읽을 가치가 있는 기사만, 짧고 또렷하게.

아마존이 공개 전에 발생한 PHP2Shell 취약점 악용 사례를 식별했다는 보안 정보가 발표되었습니다. 이 정보는 10월 17일에 해당 취약점이 악용된 사실을 확인했으며, 이는 해당 취약점에 대한 공적인 공개가 이루어지기 전에 이미 공격이 발생했음을 의미합니다.

이러한 정보는 개발자와 시스템 관리자에게 해당 취약점에 대한 즉각적인 보안 조치를 취하도록 요구합니다. PHP2Shell 취약점은 웹 애플리케이션에서 심각한 보안 위험을 초래할 수 있으므로, 관련 시스템에 대한 점검과 패치를 신속하게 진행해야 합니다.

아마존의 이 조치는 특정 취약점에 대한 실제 공격 상황을 추적하고 보안 위협을 예측하는 데 중요한 근거를 제공합니다. 따라서 개발자는 PHP2Shell과 같은 알려지거나 잠재적인 취약점에 대해 선제적으로 방어 전략을 수립하고 코드를 검토하는 노력을 지속해야 합니다.

알려지지 않은 해커들이 300개 이상의 Tor 종료 노드를 탈취하여 평문 이메일과 SSH 트래픽을 가로채려 했다는 보고가 나왔습니다. 이들은 이 작업을 위해 Tor 관리 서버에 접근할 수 있는 유효한 비밀번호를 재사용하여 침입했으며, 리눅스용 백도어인 Ebury를 설치하여 시스템에 접근했습니다.

공격자는 관리 서버에서 SSH를 통해 Switzerland2라는 다른 Tor 서버로 연결했으며, 이때 조사관들이 찾지 못한 RSA 키를 사용하여 접근했습니다. 이 서버에 대한 관리 권한을 확보한 후, 공격자들은 Switzerland2에 Ebury를 설치하고 해당 서버가 호스팅하는 두 개의 종료 노드의 설정을 재구성했습니다.

이 사건은 Tor 네트워크의 보안 취약점과 SSH 연결의 보안에 대한 심각한 우려를 제기합니다. 해커들이 Tor 노드를 통해 민감한 데이터를 수집하고 SSH 트래픽을 가로채는 방식으로 시스템을 악용했기 때문에, Tor 환경 내에서의 통신 보안과 SSH 키 관리의 중요성이 더욱 강조됩니다.

유엔 환경 프로그램(UNEP)이 지구 온난화를 1.5°C 이하로 유지하려는 목표가 더 이상 실현 가능하지 않음을 인정하며 새로운 목표를 제시했습니다. 이는 2015년에 합의된 목표를 달성하는 것이 현실적으로 불가능해졌음을 의미합니다.

현재 지구는 꾸준히 증가하는 탄소 배출에 반응하여 1.5°C 한계에 거의 도달했거나 이미 초과한 상태입니다. 특히 현재 매우 강력한 엘니뇨 현상은 어떤 기준을 사용하더라도 1.5°C를 넘어섰음을 시사합니다.

이에 따라 새로운 목표는 온도 제한을 피하는 것에서 벗어나, 우리가 그 한계를 얼마나 초과했는지 그리고 그 초과 상태가 얼마나 오래 지속되는지를 관리하는 데 중점을 둡니다. 이를 위해서는 현재 즉각적인 대규모 배출 감축과 세기 말까지 대기 중으로부터 수백 기가톤의 이산화탄소를 제거해야 합니다.

최근 여러 리눅스 커널 취약점 보고서가 보안 관련 비공개 메일링 리스트가 아닌 공개 리눅스 커널 메일링 리스트에 실수로 게시된 사건이 발생했습니다. 이로 인해 취약점들이 메인라인에 아직 패치되지 않았지만, 일부는 테스트 중이거나 "-next" 브랜치에 대기 중인 상태입니다.

Trend Micro의 제로 데이 이니셔티브가 이러한 보고서를 공개 리스트에 게시하면서 혼란이 발생했으며, 리눅스 2인자인 그렉 크로아-하트먼이 각 보고서에 대해 공개 게시물에 대한 문의를 하는 등 상황이 발생했습니다.

이번에 공개된 취약점 중에는 CVSS 점수가 9.0에 달하는 심각한 문제들이 포함되어 있습니다. 예를 들어, SMB Direct 원격 코드 실행 취약점(ZDI-CAN-33549), 원격 코드 실행으로 이어질 수 있는 KSMBD 경합 조건(ZDI-CAN-33774), 그리고 로컬 권한 상승으로 이어질 수 있는 skbuff skb_zerocopy 취약점(ZDI-CAN-33367) 등이 있습니다.

또한 VMware 그래픽 드라이버 버그(ZDI-CAN-34068)나 NVMET 코드의 초기화되지 않은 리소스 문제(ZDI-CAN-34076) 등 다양한 보안 문제가 포함되어 있으며, 개발자들은 이러한 보고서들을 통해 신속하게 대응해야 합니다.

AI 대화 기능이 내장된 로봇 장난감인 에일리코(Eiliko)가 보안상의 심각한 문제를 드러냈습니다. 에일리코는 사용자들에게 "당신의 비밀은 나에게 안전하다"고 주장했지만, 해커들은 이 장난감에게 말한 모든 대화 내용을 쉽게 읽어낼 수 있었습니다. 이는 단순한 데이터 유출을 넘어, AI 기반 기기에 대한 데이터 보안 취약성이 얼마나 심각한지 보여주는 사례입니다.

해커들은 에일리코와 주고받은 전체 대화 기록을 쉽게 확보했으며, 이는 AI 기기와의 상호작용에서 데이터가 어떻게 처리되고 보호되어야 하는지에 대한 근본적인 질문을 던집니다. 이 보안 문제에 대해 The Verge와 보안 연구원 샘미 아즈두팔(Sammy Azdoufal)이 한 달 이상 회사 측에 연락을 시도했으나 응답을 받지 못했습니다.

이에 대해 에일리코를 개발한 에너지 랩(Energize Lab)이 마침내 침묵을 깨고 핵심 문제들을 확인했다고 밝혔습니다. 이 발표는 AI 기반 제품을 개발하고 배포하는 모든 개발자와 기업에게 데이터 보안 및 프라이버시 보호의 중요성을 다시 한번 강조합니다.

WorldTUI는 실제 셸이나 파일시스템 환경 없이 키 입력을 받아 다음 터미널 화면 변화를 예측하도록 학습된 모델입니다. 이 모델은 파일 생성 및 편집, vim과 tmux 사용을 흉내 내는 방식으로 작동하며, 몇 개의 명령 뒤에도 앞서 입력한 내용을 대체로 기억하는 능력을 보여줍니다.

이러한 WorldTUI의 능력은 대규모 언어 모델이 실제 시스템 환경을 모방하고 복잡한 터미널 상호작용을 이해하는 데 중요한 진전을 의미합니다. 이는 단순히 텍스트를 생성하는 것을 넘어, 코딩이나 시스템 관리와 같은 실제 개발 환경에서 필요한 맥락적 기억과 예측 능력을 모델이 갖출 수 있음을 시사합니다.

특히 Qwen2.5-Coder-0.5B와 같은 모델에 WorldTUI의 개념을 적용하여 실제 Docker 터미널 세션과 같은 환경을 미세 조정하는 연구가 진행되고 있습니다. 이는 LLM이 복잡한 개발 환경 내에서 더 정확하고 맥락에 맞는 명령을 생성하고 예측할 수 있도록 돕는 데 기여할 것으로 기대됩니다.

휴대용 키보드와 스탠드가 갖춰진 환경은 iOS의 제약에도 불구하고 비상용 워크스테이션으로 활용될 수 있다는 내용입니다. 이는 이동 중이나 비상 상황에서 별도의 복잡한 장비 없이도 효율적인 작업 환경을 구축할 수 있음을 보여줍니다.

이러한 휴대용 키보드와 스탠드 조합은 사용자가 이동하면서도 안정적인 입력 환경을 제공하여 작업 효율성을 높이는 데 중점을 둡니다. 특히, iOS 운영체제가 시스템 제약을 가하는 상황에서도 이러한 물리적인 보조 장치들이 작업 환경을 개선하는 데 기여할 수 있다는 점이 주목됩니다.

다만, 실제 사용 시에는 iOS의 제약 사항을 고려해야 하며, 단순히 물리적인 보조 장치만으로는 모든 소프트웨어적 제약을 완전히 극복하기는 어렵습니다. 따라서 휴대용 장비의 활용은 특정 제약 조건 하에서 임시적인 해결책을 찾는 데 유용하게 사용될 수 있습니다.

사용자가 PHP RCE 관련 정보 공개에 대한 에MBARGO를 무심코 위반했다는 내용이 논란을 일으키고 있습니다. 해당 사용자는 4주 단위의 PHP 릴리스 주기를 추적하며 소스에서 정보를 컴파일하는 과정에서 다른 개발자들에게 업데이트의 중요성과 시급성을 알리기 위해 게시물을 올렸다고 설명했습니다.

이러한 게시물은 조정된 공개 일정과 추가적인 업무 부담에 영향을 미쳤으며, 이로 인해 정보 공개 과정의 책임 소재와 에MBARGO의 법적 구속력에 대한 논쟁이 댓글에서 활발하게 이루어졌습니다.

일부 댓글에서는 정보에 대한 인지 여부와 법적 책임에 대해 논하며, 에MBARGO가 공개 전에 설정된 것이며 정보 공유 당사자들 간의 관례에 따른 것이라고 주장했습니다. 또한, 정보가 공개되기 전에 에MBARGO를 위반하지 않았으므로 책임이 없다는 의견과, 정보 공개에 대한 책임이 PHP 유지보수자들에게 있다는 의견이 대립했습니다.

결론적으로 이 사태는 보안 취약점 공개 시의 윤리적 책임과 법적 구속력에 대한 커뮤니티 내의 해석 차이를 보여주는 사례로 해석됩니다.

Greenlight의 패밀리 허브가 음성 비서 기능을 통합한 디지털 벽 달력을 선보였습니다. 이 제품은 2026년 출시 예정이며, 사용자들이 음성 제어를 통해 가족 캘린더를 관리할 수 있도록 설계되었습니다.

작가는 여러 모델을 테스트한 결과 음성 제어가 가족 캘린더에 필수적이라고 확신하고 있습니다. 이는 단순히 일정을 확인하는 것을 넘어, 가족 구성원들이 자연스럽고 편리하게 캘린더를 상호작용할 수 있는 새로운 사용자 경험을 제공한다는 의미입니다.

패밀리 허브는 음성 제어를 통해 복잡한 일정 관리를 단순화하고 접근성을 높이는 데 중점을 두고 있습니다. 개발자 관점에서 볼 때, 이러한 음성 제어 기능의 통합은 스마트 홈 환경에서 사용자 인터페이스를 개선하고 새로운 상호작용 방식을 제시하는 중요한 사례가 될 수 있습니다.

Hugging Face에서 새로운 오픈소스 AI 모델이 DNA의 언어를 이해할 수 있게 되어 연구에 활용될 수 있게 되었습니다. 이 모델은 연구자들이 유전자 활동과 건강에 미치는 변화의 영향을 이해하는 데 도움을 줄 수 있습니다.

이 모델은 복잡한 생물학적 데이터를 AI가 처리하고 해석할 수 있도록 하여, 기존의 생물정보학적 분석 과정을 혁신적으로 변화시킬 잠재력을 가지고 있습니다. 연구자들은 이 모델을 통해 유전자 변화가 생체 시스템에 미치는 영향을 더 빠르고 정확하게 예측하고 분석할 수 있게 됩니다.

새로운 AI 모델이 공개소스로 제공된다는 점은 학계와 개발 커뮤니티가 생물학적 데이터 분석에 참여할 수 있는 기회를 확대한다는 점에서 큰 의미를 가집니다. 이는 생명 과학 분야에서 인공지능 기술이 어떻게 기초 연구에 적용되어 새로운 발견을 이끌어낼 수 있는지 보여주는 중요한 사례입니다.

최근 제안된 정수 곱셈 알고리듬은 n비트 정수 곱셈을 $O(n(\log n)^{1-\epsilon})$ 비트 연산으로 수행할 수 있다고 주장합니다. 이는 기존에 최선이자 최적이라고 여겨졌던 $O(n \log n)$보다 점근적으로 더 작은 복잡도를 제시한다는 점에서 주목받고 있습니다.

이 새로운 알고리듬은 기존의 최적 복잡도인 $O(n \log n)$보다 더 효율적인 성능을 목표로 합니다. 이는 대규모 정수 연산에서 계산 효율성을 개선할 수 있는 잠재력을 가지고 있습니다.

2021년 $O(n \log n)$ 알고리듬의 공동 개발자인 David Harvey는 이 결과가 사실일 가능성이 있다고 잠정적으로 제안했습니다. 따라서 개발자들은 이 새로운 복잡도 주장과 그 검증 여부를 참고하여 향후 정수 곱셈 알고리듬의 최적화 방향을 고려할 필요가 있습니다.

골먼드(Goldmund)의 마이메시스 스테이트먼트(Mimesis Statement)는 24만 달러에 달하는 가격으로, 극도의 스위스 사운드 엔지니어링을 보여주는 사례입니다. 이 제품은 총 150만 달러 규모의 오디오 시스템 중 단지 한 부분에 불과합니다.

이 고가 장비는 단순한 오디오 기기를 넘어, 극한의 기술과 공학적 노력이 집약된 예술 작품으로 평가받고 있습니다. 이는 최고급 오디오 장비 시장에서 가격과 성능의 관계를 재고하게 만드는 사례로 주목받고 있습니다.

이러한 사례는 최고급 오디오 시스템을 구축하는 데 있어 비용과 엔지니어링의 복잡성이 얼마나 중요한지를 보여줍니다. 따라서 고가 오디오 장비를 고려할 때 단순히 가격뿐만 아니라 그 안에 담긴 기술적 배경과 제작 과정의 맥락을 이해하는 것이 중요합니다.

React Native 개발 환경에서 Metro 빌드 도구를 대체할 수 있는 새로운 빌드 도구인 Rollipop이 소개되었습니다. 이 도구는 React Native 프로젝트의 빌드 프로세스를 개선하고 현대화하는 것을 목표로 합니다.

Rollipop은 기존의 Metro를 대체하여 React Native 개발자들이 더 효율적이고 현대적인 빌드 경험을 할 수 있도록 설계되었습니다. 개발자들은 Rollipop을 통해 빌드 속도 및 사용자 경험을 향상시킬 수 있습니다.

Rollipop에 대한 자세한 정보와 사용 방법은 공식 문서와 GitHub 저장소를 통해 확인할 수 있습니다. React Native 프로젝트를 관리하고 빌드하는 데 있어 Rollipop이 어떤 이점을 제공하는지 확인하고 적용을 고려해 볼 수 있습니다.

유니커널은 단일 애플리케이션을 실행하는 데 필요한 최소한의 운영체제 구성요소와 함께 컴파일된 경량 특화 가상 머신입니다. 이는 애플리케이션 실행에 필요한 모든 요소를 하나의 격리된 이미지로 묶어 하이퍼바이저에서 직접 실행하는 방식입니다.

전통적인 운영체제는 애플리케이션과 커널을 분리하여 작동하지만, 유니커널은 이러한 분리 구조를 탈피합니다. 모든 구성 요소를 단일 격리 이미지로 통합하여 실행함으로써 시스템의 복잡성을 줄이고 격리 수준을 높입니다.

이러한 접근 방식은 시스템의 부팅 시간 단축과 리소스 효율성 향상에 기여합니다. 개발자들은 애플리케이션을 배포할 때 불필요한 운영체제 오버헤드를 제거하고, 최소한의 환경에서 실행되도록 설계할 수 있습니다.

특히 OCaml을 사용하여 유니커널을 구현함으로써, 개발자는 효율적이고 안전한 방식으로 경량 가상 머신 환경을 구축할 수 있게 됩니다. 이는 컨테이너나 가상화 환경에서 더욱 효율적인 애플리케이션 실행 환경을 제공하는 데 중점을 둡니다.

CVE-2026-111943은 중간 인증 기관(Intermediate Certificate Authority)이 손상되었음을 다루는 보안 취약점입니다. 이 취약점은 인증서 체인의 신뢰성에 직접적인 영향을 미치므로, 해당 인증서를 사용하는 시스템의 보안 상태를 심각하게 위협합니다.

해당 CVE는 중간 인증 기관의 무결성이 훼손되었을 때 발생하며, 이는 인증서 발급 및 검증 과정에 심각한 보안 위험을 초래할 수 있습니다. 공격자는 이 취약점을 악용하여 위조된 인증서를 생성하거나 기존 인증서의 신뢰도를 조작할 수 있습니다.

따라서 이 취약점에 노출된 모든 시스템은 즉시 해당 인증서 체인의 무결성을 검토하고 보안 조치를 취해야 합니다. 개발자와 운영자는 인증서 관리 프로세스를 점검하고, 중간 인증 기관의 상태를 지속적으로 모니터링하여 잠재적인 위협에 대비해야 합니다.

시네마틱 비디오 생성은 제한된 입력으로부터 시간적 추론을 수행하고 캐릭터, 장면, 행동, 카메라에 대한 요소를 인식적으로 제어하는 것을 모두 요구합니다. 멀티모달 대규모 언어 모델(MLLM)은 이러한 능력에 유용한 사전 지식을 제공하지만, 그 표현은 비디오 생성에 자동으로 적용하기 어렵습니다. 특히 비디오 확산 트랜스포머(DiT)는 자체 조건화 경로를 통해 MLLM을 우회할 수 있으며, 이는 요소 인식 제어나 생성에 적합한 시간적 예측을 보장하지 못합니다.

본 연구는 이러한 문제를 해결하기 위해 요인 인식 예측 학습(Factor-Aware Predictive Learning, FAPL)을 제안합니다. FAPL은 MLLM 잠재 공간의 효과적인 사용을 공통 전제 조건으로 설정하고, 보완적인 학습 신호를 통해 두 가지 핵심 능력인 시간적 제어와 요인 조정을 목표로 합니다. 이를 위해 먼저 잠재 전용 생성 접지(latent-only generator grounding)를 통해 DiT가 MLLM 잠재를 생성에 사용하는 것을 강화합니다.

다음으로, 요인 인식 제어를 위해 쌍을 이루는 비디오를 사용하여 목표 요인 변화와 요인 범위 대체(factor-span replacement)를 지정함으로써 DiT가 이 관계를 출력에서 실현하도록 학습시킵니다. 또한 시간적 추론을 위해 텍스트 전용 및 텍스트-완전 비디오 관찰이 비디오 목표를 공유하도록 하여 DiT를 고정하면서 MLLM과 커넥터를 최적화합니다.

광범위한 실험 결과는 이 방법이 기준 모델보다 세 가지 시네마틱 비디오 생성 작업(즉, 희소에서 비디오로, 요인 인식 편집, 멀티샷 생성)에서 일관되게 더 나은 성능을 보였음을 입증합니다. 이는 MLLM 특징 사용, 시간적 제어, 그리고 요인 조정에 대한 FAPL의 기여를 검증합니다.

Minotaur AI는 언어 모델이나 GPU 없이 추론을 수행하는 AI 아키텍처를 제시하며, 이는 인간의 사고방식을 모방하는 방식과 근본적으로 다릅니다. 기존의 대규모 언어 모델(LLM)이 텍스트를 예측하여 인간의 사고방식을 모방하는 데 중점을 둔다면, Minotaur는 추론 대상 시스템의 구조 자체를 다루면서 추론을 수행합니다.

Minotaur의 시스템은 추론을 위해 연산 과정에서 측정하는 방식을 사용하며, 이는 추론의 핵심 요소인 연역, 귀납, 추론, 진단, 실험 선택, 신념 수정 등 LLM이 수행하는 주요 추론 방식을 동일하게 처리합니다. 이 과정은 단일 네트워크와 프로세서 코어에서 약 0.25초에 완료되어, 인간이 쓴 사고방식을 모방하는 대신 시스템의 구조를 기반으로 정확하고 검증 가능한 추론을 가능하게 합니다.

LLM은 방대한 텍스트 학습을 통해 설명하고 비유하는 인간의 강점을 물려받았지만, 결론이 그럴듯할 때 논리적 주장을 받아들이는 경향이나 사후에 설명을 기록하는 방식 등 인간의 약점도 물려받았습니다. 따라서 검증 가능하고 재현 가능한 추론을 원한다면 인간의 사고방식을 모방하는 것보다 시스템의 구조를 기반으로 하는 접근 방식이 더 적합할 수 있습니다.

과거 AI 연구는 60년간 논리 이론가나 전문가 시스템 등을 통해 추론 기계를 구축하려 했으나, 결국 LLM으로 발전하게 되었습니다. Minotaur의 접근 방식은 이러한 역사적 시도들이 도달하지 못한 정확하고 검증 가능한 추론을 달성하는 새로운 경로를 제시합니다.

AI API를 활용하여 서비스를 개발할 때 청구서를 확인하고 나서야 실제 비용이 어떻게 사용되었는지 알게 되는 경우가 많습니다. 개발자들은 모델 선택, 캐싱, 프롬프트 구조 등의 작은 변경만으로도 비용을 상당히 절감할 수 있다는 점을 인지하고 있습니다.

이러한 비용 절감 가능성을 한눈에 확인하고 불필요한 지출을 줄이기 위해 비용 누수를 찾아주는 무료 스캐너가 개발되었습니다. 이 도구는 AI API 사용 비용을 분석하여 어디서 비용이 새고 있는지 명확하게 보여줍니다.

현재 이 스캐너는 OpenAI와 같은 주요 AI 서비스의 비용을 추적하는 데 중점을 두고 있으며, 사용자는 이를 통해 API 사용 패턴을 분석하고 효율적인 비용 관리를 할 수 있습니다. 개발자는 이 정보를 활용하여 모델 선택이나 캐싱 전략을 조정함으로써 서비스 운영 비용을 효과적으로 관리할 수 있습니다.

AI 에이전트를 위한 가장 빠른 브라우저인 ego lite가 브라우저 자동화를 병렬로 실행할 수 있게 하여 개발자들에게 주목받고 있습니다. 이 도구는 사용자가 브라우징을 계속하는 동안 에이전트들이 자신의 독립된 공간(Space)에서 작업을 수행하게 하여 탭 충돌 없이 멀티태스킹을 가능하게 합니다.

ego lite의 핵심은 에이전트가 명령 루프에 갇히지 않고 직접 JavaScript 함수를 작성하게 하여 복잡한 작업을 기존 방식보다 최대 2.5배 빠르게 완료하고 성공률을 높인다는 점입니다. 각 에이전트는 완전히 격리된 작업 공간을 가지며, 사용자는 포그라운드에서 브라우징을 하면서 에이전트들은 백그라운드에서 동시에 작동할 수 있습니다.

또한, ego lite는 커널 수준의 사용자 정의 기능을 통해 깊게 중첩된 iframe과 같은 까다로운 경우에도 페이지 스냅샷 및 분석을 안정적으로 처리하며, 사용자의 기존 Chrome 데이터를 자동으로 상속받아 로그인 정보, 쿠키, 북마크 등을 쉽게 마이그레이션할 수 있습니다.

이 브라우저는 Claude Code나 Codex 같은 다양한 에이전트 CLI를 브라우저의 기능(스냅샷, 채우기, 클릭 등)에 연결하여 외부 에이전트가 브라우저를 제어할 수 있도록 하며, 기존의 ChatGPT Atlas나 Perplexity 같은 다른 멀티태스킹 브라우저 대비 병렬 처리 및 데이터 상속 측면에서 강력한 성능을 제공합니다.

강화 학습(RL)이 추론 모델에게 단계 재고 전에 {wait}라는 단어를 쓰도록 가르쳤다고 알려져 있지만, 대규모 RL 정확도 향상은 해당 단어를 요구하지 않습니다. 이 관점은 RL이 발견한 것과 모델이 훈련 데이터로부터 물려받은 것을 혼동하게 만들 수 있습니다. 연구진은 오픈 모델의 훈련 이력을 추적하여 레이블 없는 빈도, 위치, 형태, 사용법 등의 지표와 주입 오류 테스트를 통해 해당 단어를 추적했습니다.

연구 결과, 제로 RL(zero-RL)은 거의 이 표시를 추가하지 않으며, 해당 단어가 없는 기반 모델에서는 RL이 MATH-500 정확도를 상당히 높이는 반면 {wait}는 거의 나타나지 않았습니다. 이 표시는 훈련 데이터에서 발생하며, OLMo-3의 중간 훈련과 추론 흔적에 대한 미세 조정에서 나타나며, 기반 모델에 해당 단어가 이미 있는 경우 RL-Zero 레시피(OLMo-3, MiMo)는 이를 증폭시키지만 KL-free GRPO는 그렇지 않습니다.

OLMo-3의 레시피는 경고를 더 민감하고 관대한 알람으로 만들고, 지도 미세 조정 후 RL은 변화를 거의 주지 않으며, GRPO 레시피는 미세 조정으로 심어진 표시를 지워냅니다. 최종적으로, 표시의 빈도만으로는 RL에 의해 유도된 추론을 나타내지 않으며, 자동화된 심사관이 인간 레이블 추세를 뒤집을 수 있으므로 LLM-as-a-judge 수정 지표에 대해 주의해야 합니다.