸쳐 세 가지 TTT-E2E 모델 구성(125M, 760M, 3B)에서 생성된 텍스트 업데이트를 유지할 경우, 독립적인 인간이 작성한 텍스트에 대한 예측 성능이 저하되는 현상이 관찰되었습니다.

이러한 실패는 Qwen3-4B의 기존 가중치를 Adam으로 업데이트할 때도 동일하게 발생하며, 이는 쓰기 과정 자체가 실패의 원인이 아님을 시사합니다. 연구진은 세 가지 비교를 통해 인과 경로를 추적했으며, 고정 생성(Fixed Generation) 기법을 사용하면 125M 및 760M 모델에서 98% 이상의 손상을 제거할 수 있음을 확인했습니다.

또한, 기록 재생(Recorded Replay)은 저하된 텍스트를 읽는 것에서 발생하는 손실과 업데이트를 통해 저장된 추가 손실을 분리하며, 한 번의 업데이트 비교는 업데이트가 출처를 더 잘 예측하지만 새로운 실제 텍스트에 대해서는 성능이 더 나빠지는 국소적 충돌을 보여줍니다. 최종적으로 정착(Settlement) 기법은 커밋 전에 후보 상태를 독립적인 실제 텍스트로 평가하여 실제 텍스트 적응을 유지하면서도 125M 및 760M 모델에서 평균 엔드포인트 간격 0.07 nats와 -0.02 nats를 남겼습니다.

이러한 결과는 업데이트를 유지하기 전에 독립적인 증거에 대한 예측을 확인해야 한다는 점을 시사합니다.

검색 에이전트가 관련성, 증거 충분성, 검색 행동에 대해 반복적으로 짧은 결정을 내리면서 지연 시간과 신뢰할 수 없는 확신을 초래하는 문제가 제기되었습니다. 이를 해결하기 위해 본 연구는 검색 결정을 시스템 2의 추론 및 생성 과정과 분리하는 빠르고 보정된 시스템 1 모델인 SearchJev를 제시합니다. SearchJev는 검색 상태와 결정 스키마가 주어졌을 때, 자기회귀적 출력 생성 없이 법적인 선택지를 직접 점수화합니다.

또한, 불확실한 지도에서 결정 확률을 학습하고 그 확신도를 보정하기 위해 소프트 레이블 학습을 통한 보정된 결정(Soft-Label Learning for Calibrated Decisions, SLCD)을 제안했습니다. 이 모델은 이중 시스템 검색 에이전트에서 SearchJev가 짧은 결정을 처리하고 불확실한 판단을 시스템 2에 위임하여 계획 수립, 쿼리 생성, 답변 구성 등의 역할을 유지하게 합니다.

평가 목적으로는 여섯 가지 유형의 검색 결정을 통합하는 SearchDecision-Bench 벤치마크를 도입했습니다. 이 벤치마크에서 SEARCHJEV는 동일 크기의 Qwen3.5 자기회귀 모델보다 결정 품질을 향상시키고, 결정 속도를 5.2배에서 5.3배까지 높이며 평균 예상 보정 오차를 41%에서 74%까지 감소시켰습니다.

실제 적용 사례인 BrowseComp-Plus에서는 이 이중 시스템 에이전트가 활성 검색 시간에서 3.7배에서 4.7배의 속도 향상을 달성했으며, 답변 정확도를 45%에서 최대 54%까지 개선했습니다.

로봇 에이전트는 의도된 행동과 관찰된 결과를 연결하고 반복적인 시도에 대해 선택을 수정하는 데 필요한 맥락을 유지해야 합니다. 기존 인터페이스들은 이러한 선택을 미리 정의된 도구 내에 두거나 에이전트가 상세한 실행 코드와 그 증가하는 기록을 관리하도록 요구하는 경우가 많습니다. 이에 본 연구는 물리적 행동을 명시하고 수정하는 주변 계산, 맥락, 의사결정을 조직하는 로봇 에이전트 하네스인 RobotUse를 소개합니다.

RobotUse는 에이전트가 목표와 자세를 시각적으로 선택하는 동안 백엔드가 기하학, 모션 계획 및 제어를 처리하도록 설계되었습니다. 하위 에이전트들은 각 하위 목표 내의 상세한 상호작용을 유지하고 후속 결정을 위해 필요한 정보를 반환합니다. 지속적인 활용을 통해 에이전트는 실행으로부터 학습하고 영구적인 플레이북을 업데이트할 수 있습니다.

RoboLab 환경에서 RobotUse는 45%의 작업 성공률을 달성하며, 미리 정의된 행동 추상화에 대한 의존도를 줄이고 간결한 의사결정 맥락을 유지하면서 CaP-X보다 6.7퍼센트 포인트 더 높은 성능을 보였습니다. 또한, RobotUse는 불완전한 피드백에도 불구하고 실제 실행으로부터 학습하며 이 학습 내용을 후속 작업으로 전이할 수 있음을 입증했습니다.

장기 기억은 LLM 기반 에이전트가 작업과 세션 전반에 걸쳐 정보를 유지하고 재사용하게 하여 개인화 및 장기 상호작용을 지원하지만, 이러한 지속적인 기억은 때때로 시포판시(sycophancy)를 유발할 수 있습니다. 이는 에이전트가 객관적인 증거와 일치하지 않거나 부정확한 사용자 역사적 신념에 과도하게 동조하게 만드는 현상입니다.

기존의 완화 방법들은 기억에 내재된 편향이나 오류에서 비롯된 시포판시를 가정하고 기억 파이프라인의 여러 단계에서 이러한 기억을 필터링하여 위험을 줄이려고 시도합니다. 그러나 실제 환경에서는 객관적이고 정확한 기억조차도 특정 맥락에서 시포판시를 유발할 수 있으며, 동일한 기억이 다른 맥락에서 다른 영향력을 가질 수 있다는 한계가 있습니다.

이러한 문제를 해결하기 위해 본 논문은 검색된 기억을 적응적으로 통합하여 객관적이고 신뢰할 수 있는 추론을 지원하는 새로운 프레임워크인 MemAdapter를 제안합니다. MemAdapter는 세 가지 구성 요소로 이루어져 있습니다. 첫째, 검색된 기억의 잠재적 위험을 밝히기 위해 반사실적 추론(Counterfactual Induction)을 활용합니다. 둘째, 자기 성찰(self-reflection)을 통해 현재 작업에 비추어 각 검색된 기억의 추론적 영향력을 보정하는 맥락 인식 반성(Context-Aware Reflection)을 수행합니다. 셋째, 기억의 정당한 영향력을 보존하면서 최종 응답을 적절한 증거에 기반하도록 하는 증거 기반 추론(Evidence-Based Reasoning)을 통해 최종 응답을 확립합니다.

이러한 MemAdapter는 세 가지 벤치마크에 대한 광범위한 실험을 통해 다양한 시나리오에서 기억의 신뢰성을 일관되게 향상시키는 것으로 입증되었습니다. 개발자들은 이 프레임워크를 통해 LLM 에이전트의 기억 신뢰도를 개선할 수 있으며, 코드는 https://github.com/DEEP-JLU/MemAdapter에서 확인할 수 있습니다.

자연어 게임 의도에서 고품질의 게임 세계를 생성하려면 장면 구조, 공간 배치, 게임 플레이 목표, 상호작용 개체, 실행 가능한 게임 플레이 논리에 대한 공동 추론이 필요합니다. 기존 코딩 에이전트는 개별 에셋, 장면 또는 스크립트를 생성할 수는 있지만, 이러한 구성 요소 전반의 일관성을 유지하는 데 어려움을 겪습니다.

이에 연구진은 동일한 게임 의도에서 생성된 블렌더 세계를 기반으로 구조화된 게임 세계를 구축하는 에이전트 프레임워크인 Code2Games를 제안합니다. Code2Games는 지속적인 요소 대응을 통한 공유 장면-게임 플레이 표현을 통해 장면 분석, 게임 플레이 계획, 제약된 게임 세계 생성, 게임 엔진 사용자 정의를 조정합니다.

세계 생성 후 Code2Games는 생성된 세계를 언리얼 엔진 5로 적응시키며, 컴파일 진단, 런타임 피드백, 게임 플레이 테스트 결과를 사용하여 엔진 적응 중 발생하는 불일치를 해결하는 실행 유도 재구성 프로세스를 사용합니다. 체계적인 평가를 위해 10개의 고정 게임 프롬프트를 포함하는 GameCode4D 벤치마크를 도입하여 시각적 품질, 상호작용 충실도, 멀티모달 결과물 품질, 플레이 가능한 게임 품질의 네 가지 차원에서 결과를 평가했습니다.

실험 결과는 Code2Games가 코딩 에이전트 및 기존 기준 방법으로 직접 게임 세계를 생성한 것에 비해 생성된 게임 세계의 시각적 품질과 상호작용 충실도를 일관되게 향상시켰음을 보여줍니다. 이는 엔진 적응 후 결과 게임의 품질까지 포함하여 입증되었습니다.

대규모 언어 모델(LLM) 에이전트는 여러 추론 및 행동 단계를 거쳐 장기 목표를 해결하지만, 배포된 에이전트가 다양한 관련 작업을 수행하면서 실행 궤적은 개선을 위한 자연스러운 자원이 됩니다. 기존의 인컨텍스트 적응 에이전트는 기억이나 기술을 텍스트로 저장하며 재사용을 위해 적절한 경험을 검색하고 고정된 정책이 이를 실행하는 것에 의존합니다.

연구진은 배포 중에 LLM의 가중치를 실행 궤적 자체로 훈련하는 온라인 에이전트 테스트 시간 훈련(OaTTT)을 연구했습니다. OaTTT는 에이전트가 각 작업을 한 번 실행하고 그 결과와 검증 결과를 학습 신호로 사용하여 가중치를 업데이트하는 방식입니다. 그러나 이 단일 시도의 토큰을 직접 모방하거나 강화하는 것은 정책을 불안정하게 만듭니다.

이에 연구진은 검증된 경험을 자체적으로 증류하는 에이전트 자기 증류(Agentic Self-distillation for Cross-task Evolution at Test-time), 즉 ASCENT를 제안했습니다. ASCENT는 안정적인 LLM의 초기 복사본이 검증된 궤적을 특권 정보로 받아 다음 토큰 분포를 예측하고 이를 지속적인 LoRA 빠른 가중치 업데이트로 증류합니다. 이 과정에서 ASCENT는 별도의 훈련 단계나 메모리 검색 없이 검증된 경험을 가중치에 통합할 수 있습니다.

ASCENT는 ALFWorld, WebShop, AppWorld 등 다양한 모델 규모에서 검증되었으며, 경험이 축적됨에 따라 작업 성공률과 상호작용 효율성을 개선하고 온라인 적응 방법보다 우수한 성능을 보였습니다. 또한, ASCENT는 홀드아웃 장면으로의 전이 능력도 보여주며, 에이전트가 검증된 경험을 가중치에 통합할 수 있음을 입증합니다.

Kandinsky 6.0 Video는 동기화된 텍스트-오디오-비디오 생성을 위한 파운데이션 확산 모델 제품군으로, Kandinsky 6.0 Video Lite(3B 파라미터)와 Kandinsky 6.0 Video Pro(29B 파라미터)로 구성되어 있습니다. 이 모델들은 텍스트-오디오-비디오(T2AV) 및 이미지-오디오-비디오(I2AV) 모드에서 5초 분량의 비디오 클립과 44kHz 오디오를 동기화하여 생성하며, 입술 싱크를 포함한 음성 동기화 기능을 제공합니다.

모델에는 내장된 초해상도(super-resolution) 모듈이 포함되어 출력 해상도를 풀 HD(1920x1080)로 높일 수 있습니다. Kandinsky 6.0 Video는 이전 버전인 Kandinsky 5.0 Video의 비디오 생성 능력을 기반으로 하며, 시간적 및 의미적 정렬을 위해 양방향 교차 주의(bidirectional cross-attention)를 사용하는 듀얼 스트림 CrossDiT 아키텍처를 채택하여 비디오 스트림과 새로 훈련된 오디오 스트림을 연결합니다.

훈련 전략은 대규모 오디오 코퍼스로 오디오 스트림을 처음부터 훈련한 후, 쌍을 이루는 오디오-비디오 데이터로 두 스트림을 공동 훈련하여 단일 모달리티 충실도를 보존하는 방식으로 진행됩니다. 이 과정은 지도 미세 조정, 강화 학습 기반 후처리, 그리고 증류를 포함합니다.

인간 평가를 통해 Kandinsky 6.0 Video Pro는 이전 모델인 Kandinsky 5.0 Video Pro보다 명확하게 우수하며, 특히 음성 품질 면에서 선도적인 오디오-비디오 생성 모델들과 경쟁할 수 있는 성능을 보입니다. 연구 및 배포를 가속화하기 위해 코드, 모델 체크포인트, 디퓨저 통합이 MIT 라이선스로 공개되었습니다.

고해상도에서 결합된 비디오-오디오 생성 모델을 직접 학습시키는 것은 더 풍부한 시각적 세부 사항과 더 선명한 움직임 역학을 학습할 수 있게 합니다. 하지만 전체 어텐션 메커니즘은 이차적인 비용을 발생시키며, 해상도가 증가함에 따라 중복되는 토큰에 어텐션을 분산시켜 유익한 콘텐츠에 대한 학습 신호를 희석시키고 사전 학습된 지식을 방해합니다.

기존의 희소 어텐션 방법들은 주로 학습 없는 가속화에 초점을 맞추거나, 소리 생성 영역 주변에 교차 모달 상호작용이 내재적으로 집중되어 있는 결합 비디오-오디오 데이터의 고유한 구조를 간과합니다. 이를 해결하기 위해 본 연구는 2K 해상도에서 결합 비디오-오디오 생성 모델을 직접 학습하기 위한 동적 희소 어텐션 프레임워크인 Prism을 제안합니다.

Prism은 토큰 시퀀스를 시공간 매크로 영역으로 조직하여 어텐션 구조가 로컬 콘텐츠에 적응할 수 있도록 합니다. 각 영역에 대해 비디오 특징의 채널 및 특징 노름을 통해 로컬 정보 구조를 추정하며, 이를 기반으로 시각 콘텐츠 변화의 방향성과 강력한 오디오-시각 결합 축을 따라 더 세밀하게 분할합니다. 이러한 접근 방식은 각 블록 내의 토큰들이 의미론적으로 일관되게 유지되도록 장려하여 블록 수준 특징이 시각 콘텐츠와 결합된 비디오-오디오 상호작용 패턴을 모두 포착할 수 있게 합니다.

또한 Prism은 쿼리당 희소성을 동적으로 결정하기 위해 하이브리드 블록 선택 전략을 채택합니다. 실험 결과 Prism은 전체 어텐션에 비해 2.5배의 학습 속도 향상을 달성했으며, 생성 품질 면에서도 전체 어텐션을 능가하는 성능을 보였습니다.

Claude Opus 5.5 에이전트 팀이 실온에서 자성을 띠는 반강자성 반도체 후보 물질 두 가지를 발견했습니다. 이 물질들은 차세대 컴퓨터 메모리에 유용한 자성 특성을 가지며, 강자성 및 반강자성 자성의 중간 특성을 모두 갖는 새로운 물질군으로 주목받고 있습니다.

연구팀은 스핀트로닉스 기술 발전을 위해 자성 물질의 극단인 강자성(Ferromagnetic)과 반강자성(Antiferromagnetic) 사이에 위치하는 물질을 찾고자 했습니다. 이들은 전자의 스핀 방향을 에너지 레벨에 따라 정렬할 수 있어 스핀 기반 정보 저장 및 읽기 기술에 혁신을 가져올 잠재력을 가지고 있습니다.

발견된 두 후보 물질은 각각 설계된 후보인 YBaMnFeO₅와 1999년에 처음 만들어진 KV[Cr(CN)₆]입니다. 특히 KV[Cr(CN)₆] 샘플은 376K까지 자성을 유지했으며, 이는 실온에서 자성 특성을 가진 물질이 이미 존재할 수 있음을 시사합니다.

이러한 실온 반강자성 반도체 후보 물질을 식별하는 것은 화학을 통해 자성 특성을 제어할 수 있다면 실용적인 스핀 기반 기술 개발에 중요한 진전이 될 것입니다. 연구팀은 향후 KV[Cr(CN)₆]의 스핀 정렬을 직접 측정하는 후속 연구를 진행할 계획입니다.

네덜란드에는 서로 다른 관람 경험을 제공하는 세 곳의 컴퓨터 전시 공간이 존재합니다. 이 공간들은 거실형 체험 박물관, 대규모 창고형 박물관, 그리고 외딴 헛간에 보관된 DEC 컬렉션으로 구성되어 있습니다.

특히 헬몬드에 위치한 HomeComputerMuseum은 이러한 전시 공간 중 하나로 주목받고 있습니다. 이 박물관은 1980년대 이후 제작된 컴퓨터 500대 이상을 소장하고 있으며, 방문객들이 상당수를 직접 작동하거나 게임을 즐길 수 있도록 구성되어 있습니다.

이러한 박물관들은 컴퓨터 역사와 기술을 단순히 전시하는 것을 넘어, 사용자 참여와 체험을 통해 과거의 컴퓨팅 환경을 재현하고 공유하는 데 중점을 두고 있습니다. 이는 개발자나 기술에 관심 있는 독자들에게 과거 하드웨어와 소프트웨어의 맥락을 이해하는 데 흥미로운 관점을 제공합니다.

Kolibri는 영어와 독일어를 지원하는 MoE 모델로 개발되어 공개되었습니다. 이 모델은 전체 781억 개의 파라미터를 가지고 있지만, 토큰당 34.6억 개만 활성화하여 효율성을 높였습니다.

Kolibri는 가중치를 Apache 2.0 라이선스로 공개하여 개발자들이 자유롭게 활용할 수 있도록 했습니다. 이러한 공개는 모델의 투명성과 재사용성을 높이는 데 기여합니다.

이 모델의 주요 목표는 공공행정, 산업, 항공우주와 같이 민감한 데이터를 처리하는 조직들이 자체 인프라에 모델을 배포할 수 있도록 지원하는 것입니다. 이는 데이터 보안과 프라이버시가 중요한 환경에서 자체적인 AI 시스템 구축을 가능하게 합니다.

결론적으로 Kolibri는 효율적인 MoE 구조와 개방형 라이선스를 통해 민감한 데이터를 다루는 조직들이 보안을 유지하면서도 맞춤형 인프라를 구축할 수 있는 기반을 제공합니다.

미 연방 판사가 Flock Safety 시스템을 ‘무차별적 대규모 감시’로 규정하며 영장 없는 차량 번호판 조회의 위법성을 판단했습니다. 오클라호마주 Tulsa의 보안관보가 사전 영장 없이 Flock Safety를 통해 한 여성의 차량 번호판을 조회한 행위는 수정헌법 제4조 위반이라는 연방 판결이 나왔습니다.

사건에 대해 Sara Hill 판사는 해당 조회가 캘리포니아 번호판이라는 점 외에 뚜렷한 조회 이유가 없었다고 지적하며 사전 영장의 필요성을 강조했습니다. 이는 특정 개인에 대한 감시 활동이 정당한 근거 없이 이루어졌을 때 발생하는 사생활 침해 문제를 다루는 중요한 판결입니다.

이 판결은 차량 번호판 정보와 같은 개인 데이터가 대규모 감시 시스템을 통해 수집되고 활용될 때, 정부 기관이 이를 수행하기 위해서는 명확하고 구체적인 사유와 사전 영장을 확보해야 한다는 법적 기준을 재확인합니다. 따라서 Flock Safety와 같은 기술 기반 감시 시스템을 사용하는 경우, 데이터 수집 및 활용의 정당성과 절차적 적법성에 대한 법적 검토가 필수적입니다.

윌프리드 시드의 1966년 소설 『오피스 폴리틱스』 재발행을 다룬 이 글은 출판물 재발행과 그 인기에 대한 질문을 제기합니다. 과거 '잃어버린' 책들을 복원하는 출판사들이 겪는 어려움과 성공 전략을 탐구합니다.

책을 복원하는 출판사들은 특정 작가나 작품의 명성을 되살리는 과정에서 출판사의 역할과 재발행의 인기에 대해 논합니다. 일부 출판사들은 재발행이 죽어가는 명성의 마지막 심장 박동일 뿐이며, 재발행을 통해 작가를 재조명하는 것이 '아무도 신경 쓰지 않았다'는 의미가 될 수 있다고 지적합니다.

영국에서는 비평가 엘레인 블레어의 논문에 따르면, 최근 몇 년간 재발행된 책의 수와 리뷰 보도의 양이 놀랍게 증가했습니다. 비록 출판 역사에서 망각과 재발견의 순환이 일반적이지만, 최근에는 이러한 재발행이 더욱 두드러지고 있습니다.

Virago와 Vintage 같은 출판사들은 매력적인 통일된 판형과 재발행의 혼합을 통해 성공적인 전략을 구축했습니다. 이후 NYRB Classics와 McNally Editions를 비롯하여 Transit, Counterpoint 같은 다른 출판사들도 이러한 기준을 충족시키며 재발행에 기여하고 있습니다.

Claude와 Claude Code에서 Opus 5.5를 활용하는 방법은 작업 전체와 완료 조건, 멈춰서 물어볼 조건을 한 번에 전달하는 방식이 적합합니다. 이 새로운 방식은 이전 Opus 모델보다 훨씬 긴 다단계 작업을 효과적으로 이어갈 수 있게 해주며, 초기 테스터들은 적은 감독만으로도 수 시간 분량의 코딩 작업을 실행할 수 있었습니다.

Opus 5.5는 응답을 생성하기 전에 스스로 사고하는 능력을 갖추고 있어 사용자가 지시를 내릴 때 더 정확한 결과를 얻을 수 있습니다. 예를 들어, “신중하게 생각하라”와 같은 지시는 모델이 더 깊이 있게 추론하도록 유도하여 복잡한 문제 해결에 유리합니다.

이러한 개선점 덕분에 개발자들은 복잡하고 긴 코딩 프로젝트를 진행할 때 모델에 대한 세부적인 감독 없이도 효율적으로 작업을 관리할 수 있게 되었습니다. 따라서 Opus 5.5를 활용할 때는 작업의 전체 목표와 제약 조건을 명확하게 제시하는 것이 결과물의 품질을 높이는 데 중요합니다.

Woking 전력 제어실은 Southern Rail 철도망의 전력을 제어하기 위해 1936년에 건설된 제어실 다섯 곳 중 하나입니다. 이 건물은 철도망 전력 제어라는 특정 기능을 수행하기 위해 설계되었습니다.

이 제어실은 소박한 콘크리트 외관을 가지고 있으며, 내부에는 타원형 제어실이 자리하고 있습니다. 건축적인 특징으로는 흰색 돔 천장과 구리 조명 접시를 받치는 장식용 주철 기둥이 눈에 띕니다.

또한 벽면에는 검은색 제어 패널이 설치되어 있어 기능적인 요소와 역사적인 건축 양식이 결합된 모습을 보여줍니다.