읽을 가치가 있는 기사만, 짧고 또렷하게.

인공지능의 악의적 사용에 대한 이 보고서는 AI가 디지털, 물리적, 정치적 영역에서 위협 환경에 미치는 잠재적 보안 위협을 조사하고 이를 예측, 예방, 완화할 방법을 제안합니다. 연구진은 AI가 위협 환경에 영향을 미치는 방식을 분석하여 AI 연구자 및 이해관계자들을 위한 네 가지 주요 권고 사항을 제시했습니다.

이 보고서는 AI 기반 위협에 대응하기 위한 구체적인 방어책과 공격을 덜 효과적으로 만들거나 실행하기 어렵게 만드는 추가적인 연구 분야를 제안합니다. 이는 AI 시스템의 보안 취약점을 예측하고 방어 전략을 수립하는 데 필요한 실질적인 통찰력을 제공합니다.

또한 보고서는 공격자와 방어자의 장기적인 균형 상태에 대해서도 논의하며, 이는 AI 보안 분야에서 공격과 방어의 역학 관계를 이해하는 데 중요한 맥락을 제공합니다. 개발자와 보안 전문가들은 이러한 분석을 통해 AI 시스템의 보안 포트폴리오를 확장하고 악의적인 사용으로부터 시스템을 보호하기 위한 선제적인 조치를 취할 수 있습니다.

빅 AI 기업 리더들이 규제 포획을 위한 방식을 합의하고 이를 ‘경계를 따라 나아가기(Pace the frontier)’라고 명명했습니다. 이들은 정부가 자신들이 만든 AI를 통제할 수 있도록 하는 세 가지 계획을 제시했는데, 첫째는 AI 연구소에 안전 기준 준수 및 정렬 상태를 검증하기 위한 ‘내재된 평가자’를 운영하도록 요구하는 것입니다. 둘째는 무제한 AI 발전 속도에 대한 공통 안전 기준과 한계를 설정하기 위해 선도 AI 기업들이 협력하는 것입니다. 셋째는 민주주의 정부가 준수 여부를 검증하면서 권위주의 정부와 협력할 수 있도록 하는 것입니다.

이러한 합의는 Dario Amodei, Sam Altman, Elon Musk, Satya Nadella 등 주요 AI 리더들이 자신들의 활동에 대한 책임과 위험을 회피하고 규제 당국을 포획하려는 시도로 해석됩니다. 이는 과거 빅 AI 기업들이 충분한 감독 없이 기술을 발전시켜 아동 성적 학대 자료 생성이나 잘못된 건강 조언 제공과 같은 위험을 초래했으며, OAI-HF 사건을 포함한 여러 문제에 대해 충분히 책임지지 않았던 상황을 반영합니다.

이러한 움직임은 AI가 생산성 혁명을 가져올 것이라는 주장과 달리 실제 사용자들은 16%의 생산성 향상만을 보고했다는 연구 결과와도 맞물려 있습니다. 결국 이 합의는 AI의 발전 속도를 늦추고 안전 기준을 설정하려는 시도로, AI의 위험한 행동을 윤리적으로 통제하려는 움직임으로 볼 수 있습니다.

소셜 미디어, 인기(popularity), 그리고 예측 시장이 교차하는 지점에 대해 탐구하는 아이디어를 제시합니다. 이 글은 이러한 세 가지 요소가 실제로 어떻게 상호작용할 수 있는지, 그리고 어떤 형태를 취할 수 있는지에 대한 가능성을 모색하는 데 초점을 맞춥니다.

연구의 핵심은 소셜 미디어의 인기나 사용자 참여도를 예측 시장의 데이터와 결합하여 새로운 예측 모델을 구축하는 방안을 탐색하는 것입니다. 이는 단순히 예측 시장을 넘어 소셜 미디어 상의 트렌드나 대중의 감정 상태를 시장 참여에 반영하는 새로운 시스템을 설계하는 것을 의미합니다.

이러한 교차점은 사용자 참여를 기반으로 한 예측의 정확도를 높이고, 예측 시장에 더 풍부한 사회적 맥락을 제공할 수 있는 잠재력을 가집니다. 개발자들은 소셜 미디어 데이터를 활용하여 예측 시장의 효율성과 투명성을 개선하는 새로운 플랫폼이나 알고리즘을 구상할 수 있습니다.

궁극적으로 이 아이디어는 소셜 미디어의 흐름과 예측 시장의 경제적 메커니즘을 결합하여 사용자 기반의 예측 시스템을 혁신할 수 있는 새로운 모델을 제시합니다.

JPEG XL이 웹 이미지 코덱으로서의 위치에 대한 논쟁이 진행되고 있습니다. JPEG XL은 JPEG보다 발전된 기술이며 WebP보다 더 다재다능하고 압축 효율성이 뛰어나지만, 2023년 Chrome에서 거부당한 이력이 있습니다. 최근 Rust 기반의 JPEG XL 디코더가 Firefox와 Chrome에 통합되면서, 웹 플랫폼의 주요 이해관계자들이 이 코덱을 재평가할 가능성이 생겼습니다.

JPEG XL을 웹에 도입할 정당성을 두고 논의할 때, 저자는 웹 환경에서는 손실 압축이 선호되므로 JPEG XL의 무손실 이점은 실질적인 이점이 아니라고 주장합니다. 또한, 다른 인코더들이 인간의 시각에 맞춰 더 강력한 지각적 효율성을 달성하고 있으며, JPEG XL은 방향 예측 모드가 없어 경계 보존 측면에서 경쟁력이 떨어진다는 기술적 한계가 있습니다.

결론적으로, JPEG XL은 웹 환경에서 WebP만큼의 이점을 제공하지 않으며, 기술적 우위보다는 개발자 선택의 폭을 넓히는 데 더 큰 의미가 있다고 분석됩니다. JPEG XL과 AVIF는 각기 다른 강점을 가지므로, 웹 환경에서 이들을 모두 수용하는 것이 오히려 추가적인 호환성 문제를 야기할 수 있다는 입장입니다.

인공지능은 인간이 할 수 있는 모든 것을 더 잘 할 수 있는지에 대한 믿음의 차이가 AI에 대한 논쟁의 핵심입니다. 이 논쟁은 AI가 인간의 모든 능력을 포괄하는 역량을 계속해서 습득할 수 있는지에 달려 있으며, 이는 결국 AI가 인간의 능력 범위를 넘어설 수 있는지에 대한 근본적인 질문으로 귀결됩니다.

AI가 이전 기술과 구별되는 지점은 그 자체로 완전히 일반적이라는 점이며, 이는 AI가 인간의 모든 것을 대체할 수 없다는 한계를 내포합니다. 자동화가 새로운 일자리를 창출했던 과거의 사례와 달리, AI는 새로운 일자리를 창출할 수 있지만 그 능력은 인간의 능력과 완전히 동일하지 않습니다. 따라서 AI가 모든 직업을 대체하지 못하는 이유는 인간만이 할 수 있는 특정한 영역이 존재하기 때문이라고 주장합니다.

궁극적으로 AI가 할 수 없는 유일한 것은 '인간이 되는 것'이며, 이는 AI가 어떤 종류의 영혼이나 감정을 가질 수 없다는 의미입니다. 기술 발전이 삶의 질을 크게 향상시킬 것이라는 예측은 역사적으로 어느 정도 맞았지만, 단기적으로는 상당한 노동 충격과 임금 불평등 증가를 예상해야 합니다.

장기적으로는 일의 본질 자체가 근본적으로 달라질 것이며, 이는 예측하기 매우 어려울 것입니다. AI 시대의 경제는 음악가와 같은 특정 분야의 전문가들뿐만 아니라, AI가 대체할 수 없는 인간 고유의 영역을 중심으로 재편될 것입니다.

Alien은 데이터를 외부 SaaS로 보내기 어려운 사용자들을 위해 개발사가 소프트웨어를 고객 환경에 직접 설치하고 업데이트와 운영을 담당하는 관리형 셀프 호스팅 플랫폼입니다. 이 플랫폼은 고객이 자신의 서버, 데이터, 네트워크를 완전히 유지하면서도 소프트웨어 관리를 효율적으로 수행할 수 있도록 돕는 것을 목표로 합니다.

고객은 자체 인프라를 유지하는 데 중점을 두며, 개발사는 여러 곳에 설치된 제품들의 상태를 한곳에서 통합적으로 확인하고 관리할 수 있는 기능을 제공합니다. 이는 분산된 환경에서 설치된 소프트웨어의 상태를 원격으로 모니터링하고 운영하는 데 필요한 관리 편의성을 제공합니다.

이러한 관리형 셀프 호스팅 모델은 데이터 보안과 환경 통제에 민감한 사용자들에게 적합하며, 외부 서비스 의존도를 최소화하면서도 시스템 운영의 효율성을 높일 수 있습니다. 따라서 고객은 자신의 환경에 대한 완전한 통제권을 유지하면서도 개발사가 제공하는 원격 운영 기능을 활용할 수 있습니다.

Anthropic의 CEO인 다리오 아모데이(Dario Amodei)는 AI 안전을 확보하면서 이점을 달성하기 위해 규제를 통해 AI 개발 속도를 조절해야 한다고 제안했습니다. 그는 AI가 인류에게 가져올 수 있는 긍정적인 영향에도 불구하고, 이 기술이 내포하는 위험 때문에 규제가 필요하다고 주장하며, 이는 단순히 자발적인 속도 조절을 넘어선 법적 규제 체제로 나아가야 한다고 강조합니다.

아모데이는 이러한 목표를 달성하기 위해 미국 국경 AI 기업들을 대상으로 규제를 적용하는 것이 가장 효과적인 방법이라고 제안했습니다. 이는 자발적으로 협력하지 않는 기업까지 포괄할 수 있으며, 소프트웨어 개발자들이 강제적으로 따라야 하는 법적 규제 체제를 구축하는 것을 목표로 합니다.

그의 계획은 세 가지 요소로 구성되는데, 첫째는 안전 수칙 준수 및 위험 평가를 확인하는 외부 평가자 팀, 즉 '임베디드 평가자(Embedded Evaluators)'를 도입하는 것입니다. 둘째는 이러한 평가자들을 감독하는 조정 기구와 셋째는 전 세계적인 AI 규정 체제를 구축하는 것입니다. 이는 과거 웹 2.0 시대의 '감시 산업 복합체'를 규제했던 사례를 참고하여, AI 안전에 대한 책임과 검증을 확보하는 데 중점을 둡니다.

이러한 제안은 AI 안전에 대한 논의가 정치적 압력과 법적 규제 영역으로 확장되고 있음을 시사하며, 개발자들은 향후 AI 안전 및 규제 환경 변화에 대비해야 합니다. 특히 OpenAI나 Anthropic과 같은 기업이 이러한 규제에 동의할 경우, AI 안전에 대한 글로벌 규제 움직임에 신속하게 대응할 필요가 있습니다.

Claude Code, Codex, Pi와 같은 AI 모델을 활용하여 블로그나 문서, 발표 자료에 필요한 다이어그램을 자연어로 요청해 생성하는 에이전트 스킬이 주목받고 있습니다. 이 기술은 복잡한 아키텍처나 개념을 시각화하는 데 필요한 초기 다이어그램을 빠르게 생성할 수 있게 해줍니다.

하지만 단순히 AI가 생성한 둥근 상자와 화살표를 나열하는 수준을 넘어, 정보의 위계와 읽는 순서가 명확하게 드러나도록 디자인 규칙을 적용하는 것이 중요합니다. 이는 다이어그램이 단순한 정보 나열이 아니라 효과적인 커뮤니케이션 도구가 되도록 만드는 핵심 단계입니다.

구체적으로는 배치, 글꼴, 색상, 연결선 규칙 등을 적용하여 시각적 계층 구조를 명확히 해야 합니다. 이러한 디자인 규칙을 적용함으로써 사용자는 다이어그램을 훨씬 더 효율적으로 이해하고 정보를 빠르게 습득할 수 있게 됩니다.

결론적으로 이 스킬은 AI가 생성한 시각 자료를 전문적이고 명확한 방식으로 다듬어 전달하는 능력을 제공하며, 기술적인 내용을 효과적으로 전달하고자 하는 개발자와 문서 작성자에게 실질적인 디자인 역량을 더해줍니다.

낙관적인 공상과학이 왜 필요한지에 대한 논의를 제시하며, 디스토피아 소설이 만연한 현실에서 낙관적인 묘사를 어떻게 활용할 수 있는지 탐구합니다. 미래 세계를 다루는 공상과학은 종종 억압적인 계급 시스템이나 기술적 노예 상태를 다루는 디스토피아적 시각을 제공하지만, 이러한 비관적인 시각 대신 낙관적인 표현을 통해 우리가 나아가야 할 방향을 설정할 수 있다는 주장을 펼칩니다.

공상과학은 단순히 미래를 상상하는 것을 넘어, 현실의 맥락과 상황을 비판하고 탐구하는 도구로 기능합니다. 예를 들어, 과거의 작품들은 산업화나 정부 권력 같은 사회적 문제들을 다루며 독자들에게 비판적 성찰의 기회를 제공했습니다. 기술이 인간의 삶을 개선하기 위해 존재하지만, 새로운 기술은 윤리적 또는 기술적 문제를 동반하기 때문에 문제를 완전히 해결하지 못하는 경우가 많습니다.

따라서 공상과학의 접근 방식은 기술적으로 낙관적이기보다는 기술적으로 해결책 지향적이어야 합니다. 이는 절망적인 상황 속에서도 문제 해결을 추구하는 태도를 반영하며, 낙관주의는 완벽한 유토피아를 의미하기보다는 긍정적인 진보로 기울어지는 세계를 의미합니다. 이는 역사 속 수많은 사람들의 노력과 성공을 무시하지 않으면서도, 우리가 현재의 문제에 직면했을 때 더 나은 삶의 방식을 상상하고 받아들이도록 돕는 역할을 합니다.

결국 더 나은 미래를 만들기 위해서는 현재의 문제들을 직시하고 더 나은 삶의 방식이 존재한다는 믿음을 가져야 합니다. 이는 희망을 상상하고 자유를 기억하는 작가들의 목소리를 통해 현실적인 가능성을 바라보며, 우리가 도달할 수 있는 진보를 포용하는 것이 중요합니다.

오픈 소스 AI 및 오픈 모델에 대한 최신 연구 자료를 정리한 목록은 오픈 모델의 현황과 그 함의를 파악하는 데 도움을 줍니다. 이 목록은 오픈 모델이 무엇인지, 왜 공개되는지, 비즈니스 전략과의 관계, 그리고 잠재적 위험에 대해 다루며, 오픈 소스 AI 전략에 대한 소프트웨어의 사용 사례부터 마크 저커버그의 Llama 3 공개에 대한 언급까지 폭넓게 다룹니다.

오픈 모델을 이분법적인 오픈/클로즈의 관점이 아닌, 라이선스, 실행 비용, 데이터 접근성 등의 요소를 고려하여 그 기울기(gradient)로 바라볼 필요가 있습니다. 또한 오픈 모델이 강력한 폐쇄 모델을 보완하는 역할과 미래 경제에서 어떤 역할을 할지에 대한 논의가 포함되어 있으며, 기업들이 어떻게 오픈 모델을 사용하여 엔터프라이즈 전반에 걸쳐 에이전트 워크플로우를 구축할 수 있는지에 대한 내용도 제시합니다.

모델 성능과 관련하여 오픈 모델이 폐쇄 모델에 비해 지속적으로 뒤처지는 현상과, 안전성을 고려하면서 강력한 오픈 가중치 모델을 공개하는 방법에 대한 논의도 중요합니다. 특히, 모델 안전에 대한 접근 방식과 오픈 소스 AI의 사회적 영향에 대한 연구 결과가 제시되어 있습니다.

최근에는 모델의 추론 흔적(reasoning traces) 추출과 같은 기술적 측면에서 논의가 진행되고 있으며, 이는 중국 연구소들이 모델을 선도하는 데 기여하는 방식과 관련이 있습니다. 모델을 압축하는 증류(distillation) 기술이 중국 모델이 선두에 근접하게 만드는 데 어떤 역할을 했는지에 대한 논쟁과 함께, 증류가 모델 성능 향상에 미치는 영향에 대한 현실적인 분석이 제시됩니다.

애플 개발자 사이트에서 제공하는 'Dimensional Drawings'는 액세서리와 기기에 대한 차원 도면 및 기술 사양을 다운로드할 수 있는 리소스입니다. 이 페이지는 사용자들이 다양한 애플 기기 및 액세서리의 정확한 치수와 기술 사양에 접근할 수 있도록 지원합니다.

사용자는 이 자료를 통해 다양한 제품에 대한 상세한 설계 정보를 얻을 수 있으며, 이는 하드웨어 통합, 3D 모델링 또는 디자인 작업에 필요한 구체적인 데이터를 확보하는 데 유용합니다.

다운로드 가능한 항목에는 iPhone, iPad, Apple Watch, AirPods, Vision Pro와 같은 주요 기기뿐만 아니라 MagSafe 충전 케이스, ZEISS 광학 삽입물 등 광범위한 액세서리 정보가 포함되어 있습니다.

개발자들은 이 도면과 기술 사양을 활용하여 애플 생태계 내에서 더욱 정밀하고 정확한 애플리케이션을 개발하고 디자인할 수 있는 기반을 마련할 수 있습니다.

Git 저장소를 정적 사이트로 변환하는 도구인 sorcery에 대한 내용입니다. sorcery는 저장소가 갱신될 때 개요, 브랜치별 최신 디렉터리 트리, 구문 강조된 소스 코드를 정적 HTML로 생성하는 Git 저장소 뷰어입니다.

이러한 정적 사이트 생성 방식은 개인 서버 환경에서 Git 호스팅 플랫폼이 직면하는 문제 해결에 관련이 있습니다. 특히 작은 개인 서버에서 Forgejo가 디스크 부족과 스크래퍼 부하로 인해 중단되는 문제에 대응하기 위해 사전 생성 비용을 지불하고 이후 요청을 처리하는 방식이 논의되고 있습니다.

이는 Git 호스팅 환경에서 정적 콘텐츠를 효율적으로 관리하고 서버 부하를 줄이는 방안을 모색하는 맥락에서 중요합니다. 개발자들이 자신의 Git 호스트를 정적 사이트 생성기로 활용하여 서버 운영의 효율성을 높일 수 있는 가능성을 제시합니다.

인공지능 생물무기 보고서에 대한 전문가들 사이의 의견이 엇갈리고 있습니다. 이 보고서가 심각한 경고를 담고 있다는 주장과 과도한 반응이라는 반론이 충돌하면서 AI 기술의 위험성에 대한 논쟁이 심화되고 있습니다.

일부 전문가들은 AI가 생물학적 무기를 개발하는 데 사용될 수 있다는 점을 강조하며 즉각적인 조치를 촉구하고 있습니다. 반면 다른 전문가들은 이러한 보고서가 현실적인 위험을 과장하거나 상황을 지나치게 확대 해석하는 것이라고 지적하며 신중한 접근을 요구합니다.

이러한 의견 분열은 AI 기술의 잠재적 위험을 평가하고 이에 대응하는 정책적, 기술적 접근 방식에 대한 논의가 얼마나 복잡한지를 보여줍니다. 개발자 및 정책 입안자들은 AI 시스템의 안전성과 통제 가능성에 대한 깊이 있는 이해가 필요하며, 보고서의 세부 내용과 맥락을 면밀히 검토해야 합니다.

애플이 최신 애플 워치를 대상으로 상시 청취 기능을 출시할 예정입니다. 이 기능은 사용자가 주변 소리를 실시간으로 확인하고 대화를 요약하여 제공하는 방식으로 작동합니다.

구체적으로 Live Rewind 기능은 최근 15초간의 주변 소리를 텍스트로 확인하게 하며, Siri Recap 기능은 하루 동안의 대화를 요약하여 아이폰에 보고서 형태로 제공합니다. 이러한 기능들은 웨어러블 기기를 통해 지속적인 오디오 데이터를 처리하고 사용자에게 제공하는 새로운 상호작용 방식을 제시합니다.

다만 애플은 이러한 기능에서 오디오를 녹음하거나 저장하지 않는다고 명시하고 있습니다. 이는 데이터의 수집 및 처리 방식에 대한 중요한 기술적, 개인정보 보호적 맥락을 제공합니다.

따라서 상시 청취 기술이 오디오 저장 없이 어떻게 작동하는지, 그리고 이러한 기능들이 사용자 환경과 개인정보에 미치는 영향은 개발자와 사용자 모두에게 중요한 논의 주제가 될 것입니다.

완전히 동결된 언어 모델의 기본 능력을 저해하지 않으면서 출력 오류를 수정할 수 있는지에 대한 실용적인 질문에 답하는 연구를 진행했습니다. 연구진은 CRN v2라는 경량의 로짓 레벨 수정 모듈을 제안했는데, 이는 완전히 동결된 Gemma 4 E2B 모델 위에 구축됩니다. 이 모듈은 83,400개의 오류 수정 쌍에 대해 지도 미세 조정과 참조 없는 DPO를 통해 학습되며, 기본 모델은 전혀 업데이트되지 않습니다.

CRN v2는 60문제 도메인 시험(CEHRI)에서 기본 모델 오류의 53.3%를 수정하는 데 성공했으며, 테스트된 능력 벤치마크(MMLU/BoolQ 등)에서는 능력 저하가 관찰되지 않았습니다. 이는 모델의 기반 능력을 보존하면서 오류를 효과적으로 수정하는 디자인 원칙을 제시합니다.

비교 연구 결과, 동일한 CRN v1 예산(6.6M 파라미터, 랭크 19)을 사용한 LoRA 기반 접근 방식은 83.3%의 오류 수정률을 달성하지만, 동일 벤치마크에서 30~75%의 능력 손실을 경험하는 것으로 나타났습니다. 또한, KL 보존 항(lambda=0.1)의 중요성이 강조되었는데, 이 값을 0.01로 낮출 경우 수정률이 35.0%로 떨어지는 등 설정에 따라 결과가 크게 달라집니다.

다양한 실험 구성에서 최적의 결과는 약 53%에 도달했으며, 이는 모델 아키텍처의 새로운 혁신이라기보다는 동결된 기반 모델과 로짓 수정, KL 앵커링을 결합한 설계 원칙에 중점을 둔 연구입니다. 연구진은 코드와 주요 결과 가중치를 공개했습니다.

컴퓨터 사용 에이전트 평가가 현실적인 데스크톱 환경에서 이루어지고 있지만, 기존 벤치마크는 지속적이고 구조화된 결과물인 전문 엔지니어링 워크플로우에 대한 커버리지가 제한적입니다. 특히 기계 컴퓨터 지원 설계(CAD)는 에이전트가 장기적인 상호작용 기간 동안 기하학과 제약 조건을 조작하면서도 차원의 유효성, 구조, 다운스트림 엔지니어링 상태를 유지하는 네이티브 프로젝트를 생성해야 하므로 매우 까다로운 환경입니다.

이러한 문제를 해결하기 위해 우리는 FreeCAD에서의 장기적인 컴퓨터 사용을 위한 벤치마크인 CADWorld를 소개합니다. CADWorld는 스케치, 부품 모델링, 조립, CAM, FEM, 측정, 메시 처리, 기술 도면을 포함하여 총 11가지 기계 CAD 워크플로우 범주에 걸쳐 200개의 작업을 포함하고 있습니다. 에이전트는 스크린샷과 GUI 액션을 통해 작동하며, 성공 여부는 저장된 FreeCAD 결과물과 보조 출력에 대한 특정 작업별 실행 가능한 검사를 통해 결정됩니다.

전체 벤치마크에 참여한 일곱 가지 에이전트 중 가장 강력한 에이전트는 17.5%의 성공률을 달성했으며, 이는 전문가 참조 통과율인 87.0%와 비교됩니다. 연구 결과, 약한 에이전트는 유효한 결과물을 생성하기 전에 실패하는 경우가 많으며, 더 강력한 에이전트는 구조적, 기하학적, 건설 프로세스 요구 사항에서 실패하는 경향이 있습니다. 따라서 CADWorld는 일반적인 GUI 능력과 지속적이고 검증 가능한 엔지니어링 워크플로우의 신뢰할 수 있는 실행 사이의 격차를 드러냅니다.

대규모 언어 모델을 효율적으로 확장하기 위해 Mixture-of-Experts와 같은 희소 용량 메커니즘과 조건부 메모리 방식이 연구되고 있습니다. 기존의 메모리 임베딩 방법들은 표면 형태의 결정론적 함수를 통해 정보를 검색하며, 이로 인해 동일한 토큰의 다양한 문맥적 의미(예: 언어로서의 파이썬 대 동물 파이썬)가 단일 고정 항목으로 통합되는 문제가 있었습니다.

본 논문은 이러한 문제를 해결하기 위해 문맥 인식 메모리 메커니즘인 Mixture of Memory Embeddings(MoME)를 제안합니다. MoME는 각 토큰의 단일 메모리 행을 M개의 슬롯 혼합으로 대체하고, 은닉 상태에 대한 학습된 게이트를 사용하여 각 위치에서 읽을 슬롯을 선택합니다.

MoME는 nanochat, Llama-3/MobileLLM, Qwen3 백본에서 통제된 사전 학습 실험을 통해 기존의 Value Embedding, Bigram, STEM 기준선보다 성능이 우수함을 입증했습니다. 특히, 파라미터 및 훈련 FLOP가 동일한 설정에서 MoME는 서브-빌리언 규모에서 더 유망한 메모리 크기 확장 추세를 보이며 훈련과 추론 과정에서 효율성을 유지합니다.

또한, 다의적인 토큰에 대한 정성적 라우팅 분석 결과, 학습된 혼합이 의미론적 해석 가능성을 보여주며 동일한 표면 토큰을 서로 다른 의미에 따라 별개의 메모리 슬롯으로 분배함을 시사합니다.

데이터 에이전트는 테이블, 파일, 데이터베이스 등 이질적인 데이터를 처리하는 자연어 지시를 수행하는 것을 목표로 합니다. 하지만 데이터 에이전트는 데이터가 에이전트 외부에 존재하고 에이전트가 일반적인 도구를 통해서만 접근할 수 있는 에이전트-데이터 간의 격차라는 어려운 문제에 직면합니다. 기존 접근 방식들은 원시 데이터 소스를 직접 탐색하거나 프롬프트에 수동으로 구축된 의미론적 레이어를 주입하는 방식이었으나, 이는 대규모 이질 데이터 소스에 확장되지 못하고 다양한 에이전트 행동에 적응하지 못하는 한계가 있었습니다.

본 논문에서는 데이터 에이전트를 위한 자체 진화 온톨로지 레이어인 EvoOntology를 제안합니다. EvoOntology는 스키마 레이어, 콘텐츠 레이어, 도구 레이어로 구성된 MCP 서버 형태로 온톨로지를 캡슐화하여 에이전트가 런타임에 온톨로지를 능동적으로 질의하고 상호작용할 수 있게 합니다. 이를 위해 자율적인 온톨로지 구성을 위한 빌더 에이전트와 백본 조건부 쌍별 평가를 통과한 후 승인되는 귀인 기반 타입 편집을 통해 온톨로지를 지속적으로 개선하는 자체 진화 루프를 도입했습니다.

실험 결과는 네 가지 LLM 백본을 사용한 세 가지 잘 채택된 데이터 에이전트 벤치마크에서 EvoOntology가 강력한 기준선 및 기존의 의미론적 레이어 접근 방식보다 일관되게 우수한 성능을 보임을 입증합니다. 이는 에이전트-데이터 격차를 효과적으로 해소하고 이질적인 데이터와의 보다 효과적인 상호작용을 가능하게 합니다.

MCP는 과거 LLM이 덜 똑똑했던 시기에 외부 서비스 및 데이터 소스에 에이전트를 연결하도록 설계된 프로토콜이었으나, 현재는 구시대적인 프로토콜로 간주됩니다. MCP는 초기에는 생산성을 높이는 데 기여했지만, 많은 MCP 서버와 도구를 추가하면서 컨텍스트 과부하(context bloat) 문제가 발생했습니다. 각 서버가 여러 도구와 스키마를 포함하게 되면서 모델이 처리해야 할 정보량이 폭증하는 결과를 낳았습니다.

이러한 문제에 대응하여 LLM 모델 자체가 발전했고, 이제 모델은 코드를 실행하고 대규모 코드베이스를 추론하며 훨씬 더 자율적으로 행동할 수 있게 되었습니다. LLM은 사용자 개입을 최소화하면서 API를 직접 호출하고 스크립트를 작성하는 능력을 갖추게 되었으며, Cloudflare의 Code Mode와 같은 발전은 MCP 서버의 필요성을 크게 줄였습니다.

결론적으로 에이전트는 터미널 접근 권한을 통해 대부분의 MCP 서버를 대체할 수 있으며, 앞으로는 MCP에 의존하기보다 HTTP API와 CLI를 통해 직접 상호작용하는 것이 효율적입니다. 개발자들은 에이전트가 HTTP API를 직접 사용하도록 표준화하고, Accept 헤더와 같은 공통 프로토콜을 통해 에이전트와 서버 간의 통신 방식을 표준화해야 합니다.

BraTS-GoAT는 이질적인 환자군에 걸친 종양 분할 성능을 평가하는 연구 결과를 제시합니다. 연구진은 1,351개의 레이블링된 사례를 사용하여 5겹 교차 검증과 각 폴드당 1,000 에포크로 기존의 3D nnU-Net을 훈련시켰으며, 테스트 시 미러링 기법을 적용했습니다.

통합 공식 검증 결과, 조영 증강 종양(ET), 종양 핵심(TC), 전체 종양(WT)에 대한 전역 DSC 값은 각각 0.7805, 0.8288, 0.8854를 기록했습니다. 특히, 매칭된 폴드-0 추론 하에서 평균 지역 Dice 값은 소스 아웃-오브-폴드(OOF) 사례의 0.9058에서 통합 검증의 0.8310으로 감소했으며, 이는 0.0747의 차이를 보였습니다.

미러링 기법은 단일 폴드에서 약간의 이득을 제공했지만 앙상블 이점은 명확하지 않았으며, 잔차 인코더(residual-encoder) 대안 모델은 평균 Dice 값 0.8282를 달성했습니다. 또한, 레이블된 OOF 예측에서 실패 사례를 분석한 결과, 참조 ET 부피를 조정했음에도 불구하고 낮은 Dice 값은 ET 구성 요소가 더 분리되어 있고 가장 큰 구성 요소에 포함된 ET의 비율이 더 작다는 것과 연관되어 있었습니다.