읽을 가치가 있는 기사만, 짧고 또렷하게.

Supabase가 Turso를 인수하며 AI 에이전트가 대규모로 생성하는 소프트웨어에 최적화된 데이터베이스 인프라를 구축하기 위한 전략을 추진하고 있습니다. 이 인수는 AI 기반 소프트웨어 개발의 폭발적인 증가에 따른 데이터베이스 수요 증가에 대응하기 위함입니다.

Supabase는 이미 현재 매주 100만 개 이상의 데이터베이스를 생성하고 있는 대규모 운영 경험을 보유하고 있습니다. 이러한 경험을 바탕으로 AI 에이전트의 소프트웨어 개발이 늘어남에 따라 발생하는 데이터베이스 수요를 충족시키기 위한 통합된 솔루션을 제공할 계획입니다.

이는 AI 에이전트 기반 애플리케이션의 데이터 관리 및 확장성 문제를 해결하는 데 중점을 둡니다. Supabase와 Turso의 결합은 대규모 데이터 생성 환경에서 효율적이고 확장 가능한 데이터베이스 인프라를 제공하는 데 기여할 것으로 기대됩니다.

미국 연방법원은 유타주의 연령 확인법인 SB 73의 VPN 관련 조항 집행을 예비 금지명령으로 중단했습니다. 법원은 해당 조항이 유타주 외 지역의 기업과 개인에게 상당한 부담을 지워 헌법에 위배될 가능성이 있다고 판단했습니다.

이 법안은 성인 웹사이트에서 VPN 사용자 차단이나 실제 위치 확인을 요구하는 내용을 포함하고 있습니다. 법원은 이러한 조항들이 주(州) 경계를 넘어선 개인과 기업에게 과도한 규제를 부과하여 헌법적 권리를 침해할 수 있다고 보았습니다.

이는 기술적 구현과 국제적인 서비스 운영에 있어 VPN 사용 및 위치 확인과 관련된 법적 쟁점이 중요함을 시사합니다. 개발자와 서비스 제공자는 주(州) 법률이 연방 헌법 및 다른 주 법률과 충돌할 수 있다는 점을 고려하여 VPN 관련 기능을 설계하고 운영할 때 법적 위험을 인지해야 합니다.

미국 당국이 중국으로 수출 통제가 된 엔비디아 칩을 밀반입한 혐의로 기술 기업 CEO를 추가로 체포했습니다. 법무부는 38세의 그렉 루이(Greg Lui)가 3억 달러 이상의 가치를 지닌 서버를 불법적으로 운송했으며, 이 서버들이 중국으로 향하도록 허위 서류를 사용했다고 기소했습니다.

루이는 엔비디아의 A100 GPU 및 H100 GPU를 포함한 칩을 중국으로 유출한 혐의로 기소되었는데, 그는 말레이시아와 싱가포르 등 남아시아 국가의 포워딩 업체들과 공모하여 칩을 불법적으로 유도했다고 FBI의 기소장에 명시되어 있습니다.

이러한 칩들은 대규모 데이터 처리와 대규모 언어 모델(LLM) 학습에 필수적이며, 미국은 중국이 이러한 칩에 접근하여 AI 기술이나 군사력을 급속히 발전시킬 경우 국가 안보에 심각한 위험을 초래할 것을 우려하고 있습니다.

이는 엔비디아 칩의 수출 통제 문제가 지속되고 있으며, 첨단 AI 기술의 공급망과 지정학적 긴장이 기술 산업에 미치는 영향을 보여주는 사례입니다.

Kagi가 리눅스와 윈도우용 오리온(Orion) 개발을 종료하고 두 플랫폼 모두를 오픈 소스로 공개한다고 발표했습니다. 이는 Kagi 팀이 맥(macOS) 및 iOS 플랫폼에 더 많은 집중을 하기 위해 개발 방향을 조정하기 위함입니다.

오리온 for macOS 및 iOS는 변경 없이 계속 발전하며, 팀과 자원이 다른 플랫폼에 분산되어 있던 만큼 이제 애플 기기에서 더 빠르고 안정적이며 기능적으로 향상될 것입니다. 향후 몇 달 동안 꾸준한 개선이 예상됩니다.

리눅스와 윈도우용 오리온 소스 코드가 공개되지만, Kagi는 핵심 유지보수자가 아니며 커뮤니티가 이 프로젝트를 이어받아 관리해야 합니다. 현재 리눅스 베타 버전은 2026년 10월 2일 이후 Kagi로부터 업데이트를 받지 않으며 주력 브라우저로 사용되지는 않기를 권장합니다.

또한, 2026년 말에 출시될 예정이었던 오리온 for Windows는 Kagi가 아닌 커뮤니티가 코드를 기반으로 개발할 수 있도록 공개될 것입니다. 이 업데이트는 독립적인 브라우저 생태계를 구축하고자 하는 개발자 커뮤니티에 기여할 기회를 제공합니다.

LUX-ZEPLIN 검출기에서 암흑 물질에 대한 단서가 포착되었다는 연구 결과가 발표되었습니다. 물리학자들은 암흑 물질이 우주 물질의 약 85퍼센트를 차지하며, 약하게 상호작용하는 거대 입자(WIMPs)가 가장 유력한 후보라고 믿고 있습니다. 이 연구는 사우스다코타에 위치한 골드광산 깊은 곳에 묻혀 있는 LUX-ZEPLIN 검출기를 통해 이루어졌습니다.

이 결과는 2026 TeV 입자 천체물리학 학회에서 발표되었으며, arXiv에 프리프린트도 공개되었습니다. 그러나 이 신호는 발견을 확증하기에 필요한 임계값보다 훨씬 낮은 수준의 단서에 불과하며 통계적 우연일 가능성도 배제할 수 없습니다.

LUX-ZEPLIN 팀은 이 사건을 전체 물리학 커뮤니티에 보고했으며, 현재 이와 유사한 데이터를 수집하는 XENONnT 및 중국의 PandaX 검출기 역시 운영 중입니다. 따라서 이 결과는 암흑 물질 탐색에 중요한 단서를 제공하지만, 아직 공식적인 발견으로 간주되지는 않습니다.

세계은행의 원조 자금 중 약 2~6%가 암호화폐 지갑으로 유용되었다는 연구 결과가 발표되었습니다. 연구진은 2018년부터 2024년까지 93개 수혜국에 지급된 2,380억 달러 규모의 원조 자금 흐름을 분석하여 이와 같은 자금 유용이 발생했음을 밝혀냈습니다.

연구팀은 온체인 비트코인 거래, 오프체인 거래 기록, IP 기반 웹 트래픽을 결합한 포렌식 측정 방법을 개발하여 암호화폐 활동을 추적했습니다. 특히 원조 자금 지급 시점과 암호화폐 활동의 급증 시점을 분석함으로써, 세금 피난처 및 주요 거래소에서 생성된 익명 지갑을 통해 자금이 유용되었음을 확인했습니다.

블록체인 포렌식 분석 결과는 기존 자금 세탁의 배치, 은닉, 통합 과정과 일치하는 패턴을 보여주었습니다. 연구진은 이러한 자금 유용으로 인해 원조 달러당 2센트에서 6센트가 유출되었으며, 이는 연구 기간 동안 약 17억에서 44억 달러에 달하는 원조 자금 유용에 해당합니다.

암호화폐가 자금 유용을 촉진하지만, 투명한 원장 기록은 유용된 자금을 탐지하고 회수하는 데 도움이 되는 포렌식 흔적을 남긴다는 점이 중요합니다. 특히 운송, 수자원 및 위생, 사회 보호, 거버넌스 네 가지 부문은 후속 세계은행 자금의 절반을 여전히 흡수하고 있어 이 문제의 심각성을 시사합니다.

애플이 새로운 인공지능 에이전트(AI agents)로 인한 새로운 위험에 대응하기 위해 macOS의 '전체 디스크 접근(Full Disk Access)' 권한에 대한 통제(controls)를 강화할 것이라고 발표했습니다. 이는 AI 에이전트가 사용자의 파일, 메시지, 이메일, 브라우징 기록 등에 광범위하게 접근할 수 있게 되면서 보안 위험이 증가했기 때문입니다.

애플은 이러한 접근 위험을 줄이기 위해 macOS의 전체 디스크 접근 권한 주변에 새로운 보안 통제를 추가할 계획입니다. 이는 사용자의 민감한 데이터가 AI 에이전트의 접근에 의해 무단으로 노출되거나 사용될 가능성을 최소화하기 위한 조치입니다.

개발자 및 시스템 관리자 입장에서는 이러한 변화가 사용자 데이터 접근 및 권한 관리 방식에 영향을 미칠 수 있습니다. 향후 macOS 환경에서 파일 시스템 접근 및 데이터 흐름을 관리할 때, AI 에이전트의 잠재적 접근 경로를 고려하여 접근 권한 정책을 재검토해야 할 필요가 있습니다.

결론적으로 애플의 이번 조치는 AI 기술 발전과 사용자 데이터 보안 사이의 균형을 맞추려는 시도이며, 시스템 레벨의 접근 권한 관리에 있어 새로운 보안 기준을 제시할 것으로 보입니다.

GPU 사용을 중단한다면 기술 환경에 어떤 변화가 생길지 가정하고 논의하는 내용입니다. 이 주제는 현재 컴퓨팅 환경에서 GPU가 수행하는 역할과 그 중요성을 재고하게 만드는 질문을 던집니다.

GPU는 딥러닝, 그래픽 렌더링, 고성능 병렬 컴퓨팅 등 다양한 분야에서 필수적인 역할을 수행하고 있으며, 이러한 장치들이 사라질 경우 소프트웨어 개발과 하드웨어 아키텍처 전반에 걸쳐 근본적인 변화가 발생할 수 있습니다.

이러한 가정을 통해 개발자들은 GPU 의존도를 낮추거나 대체할 수 있는 새로운 컴퓨팅 패러다임을 모색하게 됩니다. 이는 향후 하드웨어 설계와 알고리즘 개발 방향에 중대한 영향을 미칠 수 있으므로 해당 논의를 이해하는 것이 중요합니다.

소프트웨어 품질 시대인가, 타조 시대인가에 대한 논의가 소프트웨어 보안 분야에서 AI의 역할과 유지보수 프로세스에 미치는 영향에 대해 다룹니다. GNOME 개발자들이 C, C++, Vala와 같은 안전하지 않은 언어를 사용하며 실수를 저지르는 상황에서, 2026년에는 AI를 활용한 취약점 스캐닝이 소프트웨어 품질을 유지하는 데 필수적이라고 주장합니다. 이는 AI가 코드를 분석하여 취약점을 찾는 데 인간보다 훨씬 효과적이며, 공격자들이 AI를 통해 익스플로잇을 만드는 것도 쉬워졌기 때문입니다.

하지만 AI가 생성한 취약점 보고서에는 여전히 문제가 존재합니다. AI 보고서는 때때로 지나치게 상세하거나, 문제의 심각성을 과장하거나, 잘못된 정보를 포함하는 등 불필요하게 장황하고 부정확한 내용을 담는 경우가 많습니다. 이러한 보고서는 숙련되지 않은 사람이 작성하여 유지보수자들에게 부담을 주거나, 심지어 실제 CVE(공개 취약점)의 양을 증가시키는 스팸으로 작용할 수 있습니다.

따라서 GNOME 유지보수자들은 AI 생성 콘텐츠를 완전히 금지하기보다는, AI 보고서를 허용하고 인간이 이를 검토하고 수정하는 과정을 통해 품질을 개선하는 정책을 채택해야 한다고 제안합니다. AI 사용 자체를 배제하기보다는 AI가 생성한 보고서의 품질을 관리하고 인간이 최종 검토를 통해 오류를 수정하는 것이 중요합니다.

DwarfStar 4(ds4)는 고성능 Mac, CUDA, ROCm 기반 머신에서 대규모 언어 모델(LLM)을 로컬로 실행하기 위한 좁은(narrow) 추론 엔진입니다. 이 엔진은 DeepSeek V4 및 V4.1 Flash, GLM 5.x, Qwen3.8 Flash와 같은 오픈 웨이트 모델을 텍스트 및 비전 모델까지 지원하며, 로컬 API, CLI, 그리고 네이티브 에이전트를 하나의 스택으로 제공합니다.

ds4의 핵심은 모델을 효율적으로 구동하기 위한 설계에 있습니다. 비대칭 2비트 양자화(Asymmetric 2-bit quantization)를 통해 경로를 보존하면서 전문가(experts)를 압축하고, KV 캐시를 SSD에 저장하여 재시작 시에도 컨텍스트를 유지할 수 있게 합니다. 이러한 설계는 모델이 고성능 머신에서 실용적으로 작동하도록 하며, 전체 시스템이 단일 엔진으로 통합되어 작동합니다.

이 엔진은 C, Metal, CUDA, ROCm으로 작성되었으며 Apple Silicon Mac, NVIDIA DGX Spark, AMD Strix Halo 등 다양한 하드웨어 환경을 지원합니다. 개발자는 ds4-server를 통해 OpenAI나 Anthropic 스타일의 로컬 API를 제공받아 로컬 코딩 에이전트와 같은 에이전트를 구축할 수 있습니다.

ds4는 GGUF 레이아웃을 기반으로 하며, 사용자는 모델 가중치를 다운로드하고 백엔드에 맞게 빌드한 후 CLI나 서버를 통해 추론을 시작할 수 있습니다. 이는 로컬 AI 추론 환경에서 모델을 소유하고 제어하며, 하드웨어 제약 조건 내에서 최대의 성능을 확보하고자 하는 개발자에게 중요한 기반을 제공합니다.

OpenAI가 새로운 에이전트 플랫폼인 Dots를 발표하며 사용자에게 작업을 수행할 수 있는 개체들을 제공합니다. Dots는 사용자의 지시를 수행할 수 있는 귀여운 형태의 에이전트들을 포함하고 있습니다.

이 에이전트들은 Meta Muse와 달리 업무 환경 소프트웨어와 유사한 느낌을 강조하며, 업무에 중점을 둔 접근 방식을 취하고 있습니다. Dots는 Muse와 마찬가지로 물렁하고 의인화된 아바타와 사용자 지정 가능한 이름을 가지고 있습니다.

현재 Dots는 사용자에게 하나의 에이전트를 제공하지만, OpenAI는 향후 사용자가 여러 개의 Dots를 가질 수 있도록 확장할 계획입니다. 인터페이스는 Muse와 유사하게 하나의 창에서 에이전트와 채팅하고 다른 창에서 그 작업을 추적할 수 있도록 설계되었습니다.

신규 시점 합성(Novel View Synthesis, NVS)을 이용한 기하학적 표현 학습에 대한 연구 결과가 발표되었습니다. 기존의 인코더 기반 NVS 방법들이 낮은 표현력을 보이는 것은 지도 신호의 부족 때문이 아니라, 공간적으로 표현력이 풍부한 디코더가 장면 인코더의 표현 능력을 희석시키고 저수준 픽셀 공간 목표가 특징 학습을 방해하는 등 설계상의 선택 때문임이 밝혀졌습니다.

연구진은 이러한 문제를 해결하기 위해 SNAP이라는 자기 지도 인코더-디코더 트랜스포머를 제안했습니다. SNAP은 자세 조건부 국소 디코더와 잠재 공간 재구성 목표를 통해 이러한 문제들을 해결하며, 특정 작업에 구애받지 않고 기하학적 지도 방법론과 경쟁할 수 있음을 입증했습니다.

SNAP은 시각적 위치 추정, 자세 추정, 점 대응, 깊이 추정, 로봇 조작 등 다섯 가지 작업에서 자기 지도 표현과 경쟁하는 성능을 보였습니다. 특히 SNAP의 패치 특징은 낮은 컴퓨팅 및 데이터 예산에도 불구하고 훈련된 모델에 근접하는 시점 불변성을 나타냅니다.

또한, 표준 2D 표현이 붕괴하는 카메라 이동 상황에서 SNAP은 더 부드럽게 성능이 저하되는 것을 발견했습니다. 이는 디코더의 표현력을 제한하는 것이 전달 가능한 기하학적 구조를 억제하는 것을 방지한다는 것을 시사하며, 기하학적 구조를 학습하는 데 있어 아키텍처 설계의 중요성을 강조합니다.

4DCodeBench는 비디오로부터 동적 장면을 실행 가능한 그래픽 프로그램으로 재구성하는 4차원 역 그래픽에 대한 벤치마크입니다. 이 벤치마크는 에이전트가 시각적 관찰을 물리 시뮬레이션과 같은 추상화를 통해 복잡한 행동을 재현하며 장면의 구조와 동역학을 압축된 형태로 번역하도록 요구합니다.

이 벤치마크를 평가하기 위해 다양한 물리 현상, 예를 들어 변형, 유체 흐름, 파괴를 포함하는 실제 비디오와 합성 장면을 선별하여 구축했습니다. 연구진은 최첨단 모델들을 광범위하게 벤치마킹한 결과, 강력한 정적 재구성 능력만으로는 복잡한 동역학을 신뢰성 있게 재구성하는 것으로 이어지지 않는다는 사실을 발견했습니다.

따라서 4DCodeBench는 세상의 동역학을 코드를 통해 해석할 수 있는 에이전트의 발전을 추적하기 위한 테스트베드를 제공합니다. 이는 에이전트가 단순한 정적 구조를 넘어 실제 세계의 복잡한 동적 변화를 이해하고 코드로 표현하는 능력을 갖추도록 하는 데 중요한 기준을 제시합니다.

세계 모델을 위한 지속적 적응에 대한 새로운 접근 방식이 제안되었습니다. 기존의 지속적 학습은 이전에 본 데이터의 저하를 실패의 증거로 간주하는데, 이는 예측 대상이 고정된 설정에서 비롯된 관습입니다. 그러나 세계 모델의 예측 대상은 변화하는 환경이므로, 획득 시점에 정확했던 지식도 나중에 틀릴 수 있으며 이를 버리는 것이 결함이 아니라 필수적인 행동이 되어야 합니다.

연구진은 지속적인 세계 모델 학습을 위해서는 불변성 시간 척도에 따라 보존을 계층화해야 한다고 주장합니다. 이는 물리학이나 객체 영속성과 같이 절대 수정되어서는 안 되는 불변성과, 환경 변화에 따라 수정되어야 하는 인스턴스 수준의 사실을 분리하는 것을 의미합니다.

표준 망각 측정 기준은 지식이 올바르게 수정된 세계 모델과 치명적인 망각을 겪은 모델을 구별하지 못하며, 결과적으로 고정된 모델을 가장 높게 평가합니다. 따라서 기존의 물리 추론 벤치마크는 고정된 체크포인트만 평가합니다. 이에 연구진은 집계 없이 적응 스트림 전반에 걸친 불변성 회귀 테스트와 수정 지연 시간을 함께 보고하는 차등 보존(differential retention) 방법을 제안합니다.

리보핵산(RNA)의 기능은 정적인 구조만으로는 완전히 포착되지 않는 구조 변화를 통해 이루어지지만, 대규모 표준화된 RNA 동역학 데이터는 여전히 제한적입니다. 기존 접근 방식들은 궤적 생성과 동역학 이해를 별개의 목표로 다루는 경향이 있어, 이 두 가지를 통합적으로 다룰 필요성이 제기되었습니다.

이에 연구진은 2585개의 품질 관리된 100-ns 전체 원자 궤적과 누수 제어 분할을 포함하는 표준화된 RNA 분자 동역학(MD) 벤치마크인 RNADynBench를 소개했습니다. 이 벤치마크를 기반으로, 단일 구조에서 궤적 생성과 동역학 지문 추출을 위한 공유 골격을 사용하는 RNA 동역학 학습을 위한 통합 모델인 RNADynNet을 개발했습니다.

RNADynNet은 좌표 잡음 제거, 단일 프레임에서 궤적 정렬, 물리적 접지(physical grounding)를 결합하여 전체 원자 궤적 생성과 동역학 표현 학습을 연결합니다. 특히 물리적 접지는 생성된 동역학과 이러한 지문에서 복구할 수 있는 물리적 정보 모두를 개선합니다.

두 테스트 세트 모두에서 생성된 궤적은 0.875와 0.766의 RMSF 상관관계를 달성했으며, 단일 구조 예측은 MD에서 도출된 동역학과 비교할 만한 일치도를 보였습니다. RNADynBench와 RNADynNet은 RNA 동역학을 생성하고 이해하기 위한 벤치마크와 통합 모델 프레임워크를 확립했습니다.

EyeRobot 2.0은 손목 카메라 없이 단일 스테레오 카메라만으로 정밀한 양손 조작을 가능하게 하는 능동 시선(Active Gaze) 프레임워크를 제시합니다. 이 시스템은 두 시점의 시선을 움직여 장면 내 3차원 고정 지점에 집중함으로써 시각적 집중(Active Visual Fixation, AVF)을 구현하고, 계산 자원을 작업 관련 특징에 집중시키는 방식으로 작동합니다.

이러한 능동 시선은 목표 객체에 조건화된 저수준 시선 서보 정책과 작업 진행에 따른 고정 목표를 내보내는 타겟 선택기 정책을 계층적으로 훈련하여 달성합니다. 이 두 모듈은 실제 데이터에 대해 강화 학습(RL)으로 훈련되었으며, 특히 BC 그리퍼 정책과 공동 훈련되어 인간의 고정 시퀀스와 유사한 시퀀스를 발견할 수 있도록 했습니다.

EyeRobot 2.0은 스테레오 카메라만을 사용하여 기존의 수동 스테레오 및 에고+손목 카메라 정책과 비교했을 때 상당한 성능 향상을 보입니다. 손목 카메라를 제거하면 기존 정책의 실제 성공률은 52%에서 27%로 급감하지만, EyeRobot 2.0은 스테레오 카메라만으로 이 격차를 해소하며 실제 환경에서 수동 스테레오 대비 40%, 시뮬레이션에서 20%의 성능 향상을 기록합니다.

특히, 물체가 손목 카메라를 가릴 때 EyeRobot 2.0은 기존 정책보다 성공률을 두 배 이상 높이며, 손목 시야가 명확할 때는 에고+손목 카메라 정책과 동등한 성능을 보입니다. 이는 카메라 제약 조건이 있는 환경에서도 정밀한 조작을 수행할 수 있는 새로운 접근 방식을 제공합니다.

본 연구는 각 에이전트가 그래프 위에서 정의된 평활하고 강하게 볼록한 함수들의 합을 최소화하는 분산 최적화 문제를 다룹니다. 기존의 분산 방법들은 주로 정보를 혼합하거나 집계하여 국소 최적화 업데이트를 가능하게 하는 데 중점을 두었으나, 그래프 구조를 활용하여 최적화 하위 문제를 공동으로 설계하고 에이전트들이 협력적으로 문제를 해결하는 일반적인 프레임워크는 부족했습니다.

연구진은 이러한 한계를 극복하기 위해 그래프 구조를 활용하여 최적화 하위 문제를 공동으로 설계하고 협력적인 계산 및 통신을 수행하는 새로운 프레임워크를 개발했습니다. 이 프레임워크는 합의 제약 조건의 선형 표현, 결과로 나오는 쌍대 변수의 블록, 그리고 할당된 부분 그래프 위에서 각 블록 하위 문제를 공동으로 해결하는 에이전트 클러스터를 함께 설계하는 것을 목표로 합니다.

이 프레임워크의 첫 번째 구현 사례로 그래프 분할 메시지 전달(GATE)을 제시하며, 이는 각 엣지와 트리 블록당 하나의 변수를 할당합니다. 에이전트들은 트리 재귀를 따라 메시지를 업데이트하며 반복마다 양 끝점 비용-투-고 메시지를 최소화하여 변수를 업데이트합니다.

또한, 반복당 계산 및 통신 비용을 줄이기 위해 GATE-S라는 대리 변형을 개발하여 실용성을 높였습니다. GATE-S는 처리하기 쉬운 국소 모델과 경량 메시지 매개변수화를 사용하여 효율성을 개선합니다. 이 연구는 함수 규칙성, 네트워크 위상, 그리고 선택된 분할 간의 상호작용에 따라 선형 수렴 속도를 명시적으로 제시하며 그래프 분해의 효과를 보여줍니다.

거대 언어 모델의 성능은 후처리 데이터 선택에 크게 영향을 받습니다. 현재 인기 있는 기울기 기반 데이터 선택 방식은 훈련 데이터의 기울기가 소규모 검증 세트의 기울기와 얼마나 잘 일치하는지를 기준으로 데이터를 순위화합니다. 하지만 전체 파라미터 기울기를 사용하여 순위화하려면 모든 샘플에 대해 비용이 많이 드는 역전파(backward pass)가 필요하여 대규모 후보군에 대한 계산이 불가능합니다.

이러한 문제를 해결하기 위해 연구진은 전체 기울기 특징을 훨씬 적은 비용으로 근사할 수 있는지 질문을 던졌습니다. 그 결과, 효과적인 데이터 선택에는 출력 레이어 기울기만으로 충분하며, 이는 더 저렴한 순방향 전달(forward pass)만 필요하다는 것을 발견했습니다. 이를 바탕으로 연구진은 LESSER라는 선택 방법 래퍼를 구현했는데, 이는 데이터 선택 방법의 특징 추출 FLOP 비용을 SFT 벤치마크에서 $9.7\times$, RL 벤치마크에서 $3.0\times$ 절감합니다.

LESSER는 다운스트림 작업에서 전체 기울기 성능을 추적하면서도 효율성을 높입니다. 실험 결과에 따르면, 출력 레이어 기울기와 전체 기울기가 개별 샘플을 다르게 순위화하더라도, 이들은 기울기가 정렬된 배치(batch)를 선택한다는 것을 알 수 있습니다. 이는 계산 비용을 크게 줄이면서도 데이터 선택의 정확도를 유지할 수 있음을 의미합니다.

최신 연구는 체스 엔진이 초인적인 수준의 실력을 갖추고 있음에도 불구하고 자신의 수를 설명하지 못한다는 점을 지적합니다. 반면, 언어 모델(LM)은 그럴듯한 설명을 생성할 수 있지만, 약한 실력 때문에 설명의 유용성이 제한된다는 문제점을 해결하고자 합니다.

연구진은 이러한 문제를 해결하기 위해 40억 개의 파라미터를 가진 체스-언어 모델인 Queen을 소개하며, 이는 그 수준의 플레이를 하면서 자신의 수와 계획을 설명할 수 있습니다. 이 모델은 인코더-디코더 아키텍처와 반복적 증류 알고리즘을 활용하여 도메인 특화 추론을 가능하게 하는 새로운 프레임워크를 제시합니다.

이 프레임워크는 조용한 전문가 체스 인코더와 명령어 튜닝된 LM을 교차 주의(cross-attention)를 통해 통합하며, 질문-답변 커리큘럼을 통해 인코더의 표현에서 체스 개념을 추출합니다. 또한, 벨만 업데이트의 자연어 유사체를 사용하여 모델이 후보 수를 분석하고 현재 위치에 대한 설명을 정제하는 반복적인 증류 과정을 거칩니다.

이러한 과정을 통해 모델은 7번의 반복 후 900 Elo 포인트 이상을 획득하여 모든 최첨단 모델을 능가하는 실력과 퍼즐 정확도를 달성했습니다. 더욱이 LM 기반 평가 결과, 모델의 설명은 유창하며 일관성 면에서 GPT-5.6-Sol(높음)에 근접하는 것으로 나타났습니다.

이 연구의 일반성과 훈련 절차는 게임, 로봇 공학, 컴퓨터 사용과 같이 조용한 전문가 인코더가 존재하는 도메인에 언어 모델을 적용할 수 있는 방법을 제시합니다.

유방암에서 신보조요법에 대한 병리학적 완전 반응(pCR)을 예측하는 새로운 2단계 AI 모델이 개발되었습니다. 이 모델은 종양학 분야에서 레이블 데이터 부족 문제를 해결하기 위해 설계되었으며, 데이터 희소성 환경에서도 생물학적으로 정보가 풍부한 압축이 정밀 종양학에 적용될 수 있음을 시사합니다.

첫 번째 단계에서는 32가지 암 유형에 걸쳐 8,742명의 환자 데이터를 사용하여 조직병리학으로부터 전사체(transcriptome) 정보를 학습합니다. 이 과정은 병리학자의 검토와 측정된 발현과의 공간적 일치를 통해 보강됩니다. 이 정보를 바탕으로 두 번째 단계는 추론된 발현 정보와 임상 변수를 활용하여 pCR을 예측합니다.

이 모델은 1,080명의 환자를 사용하여 개발되었고 1,412명의 환자에서 평가되었으며, 분자 아형 내에서 반응자를 구별하는 데 있어 0.79의 통합 AUROC를 달성했습니다. 이 결과는 조직병리학적 바이오마커보다 우수하며, 종양 내 샘플링이나 최소한의 생검 조직에서도 안정성을 유지합니다.

모델 분석 결과, 전사체 전반에 걸친 추론이 단일 단계 병리학 모델이나 임상 변수만 사용하는 모델보다 우수한 구별 능력을 보였으며, 유전체 분석의 유전자 선택 제약을 피함으로써 견고성이 향상되었습니다. 이는 생물학적으로 정보가 풍부한 압축이 데이터가 부족한 정밀 종양학 응용 분야로 일반화될 수 있음을 보여줍니다.