읽을 가치가 있는 기사만, 짧고 또렷하게.

특정 모델을 넘어 일반화되는 표현(representation)에 대해 주장하려면 두 표현이 언제 동등하다고 간주되어야 하는지 명시해야 합니다. 현재 선형 표현 가설(Linear Representation Hypothesis)은 이러한 동등성을 명시하지 않고 논의되는 경우가 많습니다.

서로 다른 동등성의 개념은 서로 다른 구조를 보존하기 때문에, 동일한 표현을 연구하는 지표, 탐침, 개입 등이 실제로는 다른 가설에 해당할 수 있습니다. 따라서 선형 표현 가설은 단일 가설이 아니라 표현 동등성으로 구별되는 일련의 주장으로 간주해야 합니다.

저자들은 이 아이디어를 그룹 작용(group actions)을 사용하여 형식화합니다. 이를 통해 표현 객체, 생성 절차, 그리고 궁극적으로 주장되는 속성을 명시하고, 모델 아키텍처에 의해 부과되는 동등성을 고려합니다.

이러한 프레임워크는 측정 지표, 읽기 지점, 분석 단계에 따라 가정들이 어떻게 변화하는지를 명확히 설명하며, 이를 통해 공통 표현량과 최근 해석 가능성 분석을 감사하는 데 사용될 수 있습니다.

최신 선도 언어 모델의 뛰어난 능력 향상이 추론 능력 개선에 기인한다는 것이 널리 알려져 있지만, 폐쇄형 시스템 내의 원시적인 CoT 흔적은 숨겨져 있어 이를 검증하기 어렵습니다. 연구진은 표준 API 기능을 통해 간단한 사용자 정의 도구를 등록함으로써 선도 모델이 중간 추론 과정을 외부화하도록 유도하는 방법을 제시했습니다.

이러한 외부화된 추론 흔적은 후행적 합리화일 수 있으므로, 연구진은 먼저 오픈 소스 모델에서의 네이티브 CoT와 비교한 후 GPT-6 Astra를 포함한 폐쇄형 선도 모델에까지 확장하여 평가했습니다. 그 결과, 추출된 추론은 네이티브 추론 성능과 일치하며, 경쟁 수학, 과학, 코드 생성 분야에서 추론이 없는 기준선보다 훨씬 뛰어난 성능을 보였습니다.

나아가 연구진은 선도 모델이 중간 추론을 어떻게 구조화하는지 토큰 효율성, 추론 단계 유형, 유도된 추론 트리 등을 기준으로 특성화했습니다. 이 분석을 통해 모델들이 추론을 외부화하고 압축하며 조직하는 방식에서 체계적인 차이점을 발견했습니다.

특히 Astra 모델은 토큰 효율적인 방향성 추론을 보이며 올바른 경로를 더 일찍 선택하고 기본 단계를 내부적으로 해결하면서 중요한 추론만을 외부화하는 방식으로 작동했습니다. 이러한 발견은 벤치마크 점수를 넘어 선도 모델 추론에 대한 행동적 관점을 제공합니다.

지식 풀 리퀘스트(Knowledge Pull Requests, KPR)는 각 변경 사항을 해석 가능하게 만드는 지속적인 문서 작성 프레임워크를 소개합니다. 기존의 문서 수정 방식은 새로운 지식이 등장함에도 불구하고 변경된 지식을 반영하지 못하거나 처음부터 재구성하는 방식에 머물러 있었습니다.

KPR은 새로운 지식을 문서에 통합하기 위해 주장(claims)을 추출하고, 이를 필터링하여 섹션에 라우팅하며, 기존 내용과의 충돌을 표시하는 과정을 거칩니다. 이 과정에서 지식 변경 사항(주장 제안)과 텍스트 변경 사항(문서 차이)을 분리하는 변경 로그(ChangeLog)를 생성하여 변경의 내용을 명확하게 구분합니다.

이러한 KPR 접근 방식은 소스에서 다시 작성하거나 처음부터 재구성하는 방식보다 더 많은 정보를 통합하고 기존 콘텐츠를 더 잘 보존하면서도 생성된 토큰당 가장 많은 정보를 추가합니다. 실제로 KPR을 통해 수정된 문서는 다른 언어로만 문서화된 지식을 표면화하지 못하는 검색을 사용하는 최첨단 모델보다 질문 응답 능력이 향상됩니다.

KPR은 다국어 위키피디아 수정 및 RAGTIME에 대한 질의 기반 보고서 업데이트를 평가하는 데 사용되었으며, 이는 문서의 지속적인 개정 과정에서 정보의 정확성과 보존성을 높이는 데 기여합니다.

트랜스포머 아키텍처는 계층 간 중복성을 가지고 있지만, 기존의 후처리 압축 파이프라인은 레이어를 개별적으로 최적화하거나 휴리스틱 그룹화 전략에 의존하여 레이어별 활성화 기하학을 무시하는 경향이 있습니다. 이 연구는 이러한 한계를 극복하기 위해 훈련 없이 작동하는 원칙 기반 프레임워크를 제안합니다.

제안된 방법은 교차 레이어 가중치 쌍과 공유 사전(shared-dictionary) 분해를 순차적으로 최적화합니다. 단순히 인접 레이어의 가중치를 공유하거나 활성화 통계를 휴리스틱하게 병합하는 대신, 이 접근 방식은 구조적으로 호환되는 투영을 식별하고 각 레이어의 고유한 보정 기하학을 더 잘 보존하는 공유 표현을 학습합니다.

이러한 기법은 구조적 희소성(structured sparsity)과 결합되어 기능적 충실도를 희생하지 않으면서도 매우 효율적인 가중치 분해를 가능하게 합니다. 다양한 아키텍처, 규모, 양식에 걸쳐 이 방법은 독립적인 구조적 가중치 분해나 휴리스틱 그룹화 전략을 따르는 대안적인 쌍별 가중치 분해보다 일관되게 최고 수준의 결과를 달성합니다.

결론적으로, 이 연구는 휴리스틱 엔지니어링 전략을 최적화 주도 파이프라인으로 대체함으로써 다양한 양식에 걸친 확장 가능한 트랜스포머 압축을 위한 이론적으로 근거 있는 기반을 확립합니다.

언어 모델의 보정(Calibration)은 표현되거나 암시된 신뢰도와 실제 정확성 간의 정렬을 의미하며, 이는 자연어 처리 분야에서 잘 연구된 하위 분야입니다. 현재 보정 측정 방법은 존재하지만, 이 분야 외의 연구에서는 모델의 신뢰도 점수가 의미 있는지 확인하지 않고 새로운 모델이나 벤치마크를 도입하는 경향이 있습니다. 이러한 채택 격차는 신뢰할 수 있는 LLM 평가에 있어 주요 장애물로 작용합니다.

보정되지 않은 모델은 두 가지 영역에서 문제를 야기합니다. 배포 단계에서는 과신(overconfident)으로 인한 오류가 실제 피해를 발생시킬 수 있으며, 연구 파이프라인 내부에서는 LLM-as-a-judge, 합성 데이터 생성, 능동 학습과 같은 방법들이 보정된 신뢰도에 의존하지만 이를 검증하지 못하고 있습니다.

표준 보정 지표는 예시당 신뢰도 점수와 정확성 판단이라는 두 가지 입력만 필요하며, 대부분의 현재 벤치마크는 이미 이 두 가지를 제공하므로 보정을 즉시 보고할 수 있습니다. 그러나 개방형 생성(open-ended generation)의 경우 이 두 가지 입력을 정의하는 것은 여전히 해결해야 할 과제입니다. 따라서 각 NLP 하위 분야는 주요 성능 지표와 보정 점수를 짝지어 보정을 모든 모델의 필수 속성으로 간주해야 합니다.

학습된 메모리 방법론은 정보를 명시적인 테이블에 저장하고 별도의 리더를 통해 소비하여 주소 지정, 저장, 읽기를 독립적으로 수정할 수 있게 합니다. MemoryAthena는 단순히 메모리를 검색하는 것을 넘어 유용한 메모리를 생성할 수 있는지 연구합니다. 이 시스템은 직접 인그램 검색(E), 검색된 인그램 단서로부터의 생성(GE), 메모리 테이블을 참조하지 않고의 인과적 백본 상태로부터의 생성(GH)이라는 세 가지 경로를 사용합니다.

생성된 메모리는 조건적으로 유용하며, 특정 맥락에서는 E를 보완할 수 있지만 다른 맥락에서는 방해할 수 있습니다. 따라서 MemoryAthena는 E를 앵커로 간주하고 생성된 표현이 언제 개입해야 하는지를 학습합니다. 백본, 메모리, 생성기, 리더를 고정시킨 상태에서, GE와 GH가 E에 비해 갖는 반사실적 미래 토큰 가능성 이점을 기반으로 경량의 인과적 라우팅 헤드를 훈련합니다.

추론 시, 채택된 후보는 경계 있는 보간을 통해 E 잔차를 수정하며, 거부된 경우는 직접 경로를 복구합니다. 이 시스템은 질문 응답에서 5개 작업 평균을 37.65에서 39.28로, 6개 작업 일반 NLP 평균을 76.73에서 79.13으로 향상시켰습니다.

이러한 결과는 생성된 메모리가 직접 검색에 대한 선택적 보정임을 뒷받침하며, 언제, 무엇을, 얼마나 강하게 개입할 것인지에 대한 라우팅이 핵심 과제임을 강조합니다. 전체 메모리 측 시스템은 고정된 백본을 제외하고 약 2억 100만 개의 파라미터를 포함합니다.

대규모 언어 모델(LLM)의 후처리 과정에서 강화 학습이 핵심 요소가 되었지만, 토큰 수준의 크레딧은 수학적 정의가 부족하여 일반적인 훈련 신호와의 관계가 불분명했습니다. 이에 연구진은 완전성(Completeness), 접두사 일관성(Prefix Consistency), 중립성(Neutrality)이라는 세 가지 규칙 조건을 정립하여 토큰 수준의 크레딧을 유일하게 결정함을 증명했습니다.

이러한 특성화는 기존 알고리즘 전반의 현상을 설명하는 통일된 기반을 제공하며, 개선된 액터-크리틱 훈련 절차 개발을 안내합니다. 이상적인 온-폴리 정책 증류(OPD)의 교사는 암묵적인 비평가 역할을 하여 토큰 수준의 크레딧에 비례하는 기대 정책 기울기를 산출하며, 응답 수준의 REINFORCE Leave-One-Out(RLOO) 신호 역시 크레딧의 기대 정책 기울기 기여도와 일치함을 확인했습니다.

이러한 이론적 기반을 바탕으로 정책 정렬 비평 훈련(Policy Aligned Critic Training, PACT)이 제안되었습니다. PACT는 비평가 훈련에 중요도 샘플링 보정을 적용하는 액터-크리틱 업데이트 순서를 채택하여 비평가를 업데이트된 정책과 더 잘 정렬시킵니다.

실제 적용 결과, 에이전트 수학적 추론 분야에서 PACT는 네 가지 벤치마크에서 평균 72.87%의 정확도를 달성했으며, GRPO와 PPO보다 각각 8.80%p, 13.16%p 더 높은 성능을 보였습니다. SWE-bench Verified에서도 PACT는 67.4%의 통과율을 기록하며 PPO, GRPO, SAO를 각각 2.4%p, 2.0%p, 3.8%p 앞섰습니다.

단일 모노큘러 이미지에서 정확한 객체 관계와 고충실도 재구성을 통해 완전한 3D 장면을 복원하는 것은 여전히 어려운 과제입니다. 기존 연구들은 공간 관계에 대한 의미론적 이해는 제공하지만 정밀한 정렬이 부족한 에이전트 추론 방식과, 밀집된 포인트 맵을 예측하지만 재구성 품질이 제한적인 시각 기하학 기반 파운데이션 모델이라는 두 가지 방향으로 탐색되어 왔습니다.

이 논문은 이러한 한계를 극복하기 위해 에이전트 추론과 시각 기하학 파운데이션 모델을 모두 활용하는 계층적 사고의 사슬(hierarchical chain-of-thought) 프레임워크인 HARMONY를 제시합니다. HARMONY는 실내 장면 이미지를 입력받아 먼저 참조 이미지에 대해 카메라를 보정하여 의미론적으로 기반을 둔 공간 프레임을 설정합니다. 이후 에이전트 VLM 추론을 사용하여 3D 방 레이아웃과 초기 배치 순서를 복원하며, 벽 부착 요소부터 가구, 장식물 순으로 계층적인 순서에 따라 객체를 배치합니다.

HARMONY는 깊이 우선 순회(depth-first traversal)와 반사적 피드백 루프를 사용하여 이전 구조에 기반하여 배치를 조건화하고 오류 누적을 방지합니다. 또한 VLM에 의한 각 객체 배치 후 포인트 클라우드 추정치를 사용하여 기하학 기반 정제(geometry-based refinement)를 수행함으로써 렌더링된 이미지가 입력 이미지와 더 잘 정렬되도록 합니다.

이러한 과정을 통해 HARMONY는 단일 이미지 기반 구성적 재구성을 복잡한 실내 장면 이미지로 확장하며, 의미론적으로 일관되고 지각적으로 정렬된 3D 장면을 생성할 수 있습니다. 합성 및 실제 이미지 실험 결과, HARMONY는 평가된 재구성 기준선보다 우수한 성능을 보였으며, GPT-6 Astra와의 정성적 비교는 보다 충실한 객체 배열과 장면 세부 사항의 더 나은 보존을 시사합니다.

LLM 기반 평가(LLM-as-a-judge)는 다양한 작업에 대한 평가를 가능하게 하지만, 규모가 커질수록 추론 비용과 신뢰성 문제가 중요해집니다. 본 연구는 결정만 내리는 심판(decision-only judge)이 경제적인 1차 평가를 제공하고 더 강력한 평가가 필요한 시점을 식별할 수 있는지 탐구했습니다.

연구진은 JEV-as-a-judge를 16개의 생성 모델 및 보상 모델 심판과 비교했으며, 이 과정에 블라인드된 인간 심사가 포함되었습니다. 그 결과, JEV-as-a-judge는 가장 강력한 비교 대상인 최첨단 LLM 심판과 일반적인 선호도 및 증거 기반 사실성에서 3%p 이내의 오차로, 비교 대상 비용의 0.36% 수준에서 유사한 성능을 보였습니다.

그러나 판단이 도출 과정이나 복잡하게 작성된 오답에 저항하는 것을 요구할 때에는 더 큰 격차가 발생했습니다. 이러한 격차는 주로 낮은 신뢰도의 결정에서 집중되는 것으로 나타났습니다. 따라서 자신감 있는 판정을 수용하고 불확실한 판정을 상위 단계로 에스컬레이션하는 고정된 연쇄 과정(frozen cascade)은 더 낮은 비용으로 비교 대상의 정확도를 99% 유지할 수 있습니다.

덴마크 의회에서 1997년부터 2026년까지의 비난 귀속에 대한 연구 결과, 정치 담론이 더 적대적으로 변하고 있다는 인식과 달리 객관적인 증거는 부족합니다. 연구진은 BlameBERT(F1: 0.80) 분류기와 다단계 통계 모델링을 결합하여 이 기간 동안의 비난 패턴을 분석했으며, 결과는 2016년경까지 비난이 감소하다가 최근 몇 년(2019~2026년) 동안 크게 증가하는 나선형 궤적을 보였습니다.

정부 지위는 비난 귀속에 지속적으로 영향을 미쳤는데, 이는 정부의 비난 완화 효과로 명명된 정치적 대비 효과로 나타났으며, 야당이 집권당보다 훨씬 더 많은 비난을 하는 경향이 관찰되었습니다. 이러한 효과는 이념에 따라 조절되었는데, 우파 정당에서는 정부의 비난 완화 효과가 덜 두드러졌고, 이념적 극단성이 우파에서 비난을 더 강하게 증폭시키는 것으로 나타났습니다.

최근 몇 년 동안 정치적 입장과 이념적 극단성 간의 상호작용이 심화되어, 비난 수사가 정치 스펙트럼의 우파에 집중되는 이념적으로 비대칭적인 경화 현상을 시사합니다. 이는 단순히 수사적 흐름의 변화가 아니라 이념적으로 비대칭적인 방식으로 정치 담론이 경화되고 있음을 보여줍니다.

이러한 패턴은 비난의 증가가 단순한 수사적 변화가 아닌 이념적으로 비대칭적인 정치 담론의 경화를 반영한다는 점을 시사합니다. 민감도 분석 결과, 이러한 결론은 분류 임계값 변화에도 견고하게 유지되었습니다.

현대 임베디드 에이전트는 인상적인 성공률을 달성하지만, 실제 지시 사항을 따르는 능력은 그 수치보다 훨씬 약하다는 연구 결과가 제시되었습니다. 연구진은 이러한 현상을 낮은 장면 엔트로피라는 구조적 속성에서 기인한다고 분석하며, 시각적 장면이 하나의 유효한 작업만을 허용할 때 언어는 불필요해지고 정책이 언어를 거의 사용하지 않고도 높은 점수를 얻을 수 있게 된다고 설명합니다.

연구팀은 이러한 문제를 진단하기 위해 세 가지 원칙을 가진 진단 벤치마크인 RoboFollow를 소개했습니다. 이 벤치마크는 장면이 여러 운동학적으로 구별되는 작업 분기를 지원하여 시각 정보만으로는 불충분하며 언어에 의존하게 만드는 높은 장면 엔트로피를 측정합니다. 또한, L0부터 L3까지의 네 단계 계층적 진단 프로토콜을 통해 시각적 레이아웃과 의미를 점진적으로 교란하며, 동등한 지시가 일관된 행동을 유도하는지 또는 구별되는 지시가 공간 관계, 속성, 궤적 제약, 논리 전반에 걸쳐 차별화된 행동을 유도하는지를 탐색합니다.

실제 실험 결과, 강력한 L0 성능이 달성되었더라도 미세 조정 설정 하에서 L1부터 L3까지의 성능으로 신뢰성 있게 전이되지 않는 것으로 나타났습니다. VLM 백본 강화, QA 공동 훈련, LangForce, Classifier-Free Guidance와 같은 대표적인 완화 방안들은 이 격차를 해소하는 데 실패했습니다. 이는 지시 사항 준수가 간과되어 온 핵심 병목 현상임을 RoboFollow가 드러낸 것입니다.

RoboFollow는 지시 사항 준수를 중요한 병목 현상으로 부각시키며, 코드와 데이터셋은 GitHub와 Hugging Face에서 공개되어 있습니다. 이 연구는 임베디드 에이전트의 지시 사항 이해와 실행 간의 실제 격차를 측정하고 개선하는 데 중요한 진단 도구를 제공합니다.

벡터 양자화(VQ)는 현대의 자기회귀 및 마스크 이미지 생성 모델을 구동하는 이산적인 시각 토크나이저의 근간입니다. 최근 공유 투영 코드북 방법들이 코드북 활용도를 크게 높였음에도 불구하고, 훈련 안정성은 여전히 중요하지만 충분히 탐구되지 않은 과제로 남아 있습니다. 이는 인코더-디코더와 코드북 훈련이 서로 얽혀 있기 때문에 각 모듈이 독립적으로 자신의 역할을 수행하지 못하고 시스템 전체가 불안정한 상태가 되기 때문입니다.

이러한 문제를 해결하기 위해 StableVQ가 제안되었는데, 이는 각 모듈의 적절한 학습 목표를 재검토하여 독립적으로 훈련될 때 발생하는 문제를 해결합니다. 구체적으로 StableVQ는 세 가지 방법을 통해 안정성을 확보합니다. 첫째, 동적 STE(Dynamic STE)는 인코더의 학습 목표 불안정성을 수정하여 코드북 활용도가 낮더라도 재구성 공간을 안정적으로 최적화할 수 있게 합니다. 둘째, Region VQ Loss는 인코더의 진동에 의존하지 않고 인코더 출력 분포를 독립적으로 보장하도록 코드북의 학습 목표를 재정의합니다. 셋째, Decoupled Schedule은 인코더-디코더와 코드북의 뚜렷한 책임이 요구하는 서로 다른 최적화 역학을 인식하고 각 모듈에 독립적인 학습률 스케줄을 할당하여 시스템 수준의 안정성을 보장합니다.

공유 투영 코드북을 기반으로 구축된 StableVQ는 가중 가능한 파라미터를 도입하지 않아 경량화되어 있습니다. ImageNet 실험 결과는 다양한 코드북 크기와 초기화 설정에 걸쳐 훈련 안정성, 코드북 활용도, 그리고 재구성 품질에서 일관된 개선을 보여줍니다. 이는 VQ 기반 모델의 훈련 안정성을 실질적으로 향상시키는 실용적인 가이드라인을 제공합니다.

LLM 에이전트가 장기 목표를 수행할 때 내리는 결정이 전체 실행 결과를 결정하기 때문에, 이러한 결정을 잘 내리는 능력은 엔지니어링 및 연구 에이전트의 핵심 역량이 되고 있습니다. 연구진은 이러한 장기 목표에서의 우수한 결정 능력을 에이전트의 '맛(taste)'으로 정의하고, 기존의 종단 간 성공 측정 기준으로는 이 맛을 측정하지 못한다는 문제점을 지적했습니다.

이 문제를 해결하기 위해 연구팀은 에이전트가 생성한 궤적(trajectory)에서 자동으로 맛 질문을 구성하는 벤치마크인 Taste-Bench를 개발했습니다. 이 벤치마크는 여러 방향 중 더 나은 결과를 가져오는 결정 분기점(decision fork)을 제시하며, 모델이 이후 상황을 보지 않고 선택하도록 평가합니다. 이 분기점들은 인간 주석 없이 병렬 시도와 궤적 내부의 우회 경로에서 자동으로 추출됩니다.

Taste-Bench 평가 결과, 최고 모델조차도 질문의 59.7%만을 정확하게 답변하는 것으로 나타났으며, 특히 결정 근거가 궤적 후반부에 나타나는 분기점은 모든 모델에게 훨씬 더 어렵게 측정되었습니다. 또한, 추론 예산을 늘린다고 해서 정확도가 향상되지 않는 것으로 밝혀졌습니다.

마지막으로, 연구팀은 맛을 훈련할 수 있음을 보여주었습니다. 이는 결과가 이미 알려진 교사(teacher)의 판단을 학생 모델로 증류하여, 학생 모델이 보지 못한 작업에서 더 나은 결정을 내리고 SWE-bench Pro와 같은 작업에서 종단 간 성공을 개선할 수 있음을 의미합니다.

AI 연구 에이전트의 연구 효율성을 높이는 재귀적 자기 개선(recursive self-improvement)이 가능함을 보여주는 연구 결과가 발표되었습니다. 이는 AI 에이전트가 자신의 코드와 설계 자체를 최적화하는 루프를 통해 연구 효율성을 지속적으로 개선할 수 있음을 의미합니다.

이러한 자기 개선의 중요성은 R&D에 대한 누적 지출이 한계에 부딪히는 현상을 극복하는 데 있습니다. 연구팀은 이러한 자기 개선 루프를 구현한 시스템인 AIDE^2를 제시하며, 이 시스템은 AI 연구 에이전트의 코드 변경을 제안하고 다양한 AI R&D 작업에서 성능을 측정하여 최적의 변경 사항을 선택합니다.

8일간의 자율 실행 결과, AIDE^2는 새로운 탐색 정책부터 컨텍스트를 압축하고 관리하는 메모리 메커니즘에 이르기까지 일곱 차례의 연속적인 개선을 발견했습니다. 이 개선 효과는 머신러닝 엔지니어링, 휴리스틱 알고리즘 공학, 물리 기반 기상 예측 등 이전에 경험하지 못한 네 가지 홀드아웃 벤치마크에까지 일반화되었습니다.

또한, 이 루프는 보상 해킹(reward hacking)과 같은 의도치 않은 행동을 줄이는 효과도 가져왔는데, 이는 인간이 설계한 에이전트보다 보상 해킹 비율이 55%에서 32%로 감소하는 결과를 보였습니다. 이는 AI 연구 에이전트가 스스로 효율성을 개선함으로써 새로운 영역에서도 강력한 성능을 달성할 수 있음을 시사합니다.

AI는 학습에 반대된다는 주장은 LLM을 활용한 에이전트 코딩이 사용자에게 의존성을 심어주어 실제 학습을 방해한다는 점을 지적합니다. LLM은 사용자가 코드를 수정하거나 기능을 추가할 때 단순히 결과물을 제공하는 것을 넘어, 사용자가 스스로 문제를 해결하고 근육 기억을 형성할 기회를 박탈하며, 결국 도구에 대한 절대적인 의존성을 유발합니다.

이러한 현상은 LLM 기술 자체의 한계라기보다는, 기업들이 인간의 학습이나 참여를 배제하고 AI를 모든 것을 대체하여 막대한 가치를 창출하려는 목표와 관련이 있습니다. 소프트웨어 엔지니어들이 제품에 의존하게 만들어 그들이 임대료를 지불하게 하려는 구조 속에서, LLM은 인간의 학습 동기를 약화시키는 수단으로 활용되고 있습니다.

만약 LLM을 통해 학습의 기회를 포기하고 싶지 않다면, 몇 가지 기본 지침을 적용해야 합니다. 에이전트 환경을 제한하여 읽기 외의 명령 실행이나 파일 수정을 막고, 항상 인간 소스를 제공하도록 요구해야 합니다. 또한, 시스템 프롬프트에 명확한 지침을 포함하여 원하는 정보의 종류(코드 샘플 또는 정보)를 구체적으로 지정해야 합니다.

LLM의 출력을 무조건적인 확신으로 받아들이지 않고 극도의 회의론을 적용하는 것이 중요합니다. 이러한 접근 방식을 통해 LLM은 무한한 학습 자료를 제공하는 생성기로서의 잠재력을 발휘할 수 있으며, 사용자는 기술의 근본 원리를 배우는 데 집중할 수 있습니다.

Verda가 시리즈 B 투자 유치로 1억 8,900만 달러를 확보하며 전체 스택 AI 클라우드 개발과 컴퓨팅 용량 확대를 가속화합니다. 이번 투자는 에머전스 캐피탈이 주도했으며, Verda의 총 투자금은 현재 4억 500만 달러를 넘어섰습니다.

Verda는 고객이 필요로 하는 컴퓨팅 자원을 언제, 어떻게, 어디서 확보할 수 있도록 지원하는 플랫폼을 구축하고 있습니다. 과거에는 자원 확보가 조달 문제였으나, 이제는 에이전트 워크로드와 같은 수요 변화에 맞춰 유연하게 확장 가능한 인프라가 필수적입니다. Verda는 데이터 센터부터 하드웨어, 플랫폼에 이르는 전체 스택을 설계하여 산업 평균보다 낮은 탄소 발자국으로 컴퓨팅 용량을 제공하는 것을 목표로 합니다.

최근 Verda는 보안 및 개발자 경험을 강화하는 데 중점을 두고 기능을 추가했습니다. 엔터프라이즈가 접근 및 인증을 관리할 수 있도록 감사 로그(Audit Logs)와 SSO(Single Sign-On)를 도입했으며, NVIDIA HGX™ B300 및 B200을 활용한 기밀 컴퓨팅(Confidential computing) 기능을 강화했습니다. 또한, AI 연구와 실제 워크로드에 대한 이해를 심화하기 위해 AI 연구소에 투자하여 오픈 소스 프로젝트 및 다른 AI 연구소와의 공동 연구를 진행하고 있습니다.

이러한 노력은 사용자가 콘솔, CLI, API 등 다양한 방식으로 작업할 수 있도록 개발자 경험을 개선하는 데 집중하고 있습니다. Verda는 H100, A100, B200과 같은 최신 GPU 인스턴스 및 서버리스 컨테이너를 포함한 광범위한 컴퓨팅 자원을 제공하며 AI 인프라 시장에서 핵심적인 역할을 하고 있습니다.

브리스톨 대학교와 옥스퍼드 대학교가 주도한 연구에 따르면, 역사상 가장 큰 FIFA 월드컵 중 생중계 기간 동안 건강에 해로운 상품 브랜딩이 광범위하게 노출되었음이 밝혀졌습니다. 연구팀은 브리스톨 대학교의 슈퍼컴퓨터 Isambard-AI를 사용하여 104경기의 172.6시간 라이브 플레이를 분석했으며, 이 과정에서 93,000건 이상의 건강에 해로운 음식, 음료, 주류, 도박 및 투기 상품을 홍보하는 브랜드 노출이 기록되었습니다.

분석 결과, 전체 브랜딩 중 70.4%에 달하는 노출이 건강에 해로운 음식 및 음료 브랜드에서 발생했으며, 이는 시청자들이 축구 경기를 시청하는 동안 이러한 마케팅에 노출되는 것이 피할 수 없었음을 보여줍니다. 특히 이 노출은 경기장 광고판 등에 내재되어 있었으며, 이는 시청자들이 축구 경기를 보면서도 이러한 마케팅을 피할 수 없게 만들었습니다.

연구는 FIFA의 상업 모델이 주류나 도박 광고에 대한 국가별 법률 및 문화적 규범을 충분히 고려하지 못했음을 지적합니다. 이 연구는 스포츠가 건강 문제 해결의 해법이 되어야 하며, 건강에 해로운 상품을 홍보하는 광고 플랫폼이 되어서는 안 된다는 점을 강조합니다. 결과적으로 이 연구는 대규모 스포츠 이벤트가 어떻게 건강과 사회적 문제에 대한 마케팅 플랫폼으로 활용되는지에 대한 심각한 문제를 제기합니다.

멀티 이펙터 장비는 무한한 조정 가능성을 제공하지만, 실제 사용자들은 결국 소수의 사운드만 사용하게 되는 한계를 가지고 있습니다. 하드웨어는 그 자체로 구매하고 원하는 펌웨어를 실행할 수 있어야 한다는 것이 핵심이며, 현재 업계는 하드웨어를 소프트웨어의 전달 매체로 취급하여 사용자에게 고정된 사운드와 워크플로우를 강요하고 있습니다.

이러한 문제점은 하드웨어의 잠재력을 완전히 활용하지 못하게 하며, 이는 펌웨어 자유(Firmware freedom)가 추구하는 방향입니다. 예를 들어, Ampero II Stage와 같은 하드웨어는 충분한 처리 여유를 가지고 있음에도 불구하고, 펌웨어가 특정 사운드와 인터페이스에 고정되어 있어 사용자가 원하는 대로 작동하지 못합니다.

이러한 격차를 해소하기 위해 CoyoPedal과 같은 오픈 소스 커뮤니티가 이 분야를 주도하고 있습니다. 이 프로젝트는 앰프 엔진, 이펙트, 프리셋을 포함하는 단일 코드베이스를 구축하여, 사용자가 선택한 어떤 프로세서 플랫폼이나 하드웨어에서도 실행될 수 있는 커뮤니티 기반 펌웨어를 목표로 합니다.

이러한 접근 방식은 하드웨어 제조사, 프로세서 회사, 기존 페달 및 모델러 회사들에게 오픈 소스 커뮤니티가 펌웨어의 문을 열어주기를 촉구하는 초대장입니다. 이는 하드웨어에 대한 통제권을 사용자에게 돌려주어 더 많은 하드웨어 판매와 커뮤니티의 발전을 이끌어낼 수 있는 기회를 제공합니다.

지구의 9가지 경계 중 7가지가 이미 초과되었다는 내용이 보고되었습니다. 이는 기후 변화와 생물 다양성 손실 등 환경적 위기가 지구 시스템의 한계를 넘어섰음을 시사합니다.

이러한 경계 초과는 환경적 지속 가능성이 심각하게 훼손되었음을 의미하며, 이는 개발 및 기술 분야에서 환경적 제약 조건을 고려해야 하는 중요한 맥락을 제공합니다. 지구 시스템의 한계를 이해하는 것은 미래의 기술 개발 방향과 정책 수립에 필수적입니다.

해당 기사는 지구의 생태학적 건강 상태를 측정하는 '행성 건강 체크(Planetary Health Check)' 보고서에 기반하고 있습니다. 구체적인 데이터와 각 경계가 어떤 상태인지에 대한 상세 내용은 원문을 통해 확인해야 합니다.

뉴저지 지역의 건설 작업 중 실수로 공중 교통 관제에 사용되는 버라이즌 광섬유 케이블이 잘려 수백 편의 항공편이 취소되거나 지연되는 사태가 발생했습니다. 이 사고로 인해 FAA 관리자 브라이언 베드퍼드(Bryan Bedford)는 회로 오류로 인해 절단된 광섬유 케이블이 발견되었다고 밝혔습니다.

이 통신 장애는 동부 지역 공항들에 큰 영향을 미쳐 뉴욕 시의 세 주요 공항에서 지상 정지가 발생했습니다. 버라이즌은 이 사건에 대해 "책임이 없다"고 성명하며, 해당 케이블을 파헤치고 잘랐다고 주장하는 지역 건설업체들에게 책임을 돌렸습니다.

이 사건은 인프라 사고가 실제 서비스에 미치는 영향을 보여주는 사례이며, 통신 및 항공 관제 시스템의 물리적 연결이 외부 요인에 의해 쉽게 영향을 받을 수 있음을 시사합니다. 따라서 대규모 인프라 시스템의 안정성과 외부 요인에 대한 책임 소재를 명확히 하는 것이 중요합니다.