읽을 가치가 있는 기사만, 짧고 또렷하게.

링크드인이 가짜 프로필과 허위 경력을 방지하기 위해 새로운 검증 도구를 도입했습니다. 이 기능은 멤버들이 동료의 경험을 보증할 수 있게 하고, 기업이 자신들의 브랜드와 연관된 계정을 더 잘 통제할 수 있도록 돕습니다.

새로운 기능 중 하나는 멤버들이 동료나 학급 친구의 프로필에 기재된 경력을 보증할 수 있게 하는 것입니다. 이는 단순한 추천이 아니라 해당 인물이 프로필에 주장하는 경험을 실제로 했다는 것을 보증하는 방식입니다. 이러한 보증을 위해서는 보증하는 사람이 이미 검증된 프로필을 보유하고 있어야 하며, 해당 인물과 최소 1년 이상 연결되어 있어야 하고 이중 인증을 사용하는 보안 계정을 갖추어야 합니다.

또한 기업들은 자신들의 페이지와 검색 결과에 허위로 고용을 주장하는 계정을 제거할 수 있는 권한을 얻게 됩니다. 링크드인은 앞으로 페이지에 연관되려는 멤버 계정에 직장 이메일과 같은 직장 관련 검증을 요구하는 설정을 테스트하고 있습니다.

링크드인은 이러한 검증이 인터넷에서 가장 가치 있는 통화라고 믿으며, 검증된 멤버들이 비검증된 프로필보다 평균 50% 더 많은 게시물 조회수와 90% 더 많은 노출을 얻는다는 점을 강조했습니다. 이와 함께 Truecaller와 PeerSpot 같은 파트너사와의 협력을 확대하여 멤버들이 링크드인 외적으로도 검증된 신원을 보여줄 수 있도록 지원할 계획입니다.

스포티파이가 미국에서 프리미엄 구독자들을 대상으로 '테이스트 프로필(Taste Profile)' 기능을 출시하며 추천 알고리즘에 대한 사용자 통제권을 제공합니다. 이 기능은 사용자가 음악, 팟캐스트, 오디오북 전반에 걸쳐 스포티파이가 자신의 취향을 어떻게 이해하는지 확인할 수 있게 하며, 자연어 명령을 통해 추천을 세밀하게 조정할 수 있도록 합니다.

사용자는 이 기능을 활용하여 원하는 장르나 시대, 음악의 분위기 등을 요청함으로써 추천의 다양성을 확보할 수 있습니다. 예를 들어, 사용자는 특정 장르나 아티스트를 더 많이 요청하거나, 밤에 듣는 수면 사운드나 자녀의 음악이 추천에 영향을 미치지 않도록 조정할 수 있습니다. 이는 기존의 추천이 사용자의 변화하는 취향을 충분히 반영하지 못했던 문제를 해결하고 사용자가 직접 알고리즘을 조율할 수 있게 한다는 점에서 큰 변화를 의미합니다.

이 기능은 스포티파이의 AI를 기반으로 하며, 현재는 베타 단계로 운영되고 있습니다. 사용자는 프로필 사진을 통해 '테이스트 프로필'에 접근한 후 원하는 변경 사항을 입력하여 몇 시간 후 홈 페이지의 추천을 조정할 수 있습니다. 아직 기능이 베타 단계이므로, 사용자들은 이 기능을 통해 자신의 취향을 탐색하고 알고리즘을 조정하는 경험을 해볼 수 있습니다.

WaveDigger는 Wi-Fi 액세스 포인트의 BSSID(MAC 주소)와 LTE 및 5G NR 셀 타워 정보를 활용하여 무선 신호의 물리적 위치를 탐지하는 프로젝트입니다. 이 도구는 Apple의 공개 WPS 서비스를 통해 위치 정보를 검색하며, BSSID 입력과 셀 타워 매개변수(MCC, MNC, TAC 등)를 기반으로 결과를 찾아냅니다.

이 프로젝트는 Apple의 위치 서비스 API에 대한 연구 및 리버스 엔지니어링을 기반으로 구축되었으며, 특히 apple-corelocation-experiments 팀의 연구 결과와 프로토콜 정의를 활용합니다. WaveDigger는 Apple 서버에 protobuf를 통해 요청을 보내 좌표 변환을 수행하여 위치 데이터를 얻어내는 방식으로 작동합니다.

WaveDigger는 Next.js, TypeScript, deck.gl 등의 기술 스택으로 개발되었으며, 사용자는 BSSID 검색, 셀 타워 검색, 결과 시각화를 위한 인터랙티브 맵 기능을 제공합니다. 다만, 모든 BSSID가 Apple 데이터베이스에 포함되어 있는 것은 아니므로 새로 배포되었거나 사설 액세스 포인트의 경우 위치 데이터가 제공되지 않을 수 있다는 점을 유의해야 합니다.

메타가 Muse AI 어시스턴트에서 발생한 심각한 보안 취약점, 즉 제로데이 취약점에 대한 수정 사항을 발표했습니다. 이 취약점은 공격자가 피해자의 Mac에서 원하는 모든 것을 할 수 있게 만들 수 있었으며, 이는 AI 도우미의 내재된 위험성을 강조하는 사례입니다.

해당 취약점은 AI 도우미 기능이 시스템에 통합됨으로써 발생할 수 있는 잠재적인 보안 위험을 명확히 보여줍니다. 개발자와 사용자들은 AI 기반 도구를 사용할 때 데이터 및 시스템 접근 권한에 대해 더욱 신중하게 접근해야 합니다.

이번 사태는 AI 기술이 사용자 환경에 깊숙이 통합될수록 보안 취약점이 얼마나 심각한 결과를 초래할 수 있는지 경고합니다. 따라서 AI 기반 애플리케이션을 구축하거나 사용할 때 보안 설계와 안전장치를 최우선으로 고려해야 할 필요가 있습니다.

TypeSafe Jev 모델을 활용하여 코드 검색 도구인 grep을 구현하는 실험이 진행되었습니다. Jev는 텍스트를 생성하지 않고 예/아니오 확률만을 도출하는 모델로, 이를 코드 검색에 적용하여 효율성을 높이는 방안을 모색했습니다.

이 방법은 코드를 청크로 나누고 각 청크에 대해 “이 설명에 해당하나?”라는 질문을 던지는 방식으로 작동합니다. 한 번의 요청에 16개의 청크를 묶어 모델에 전달하며, 그 결과는 grep과 유사하게 파일과 라인 번호를 표시하는 형태로 제공됩니다.

이러한 접근 방식은 코드의 내용 자체를 생성하지 않고 확률 기반으로 일치 여부를 판단함으로써, 코드 검색 및 비교 작업의 효율성을 개선할 수 있는 가능성을 제시합니다. 개발자는 이 모델을 통해 diff 분석 시 어떤 테스트를 수행할지 예측하는 CLI 도구를 만들 수 있습니다.

데이터 동화는 부분적이고 노이즈가 있는 관측값으로부터 동역학적 상태를 추정하는 과정입니다. 기존의 고전적인 앙상블 필터는 효율적이지만 유한한 샘플 공분산과 아핀 가우시안 분포를 통해 분석 업데이트를 제한하는 한계가 있습니다.

이에 연구진은 조건부 흐름 매칭(conditional flow matching)을 사용하여 예측 앙상블을 고전적인 기준 필터에서 분석 앙상블로 전달하는 흐름 앙상블 필터(Flow Ensemble Filter, FlowEF)를 제안합니다. FlowEF는 학습 시 국소적인 가우시안 소스를 사용하고 배포 시 기준 필터의 앙상블 멤버를 전달하며, 이 기준 필터의 앙상블과 관측값을 기반으로 속도장(velocity field)을 조건화합니다.

이 모델은 각 기준 앙상블을 독립적으로 매핑하면서 비선형 업데이트를 학습합니다. 특히 관측이 희소한 동역학 시스템에서 FlowEF는 네 가지 고전적인 앙상블 필터 모두에 대해 결정론적 및 확률적 지표를 개선합니다. 또한 최신 생성적 데이터 동화 모델들 중에서 최고의 성능을 달성했습니다.

기계 학습 기반 원자 포텐셜(MLIP)을 고도화된 재료 응용 분야, 예를 들어 전기화학, 촉매 및 부식 연구에 적용하기 위해서는 액체 환경, 고체, 그리고 계면 자체를 모두 샘플링하는 훈련 데이터가 필요합니다. 이에 저자들은 고체-액체 계면을 위한 선별된 데이터셋인 SoLiD26을 발표했습니다.

SoLiD26은 MLIP 훈련 및 평가를 위해 1540만 개의 제1원리(first-principles) 원자 구조를 포함하며, 최대 576개의 원자와 15가지 화학 원소를 포함하고 있습니다. 이 데이터는 고체-액체 계면 연구에서 수행된 밀도 범함수 이론(DFT) 계산을 기반으로 하며, 대부분은 양자역학적 분자 동역학(AIMD) 시뮬레이션에서 비롯되었습니다. 각 기록에는 원자 종, 위치, 시뮬레이션 셀, 주기적 경계 조건, 포텐셜 에너지 및 원자 힘 정보가 포함되어 있습니다.

데이터셋은 VASP를 사용하여 PBE 함수와 D3 분산 보정을 통해 계산된 구체적인 구조들을 포함하며, 수성 코인 금속 계면, 전극-전해질 시스템, 그리고 선택된 벌크 참조 구조 등을 포함합니다. 이 데이터셋은 데이터 수집 및 준비 파이프라인에 대한 설명과 함께, SoLiD26을 사용하여 MACE 모델로 MLIP를 훈련하고 평가하는 방법을 시연합니다.

결과적으로 SoLiD26은 구조적 및 화학적으로 이질적인 고체-액체 계면에 대한 MLIP의 개발과 벤치마킹을 가능하게 하여, 고성능 재료 연구에 필수적인 기반을 제공합니다.

파일 전송 서비스 Ive Sent It은 파일 전송을 넘어 안전성과 검증이 보장되는 배송 시스템을 제공하는 온라인 쿠리어 서비스입니다. 이 서비스는 사용자가 파일을 전 세계 누구에게든 보낼 수 있게 하며, 전송된 파일의 도착을 실시간으로 추적하고 모든 배송 과정을 서명된 증명서로 기록하여 수신자가 파일의 도착 시점과 상태를 정확히 확인할 수 있도록 합니다.

Ive Sent It의 핵심은 파일의 안전한 관리와 통제에 있습니다. 파일은 전송 전에 보안 검사를 거치며, 수신자가 설정한 비밀번호, 지리적 제한(GeoWall™), 또는 ID 인증을 통해 접근이 제한됩니다. 또한, 모든 배송에는 수신자가 확인할 수 있는 서명된 증명서가 첨부되어 위조를 방지하며, 파일이 열리고 다운로드되는 순간에 대한 증거를 제공합니다.

이 플랫폼은 단순한 파일 전송을 넘어 링크의 생명 주기 관리와 포렌식 워터마킹 기능을 제공하여 보안을 극대화합니다. 사용자는 전송 후에도 링크를 확장하거나, 다운로드를 제한하거나, 특정 사용자에게만 접근을 허용하는 '살아있는 링크(Living links)' 기능을 통해 파일 접근 권한을 실시간으로 통제할 수 있습니다.

특히 기업 및 전문가를 위한 기능도 제공하며, 엔터프라이즈 플랜에서는 단일 로그인(SSO), 감사 추적 기록, 데이터 거주지 선택 등 법적 규제와 보안 요구사항을 충족하는 기능을 제공합니다. 이는 대용량 파일이나 민감한 문서가 이메일이나 일반 링크를 통해 전송될 때 발생하는 보안 및 법적 문제를 해결하고자 하는 사용자들에게 중요한 차별점을 제공합니다.

터키어 도메인 문서에 대한 오픈 웨이트 대규모 언어 모델(LLM)을 검색 및 하드웨어 제약 조건 하에서 평가한 연구 결과가 발표되었습니다. 본 연구는 7B-8B 크기의 다섯 가지 오픈 웨이트 모델을 사용하여 터키어 문서 질문 응답 능력을 평가했습니다.

평가 과정에서 모델들은 NVIDIA RTX 3050 노트북 GPU(6GB VRAM) 환경에서 제어된 프롬프팅, 디코딩, 4비트 양자화를 통해 로컬로 배포되었습니다. 주요 벤치마크는 109페이지 분량의 산업 R&D 보고서에서 파생된 100개의 질문을 포함하며, 이 평가 프로토콜은 다른 112페이지 보고서와 자체 제작 100개 질문 세트를 사용하여 재현되었습니다.

연구팀은 검색 실패와 다운스트림 모델 추론 실패를 분리하는 증거 주석 평가 프로토콜을 방법론적 기여로 제시했습니다. 주요 벤치마크에서 모델들의 종단 간 정확도는 49%에서 75% 사이를 기록했습니다. 또한, 검색 및 효과적인 컨텍스트 용량은 일부 문서에 대해서는 제약 조건이 되지만 다른 문서에 대해서는 그렇지 않다는 것을 보여주며, 이는 문서에 따라 검색과 컨텍스트 능력이 제약 조건이 될 수 있음을 시사합니다.

결론적으로, 터키어 도메인 문서에 오픈 웨이트 LLM을 배포할 때 모델 선택, 검색 행동, 그리고 하드웨어 한계를 개별적으로 평가해야 함을 입증합니다.

디코더 온리 트랜스포머 언어 모델은 생성 과정에서 과거 계산을 재사용하기 위해 키와 값(KV)을 캐싱합니다. KV를 레이어 간에 공유하면 저장 공간을 절약할 수 있지만, 깊이에 따른 표현의 다양성은 감소합니다. 본 연구는 역사적 콘텐츠와 입력 소스를 분리하여 공유된 글로벌 KV와 함께 보존해야 할 국소 메모리가 무엇인지 탐구했습니다.

126M 파라미터와 2K 컨텍스트 환경에서 8개의 시드 실험 결과, 국소 기록(local history)을 사용했을 때 현재 토큰 국소 브랜치보다 1.4% 낮은 홀드아웃 테스트 퍼플렉시티를 보였습니다. 이는 역사적 콘텐츠의 가치가 용량, 항목 수, 훈련 컴퓨팅으로 뒷받침됨을 보여줍니다.

인접 레이어가 국소 입력을 공유하면서도 독립적인 투영을 유지하는 경우에도 이러한 가치는 유지되었으며, 소스 공유는 정확한 캐시 구성 의존성을 단축시켰습니다. 또한 GQA 및 인접 레이어 KV 공유와 비교했을 때, 더 큰 캐시와 더 긴 요청 지연 시간에서 더 나은 동일 소스 가능성을 얻었습니다.

이러한 결과는 8K 토큰으로 확장해도 인접 레이어 공유와의 순서 관계가 유지됨을 보여주지만, 외부 책 기록 효과는 불확실하며 하위 결과는 작업에 따라 달라집니다. 연구진은 정확한 산술 연산에서 전체 캐시를 보존하면서 상위 레이어 구성 작업을 줄이는 충분한 접미사 스케줄을 도출했습니다.

Waymo가 샌프란시스코 베이 지역에서 자사 차량 이용과 대중교통을 연계하여 이용하는 사용자에게 리워드 프로그램을 시작했습니다. 이 프로그램은 Waymo Cash를 지급하는 방식으로 운영되며, 사용자들은 특정 조건을 충족할 경우 보상을 받을 수 있습니다.

이 리워드 혜택을 받기 위해서는 Waymo 앱에 등록된 Visa 카드를 사용해야 합니다. 사용자는 Waymo 차량과 대중교통을 2시간 이내에 연계하여 이용하는 조건을 충족해야 합니다.

구체적으로 Waymo와 대중교통을 2시간 이내에 이용할 경우 샌프란시스코 버스 요금에 대한 리워드가 제공됩니다. 이는 자율주행 서비스 이용과 대중교통 이용을 통합하여 사용자 편의를 높이고 지속 가능한 이동 방식을 장려하려는 시도입니다.

심문 대화의 효과적인 요약은 법의학 및 수사 환경에서 높은 사실적 정확성, 일관성, 그리고 속성별 관련성을 요구하는 중요한 과제입니다. 이 연구에서는 구조화된 프롬프팅과 반복적인 개선을 활용하여 심문자와 증인의 상호작용을 고품질로 요약하는 새로운 프레임워크인 CASPER를 소개합니다.

CASPER는 역할 기반의 평가 메커니즘인 RoleEval을 사용하여 여러 역할(경관, 검사, 선임 검사)이 미리 정의된 기준에 따라 요약을 반복적으로 평가하도록 설계되었습니다. 또한 엔티티 추출과 구조화된 피드백 루프를 통합함으로써 기존 모델보다 사실적 일관성과 맥락적 완전성을 크게 향상시킵니다.

연구진은 MIND 코퍼스를 확장한 6,000개의 발화 쌍으로 구성된 MINDSum 데이터셋을 구축하여 이 프레임워크를 검증했습니다. 실험 결과, CASPER는 표준 요약 모델보다 어휘적(ROUGE) 및 의미론적(BERTScore) 측정 기준 모두에서 우수한 성능을 보였습니다.

인간 평가를 통해 확인된 바와 같이, 이 연구 결과는 전문가 추론과의 일치를 입증하며 고위험 영역에서 통제된 요약의 잠재력을 강조합니다. 이는 AI 기반 법의학적 정보에 대한 가능성을 열어줍니다.

소규모 언어 모델은 도구 사용 에이전트의 비용 효율적인 실행기로서 로컬 및 대규모 배포에 매력적이지만, 장기적이고 상태 기반 환경에서는 구조적 오류를 범하기 쉽습니다. 구체적으로 필요한 관찰 정보 누락, 조기 쓰기 수행, 실패한 호출 반복, 행동 전제 조건 위반과 같은 오류가 발생할 수 있으며, 이는 잘못된 상태 업데이트와 정책 위반을 초래하여 신뢰할 수 있는 도구 실행을 어렵게 만듭니다.

기존의 미세 조정 접근 방식은 막대한 데이터와 연산을 필요로 하며, 평면 메모리는 실패한 행동을 검색할 수는 있지만 그 인과적 맥락이나 안전 조건을 보존하지 못하는 한계가 있습니다. 이 논문은 이러한 문제를 해결하기 위해 경험 구조화 이종 그래프(Experience-Structured Heterogeneous graphs)를 기반으로 실패 인식 검색 프레임워크인 FRESH를 제안합니다.

FRESH는 작업, 행동, 오류, 복구 및 실행 조건 간의 의존성을 명시적으로 모델링하여 과거의 성공과 실패를 구조화된 외부 경험으로 변환합니다. 이를 통해 고정된 언어 모델이 신뢰할 수 있는 전략을 재사용하고 반복되는 실패를 피하며 상태 기반 도구 상호작용에서 더 안전한 결정을 내릴 수 있도록 돕습니다.

다수의 오픈 소스 모델에 대한 $\tau$-Bench 및 AppWorld 실험 결과, FRESH는 메모리가 없는 에이전트나 대표적인 메모리 기반 기준선에 비해 작업 성공률과 도구 사용 신뢰도를 일관되게 향상시켰습니다.

RxFilm Studio는 AI 에이전트를 활용하여 제품 비디오를 생성하고 편집할 수 있도록 설계된 비디오 워크스페이스입니다. 이 도구는 독립 개발자나 소규모 팀이 마케팅 비디오 제작에 소요되는 시간과 노력을 획기적으로 줄이는 것을 목표로 합니다.

사용자는 아이디어, 제품 웹사이트, 이미지 또는 기존 푸티지에서 시작하여 스토리 구조, 편집 타임라인, 시각 및 음향 효과, 보이스오버, 배경 음악, 자막 및 번역까지 전체 비디오 제작 과정을 하나의 창 안에서 생성할 수 있습니다.

RxFilm Studio는 Lyria를 통한 음악 점수 지정, 다중 화자 내레이션, 자막 자동 생성 및 번역 기능을 제공하며, Remotion을 통해 4K, 60fps의 실제 타임라인 기반 렌더링을 지원합니다. 또한 AI 에이전트가 편집 제안을 제시하고 모든 수정을 검토하는 과정을 통해 사용자가 최종 결과물을 직접 통제할 수 있게 합니다.

이 소프트웨어는 macOS용으로 제공되며, 사용자가 복잡한 편집 및 시각 효과 작업 없이도 AI의 도움을 받아 고품질의 비디오를 효율적으로 제작할 수 있도록 지원합니다.

금융 기관들이 신용, 사기, 수집, 규정 준수 및 운영 통제 분야에서 에이전트 기반 워크플로우를 도입하고 있지만, 거버넌스는 여전히 구성 요소 중심입니다. 각 모델이나 에이전트는 개별적으로 지정, 테스트, 승인 및 모니터링되지만, 여러 구성 요소의 공동 행동에서 발생하는 제도적 위험을 관리하기에는 이러한 방식은 불충분합니다. 저자들은 이러한 격차를 구성적 비분해성(constitutional non-compositionality)이라고 명명하며, 개별적인 규정 준수 확인이 공정 대출, 시장 무결성 또는 추적 가능한 책임과 같은 허용 가능한 집단 결과로 구성된다는 보장이 없다고 지적합니다.

이에 연구진은 에이전트 집단 거버넌스를 위한 금융 특화 참조 아키텍처이자 검증 가능한 연구 의제인 ARIA를 제안합니다. ARIA는 규범적 책임, 실행 통제, 보증 학습 세 가지 영역에 걸쳐 정책 명세, 집단 수준의 관측 대 예상 행동 모니터링(M2), 제한된 권한, 런타임 포함, 적응형 정책 변경, 그리고 보존된 인간 감독 역량이라는 여섯 가지 기능을 조직합니다.

두 가지 시뮬레이션은 로컬 통제 하에서의 공유 신호 제외와 구성된 드리프트 환경에서 관측 대 예상 분포 모니터링을 통한 조기 경고를 보여줍니다. 이 연구는 이러한 통제 방안을 공정 대출, EU AI 법, 모델 위험 및 행위 감독에 필요한 증거 요구 사항과 연결하며, 생산 효과성 주장보다는 검증 의제를 제시합니다.

Vision Transformer(ViT)의 특징 공간에서 작동하는 대부분의 방법들은 유클리드 거리나 코사인 유사도에 의존하는데, 이는 모든 방향이 동등하게 의미 있다는 가정을 전제로 합니다. 그러나 실제 작업의 기하학적 구조는 이러한 가정을 따르지 않을 수 있으며, 작업에 민감한 기하학은 풀백 메트릭 $g(F) = J(F)^\top J(F)$로 정의됩니다. 여기서 $J$는 특징에 대한 디코더 출력의 자코비안입니다. 전체 메트릭 $g$를 저장하는 것은 현대 규모에서 비현실적이며, 깊이 맵과 같은 밀집 출력의 경우 $J$ 자체를 형성하는 것도 비실용적입니다.

본 연구는 이러한 작업 민감 기하학의 저차 근사치를 학습할 수 있는지 여부를 판단하는 행렬 자유 진단 도구 $\kappa_{cap}(r)$를 제시합니다. 또한, 이 도구를 사용하여 트랙터블한 쌍에 대해 무작위 파워 반복을 통해 메트릭의 저차 버전을 학습하는 Spectral Pullback Network(SPN)를 개발했습니다. 이 SPN을 통해 특징으로부터 토큰 중요도를 직접 예측하는 310K 파라미터의 중요도 헤드를 추출할 수 있습니다.

이러한 기하학적 이해를 바탕으로 다양한 백본(DPT, DINOv2, CLIP, VGGT)에서 $\kappa_{cap}(r)$는 어떤 학습된 메트릭 아키텍처가 실현 가능한지 예측합니다. 특히, DINOv2 CLS에서 중요도 헤드는 Spearman 상관관계 $\rho=0.998$을 달성했으며, 기하학적 토큰 가지치기(geometric token pruning)는 ViT를 미세 조정하지 않고 DPT 깊이에서 0.5의 가지치기 비율로 ToMe 기반 토큰 선택의 추가 깊이 오류를 25% 감소시켰습니다.

대규모 언어 모델(LLM)이 의료 질의응답에서 상당한 발전을 이루었지만, 효과적인 의료 대화는 관련 환자 정보를 밝혀내는 질문을 학습하는 것을 요구합니다. 기존의 대화 정책 훈련 방식은 최종 진단 정확도에 기반한 강화 학습(RL)과 지도 미세 조정(SFT)을 결합하지만, 이는 개별 질문의 기여도를 구별하지 못하고 실행되지 않은 대안에 대한 질문 수준의 피드백을 제공하지 못하는 한계가 있습니다.

이러한 격차를 해소하기 위해 본 논문은 PCQC(Privileged Counterfactual Question Credit)를 제안합니다. PCQC는 훈련 과정에서 특권적인 환자 정보를 사용하여 한 번도 하지 않은 질문들로부터 학습합니다. 훈련 중 PCQC는 특권적인 환자 사실을 사용하여 대안 질문들을 동일한 대화 상태에서 직접 비교할 수 있게 만듭니다. 이 비교를 통해 결과적으로 질문에 대한 상대적 신용(relative question credit)을 생성하여 정책이 어떤 질문을 선호해야 하는지 학습하게 하며, 실행된 질문과 실행되지 않은 질문 모두에 대해 결과 기반 RL과 함께 직접적인 감독을 제공합니다.

이 방법은 실행되지 않은 대안에 대한 전체 롤아웃을 요구하지 않으면서도 질문의 기여도를 평가하는 고정된 진단 점수기(frozen diagnostic scorer)를 사용합니다. 네 가지 의료 벤치마크에 걸친 광범위한 실험 결과, PCQC는 평균 63.10%의 진단 정확도를 달성했으며, 이는 GRPO와 ATPO보다 각각 4.38%와 4.21%p 더 높은 수치입니다. 이러한 성능 향상은 GRPO보다 33.1% 적은 질의 턴으로 달성되었습니다.

실시간 배터리 애플리케이션에서 정확한 잔여 방전 시간(RDT) 예측은 미래 부하 프로파일이 알려지지 않고 매우 역동적이어서 어려운 과제입니다. 이 논문은 이러한 불확실성을 해결하기 위해 상대 방전 단계(Relative Discharge Stage, RDS)라는 배터리 관리 지표를 제안합니다.

RDS는 정상(Normal), 양호(Good), 보통(Moderate), 낮음(Low), 충전 필요(Recharge Required)의 다섯 가지 해석 가능한 클래스를 사용하여 남은 방전 상태를 나타냅니다. 이는 현재 충전 수준을 나타내는 SOC(State of Charge)와 달리, 추론 시 미래 전류 정보 없이 남은 방전 과정을 특징짓는 지표입니다.

연구진은 SOC 추정과 경량 시간 학습을 결합한 물리 정보 기반 RDS 분류 프레임워크를 제안하며, SOC 추정 부분에는 2차 ECM 상태 및 단자 전압 예측, 히스테리시스 및 OCV 온도 보정, 코어 온도 추정, AEKF 상태 보정 등이 포함됩니다. 측정된 전류, 단자 전압, 표면 온도 및 추정된 SOC는 슬라이딩 관측 창으로 배열되어 경량 시간 컨볼루션 네트워크를 통해 처리됩니다.

두 개의 공개된 리튬 이온 배터리 데이터셋에 대한 실험 결과, 다양한 부하 및 열 조건 하에서 80% 이상의 정확도로 RDS 분류가 가능함을 입증했습니다.

Comma.ai의 운전자 보조 기술에 대한 조사가 진행 중이며, 이 과정에서 발생한 치명적인 충돌 사고들이 관련되어 있습니다. 미국 고속도로 교통안전국(NHTSA)의 조사 결과에 따르면, 보고된 충돌 사고들에서 Comma 장치가 같은 차선 내의 느리거나 정지된 차량을 감지하거나 반응하지 못하는 문제가 발견되었습니다.

특히 일부 사고, 심지어 사망 사고 중 하나는 Comma.ai 소프트웨어의 "포크(forked)" 또는 수정된 버전이 사용되었을 가능성이 제기되었습니다. 이는 Comma.ai의 핵심 소프트웨어인 "openpilot"이 제3자 포크 버전인 FrogPilot과 같은 형태로 사용되었음을 시사하며, 소프트웨어 수정이 안전 문제에 미치는 영향을 보여줍니다.

Comma.ai는 "openpilot"을 통해 차량의 어댑티브 크루즈 컨트롤(ACC) 및 자동 차선 중앙 유지(ALC) 시스템을 제어하며 운전을 자동화하는 것을 목표로 합니다. 그러나 회사는 운전자가 언제든지 수동 제어권을 되찾을 수 있어야 한다는 안전 경고를 하고 있습니다.

이러한 사고들은 2026년 2월 루이지애나주 Ascension Parish에서 발생한 사고와 관련이 있으며, 이 사고에서 두 명의 승객이 사망했습니다. 개발자들은 소프트웨어의 포크 및 수정 버전 사용이 실제 운행 환경에서 안전 기준과 어떻게 상호작용하는지에 대해 면밀히 검토할 필요가 있습니다.

삼성전자가 한국 내 스마트 냉장고에 대한 스마트싱스 소프트웨어 업데이트를 중단했습니다. 이는 일부 사용자들이 냉장고가 작동을 멈추고 식품이 상하는 등 심각한 문제를 보고한 데 따른 조치입니다.

사용자들은 냉장고가 완전히 작동을 멈추고 자동 문 열림 기능이 작동하지 않으며 내부 조명이 켜지지 않는 등 다양한 이상 증상을 보고했습니다. 삼성은 이번 문제가 냉장고 소프트웨어 업데이트 테스트 과정에서 발생한 시스템 오류로 인해 발생했다고 확인했습니다.

삼성은 해당 문제에 대해 긴급 조치를 취하고 서비스 센터를 통해 고객들에게 연락하도록 안내했으며, 이미 일부 고객의 냉장고 내부 메인보드를 교체하는 조치를 취하고 있습니다. 이 사건은 인터넷 연결 및 기기 통합 기능을 갖춘 스마트 가전 사용 시 소프트웨어 업데이트와 관련된 잠재적 위험성을 다시 한번 강조합니다.