읽을 가치가 있는 기사만, 짧고 또렷하게.

워드프레스의 get_page_template() 함수에서 인증되지 않은 공격자가 악용할 수 있는 경로 순회 취약점이 발견되었습니다. 이 취약점을 통해 공격자는 활성 테마 디렉터리 외부의 읽기 가능한 로컬 .php 파일을 포함시킬 수 있습니다.

이러한 취약점은 설정된 조건이 충족될 경우 원격 코드 실행(RCE)으로 이어질 수 있습니다. 공격자는 테마의 디렉터리 구조와 서버의 파일 시스템 정보를 활용하여 서버 내의 민감한 파일에 접근할 수 있는 가능성이 생깁니다.

따라서 개발자는 테마 구조와 서버 파일 접근 권한에 대한 보안 설정을 면밀히 검토해야 합니다. 이 취약점은 인증 없이도 악용이 가능하며, 적절한 방어 조치를 취하지 않을 경우 심각한 보안 위협을 초래할 수 있습니다.

SAML은 SSO(Single Sign-On) 산업의 기반을 마련했지만, XML과 서명 검증의 복잡성이 누적되면서 OpenID Connect(OIDC)로의 전환이 필요해지고 있습니다. 이는 SAML 기반 인증 시스템의 설계상의 복잡성이 보안 취약점을 증가시키고 관리의 어려움을 야기했기 때문입니다.

특히 XML 서명 래핑(XSW)과 같은 공격은 오래전부터 알려진 문제임에도 불구하고 여전히 발생하고 있으며, SAML 라이브러리는 인증 기능을 구현하기 이전에 이미 XML 관련 문제를 다루어야 했습니다. 이러한 설계의 프랙털한 문제는 시스템의 복잡성을 심화시켜 보안 관리와 구현에 있어 많은 어려움을 초래합니다.

따라서 개발자와 시스템 설계자는 SAML의 복잡성을 인지하고 OpenID Connect와 같은 현대적인 표준으로 전환하는 것을 고려해야 합니다. 이는 인증 흐름을 단순화하고 보안 요구사항을 충족시키는 데 필수적입니다.

또한, SAML 환경에서 XML 서명 래핑과 같은 취약점을 방지하기 위해 라이브러리 사용 시 보안 검증 절차를 철저히 적용해야 합니다. 시스템의 기반 기술을 이해하고 최신 표준으로 전환하는 것이 안전하고 효율적인 인증 시스템을 구축하는 데 중요합니다.

미국이 호주의 알고리즘 옵트아웃 법안을 '검열'이라고 비판하며 우려를 표명했습니다. 호주의 디지털 의무 법안은 기술 기업이 사용자 보호를 위해 알고리즘을 끌 수 있는 선택권을 제공하도록 요구하며, 이를 이행하지 않을 경우 막대한 벌금을 부과할 수 있습니다.

미국 대사관은 이 법안이 정부가 '해악'에 대한 모호한 정의를 집행할 수 있게 하여 '견해 기반 검열'로 이어질 수 있다고 심각한 우려를 표명했습니다. 또한 기술 기업이 콘텐츠를 '사전에 하향 조정'해야 할 경우 독립 언론이나 민감한 주제를 다루는 다른 목소리의 도달 범위가 줄어들 위험이 있다고 지적했습니다.

이러한 옵트아웃 선택권은 기술 기업에 플랫폼 설계 요구 사항을 부과할 수 있으며, 이는 호주뿐만 아니라 전 세계 사용자에게도 영향을 미칠 수 있다는 지적도 제기되었습니다. 알고리즘에 적용된 플랫폼 설계 기능은 호주를 넘어 전 세계에서 사용자들이 보거나 듣는 내용에 영향을 미치기 때문입니다.

호주 총리는 이 법안이 정부의 통제를 강화하는 것이 아니라 개인에게 통제권을 돌려주는 것이라고 반박했습니다. 이 논쟁은 호주의 온라인 사용자 보호와 기술 혁신에 대한 국가적 평판에 대한 우려와 맞물려 진행되고 있습니다.

호주 교육 관련 기사에 따르면, 한 과외 회사가 학부모들에게 비싼 인간 튜터 대신 인공지능을 사용하라고 권고하며 서비스를 종료한다고 밝혔습니다. 이는 학생들이 시험 준비와 즉각적인 학습 피드백을 위해 인공지능을 점점 더 많이 활용하고 있는 현상을 반영합니다.

시드니에 다섯 개의 센터를 운영하던 Dymocks Tutoring and Talent 100은 이번 주 말에 문을 닫으며 기술이 기존의 서비스 필요성을 대체했다고 설명했습니다. 이 회사는 학부모들에게 비용을 절감하고 학업에서 우위를 점하기 위해 ChatGPT나 Gemini와 같은 AI를 튜터로 사용하도록 권장했습니다.

이러한 움직임은 교육 시장에서 인공지능이 학습 지원 및 피드백 도구로서 중요한 역할을 하고 있음을 보여줍니다. 개발자 및 기술 분야 종사자들에게 이는 AI 기반 학습 솔루션이 전통적인 교육 서비스의 비즈니스 모델에 어떤 영향을 미치는지 이해하는 데 중요한 맥락을 제공합니다.

AI 기본법이 시행됨에 따라 AI 서비스 운영 기록을 법적 근거 자료로 남기는 기술적 대응이 요구되고 있습니다. AI 기본법은 올해 1월 시행되었으며, 관련 계도기간은 2027년 1월에 종료될 예정입니다.

주변의 AI 서비스 팀들은 이러한 법적 요구사항에 대응하기 위해 주로 체크리스트 작성과 문서화에 집중해 왔습니다. 그러나 실제 운영 기록을 체계적으로 보존하고 관리하는 데에는 구체적인 기술적 방법론이 필요합니다.

이에 따라 xsoft는 대화 원문 없이 AI 운영 기록을 AI 기본법의 근거 자료로 남길 수 있는 SDK를 제공하며 관련 대응 방안을 제시하고 있습니다. 이는 개발자들이 AI 시스템의 운영 기록을 법적 요구사항에 맞게 기록하고 관리할 수 있도록 돕는 실질적인 솔루션입니다.

마이크로소프트가 개발을 중단했던 Visual FoxPro(VFP) 환경을 FoxDev Studio를 통해 되살려 개발 환경을 제공합니다. 이 새로운 독립 개발 환경은 기존의 Visual FoxPro 코드, 화면, 데이터를 재작성할 필요 없이 그대로 실행할 수 있도록 지원합니다.

FoxDev Studio는 프로젝트 관리자, 폼 디자이너, 테이블 탐색기, 디버거 등의 핵심 기능을 모두 포함하고 있습니다. 특히 기존 파일 형식과 추가 기능 라이브러리를 그대로 유지하여 레거시 시스템의 호환성을 확보했습니다.

이는 기존 Visual FoxPro로 개발된 대규모 프로젝트를 유지보수하거나 마이그레이션하는 데 필요한 개발 부담을 크게 줄여줍니다. 개발자들은 기존 자산을 보존하면서도 현대적인 개발 환경에서 작업할 수 있는 기반을 마련하게 되었습니다.

2026년 9월 기준, 기업 채용 사이트의 공고 중 28.3%가 90일 이상 열려 있는 상태로 측정되었습니다. 이 보고서는 15개의 지원 추적 시스템(ATS)을 통해 607,050개의 공고를 분석했으며, 고용주가 직접 게시한 채용 사이트에서 직접 데이터를 읽어낸 결과입니다. 평균적으로 열려 있는 공고의 기간은 36일이며, 이 중 90일 이상 경과한 공고는 163,057건으로 집계되었습니다.

공고의 노후도는 분야별로 차이를 보이며, 숙박업(Hospitality) 분야가 43.9%로 가장 오래 열려 있으며 평균 65일이 소요되었습니다. 엔지니어링 분야는 32.3%로 46일의 평균 기간을 보였고, 교육 분야는 37.4%로 56일이 소요되었습니다. 이는 특정 직무나 산업군에서 채용 프로세스가 길어지고 있음을 시사합니다.

또한, 공고가 닫힌 후 다시 게시되는 현상도 관찰되었습니다. 30일 이내에 닫힌 공고 중 4.2%가 동일한 고용주와 역할로 재게시되었으며, 이는 채용 과정의 유동성을 보여줍니다. 이 보고서는 공고가 실제로 '유령(ghost job)'인지 여부를 판단하기보다는 채용 공고의 상태와 기간에 대한 통계를 제공한다는 점을 유의해야 합니다.

Colab의 유료 컴퓨팅 혜택이 Google AI 구독에 통합되었습니다. 이는 브라우저에서 Python 코드를 실행하고 GPU를 사용하여 모델을 학습하는 데 필요한 컴퓨팅 자원을 Google AI 구독을 통해 이용할 수 있게 되었다는 의미입니다.

이 변경으로 인해 개발자들은 Google AI 서비스를 이용하면서 더욱 강력한 연산 자원에 접근할 수 있게 되었습니다. 구체적으로 Google AI Pro 요금제는 월 200컴퓨팅 단위를 제공하며, Google AI Ultra 요금제는 세부 요금제에 따라 1,000 또는 2,000단위의 컴퓨팅 자원을 제공합니다.

이러한 단위는 더 강력한 연산 자원을 필요로 하는 복잡한 AI 모델 학습이나 개발 작업에 활용될 수 있습니다. 따라서 Google AI 구독을 통해 개발 환경과 컴퓨팅 자원을 통합적으로 관리하고 활용할 수 있게 되었습니다.

샤오미의 오픈 웨이트 추론 모델인 MiMo-V2.6-Pro가 성능 지표에서 뛰어난 결과를 보였습니다. 이 모델은 AAII 46점을 기록하며 비슷한 크기의 공개 모델 비교군 중앙값인 18점을 크게 상회하는 성능을 달성했습니다.

이 모델은 전체 1조 개 중 토큰당 420억 개의 파라미터를 활성화하는 MoE(Mixture of Experts) 구조를 채택하고 있습니다. 이러한 구조는 모델의 효율성과 잠재적인 성능을 높이는 데 기여합니다.

또한, 샤오미는 이 모델의 가중치를 MIT 라이선스로 공개하여 상업적 사용과 자체 호스팅을 허용하고 있습니다. 이는 개발자들이 MiMo-V2.6-Pro를 활용하여 자체적인 AI 시스템을 구축하고 실험할 수 있는 기회를 제공합니다.

Filament은 데이터베이스와 업무 서비스의 데이터를 다른 데이터베이스, 데이터 웨어하우스, 객체 스토리지로 옮기고 동기화하는 데 사용되는 오픈소스 도구입니다. 이 도구는 Go 기반의 데이터 복제 엔진으로 설계되어 효율적인 데이터 이동을 지원합니다.

Filament은 데이터 복제 방식을 다양하게 지원하여 사용자가 필요에 따라 선택할 수 있도록 합니다. 전체 데이터를 한 번에 복사하는 방식 외에도 변경된 데이터만 가져오는 방식을 제공합니다.

특히 변경 데이터 캡처(CDC) 기능을 지원하여 데이터의 추가, 수정, 삭제 사항을 실시간으로 반영할 수 있습니다. 이는 데이터 동기화 시 발생하는 복잡한 변경 사항을 정확하게 처리하여 데이터 무결성을 유지하는 데 중요한 역할을 합니다.

Drop은 기존 작업 환경을 유지하면서 프로그램과 코딩 에이전트를 격리하는 Linux 샌드박스입니다. 이 시스템은 기존 배포판과 설치된 프로그램을 그대로 사용하기 때문에 개발자들이 익숙한 환경에서 에이전트를 실행하고 관리할 수 있습니다.

Drop의 핵심 기능은 환경마다 별도의 홈 디렉터리를 제공하고 원래의 홈 디렉터리를 숨김 처리하는 것입니다. 이는 에이전트가 잘못된 삭제 명령을 실행하거나 민감한 비밀 정보에 접근하는 것을 방지하여 보안을 강화합니다.

이러한 격리 메커니즘 덕분에 사용자는 익숙한 개발 환경을 유지하면서도 외부 에이전트의 접근을 효과적으로 통제할 수 있습니다. Drop은 gVisor를 지원하며 루트 권한 없이도 안전하게 샌드박싱 환경을 구축할 수 있게 해줍니다.

Rust 기반의 그래프 데이터베이스인 Fluree DB는 데이터의 현재 상태뿐만 아니라 변경 이력과 출처를 함께 관리하는 기능을 제공합니다. 이는 데이터의 신뢰성과 투명성을 높이는 데 중점을 두고 개발되었습니다.

이 데이터베이스는 Git과 유사하게 데이터베이스를 브랜치로 나누어 독립적으로 변경한 뒤 다시 병합할 수 있는 기능을 지원합니다. 개발자는 각 브랜치에서 안전하게 실험하고 변경 사항을 관리할 수 있으며, 필요에 따라 변경 이력을 추적하고 검증할 수 있습니다.

사용자는 시간을 기준으로 데이터의 변경 내역을 질의할 수 있어 데이터의 변화 과정을 상세하게 파악할 수 있습니다. 이러한 이력 관리 기능은 데이터의 출처와 변경 과정을 명확히 기록함으로써 데이터의 검증을 용이하게 하며, 복잡한 데이터 흐름을 관리하는 데 큰 도움을 줍니다.

Husky는 MLX보다 최대 4.5배 빠른 속도를 제공하는 모델 특화 추론 엔진입니다. 이 엔진은 여러 모델을 지원하는 대신 4B 모델인 Woof 하나에 최적화되어 애플 실리콘 환경에서 효율적인 추론을 가능하게 합니다.

이러한 Husky 엔진은 메일, 일정 관리, 회의록 요약 기능을 기기 내에서 처리하는 맥용 개인 AI 비서 앱 Underdog에 적용되었습니다. 이는 기기에서 직접 고성능 AI 작업을 수행할 때 추론 속도를 획기적으로 개선하여 사용자 경험을 향상시킵니다.

M5 Max 환경에서의 비교 테스트 결과, 같은 가중치와 동일한 출력을 요구하는 16가지 작업 모두에서 MLX보다 더 빠른 성능을 입증했습니다. 이는 Apple 실리콘 기반 기기에서 로컬 AI 추론 성능을 극대화하려는 개발자들에게 중요한 성능 개선 방안을 제시합니다.

OpenAI는 수학적 결과에서 비롯된 평판 위기에 대응하기 위해 인간 수학자들을 자문단으로 고용하기로 결정했습니다. 이들은 AI 회사들이 수학 연구 및 더 넓은 수학 커뮤니티와 상호작용하는 방식을 조율하는 데 도움을 줄 것입니다.

월요일에 OpenAI는 수학 연구의 발표 및 공개 방식 등을 포함하여 수학 연구와 광범위한 수학 커뮤니티와의 상호작용에 대해 AI 회사들에게 조언을 제공할 독립적인 수학자 패널을 발표했습니다. 이 패널의 갑작스러운 등장은 많은 수학자들에게 놀라움을 안겨주었습니다.

일부 연구자들은 이 그룹이 좋은 첫걸음이라고 평가했지만, 많은 이들은 이 패널이 실제로 어떤 역할을 할지에 대해 기본적인 질문을 가지고 있습니다. 이는 AI와 수학 분야의 접점에서 발생하는 윤리적, 방법론적 문제에 대한 접근 방식을 재고하게 만드는 중요한 움직임입니다.

Java 클래스 파일은 4바이트 식별값인 0xCAFEBABE로 시작합니다. 이 값은 자바 환경에서 클래스 파일의 종류와 버전 정보를 나타내는 데 사용되는 핵심적인 식별자입니다.

이 식별값의 유래에 대해 1996년경 개발자들 사이에서 그 의미를 둘러싼 추측과 말장난이 이어졌습니다. 많은 개발자들이 이 숫자가 어떤 의미를 가지는지에 대해 재미있는 가설을 제시하며 논의를 이어갔습니다.

하지만 초기 개발팀에 따르면 이 값은 단순히 재미를 위한 것이 아니라, 언어에 Java라는 이름이 붙기 이전에 이미 정해져 있던 값이라고 설명합니다. 따라서 0xCAFEBABE는 특정 의미를 내포하기보다는 자바 시스템의 초기 설계 과정에서 사용된 고유한 식별값이라는 점을 이해하는 것이 중요합니다.

코딩 에이전트가 코드를 작성하는 과정에서 Rust의 이름 있는 매개변수 도입에 대한 오랜 논쟁이 조건부 수용으로 바뀌었습니다. 이는 Rust 커뮤니티 내에서 이름 있는 인자(named arguments)를 사용하는 방식에 대한 반대가 완화되었음을 의미합니다.

이러한 변화는 개발자가 코드를 작성할 때 직접 입력해야 하는 부담을 줄여주는 긍정적인 효과를 가져옵니다. 하지만 이름 있는 인자를 사용하는 것이 호출부의 명확성을 확보하는 데 여전히 중요한 가치를 지니고 있습니다.

따라서 이름 있는 인자를 도입할 때 직접 입력의 부담을 줄이면서도 호출부의 명확성을 유지하는 균형점을 찾는 것이 핵심입니다. 코딩 에이전트의 사용 사례를 통해 실용적인 접근 방식을 모색할 필요가 있습니다.

깃허브에 공개된 retro-1620 프로젝트는 IBM 1620 모델-2 컴퓨터 시스템을 위한 웹 기반 에뮬레이터와 운영 환경을 구축하는 것을 목표로 합니다. 이 프로젝트의 주요 목적은 1960년대에 개발된 이 시스템의 소프트웨어를 복구하고, 특히 모델-2 변형에 대한 웹 브라우저 기반 에뮬레이터를 만드는 것입니다.

IBM 1620 시스템은 1960년대에 개발된 자기 코어 메모리 컴퓨터 시스템으로, 모델-1과 모델-2 두 가지 버전이 존재했습니다. 모델-2는 객체 코드 호환성을 가지며 재설계된 버전으로, 메모리 사이클 시간이 모델-1보다 빨랐고 하드웨어 나눗셈 및 간접 주소 지정이 표준 기능이었습니다. 이 시스템은 두 주소, 메모리-투-메모리 아키텍처를 사용했으며, 명령어는 연산 코드, 목적지 주소, 소스 주소 또는 리터럴 값으로 구성된 12자리로 정의되었습니다.

개발자들이 이 프로젝트에 관심을 가져야 하는 이유는 이 시스템에 대한 방대한 양의 소프트웨어와 역사적 맥락을 복원하려는 시도에 있습니다. 에뮬레이터는 단순히 하드웨어를 재현하는 것을 넘어, 당시의 프로그래밍 환경과 운영 체제인 "Monitor"와 같은 소프트웨어까지 복원하는 것을 목표로 합니다.

이 프로젝트는 MIT 라이선스로 공개되어 있으며, 개발자들은 이 에뮬레이터를 통해 구형 컴퓨터 시스템의 작동 방식을 이해하고 관련 소프트웨어를 접근할 수 있습니다. 이는 컴퓨터 아키텍처 역사와 레거시 시스템 소프트웨어에 관심 있는 개발자들에게 중요한 참고 자료가 될 것입니다.

사전 학습된 생성 확산 변환기(DiT)는 대규모 이미지 및 비디오 생성 훈련을 통해 풍부한 픽셀 수준의 시각 및 언어 조건화 구조를 포착합니다. 이러한 생성적 사전 지식을 로봇 정책에 적용하는 연구가 진행되고 있지만, 이를 제어에 어떻게 효과적으로 전달할지에 대한 방법은 여전히 불분명합니다.

연구진은 사전 학습된 생성 DiT가 행동 학습에 실제로 어떻게 기여하는지, 그리고 이 사전 지식을 제어에 어떻게 적응시켜야 하는지에 대한 질문을 던지며 NowWAM이라는 새로운 방법을 제안했습니다. NowWAM은 현재 관측값을 노이즈 제거하고 동일한 시각 스트림에서 로봇 행동을 예측하는 방식으로, 생성 목표를 노이즈 제거 궤적 전체에 걸쳐 행동 관련 표현과 직접 결합하는 미래 목표 없는 공동 훈련 공식화입니다.

이 방법은 제어에 있어 과거와 미래 시각 목표가 비교할 만한 성능을 보이며, 훈련을 깨끗한 종점(clean endpoint)으로 제한할 경우 생성적 적응에 별도의 미래 목표가 필수적이지 않음을 시사합니다. 또한 LIBERO-Plus 환경에서 FLUX2-Klein 백본을 사용할 때 NowWAM은 기존의 미래 목표 공동 훈련 기준보다 6.1%p 향상된 87.7%를 달성했으며, 훈련 시 시각 토큰을 절반으로 줄이고 단계 시간을 2.85초에서 1.63초로 단축하여 1.8배의 속도 향상을 이루었습니다.

나아가 순수 텍스트-이미지 Z-Image 백본을 사용했을 때 NowWAM은 87.8%에 도달하여 강력한 제어 적응이 비디오 생성이나 이미지 편집 백본에 얽매이지 않음을 보여줍니다. 이는 생성 모델의 강력한 표현을 로봇 제어에 활용하는 데 있어 백본의 종류에 구애받지 않는 효과적인 인터페이스가 존재함을 입증합니다.

자기 주의 기반 비전 백본은 밀집 예측에서 좋은 성능을 보이지만, 전역 소프트맥스 어텐션의 이차적인 계산 비용 때문에 이미지 해상도가 증가할수록 효율성이 제한됩니다. 이에 연구진은 게이티드 토큰 재귀(GTR)라는 소프트맥스 없는 순환 비전 백본을 제안했습니다. GTR은 게이티드 선형 어텐션, 교대 공간 스캔 방향, 공간적으로 향상된 SwiGLU 블록을 결합하여 효율성을 높입니다.

GTR은 DINOv3 교사 모델로부터 최종 레이어 패치-토큰 정렬을 통해 증류되었으며, 마스크 토큰 예측이나 중간 레이어 감독 없이 학습이 진행되었습니다. 이 모델은 Objects365 검출기 사전 학습을 통해 GTR-L로 구현되었고, RTX~4090에서 컴파일된 FP16 실행 환경에서 1.908ms의 중앙 배치당 지연 시간으로 COCO val2017에서 58.9 box AP를 달성했습니다.

GTR 백본은 인스턴스 분할, 자세 추정, 방향 감지, 의미론적 분할, 단일 모노큘러 깊이 추정 등 다양한 작업으로 확장될 수 있습니다. 또한, 특화된 청크별 CUDA 연산자는 RTX~4090에서 1.6K 토큰 기준으로 FLA v0.5.0보다 4.0배 빠른 성능을 보였습니다.

이러한 결과는 순환 토큰 혼합이 고해상도 밀집 예측과 엣지 배포를 위한 전역 소프트맥스 어텐션의 효율적인 대안이 될 수 있음을 보여줍니다. DRIVE AGX Thor에 TensorRT로 배포했을 때도 2.282~8.769ms의 중앙 배치당 지연 시간을 달성하여 효율적인 엣지 컴퓨팅 환경에 적합합니다.

장기적인 체화된 상호작용을 위해서는 에이전트가 관찰, 행동, 변화를 경험하면서 환경에 대한 정보를 유지하고 지속적으로 업데이트해야 하지만, 현재 에이전트는 이러한 메모리를 안정적으로 유지하는 데 어려움을 겪고 있습니다. 연구진은 이러한 한계를 네 가지 주요 결함, 즉 미흡한 세밀한 시각 메모리, 불안정한 동적 세계 상태 추적, 상호작용 결과로 드러난 세계 상태 기록 실패, 그리고 이전 경험으로부터의 제한된 일반화에서 비롯된다고 분석했습니다.

기존 벤치마크들은 장기적인 체화된 상호작용 중 메모리 능력을 직접적으로 평가하지 못하는 한계가 있습니다. 이를 해결하기 위해 연구팀은 2,554개의 상호작용 에피소드를 포함하는 네 가지 작업 가족으로 구성된 EmbodiedMemory-Bench(EMem-Bench)를 도입했습니다. 이 벤치마크는 에이전트가 상호작용 기록으로부터 메모리를 구축하고 업데이트한 후, 이를 사용하여 환경에서 행동함으로써 후속 작업을 완료하도록 요구합니다.

또한, 체화된 경험을 공간, 이벤트, 장면 메모리로 구성하는 외부 메모리 시스템인 Embodied-Memorizer(EMem)를 제시했습니다. 이 시스템을 기반으로 8B 정책 모델인 EMem-8B를 훈련시켜 메모리를 관리하고 활용하도록 했습니다. 평가 결과, 현재 모델들은 네 가지 도전 과제 전반에서 여전히 약하고 불균형한 성능을 보였습니다. 그러나 EMem은 평가된 메모리 시스템 중 전반적으로 최고의 성능을 달성했으며, 오픈 소스 및 독점 모델 모두를 개선했습니다. 특히 EMem-8B는 기반 모델보다 더 나은 성능을 보였습니다.