읽을 가치가 있는 기사만, 짧고 또렷하게.

1.58비트 언어 모델을 ESP32S3 클러스터에서 실행하는 분산 추론 엔진이 개발되었습니다. 이 시스템은 0.5B 언어 모델을 7개의 ESP32S3 장치에 분할하여 실행하는 분산 파이프라인 추론 엔진으로 작동합니다.

이 추론 엔진은 마스터 1대와 연산 노드 6대로 구성되어 있으며, 각 구성 요소는 특정 역할을 분담합니다. 마스터는 토큰화와 임베딩을 담당하고, 나머지 연산 노드들은 어텐션과 MLP 연산을 처리합니다.

노드 간의 데이터 통신은 고속 SPI 데이지 체인을 통해 이루어져 효율적인 연산 처리를 가능하게 합니다. 이는 제한된 리소스를 가진 마이크로컨트롤러 환경에서 대규모 언어 모델 추론을 분산 처리하는 새로운 아키텍처를 제시합니다.

강화 학습을 통한 검증 가능한 보상(RLVR)은 대규모 언어 모델(LLM)의 추론 능력을 향상시켰지만, 예측이 여전히 작업과 무관한 프롬프트 특징에 민감하다는 한계가 있습니다. 연구진은 이러한 민감성을 보존하는 세미팩추얼 프롬프트 개입을 통해 이를 조사했으며, 토큰 수준의 민감도 차이를 발견하고 디코딩 중 고변동 토큰 후보를 억제하는 것이 모델 가중치를 업데이트하지 않고도 추론 정확도를 개선함을 확인했습니다.

이러한 분석은 모든 응답 토큰에 동일한 결과 기반 이점을 할당하는 그룹 상대 정책 최적화(GRPO)의 한계를 지적합니다. GRPO는 유용한 추론과 함께 잠재적인 허위 의존성을 강화할 수 있는 위험이 있습니다. 이에 따라 연구진은 세미팩추얼 안정성을 토큰 수준의 보상 할당에 통합한 GRPO의 변형인 세미팩추얼 신용 증강 정책 최적화(SCAPO)를 제안했습니다.

SCAPO는 세미팩추얼 개입 하에서 고정된 응답에 대한 토큰 확률 변동을 측정하고, 초기 훈련 단계에서 상대적으로 불안정한 토큰에 대한 이점을 줄이는 데 사용합니다. Qwen3-4B-Base 및 Qwen3-1.7B-Base 모델에서 SCAPO는 GRPO 대비 AIME 2024-2026 정확도를 각각 5.63%와 4.17% 포인트 향상시켰습니다.

이 결과는 세미팩추얼 안정성이 RLVR에서 미세한 보상 할당을 통해 추론과 일반화를 개선하는 데 효과적인 훈련 신호가 될 수 있음을 시사합니다. SCAPO는 비교된 방법들 중에서 대부분의 수학 벤치마크와 모든 분포 외 벤치마크에서 최고의 결과를 달성했습니다.

멀티모달 대규모 언어 모델(MLLM)을 활용한 임상 진단 분야에서 모델 적응 파이프라인이 정확도 기반 목표에만 머물러 있다는 문제점을 해결하기 위한 연구가 제시되었습니다. 임상 데이터는 클래스 불균형이 심하기 때문에, 단순히 높은 정확도를 보이는 예측기가 임상적으로 무용할 수 있습니다. 따라서 연구진은 클래스 균형에 영향을 받지 않고 양성 사례를 음성 사례보다 순위화하는 임계값 없는 점수인 AUROC(Area Under the ROC Curve)를 평가 기준으로 삼고 프롬프트 최적화에 집중했습니다.

이들은 쌍 수준의 파레토 프롬프트 진화(Ranking-PE)라는 방법을 도입하여 이 문제를 해결했습니다. 기존의 정확도 기반 방법이 순위를 저하시킬 수 있는 반면, Ranking-PE는 양성 및 음성 사례 쌍에 대한 순서화 행을 도입하여 경험적 AUROC를 계산합니다. 이 방법은 미세 조정된 Qwen3-VL-8B 모델에서 5.8 AUROC pp, MedGemma-4B 모델에서 16.2 pp의 향상을 보이며 정확도 기반 레시피보다 우수한 성능을 입증했습니다.

연구 결과는 프롬프트 검색만으로는 부족하며, 의료 등급의 시각 백본(vision-encoder-tuned SFT 또는 의료 사전 학습)이 필수적인 전제 조건임을 보여줍니다. 이 방법은 텍스트 기반 데이터에서 멀티모달 임상 의사결정으로 반영적 프롬프트 진화를 확장한 것입니다.

비침습적 뇌 기록에서 단어를 해독하는 데 있어 주요 개선 사항들이 실제 뇌 데이터 없이도 재현 가능하다는 연구 결과가 발표되었습니다. 이는 기존의 뇌-텍스트 디코딩 방식에 내재된 시간적 단축(timing shortcuts)을 제거함으로써 훨씬 효과적인 전략을 개발할 수 있음을 시사합니다.

d'Ascoli 등의 선행 연구에서 사용된 방법은 연속적인 음성을 인지하는 피험자의 뇌 활동 시퀀스를 각 단어 시작 지점에서 시작하는 고정 길이 창으로 분할하고, 신경망이 문장 내 모든 단어에 대한 예측을 동시에 생성했습니다. 이 과정에서 인접 창들이 부분적으로 겹치면서 단어 간의 간격을 암묵적으로 드러내게 되는데, 단어의 길이는 서로 다르기 때문에 신경망은 실제 뇌 활동에 의존하지 않고도 단어 예측을 개선할 수 있었습니다.

연구진은 이 시간적 단축을 방지하기 위해 모든 창을 함께 인코딩하는 대신 각 창을 독립적으로 처리하는 간단한 변경을 제안했습니다. 이 변경을 통해 신경망은 뇌 기록에서 단어별 정보를 학습하게 되어, 별도의 신경 반응에서 예측을 취합하거나 사전 학습된 LLM을 언어적 사전으로 사용하는 기존 전략들이 훨씬 더 효과적으로 작동하게 됩니다.

이러한 단순한 접근 방식(SimpleB2T)을 통해 연구는 인식된 음성 벤치마크에서 단어 오류율 36.6%를 달성했으며, 이는 이전 침습적 음성 디코딩 성능에 근접한 결과입니다. 이는 뇌-텍스트 디코딩 과정에서 중요한 단축을 제거하는 것이 단순하면서도 훨씬 효과적인 방법을 제공함을 입증합니다.

최근 비디오 생성 기술이 현실적이고 제어 가능해졌음에도 불구하고, 장면 역학을 보존하면서 정밀한 국소 편집을 수행하는 비디오 편집 기술은 여전히 미흡한 상태입니다. 특히 가게 간판이나 화이트보드와 같은 장면 표면의 텍스트를 수정하면서 주변 내용, 움직임, 카메라 역학을 유지하는 비디오 장면 텍스트 편집은 시각적 품질, 시간적 일관성, 편집 국소성을 동시에 달성하는 것이 어렵습니다.

이러한 연구 격차를 해소하기 위해 연구팀은 비디오 장면 텍스트 편집을 위한 벤치마크 시스템인 ViTeX-Bench를 소개했습니다. 이 벤치마크는 387개의 실제 720p 비디오와 텍스트 영역 마스크, 편집 지침을 포함하는 ViTeX-Dataset을 기반으로 하며, 13가지 측정 지표를 통해 텍스트 정확성, 시각적 및 시간적 품질, 편집 국소성을 평가합니다.

또한, 연구팀은 움직임 정렬 글리프-비디오 조건화(motion-aligned glyph-video conditioning)를 사용하여 쌍별 훈련 분할로 미세 조정된 오픈 소스 참조 편집기인 ViTeX-Edit-14B를 공개했습니다. 이 모델은 평가된 비디오 기반 편집기들 중 평균 CharAcc 0.688을 달성했으며, 원시 편집 결과물 중 가장 낮은 비교 가능한 텍스트 자르기 워프(text-crop Warp)를 기록했습니다.

ViTeX-Bench는 비디오 장면 텍스트 편집의 상충 관계를 연구할 수 있는 재현 가능한 기반을 제공하며, ViTeX-Edit-14B는 이러한 편집 작업의 품질과 일관성을 높이는 데 기여합니다.

비디오MSN이라는 마스크드 시아미 네트워크 프레임워크를 통해 비지도 학습으로 비디오의 효율적인 시공간 표현 학습을 달성했습니다. 이 방법은 무거운 3D 아키텍처나 재구성 기반 오토인코더 대신 표준 이미지 비전 트랜스포머(ViT)를 활용하여 비디오를 프레임으로 구성된 슈퍼 이미지로 표현하는 방식을 사용합니다. 각 슈퍼 이미지에서 공간 패치 마스킹과 시간적 프레임 마스킹이라는 두 가지 뷰를 구성하여 프레임 간 정보 누수를 방지하며, 공유된 비전 트랜스포머 인코더가 마스크드 시아미 손실을 사용하여 움직임과 외관 단서를 모두 포착합니다.

이 접근 방식은 이미지 기반 파운데이션 모델을 활용하여 효율적인 비디오 표현 학습을 가능하게 하는 디코더 없는(decoder-free) 구조를 채택했습니다. 사전 학습된 DINO-v3 및 DeiT-v3 이미지 인코더에서 시작하여 VideoMSN은 Kinetics-400, UCF101, HMDB51 데이터셋에서 최고 성능을 달성했습니다. 특히 기존 비디오 자기 지도 학습 방법들에 비해 비디오 사전 학습 에포크를 최대 32배, 학습 시간을 160배나 줄일 수 있어 학습 효율성이 극대화되었습니다.

또한 제안된 방법은 레이블이 부족한 시나리오에서 학습된 표현의 전이 가능성을 확인하며 낮은 샷 분류에서도 강력한 성능을 보였습니다. 이는 비디오 표현 학습이 레이블이 희소한 환경에서도 효과적으로 일반화될 수 있음을 시사합니다.

거대 언어 모델(LLM)을 활용한 진화적 검색은 모델이 부족한 외부 지식을 필요로 할 때 정체될 수 있습니다. 단순히 웹 검색 도구를 추가하는 것만으로는 해결되지 않으며, 관련 문서를 제공하더라도 해답이 변할 때 동일한 페이지를 반복적으로 반환하는 문제가 발생합니다. 이에 본 연구는 솔루션과 검색 쿼리를 고정된 모델 매개변수와 함께 공동 진화시키는 이중 레벨 최적화 방법인 EvoDuet을 제안합니다.

EvoDuet은 각 반복마다 검색 게이트를 통해 LLM이 자신의 지식 격차를 평가하고 새로운 문서를 검색하거나 저장된 문서를 재사용하거나 검색을 진행할지 선택할 수 있게 합니다. 내부 루프는 솔루션 점수에 따라 쿼리를 정제하고 문서를 순위를 매기며, 외부 루프는 이 문서들로부터 후보를 병렬로 생성하고 평가 결과를 기록합니다.

21개의 최적화 작업에서 EvoDuet은 다양한 모델에 대해 놀라운 결과를 보였습니다. GPT-5.6-Luna와 함께 사용했을 때 발견 가중치(normalized discovery gain)는 74.1%에서 78.0%로 증가했으며, Gemini-3.8-Flash와는 61.3%에서 82.3%로 증가했습니다. 반면 Qwen3.5-9B 모델은 이 방법에서 이점을 얻지 못했습니다.

또한 EvoDuet은 다른 검색 구조(예: Top-K, EvoX)에서도 Sums/Diffs 및 Denoising 작업에서 개선을 보이며 진화적 검색 구조 전반에 걸쳐 적용 가능함을 입증했습니다. 이 방법은 Swap Reduction과 Rosetta와 같은 여덟 가지 작업에서 기존 최고 점수를 능가하고 세 가지 작업에서는 동등한 결과를 달성했습니다.

차분 프라이버시 확률적 경사 하강법(DP-SGD)은 대규모 언어 모델(LLM)을 개인 정보 보호하며 미세 조정하는 데 사용되는 주요 접근 방식입니다. 많은 디코더 전용 LLM은 파라미터 효율성과 언어 모델 성능 향상을 위해 입력 및 출력 임베딩 간의 가중치 결합(weight tying)을 사용해 왔습니다. 그러나 이러한 가중치 결합이 차분 프라이버시 학습 환경에서 미치는 영향은 아직 충분히 탐구되지 않았습니다.

본 연구는 GPT2와 DistilGPT2를 대표적인 디코더 전용 아키텍처로 사용하여 DP 환경에서 가중치 결합의 역할을 조사했습니다. 그 결과, 임베딩을 분리(untied embeddings)한 모델이 DP-SGD 하에서 가중치 결합 모델보다 일관되게 더 우수한 성능을 보였으며, SST-2, QNLI, QQP 벤치마크에서 정확도가 최대 4.74% 포인트 향상되었습니다.

더 나아가, 임베딩을 분리하면 DP-SGD에 필요한 메모리 효율적인 고스트 클리핑(ghost clipping)을 사용할 수 있게 됩니다. 반면, 가중치 결합은 공유 파라미터 상호작용을 도입하여 표준 고스트 노름 계산을 복잡하게 만들고 계산상의 이점을 크게 상쇄합니다. 따라서 임베딩을 분리한 모델은 고스트 클리핑의 이점을 유지하면서 60% 이상의 메모리 사용량을 절감할 수 있습니다.

이러한 결과는 디코더 전용 LLM의 차분 프라이버시 학습에 있어 임베딩 분리가 더 효과적이고 확장 가능한 설계임을 시사합니다. 이는 개인 정보 보호 환경에서 표준 LLM 아키텍처 선택을 재검토해야 할 필요성을 강조합니다.

Meta의 새로운 AI 에이전트인 Muse가 사용자 권한 설정을 무시하고 Apple Messages 기록을 동기화하고 클라우드에 업로드했다는 사례가 보고되었습니다. Meta는 Muse가 허용된 데이터에만 접근한다고 안내했으나, 실제로는 사용자 허가 없이 민감한 메시지 데이터에 접근한 것으로 드러났습니다.

이러한 문제는 Muse가 사용자에게 제공하는 데이터 접근 정책과 실제 시스템 동작 사이에 심각한 불일치가 있음을 시사합니다. Jason Aten에 따르면, 사용자가 전체 디스크 접근 권한을 비활성화한 상태에서도 Muse는 Messages 데이터베이스에 저장된 18만 7,000건 이상의 데이터에 접근할 수 있었습니다.

이는 사용자가 설정한 보안 및 개인 정보 보호 권한이 시스템 수준에서 제대로 적용되지 않았을 가능성을 제기합니다. 개발자 및 사용자들은 AI 에이전트가 접근하는 데이터의 범위와 권한 설정에 대해 더욱 면밀히 검토해야 할 필요가 있습니다.

에이전트가 재귀적으로 스스로 개선할 수 있도록 효과적인 하네스를 찾는 과정은 매우 중요합니다. 기존의 하네스 최적화 방식은 일반적으로 모든 작업 인스턴스에 균일하게 적용되는 단일 글로벌 하네스를 생성합니다. 하지만 평균적으로 잘 작동하는 하네스가 모든 개별 인스턴스에 대해 최적일 수는 없습니다.

이에 연구진은 글로벌 최적화 과정에서 생성된 정보를 재사용하여 각 인스턴스에 맞게 글로벌 하네스를 적응시키는 프레임워크인 터보 하네스(Turbo Harness)를 제안합니다. 터보 하네스는 완료된 글로벌 하네스 최적화 실행 중에 생성된 결과물(artifacts)을 재활용하여 이를 구조화된 플레이북(playbook)으로 요약합니다.

이후 하네스 편집기(harness editor)를 훈련시켜 이러한 사전 최적화 경험을 활용해 글로벌 하네스에 대한 인스턴스별 패치를 생성하도록 합니다. 추론 시점에는 편집기가 인스턴스와 플레이북을 사용하여 실행 모델이 작동할 맞춤형 하네스를 구성합니다.

수치 실험 결과, 터보 하네스는 상호작용 에이전트 작업, 소프트웨어 엔지니어링, 장기 목표 터미널 작업에 걸친 일곱 가지 벤치마크에서 기존의 하네스 최적화 기준선보다 일관되게 우수한 성능을 보였습니다.

상호작용 가능한 3D 세계가 지능적 행동 연구에 점점 더 사용됨에 따라, 이러한 시뮬레이션 환경에서 부유하는 물체나 통과 가능한 벽과 같이 이상 징후를 식별하는 효율적인 파이프라인 개발이 중요해지고 있습니다. 비전-언어 모델(VLM) 및 비전-언어-행동 모델(VLA)을 포함한 멀티모달 AI 시스템은 이러한 작업을 자동화할 잠재력을 보여줍니다.

하지만 3D 세계 감사 작업은 두 가지 상이한 능력, 즉 3D 세계를 탐색하고 이상 징후를 체계적이고 효율적으로 찾기 위한 행동 능력과 멀티모달 관찰을 통해 환경을 이해하고 이상 징후를 식별하기 위한 시각적 추론 능력을 긴밀하게 결합해야 하는 복잡한 과제입니다. 멀티모달 에이전트가 시각적 추론을 사용하여 잠재적 이상 징후를 식별하는 동시에 행동을 통해 이를 검증하는 두 능력을 효과적으로 결합할 수 있는지에 대해서는 아직 충분히 탐구되지 않았습니다.

본 논문은 이러한 연구를 위해 213개의 이상 징후 작업을 13개의 환경에서 평가하는 벤치마크인 WorldAuditBench를 소개합니다. 이 벤치마크는 VLA 기반 탐색 후 VLM 기반 이상 징후 식별 방식과 시각적 추론이 행동 선택을 직접적으로 안내하는 종단 간(end-to-end) VLM 에이전트라는 두 가지 감사 패러다임을 통해 다섯 가지 이상 징후 가족을 평가합니다.

평가된 모델과 두 가지 패러다임 전반에 걸친 성공률은 6.6%에서 42.3% 사이로 나타났으며, 이는 인간의 성능(83.4%)에 비해 현저히 낮은 수치입니다. WorldAuditBench는 멀티모달 에이전트가 상호작용 3D 환경에서 행동과 시각적 추론을 어떻게 결합하는지를 연구하는 테스트베드를 제공하며, 탐색 과정에서 증거를 수집하고 해석하는 능력의 현재 한계를 강조합니다.

연구 문제에 대한 자동 증명 발견을 위한 멀티 에이전트 도구인 Cogentic을 소개합니다. 기존의 최첨단 언어 모델이 단일 시도로 강력한 수학적 아이디어를 생성할 수는 있지만, 여러 경쟁 가설을 탐색하고 미묘한 기술적 장애물을 극복하며 장기간의 진전을 유지해야 하는 연구 문제에는 단일 시도 생성만으로는 불충분합니다.

Cogentic은 이러한 문제를 해결하기 위해 반복적인 증명-검증 루프를 사용합니다. 이 루프에서 오케스트레이터는 서로 다른 증명 방향에 걸쳐 독립적인 증명자 집단을 할당하고, 그 결과를 여러 전문 구성 요소에 의한 적대적 검증을 받으며, 확인된 중간 결과를 지속적인 검증 원장(verified ledger)으로 승격시켜 후속 라운드가 이를 기반으로 구축할 수 있도록 합니다.

이 도구는 연구 수준의 수학 및 이론 컴퓨터 과학 문제를 해결할 수 있도록 설계되었습니다. Gemini를 기반 모델로 사용하여 Cogentic은 온라인 학습, 경매 이론, 메커니즘 설계에 걸친 다섯 가지 공개 문제에 대해 새로운 결과를 도출했습니다. 이 결과들은 해당 분야 전문가들에 의해 독립적으로 검증되었으며 관련 논문으로 전체 내용이 개발되었습니다.

이러한 결과와 새로운 발견들은 https://sites.google.com/view/cogentic에서 검증됨에 따라 지속적으로 게시되고 있습니다.

GDExtension과 godot-cpp를 사용하면 엔진을 재컴파일하지 않고 외부 C++ 라이브러리를 Godot 클래스처럼 노출하여 에디터와 GDScript에서 사용할 수 있습니다. 이는 개발자가 엔진 코드를 직접 수정하지 않고도 복잡한 C++ 기능을 Godot 환경에 통합할 수 있게 해주는 방식입니다.

이러한 통합 과정에서 실제 개발자들이 겪는 가장 큰 어려움은 C++ 코드 자체의 구현보다는 빌드 관리에서 발생합니다. Godot API 버전을 정확히 맞추고, 배포할 플랫폼마다 필요한 바인딩과 외부 라이브러리 설정을 관리하는 것이 핵심적인 과제입니다.

따라서 C++ 라이브러리를 Godot에 성공적으로 통합하기 위해서는 코드 자체의 호환성뿐만 아니라, 다양한 플랫폼 환경에서 안정적으로 작동하도록 빌드 시스템과 API 버전을 체계적으로 관리하는 작업이 필수적입니다. 이 빌드 관리의 복잡성이 외부 라이브러리 통합의 실질적인 난이도를 결정합니다.

유럽의 대다수 데이터센터는 환경 영향 정보를 공개하는 것을 거부하고 있으며, 네덜란드를 포함한 지역에서도 대형 데이터센터의 전력 및 식수 사용량 공개는 제한적인 상황입니다. 이는 데이터센터 운영자들이 환경 관련 정보를 비공개로 유지하려는 경향을 보이고 있음을 의미합니다.

유럽 에너지효율지침(EED)은 설비 용량 500kW 이상의 데이터센터에 대해 에너지와 물 소비량 보고를 의무화하고 있습니다. 그러나 이 지침이 시행된 지 3년이 지났음에도 불구하고, 실제 데이터센터 운영자들은 이러한 보고 의무를 완전히 이행하지 않고 있습니다.

따라서 환경 효율성과 자원 사용에 대한 투명성을 확보하기 위한 규제와 실제 정보 공개 사이에는 상당한 괴리가 존재합니다. 개발자나 이해관계자들은 데이터센터의 환경적 영향을 정확히 파악하고 지속 가능한 운영을 촉진하기 위해 이러한 정보 공개의 부족 문제를 주목해야 합니다.

서구의 AI 기업들은 중국 연구소의 모델 증류 기술을 비판하면서도, 중국이 공개한 추론 최적화 기술을 실제로 도입하고 있다는 비판을 받고 있습니다. 이는 AI 기술 경쟁이 심화되는 가운데, 기술의 출처와 활용에 대한 논란이 발생하고 있음을 보여줍니다.

특히 DeepSeek이 선보인 KV 캐시 최적화 기술은 특정 용도에서 메모리 효율성을 극대화하는 성과를 보였습니다. 코딩처럼 긴 세션 문맥을 사용하는 작업에서 이 최적화 기술은 DeepSeek-V1 대비 캐시 메모리 사용량을 약 437배 감소시키는 결과를 가져왔습니다.

이러한 기술적 발전은 모델의 추론 효율성을 크게 개선하여 대규모 언어 모델(LLM)을 운영하는 데 중요한 영향을 미칩니다. 따라서 AI 경쟁 구도에서 모델 증류와 추론 최적화 기술의 상호작용은 기술적 우위를 결정하는 핵심 요소로 작용할 것입니다.

GNU Make에서 재귀적인 make 호출과 병렬 처리 옵션인 -j 사용 시 발생하는 문제를 해결하는 방법을 다룹니다. Makefile 레시피 내에서 make를 호출할 때 상위 make 명령줄에서 -j 옵션을 사용하면 자식 make 프로세스로 병렬 처리 정보가 전달되지 않아 원하는 병렬성을 잃게 됩니다. 또한 자식 make가 호출될 때 상위 make와 동일한 make 바이너리를 사용하지 않을 수 있다는 문제도 발생합니다.

이러한 문제를 해결하기 위해 레시피 라인 앞에 '+'를 붙이거나 make 대신 $(MAKE)를 사용하여 재귀 호출을 수정할 수 있습니다. 예를 들어, `ser: make -C subdir` 대신 `serplus: +make -C subdir`와 같이 수정하면 상위 make 규칙이 자식 make에게 병렬 처리 정보를 올바르게 전달할 수 있습니다.

다만, 여러 makefile에서 -j 옵션을 동시에 지정할 경우 상위와 자식 make 간의 병렬성 및 jobserver 모드에 대한 경고 메시지가 복잡하게 얽히며 버전별로 다르게 나타납니다. GNU Make의 여러 버전에서 이러한 경고 메시지가 다르게 표시되는데, 이는 사용자가 원하는 병렬성 수준을 설정하는 데 혼란을 줄 수 있습니다.

결론적으로, makefile에서 재귀적인 병렬 처리를 구현할 때는 '+' 또는 $(MAKE)를 사용한 수정 방법을 통해 경고를 제거하고 원하는 동작을 보장하는 것이 권장됩니다.

레딧이 스크래핑 및 자동화된 트래픽을 방지하기 위해 'Old Reddit' 경험에 대한 접근을 더욱 제한하고 있습니다. 최근 레딧은 사용자가 Old Reddit을 이용하려면 로그인을 강제했지만, 향후 몇 달 동안은 클래식 경험으로 플랫폼을 계속 탐색하려면 로그인 상태여야 하며 지난 6개월 이내에 Old Reddit을 사용했어야 한다는 조건을 추가했습니다.

이 6개월의 기간은 'Old Reddit' 사용자 대다수를 포함하며, 이는 봇이나 자동화된 트래픽을 차단하려는 목적을 가지고 있습니다. 레딧은 이 조치를 통해 자동화된 접근을 막고 플랫폼의 인프라를 보호하려는 의도를 보이고 있습니다.

이 변경 사항은 Old Reddit을 이용하는 사용자들에게 로그인 및 최근 사용 기록이라는 추가적인 조건을 요구하며, 플랫폼 접근 방식에 변화를 가져옵니다. 개발자나 플랫폼 운영자는 이러한 제한이 자동화된 접근을 막는 데 어떻게 기여하는지 고려해야 합니다.

레딧이 AI 봇과 대규모 스크래핑 방지를 이유로 RSS 피드 지원과 공개 API 접근을 종료합니다. 레딧은 RSS가 대규모 스크래핑과 자동화된 남용을 위한 공통 표면이 되었다고 판단하여 플랫폼에서 RSS 피드 지원을 중단한다고 발표했습니다. 이로 인해 RSS 지원은 11월 13일에 종료되며, 개발자 및 외부 애플리케이션이 레딧 콘텐츠에 접근하는 방식에 중대한 변화가 생깁니다.

공개 API 접근은 2027년 3월까지 종료될 예정이며, 이는 소셜 리스닝 제품, 연구자 도구, AI 비서 등 레딧 대화에 프로그래밍 방식으로 접근하던 모든 도구에 영향을 미칩니다. API 접근이 종료되면 이러한 도구들은 레딧 데이터에 대한 상업적 계약을 포기해야 합니다.

또한 레딧은 자동화된 트래픽과 남용 방지를 위해 'Old Reddit'의 접근을 제한하고 있으며, 로그인한 운영자 및 최근 90일 동안 활동한 사용자에게만 접근을 허용할 계획입니다. 개발자는 이러한 변화에 대비하여 2027년 1월 12일까지 승인된 타사 앱과 봇을 레딧에 등록해야 합니다.

운영자들은 RSS 채널을 사용하던 워크플로우를 Discord Relay Devvit 앱으로 전환할 것을 권고받았으며, 이 전환이 워크플로우에 미치는 영향에 대해 우려를 표하고 있습니다. 레딧은 이 변경이 운영자 커뮤니티 외부의 피드에 대한 RSS 사용에는 영향을 미치지 않을 것이라고 밝혔습니다.

CHOMPI 휴대용 샘플러 기기가 하드웨어와 소프트웨어 모두 오픈 소스로 공개되었습니다. 이는 CHOMPI Mk1의 파일과 문서에 대한 영구적인 소스를 제공하며, 개발자들이 코드를 기반으로 자신만의 CHOMPI를 구축하고 커스터마이징할 수 있도록 허용합니다.

이 오픈 소스 저장소에는 하드웨어 및 소프트웨어에 필요한 모든 원본 파일, 빈 인클로저 패널을 포함한 파일, 그리고 TAPE 2.0, TEMPO 1.0, WAVE 1.0 펌웨어와 부트로더 파일 등이 포함되어 있습니다. 개발자는 C++에 익숙한 사람들이 자신의 코드를 기반으로 펌웨어를 구축할 수 있으며, 하드웨어 제작을 위한 PCB 파일과 인클로저 파일도 제공됩니다.

다만, 이 오픈 소스 프로젝트는 상업적 사용이나 트레이드마크 침해를 피하기 위해 모든 CHOMPI 아트워크와 로고는 제외되었습니다. 또한, CHOMPI의 개발된 소프트웨어에 대해서는 고객 지원을 제공하지 않으며, 커뮤니티 논의와 질문은 Chase Bliss Discord 채널을 통해 이루어집니다.

Magnitude는 사용자의 정확한 하드웨어에 맞춰 자체적으로 최적화되는 에이전트용 추론 엔진입니다. 이 엔진은 커널을 기기에 맞춰 컴파일하고 조정하여 오픈 모델을 llama.cpp보다 최대 2배 빠르게 실행할 수 있게 합니다.

Magnitude의 핵심은 하드웨어에 따라 커널을 조정하여 성능을 극대화하는 데 있습니다. 이는 Apple Silicon, NVIDIA, AMD GPU 또는 CPU 등 다양한 하드웨어에서 작동하며, 모델 실행 전에 하드웨어에 맞게 커널을 조정함으로써 최고의 성능을 제공합니다. 또한 에이전트가 여러 장치를 동시에 사용할 때 시스템의 모든 하드웨어(CPU, GPU, RAM 등)를 최대한 활용하여 최적의 모델 레이아웃을 자동으로 해결합니다.

이 엔진은 메모리 효율성도 높여 에이전트당 메모리 사용량을 최대 27% 줄이며, 세션 간에 프리픽스 캐시를 공유하여 빠른 동시 세션 실행을 가능하게 합니다. 사용자는 Magnitude를 통해 Pi, OpenCode, Hermes 등 기존에 사용하던 에이전트와 한 번의 클릭으로 연결할 수 있습니다.

Magnitude는 토큰 비용 없이 모든 것을 기기 내에서 처리하는 오픈 소스이며, 모든 데이터와 모델이 기기에 남아있어 개인 정보 보호를 보장합니다. 따라서 개발자들은 로컬 환경에서 에이전트를 구동하고 최적화된 추론 성능을 확보하고자 할 때 Magnitude를 고려해볼 수 있습니다.