읽을 가치가 있는 기사만, 짧고 또렷하게.

Biograph는 Caristo Diagnostics의 AI 기반 관상동맥 염증 탐지 기술을 활용하여 미국에서 최초의 연구를 완료했으며, 무증상 환자의 42% 이상에서 관상동맥 염증이 발견되어 심혈관 위험을 예측할 수 있음을 확인했습니다. 이 연구는 심장 CT 스캔 분석을 통해 염증을 AI로 분석함으로써 증상이나 협착성 플라크가 나타나기 전에 심혈관 위험을 조기에 식별할 수 있는지 평가했습니다.

연구 결과에 따르면, 알려진 심장 질환이 없는 무증상 성인의 42.9%에서 관상동맥 염증이 발견되었으며, 이는 표준 혈액 검사나 전통적인 심혈관 위험 요소로는 감지되지 않는 광범위한 상태입니다. 특히, 참가자의 약 47%는 관상동맥 플라크가 감지되지 않았음에도 불구하고 관상동맥 주변 염증이 높게 나타났습니다.

이는 콜레스테롤 수치, 혈당, hs-CRP와 같은 일반적인 혈액 검사나 위험 계산 도구가 관상동맥 염증을 식별하지 못한다는 점을 보여주며, 단일 지표만으로는 심혈관 위험을 완전히 파악할 수 없다는 점을 시사합니다. 따라서 비침습적인 AI 기술을 사용하여 관상동맥 주변 조직의 생물학적 변화를 직접 분석하는 것이 불필요한 지연 없이 선제적인 개입을 위한 기회를 제공할 수 있습니다.

Claude Code 사용량을 보호하기 위해 에이전트 사용량 제한을 관리하는 Claude Code 모드인 agent-usage-guard가 공개되었습니다. 이 모드는 서브 에이전트 분산, 무거운 컨텍스트 프롬프트, 재시도 루프 등이 사용 시간(usage window)을 소모하기 전에 제한되도록 작동합니다.

agent-usage-guard는 사용자의 플랜 사용량을 읽고 모든 세션에 걸친 에이전트 수를 계산하여 Claude Code의 대화 내에서 이를 확인합니다. 실제로 이 모드는 에이전트가 시작되거나 프롬프트가 전송되거나 도구 호출이 실행되기 전에 사용량을 차단하여 실제 비용 지출을 방지합니다.

이 시스템은 로컬 API를 사용하여 세션과 토큰 수를 기록함으로써 네트워크나 프로세스 없이 작동하여 개인 정보 보호를 극대화합니다. 또한, 사용자는 5시간 및 주간 사용량 비율을 파악하여 사용 가능 시간을 확보할 수 있으며, 실패 시에도 세션이 중단되지 않고 계속 진행되는 방식으로 설계되어 안정성을 보장합니다.

사용자는 AGENT_GUARD_LIMIT_DENY_PERCENT와 같은 다양한 설정값을 통해 에이전트 제한, 소모 비율, 컨텍스트 경계 등을 세밀하게 조정할 수 있습니다. 이 도구는 AI 에이전트 사용 시 비용 통제와 사용량 관리가 필요한 개발자에게 유용한 안전장치를 제공합니다.

마이크로소프트의 AI 기술이 의사보다 질병을 진단하는 데 더 정확하다는 주장이 제기되었습니다. 마이크로소프트의 AI 최고경영자 무스타파 술레이만은 이 AI 도구가 인간 의사보다 질병을 최대 네 배 더 정확하게 진단할 수 있다고 주장했습니다.

이러한 결과는 세계 최고 권위의 학술지인 사이언스(Science)에 게재되었으며, 인간 의사와 마이크로소프트의 AI 시스템을 비교하는 일련의 시나리오를 의료 사례 보고서와 응급실 데이터를 기반으로 테스트하여 도출되었습니다. 마이크로소프트는 이러한 사례들을 자체 벤치마크로 정리하여 AI 시스템의 성능을 입증했습니다.

연구팀은 이 테스트를 통해 AI가 실제 의료 환경에서 인간 전문가와 비교했을 때 어떤 성능을 보이는지 구체적인 데이터를 제시했습니다. 이는 AI가 의료 진단 분야에서 인간의 능력을 보완하거나 능가할 수 있는 잠재력을 보여주는 중요한 근거가 됩니다.

이러한 연구는 AI가 의료 분야에서 단순한 보조 도구를 넘어 진단 과정에 깊이 관여할 수 있음을 시사하며, 향후 의료 기술 발전과 AI의 적용 범위에 대한 논의를 촉발할 것으로 예상됩니다.

로봇 기반 파운데이션 모델은 일반적으로 비용이 많이 드는 폐쇄 루프 롤아웃을 통해 평가되므로, 모델 능력에 대한 저렴한 오프라인 대리 지표가 필요합니다. 이 연구는 표현론적 표상 가설(Platonic Representation Hypothesis, PRH)을 바탕으로, 시각과 언어 같은 다양한 양식이 현실의 공유 통계 모델로 수렴하듯이, 움직임 궤적 또한 물리적 움직임의 구조로 수렴하는지 탐구합니다.

이를 위해 연구진은 센서모터 정렬($S^2$)이라는 훈련 불필요 오프라인 지표를 제안했는데, 이는 모델의 감각적 표현이 물리적 움직임의 기하학적 구조와 얼마나 잘 일치하는지를 측정합니다. $S^2$는 다양한 체화 모델 계열에서 다운스트림 로봇 작업 성공과 양의 상관관계를 보이며, 폐쇄 루프 평가 이전에 모델을 우선순위화하는 저비용 오프라인 대리 지표로 활용될 수 있습니다.

또한 $S^2$는 비용이 많이 드는 시각-언어-행동 모델(VLA)로 미세 조정하기 전에 유망한 시각-언어 모델(VLM) 백본을 식별할 수 있게 합니다. 나아가 이 지표는 VLA 및 세계 행동 모델(WAM)에서 관찰되는 현상에 대한 표현 수준의 설명을 제공하며, 체화 모델의 폐쇄 루프 성공률을 넘어 성공하는 이유에 대한 통찰을 제공합니다.

추론 모델에서 테스트 시 스케일링(Test-time scaling)은 모델이 최소한 하나의 정답을 찾기 위해 많은 후보 해답을 생성하는 추론 전략으로 부상했습니다. 모든 후보 해답을 완료하는 것은 계산 비용이 많이 들기 때문에, 최근 연구들은 짧은 접두사만 생성한 후 후보 풀을 가지치기하여 계산을 살아남은 후보에만 집중하는 방식을 사용합니다.

기존의 가지치기 전략은 크게 품질 기반 방법과 다양성 기반 방법으로 나뉩니다. 품질 기반 방법은 각 부분 해답에 점수를 매겨 최종적으로 잘못된 해답으로 이어질 것으로 예측되는 해답을 제거하는 반면, 다양성 기반 방법은 서로 다른 추론 경로를 따르는 부분 해답을 선택하여 다양한 최종 해답을 커버하도록 합니다. 이 두 목표 사이의 긴장 관계는 탐색 대 활용(exploration versus exploitation)의 문제이지만, 이 상충 관계를 직접적으로 다루거나 최적화하는 선행 연구는 거의 없습니다.

본 논문은 이러한 품질과 다양성의 상충 관계를 직접적으로 해결하기 위해 선택된 해답 풀에 대해 pass@k를 최적화하는 가지치기 절차를 제안합니다. 이 방법은 완료되었을 때 최소한 하나의 정답을 얻을 확률을 최대화하도록 풀을 선택합니다. 이 목표는 높은 품질의 부분 해답을 보상하는 동시에 그들 사이의 중복을 벌점화함으로써 품질과 다양성을 자연스럽게 균형 잡게 만듭니다.

이 방법은 여덟 개의 오픈 가중치 추론 모델에서 기존의 품질 기반 및 다양성 기반 가지치기 전략보다 우수한 성능을 보였습니다. 특히 가지치기 절차가 계속적인 생성을 위해 적절한 수의 부분 해답을 유지할 때 성능 향상이 두드러지는데, 이는 가지치기 과정에서 품질과 다양성을 직접적으로 균형 잡는 것의 가치를 강조합니다.

부분적으로 학습 가능한 신경망은 고정된 무작위 특징과 완전히 적응적인 표현 사이를 연결하는 역할을 합니다. 이 논문은 근사 공간을 구성하는 기본 과제를 다루며, 학습 오류와 근사 경계에서 나타나는 위상 전이 패턴을 정량화합니다. 연구 결과, 학습 오류는 초기에는 급격히 개선되지만 이후에는 수익이 감소하는 패턴을 보이며, 초기화 불일치가 클수록 이 전이는 더 뚜렷해집니다.

저자들은 다항식 스펙트럼 감쇠와 레버리지 호환성을 가정하고, 두 층 신경망에 대한 제곱 $L_2$ 근사율 $\mathcal{O}((κ_P\log(m/\delta)/m)^\alpha)$를 확립했습니다. 특히 차원 $d=5$와 초기화 스케일 $\tau=10$의 경우, 학습 가능한 비율이 약 $4.1\%$일 때 근사 경계 감소의 $90\%$를 달성함을 확인했습니다.

이는 소수의 학습 가능한 첫 번째 레이어 뉴런이 비선형 합성(nonlinear composition)을 통해 고정된 다운스트림 블록을 활용하는 방식을 보여줍니다. 또한, 최대 15층에 이르는 다양한 설정의 신경망에서 학습 오류가 유사한 위상 전이를 보인다는 수치 실험 결과를 제시하여, 깊은 네트워크 구조 전반에 걸쳐 이러한 현상이 일반화됨을 시사합니다.

AI 시스템이 의사결정 시퀀스를 생성할 때 이를 온라인으로 모니터링하는 방법을 다룹니다. 시스템은 각 라운드마다 제안된 의사결정과 해당 결정의 신뢰도를 추정하는 신뢰도 점수를 출력합니다. 이 결정과 신뢰도 점수는 반드시 동일한 모델에서 생성될 필요는 없으며, 예를 들어 한 에이전트가 결정을 제안하고 별도의 검증 에이전트가 이를 평가하여 정확성 또는 안전 점수를 출력할 수 있습니다.

이러한 정보를 바탕으로 시스템은 AI 결정을 자동으로 수용할지, 아니면 제안을 검토하고 수락하거나 수정하는 인간 감사자 같은 전문가에게 자문을 구할지 결정해야 합니다. 연구진은 이 문제를 온라인 제약 최적화 문제로 공식화하며, 목표는 전문가 감사의 빈도를 최소화하는 동시에 감사되지 않은 AI 오류의 비율이 사용자가 정의한 임계값 이하로 유지되도록 보장하는 것입니다.

연구팀은 어떠한 가정도 없이 검증 가능한 오류 제어 보장을 제공하는 알고리즘 패밀리를 도출했으며, 이 알고리즘은 최적으로 효율적입니다. 이 방법은 적대적 데이터 스트림과 독립적이고 동일하게 분포된 데이터 스트림 모두에서 달성 가능한 최고의 감사율을 점근적으로 달성합니다.

실제 실험 결과는 대규모 언어 모델의 유해 요청 스크리닝, 정성적 텍스트 주석, 데이터 레이블링에 대한 실험에서 이 방법들이 실질적인 오류 제어를 달성하며 기준 모델에 비해 인간 감사의 필요성을 상당히 줄임을 보여줍니다.

텍스트-이미지(T2I) 모델이 특정 이미지 컬렉션으로 미세 조정되었는지 감사하는 것은 어렵습니다. 모델은 훈련 이미지를 재현하지 않으면서도 컬렉션 수준의 시각적 특성을 흡수할 수 있기 때문입니다. 따라서 데이터셋 사용 감사를 선제적으로 수행하여 데이터셋에 공유 신호를 심고, 이후 의심스러운 모델의 출력에서 해당 신호가 나타나는지 확인하는 방식이 제안되었습니다.

본 논문은 SpectralCanary라는 방법을 소개하며, 이는 고정된 캐나리 이미지를 모든 컬렉션 이미지에 블렌딩하는 부드러운 저주파 마스크를 사용하여 캡션은 유지하면서 이미지에 신호를 전달합니다. 이 과정은 추가적인 생성이나 이미지별 최적화 없이 이루어지며, 경량 검증기가 의심스러운 모델 출력에서 이 신호를 감지합니다.

SpectralCanary는 포켓몬 데이터셋과 현실적인 데이터 변환을 포함한 여덟 가지 테스트에서 가장 높은 평균 생성당 TPR@1% FPR(91.1%)을 달성했습니다. 또한, 예술, 의료, 위성, 패션 등 다섯 가지 도메인의 데이터셋에서 SD3.5 모델에 적용했을 때, SpectralCanary는 이미지 품질(SSIM 0.989, LPIPS 0.022)을 보존하면서 데이터셋 전반에 걸쳐 평균 $\Delta$FID(0.05) 변화를 유지했습니다.

연구 결과는 저주파 시각 신호가 컬렉션 수준의 T2I 감사 흔적을 전달하는 효과적인 매개체임을 보여줍니다. 특히 포켓몬 및 ROCOv2에서 측정된 결과는 중간/고주파 배치보다 저주파 배치가 신호를 더 안정적으로 전달함을 입증합니다. 이는 데이터셋 사용 감사를 위한 신뢰성, 충실도, 견고성 및 배포 가능성 사이의 트레이드오프를 개선하는 데 중요한 시사점을 제공합니다.

IT 지원 티켓의 잘못된 자동 라우팅은 인간의 분류보다 더 큰 비용을 초래할 수 있습니다. 본 연구는 비용 인식 보류(cost-aware abstention)를 오프라인 비용 조건부 준비도 평가로 정의하고, 명시적인 비용 하에서 보류 정책을 보정 데이터로 선택한 후 홀드아웃 테스트 데이터에서 평가하는 방법을 제시합니다.

47,837건의 8개 클래스 코퍼스를 사용하여 훈련된 비-LLM 분류기 네 가지와 대규모 언어 모델(LLM) 네 가지를 제로샷 및 퓨샷 프롬프팅 하에서 비교했습니다. 이 연구는 비용 모델(c_ok, c_triage, c_wrong) = (0, 1, 5)을 적용했을 때, 보정 데이터에서 선택된 정책을 사용하여 테스트 비용을 0.763에서 0.472로 줄여 38.1%의 상대적 비용 절감을 달성했습니다. 또한 잘못된 라우팅 비율을 15.3%에서 3.5%로 낮추는 데 성공했습니다.

보정된 정책은 홀드아웃 테스트 데이터에서 항상 라우팅하거나 항상 보류하는 정책보다 16가지 설정 중 14가지에서 더 나은 성능을 보였습니다. 가장 강력하게 프롬프팅된 구성은 1,000건의 테스트 하위 집합에서 0.477의 정확도를 달성했으며, 이는 미세 조정된 DistilBERT(0.879)보다 낮은 수치입니다.

이 결과는 보류 알고리즘 자체보다는 평가 프레임워크로서의 가치를 강조하며, 보정(calibration)과 변별력(discrimination)을 분리하여 분석합니다. GPT-4o-mini의 퓨샷 결과는 보정 후와 보정 전의 신뢰도 값 차이를 보여주며, 연구는 특정 데이터셋, 프롬프트 설계, 모델 엔드포인트 및 가정된 비용에 국한된다는 점을 명시합니다.

메타 강화 학습은 제한된 상호작용으로부터 보지 못한 작업에 빠르게 적응하는 에이전트를 훈련하는 것을 목표로 하지만, 이를 위해서는 긴 상호작용 기록에 걸친 작업 증거를 표현해야 하는 과제가 있습니다. 기존의 순환 신경망 에이전트는 경험을 은닉 상태로 압축하는 반면, 트랜스포머 기반 에이전트는 과거 궤적에서 정보를 검색할 때 제곱에 비례하는 메모리와 계산 비용이 발생합니다.

본 연구는 메타 강화 학습을 위한 메모리 강화 테스트 시간 적응(Memory-Enhanced Test-Time Adaptation, METTA)을 제안합니다. METTA는 빠른 적응 단계를 두 가지 시간 척도로 분해하는데, 하나는 선형 시퀀스 복잡도로 세밀한 에피소드 내 적응을 수행하는 인과적 신경 메모리이며, 다른 하나는 전체 상호작용 기록에 주의를 기울이지 않고 장거리 에피소드 간 작업 추론을 지원하는 압축된 에피소드 수준 요약입니다.

신경 메모리를 에이전트에 장착함으로써 충분한 표현 능력을 확보하고 테스트 시간 훈련 능력을 제공하여, 보지 못한 홀드아웃 작업 및 작업 패밀리에 효과적으로 적응할 수 있게 됩니다. 실제 실험 결과, METTA는 보지 못한 Meta-World ML10/45 테스트 환경에서 50% 이상의 성공률을 달성하면서도 낮은 훈련 예산과 짧은 실제 시간을 유지했습니다. 또한, 장거리 컨텍스트의 희소 보상 PointMaze 작업에서는 트랜스포머 기반 기준 모델보다 더 구조화된 탐색 행동을 보이며 성능을 능가했습니다.

이러한 결과는 METTA가 더 적응력이 뛰어나고 확장 가능한 장거리 컨텍스트 메타 강화 학습을 위한 효율적인 경로를 제공함을 보여줍니다.

도구 사용 언어 모델 에이전트는 행동을 허용할지 여부를 결정하기 위해 환경적 사실에 의존합니다. 만약 도구 응답에서 안전 관련 사실이 누락될 경우, 사용자의 요청이 온건하고 모든 응답이 참이더라도 에이전트는 금지된 행동을 수행할 수 있습니다. 이러한 상황을 평가하기 위해 본 연구는 누락된 증거 하에서의 안전한 실행, 안전 경계, 그리고 증거 복구 능력을 평가하는 실행 가능한 벤치마크인 \bench{}를 소개합니다.

이 벤치마크는 여섯 가지 도메인에 걸쳐 300개의 일치하는 안전하지 않은/안전한 작업 쌍을 포함하고 있습니다. 이 벤치마크는 중요한 사실을 체계적으로 억제함으로써 결정적인 증거 누락 하에서의 안전하지 않은 실행을 측정하고, 전체 증거와 실패가 없는 경우를 포함하여 최소 관찰된 실패 카디널리티를 결정합니다. 또한 독립적인 감사 도구를 사용하여 에이전트가 누락된 사실을 찾은 다음 금지된 행동을 보류하는지 확인합니다.

벤치마크 결과는 열 가지 모델 간에 누락 저항성, 증거 획득, 그리고 적절한 행동에서 상당한 차이가 있음을 보여줍니다. 증거 누락에 대한 저항성이 반드시 유용한 복구로 이어지지는 않습니다. 증거 접근 권한은 열 가지 모델 모두에서 안전하지 않은 실행을 줄이지만, 에이전트들은 누락된 사실을 적극적으로 획득하여 두 세계 모두에서 적절하게 행동하는지에 따라 차이를 보입니다.

최근 오픈 웨이트 언어 모델들은 성능 향상을 위해 n-그램 임베딩 테이블을 사용하지만, 이는 상당한 메모리를 요구하는 문제가 있습니다. 예를 들어 DeepSeek-V4.1-Flash 모델은 Engram n-그램 메모리에 1960억 개의 파라미터를 할당하여 메모리 비용이 높습니다. 연구진은 이러한 메모리 비용을 줄이면서도 성능 향상을 유지할 수 있는지 탐구하기 위해 n-그램 임베딩을 낮은 정밀도로 저장하는 방식을 제안하고 다양한 양자화 방법과 비 할당을 체계적으로 조사했습니다.

이 연구 결과, nanochat, Llama, GPT-2 계열 모델을 처음부터 학습시킨 모델에서 4비트 테이블을 사용했을 때 테이블 메모리를 약 75% 절감하면서도 추가 테이블을 사용했을 때의 검증 손실(validation-loss) 개선분의 99% 이상을 보존할 수 있었습니다. 비트 수를 줄이면 성능이 감소하지만, 짧은 파인튜닝 단계만으로도 이 손실을 상당 부분 회복할 수 있다는 점이 밝혀졌습니다.

또한, 이러한 메모리 절감 효과는 대형 기존 모델에도 적용됩니다. DeepSeek-V4.1-Flash와 Qwen3.8-Flash-Next 모델에서 낮은 비트 테이블은 테이블 메모리를 47~55% 절약하면서도 퍼플렉시티(perplexity) 증가를 1.2% 미만으로 유지하고 다운스트림 작업 성능을 크게 보존했습니다.

결론적으로, 낮은 비트 정밀도는 n-그램 임베딩의 메모리 요구 사항을 줄이는 실용적인 방법이며, 절약된 용량을 활용하여 모델 성능을 개선할 수 있음을 입증했습니다.

소프트맥스, 로그-소프트맥스, 크로스 엔트로피의 표준 구현에는 두 가지 수치적 버그가 존재합니다. 첫 번째 버그인 소프트맥스 붕괴(Softmax Collapse)는 특정 로그잇이 다른 로그잇보다 훨씬 클 경우 해당 목표 로그잇의 기울기를 0으로 반올림하여 기울기가 더 이상 합산되지 않는 문제를 발생시킵니다. 두 번째 버그인 소프트맥스 상쇄(Softmax Cancellation)는 학생 모델의 로그잇이 교사 모델의 로그잇에 가까울 때 발생하며, 로그잇이 같더라도 0이 아닌 기울기가 생성됩니다.

저자들은 이러한 두 가지 버그를 해결하는 간단한 구현을 제시했습니다. 이 수정 사항은 이전에 관찰되었던 '슬링샷(Slingshot)' 현상을 제거하고 가중치 감쇠(weight decay)를 사용한 grokking 속도를 높이며 가중치 감쇠 없이도 정확도 붕괴를 방지합니다.

또한 이 수정은 지식 증류(distillation) 과정에서 학생 네트워크가 교사 네트워크로부터 멀어지는 것을 막아줍니다. 나아가, 이 연구는 기억(memorization) 이후 로그잇 성장이 가중치 감쇠와 Adam의 $\epsilon$ 하이퍼파라미터 사이의 평형에 의해 제한됨을 보여줍니다.

아마존이 구독 서비스의 플러스화 추세를 이어받아 킨들 언리미티드(Kindle Unlimited)를 킨들 플러스(Kindle Plus)로 리브랜딩하며 접근성을 확장했습니다. 킨들 플러스는 킨들 카탈로그의 일부 전자책, 만화, 잡지에 무제한으로 접근할 수 있게 하며 월 11.99달러의 구독료를 책정합니다.

이 서비스는 기존 사용자들에게 여전히 동반 오디오북 접근성을 유지해 줍니다. 사용자는 읽기와 듣기를 전환하며 이전에 읽던 위치에서 계속 들을 수 있습니다. 하지만 킨들 플러스는 여기에 인공지능(AI) 내레이터가 읽어주는 오디오북을 포함하여 접근성을 더욱 확장하는 데 중점을 두고 있습니다.

특히 킨들 플러스는 AI 음성으로 읽어주는 오디오북을 추가하여 새로운 경험을 제공합니다. 이는 기존의 텍스트 기반 콘텐츠 소비를 넘어 음성 기반의 콘텐츠 소비를 확장하는 추세를 반영하며, 기술이 콘텐츠 접근 방식에 어떻게 통합되고 있는지 보여줍니다.

거대 언어 모델(LLM)이 출력하는 신뢰도 점수는 내부적인 확신도를 측정한 값이 아니라는 점을 인지해야 합니다. 이 점수는 단순히 대화에 이어질 법한 텍스트를 토큰 단위로 생성한 결과물일 뿐이므로, LLM이 제시하는 점수를 맹신해서는 안 됩니다.

따라서 신뢰할 만한 점수를 확보하기 위해서는 예측에 사용된 정보가 정확하게 반영되었는지 확인해야 합니다. 또한, 동일한 종류의 질문에 대해 실제 정답률과 일치하는지 반드시 검증하는 과정이 필요합니다.

개발 환경에서 LLM 기반 시스템을 구축할 때 이러한 점수를 활용한다면, 단순히 출력된 수치에 의존하기보다 예측의 근거가 되는 정보의 정확성과 실제 성능을 객관적으로 검증하는 메커니즘을 설계해야 합니다. 이는 LLM의 출력물을 실제 예측이나 의사결정에 활용할 때 발생할 수 있는 오류를 방지하는 데 필수적입니다.

NVIDIA OpenShell은 자율 AI 에이전트를 위한 안전하고 사적인 런타임 환경을 제공합니다. 이 시스템은 에이전트가 데이터, 비밀 정보 또는 네트워크에 무제한으로 접근하지 못하도록 하면서 파일 읽기, 패키지 설치, API 호출 등의 기능을 수행할 수 있게 합니다.

OpenShell은 정책 기반 접근 제어를 통해 에이전트의 활동을 통제합니다. 이는 런타임에 커널을 계측하여 모든 파일 접근, 시스템 호출, 네트워크 연결을 강제하고, 정책 변경이 적용되기 전에 형식 검증을 수행하여 보안을 보장합니다. 각 에이전트는 격리된 샌드박스 내에서 실행되며, 실제 자격 증명을 보지 않도록 OpenShell이 관리합니다.

이러한 접근 방식은 에이전트의 보안과 무결성을 극대화합니다. OpenShell은 운영상의 카테고리와 수에 한정된 익명 텔레메트리만 수집하며, 샌드박스 이름, 호스트 이름, 파일 경로, 자격 증명 등 민감한 정보는 수집하지 않습니다. 개발자는 OpenShell의 새로운 API와 확장 표면을 활용하여 에이전트 기반 워크플로우를 구축할 수 있습니다.

PHP의 session.upload_progress 처리 과정에서 메모리 부족으로 인해 발생하는 힙 사용 후 해제(UAF) 취약점이 보고되었습니다. 이는 동일 프로세스의 다음 요청에서 메모리 부족으로 인해 남은 직렬화 상태가 재사용되면서 힙이 해제된 후에도 해당 메모리가 사용되는 상황을 초래합니다.

이러한 취약점은 PHP 업로드 진행률을 처리할 때 메모리 제약이 발생하면 데이터가 완전히 해제되지 않고 재사용되어 사용 후 해제(Use-After-Free)가 발생할 수 있음을 의미합니다. 개발자는 메모리 관리와 직렬화 상태 처리에 있어 이러한 상황을 고려하여 보안 위험을 관리해야 합니다.

초기 보고에서 제시된 캐시 포인터 공격 경로는 성립하지 않는 것으로 밝혀졌습니다. 이는 참조 카운트가 증가하여 대상 배열이 실제로 해제되지 않고 살아있기 때문에 해제 자체가 발생하지 않는다는 것을 의미합니다. 따라서 해당 취약점을 악용하기 위해서는 다른 접근 방식이 필요하며, 메모리 관리 로직을 더욱 면밀히 검토해야 합니다.

일론 머스크는 수요일 테슬라 실적 발표에서 2030년까지 5백만 대의 차량 인도 목표를 언급하며 팬들에게 기대감을 심어주었다. 그는 "우리는 2030년경에 연간 5백만 대의 차량을 목표로 했으며, 그 목표를 달성할 가능성이 있다고 생각한다"고 말했다.

이러한 예측은 테슬라의 다른 과장된 발언들, 예를 들어 테라팹(Terafab) 칩 공장이 세계에서 가장 가치 있는 건물이며 경제적 가치가 상위 20개 국가에 놓일 것이라는 주장과 같은 수많은 낙관적인 발언들 속에서 나왔다.

하지만 기사는 이러한 예측에 대해 수학적으로는 다른 결과가 나온다는 현실적인 점검이 필요함을 시사한다. 이는 테슬라가 제시한 목표 달성 가능성에 대해 독자들이 비판적인 시각을 가질 필요가 있음을 의미한다.

Amazon 위협 인텔리전스팀이 2026년 10월 17일에 MadPot 허니팟에서 PHP2Shell 악용 시도를 확인했습니다. 이 시점은 해당 취약점의 공식 CVE인 CVE-2026-109618과 CVE-2026-109619이 공개되기까지 4일 앞선 시점입니다.

이는 취약점이 공식적으로 공개되고 패치가 배포되기 전에 이미 공격자들이 해당 취약점을 악용하려는 시도를 하고 있었음을 의미합니다. 공개 당일에도 엠바고가 해제되기 전부터 추가적인 공격 시도가 관측되었으며, 이는 보안 커뮤니티와 개발자들이 패치에 대비할 충분한 시간을 확보하지 못했음을 시사합니다.

또한, 패치가 공개된 이후에는 해당 취약점을 이용할 수 있는 개념 증명 코드(PoC)가 이미 존재했음이 확인되었습니다. 따라서 개발자와 시스템 관리자는 공식 패치 발표 시점뿐만 아니라 취약점 공개 전후의 공격 활동 흐름을 고려하여 선제적인 보안 조치를 취해야 합니다.

일론 머스크가 미디어 회사인 스카이댄스에 약 10억 달러를 투자했다는 보도가 나왔습니다. 이 투자는 회사가 비용을 절감하고 주가를 끌어올리려는 목표를 달성하는 데 필요한 재정적 촉진제 역할을 할 것으로 보입니다.

이러한 투자 소식은 파라마운트가 워너 브로스 디스커버리를 인수하여 결합된 회사를 만드는 과정에서 나왔습니다. 스카이댄스는 데이비드 엘리슨과 이논 크레이즈가 파라마운트플러스와 HBO 맥스뿐만 아니라 CBS, CNN 등 다양한 네트워크 포트폴리오를 통합하는 임무를 맡고 있습니다.

보고에 따르면 머스크의 투자는 다른 스카이댄스 투자자들, 여기에는 이사회 멤버인 로렌 파월 잡스도 포함된 자본 기여와 비슷한 시기에 이루어졌습니다. 스카이댄스는 향후 3년간 60억 달러의 비용 절감을 약속했으며, 머스크는 과거 엘리슨들에게 공개적으로 칭찬을 해왔습니다.

머스크는 테슬라 이사회에 참여한 래리 엘리슨과 긴밀한 관계를 맺고 있으며, 래리 엘리슨은 머스크가 2022년에 트위터를 인수할 때 10억 달러를 투자한 인물입니다.