읽을 가치가 있는 기사만, 짧고 또렷하게.

대규모 언어 모델(LLM)이 공중 보건, 금융, 거버넌스 등 민감한 분야에 광범위하게 사용됨에 따라 정확성과 사회적 가치 정렬이 요구되고 있습니다. 그러나 LLM은 훈련 데이터에 내재된 편향을 지속적으로 반영하거나 증폭시켜 공정성 문제를 야기하는 경우가 많습니다. 단일 모델의 내재적 지식에 의존하는 자기 편향 제거 방식만으로는 깊이 뿌리내린 고정관념을 해결하기에 불충분합니다.

이러한 한계를 극복하기 위해 본 연구는 집단 편향 완화(Collective Bias Mitigation, CBM)라는 프레임워크를 제안합니다. CBM은 다양한 LLM 간의 지식 공유와 모델의 세밀한 행동 학습을 통해 편향을 완화하는 방법을 제시합니다. 이는 서로 다른 LLM을 효과적으로 선택하고 조직하여 보다 공정한 응답을 도출하는 방식을 체계적으로 탐구한 최초의 연구입니다.

실험 결과 CBM은 단독 기준 모델보다 편향을 상당히 개선하는 것으로 나타났습니다. 예를 들어, 상위 7개 모델 설정에서 위원회(Committee) 토폴로지는 연령 편향 점수를 0.25에서 0.10으로 낮추었습니다. 특히 토론(Debating) 및 위원회(Committee) 토폴로지는 편향 완화 효과와 추론 비용 사이의 균형을 맞추어 편향 감소를 달성하며, 이는 보다 공정한 LLM을 개발하는 데 중요한 잠재력을 보여줍니다.

언어 간 능력 전이의 메커니즘에 대한 이해는 평가 데이터셋의 비호환성 때문에 어려움을 겪어왔습니다. 연구진은 이러한 전이 현상을 평가하기 위해 30,000개의 질문-답변 쌍과 15개 언어를 포괄하는 확장 가능한 다국어 수학 데이터셋인 Multilingual GSM-Symbolic을 도입했습니다. 이 데이터셋은 오버피팅을 방지하고 일반화를 보장하기 위해 기호 템플릿을 활용하여 단일 샘플에서 수백만 개의 고품질 변형을 생성할 수 있게 합니다.

이 분석을 통해 능력 전이의 주요 결정 요인들을 정량화할 수 있었습니다. 모델 크기($\beta= 1.77$), 언어 자원 수준($\beta= 0.77$), 추론 능력($\beta= 0.67$), 그리고 유형학적 거리($\beta= -0.25$)가 가장 큰 영향을 미치는 요인으로 나타났습니다. 이러한 요인들을 공동으로 추정함으로써 마라티어로 평가된 32B 모델이 영어에서 평가된 10B 모델과 유사한 성능을 보인다는 것을 확인할 수 있습니다.

특히 모델 크기와 추론 능력은 저자원 언어와 고자원 언어 간의 성능 격차를 좁히는 데 중요한 역할을 하며, 이는 $\beta= -0.27$과 $\beta= -0.20$으로 나타났습니다. 하지만 유사한 요인들은 유형학적으로 멀리 떨어진 언어에서는 거의 또는 전혀 영향을 미치지 않는 것으로 분석되었습니다.

이 분석 프레임워크는 언어 간 변이의 92%를 설명하지만 모델별 언어 변이의 23%만을 설명하며, 보지 못한 언어에서의 모델 성능을 6.0pp 이내로 예측할 수 있습니다. 또한, 목표 언어의 10개 템플릿 측정치를 통합하면 예측 오차를 4.19pp로 줄여, 추가적인 데이터셋 없이도 합리적인 성능 추정이 가능해집니다.

사고의 연쇄(CoT) 추론은 대규모 언어 모델이 답변에 도달하는 과정을 인간이 검사하고 모델의 행동을 감독할 수 있게 합니다. 그러나 이러한 추론 과정은 추론에 더 많은 토큰을 사용하기 때문에, 모델이 더 적은 토큰으로 작업을 해결하도록 훈련하는 효율적인 방법이 필요합니다. 하지만 이러한 효율성 훈련이 모델이 중요한 추론 단계를 건너뛰게 하여 CoT가 모델의 실제 결정을 충실하게 반영하지 못할 수 있다는 우려가 제기됩니다.

이러한 역학 관계를 이해하기 위해 연구진은 고정 생성 예산, 예시별 길이 목표, 그룹 상대 길이 보상이라는 세 가지 다른 방식으로 모델의 CoT에 길이 압력을 가하는 세 가지 방법을 사용하여 다양한 모델을 미세 조정했습니다. 연구는 효율적인 추론이 CoT 충실도(관련 입력에 대한 모델 결정 반영 정도)와 모니터 가능성(입력 개입이 출력에 영향을 미칠 때 CoT가 이를 드러내는지 여부)에 어떻게 영향을 미치는지 평가했습니다.

연구 결과, 효율적인 추론은 충실도와 모니터 가능성에 다르게 영향을 미치는 것으로 나타났습니다. 충실도는 대부분의 설정에서 낮게 나타났는데, 이는 훈련된 모델들이 덜 일관적이기 때문입니다. 반면, 모니터 가능성은 더 강력한 것으로 나타났는데, 모델들은 CoT가 훨씬 짧더라도 답변에 대한 영향력을 계속 인식하는 것으로 확인되었습니다.

세계 행동 모델은 미래 시각 역학을 로봇 행동 예측과 통합하지만, 행동이 주석 처리된 로봇 궤적의 필요성 때문에 확장성에 한계가 있습니다. 기존 접근 방식들은 상호작용 역학에 대한 풍부한 증거를 포함하는 관찰 전용 비디오를 시각 표현을 사전 학습하거나 로봇 명령에 기반하여 추론된 잠재 행동을 도출하는 데 사용했습니다.

이에 본 연구는 관찰 전용 비디오로부터 행동 정책을 직접 사전 학습하는 네이티브 행동 우선 학습을 도입한 NAVA-WAM을 제시합니다. 이는 간접적인 표현-제어 전달이나 별도의 잠재 행동 모델을 피하는 방법입니다. 학습 과정은 두 단계로 진행되는데, 첫째는 관찰 전용 비디오에서 미래 비디오 흐름 일치 감독을 전환 구조화된 공동 주의를 통해 전파하여 Action-DiT를 최적화하고 행동 관련 사전 지식을 학습합니다.

둘째는 행동 레이블된 시연을 사용하여 공동 비디오-행동 흐름 일치를 통해 Action-DiT를 후 학습하는 과정입니다. 이 과정에서 비대칭 주의를 사용하여 시각 분기와 반복적인 행동 노이즈 제거를 분리함으로써 효율적인 행동 전용 추론이 가능해집니다.

광범위한 실험 결과는 NAVA-WAM이 분포 내 및 분포 외 설정 모두에서 기존 접근 방식보다 일관되게 우수하며, 강력한 행동 레이블 효율성과 효과적인 실제 로봇 일반화를 입증했습니다. 이는 행동 레이블된 로봇 데이터의 한계를 넘어 관찰 전용 비디오로부터 행동 정책을 직접 사전 학습하는 효과적인 접근 방식으로 네이티브 행동 우선 학습을 확립합니다.

마스크 확산 언어 모델(dLMs)은 복잡한 추론을 위한 자기회귀 모델의 대안으로 유망하지만, 디노이징 과정 중 몇몇 약속(commitments)이 나머지 마스킹된 위치에 대한 불확실성을 크게 줄이고 응답의 많은 부분을 형성하기 때문에 신뢰도 할당에 어려움을 겪습니다. 기존의 학습 방법들은 이러한 응답을 형성하는 개별적인 약속을 선택하는 대신 최종 텍스트를 사용하거나 전체 디노이징 단계에 보상을 할당하는 방식으로 이 신호를 활용하지 못했습니다.

이에 본 논문은 이러한 고영향 약속(pivots)만을 감독하는 효율적인 오프라인 자기 증류 프레임워크인 Pivot-SD를 제안합니다. Pivot-SD는 나머지 마스킹된 위치에 대한 불확실성 감소를 측정하는 정보 이득 지표를 사용하여 피벗을 선택합니다. 성공적인 궤적에서 나온 피벗은 교차 엔트로피를 사용하여 학습하고, 실패한 궤적에서 나온 피벗은 목표 불확실성을 사용하여 학습하며 나머지 실패 궤적은 그대로 둡니다.

이 방법을 사용하여 200개의 질문과 각 4번의 롤아웃만을 사용하여 Pivot-SD는 수학 및 코드 벤치마크 전반에서 LLaDA-8B-Instruct를 전체 시퀀스 SFT 및 예산 일치 확산 강화 학습(RL) 기준선보다 개선했습니다. 이는 dLMs의 학습 효율성과 정확도를 높이는 데 기여합니다.

웹 브라우징 에이전트를 위한 다국어 및 멀티모달 스트레스 테스트 벤치마크인 HyperBrowseComp가 소개되었습니다. 이 벤치마크는 13개 언어로 작성되었으며 원어민 또는 고도로 숙련된 화자에 의해 작성된 423개의 수동 작성 및 인간 검증 질문으로 구성되어 있으며, 극도로 도전적인 난이도를 목표로 설계되었습니다.

각 질문은 추상적인 지식이 아닌, 모호한 증거를 찾거나 다단계 단서 체인을 따르거나 비디오, 스캔된 문서, 이미지, 지도와 같은 이질적인 출처를 검사해야만 발견할 수 있는 간결하고 공개적으로 검증 가능한 답변을 목표로 합니다. 또한, 모델이 인터넷에 접근하지 못하는 상태에서 질문을 평가하여 순수 매개변수 지식만으로 답할 가능성을 줄이기 위해 더 쉬운 질문들은 필터링되었습니다.

모델 평가는 제공업체 네이티브 검색과 공유 외부 검색 도구를 공통 에이전트 프로토콜 하에서 사용하여 수행되며, 모델의 성능과 노력을 맥락화하기 위해 질문 샘플에 대한 인간 평가도 진행됩니다. 이 벤치마크는 언어와 증거 양식 전반에 걸친 지속적인 정보 탐색을 위한 도전적인 테스트 환경을 제공하며, 오픈 웹에서 증거를 발견하고 연결하는 어려움에서 난이도가 발생합니다.

오토회귀(AR) 비디오 모델은 인과적 생성에는 능하지만, 다음 청크 예측에 의존하기 때문에 단기적이고 반응적인 패러다임에 한정됩니다. 이는 중간 상태를 통해 목표 결과를 달성하는 추론 지향적 생성에서 국소적인 시각적 타당성보다 유효한 중간 상태가 더 중요한 문제로 이어집니다. 이러한 한계를 해결하기 위해 연구진은 오토회귀 비디오 생성을 목표 지향적 추론 과정으로 변환하는 새로운 프레임워크인 학습된 전망 추론(Learning Prospective Reasoning with Autoregressive Video Models, ProAR)을 제안했습니다.

ProAR은 두 가지 핵심 구성 요소를 도입합니다. 첫째, 장기적인 결과에 생성을 고정하기 위해 비대칭 어텐션 마스크를 통해 목표 프레임 예측을 오토회귀 루프에 통합하여, 예측된 목표 프레임이 중간 상태 생성을 방해받지 않고 안내하도록 합니다. 둘째, 단기적인 전환을 안내하기 위해 미래 표현 자기 정렬(future representation self-alignment)을 도입하여 현재 은닉 상태가 다가오는 시간 역학을 예측하도록 장려합니다.

이 두 메커니즘을 결합하여 명시적이고 희소한 목표 감독과 암시적이고 조밀한 단계별 안내를 원활하게 결합함으로써, 적은 계산 비용으로 일관되고 목표 지향적인 추론 진행을 촉진합니다. 실험 결과, ProAR의 보완적인 구성 요소들은 다양한 시각적 추론 벤치마크 전반에서 성능을 지속적으로 향상시켰습니다. 또한 이 프레임워크는 훈련 효율성이 매우 뛰어나, 전체 훈련 단계의 25%만을 사용하여 완전히 훈련된 표준 AR 기준 모델을 능가했습니다. 이 패러다임은 구체적인 신체화 추론 작업에도 유망한 적용 가능성을 보여줍니다.

LLM 에이전트가 사용자 대신 제품 구매, 호텔 예약, 논문 인용 등을 결정할 때 특정 출처에서 온 항목을 선호하는 현상이 연구되었습니다. 연구진은 12개의 에이전트 모델을 세 가지 도메인에서 평가하며 출처 선호도를 분석했습니다. 이 결과에 따르면, 각 모델은 모든 도메인에서 특정 출처를 선호하고 다른 출처는 회피하는 경향을 보였으며, 이러한 선호도는 항목이 요청을 얼마나 잘 충족시키는지보다 더 큰 영향을 미칩니다.

선호도는 항목의 품질보다 우선할 수 있는데, 선호하는 출처에서 온 항목이 덜 만족하는 요구사항을 충족하는 경우, 선호하지 않는 출처에서 온 더 좋은 항목보다 약 3분의 2의 확률로 선택됩니다. 반대로, 덜 선호하는 출처에서 온 더 좋은 항목이 선택되는 경우는 거의 관찰되지 않았습니다.

또한, 항목의 출처를 식별하는 정보 자체가 선택에 영향을 미칩니다. 출처 정보를 숨기면 선호도가 약화되지만, 항목에 선호하는 출처를 다시 레이블링하면 선택률이 높아집니다. 이러한 현상은 학습 과정에서 더 나은 항목에 보상을 주는 것이 출처를 요구사항 충족의 지름길로 만들고, 정보가 부족하면 출처에 대한 선입견을 유발하기 때문에 발생합니다. 따라서 누락된 정보를 제공하거나 이러한 선입견에 반대하는 프롬프트를 사용하면 출처 선호도를 줄일 수 있습니다.

루브릭 기반 강화 학습은 개방형 작업에 보상 기반 최적화를 확장하여 응답 요구 사항에 부분적인 점수를 부여합니다. 하지만 루브릭 심사자는 응답에 필요한 정보나 행동이 없더라도 높은 기준 점수를 부여할 수 있으며, 이를 공허한 점수(Vacuous Credit)라고 부릅니다. 이러한 보상은 필요한 정보가 제거된 후에도 지속되며 응답의 GRPO 이점 부호를 역전시킬 수 있습니다.

이 문제를 해결하기 위해 연구진은 증거 인식 정책 최적화와 응답 기반 루브릭 적응을 교대로 수행하는 MetaRubric을 제안합니다. MetaRubric은 각 프롬프트에서 한 가지 작업 관련 사실을 변경하여 반사실적 대응물을 구성합니다. 정책 최적화 과정에서 보상은 응답이 요구되는 루브릭 기준을 만족시키기 위한 충분한 증거를 포함할 때만 부여됩니다.

각 정책 최적화 단계 후에는 현재 정책 응답이 원본 및 반사실적 기준을 수정하는 데 사용되며, 각 프롬프트의 사실에 따라 해석된 초기 루브릭의 의미는 보존됩니다. 또한 관찰된 정책 오류를 더 잘 해결하기 위해 단계 경계에서 기준 가중치를 조정합니다.

여러 백본에서 MetaRubric은 정적 심사 GRPO에 비해 PubMedQA 정확도를 6.00%에서 20.40% 포인트 향상시켰으며, HealthBench-Hard 및 두 가지 멀티모달 의료 벤치마크에서 추가적인 이점을 보였습니다.

세계 모델과 비디오 생성에서 물리적 충실도에 대한 관심이 증가하고 있지만, 비디오 표현이 물리 정보를 어떻게 인코딩하는지에 대한 이해는 여전히 부족합니다. 연구진은 유체 역학, 고체 역학, 동역학, 광학 및 전자기학 등 80개 분야에서 총 8,000개의 통제된 시뮬레이션 사례로 구성된 월드 임베딩 벤치마크를 소개했습니다. 이 벤치마크는 렌더링된 비디오와 시뮬레이션에서 도출된 물리적 주석을 쌍으로 묶어 텍스트-비디오 검색, 물리 속성 회귀, 다중 선택 비디오 설명 쌍 분류라는 세 가지 보완적인 작업을 지원합니다.

연구진은 이러한 작업을 통해 상호 모달 물리적 정렬과 정량적 물리 정보의 복원 가능성을 구별하고자 했습니다. 평가된 사전 훈련된 옴니모달 임베딩 모델은 검색 성능이 약하고 가족 내 쌍 분류는 거의 무작위 수준에 머물렀습니다. 반면, 경량 탐침(lightweight probes)은 고정된 비디오 임베딩에서 유용한 물리 정보를 복원해냈습니다.

물리 특화 비디오-텍스트 쌍과의 지속적인 대조 훈련은 검색 및 쌍 분류 성능을 개선했지만, 물리 속성 회귀는 저하되어 정렬과 정량적 정보 복원 가능성 사이에 상충 관계가 있음을 보여줍니다. 최종적으로, 임베딩을 사용하여 MiniMax-H3와 함께 검색 증강 생성을 위한 참조 비디오를 검색하는 데 사용했습니다. 검색된 참조는 생성된 비디오의 물리적 충실도를 향상시키며, 더 강력한 검색 모델은 실험에서 더 큰 이득을 가져왔습니다.

이러한 결과는 물리적 정렬과 속성 복원 가능성을 함께 평가해야 할 필요성을 강조하며, 비디오 생성을 개선하기 위해 물리적 표현의 유용성을 입증합니다.

복잡한 작업을 위한 성공적인 궤적은 모델 개선에 귀중한 감독 자료를 제공하지만, 특화된 하네스(harnesses)는 배포 시 사용할 수 없는 개입을 포함할 수 있습니다. 이에 본 연구는 하나의 기본 모델인 Qwen-3.8-27B를 사용하여 다양한 하네스 하에서 성공적인 해결책을 발견하고 이를 일반적인 하네스 하에서 훈련 궤적으로 재구성하는 프레임워크인 재귀적 자기 재작성(Recursive Self-Rewrite, RSR)을 제안합니다.

RSR은 계획자(planner)가 절차를 실행 계획서(runbooks)로 추출하고, 비평가(critic)가 검증자 및 솔루션 누수를 검사하며 재귀적 수정을 안내하고, 실행자(executor)가 신선한 샌드박스에서 자격을 갖춘 실행 계획서를 따르도록 설계되었습니다. 이 시스템은 약 3천 개의 자체 선별된 터미널 작업을 통해 세 가지 하네스가 759개의 작업을 공동으로 해결했으며, 이는 기록된 풀에서 가장 강력한 개별 하네스보다 34.3% 더 많은 결과입니다.

RSR은 2,001개의 성공적인 소스 궤적을 11,094개의 재작성된 궤적으로 확장하여 지도 미세 조정에 사용할 수 있게 합니다. 이러한 궤적을 훈련하는 것은 기본 모델과 직접적인 궤적 SFT 모두를 능가하는 성능을 보였습니다. 구체적으로, Terminal-Bench 2에서는 pass@3가 57.0%에서 74.2%로, Terminal-Bench 4에서는 1.5%에서 9.1%로, 자체 선별된 Terminal-Bench Hard에서는 39.0%에서 63.0%로, Software Terminal-Bench에서는 3.0%에서 6.0%로 향상되었습니다.

이러한 결과는 다양한 하네스 지원 경험을 일반적인 하네스 하에서 재사용 가능한 능력으로 재구성할 수 있음을 보여줍니다. 즉, 모델이 일반적인 하네스 하에서 작동할 때도 다양한 경험을 활용하여 성능을 극대화할 수 있는 방법을 제시합니다.

로봇 기술에서 시뮬레이션에서 현실로 스킬을 전이하는 것은 지각, 동역학, 체화의 차이에도 유효한 작업 지식을 필요로 합니다. 이에 따라 본 논문은 공유 API를 통해 실행 가능한 스킬을 학습하는 에이전트 정책 프레임워크인 Skill2Real을 소개합니다. 이 프레임워크는 제안자-검증자-관리자(Proposer-Verifier-Governor, PVG) 루프를 사용하여 시뮬레이션 증거를 통해 결과를 진단하고 업데이트를 검증하며, 학습된 스킬을 공개 관찰 및 API 의미론에 기반하여 고정시킵니다.

Skill2Real은 신경망 구조를 활용하여 계층적인 스킬 학습을 가능하게 합니다. 먼저 소뇌(Cerebellum)가 국소 조작 스킬을 습득하고, 이후 대뇌(Brain)가 소뇌를 고정시킨 채 작업 수준의 구성을 학습합니다. 이렇게 학습된 기억은 작업 정책 미세 조정이나 스킬 메모리 업데이트 없이 실제 로봇으로 전이될 수 있습니다.

실제 실험 결과, GPT-5.6 Sol이 LIBERO-90에서 스킬을 학습하고 GPT-6 Astra로 각 고정된 체크포인트를 평가했을 때, Pro Long 성공률이 2.0%에서 56.3%로 상승했습니다. 또한, 독립적인 Robosuite 훈련에서는 Sol과 Opus 5가 일곱 가지 작업에서 각각 85.1%와 89.4%의 평균 성공률을 달성했습니다. 특히, Sol로 훈련된 LIBERO-90 스킬은 Astra를 사용하여 네 가지 실제 조작 작업에서 평균 완료율 78.75%를 보였습니다.

이러한 결과는 공통 로봇 인터페이스를 통해 실행 가능한 스킬의 계층을 학습하고 전이하는 것이 가능함을 입증합니다. 또한, 훈련 과정에서 검증자나 관리자를 제거할 경우 최종 Pro Long 성공률이 각각 17.3%와 13.3% 감소하는 것으로 나타났습니다.

소비자 보고서(Consumer Reports)가 차량과 연동된 모바일 앱의 데이터 프라이버시를 조사한 결과, 차량 데이터가 제3자 서버로 유출되는 사례가 확인되었습니다. 조사 대상 차량 21대와 연동된 모바일 앱 30개를 분석한 결과, 차량 19대가 Wi-Fi를 통해 제3자 서버에 접속했으며, 이 접속 대상에는 광고 및 추적 도메인이 포함되어 있었습니다.

특히 민감한 식별정보가 광고 및 추적 관련 업체로 전송되는 문제도 발견되었습니다. 조사된 앱 7개가 민감한 식별정보를 광고 및 추적 관련 업체에 전송했으며, 이 중 5개 앱에서는 차량의 차대번호(VIN)와 같은 고유 식별 정보가 유출된 것으로 나타났습니다.

이는 커넥티드 차량 환경에서 차량과 연동된 모바일 앱들이 의도치 않게 민감한 개인 식별 정보를 외부 서버로 전송할 수 있는 심각한 보안 취약점을 시사합니다. 개발자와 서비스 제공자는 차량 데이터와 연동된 앱에서 수집되는 데이터의 흐름과 외부 공유 정책을 면밀히 검토하여 데이터 프라이버시 보호 조치를 강화해야 합니다.

Python 기반의 레트로 게임 엔진인 Pyxel이 GitHub에서 18,000개의 스타를 달성하며 개발자 커뮤니티에서 주목받고 있습니다. 이 엔진은 2018년부터 개발되어 있으며, 픽셀 아트, 타일맵, 사운드 및 음악 편집 기능을 내장하고 있어 사용자가 파이썬 코드를 통해 게임을 개발할 수 있도록 돕습니다.

Pyxel은 레트로 게임 콘솔의 단순한 사양에서 영감을 받아 16가지 색상과 4개의 사운드 채널만 지원하는 등 레트로 게임 제작에 필요한 핵심 요소를 간소화했습니다. 엔진 자체는 Rust로 구현되었으며, 사용자는 파이썬으로 게임 코드를 작성하고 시각 및 오디오 요소를 직접 편집할 수 있습니다.

이 엔진은 Windows, macOS, Linux뿐만 아니라 웹 환경에서도 구동되며, 리눅스 기반 레트로 휴대용 기기까지 지원하여 광범위한 플랫폼에서 게임을 만들 수 있습니다. 또한 Pyxel Code Maker나 Pyxel MML Studio 같은 도구를 통해 브라우저 내에서 게임을 만들거나 칩튠을 작성하는 것도 가능합니다.

Pyxel은 MIT 라이선스로 공개되어 무료로 사용 가능하며, GitHub의 스타와 커뮤니티의 참여를 통해 지속적으로 발전하고 있습니다. 현재 사용자들은 공개된 예제와 코드 메이커를 활용하여 자신만의 레트로 스타일 게임을 제작하고 있습니다.

자유로운 건축 경험을 제공하는 샌드박스 게임인 타이니 브루탈리즘(Tiny Brutalism)이 윈도우, macOS, Linux 플랫폼에서 출시되었습니다. 이 게임은 브루탈리스트 건축에서 영감을 받아 목표나 정답 없이 사용자가 원하는 대로 기괴한 기념물이나 구조물을 만들 수 있는 편안한 자유형 빌딩 게임입니다. 플레이어는 클릭, 드래그, 스크롤 등의 기본 조작을 통해 건축을 진행하며, 낮과 밤을 전환하는 기능과 되돌리기(Undo) 기능을 제공합니다.

현재 커뮤니티에서는 게임의 잠재력을 확장하기 위한 다양한 기능 개선 요구가 제기되고 있습니다. 사용자들은 시간대 변경 기능에 대한 개선, 다양한 건축 변형(variants)을 쉽게 전환할 수 있는 인터페이스, 그리고 되돌리기 기능의 추가를 요청했습니다. 또한, 더 현실적인 건축 요소를 추가하거나, 식물 아이콘을 포함한 환경 요소를 추가하고, 최종 결과물을 객체(obj)나 FBX 형식으로 내보낼 수 있는 기능에 대한 요구도 있었습니다.

개발자는 이러한 피드백을 수용하여 윈도우 빌드를 추가로 출시했으며, 향후 업데이트에서 더 구체적인 텍스처나 색상 변화, 그리고 런타임에 식물을 생성할 수 있는 절차적 도구 등을 구현할 계획입니다. 이 게임은 브루탈리스트 미학과 편안한 게임 플레이를 결합하여 특정 취향을 가진 사용자들에게 큰 호응을 얻고 있습니다.

나비는 포식자를 피하기 위해 착시를 이용한다는 새로운 연구 결과가 발표되었습니다. 엑서스 대학교와 엑서터 대학교가 공동으로 발표한 이 연구는 나비의 비행과 날개 패턴이 포식자의 속도와 방향 감각을 혼란시켜 공격을 잘못 유도한다는 증거를 제시합니다.

연구에 따르면, 나비 날개의 줄무늬와 반점은 시각 시스템이 움직이는 방향과 속도를 추측하려는 방식에 방해를 주어 거짓된 움직임 신호를 증폭시키고 나비의 실제 방향을 숨깁니다. 이는 포식자의 가장 기본적인 시각 표적 시스템을 방해하여 포식자가 먹이를 잡으려는 수십 밀리초 동안 경로를 변경할 시간을 주지 않아 공격을 놓치게 만듭니다.

이 연구는 나비의 화려한 패턴이 단순한 장식이 아니라 생존에 필수적인 방어 기제임을 보여줍니다. 또한 연구진은 이러한 움직임 혼란이 나비뿐만 아니라 자연계 전반에서 훨씬 더 광범위하게 발생할 수 있으며, 새의 날갯짓이나 도마뱀과 물고기의 꼬리 움직임 등 다양한 생물에서 관찰될 수 있음을 시사합니다. 이는 움직임 시각에 대한 새로운 분석 방법을 열어주며 생물학적 움직임 인식에 대한 이해를 확장하는 흥미로운 연구 분야를 제시합니다.

Debian 보안 권고 사항 DSA-6528-1에 따라 리눅스 커널에서 발견된 여러 취약점이 보고되었습니다. 이 보안 권고는 시스템의 안정성과 보안을 위해 즉각적인 조치를 요구합니다.

해당 업데이트는 여러 CVE ID를 포함하고 있으며, CVE-2024-52560부터 CVE-2026-80999까지 광범위한 취약점들을 다룹니다. 이러한 취약점들은 권한 상승, 서비스 거부, 정보 유출 등으로 이어질 수 있어 시스템 보안에 심각한 영향을 미칠 수 있습니다.

Debian은 이 문제들을 해결하기 위해 안정 배포판(trixie)의 버전 6.12.111-1에서 수정 사항을 적용했습니다. 따라서 사용자는 시스템의 보안을 유지하기 위해 리눅스 패키지를 즉시 업그레이드할 것을 권고합니다.

리눅스 보안 상태에 대한 자세한 정보와 업데이트 적용 방법은 Debian 보안 트래커 페이지 및 공식 FAQ를 통해 확인할 수 있습니다.

AI 에이전트가 사용자에게 공개되는 소프트웨어 문서를 작성하고 유지하는 데 있어 전문가 수준의 기준을 충족할 수 있는지 평가하는 벤치마크인 DoGBench 연구 결과가 발표되었습니다. 이 벤치마크는 실제 오픈 소스 프로젝트에서 추출한 292개의 작업을 기반으로 에이전트가 문서 업데이트가 필요한지 인식하고 전문가 검토 기준을 충족하는 변경 사항을 생성할 수 있는지 측정합니다.

연구 결과에 따르면, 에이전트는 문서를 작성할 수는 있지만 독자가 작업을 완료하는 데 필요한 정보를 놓치거나, 필수적인 단계나 전제 조건을 생략하는 등 전문가가 요구하는 기준을 충족하지 못하는 경우가 많습니다. 광범위한 감사 결과 1,267개의 제출물 중 45.5%는 작업 완료 격차를 보였으며, 36.6%는 기술적 부정확성을 포함하고 있었습니다. 이는 에이전트가 사실을 왜곡하거나, 특정 조건에서만 유효한 행동을 보편적으로 사실로 제시하는 환각 현상이 발생할 수 있음을 시사합니다.

문서 소유자는 코드 변경만으로는 알 수 없는 독자의 맥락, 작업 흐름, 그리고 변경 사항이 워크플로우에 미치는 영향을 제공함으로써 에이전트의 성능을 개선하는 데 중요한 정보를 제공합니다. DoGBench는 에이전트가 문서 업데이트 여부를 판단하는 데 어려움을 겪는다는 점을 강조하며, 최종 결과물의 품질을 보장하기 위해서는 여전히 전문가의 검토가 필수적임을 보여줍니다.

애플이 비디오 녹화 기능 없이 텍스트 이벤트 설명만 제공하는 스마트 홈 보안 카메라를 개발하고 있다는 소식이 전해졌습니다. 이는 애플이 새로운 스마트 홈 생태계를 구축하는 과정의 일부로, 애플의 스마트 홈 허브와 함께 출시될 예정입니다.

마크 거먼은 파워 온 팟캐스트에서 이 카메라가 애플의 스마트 홈 생태계에 포함될 것이라고 언급했습니다. 이 제품은 사용자가 비디오 대신 텍스트 기반의 이벤트 설명을 통해 보안 정보를 얻는 데 중점을 두고 있습니다.

애플은 자체 제품뿐만 아니라 서드파티 보안 제품도 구축하고 있으며, J450 프로그램은 J490 스마트 홈 디스플레이와 함께 작동하는 보완 제품으로 언급되었습니다. 이러한 움직임은 애플이 스마트 홈 기기 분야에서 통합된 보안 솔루션을 제공하려는 전략을 보여줍니다.

Earendil과 Pi 커뮤니티가 Pi 1.0을 기반으로 Pi Durable을 실험적으로 공개했습니다. Pi Durable은 기존의 Pi 코딩 에이전트를 대체하는 것이 아니라, 장시간 실행되고 장애 발생 시 복구 기능을 갖춘 다양한 에이전트 애플리케이션을 구축하기 위한 하네스입니다.

이 기술은 에이전트 애플리케이션의 안정성과 지속성을 높이는 데 중점을 둡니다. 구체적으로 실행 단계를 체크포인트가 있는 작업으로 저장하여 프로세스를 관리함으로써, 시스템이 중단되더라도 작업 상태를 보존하고 복구할 수 있게 합니다.

이는 장시간 실행되는 복잡한 에이전트 시스템을 개발할 때 발생하는 장애 복구 문제를 해결하는 데 중요한 의미를 가집니다. 개발자들은 Pi Durable을 활용하여 신뢰성 높은 장기 실행 애플리케이션을 설계하고 구축할 수 있습니다.