읽을 가치가 있는 기사만, 짧고 또렷하게.

미국 항소 법원은 앤트로픽(Anthropic)에 대한 국방부의 공급망 위험 지정 결정을 유지했습니다. 이는 인공지능 회사인 앤트로픽이 트럼프 행정부를 상대로 제기한 소송에서 나온 판결로, 앤트로픽이 소송을 통해 취소하고자 했던 조치가 확정되었다는 의미입니다.

국방부는 앤트로픽의 클로드(Claude) 모델 통합이 국가 안보 위험을 초래할 수 있다고 판단하여 3월에 이들을 공급망 위험으로 지정했습니다. 이 지정은 미군이 앤트로픽 모델을 사용하지 못하게 하고 방위 계약업체가 해당 모델을 사용하지 못하도록 막는 조치입니다.

이 결정은 국방부가 앤트로픽의 모델 사용을 제한하려는 시도에 대한 법적 승인으로, 앤트로픽 측은 이 결정에 대해 동의하지 않았으며 추가 검토를 고려하고 있다고 밝혔습니다. 국방부는 앤트로픽이 국가 안보 기능을 수행하는 것을 방해할 수 있다고 우려했기 때문에 이러한 조치를 취했습니다.

사건은 국방부가 두 가지 별개의 지정에 의존하여 조치를 정당화했기 때문에 두 개의 법원에서 다뤄졌으며, 한 연방 법원은 한 지정이 불법이라고 판결했으나, 워싱턴 D.C. 항소 법원은 두 번째 지정을 최종적으로 유지했습니다.

테슬라는 10년간의 지연과 개선 끝에 최초의 전기식 세미 트럭을 고객에게 인도하기 시작했습니다. 이 차량은 500마일 이상의 주행 거리를 제공하며, 보조금 적용 전 가격은 약 30만 달러에 달합니다. 테슬라는 이 트럭을 통해 운송 부문의 배출량을 줄이고 총 소유 비용을 낮추는 것을 목표로 하며, 연간 5만 대를 생산할 계획입니다.

이러한 출시 과정에서 테슬라는 차량의 효율성과 내구성을 높이기 위해 여러 기술적 변경을 단행했습니다. 예를 들어, 차량 무게를 약 1,000파운드 줄였으며, 구동축의 오일 시스템을 세 가지에서 하나로 단순화했습니다. 또한, 기존의 팝아웃식 창문 문제를 해결하기 위해 표준 롤다운 창문으로 디자인을 변경했습니다.

이러한 변화는 테슬라의 비전 변화와도 연결됩니다. 일론 머스크 CEO는 현재 테슬라를 로보틱스 및 AI 회사로 포지셔닝하며 미션을 수정했는데, 이는 과거 지속 가능한 에너지로의 전환을 가속화하겠다는 초기 목표에서 벗어난 것입니다. 테슬라는 전기차 전환이라는 본래의 목표를 계속 추구하면서도, 트럭 운송의 탄소 배출량 감축이라는 핵심 임무를 달성하고자 합니다.

중국이 전기차 충전 속도에서 미국을 뒤처지게 하면서 기술 경쟁이 심화되고 있습니다. 중국 자동차 제조사들이 충전 속도 경쟁을 벌이는 가운데, 중국은 5분 미만으로 70%까지 충전하는 기술을 발전시키고 있습니다.

최근 발표된 정보에 따르면, 새로운 LFP 배터리는 65도에서 4.5분 만에 10%에서 70%까지 충전할 수 있습니다. 이러한 기술 발전은 전기차 충전 속도에 대한 인식을 변화시키고 있습니다.

미국과 유럽의 운전자들은 내연기관차에 비해 전기차 충전 시간이 더 길다는 점을 인지하고 있으며, 이는 충전 속도 개선이 여전히 중요한 과제로 남아있음을 시사합니다. 중국의 OEM들은 충전 속도 경쟁을 통해 시장에서 우위를 점하려 하고 있습니다.

거대 언어 모델(LLM)이 로그 이상 탐지에서 보여주는 성능은 유망하지만, 모델의 적응 전략, 아키텍처, 배포 구성이 탐지 효과에 미치는 영향은 아직 충분히 이해되지 않았습니다. 연구진은 이러한 요인들을 체계적으로 조사하기 위해 세 가지 공개 로그 데이터셋에 걸쳐 다양한 적응 전략, 모델 아키텍처, 파라미터 규모, 양자화 설정을 검토하는 실증 분석을 수행했습니다.

분석 결과에 따르면 적응 전략에 따라 성능에 상당한 차이가 나타났으며, 모델 규모는 데이터셋별로 다양한 탐지 이득을 산출했습니다. 또한, 동일한 탐지 정확도를 가진 모델들조차도 계산 비용에서 현저한 차이를 보였는데, 이는 성능 외에 효율성 측면에서 중요한 고려 사항임을 시사합니다.

흥미롭게도 낮은 비트 양자화는 평가된 구성에서 탐지 성능을 크게 보존하는 것으로 나타났습니다. 마지막으로 연구는 구조적, 의미적, 레이블 노이즈 하에서 탐지 강건성을 검토했으며, 이는 다양한 교란 수준에 따른 모델의 안정성을 평가하는 데 기여합니다.

이러한 발견들은 LLM 기반 로그 이상 탐지의 성능, 효율성, 강건성에 대한 실증적인 통찰을 제공하며, 단순히 정확도 중심의 평가를 넘어 실제 적용 시 고려해야 할 실질적인 사항들을 강조합니다.

트리 어드저잉 문법(TAG)을 베이지안 설정 내에서 활용하여 비선형 시스템 식별(NLSI)을 수행하는 새로운 프레임워크가 제안되었습니다. 기존의 TAG 기반 식별 방법들이 진화 최적화에 의존하여 모델 구조의 점 추정치만을 제공했던 것과 달리, 이 연구는 트리 구조와 매개변수에 대한 생성적 사전 분포를 정의하고 구조 보존적인 트리 이동을 사용하는 리버서블 점프 MCMC 샘플러를 통해 모델 구조, 매개변수, 예측에 대한 결합 사후 분포를 추론합니다.

이 접근 방식은 한 단계 앞선 목적 함수와 대칭 매개변수 제안을 이용한 방법, 그리고 가능도 비의존적 추론을 통해 처리되는 시뮬레이션 기반 목적 함수라는 두 가지 훈련 목표를 고려합니다. 이러한 방법은 동역학 시스템에 대한 방정식 발견에서 불확실성을 정량화하고 물리 정보 기반 모델을 적합하는 데 매우 적합함을 입증합니다.

연구 결과는 시뮬레이션된 다항식 NARX 시스템, 실버박스 벤치마크, 그리고 크라이스트처치 베이 타워의 파도 부하 데이터를 통해 검증되었습니다. 특히 모리슨 방정식을 고정된 초기 트리로 내재화했을 때, 물리학 기반 기준 모델보다 우수한 성능을 보이는 그레이박스 모델을 얻을 수 있었습니다.

결론적으로 베이지안 TAG는 동역학 시스템의 방정식 발견에서 불확실성을 정량화하고 물리 정보 기반 모델을 적합하는 데 효과적인 도구로 활용될 수 있습니다.

사이트 성능 개선을 위해 더 많은 CSS를 전송하는 방법에 대한 내용입니다. 이 글은 웹사이트 성능을 최적화하는 데 있어 CSS 전송 전략이 어떻게 중요한지 다루고 있습니다.

CSS를 더 많이 전송하는 것이 사이트 성능을 개선하는 데 어떻게 기여하는지 구체적인 방법을 제시합니다. 이는 웹 페이지 로딩 속도를 줄이고 사용자 경험을 향상시키는 데 필수적입니다.

개발자는 CSS를 효율적으로 관리하고 전송함으로써 전체 애플리케이션의 성능을 높일 수 있습니다. 이 최적화 기법을 적용하여 더 빠르고 반응성이 좋은 웹 환경을 구축할 수 있습니다.

리커시브 인텔리전스(Ricursive Intelligence)의 공동 창업자인 안나 골디(Anna Goldie)와 아잘리아 미르호세이니(Azalia Mirhoseini)가 테크크런치 디스럽트 2026에서 AI와 칩 개발 간의 연결 고리를 논의할 예정입니다. 이들은 인공지능이 자체적으로 하드웨어를 설계하기 시작하는 시점에 대해 심도 있는 논의를 진행할 계획입니다.

이번 발표는 AI 기술 발전과 하드웨어 설계 간의 상호작용이라는 핵심 주제를 다루고 있어 AI 및 칩 개발에 관심 있는 개발자들에게 중요한 통찰을 제공할 것입니다. AI가 하드웨어 설계에 미치는 영향과 그 미래에 대한 논의는 향후 컴퓨팅 아키텍처의 방향성을 이해하는 데 필수적입니다.

참석자들은 AI와 칩 개발 사이의 순환 고리를 어떻게 닫을 수 있는지에 대해 구체적인 논의를 펼칠 것입니다. 이는 AI 시스템의 효율성과 성능을 극대화하기 위한 새로운 하드웨어 패러다임을 이해하는 데 도움이 될 것입니다.

스냅이 주(State) 행위자가 되기를 원하는 법적 분쟁이 진행 중이며, 이는 콘텐츠 중재 결정에 대한 책임과 관련된 중대한 법적 위험을 제기합니다. 캔자스 주 법무장관이 스냅을 상대로 "기만적이고 부당한 관행"을 이유로 소송을 제기했으며, 스냅은 이 소송을 연방 법원으로 이관하면서 연방 기관(DHS, FDA)의 지시에 따라 행동했다고 주장했습니다.

스냅은 연방 기관의 지시에 따라 활동했다고 주장하며 연방 법원에 소송을 유지하려 했으나, 이는 콘텐츠 중재 결정이 정부의 지침에 따라 이루어졌다는 주장을 뒷받침하는 근거를 피해자들에게 제공하고 있습니다. 이러한 상황은 스냅이 콘텐츠 중재 결정을 내릴 때 발생하는 모든 결정이 소송의 대상이 될 수 있다는 점에서 플랫폼에게 실존적인 위험을 안겨줍니다.

스냅이 정부 기관의 지침을 따랐다는 주장을 강화하기 위해 DHS 및 FDA와 관련된 구체적인 프로젝트들, 예를 들어 온라인 안전 캠페인이나 광고 배치 지침 등이 증거로 제시되었습니다. 이러한 세부 사항들은 스냅이 정부의 대리인으로서 사용자들을 "검열"했다는 주장을 뒷받침하며, 이는 장기적으로 비용이 많이 들고 위험한 법적 얽힘을 초래할 수 있습니다.

분포적으로 견고한 최적화(DRO)는 분포 변화 하에서 학습을 위한 원칙적인 틀을 제공하지만, 비볼록 손실 함수에 대한 최악의 위험을 평가하는 어려움 때문에 실제 적용에 제약이 따릅니다. 본 연구는 적대자가 임의의 분포를 선택할 수 있지만 경험 분포로부터 벗어날 경우 Wasserstein 페널티를 부과하는 패널티가 포함된 DRO 포뮬레이션을 연구합니다.

연구진은 적대자의 문제를 경험 샘플을 적대적인 분포로 밀어내는 수송 맵(transport maps)에 대한 최적화 문제로 재구성하고, 최적 맵이 순환 단조(cyclically monotone)함을 증명했습니다. 또한, 개별 샘플에 기반한 지역 최적화에 의존하는 표준 적대적 훈련은 순환 단조성을 위반하고 수송 비용을 낭비할 수 있음을 보여줍니다.

이를 해결하기 위해 두 가지 방법을 제안합니다. 첫째는 샘플 전반에 걸쳐 순환 단조성을 강제하기 위해 병렬 기울기 상승과 재할당을 교대로 수행하는 다중 시작 입자 상승법을 도입하는 것입니다. 둘째는 적대적 맵을 입력 볼록 신경망의 기울기로 매개변수화하여 구성적으로 순환 단조성을 보장하는 것입니다.

이러한 방법들을 견고 회귀, 이미지 분류, 견고 제어 실험에 적용한 결과, 제안된 방법들은 표준 적대적 훈련 및 최신 기준선보다 일관되게 우수한 성능을 보였습니다. 이는 분포 변화 하에서 향상된 견고성과 더 나은 일반화를 달성했음을 의미합니다.

LLM 추론 과정은 일반적으로 입력의 난이도와 관계없이 모든 레이어를 고정된 순서로 통과하는 고정 깊이의 순방향 패스로 진행됩니다. 하지만 인간의 뇌는 요구에 따라 정보를 유연하게 분배하며 작동하는데, Li 등(2026)은 레이어를 고정된 순서가 아닌 함수 라이브러리로 취급하는 시스템인 프로그램-오브-레이어(PoLar)를 제시했습니다. 이 시스템은 트랜스포머가 이러한 유연성을 가질 수 있음을 보여주며, 각 입력이 건너뛰거나 반복된 레이어 블록의 적응적 시퀀스를 통해 동적으로 라우팅될 때 성능이 향상됨을 확인했습니다.

연구진은 PoLar의 진단적 MCTS를 재구성하고 5개 모델에 적용하여 여러 결과를 재현했습니다. 실험 결과, 표준 패스보다 건너뛰기가 성능을 개선했고, 반복이 건너뛰기보다 우수했으며, 이 둘을 결합하는 것이 가장 좋은 성능을 보였습니다. 또한, 더 짧은 프로그램이 대부분의 질문을 해결하는 데 충분했지만, 더 어려운 질문에는 레이어 반복이 필요했습니다.

더 깊은 분석을 통해 프로그램의 구조와 견고성에 대해서도 밝혀냈습니다. 예를 들어, 오류를 수정하는 프로그램은 매우 취약하여 프로그램 내부의 단일 편집을 취소하는 것만으로도 수정이 깨지는 것으로 나타났습니다. 이는 뇌의 경로 메커니즘이 피질 영역 간의 시상-피질 조정 원리를 반영함을 시사합니다. 이 연구는 트랜스포머 레이어가 피질 영역과 같은 역할을 하며 시상-피질 조정 원리를 따른다는 점을 보여줍니다.

연구진은 이 PoLar 코드를 공개했으며, 이는 https://datexis.github.io/RE-PoLar/에서 확인할 수 있습니다. 이 결과는 LLM 추론의 효율성과 구조적 견고성을 개선하는 새로운 접근 방식을 제공합니다.

AI 에이전트가 외부 자원과 도구를 발견하고 사용하는 공통 인터페이스인 모델 컨텍스트 프로토콜(MCP)을 의료 환경에 적용하는 새로운 게이트웨이가 제시되었습니다. 이 연구는 의료 환경에서 장치 상태와 행동 가능성을 노출할 때 가능한 효과에 대한 결정론적 제약 조건을 요구하며, 이를 위해 IEEE 11073 서비스 지향 장치 연결성(SDC)을 MCP로 연결하는 게이트웨이를 제안합니다.

제안된 게이트웨이는 메트릭, 경보, 컨텍스트 참조, 의미론적 메타데이터를 읽기 전용 자원으로 노출하는 동시에, 선택된 행동 가능성은 정책이 검증된 드라이 런 도구로 표현합니다. 특히 안전 경계(safety-bounded) 개념은 에이전트 요청이 SDC 장치 작동을 전혀 실행하지 않도록 하는 실행 불가능 속성을 의미하며, 이는 에이전트의 안전성을 보장하는 핵심 메커니즘입니다.

이 프로토타입은 Java와 Python 구현을 포괄하는 소프트웨어 참조 프로토콜 경로를 지원하며, 시뮬레이션된 고장 및 수명 주기 실험, 결정론적 기준선, 표현 절제 등을 통해 검증되었습니다. 실험 결과, 자원의 의미론적 명시성, 유효하지 않거나 오래된 상태에 대한 가시적 거부, 그리고 자원, 제안, 권한 경로 전반에 걸친 실행 불가능 경계의 보존이 입증되었습니다.

또한, 명시적인 의미론적 메타데이터는 구조화된 경보 출력에서 요구되는 측정 식별자에 대한 준수를 개선했으며, 구조화된 출력 실패는 그럴듯한 서술적 답변과 작업 준수형 기계 판독형 결과 사이의 구분을 명확히 보여줍니다.

비전-언어 모델(VLM)은 놀라운 제로샷 일반화 능력을 보이지만, 종종 의료 AI의 이상적인 교과서 다이어그램이나 자율 주행의 만화 차량과 같은 원치 않거나 위험한 스타일 도메인을 인코딩합니다. 이러한 문제를 해결하기 위해 일부 연구에서는 근사적 도메인 언러닝(ADU)을 제안했지만, 기존 방법들은 도메인 자체를 지우기보다는 언러닝 훈련 단계에서 본 객체 클래스에만 의존하여 학습을 수행하는 근본적인 한계를 가지고 있습니다. 이로 인해 도메인이 보이지 않는 클래스에 대해서도 쉽게 인식될 수 있으며, 제거되었다는 잘못된 인상을 줄 수 있습니다.

진정한 도메인 소거는 클래스에 구애받지 않아야 한다는 주장을 바탕으로, 연구진은 도메인 망각이 홀드아웃 클래스로 반드시 전이되어야 하는 엄격한 프로토콜인 오픈 보캐뷸러리 도메인 언러닝(OVDU)을 정식화했습니다. 이 OVDU 문제를 해결하기 위해 연구진은 도메인 민감 가중치를 분리하고 근본적인 제로샷 일반화를 보호하는 수술적 파라미터 편집 프레임워크를 제안했습니다.

이 프레임워크는 도메인 민감 가중치를 분리하는 피셔 정보 마스크와 선호 기반 마이닝을 사용하여 망각 도메인의 스타일 기하학을 국소적으로 분산시키는 표적 다양체 산란(Targeted Manifold Scattering, TMS) 목표를 사용합니다. PACS, OfficeHome, DomainNet 등 여러 데이터셋에서 평가한 결과, 이 방법은 기존 기준보다 개방형 어휘 일반화를 크게 개선했습니다. 특히 TMS는 단 4개의 샘플만으로도 최대 8샷 기준선 결과를 능가하는 뛰어난 샘플 효율성을 제공합니다.

최신 대규모 언어 모델(LLM) 채팅 시스템은 대화 기록을 모델의 작동 맥락을 정의하는 불변의 순서로 취급합니다. 그러나 실제 상호작용에서 사용자의 의도는 수정, 정제, 제약 조건 변경을 통해 진화하기 때문에, 정적인 대화 기록과 동적인 의도 사이의 불일치가 발생하여 오래되거나 관련 없는 정보가 지속되어 후속 응답에 영향을 미치는 맥락 오염이 발생할 수 있습니다.

이 문제를 해결하기 위해 본 연구는 '가변적 전사(mutable transcripts)'라는 새로운 상호작용 패러다임을 제안합니다. 이는 사용자가 자연어 편집 요청을 통해 이전 턴을 수정할 수 있게 하여 대화 기록 자체를 추가하는 대신 업데이트할 수 있도록 합니다. 이를 통해 전사는 수동적인 기록이 아닌 대화 상태의 편집 가능한 표현으로 재정의됩니다.

연구팀은 이러한 가변적 전사를 표준 채팅 인터페이스에 통합한 작동 프로토타입을 제시하고 사용자 연구(n=17)를 통해 실현 가능성을 평가했습니다. 사용자 연구 결과, 가변적 전사는 명확성, 자신감, 사용 편의성 측면에서 표준 채팅보다 선호되었으며, 대화를 다시 시작하려는 의도가 감소했습니다. 또한, 대표적인 사용자 연구 대화 분석 결과, 가변적 전사는 대화 길이를 줄이고 쓸모없는 보존된 맥락을 제거할 수 있음을 보여줍니다.

이러한 발견은 사용자가 대화 기록을 주도적으로 수정함으로써 상호작용 품질을 개선하고 사용자 의도의 보다 최신 표현을 유지하는 데 도움이 될 수 있다는 초기 증거를 제공합니다. 해당 소스 코드와 프로토타입은 https://github.com/QxLabIreland/ReChat에서 접근할 수 있습니다.

시계열 데이터는 세부적인 변화, 중간 범위의 모티프, 그리고 전체적인 속성 등 여러 규모의 구조를 동시에 가지고 있습니다. 그러나 기존의 자기 지도 학습 접근 방식은 이러한 구조적 계층을 명시적으로 활용하지 않고 인스턴스 수준의 대조 손실과 제한된 시간적 이웃 감독을 통해 표현을 전역적으로만 지도합니다.

이에 본 연구는 세 가지 규모에 걸쳐 구조적 계층을 독립적으로 강제하는 학습 프레임워크를 제안합니다. 이는 토큰 연속성을 위한 국소 목표, 윈도우 수준 모티프를 위한 중간 범위 목표, 그리고 시퀀스 수준 합의를 위한 전역 목표로 구성됩니다. 이러한 프레임워크를 실현하기 위해 트랜스포머 백본이 각 규모별 표현을 노출하도록 요구하며, 이를 위해 본 논문은 쓰기 가능한 윈도우 정렬 메모리를 추가하여 중간 범위 규모를 기존 트랜스포머 표현과 함께 노출하는 프로그레시브 메모리 트랜스포머(Progressive Memory Transformer, PMT)를 소개합니다.

PMT는 세 가지 규모에서 표현을 학습하여 다양한 벤치마크에서 우수한 성능을 보였습니다. PMT는 7가지 분류 벤치마크, 큐 유지 탐지, 예측 벤치마크 전반에 걸쳐 전역, 중간 범위, 국소 규모에서 잘 탐지되는 표현을 학습했습니다. 그 결과, PMT는 낮은 레이블 분류(1~5% 레이블)에서 강력한 성능을 보였으며, 여러 시간 지평에 걸친 경쟁력 있는 예측 성능을 달성했고, 메모리 상태가 중간 범위 모티프를 포착한다는 정량적 및 정성적 증거를 제시했습니다.

DHH는 Rails World 2026 기조연설에서 AI 중심 개발의 중요성을 강조하며, 대표 제품인 HEY를 네이티브 앱과 Rust 서버로 재작성할 계획임을 밝혔습니다. 이는 Rails 생태계가 AI 시대에 맞춰 기술 스택과 아키텍처를 근본적으로 변화시키고 있음을 시사합니다.

창시자 자신이 Rails 개발에서 벗어나고 있지만, 여전히 Rails를 사용하는 개발자들에게는 이러한 변화가 어떤 의미를 가지는지 주목할 필요가 있습니다. DHH가 제시한 방향성은 Rails가 단순한 웹 프레임워크를 넘어, 최신 기술 트렌드를 수용하며 더 효율적이고 성능 중심적인 개발 환경으로 진화하고 있음을 보여줍니다.

특히 HEY를 Rust 서버와 네이티브 앱으로 재작성하는 작업은 Rails 애플리케이션의 성능과 확장성을 극대화하는 데 중점을 둡니다. 이는 Rails 커뮤니티가 기존의 개발 방식을 유지하면서도 고성능 컴퓨팅 환경에 적합한 새로운 아키텍처를 탐색하고 있음을 의미합니다.

결론적으로 Rails는 AI 중심 개발 트렌드에 발맞춰 기술적 혁신을 통해 지속적으로 진화하고 있으며, 기존 사용자는 이러한 변화를 통해 더 발전된 개발 경험을 얻을 수 있게 될 것입니다.

대규모 비디오 확산 모델은 체화 예측 및 학습에 대한 표현력 있는 사전 지식을 제공하지만, 상호작용적인 다운스트림 사용을 위해서는 다단계 샘플링이 비용이 많이 듭니다. 분포 매칭 증류(DMD)는 소수의 단계로 비디오를 생성할 수 있게 하지만, 시각적 품질을 유지하면서 로봇-물체 움직임을 억제하는 문제가 있습니다. 기존 DMD 연구에서 약한 재노이징은 움직임이 부족한 롤아웃 근처에 교사(teacher) 사후 확률을 집중시켜 움직임 복원 가이드를 제한하며, 반면 강한 움직임 롤아웃은 더 큰 가짜 점 적합 오류를 유발하여 상호작용 역학 학습을 방해하는 것으로 나타났습니다.

이에 연구진은 교사 감독과 비평가 적합을 모두 진화하는 학생에게 적응시키는 DMD 프레임워크인 DyMD를 제안했습니다. DyMD는 시간적 친화도 조건부 재노이징 샘플링을 통해 각 롤아웃의 현재 상호작용 충실도에 따라 시간 단계 분포를 조정하여 움직임 복원과 외관 정제를 균형 있게 맞춥니다. 또한, 더 강한 움직임 롤아웃을 더 잘 추적하기 위해 동역학 기반 가짜 점 추적을 사용하여 잠재적 시간 역학으로부터 노이즈 상대 적합 난이도를 추정하고 이를 비평가 손실에 반영합니다.

DyMD를 사용하면 140억 개의 교사를 추론 시 보조 모듈 없이 4단계의 13억 개 학생 모델로 증류할 수 있습니다. 체화 비디오 벤치마크에서 이 학생 모델은 기본 DMD보다 R-Bench 작업 준수율을 9.6% 포인트, PAI-Bench-G 도메인 점수를 5.1% 포인트 향상시키면서 시각적 품질을 유지했습니다. 나아가, 이 학생 모델은 다운스트림 행동 계획의 기반으로 사용될 때 두 개의 WorldArena 작업에서 평균 34%의 성공률을 달성하여 기본 DMD의 16%보다 높은 결과를 보였습니다.

1957년작 영화 ‘What’s Opera, Doc?’의 독특한 시각적 스타일은 색채와 레이아웃을 담당한 모리스 노블(Maurice Noble)의 설계에서 비롯되었습니다. 노블은 거대한 배경, 그림자, 비현실적인 색채를 사용하여 오페라 풍자를 구현했습니다.

그는 배경 디자인이 단순한 장식이 아니라 서사를 전달하는 수단이라고 보았습니다. 즉, 장식적인 요소보다는 감정을 표현하는 데 중점을 두었습니다.

이러한 접근 방식은 시각적 요소들이 어떻게 감정과 서사를 구축하는지에 대한 중요한 디자인 원칙을 제시합니다. 이는 단순히 미적인 측면을 넘어, 배경과 색채, 그림자가 이야기의 분위기와 감정을 전달하는 데 핵심적인 역할을 한다는 점을 보여줍니다.

테슬라는 현재 주당 수백 대의 옵티머스 휴머노이드 로봇을 생산하고 있지만, 이 로봇들이 일반화된 작업을 수행하지 못하는 근본적인 문제에 직면해 있습니다. 보고서에 따르면, 로봇의 손은 취약하며 조립 라인의 부품 정렬이 불안정하고 공급업체들이 대량 생산 시 품질을 일관되게 유지하는 데 어려움을 겪고 있습니다. 이러한 신뢰성과 일반화 능력의 부족은 휴머노이드 로봇이 수익을 창출하는 데 결정적인 장애물로 작용하고 있습니다.

옵티머스의 AI는 아직 광범위한 작업을 안정적으로 처리하지 못하며, 훈련되지 않은 상황에서는 예측 불가능한 행동을 보일 수 있습니다. 로봇이 기본적인 작업을 학습하는 데도 며칠이 걸리며, 이는 테슬라가 목표로 하는 인간 수준의 민첩성을 달성하는 데 큰 걸림돌이 되고 있습니다. 테슬라는 이러한 문제를 해결하기 위해 손에 부착된 센서나 전체 손을 교체 가능한 ‘센싱 장갑’으로 대체하는 등의 개선책을 모색하고 있습니다.

테슬라는 현재 로봇을 주로 내부 테스트 및 데이터 수집 목적으로 사용하고 있으며, 생산 라인에 투입된 로봇들은 엄격하게 통제된 환경에서 특정 작업만 수행하도록 프로그래밍되어 있습니다. 또한 테슬라는 로봇을 판매하기보다는 자사의 공장과 유사한 기업에 임대하여 배포 데이터를 통해 AI를 개선하려는 전략을 취하고 있습니다.

이러한 상황은 마스클이 제시했던 로봇의 유용성에 대한 약속과 대조를 이루며, 경쟁사들이 시장에 진입하는 가운데 테슬라가 소프트웨어 일정에 의존하는 방식에 대한 의문이 제기되고 있습니다.

검색 증강 생성(RAG)은 외부 증거를 제공하여 오래된 지식을 해결하는 데 사용되지만, 해당 증거가 유효할 때만 검색이 도움이 됩니다. 연구진은 오래된 증거가 모델의 답변을 잘못되게 만들지만 검색 없이도 모델이 올바른 답변을 할 수 있음을 밝히는 시간 정렬 실패, 즉 오래된 문서 오염(stale-document poisoning) 현상을 식별했습니다.

연구팀은 의학, 법률, 소프트웨어, 플랫폼 정책 분야에서 날짜가 명시된 공식 출처를 기반으로 317건의 검증된 지식 역전을 포함하는 벤치마크를 구축했습니다. 이 결과에 따르면, 최근의 의학적 역전이 오래된 역전보다 더 어렵게 나타났습니다. 또한, 오래된 검색 결과는 문서에 대한 신뢰 지침이 없더라도 Llama 모델의 답변 30%, Qwen 모델의 답변 37%를 뒤집습니다. 명시적인 지침을 추가하면 이러한 비율은 각각 66%와 75%까지 상승합니다.

오염 범위는 네 개의 오픈 모델과 네 개의 도메인에서 17%에서 91%까지 나타났으며, 반면 최신 증거가 일치하는 경우 97%에서 100%의 실험에서 따랐습니다. 시간적 적용 가능성을 분리하기 위해 역사적 증거를 변경하지 않고 평가 날짜만 변경했을 때, 모델이 적절한 답변으로 전환하도록 하려면 모델에게 오래된 증거가 적용되지 않는 시점을 명시적으로 알려주는 것이 중요합니다.

또한, 날짜가 정확할 때 고정된 최신성 인식 하이브리드 재순위 지정기(re-ranker)는 오염을 4.6~10.0% 감소시킵니다. 따라서 신뢰할 수 있는 RAG를 위해서는 모델이 검색된 증거가 무엇을 말하는지뿐만 아니라 그것이 여전히 적용되는지 여부를 판단해야 하는 선택적 신뢰가 필요합니다.

디즈니 플러스와 훌루가 광고 없는 단독 요금제에 대해 요금 인상을 발표했습니다. 이들은 광고 없는 단독 요금제를 월 19달러에서 21.50달러로 13% 인상했습니다.

이러한 가격 조정은 광고 없이 콘텐츠를 시청하려는 사용자들에게 직접적인 영향을 미칩니다. 하지만 광고형 단독 요금제와 여러 결합 상품 역시 인상되었으나, 디즈니 플러스와 훌루의 광고형 결합 상품은 월 13달러 요금을 그대로 유지했습니다.

따라서 광고 유무에 따른 요금 정책에 차이가 발생하며, 광고 없는 서비스를 선호하는 사용자들은 추가 비용을 지불해야 하는 상황입니다. 두 서비스의 단독 요금 정책 변화는 넷플릭스의 광고 요금제와 비교하여 서비스 제공 방식에 따른 가격 전략의 차이를 보여줍니다.