읽을 가치가 있는 기사만, 짧고 또렷하게.

인공지능(AI) 붐이 기후 주간을 장악하면서 기후 기술 분야의 창업가들과 투자자들 사이에서 의견이 분분합니다. AI 데이터 센터를 운영하기 위해 천연가스 발전소를 건설하는 것에 대한 우려가 있지만, 많은 기후 기술 스타트업들이 에너지 관련 분야에 집중하고 있기 때문에 이러한 건설은 회사가 생존의 고비를 넘기는 기회로 받아들여지고 있습니다.

이러한 변화는 기후 기술 스타트업들이 자금 조달에 어려움을 겪을 때, AI 열풍에 맞춰 사업 방향을 조정함으로써 새로운 자금을 확보하는 데 도움이 되었습니다. 최근 PitchBook 데이터에 따르면, 데이터 센터 건설로 인해 촉진된 내재 환경, 전력망 인프라, 가용한 에너지와 같은 분야에서 투자 거래 가치는 지난 네 분기 연속 상승하여 올해 첫 분기에 140억 달러를 기록했습니다.

하지만 일부 창업가들은 데이터 센터 붐이 다른 유망한 기후 기술 부문에서 기회를 놓치게 만들고 다른 목표에 대한 집중을 방해한다고 느꼈습니다. 대기업들은 트럼프 행정부의 반발을 우려하여 기후 문제에 대해 소극적인 태도를 취하는 경향이 있으며, 스타트업들은 현재의 환경에서 고객에게 다가가는 방법을 모색하고 있습니다.

결론적으로, 데이터 센터 관련 열풍은 영원하지 않을 것이지만, 스타트업들이 지속 가능한 사업을 구축할 수 있도록 충분한 시간을 제공할 수 있다는 점이 핵심입니다. 이러한 상황이 정리되면 스타트업들은 본래 추구하던 탄소 감축 임무에 다시 집중할 수 있을 것입니다.

닐 스티븐슨은 해킹 도구의 보호와 문학계 내에서 SF 작가들이 받는 존중에 대한 질문에 재치와 유머로 응답했습니다. 그는 해킹 도구를 수정헌법 제2조로 보호해야 하는지에 대해, 헌법의 창시자들이 총열이 아닌 Perl 스크립트를 염두에 두었을 것이라고 농담 섞인 비유를 사용하며, 코드를 무기로 분류하는 것이 다른 국가의 법적 관점에서 어떻게 다르게 해석될 수 있는지 설명했습니다.

그는 코드의 취약점이 공개될 때 모든 관련 당사자에게 이익이 되므로, 소프트웨어의 취약점 노출에 대해 첫 번째 수정헌법을 invoking하는 것이 장기적으로 가장 좋다고 주장했습니다. 이는 기술적인 권리와 법적 해석이 얼마나 복잡하고 다층적인지를 보여주는 사례입니다.

또한, 그는 과학 소설과 같은 장르 작가들이 문학계에서 충분한 존중을 받지 못하는 현상에 대해 이야기하며, 작가가 생계를 유지하는 방식과 대중의 인식 사이의 괴리를 언급했습니다. 이는 기술 커뮤니티 내에서 창작물과 지적 활동이 사회적 인정과 어떻게 연결되는지에 대한 맥락을 제공합니다.

연방 항소 법원이 예측 시장 플랫폼인 칼시(Kalshi)에 대해 주(state) 정부가 도박법을 집행할 수 있다는 판결을 내렸습니다. 이 판결은 칼시가 오직 미국 정부에 의해서만 규제되어야 한다고 주장하는 것과 관련하여 나왔습니다.

미국 연방 항소 법원 제6순회 항소법원 세 판사 패널은 칼시의 스포츠 베팅 계약이 상품선물거래위원회(CFTC)의 배타적 관할권에 속하는 '스왑(swap)'의 법적 정의를 충족하지 않는다고 판단했습니다. 또한, 칼시 계약이 스왑이라고 가정하더라도 연방 법률인 상품거래법(CEA)이 오하이오나 테네시 주가 도박법을 집행하는 것을 금지하지 않는다고 결론지었습니다.

이는 주 정부가 예측 시장에 대한 도박법을 집행할 수 있는 근거가 마련되었음을 의미합니다. 법원은 연방 법률이 주 법률을 선제치(preempt)하지 않는다고 보았기 때문에, 주 정부는 칼시와 같은 예측 시장에 대해 자체적인 도박 규제를 적용할 수 있습니다.

오픈 소스 AI 보안 에이전트를 사용하여 24개의 안드로이드 취약점을 발견하는 방법을 설명하는 내용입니다. 이 연구는 GitHub Security Lab Taskflow Agent AI 프레임워크를 기반으로 한 퍼징 작업 흐름을 활용하여 취약점을 식별하는 방법을 제시합니다.

연구팀은 이 AI 기반 도구를 통해 기존에 발견하기 어려웠던 안드로이드 시스템 내의 보안 취약점들을 효과적으로 찾아냈습니다. 이는 개발자들이 AI와 머신러닝을 활용하여 소프트웨어 보안을 강화하고 취약점을 선제적으로 발견하는 데 기여할 수 있음을 보여줍니다.

특히 OpenClaw와 같은 오픈 소스 프로젝트들이 AI 시대의 보안에 대해 어떤 교훈을 제공하는지 탐구하며, AI 지원 워크플로우, 유지보수자의 전문 지식, GitHub 보안 도구 등을 결합하여 프로젝트 보안을 개선하는 방법을 논의합니다.

결론적으로 이 사례는 AI 기술이 소프트웨어 개발 생명주기 전반에 걸쳐 보안을 통합하고 자동화하는 데 중요한 역할을 할 수 있음을 시사하며, 개발자들이 보안을 내재화하는 데 필요한 새로운 접근 방식을 제시합니다.

MicroLLM 랩은 사용자의 브라우저 내에서 하드웨어 가속을 통해 소형 언어 모델(SLM)을 실행하고 비교할 수 있는 실험 환경을 제공합니다. 이 실험은 서버 비용이나 계정 없이 100% 개인 정보 보호를 보장하며, 온디바이스 AI 환경에서 효율적인 추론을 가능하게 합니다.

이 랩은 특히 소형 언어 모델(25M~360M 파라미터)을 활용하여 에지 컴퓨팅 환경에서 작동하도록 설계되었습니다. 모델 가중치를 4비트 양자화(Q4)하여 메모리 사용량을 75% 절감하며, WebGPU 표준 API를 사용하여 브라우저 내에서 GPU를 통해 연산을 직접 수행함으로써 극도로 낮은 지연 시간과 빠른 응답 속도를 달성합니다.

사용자는 모델을 로드하고 온디바이스에서 채팅을 진행한 후, 객관적인 속도 및 정확도를 측정하는 벤치마크 기능을 통해 모델 성능을 비교할 수 있습니다. 이 벤치마크는 토큰당 초당 속도(tok/s), 정확도, 총 실행 시간을 측정하여 사용자 기기에서 직접 결과를 산출하고 검증 가능한 성능 인증서를 생성해 줍니다.

이러한 접근 방식은 대규모 모델 서비스에 드는 비용과 네트워크 지연 시간을 회피하면서도 실시간 에이전트나 자동 완성 기능과 같은 고속 작업을 브라우저 환경에서 즉각적으로 처리할 수 있게 합니다. 결과적으로 사용자는 클라우드 의존성 없이 개인 기기에서 AI 기능을 실험하고 최적화할 수 있는 환경을 얻게 됩니다.

Hntui는 터미널 환경에서 Hacker News의 주요 피드 6개인 Top, New, Best, Ask, Show, Jobs를 탐색하고 게시물의 댓글을 읽을 수 있는 TUI(Text User Interface) 도구입니다. 이 도구는 터미널 기반 환경에서 Hacker News 콘텐츠를 효율적으로 소비하고자 하는 사용자들을 위해 개발되었습니다.

hntui는 Vim 방식의 키보드 조작과 마우스 입력을 모두 지원하여 터미널 환경에서 직관적이고 빠른 탐색이 가능합니다. 특히 댓글을 읽는 과정에서 하위 트리 구조를 접거나 펼치는 기능과 댓글 내 링크를 탐색할 수 있는 기능을 제공하여 복잡한 게시물 내의 정보 접근성을 크게 향상시킵니다.

사용자는 TUI를 통해 게시물을 탐색하는 것 외에도 게시물을 저장하는 기능도 사용할 수 있습니다. 이는 터미널 환경에서 대량의 정보와 댓글을 체계적으로 관리하고 접근하는 데 유용합니다.

Claude Sonnet 5.5 모델은 명확한 범위의 일상 업무, 버그 수정, 문서, 슬라이드, 스프레드시트 제작과 같은 실용적인 작업에 강점을 두도록 설계되었습니다. 이 모델은 복잡하고 지속적인 판단이 필요한 작업용 모델인 Opus 5.5를 보완하는 역할을 수행합니다.

Sonnet 5.5는 기존 Sonnet 5 모델 대비 출력 생성 속도가 30% 이상 빨라져 효율성을 높였습니다. 주목할 점은 토큰 단가는 동일하게 유지되면서도 같은 작업에 대해 더 빠른 결과를 제공한다는 것입니다.

이러한 개선은 개발자들이 일상적인 작업에서 더 빠르고 비용 효율적인 결과를 얻을 수 있게 함을 의미합니다. 따라서 Sonnet 5.5는 복잡한 추론보다는 명확한 지침에 따른 생산성 향상에 초점을 맞춘 사용자에게 유용합니다.

OpenAI는 현대적인 생성형 AI 챗봇을 대중화했지만, 현재 업계에서 가장 주목받는 분야인 지속적으로 실행되는 소비자 대상 AI 에이전트 경쟁에서는 뒤처지고 있습니다. 이에 따라 다가오는 2026년 DevDay 행사에서 OpenAI가 이 분야의 선두를 차지하기 위해 움직일 것으로 예상됩니다.

소식통에 따르면 OpenAI는 Meta의 Muse, SpaceX의 Grok Bot, OpenClaw 등 다양한 경쟁 제품에 대한 해답으로 자체 AI 에이전트인 Aeon을 출시할 가능성이 높습니다. Aeon이 성공하기 위해서는 여러 에이전트 플랫폼의 최고의 기능을 통합하여 경쟁 우위를 확보해야 합니다.

이상적인 시스템은 오픈 소스인 OpenClaw처럼 유용하면서도 저렴하고 사용하기 쉬워야 합니다. 따라서 경쟁에서 앞서나가기 위해서는 다양한 에이전트 플랫폼의 장점을 결합하는 전략이 필수적입니다.

영화사의 수정판과 부실한 복원 문제로 인해 팬들이 개봉 당시의 영화를 보기 어려워지면서 비공식 보존판 제작 움직임이 나타나고 있습니다. 이러한 팬 보존 작업은 과거 매체와 필름을 모아 보존판을 제작하는 방식으로 이루어지고 있습니다.

팬들은 서로 다른 판본의 영상과 원래 음향을 결합하거나 극장용 필름을 직접 스캔하는 방식을 통해 보존 작업을 진행합니다. 이는 공식적인 출처가 아닌 자료를 활용하여 원본에 가까운 영상을 복원하고 보존하려는 시도입니다.

이러한 비공식 보존 활동은 공식적인 배급 및 복원 과정에서 발생한 문제점을 우회하여 영화의 역사적 기록을 보존하려는 팬들의 노력으로 이해할 수 있습니다. 결과적으로 팬들은 영상과 음향 데이터를 결합하고 스캔하는 기술적 방법을 활용하여 미완성된 영화 자료를 보존하고 있습니다.

미국 교통부(DOT)는 오늘 연료 효율성 기준을 약화하는 계획을 최종 확정했으며, 이는 트럼프 행정부 하에서 이루어진 가장 큰 규제 완화 조치 중 하나로 평가받고 있습니다. 이 조치는 바이든 행정부 시대의 기준을 무력화시키는 결과를 낳으며, 2031년 모델 연도까지 차량 평균 연비가 50.4마일/갤런에 도달하도록 요구했던 기준에 종지부를 찍습니다.

트럼프 행정부의 계획에 따라 요구되는 연비 기준은 34.9마일/갤런으로 설정되었는데, 이는 2024년 모델 연도에 설정되었던 30.1마일/갤런 목표치와 크게 다르지 않은 수준입니다. 이러한 기준 완화는 소비자 옹호 단체, 보건 단체, 환경 단체들의 강한 반발을 사고 있습니다.

트럼프 행정부는 이 계획이 신차 평균 비용을 1,300달러 절감할 수 있다고 주장하고 있지만, 환경 및 소비자 단체들은 이러한 조치가 환경과 건강에 미치는 부정적인 영향을 우려하고 있습니다.

독일 철도(Deutsche Bahn)에 대한 농담이 더 이상 재미있지 않다는 내용이 기사의 핵심입니다. 저자는 핀란드에서 포르투갈까지의 기록 여행 중 독일에서의 지연이 없었음을 경험하며, 철도 시스템의 신뢰성에 대한 의문을 제기합니다.

독일 철도 시스템은 투자 적체로 인해 선로, 신호, 교량 등의 문제로 인해 신뢰성이 매우 낮다는 심각한 문제를 안고 있습니다. 이러한 문제에도 불구하고 철도망이 매우 조밀하고 다양한 경로가 존재하기 때문에, 최종적으로 목적지에 도착하는 것은 가능합니다.

그러나 지연의 영향은 노선별 열차 빈도에 따라 크게 달라집니다. 예를 들어, 프랑스에서 열차 지연이 발생하더라도 열차 운행이 잦은 독일 노선에서는 훨씬 더 큰 영향을 미칩니다. 이러한 불만은 단순히 철도 문제뿐만 아니라 과거 정치적 결정들이 현재 상황에 영향을 미쳤다는 맥락에서 이해해야 합니다.

결론적으로, 독일 철도 시스템의 문제는 복잡한 네트워크와 많은 승객 수 때문에 불만이 많으며, 개인적인 경험과 시스템적 결함 사이의 괴리를 인지할 필요가 있습니다.

엔비디아가 통제 불능의 AI 에이전트를 제어하기 위한 새로운 플랫폼을 공개했습니다. 이는 최근 무분별하게 등장하는 AI 에이전트들이 AGI로 가는 단계인지 아니면 일반적인 공학 문제인지에 대한 논쟁이 진행되는 가운데 나온 자체적인 해결책입니다.

젠슨 황 엔비디아 CEO는 월요일에 AI 에이전트 주위에 독립적인 보안 계층을 추가하는 소프트웨어 및 하드웨어 제품 모음을 소개했습니다. 이 새로운 도구는 AI 에이전트의 안전성을 강화하여 잠재적인 위험을 관리하는 데 중점을 둡니다.

이러한 플랫폼은 AI 에이전트의 보안 문제를 공학적 관점에서 접근하여 해결하려는 시도입니다. 개발자들은 이 도구를 통해 AI 시스템에 보다 강력하고 독립적인 보안 메커니즘을 통합할 수 있게 됩니다.

결론적으로 엔비디아는 무분별한 AI 에이전트의 확산을 관리하기 위해 실질적인 보안 솔루션을 제공함으로써 현재의 논쟁에 직접적으로 응답하고 있습니다.

지난 3월, 비영리 단체인 비비안스 도어(Vivian's Door)의 재니스 말론(Janice Malone)이 의심스러운 활동에 대한 전화를 받기 시작했습니다. 비비안스 도어는 앨라배마에 본사를 두고 소외 계층 및 소수 민족 소유 기업에 교육, 자원, 커뮤니티를 제공하는 곳입니다. 이 단체는 때때로 이러한 기업들의 시스템에 저장된 금융 데이터와 접촉하게 되었습니다.

이후 걱정하는 전 세계의 통화자들은 자신이 보낸 적 없는 돈을 요구하는 이메일을 받고 있다고 경고했습니다. 이 사건은 비비안스 도어 시스템의 보안에 심각한 문제가 발생했음을 시사합니다.

이에 조직의 제3자 IT 팀은 문제를 조사하고 취약점을 막기 위해 시스템을 3일 동안 오프라인으로 전환했습니다. 이는 AI가 해킹을 가속화하는 상황에서 비영리 단체와 같은 조직이 민감한 데이터를 다룰 때 시스템 보안이 얼마나 취약할 수 있는지 보여주는 사례입니다.

GrapheneOS를 사용하는 사용자 중 일부는 특정 애플리케이션에서 성능 저하를 경험할 수 있습니다. 예를 들어, Pixel 8에서 OpenstreetMap for Android(Osmand)와 같은 지도 앱이 다른 안드로이드 기기에 비해 눈에 띄게 느리게 작동하는 문제가 보고되었습니다. 이러한 성능 문제는 GrapheneOS의 강화된 메모리 할당자(hardened memory allocator) 때문에 발생하며, 지도 스크롤 시 데이터의 지속적인 로딩 및 폐기 과정에서 상당한 오버헤드가 발생하기 때문입니다.

이러한 성능 문제를 해결하기 위해서는 해당 앱에 대해서만 메모리 강화 기능을 비활성화할 수 있습니다. 사용자는 앱 아이콘을 길게 눌러 정보 메뉴에서 'Exploit protection' 항목을 찾아 'hardened memory allocator'만 비활성화하면 됩니다. 이 설정을 변경한 후 Osmand를 재시작하면 이전보다 훨씬 빠른 속도로 작동하게 됩니다.

다만, 메모리 강화 기능을 비활성화하는 것은 보안상의 단점을 수반합니다. 하지만 Osmand가 인터넷에서 데이터를 로드하지 않고 가끔 지도 업데이트만 수행하기 때문에, 사용자 입장에서는 보안과 속도의 균형이 적절하다고 판단됩니다. 따라서 사용자는 성능 향상을 위해 이 설정을 조정할 수 있습니다.

구글이 크롬OS를 점진적으로 종료하고 구글북(Googlebooks)으로의 전환을 계획하고 있다는 내용이 확인되었습니다. 구글은 2034년까지 크롬OS 지원을 계속할 계획이며, 새로운 지원 페이지를 통해 구글북 OS가 크롬 엔터프라이즈 및 교육 고객에게 어떤 역할을 할지 설명하고 있습니다.

구글북 OS는 구글이 공식적으로 밝히지는 않았지만 안드로이드 기반이며, 더 깊은 시스템 기능과 AI를 제공하는 향상된 경험을 제공할 예정입니다. 구글북은 크롬북과 마찬가지로 10년간의 소프트웨어 지원을 보장받게 됩니다.

이러한 변화는 기존 크롬북 모델이 전통적인 방식으로 지원을 받지 못하게 되면서 발생하며, 구글북으로의 전환이 예정되어 있습니다. 구글은 크롬OS 지원을 2034년 중반까지 지속할 계획이므로, 일부 장치는 그 이후에도 지원 기간을 갖게 됩니다.

구글의 앱 리뷰 시스템은 개발자들에게 심각한 좌절감을 안겨주고 있습니다. 저자는 구글이 앱 개발자들에게 전권을 장악하면서 리뷰 과정을 조작하고 있으며, 이는 개발자 경험을 심각하게 훼손한다고 주장합니다.

저자는 구글 플레이 스토어의 까다로운 심사 과정에 대해 불만을 표하며, 앱이 거부되었을 때 그 이유가 명확하게 설명되지 않는 점을 지적합니다. 특히, 앱 심사 과정에서 부적절한 스크린샷이 포함되거나 자동 번역 과정에서 문제가 발생할 수 있다는 의혹을 제기하며, 구글이 개발자들에게 부적절한 콘텐츠를 강요하고 있다고 비판합니다.

이러한 경험은 저자가 구글에서 벗어나 컴파일 기반의 안드로이드 OS를 사용하며 자체 앱을 개발하고 공유하는 '디구글링' 여정을 시작하게 된 계기가 되었습니다. 저자는 구글이 무료 앱을 밀어주지 않으며, 앱을 게이트키핑하려는 독점적 권한을 행사하기 위해 심사 과정을 개선해야 한다고 촉구합니다.

결론적으로, 저자는 구글에 의존하는 것은 좋지 않은 선택이며, 개발자들은 플레이 스토어 외부 플랫폼을 통해 자신들의 도구와 게임을 공유하고 구축해야 한다고 강조합니다.

Anthropic이 Claude Sonnet 5.5 버전을 발표했습니다. 이 업데이트는 Claude 모델의 성능과 기능에 변화를 가져왔으며, 개발자와 사용자들에게 중요한 정보를 제공합니다.

Sonnet 5.5는 이전 버전에 비해 향상된 추론 능력과 코딩 작업에서의 정확성이 개선되었다는 점이 주요 내용입니다. 이는 특히 복잡한 문제 해결이나 긴 컨텍스트를 처리하는 작업에서 모델의 효율성이 높아졌음을 의미합니다.

새로운 버전은 기존 Sonnet 모델의 장점을 유지하면서도 안전성과 성능을 더욱 강화하는 데 중점을 두었습니다. 개발자들은 이 업데이트를 통해 Claude 모델을 활용한 애플리케이션의 성능을 개선하고 새로운 AI 기능을 통합할 수 있습니다.

구체적인 기술 사양과 변경 사항에 대한 상세 내용은 공식 발표 자료를 통해 확인해야 하며, 이를 통해 Sonnet 5.5가 개발 환경에 미치는 영향을 정확히 파악할 수 있습니다.

Anthropic이 중간 등급 모델인 Sonnet의 최신 버전인 Sonnet 5.5를 출시하며 비용 효율성과 속도를 크게 개선했다고 발표했습니다. 이 모델은 이전 버전에 비해 30% 더 빠르며 토큰 소모율이 현저히 낮아 일상적인 작업이나 코딩, 문서 생성과 같은 작업에 이상적인 보조 도구로 설계되었습니다.

Sonnet 5.5는 단순히 속도만 향상시킨 것이 아니라 에이전트 코딩과 같은 복잡한 작업에서 효율성을 높였습니다. 특히 여러 에이전트를 비용 제한 내에서 생성하는 능력이 Opus 5.5보다 우수하며, Opus와 동일한 수준의 사이버 보안 보호 장치를 적용받는 첫 번째 Sonnet 모델이 되었다는 점이 주목됩니다.

이는 Anthropic이 모델의 성능과 안전성을 동시에 확보하면서도 비용을 절감하는 데 중점을 두었음을 보여줍니다. 또한 회사는 가장 작은 모델인 Haiku의 새로운 버전을 곧 출시할 계획이며, 이는 개발자들이 다양한 규모의 모델을 선택할 수 있는 환경을 제공할 것입니다.

다중 시점 이미지로부터 사실적이고 편집 가능한 동물 털을 재구성하는 것은 미세한 디테일, 자기 가림 현상, 모호성 등의 문제와 더불어 동물 털 데이터셋의 부족으로 인해 어려운 과제입니다. 동물 털은 종 간 및 종 내 변동성이 크며 신체 대부분을 덮기 때문에 복잡한 재구성 작업이 요구됩니다.

이에 본 논문은 FurE라는 효율적인 가닥 기반 동물 털 재구성 방법을 제시합니다. FurE는 뿌리 조건화된 잠재장(latent field)을 최적화하여 개별 가닥별로 편집 가능한 그루밍을 복원하며, PCA 기반 디코더를 통해 가닥 기하학으로 변환합니다. 또한 표면 제약 조건이 있는 가우시안 프로스팅 표현에서 얻은 국소적인 털 두께 단서와 부분 기반 사전 정보를 사용하여 털이 없는 동물의 몸체를 재구성합니다.

연구진은 인간의 머리카락 가닥 데이터로 학습된 PCA 기반 디코더가 동물 데이터 부족 문제를 완화하고 최적화를 훨씬 빠르게 할 수 있음을 보였습니다. FurE는 현재 최고 성능의 밀집된 가닥별 최적화 방식에 비해 가닥 훈련 속도를 10배 향상시키면서도 가닥 충실도를 유지하고 합성 및 실제 시퀀스 전반에 걸쳐 일반화할 수 있습니다. 이는 훈련 시간 단축에도 불구하고 정량적 및 정성적 검증을 통해 품질을 보장한다는 점에서 중요한 진전을 의미합니다.

배포된 언어 모델은 종종 여러 컴퓨팅 예산을 처리해야 하는데, 각 예산별로 서비스를 제공하려면 별도의 훈련 또는 압축 실행이 필요합니다. 이 문제를 해결하기 위해 연구진은 계층적 용량(nested-capacity)을 가진 트랜스포머인 텔레스코픽 언어 모델(TLM)을 제안했습니다. TLM은 확률적 접두사 감독과 전체 앵커를 사용하여 훈련되며, 각 단계에서 무작위로 잘린 용량 축의 접두사와 전체 용량 통과를 동시에 훈련하여 모든 깊이에서 유효한 언어 모델을 만듭니다.

이 방식은 고정된 출력 집합을 사용하는 Matryoshka Language Model Suites(MLMS)와 비교했을 때 상당한 효율성을 제공합니다. 200M 프록시 스위트에서 단일 TLM 실행은 고정 출력 방식보다 품질-예산 곡선 아래 면적을 43~44% 감소시키면서도 전체 용량에서 일치시키고, 실행당 GPU 비용을 약 12% 절감합니다.

이러한 결과는 접두사 샘플링 밀도를 조절하여 몇몇 깊이에 집중함으로써 고정 출력 품질을 얻을 수 있으며, 운영 지점이 모델의 구조적 선택이 아닌 훈련 시점의 선택이 되도록 만듭니다. 이는 모델의 탄력성이 중첩 자체보다는 훈련 목표에 의해 결정됨을 시사합니다.