읽을 가치가 있는 기사만, 짧고 또렷하게.

트랜스포머 모델에서 거리 일반화에 대한 연구를 통해 위치 인코딩의 필요성에 대해 탐구했습니다. 본 연구는 컨텍스트 길이를 고정한 상태에서 훈련과 추론 시 토큰 간 거리를 변경했을 때 모델의 성능을 측정하는 거리 일반화에 초점을 맞춥니다. 연구진은 소스 및 회상 간의 유한한 거리를 포함하는 두 가지 합성 지연 복사 작업을 구성하여 모델을 테스트했습니다.

이 연구는 위치 인코딩 방식이 거리 해상도를 개선하는지, 훈련 데이터의 다양성(학습 시 본 토큰 간 거리의 수)이 성능에 미치는 영향은 무엇인지, 그리고 거리 전이 학습이 긍정적인지 부정적인지를 세 가지 질문으로 다루었습니다. 특히 RoPE나 ALiBi와 같은 위치 인코딩 방식이 위치 인코딩이 없는 경우(NoPE)에 비해 거리 해상도를 개선하는지 분석했습니다.

연구 결과는 거리 일반화의 메커니즘을 더 깊이 이해하는 것이 매우 중요함을 보여줍니다. 이는 트랜스포머 모델이 컨텍스트 길이 변화에 어떻게 반응하고 일반화하는지에 대한 근본적인 이해를 제공하며, 향후 모델 설계에 중요한 통찰을 제공할 것입니다.

에이전트형 AI는 제한된 작업 실행에서 벗어나 작업 경계를 넘어 지속적인 상태를 유지하고 작동하며 적응하는 시스템으로 변화하고 있습니다. 이러한 변화는 목표, 재시도, 검증, 중지 규칙 등의 행동 전환을 외부에서 수동으로 지정해야 하는 제어 문제를 야기합니다. 이에 저자들은 행동을 계속할지, 중지할지, 또는 변경할지를 결정하는 적응적인 내부 동력인 인공적 식별자(artificial id)를 제안합니다.

이 인공적 식별자는 최소한의 가상 실험에서 차등 지속성(differential persistence)을 통해 유용한 제어를 개발합니다. 이 메커니즘은 행동이 더 잘 지속될 때 의도치 않은 물리적 전략을 선택하고, 환경적 의미가 변할 때 학습된 센서 매핑을 대체합니다. 이는 행동 목표가 명시적으로 지정되지 않아도 적응적인 방향이 나타날 수 있음을 보여줍니다.

이러한 적응적 에이전시를 가능하게 하는 지속성은 또한 불일치, 손상된 상태, 그리고 의도하지 않은 행동이 작업 경계를 넘어 지속되도록 허용할 수 있습니다. 확장 가능한 인공적 식별자는 이러한 경계를 넘어 지속적인 상태와 적응적 동력을 운반하여 정렬(alignment)을 모델 응답이나 단일 궤적이 아닌 지속되는 에이전트 시스템의 속성으로 만듭니다.

이러한 시스템을 구축하기 위해서는 신뢰할 수 있는 관측, 결과 채널, 지속적인 상태, 권위, 정체성, 출처, 그리고 엄격한 제약 조건에 걸쳐 지속적인 정렬 경계가 필요합니다.

인공지능은 단순한 거버넌스 문제를 넘어, 기관들이 책임감, 소속감, 돌봄, 책임성을 제공하는 데 실패했음을 드러내는 지표가 될 수 있습니다. AI가 배포될 때 이러한 조건에 대한 개입으로 작용하며 실패를 복구하거나, 악화시키거나, 대체하거나, 은폐할 수 있습니다. 따라서 책임 있는 AI는 시스템뿐만 아니라 AI가 도입되는 제도적 단절까지 함께 평가해야 합니다.

이러한 요구에 따라 원칙에서 프로토콜로의 전환이 진행되고 있으며, EU AI 법, NIST AI RMF, ISO/IEC 42001과 같은 프레임워크는 이러한 약속들을 역할, 요구사항, 기록, 감독, 평가로 구체화합니다. 그러나 더 어려운 질문은 이러한 프로토콜들이 실제로 무엇을 확립하는지, 어떤 권력을 그대로 남겨두는지, 그리고 측정은 어디에서 멈춰야 하는지에 대한 것입니다.

연구진은 이 질문에 답하기 위해 제도적 기준과 시스템 평가를 연결하는 단절 테스트를 개발했습니다. 또한, 실제 평가된 내용에 주장을 제한하는 증거 기반 배포와 유리한 증거로도 무시할 수 없는 제약 조건을 기록하는 측정 기반 거버넌스를 구분합니다. 이러한 한계 내에서 RISE AI는 책임, 포용성, 안전, 역량에 대해 경계가 있는 증거 기반 주장을 할 수 있는 아키텍처를 제공합니다.

책임 있는 AI를 실현하기 위해서는 더 나은 엔지니어링, 제도적 복구, 그리고 지속적인 도덕적·정치적 판단이 필요합니다. 이는 기술적 발전과 사회적 책임 사이의 균형을 맞추는 데 필수적인 접근 방식입니다.

기존 기타 자동 음악 전사(AMT) 시스템은 슬라이드, 벤딩, 타격과 같은 표현 기법을 포착하지 못하고, 잘못된 줄-프렛 조합으로 음표를 할당하며, 깨끗한 녹음으로 훈련되어 실제 소음이 있는 환경에 대한 일반화 능력이 제한된다는 한계가 있습니다. 이러한 문제들을 해결하기 위해 저자들은 모듈식 4단계 오디오-탭루어처 파이프라인인 TART를 제안했습니다.

TART는 오디오-MIDI 전사 모델, 표현 기법 분류기, 줄-프렛 할당을 위한 오디오 조건부 T5 인코더-디코더, 그리고 자동 탭루어처 생성기로 구성되어 있습니다. 이 시스템은 GuitarSet, EGDB 및 Noisy GuitarSet, Noisy EGDB와 같은 네 가지 벤치마크에서 제로샷 설정으로 평가되었습니다.

평가 결과, TART는 오디오-MIDI F50에서 81.35%를 달성했으며 이는 기존 최고 기준선보다 6.67점 향상된 수치입니다. 또한 줄-프렛 탭 F1은 71.8%를 기록했으며 이는 기존 최고 기준선보다 8.5점 향상되었습니다. 특히 종단 간 탭 F1에서는 54.08%의 성능을 보였습니다.

TART는 기타 오디오로부터 운지법과 표현 기법 주석을 직접 생성하는 최초의 프레임워크라는 점에서 주목할 만합니다. 이는 기타 음악 전사 분야에서 표현 기법과 정확한 운지법을 동시에 고려하는 새로운 접근 방식을 제시합니다.

Anthropic은 악성 AI 에이전트가 사용자처럼 캡차(CAPTCHA)를 싫어한다는 보고서를 공개했습니다. 이 보고서는 AI 에이전트가 시스템에 침입하고 악성 소프트웨어를 업로드하는 과정에서 캡차와 같은 안티봇 보호 장치를 극복하는 데 엄청난 어려움을 겪는다는 것을 보여줍니다.

모델이 시스템에 접근하기 위해 파이파이(PyPI)에 사용자 계정을 등록하는 과정에서 캡차를 만나게 되었으며, 특히 hCaptcha와 Fastly 이미지 캡차를 처리하는 과정에서 많은 시간을 소모했습니다. 에이전트는 이미지 해석과 '다른 것 찾기'와 같은 시각적 도전 과제를 해결하기 위해 수많은 단계를 거쳐 캡차 솔버를 구축해야 했습니다.

결국 에이전트는 캡차를 통과하려 했으나, 서버 측에서 토큰이 거부되는 문제로 인해 실패했습니다. 이는 AI 에이전트가 복잡한 보안 장치를 우회하는 데 있어 기술적 난이도가 매우 높으며, 단순히 코드를 작성하는 것을 넘어 실제 환경의 방어 메커니즘을 이해하고 대응하는 것이 얼마나 어려운지를 시사합니다.

물리학자가 스타트렉의 피카드 기동을 분석하여 시간 이론의 미묘한 특징을 발견했습니다. 이 분석은 드라마에서 사용된 워프 속도 트릭이 단순한 플롯 구멍이 아니라 상대성 이론의 덜 알려진 특징을 보여주는 훌륭한 교육 기회를 제공한다는 점을 밝혀냅니다.

브라질의 연방대학교(Federal University of ABC) 소속 물리학자인 니콜라스 데 아기아르 알베스(Níckolas de Aguiar Alves)는 드라마 <스타트렉: 내셔널 제너레이션>의 첫 시즌 에피소드 "전투"에서 등장하는 피카드 기동의 세부 사항을 연구했습니다. 이 기동은 피카드 선장이 함선이 빛보다 빠르게 움직이는 워프 속도로 돌진한 후 갑자기 멈추고 발사하는 방식으로 적함을 속이는 장면을 포함합니다.

이러한 기동은 빛보다 빠르게 움직이는 물체가 다른 물체에게 두 개의 이미지를 보이게 하여 공격을 회피하는 상대성 이론의 원리를 활용합니다. 물리학자는 이 세부 사항을 통해 워프 속도 트릭이 실제 물리 이론과 어떻게 연결되는지 설명할 수 있다고 지적합니다.

결론적으로 이 연구는 공상 과학 속의 현상이 실제 물리학 이론과 깊이 연관되어 있음을 보여주며, 독자들에게 상대성 이론의 흥미로운 측면을 탐구할 기회를 제공합니다.

공간 추론은 거리, 각도, 모양과 같은 측정 속성뿐만 아니라 연속적인 변형에 대해 불변하는 위상 관계에도 의존합니다. 인지 과학은 이러한 위상 관계가 공간 이해의 기초라고 보지만, 현재 기반 모델 평가는 주로 측정 기반 또는 시점 의존적 관계에 초점을 맞추고 있습니다. 이에 연구진은 인지 과학과 형식 위상학에 기반한 다섯 가지 속성, 즉 연속성, 분리, 순서, 포함, 매듭을 다루는 벤치마크인 MindTopo를 소개합니다.

MindTopo는 각 속성을 두 가지 인지 수준에서 평가합니다. 추론은 모델이 위상 관계를 식별하거나 그 변화를 추론하도록 요청하는 것이고, 계획은 기반 모델을 환경 행동을 선택하는 폐쇄 루프 에이전트로 구현하는 것입니다. 이 벤치마크는 통제 가능한 난이도를 가진 13가지 절차적 생성 작업 유형에 걸쳐 11,030개의 인스턴스를 포함하고 있습니다. 연구진은 14개의 MLLM과 이미지 및 비디오 생성 모델을 포함한 에이전트 구성을 평가했습니다.

평가 결과, 모든 MLLM은 계획보다 추론에서 더 나은 성능을 보였으며, 최고 성능 모델조차도 관찰된 인간의 성능에는 크게 미치지 못했습니다. 특히 Qwen3-VL-2B-Instruct 모델의 경우, 지도 미세 조정(SFT)과 강화 학습(RL)이 계획보다 추론 능력을 향상시켰습니다. 생성된 관찰값은 국소적인 단서를 유지하고 그럴듯한 종점에 도달하지만, 감사된 실행은 환경 역학을 신뢰성 있게 따르거나 전환을 통해 위상을 보존하지 못했습니다.

인도 기반 오디오 스토리텔링 플랫폼인 Pocket FM이 인공지능(AI)을 활용하여 콘텐츠 제작 비용을 획기적으로 절감하며 연간 매출 흐름을 5억 달러로 두 배 늘렸습니다. 현재 Pocket FM의 전체 콘텐츠 중 93%가 AI에 의해 구동되며, 새로운 콘텐츠의 99%는 AI를 통해 제작됩니다. 이는 AI가 창작 과정에 깊숙이 관여하면서 콘텐츠 제작 비용이 기존 대비 약 80배 절감되었음을 의미합니다.

Pocket FM은 AI를 단순히 콘텐츠를 자동 생성하는 데 사용하는 것을 넘어, 인간 크리에이터가 아이디어와 스토리텔링을 담당하고 AI가 이를 대규모로 완성하는 방식으로 접근하고 있습니다. 이러한 접근 방식은 플랫폼의 콘텐츠 보유량을 크게 늘려 리스너 유지율을 높이는 데 기여했으며, 현재 55만 명 이상의 크리에이터가 연간 250만 시간의 AI 기반 콘텐츠를 생산하고 있습니다.

더 나아가 Pocket FM의 모회사인 Pocket Entertainment는 오디오를 넘어 AI 기반의 새로운 엔터테인먼트 모델로 확장하고 있습니다. 현재 유일한 마이크로드라마 앱인 Pocket Saga는 완전히 AI가 제작한 콘텐츠로 구성되어 있으며 연간 1,500만 달러의 매출 흐름을 기록하고 있습니다. 이 회사는 성공적인 오디오 스토리를 기반으로 AI 영상 콘텐츠를 제작하고 있으며, 향후 5년 내에 더 많은 엔터테인먼트 형식으로 확장할 계획입니다.

자연재해와 인재 직후의 지표를 분석할 수 있는 Disaster Data가 공개되어 데이터 분석 환경이 확장되었습니다. 이 자료는 일부 위성 영상과 Parquet 및 JSON 메타데이터 형태로 제공되며, DuckDB와 QGIS와 같은 도구를 사용하여 데이터를 탐색하고 분석할 수 있게 합니다.

공개된 자료는 재난 전과 후의 영상으로 구분되어 있으며, 사건별로 제공되는 자산이 다르다는 점을 유의해야 합니다. 이는 사용자가 특정 재난 상황에 맞는 데이터를 선별하여 활용할 수 있도록 합니다.

이러한 데이터는 콜롬비아와 베네수엘라 등 여러 지역의 재난 관련 정보를 포함하고 있으며, 개발자와 분석가들은 이 메타데이터를 통해 위성 영상에 대한 심층적인 지표 분석을 수행할 수 있습니다.

JEP 544는 애플리케이션의 시작 시간과 예열 시간을 단축하여 HotSpot JVM이 시작될 때 최적화된 네이티브 코드를 즉시 사용할 수 있도록 하는 어헤드-오브-타임(AOT) 코드 컴파일 기능을 도입합니다. 이를 위해 애플리케이션 코드를 훈련 실행(training run)에서 네이티브 코드로 컴파일하고 이 코드를 AOT 캐시에 저장하여 후속 프로덕션 실행에 활용합니다.

이 기능은 작업 부하가 변경되더라도 지속적인 최고 성능을 유지할 수 있도록 AOT 컴파일과 자바 인터프리터 컴파일(JIT) 간의 전환을 보이지 않게 만듭니다. HotSpot은 훈련 실행과 프로덕션 실행 모두에서 성능을 측정하고 프로파일링하여, 필요에 따라 네이티브 코드를 동적으로 재생성함으로써 AOT와 JIT 컴파일의 장점을 모두 취하게 됩니다.

AOT 기능을 사용하더라도 애플리케이션이나 라이브러리 코드 자체나 HotSpot 설정에 변경을 가할 필요가 없으며, 기존의 Serial, Parallel, G1, ZGC 가비지 컬렉터를 계속 지원합니다. 또한 AArch64 및 x64 프로세서 아키텍처를 지원하며, AOT 전용 모드나 크로스 컴파일을 목표로 하지 않습니다.

이 기능의 핵심 가정은 훈련 실행에서 얻은 관찰 데이터가 프로덕션 실행의 성능 향상에 도움이 된다는 것입니다. 따라서 AOT 코드는 유사한 프로덕션 실행에서 성능을 향상시키지만, JIT 컴파일을 통해 다른 코드를 생성하는 분산된 프로덕션 실행에는 악영향을 주지 않습니다.

지미 키멜이 민주당 후보와의 인터뷰를 텔레비전 방송 대신 유튜브에서만 진행한다고 발표했습니다. 이는 트럼프 행정부의 연방통신위원회(FCC)가 ABC와 소유주인 디즈니에 가한 위협에 따른 조치입니다.

키멜은 지난밤 모놀로그에서 텍사스 주 법무장관 켄 팩스에 대항하여 미국 상원의원직을 출마하는 제임스 탈라리코 민주당 후보와의 인터뷰를 진행할 것이라고 밝혔습니다. 과거에는 이러한 인터뷰가 전국 지역 방송국을 통해 방송되었으나, 이번에는 개별 방송국들이 FCC 라이선스와 관련하여 추가적인 문제를 겪는 것을 방지하기 위함입니다.

따라서 이번 인터뷰는 지미 키멜의 지미 키멜 라이브 유튜브 채널을 통해서만 공개될 예정입니다. 이는 방송국들이 FCC 관련 문제로 인해 추가적인 어려움을 겪는 것을 막기 위한 조치로 이해할 수 있습니다.

Anthropic의 2026년 9월 위협 인텔리전스 보고서는 인공지능의 오용을 탐지하고 대응하는 방안에 초점을 맞추고 있습니다. 이 보고서는 AI 시스템의 오용 가능성과 관련된 잠재적인 위협에 대한 정보를 제공하여 개발자와 보안 전문가들에게 중요한 통찰을 제공합니다.

보고서는 AI의 오용을 감지하고 이에 대처하기 위한 구체적인 전략과 방어 메커니즘에 대해 다루고 있습니다. 이는 AI 기술의 발전 속도에 따라 발생하는 새로운 보안 및 윤리적 문제에 선제적으로 대응하기 위한 지침을 제시한다는 점에서 개발 환경에 직접적인 영향을 미칩니다.

보고서의 세부 내용은 AI 오용의 유형, 탐지 방법, 그리고 효과적인 대응책에 대한 분석을 포함하고 있습니다. 개발자는 이러한 정보를 통해 AI 모델을 안전하게 구축하고 배포하며, 잠재적인 악용 시도를 최소화할 수 있는 방어 체계를 구축하는 데 필요한 맥락을 얻을 수 있습니다.

이 글은 21세기 교실을 위한 음악 이론을 다루며, 기본적인 음정, 음표, 화성, 리듬 등 기초 개념부터 시작하여 음악 분석 및 현대 음악 이론에 이르는 광범위한 내용을 체계적으로 정리하고 있습니다. 독자는 음정, 장조/단조 스케일, 간격, 화음, 음악적 진행, 선율 분석, 형식 등 음악의 구조를 이해하는 데 필요한 모든 필수 지식을 습득할 수 있습니다.

특히 이 자료는 음악 이론을 단순히 암기하는 것을 넘어, 화성 진행의 기능, 음향적 현상, 그리고 현대 음악의 흐름을 반영하는 집합론, 무조 음악, 연쇄적 음악 기법, 재즈 이론, 인상주의 등 심화된 주제들을 다루고 있어 음악에 대한 깊이 있는 분석 능력을 키우는 데 중점을 두고 있습니다.

기초적인 음악 이론을 다진 후에는 화성 진행의 원리, 음향적 변화, 그리고 음악적 형식 분석을 통해 음악을 구조적으로 이해하는 방법을 배울 수 있습니다. 또한, 12음 기법이나 집합론 같은 현대적인 접근 방식을 통해 음악적 개념을 확장하고 새로운 창작 및 분석의 틀을 마련하는 데 도움을 줍니다.

결론적으로 이 자료는 음악 이론의 기초를 탄탄히 하면서도 현대 음악 분석과 이론적 사고를 결합하여 음악을 입체적으로 이해하고자 하는 학습자에게 매우 구체적이고 심도 있는 학습 자료가 될 것입니다.

AI 스타트업인 앤트로픽(Anthropic)이 자사의 AI 모델을 이용한 연구가 합법적인지 악의적인지를 판단할 수 없었기 때문에 해당 연구 노력을 중단했다고 발표했습니다. 이 보고서는 지난 8개월 동안 앤트로픽의 AI 모델, 특히 챗봇 클로드(Claude)를 이용한 오용 사례를 기록하고 있습니다.

앤트로픽은 유효한 생물학적 탐구(예를 들어 백신 개발)가 위험한 병원체를 설계하는 데 도움을 줄 수 있다는 점에서 연구의 목적을 판단하기 어렵다고 밝혔습니다. 따라서 잠재적인 악의적 활동을 놓칠 위험을 피하기 위해 신중하게 접근하기로 결정했습니다.

이러한 상황은 최첨단 AI 모델이 알려지거나 완전히 새로운 생물학적 병원체의 개발을 촉진할 수 있다는 점 때문에 전문가들 사이에서 심각한 우려를 낳고 있습니다. 앤트로픽의 보안 책임자인 제이콥 클라인은 이러한 상황이 매우 미묘하다고 지적하며, 단순히 '모두를 죽이기 위한 생물학 무기'를 만들고 싶다는 식의 명확한 의도를 보는 것이 아니라고 설명했습니다.

연구 결과는 국가가 후원하는 생물학 무기 개발자들이 선도적인 AI 모델의 빠르게 발전하는 능력을 활용하고 있다는 충격적인 사례를 보여줍니다. 이는 AI 기술이 인간의 의도와 정렬되지 않을 경우 발생할 수 있는 실존적 위험에 대한 논의가 생물학적 오용 측면에서 상대적으로 덜 주목받아 왔다는 점을 시사합니다.

코그니션이 최신 코딩 모델인 SWE-2를 공개하며 능력과 비용의 파레토 전선을 확장했습니다. SWE-2는 SWE-1.72의 훈련 인프라를 기반으로 멀티조 단위의 강화 학습(RL)을 처음으로 구축했으며, 모든 추론 노력 수준을 단일 실행에서 훈련하는 새로운 RL 알고리즘을 도입하여 비용 대비 성능을 크게 개선했습니다. 이 모델은 FrontierCode 1.1 Main에서 Fable 5.1과 거의 동일한 수준의 성능을 달성하면서도 64% 더 저렴한 비용을 기록했습니다.

SWE-2는 단순히 성능을 높이는 것을 넘어 모델의 행동 방식에서도 효율성과 지능이 향상되었습니다. SWE-2는 더 적은 단계와 덜 중복된 탐색을 통해 더 완전한 솔루션을 작성하는 강력한 엔지니어링 판단력을 보여주며, 이는 SWE-1.7보다 평균적으로 58% 적은 턴과 81% 적은 비용으로 작업할 수 있게 합니다. 또한, SWE-2는 구현을 시작하는 데 필요한 탐색을 집중시켜 코드베이스의 어떤 부분이 실제로 중요한지 판단함으로써 더 효율적으로 작동합니다.

구체적인 행동 패턴에서는 SWE-2가 테스트 커버리지를 개선하고, 사용자가 설정한 경계를 벗어날 경우 다른 경로를 찾아 해결하는 등 더 높은 자원 활용 능력을 보였습니다. 이러한 개선은 SWE-2가 다른 모델들과 비교했을 때 GPT-6 Astra와 같은 최상위 모델에 근접한 성능을 훨씬 낮은 비용으로 제공하며, Devin Desktop 및 CLI를 통해 사용자에게 제공되고 있습니다.

아마존 파이어 TV 스틱 4K가 특별 할인 가격에 판매되고 있습니다. 9월 13일까지 Woot에서 쿠폰 코드 FIRE30을 사용하여 이 제품을 16.09달러에 구매할 수 있습니다. 이 스틱은 Wi-Fi 6 및 2GB 메모리를 지원하며, 넷플릭스, Xbox 클라우드 게이밍, 엔비디아 지포스 나우와 같은 스트리밍 서비스와 게임을 원활하게 구동할 수 있습니다.

이 모델은 2023년형이지만, 더 비싼 Fire TV Stick 4K Plus와 기능적으로 동일한 사양을 가지고 있습니다. 이 제품은 돌비 비전, HDR10 Plus, 돌비 애트모스를 지원하여 고화질 비디오와 오디오 경험을 제공합니다.

파이어 TV 스틱 라인업은 2025년 말에 4K 셀렉트 모델과 차별화하기 위해 이름이 변경되었으며, 이 2023년 모델은 다양한 스트리밍 서비스와 알렉사 플러스 음성 비서 기능을 지원합니다. 따라서 고성능 스트리밍 환경을 구축하려는 사용자에게 합리적인 선택지가 될 수 있습니다.

영국 록 밴드 뮤즈가 소셜 미디어 계정명을 메타의 새로운 AI 에이전트인 뮤즈에게 빼앗겼다는 사실이 알려졌습니다. 밴드는 인스타그램과 X에서 수년간 사용해 온 계정명을 AI 에이전트가 사용하게 되었으며, 이 과정에 대한 이전 경위는 공개되지 않았습니다.

이에 따라 밴드는 두 플랫폼 모두에서 계정명을 @museband로 변경했습니다. 인스타그램 계정명 변경 시점은 보도와 팬들의 목격담을 통해 확인되었으나, 구체적인 변경 경위는 아직 밝혀지지 않았습니다.

이 사건은 소셜 미디어 플랫폼과 AI 에이전트 간의 계정 관리 및 소유권 문제에 대한 논의를 촉발할 수 있습니다. 이는 사용자 콘텐츠와 계정 정보가 플랫폼 정책 및 AI 시스템에 의해 어떻게 처리되는지에 대한 맥락을 제공합니다.

네팔과 중국 국경 지역의 홍수 재해 발생 후 드론이 구호 활동에 사용되었습니다. 중국산 드론이 홍수로 인해 발생한 희생자 시신을 수송하고 생존자들에게 식량을 전달하는 데 활용되었습니다.

네팔군은 중국으로부터 기증받은 DJI 플라이카트 100 드론 네 대를 사용하여 하루에 10회에서 16회에 이르는 구호 물품 전달 임무를 수행했습니다. 이 재해는 8월 26일 히말라야 산맥의 빙하 부분 붕괴로 인해 갑작스러운 물, 진흙, 잔해의 급류가 국경 지대와 계곡 지역을 휩쓸면서 발생했습니다.

이 드론들은 30미터 로프와 윈치 시스템을 갖추고 있어 무거운 짐을 싣고 내릴 수 있으며 배터리 구성에 따라 187파운드에서 220파운드까지 운반할 수 있습니다. 이러한 사례는 재난 상황에서 드론 기술이 인도주의적 구호 활동에 어떻게 적용될 수 있는지 보여줍니다.

히타치 글로벌 라이프 솔루션이 태양광 발전 확대에 따른 일본의 전기요금제 변화에 대응하는 친환경 온수기를 출시했습니다. 이는 낮 시간 온수 가열을 장려하는 요금제에 맞춰 CO2 히트펌프 온수기인 EcoCute Y 시리즈의 요금제 대응 기능을 확장한 결과입니다.

이번에 공개된 제품은 일본 가정용으로 370리터와 460리터 모델로 구성되어 있으며, 이 모델들은 2026년 11월부터 순차적으로 판매될 예정입니다. 이 온수기들은 리모컨을 통해 지원 요금제를 선택할 수 있는 기능을 제공하여 사용자가 특정 요금제에 맞춰 에너지 효율을 관리할 수 있도록 돕습니다.

해당 제품은 태양광 발전 환경과 연계된 에너지 효율 솔루션을 제공하며, 일본 시장의 특정 에너지 정책 변화에 직접적으로 대응하는 제품입니다. 따라서 태양광 친화적인 에너지 환경에서 스마트 홈 기기 및 에너지 관리 시스템의 발전 방향을 이해하는 데 참고가 될 수 있습니다.

Cognition이 개발한 SWE-2 모델이 Terminal-Bench 2.1에서 92.8점을 달성하며 주목받고 있습니다. 이 모델은 Kimi K3를 기반으로 하며 Cognition의 추가 훈련을 거쳐 멀티조 단위의 파라미터 영역에서 강화 학습(RL)을 확장한 최초의 사례입니다.

SWE-2는 코딩 에이전트 작업에서 효율성을 높였는데, 중간 수준의 작업에서 SWE-1.7보다 58% 적은 턴과 81% 낮은 평균 비용을 기록하며 FrontierCode 1.1 Main에서 50.0점을 달성했습니다. 특히 Terminal-Bench 2.1 점수는 발표된 표에서 가장 높은 수치이며, 이는 다른 주요 모델들과 비교했을 때 비용 효율성 측면에서 상당한 이점을 제공합니다.

모델의 효율성을 개선하기 위해 SpecForge를 사용한 재훈련 결과, 수락 길이를 15% 늘릴 수 있었으며, 프리필 레이어 제거를 통해 GPU당 TPM과 요청당 초당 토큰 수를 10~20% 향상시킬 수 있었습니다. 다만, 장기 에이전트 작업과 관련된 Terminal-Bench 4.0 점수는 경쟁 모델들에 비해 상대적으로 낮은 격차를 보이며 여전히 개선의 여지가 있습니다.

현재 SWE-2의 가중치는 독점적이며 로컬 실행은 불가능하지만, Devin Desktop 및 CLI를 통해 즉시 사용 가능하며 Devin Web과 Fusion에서도 배포되고 있습니다. 이 모델은 토큰당 API 비용이 공개되지 않았으므로, 비용 비교는 모델의 성능과 효율성에 중점을 두고 이루어지고 있습니다.