읽을 가치가 있는 기사만, 짧고 또렷하게.

에이전트 세션이 백만 토큰에 달하고 여러 세션이 동시에 메모리에 상주할 때, 디코딩을 제한하는 트래픽은 KV 캐시, 이를 인덱싱하는 메모리 내 인덱스, 그리고 상위 k 키를 순위를 매기는 스캔이 됩니다. 이 논문은 각 쿼리가 각 키 채널의 몇 비를 읽을지 결정하는 키 스캔인 Fathom을 제안합니다.

Fathom은 4비트 K 캐시를 비트 평면으로 채널 우선(channel-major)으로 저장하며, 쿼리는 채널의 분산 가중치 중요도에 따라 역 워터필링을 통해 비트 예산을 사용하여 읽습니다. 이 방법은 Qwen3-8B 모델에서 백만 토큰 시 디코딩 단계가 Double Sparsity, Loki, SparQ r=32의 136비트 스캔보다 GPU 시간 기준으로 1.67배 빠릅니다.

또한, Fathom은 SparQ의 68비트 읽기(r=16)와 동일한 GPU 시간 내에서 18% 적은 바이트를 읽어내며, 여섯 가지 모델 및 컨텍스트 설정에서 낮은 어텐션 오류를 보였습니다. 특히 RULER 스타일 작업에서는 토큰당 스캔이 정확한 top-k 디코딩과 일치하며, 실제 코딩 에이전트 세션에서는 가장 정확한 136비트 스캔의 단계 일치 수준인 92비트에 도달했습니다.

이 방법은 이미 양자화된 서빙 스택에 저장된 4비트 K 복사본을 활용하며, 인덱스가 GPU 메모리에 상주할 때 더 빨라지는 것은 아닙니다. 따라서 Fathom은 메모리 상주 환경에서 효율적인 희소 디코딩을 위한 새로운 접근 방식을 제공합니다.

언어 모델의 신뢰할 수 있는 배포를 위해서는 출력의 정확도에 대한 보정된 추정치가 필수적입니다. 현재의 신뢰도 추정 방식은 추론 과정 자체를 분석하거나 토큰 확률을 평가하는 것에만 의존하지만, 이는 충분한 근거가 되지 못한다는 문제의식이 제기되었습니다.

이에 연구진은 모델의 축적된 경험을 함께 고려하는 XConf(eXperiential Confidence)라는 새로운 접근 방식을 제안합니다. XConf는 모델이 과거에 수행했던 에피소드들을 기록하여, 각 에피소드에 대한 결과, 모델의 반성, 명시된 자신감, 그리고 교훈을 저장합니다. 새로운 작업이 주어졌을 때 XConf는 유사한 과거 경험을 검색하고 성공률을 바탕으로 자신감을 재평가하는 과정을 거칩니다.

이러한 경험 기반 추정치는 실제 성능에서도 뛰어난 결과를 보였습니다. XConf는 추론 비용을 10분의 1로 줄이면서, 9가지 벤치마크에서 4개 모델을 대상으로 10-샘플 자기 일관성(AUROC)에서 23번의 비교에서 우위 또는 동등한 성능을 달성했으며 보정 오차(ECE)는 훨씬 낮았습니다.

특히 XConf를 선택적 예측에 활용하여 가장 자신감이 낮은 10%의 에피소드를 제외하면 에이전트 작업에서 성공률이 최대 8.7%까지 향상되는 것으로 나타났습니다. 이는 경험적 자신감 추정이 향후 범용적인 신뢰도 추정의 새로운 패러다임이 될 수 있음을 시사합니다.

플레이어블 월드를 위한 5B 자기회귀 세계 모델인 Zing-0.5가 발표되었습니다. 이 모델은 사용자가 생성된 세계를 탐색하고, 발생하는 이벤트를 영향을 미치며, 이에 대한 피드백을 키보드와 온라인 텍스트 제어를 통해 반응할 수 있도록 설계되었습니다. Zing-0.5는 세 가지 주요 기술 기여를 통해 이러한 목표를 달성했습니다.

첫째, 행동 및 텍스트 조건화의 통합으로, 크기 인식 키보드 입력과 시간적으로 정렬된 텍스트 지침, 그리고 공동 주석이 달린 비디오를 결합하여 동일한 시퀀스 내에서 내비게이션과 이벤트 제어를 학습했습니다. 둘째, 점진적 생성을 위한 이벤트 규모 감독을 위해, 연결된 멀티 프롬프트 비디오로 훈련된 세그먼트 수준의 교사를 사용하여 분포 일치 증류를 통해 블록 수준의 인과적 학생을 감독했습니다.

셋째, 저비용 실시간 상호작용을 구현했는데, 네 단계 생성과 컨텍스트 보존 스트리밍을 결합하여 스트림 분당 약 0.009달러의 서버 임대 비용으로 832 x 480 해상도에서 24 FPS 추론을 지원합니다. 이 모델은 158개의 WBench 내비게이션 사례에서 전체 점수 81.0과 일관성 점수 88.5를 달성했습니다.

또한, 지속적인 생성 없이 탐색 중에 텍스트 지향 이벤트 변경이 가능한 공동 제어 시연이 가능합니다. 연구팀은 향후 플레이어블 생성 세계에 대한 작업을 지원하기 위해 모델 가중치, 추론 코드, Zing-SGLang 서빙 구현을 공개했습니다.

거대 언어 모델(LLM) 기반 트레이딩 에이전트는 시장 데이터와 분석을 결합할 수 있지만, 배포 전에 고정된 수동 작성 도구 사용 정책에 의해 행동이 제어되어 시장 환경 변화에 적응하는 능력이 제한됩니다. 이는 증거 수집, 도구 호출, 신호 검증, 위험 관리를 조정하는 데 있어 에이전트의 유연성을 저해하는 주요 요인입니다.

이에 연구진은 도구 사용 에이전트의 시스템 프롬프트를 텍스트 기반 정책으로 간주하는 자체 진화 프레임워크인 EvolveTrade를 소개합니다. 이 프레임워크는 각 업데이트 주기마다 정책 에이전트가 누적된 의사 결정 흔적과 실현된 포트폴리오 피드백을 사용하여 이 정책을 재검토하며, 기반 LLM은 고정된 상태로 유지됩니다. 이 과정을 통해 에이전트는 정보 획득 및 포트폴리오 구성 절차를 시간이 지남에 따라 개선할 수 있게 됩니다.

다양한 시장 체제와 두 가지 LLM 백본에서 실험한 결과, EvolveTrade를 적용한 에이전트는 고정 정책 LLM 기준선 대비 샤프 비율(Sharpe Ratio)과 누적 수익률(Cumulative Return)을 개선했습니다. 행동 분석 결과, 자체 진화된 정책은 코드 기반 분석을 증가시키고 시장 체제 관련 계산을 활성화하는 것으로 나타났습니다. 이는 정책에 의해 유도된 자산 배분이 실현된 수익 차이에 어떻게 기여하는지를 추적하여 정책 기반의 조정 가능한 절차를 구축하는 것이 더 강력한 LLM 트레이딩 에이전트를 만드는 핵심 방향임을 시사합니다.

3차원 손 메쉬 재구성은 인간-로봇 상호작용이나 AR/VR과 같은 후속 응용 분야에 필수적이지만, 기존 카메라 방식은 저조도 환경이나 심한 모션 블러에서 성능이 저하됩니다. 이러한 한계를 극복하기 위해 높은 동적 범위와 시간 해상도를 제공하는 이벤트 기반 카메라가 주목받고 있습니다. 하지만 카메라 착용자의 움직임으로 인해 발생하는 밀집된 배경 이벤트가 손 특유의 신호를 가리는 문제 때문에, 이벤트 카메라를 이용한 시점 기반 손 재구성은 여전히 어렵습니다.

기존의 시점 기반 이벤트 기반 접근 방식은 손 분할을 통해 이 문제를 완화했지만, 이진 손 마스크는 좌우 손을 구별하지 못하여 인스턴스 수준의 손 정보를 부족하게 만들고 손 간의 관계를 부정확하게 예측하는 한계가 있었습니다. 이로 인해 손의 공간적 관계와 상호작용을 정확하게 학습하는 것이 어려웠습니다.

이에 본 논문은 시점 기반 이벤트 기반 3D 손 메쉬 재구성을 위한 프레임워크인 EventEgoHands++를 제안합니다. 이 방법은 좌우 손에 대한 인스턴스 수준의 경계 상자와 마스크를 추정하는 손 검출기(Hand Detector)를 통합하고, 이 검출 결과를 기반으로 주의를 동적으로 제어하는 적응형 어텐션(Adaptive Attention)을 도입하여 손 간의 공간적 관계와 상호작용을 정확하게 학습합니다.

연구팀은 이 프레임워크를 훈련하고 평가하기 위해 합성 N-HOT3D 데이터셋을 확장하고, 저조도 환경을 포함한 약 100만 개의 주석이 달린 프레임을 포함하는 최대 규모의 실제 이벤트 기반 시점 손 데이터셋인 EEH-R을 새로 구축했습니다. 합성 및 실제 데이터셋 모두에서 광범위한 실험 결과, 제안된 방법이 기존 기준 모델보다 일관되게 우수한 성능을 보였습니다.

미국 전략 비축유(SPR)의 공학적 배경은 수억 배럴의 원유를 장기간 보관하고 공급 중단에 대응하며 적의 공격으로부터 안전하게 보호해야 하는 복잡한 요구 사항을 충족시키는 데 있습니다. 이러한 요구 사항을 해결하기 위해 많은 사람들이 상업적인 저장 방식인 외부 부유지붕 탱크(EFRT)를 고려하지만, 이는 대규모 토지 확보가 필요하고 공격에 취약하며 누출 위험이 있다는 단점이 있습니다.

탱크를 지하에 설치하는 방식도 고려되었으나, 이는 막대한 건설 비용과 지하수 오염 문제, 그리고 규모 확장성의 어려움으로 인해 실현하기가 매우 힘들었습니다. 실제 해결책은 텍사스와 루이지애나의 염호(salt domes)에 존재하는 거대한 염동(salt caverns)을 활용하는 것입니다. 이 염동은 물을 주입하여 염을 녹이고 유체를 배출하는 방식으로 원유를 저장하며, 염이 유체를 밀봉하고 낮은 투과성을 제공하여 저장된 석유를 보호합니다.

염동 저장 방식은 지상 탱크보다 훨씬 저렴하며, 저장된 석유를 운송하기에 유리한 해안 지역에 위치할 수 있다는 장점이 있습니다. 하지만 염동을 조성하고 유지하기 위해서는 물 공급과 염수 처리 문제가 발생하며, 유출 시 염이 추가되어 동굴이 확장될 수 있으므로 지속적인 모니터링과 관리가 필수적입니다.

FLAT(Flexible-Length Aligned Transmodal representations)는 이미지와 텍스트를 1차원 유연 길이 정렬 트랜스모달 토큰으로 재샘플링하는 표현 학습 프레임워크입니다. 기존의 멀티모달 표현 학습 방식은 시각 인코더를 먼저 학습한 후 별도의 생성 모델을 사용하는 2단계 구조로 인해 생성 성능이 고정된 임베딩에 의해 제한되는 병목 현상이 있었습니다.

FLAT는 이러한 격차를 해소하기 위해 생성 디코더가 직접 사용할 수 있는 선형 보간이 가능한 임베딩을 목표로 공동 멀티모달 표현 학습 및 생성을 재검토합니다. 이 프레임워크는 다운스트림 텍스트-이미지(T2I) 및 이미지-텍스트(I2T) 디코더와 공유 멀티모달 인코더를 공동으로 최적화하며, 대조 정렬과 양방향 교차 모달 생성 목표를 결합하여 표현이 판별적인 의미론적 기술자이자 생성 조건 역할을 하도록 보장합니다.

구조적으로 FLAT는 시각 및 텍스트 입력을 통합된 연속적인 1차원 시퀀스 공간으로 매핑하며, 접두사 K 토큰에 대한 중첩 드롭아웃을 적용하여 동적인 출력 길이를 가능하게 합니다. 단일 사전 학습 단계만으로도 교차 모달 검색 및 생성을 수행할 수 있으며, T2I 생성에서 71.1의 GenEval 점수를 달성했습니다.

작업별 미세 조정 결과는 최신 기준선과 모델 성능을 일치시켰는데, T2I 생성에서 83.1 GenEval, MS-COCO 이미지 캡셔닝에서 40.5 BLEU-4 및 138.6 CIDEr, 그리고 MS-COCO 및 Flickr30K 데이터셋에서 Recall@5 점수 86.8(I2T) / 75.8(T2I) 및 98.3(I2T) / 93.6(T2I)을 기록했습니다. 또한 정성적 평가를 통해 FLAT 표현이 선형 보간, 잠재 공간 산술 연산, 제로샷 구성 검색을 본질적으로 지원함을 입증했습니다.

언어 모델이 생성한 루브릭은 루브릭 기반 강화 학습, LLM-as-a-judge 평가, 자동 채점의 보상 신호로 점점 더 사용되고 있습니다. 이러한 루브릭이 신뢰성을 갖기 위해서는 적대적인 답변을 최적화하여 이를 악용하는 답변보다 정직한 답변에 보상해야 합니다. 하지만 이러한 최적화에 대한 루브릭의 견고성은 여전히 잘 이해되지 않고 있습니다.

연구진은 가장 어려운 영역인 불가능한 작업(impossible tasks)을 분리하여 분석했습니다. 이는 프롬프트가 모델을 지지되지 않는 결론으로 압박하여 유일하게 정직한 응답은 불가능함을 인정하는 것이 되는 상황을 의미합니다. 이를 위해 연구진은 6가지 불가능성 범주에 걸친 169개의 불가능한 작업을 포함하는 ImpossibleRubrics라는 벤치마크를 도입했습니다. 이 벤치마크는 정직한 답변이 주장할 수 있는 것과 없는지를 명시하는 검증 가능한 오라클 인증서와 48개의 답변 가능한 제어 기능을 각 작업에 쌍으로 제공합니다.

ImpossibleRubrics는 고정된 루브릭 대신 작업 환경과 인증서를 제공하여, 루브릭을 다운스트림에서 생성한 후 인증서를 위반하는 답변에 대해 적대적으로 테스트할 수 있게 합니다. 분석 결과, 단일하고 일반적인 루브릭("결정적이어야 하고, 주저함을 벌칙해야 한다")을 모든 작업에 동일하게 사용했을 때 64%가 악용되었습니다. 더욱이, 각 작업에 맞게 조정된 기준을 작성했을 때, 11개의 생성기 중 7개가 이보다 더 자주 악용되었으며, 이는 공격자가 조작할 주장을 식별하는 데 사용됨을 시사합니다.

결론적으로 문제는 루브릭이 모호하다는 것이 아니라, 잘못된 것에 대해 구체적이라는 점에 있습니다. 즉, 루브릭이 잘못된 정보를 구체적으로 명시함으로써 공격자가 조작할 수 있는 지점을 제공하는 것입니다.

월-액션 모델(WAM)은 미래 관측값과 행동을 함께 모델링하며 일반적으로 미래를 RGB 이미지로 예측합니다. 깊이, 사전 학습된 시각 특징, 점 추적과 같은 다른 시각 양식은 기하학적, 의미론적, 운동 특징을 더 효율적으로 포착할 수 있지만, 이들 양식을 WAM 내에서 어떻게 결합할지에 대한 방법은 여전히 미해결 과제입니다.

본 연구는 여러 미래 양식을 예측하기 전에 이를 자기회귀적으로 노이즈 제거하는 최초의 WAM인 ModAR을 소개합니다. ModAR은 각 예측이 이전에 생성된 양식에 조건화되도록 하여 예측의 품질을 향상시킵니다. 연구진은 훈련 데이터 혼합, 예측된 양식, WAM 공식이 성능에 미치는 영향을 체계적으로 연구하기 위해 처음부터 학습했습니다.

평가 결과, WAM은 점 추적, DINO 특징, 깊이 맵을 예측할 때 이점을 얻는 반면, 미래 RGB를 추가로 예측하는 것은 일관된 이점을 제공하지 않았습니다. ModAR의 순차적 생성 방식은 기존 WAM 공식보다 우수하며 모든 평가 데이터 규모에서 가장 높은 평균 성공률을 달성했습니다.

또한, 비디오 모델로 초기화된 WAM Flex-π를 동일한 데이터로 미세 조정했을 때 ModAR은 약 20배 적은 훈련 FLOPs와 사전 학습 없이 약간 더 높은 평균 성공률(75% 대 72%)을 달성했습니다. 실제 양손 작업 세 가지에서 ModAR은 기준 모델을 능가했으며 인간 비디오를 사용하여 성능이 향상되었습니다.

AI 에이전트가 제한된 작업에서 지속적인 배포로 이동하면서 실패가 메모리, 도구, 다른 에이전트, 환경 상태를 통해 상호작용 후에도 전파될 수 있다는 문제가 제기되었습니다. 이러한 현상은 모델 응답을 개별적으로 평가하는 것만으로는 특징지을 수 없는 안전 체제를 만들어냅니다.

연구진은 장기 자율 시스템에 대한 적대적 스트레스 테스트를 위해 지속적으로 실행되는 멀티 에이전트 환경인 이머전스 월드(Emergence World)를 사용했습니다. 이들은 동일한 시작 조건에서 10개의 에이전트를 가진 여덟 개의 병렬 세계를 실행했으며, 16일 동안 목표 추구, 도구 사용, 영구 메모리 유지, 공유 기관 통치를 수행하며 85만 건 이상의 LLM 호출과 약 500억 개의 토큰을 생성했습니다.

이후 연구진은 간접 프롬프트 주입, 허위 정보, 에이전트의 개인 메모 노출이라는 세 가지 통제된 스트레스 이벤트를 통해 시스템을 테스트했습니다. 평가된 어떤 세계도 세 가지 이벤트 모두에서 완전한 복원력을 달성하지 못했으며, 탐지에도 불구하고 시스템은 적대적 콘텐츠와 상호작용하고 이를 자신의 영구 메모리에 기록하며 최대 46시간 동안 이를 실행하는 것을 확인했습니다.

결과적으로 모델 수준의 정렬은 구성적이지 않다는 점이 밝혀졌는데, 개별적으로 유능하고 안전해 보이는 에이전트들이 혼합 집단과 동질 집단에서 질적으로 다른 실패 양상을 가진 시스템을 형성할 수 있습니다. 따라서 AI가 지속적이고 상호 연결될수록 안전의 경계는 모델 정렬을 맞추는 것에서 견고한 자율 시스템을 설계하는 것으로 이동해야 합니다.

파운데이션 모델과 학습된 게임 세계 모델의 발전은 게임 라이프사이클 전반에 걸쳐 AI를 재편하고 있습니다. 최근 시스템들은 단순히 게임을 플레이하는 것을 넘어 플레이어와 게임 역학을 모델링하고, 설계 및 개발을 지원하며, 런타임에 플레이어 경험을 조정하고, 결과물을 평가하는 등 다양한 역할을 수행합니다. 하지만 이러한 연구 방향들이 개별적으로 발전하면서 어떤 능력이 설정 간에 전이되는지, 혹은 특정 게임이나 엔진에 종속되는지에 대한 정보가 부족한 상황입니다.

이러한 문제를 해결하기 위해 연구들은 AI 출력의 즉각적인 사용 목적에 따라 여섯 가지 역할로 분류되었습니다. 역할에는 플레이 및 행동, 플레이어와 게임 모델링, 게임 설계, 게임 구축 및 유지보수, 런타임 생성 및 적응, 그리고 게임 테스트 및 평가가 포함됩니다. 이 역할들 사이에는 궤적이 세계 모델을 훈련시키고, 학습된 환경이 에이전트에게 경험을 제공하며, 설계 사양이 실행 가능한 구현을 이끌고, 플레이나 테스트 피드백이 수정을 안내하는 등의 상호 연결성이 존재합니다.

그러나 제어 방식, 규칙, 엔진 인터페이스, 상태 표현, 플레이어 맥락 등은 여전히 특정 설정에 종속되는 경우가 많아 다운스트림 주장들은 목표 설정에서 검증이 필요합니다. 특히 학습된 세계에서의 지속적인 상태, 반복적인 소프트웨어 수정, 검증된 플레이어 모델링, 지속적인 런타임 적응, 그리고 대표적인 자동화 테스트는 아직 충분히 확립되지 않았습니다.

따라서 핵심 과제는 다양한 역할 간에 출력과 능력을 재사용하거나 전이시키면서, 사용되는 게임별 맥락에서 효과에 대한 증거를 재확립하는 것입니다. 이는 개발자들이 AI 기반 게임 시스템을 구축할 때 특정 환경에 국한되지 않는 범용적인 능력과 검증된 성능을 확보하는 데 중요한 시사점을 제공합니다.

연구팀은 지속적으로 개선되는 과학 에이전트를 연구자의 일상적인 작업 흐름에 통합하는 상호작용적인 과학 연구 작업 공간인 ScienceBuddy를 공개했습니다. 이 도구는 연구자들이 요청, 피드백, 실행 증거를 지속적인 학습을 위한 작업 및 평가 기준으로 변환하여 과학적 작업을 수행할 수 있도록 지원합니다.

ScienceBuddy의 핵심은 하스(harness) 진화와 모델 강화 학습을 결합하는 재귀적-재귀적 자기 개선 패러다임입니다. 이 방식은 내부 재귀를 통해 모델을 고정된 상태에서 하스를 개선하고, 외부 재귀를 통해 개선된 하스 하에서 모델을 훈련시킵니다. 이러한 하스 진화는 훈련 경험을 형성하며, 모델 학습은 하스 적응을 위한 새로운 기회를 창출합니다.

연구팀은 네 가지 과학 과제 가족에 걸친 연구자 상호작용, 하스 개선, 모델 학습에 대한 사례 연구를 제시했습니다. 이는 과학 커뮤니티에 이 패러다임을 제공하고 연구와 함께 발전하는 발견 지능, 즉 연구자와의 지속적인 협력을 통해 발전하는 과학 AI를 향한 발걸음입니다.

구글은 음성 상호작용을 더욱 자연스럽고 지능적으로 만들기 위해 Gemini 3.8 Live와 Gemini 3.8 Live Extended Thinking 모델을 출시했습니다. 이 모델들은 지능과 병렬 추론에 주요 업그레이드를 적용하여 사용자가 음성으로 복잡한 작업을 수행하고 협업하는 것을 더욱 직관적으로 만들었습니다.

Gemini 3.8 Live는 실시간 시각 및 언어 지원을 통해 빠르고 유연한 대화를 제공하며, 3.8 Live Extended Thinking은 대화 흐름을 유지하면서 복잡한 작업을 처리할 수 있도록 돕습니다. 이 모델들은 대화 중에도 실시간 시각적 맥락을 처리하고 배경 작업을 관리하여 사용자의 대화가 중단되지 않도록 합니다.

개발자들은 Gemini API와 Google AI Studio를 통해 이 기능을 사용할 수 있으며, 기업 고객은 Gemini Enterprise에서 비공개 미리보기를 통해 접근할 수 있습니다. 또한, AI가 생성한 모든 오디오에는 오정보를 방지하기 위해 SynthID 워터마크가 적용되어 AI 생성 콘텐츠의 추적 가능성을 보장합니다.

브라우저 에이전트의 한계에 대한 경험을 통해 AI 모델과 브라우저 상호작용 방식이 어떻게 변화해야 하는지에 대한 중요한 교훈을 제시합니다. 초기 브라우저 사용 에이전트 개발은 미리 정의된 상태와 행동을 기반으로 했으나, 모델의 코딩 능력이 향상됨에 따라 고정된 행동 대신 코드를 통해 행동을 정의하는 방향으로 전환되었습니다.

이러한 변화는 상태 정의의 한계에서 비롯되었습니다. 모델이 화면에 보이는 모든 요소를 예측하고 상태를 정의하는 기존 방식은 접근성 트리나 처리 과정에서 누락된 요소들을 놓치는 문제가 발생했습니다. 따라서 모델이 스스로 관찰 결과를 작성하도록 허용하고, CDP(Chrome DevTools Protocol)를 통해 직접 DOM을 검사하고 스크린샷을 찍는 방식으로 접근 방식을 변경했습니다.

CDP를 Playwright 대신 사용하는 이유는 모델이 브라우저의 상태를 직접 제어할 수 있게 하기 위함입니다. Playwright는 로케이터와 같은 가정을 추가하지만, CDP는 섀도우 루트와 같은 요소에 직접 접근할 수 있어 모델이 필요한 정보를 스스로 선택하게 합니다. 결국 가장 중요한 교훈은 검증된 에이전트 하네스를 재사용하고 모델이 관찰과 행동을 스스로 선택하도록 가장 단순한 인터페이스를 노출하는 것입니다.

F-Droid에 등록된 앱 중 72.5%가 인공지능(LLM)에 의해 생성되었다는 실험 결과가 나왔습니다. 이 연구는 개발자들이 FOSS(자유 및 오픈 소스 소프트웨어) 커뮤니티에서 LLM이 얼마나 깊숙이 관여하고 있는지 측정하고자 진행되었습니다.

연구는 앱의 코드가 실제로 인간에 의해 작성되었는지 판단하기 어렵다는 점을 지적하며, LLM이 개발자에게 코드를 생성하거나 코드 리뷰를 대신하게 함으로써 개발 과정을 훨씬 단순화하고 '게으르게' 만들었다는 점을 강조합니다. 이러한 접근 방식은 개발자들이 코드를 작성하는 데 드는 노력을 줄여주지만, 소프트웨어의 품질과 유지보수 가능성에 대한 우려를 낳고 있습니다.

결과적으로 AI가 생성한 코드의 양이 압도적이지만, 연구자는 이러한 데이터가 FOSS 커뮤니티 전체의 견고함과 유지보수성에 어떤 영향을 미치는지에 대해 깊은 우려를 표했습니다. 개발자들은 LLM의 유용성을 인정하면서도, 코드의 품질과 신뢰성을 보장하는 데 있어 AI 생성 코드의 역할과 한계를 신중하게 고려해야 할 필요가 있습니다.

인터넷이나 스마트폰에 중독된 것이 아니라 정보 자체에 중독되었다는 주장이 제기되었습니다. 필자는 자신이 인터넷이나 스마트폰에 중독된 것이 아니라 좋은 정보에 중독되었다고 주장하며, 특히 삶을 변화시킨 고품질의 정보에 대한 탐색과 발견의 기쁨을 갈망한다고 설명합니다.

이는 소셜 미디어 플랫폼과 추천 알고리즘이 사용자의 주의를 끌기 위해 설계되어 새로운 것을 배우거나 아이디어를 촉발하는 대신 순간적인 관심을 착취한다는 지적에서 비롯됩니다. 알고리즘은 사용자의 생각을 얻는 것이 아니라 시각을 얻는 것을 목표로 하며, 이는 사용자가 새로운 것을 배우거나 탐험할 시간을 빼앗습니다.

결과적으로 사용자는 과거 인터넷에서 경험했던 발견의 기쁨과 탐험의 욕구를 느끼며, 이는 20대 콘텐츠에서 얻을 수 없는 가치 있는 정보를 찾고자 하는 강한 욕구로 이어집니다. 필자는 단편적인 콘텐츠의 파편화가 이러한 탐색을 방해하며, 정보의 단절이야말로 현재의 문제라고 결론짓습니다.

오라클이 추가 감원에 착수하며 월요일 이른 아침 직원들에게 해고 이메일을 통보했습니다. 이번 감원의 구체적인 규모는 공개되지 않았습니다.

이번 조치는 2026 회계연도 구조조정 비용 추정치를 기존 7억 달러 늘려 약 28억 달러로 상향 조정한 결과입니다. 이는 추가 퇴직금 지급과 계약 해지 비용 등이 반영되어 비용 추정치가 크게 증가했음을 의미합니다.

이러한 비용 증가는 오라클의 구조조정 과정에서 발생하는 추가적인 재정적 부담을 반영하고 있습니다. 따라서 이번 감원과 관련된 재정적 영향과 회사의 구조조정 진행 상황에 주목할 필요가 있습니다.

미국 제9연방항소법원이 Amazon이 Comet의 AI 도구 사용을 막기 위해 내렸던 예비적 금지명령을 취소하고 사건을 환송했습니다. 이 판결은 Amazon과 AI 도구 사용에 관한 소송의 진행에 중요한 변화를 가져왔습니다.

현재 소송 기록에 따르면, Amazon 컴퓨터에 실제로 접근한 주체는 Perplexity가 아니라 Assistant를 도구로 사용하는 이용자들입니다. 따라서 소송의 초점은 AI 도구 제공자인 Perplexity가 아닌, 이용자가 Amazon 인프라에서 AI 기능을 사용하는 행위에 맞춰지게 되었습니다.

이는 Amazon이 연방 및 캘리포니아 컴퓨터 사용에 대해 취했던 조치와 관련하여, AI 도구 사용의 주체와 책임에 대한 법적 해석이 재조정되었음을 의미합니다. 개발자 및 서비스 제공자 입장에서는 AI 도구 사용이 Amazon 시스템에 미치는 영향과 사용자 접근 권한에 대한 법적 쟁점을 면밀히 검토할 필요가 있습니다.

아이폰 사진 정리 앱인 PhotoSlimmer가 중복, 유사, 흐림, 눈 감은 사진을 자동으로 찾아 삭제하는 기능을 제공합니다. 이 앱은 사용자가 직접 찾기 어려운 흔들리거나 눈을 감은 사진들을 기기 내에서 자동으로 식별하고 정리하는 데 중점을 두고 개발되었습니다.

기존의 사진 정리 앱들은 중복이나 스크린샷처럼 명확하게 구분되는 항목을 찾는 데 집중하지만, 흔들림이나 눈 감음과 같은 미묘한 품질 문제를 자동으로 탐지하는 데는 어려움이 있었습니다. PhotoSlimmer는 이러한 비정형적인 사진들을 자동으로 묶어 보여줌으로써 사용자가 수천 장의 사진을 일일이 검토할 필요 없이 효율적으로 사진을 관리할 수 있도록 돕습니다.

구체적으로 이 앱은 중복 사진, 유사 사진, 흐림 사진, 그리고 눈을 감은 사진을 자동으로 분류하여 사용자에게 제시합니다. 또한 촬영 시각이 가까운 사진들을 함께 묶어 정리함으로써 사진 라이브러리의 효율성을 극대화합니다. 이는 단순히 사진을 정리하는 것을 넘어, 인공지능 기반의 이미지 분석을 통해 사진 품질과 중복성을 개선하는 데 기여합니다.

macOS 환경에서 Behringer FCB1010 MIDI 페달보드를 추가 키보드로 활용하는 도구 fcbnerd가 공개되었습니다. 이 도구는 MIDI 소스를 연결하고 페달이나 스위치 입력에 따라 셸 명령을 실행하거나 JSON 객체를 출력하여 다른 프로그램이 입력을 처리할 수 있도록 하는 명령줄 도구입니다.

fcbnerd는 애플리케이션이 접근하기 어려운 권한 문제를 피하고, MIDI 데이터만 읽기 때문에 시스템 권한 없이 작동한다는 점이 특징입니다. 사용자는 Hammerspoon이나 Keyboard Maestro와 같은 다른 도구와 연동하여 페달 입력을 원하는 액션으로 매핑할 수 있습니다.

이 도구는 CoreMIDI 소스를 읽고 핫플러그 기능을 지원하며, 입력 이벤트 스트림을 처리합니다. 다만, 실제 페달 사용 시에는 누르는 동작과 놓는 동작이 별개의 메시지로 처리되며, 표현 페달의 경우 실제 움직임 범위가 0~127 전체를 커버하지 않는다는 점을 고려해야 합니다. 따라서 사용자는 페달의 물리적 특성과 MIDI 신호의 한계를 이해하고 이를 기반으로 바인딩을 설정해야 합니다.