읽을 가치가 있는 기사만, 짧고 또렷하게.

구글이 NFL 경기 진행 상황을 실시간으로 업데이트할 수 있는 새로운 라이브 게임 피드를 도입했습니다. 이번 기능은 정규 시즌 시작에 맞춰 출시되었으며, 사용자는 빨간색 "Live" 아이콘을 통해 진행 중인 경기의 요약, 경기별 상세 업데이트, 소셜 미디어의 주요 논평, 비디오 하이라이트, 그리고 인공지능 기반 통찰력(AI-powered insights)을 확인할 수 있습니다.

이 새로운 피드는 모바일 환경에서 영어로 즉시 제공되며, 현재는 NFL 경기뿐만 아니라 대학 경기 등 다양한 경기를 지원합니다. 또한, 모바일 검색에서는 현재 진행 중인 다른 게임들의 점수를 넘겨볼 수 있는 새로운 캐러셀 기능도 추가되어 사용자 경험이 개선되었습니다.

더불어 통계 기능도 향상되어 패싱 터치다운이나 러싱 야드와 같은 카테고리에서 선두를 달리는 선수들을 보여주며, 이는 경기 정보를 더욱 구체적으로 제공합니다. 구글은 이번 업데이트를 통해 실시간 스포츠 데이터 제공의 정확성과 접근성을 높이는 데 중점을 두고 있습니다.

임상 진단을 위해서는 의료 영상과 환자 기록을 동시에 평가해야 하지만, 표준 머신러닝 알고리즘은 이 데이터 유형을 함께 분석할 수 없습니다. 또한 HIPAA와 GDPR 규정 준수는 민감한 환자 데이터의 중앙 집중식 집계를 제한하여 분산된 네트워크 간 시각 및 텍스트 맥락의 안전한 융합이라는 중요한 공백을 남깁니다. 이에 연구진은 다섯 가지 임상 상태 분류(정상, 폐렴, COVID-19, 흉수, 심장 비대)를 위한 멀티모달 연합 학습(Federated Learning) 프레임워크인 OmniMed-FL을 제시했습니다.

이 프레임워크는 3,000개의 공개 흉부 방사선 사진과 3,000개의 클래스 조건부 합성 기록을 환자별이 아닌 클래스별로 매칭하여 프록시 코퍼스를 구성했습니다. 연구는 3개에서 20개의 병원 클라이언트를 대상으로 비-IID 디리클레 분할 하에서 연합 학습을 수행하며, 여덟 가지 융합 전략과 다양한 베이스라인을 비교했습니다.

실험 결과, FedAvg는 0.662±0.074의 성능을 보였으며, FedProx는 0.737±0.085를 달성했습니다. 특히, 모델 상태 차이(FedProx와 FedAvg)는 두 시드 표준 편차 내에서 0.075로 매우 근접하여 안정적인 융합이 가능함을 확인했습니다. 또한, 레이블 편향(label skew)은 최대 0.27 F1 점의 비용을 발생시키지만, 클라이언트 수가 약 7배 증가해도 최대 0.10의 비용만 발생했습니다.

멀티모달 융합은 두 코퍼스 모두에서 우위를 점했으며, 합성 코퍼스에서는 텍스트(0.956 대 0.934)와 이미지(0.664) 모두에서 텍스트 단독 모델 상태의 2.3배 성능을 보였습니다. 이는 의료 진단에서 시각 정보와 텍스트 정보를 효과적으로 결합하는 것이 연합 학습 환경에서 중요한 이점을 제공함을 시사합니다.

GNU Radio flowgraph가 브라우저 내에서 실행될 수 있는 환경이 제공됩니다. 이는 GNU Radio Companion 스타일의 흐름도 편집기 및 런타임이 브라우저 탭 내에서 완전히 구동되도록 구현한 것입니다.

이 시스템은 GNU Radio DSP 스택과 Qt GUI 싱크가 WebAssembly로 컴파일되어 작동하며, 이를 통해 파이썬이나 별도의 설치, 서버 없이 소프트웨어 정의 라디오 흐름도를 구축하고 실행할 수 있습니다. 사용자는 실행 후 실시간 스펙트럼, 워터폴, 별자리 플롯 등을 관찰할 수 있습니다.

이 도구는 네이티브 GNU Radio와 동일한 .grc 파일을 읽고 쓰며, 예제 흐름도와 IQ 녹음 파일을 공유할 수 있습니다. 또한 WebUSB를 통해 RTL-SDR, PlutoSDR, 또는 HackRF와 같은 소프트웨어 정의 라디오 하드웨어와 통신할 수 있어 실제 측정 환경에 직접 적용이 가능합니다.

시계열 기반 파운데이션 모델을 평가할 때 모델 학습에 사용된 데이터가 테스트 세트보다 앞선 공개 아카이브에 의존하기 때문에, 강력한 점수가 사전 학습 과정에서 테스트 세트를 보았다는 사실과 분리될 수 없습니다. 이러한 문제를 해결하기 위해 모델 출시 이후의 데이터를 포함하는 시간적 홀드아웃(temporal hold-out) 프로토콜을 구축했습니다. 이 프로토콜에 따라 사전 학습된 모델들은 7개 그룹 중 5개 그룹에서 승리했으며, 일일 환율에서는 다른 모든 방법과 구별할 수 없었습니다.

승리와 패배의 차이를 분석한 결과, 계절 강도나 스펙트럼 엔트로피와 같은 내재적 속성은 패턴을 설명하지 못했으며, 실제로는 모델이 학습한 코퍼스에 대한 친숙도(corpus familiarity)가 중요한 요소임을 발견했습니다. 특히, TimesFM 계열 모델은 Chronos 계열 모델보다 위키피디아에서 -0.53 순위로 우위를 보였는데, 이는 다른 지표에서는 -0.09 차이로 나타났습니다.

이는 시간적 홀드아웃이 특정 시간 범위의 암기(memorization)는 제거하지만 도메인에 대한 친숙도는 유지한다는 것을 의미합니다. 따라서 벤치마크는 공개된 코퍼스에 상대적인 도메인 홀드아웃을 명시해야 하며, 실무자가 모델의 우수성을 묻기보다는 해당 모델이 학습된 도메인이 자신의 도메인인지에 대한 질문을 던져야 합니다.

비디오 이해 분야는 텍스트 프롬프트를 기반으로 비디오 표현을 결합하여 생성을 조건화하는 비디오 대규모 언어 모델(VideoLLMs)로 빠르게 발전하고 있습니다. 이러한 모델은 캡셔닝, 질문 응답, 검색 및 시간적 기반 설정에서 강력한 성능을 보이지만, 프레임 수와 컨텍스트 길이에 따라 계산 및 메모리 비용이 증가하여 실시간, 모바일 및 자원 제약 환경에서의 배포를 제한합니다.

본 설문조사는 시각 및 청각 비디오 대규모 언어 모델의 추론 효율성 메커니즘을 다루며, 파라미터 수, 입력당 FLOPs, 지연 시간, 메모리 또는 시각 및 오디오 토큰 수의 구체적인 감소를 보고하는 방법들을 분석합니다. 연구진은 프레임 샘플링, 양식 인코딩, 커넥터 수준 토큰 감소, LLM 프리필링 및 디코딩 전반에 걸친 병목 현상을 분석합니다.

이 연구는 2022년 후반 이후 개발된 VideoLLM과 현재 파이프라인의 구성 요소로 남아있는 이전의 프레임 샘플링 및 비전 인코더 메커니즘을 모두 포함합니다. 또한, 공유 호스트 모델 및 입력 프로토콜 하에서 보고된 정확도-비용 비교를 취합하고 이질적인 교차 논문 증거와 구별하며, 청각 시각 효율성 및 표준화된 평가의 격차를 식별합니다.

이러한 효율성 메커니즘에 대한 연구 결과를 정리한 저장소는 https://github.com/momentslab/awesome-efficient-videollm에서 확인할 수 있습니다.

No Man's Sky Cosmos 업데이트 7.0은 플레이어가 우주에서 새로운 역할을 수행하고 광범위한 탐험 및 건설 활동을 할 수 있는 새로운 시스템을 추가합니다. 플레이어는 우주 정거장의 책임자가 되어 공간을 디자인하고, 은하 연합에 가입하여 영토를 경쟁하며, 심우주 외곽에 있는 외계 생명체의 심층 기지에서 희귀 광물을 채굴하고 거래할 수 있습니다.

이번 업데이트에서는 거대한 잔해선(Hulk)을 해체하여 부품을 얻고, 우주 공간에 자유롭게 떠 있는 기반 시설을 건설하며, 새로운 항성계 지도를 통해 심우주를 탐험하는 기능이 핵심적으로 추가되었습니다. 또한, 플레이어는 우주 정거장의 외관을 꾸미고, 은하 연합의 리더가 되어 자신의 깃발을 전파하며 커뮤니티를 발전시킬 수 있습니다.

게임의 역사적인 10주년 기념 탐험인 Our Journey Continues를 통해 기념 예술 작품을 획득하고, 고대 생물인 디플로도쿠스 동반자를 얻는 등 다양한 보상이 제공됩니다. 더불어, 새로운 자원 채집 메커니즘과 더 현실적인 성운 및 소행대 벨트 탐험이 추가되어 우주 탐험의 깊이를 더했습니다.

기술적인 측면에서는 광범위한 버그 수정이 이루어졌습니다. 인벤토리 오류, HUD 마커 표시 문제, 컨트롤러 바인딩 문제 등 다양한 사소한 오류들이 해결되었으며, 특히 우주 정거장 조명 및 주변 조명 관련 문제, VR 환경에서의 오류 등 시각적 및 기능적 안정성이 크게 향상되었습니다.

은행 시스템은 사기 방지, 신용 결정, 자금세탁 방지 등 핵심 기능을 위해 소수의 공유 인공지능 공급업체에 의존하고 있습니다. 이 연구는 이러한 공급업체 중 하나가 침해되었을 때 운영, 정보, 금융 연결고리를 따라 손실이 전파되어 외부적으로는 전형적인 은행 위기와 같은 결과를 초래할 수 있는 메커니즘을 분석합니다.

연구진은 AI 공급업체, 금융 기관, 은행 간 노출, 고객 계정을 연결하는 4계층 이종 네트워크를 구축하고, 이를 기반으로 확률적 전염 및 정산 모델인 CFC-Prop을 제안했습니다. 이 모델은 60개 공급업체와 220개 은행을 포함하는 합성 데이터셋에서 이전 사이버-금융 증거와 일치하는 꼬리 분포 손실과 패치 지연에 대한 민감도를 재현했습니다.

또한, 연구진은 공급업체 측의 사고 텔레메트리와 그래프 구조를 활용하여 영향 발생 전에 고위험 연쇄 반응 공급업체를 식별하는 조기 경보 모델인 CFC-GNN을 개발했습니다. 이 모델은 네 가지 기준에서 AUROC 0.82와 AUPRC 0.60의 성능을 달성하며 보정 오류를 제한했습니다.

이 결과는 AI 공급업체 간의 사이버 집중 현상이 금융 안정성의 일차적 문제임을 시사하며, 감독 당국에 이러한 위험을 추론할 수 있는 구체적인 정량적 도구를 제공합니다. 연구진은 전체 코드와 합성 데이터, 재현 가능한 스크립트를 공개했습니다.

AI 코드 주석 분류기인 Better AI code comment detector가 공개 데이터와 더 나은 기반 위에서 재구축되어 성능 향상을 이루었습니다. 이 분류기는 인간이 작성한 주석과 로봇이 생성한 주석을 구별하는 것을 목표로 하며, 균형 정확도(balanced accuracy)는 77%를 기록했습니다.

분류기의 성능을 평가하는 과정에서, 분류기는 특정 판단이 맞을 확률을 나타내는 보정된 예측 백분율을 출력하며, 이는 보정 곡선을 통해 검증되었습니다. 특히, 분류기가 매우 확신할 때(80% 이상) 오탐(false positive) 위험은 5%로 떨어지지만, 불확실할 때(50% 내외)는 보정된 확률에 따라 잘못된 판단을 할 위험이 절반 정도 발생함을 알 수 있습니다.

실제 세계의 주석 데이터를 사용하여 테스트했을 때, 분류기는 정확도 88%, F1 점수 87%를 달성하며 훈련 데이터보다 더 현실적인 사례를 구별하는 능력이 향상되었습니다. 다만, 이 분류기는 코드 주석에 한정되어 있으며 다른 종류의 텍스트를 감지하도록 설계되지 않았다는 점을 유의해야 합니다.

분류기를 구축하기 위해서는 데이터 수집이 핵심이며, 더 강력한 분류기를 얻기 위해서는 데이터 양이 중요하지만 비용은 지출 금액의 로그에 비례하여 증가합니다. 개발자들이 이 시스템을 구현할 때 데이터셋 구축과 모델의 신뢰도를 고려해야 하며, 소스 코드 접근성이나 라이선스 문제 등 구현 과정의 제약 사항도 함께 고려해야 합니다.

멀티모달 대규모 언어 모델(MLLM)은 이미지당 수백 또는 수천 개의 시각 토큰을 처리하여 막대한 추론 비용을 발생시킵니다. 기존의 비전 토큰 가지치기 방법들은 모든 입력에 단일 고정 가지치기 전략을 균일하게 적용한다고 가정합니다. 연구진은 평균 벤치마크 정확도로 가지치기를 순위화하는 방법이 개별 샘플 간의 상호 보완성(sample-wise complementarity)을 간과한다는 점을 분석했습니다.

이러한 다양성을 활용하기 위해 연구진은 VIP-Router라는 경량 비전 가지치기 라우터를 제안했습니다. VIP-Router는 입력마다 가장 적합한 가지치기 전략을 적응적으로 선택하며, 시각 및 텍스트 특징을 기반으로 최적의 후보 전략을 식별합니다. 이 방법은 가지치기 수준에 따라 최적의 전략을 선택하고, 가지치기가 불리할 경우 전체 토큰 추론을 유지하는 옵션도 제공합니다.

VTC-Bench 그룹 A와 같은 벤치마크에서 VIP-Router는 모든 감소 비율에 걸쳐 최고 고정 전략 기준을 능가하며 평균 정확도를 26.9% 향상시켰습니다. 또한 실제 토큰 비용을 고려했을 때 평균 유틸리티는 22.0% 증가하는 결과를 보였습니다. 특히 VIP-Router는 기존 가지치기 알고리즘이나 모델 가중치를 수정하지 않고 작동하며, 백본의 0.017%에 해당하는 학습 가능한 매개변수만 추가하여 플러그 앤 플레이 방식으로 구현됩니다.

VIP-Router는 다양한 MLLM 백본에서 효과를 입증했으며, 보지 못한 벤치마크에서도 일관된 성능 향상을 제공하여 시각 토큰 가지치기에 대한 샘플 적응형 라우팅의 잠재력을 강조합니다.

플래닛 랩스(Planet Labs)는 15년 동안 위성 제조 및 운영을 해온 회사로, 지구의 육지 전체를 매일 촬영하는 여러 위성 군집을 운영하고 있습니다. 이들은 현재 97개의 위성이 궤도에 있으며, 이들의 상세 정보는 Ephemerides 서비스를 통해 제공됩니다. 최근에는 SpaceX의 Transporter 17 임무를 통해 Pelican-11 위성이 Tanager 군집에 합류하며 저궤도(LLEO)에 배치되었습니다.

플래닛 랩스는 Open Satellite Feed를 통해 데이터를 공개하며, 이 데이터는 NORAD ID와 같은 정보를 기반으로 다운로드할 수 있습니다. 예를 들어, SkySat 및 Flock과 같은 위성 데이터는 총 1.9GB에 달하며, 이는 여러 스레드를 사용하여 병렬로 다운로드할 수 있도록 설계되어 있습니다. 이 데이터는 1.4시간 만에 캡처되었으며, 이미지와 함께 구름 덮임 시간 등 시간 정보도 제공됩니다.

공개된 이미지에는 구름 외에도 그림자, 안개, 눈을 식별할 수 있는 유효 데이터 마스크(UDM) 대응 자료가 포함되어 있습니다. 이 UDM2는 구름뿐만 아니라 이러한 대기 현상까지 파악하여 위성 이미지의 활용도를 높입니다. 이 마스크를 통해 사용자는 지표면의 명확한 시야를 확보할 수 있으며, 이는 홍수와 같은 재난 지역의 상황을 분석하는 데 매우 유용합니다.

슈팅 게임에서 '폭탄 감각(bomb sense)'은 플레이어가 게임 경험에 기반하여 폭탄을 언제 사용할지 판단하는 능력입니다. 스마트 폭탄은 총알을 제거하고 피해를 입히며 무적 시간을 부여하는 핵심 메커니즘인데, 폭탄의 경제는 매우 엄격하여 사용 횟수에 따라 게임 진행이 크게 달라집니다. 플레이어는 순간적인 감각과 게임 경험을 바탕으로 폭탄이 필요한 시점을 예측해야 하며, 이 감각이 정확해야 폭탄이 생존에 결정적인 도움을 줄 수 있습니다.

폭탄 사용의 타이밍은 단순히 자원을 관리하는 것을 넘어 전략적인 공간을 확보하고 상대방에게 영향을 미치는 중요한 요소입니다. 플레이어는 폭탄 사용을 미리 계획하고 연습함으로써 필요성을 줄이고 폭탄을 나중에 사용할 수 있도록 숙련도를 쌓아야 합니다. 이러한 폭탄 메커니즘은 게임의 난이도를 완화하고 한 방의 죽음을 더 수용적으로 만들며, 플레이어에게 긴장감과 몰입감을 제공합니다.

폭탄 감각은 단순히 기술적인 숙련도를 넘어 장르에 대한 이해와 경험을 요구하는 요소입니다. 폭탄 사용에 대한 경험은 다양한 슈팅 게임을 플레이하며 얻는 시간의 산물이며, 이는 신규 플레이어가 해당 장르에 진입하는 데 가장 큰 장벽이 됩니다. 개발자 입장에서 폭탄 감각을 구현하는 것은 단순히 폭탄을 더 제공하거나 쿨다운을 조정하는 것만으로는 부족하며, 플레이어가 스스로 판단하고 느끼는 경험을 접근 가능하게 만드는 것이 핵심 과제입니다.

Framework가 지속되는 부품 부족 상황 속에서 일부 고객에게 RAM 가격을 인하하는 긍정적인 업데이트를 제공했습니다. 이는 7월에 노트북 13 Pro의 메모리 가격을 인상한 후, Framework가 마이크론(Micron)의 32GB 및 64GB LPCAMM2 메모리 모듈을 더 낮은 비용으로 확보했기 때문에 가능했습니다.

Framework는 이러한 절감분을 공유하여 이미 출고된 제품과 현재 주문 대기 중인 일부 제품 모두에 가격 인하를 적용할 계획입니다. 이 조치는 현재 환경에서 컴퓨터를 가능한 한 접근하기 쉽게 만들고자 하는 노력의 일환입니다.

다만, 새로운 가격은 Framework가 원래 책정했던 가격보다 여전히 높다는 점을 유의해야 합니다. 따라서 고객들은 가격 인하 혜택과 함께 최종 비용을 고려하여 구매를 결정해야 합니다.

음악 관련 멀티미디어 애플리케이션을 위해서는 수동 또는 알고리즘적으로 배치된 정확한 음악 주석(레이블)이 필요하지만, 많은 작업에 필요한 주석 데이터는 부족합니다. TimeCues Studio는 이러한 문제를 해결하기 위해 알고리즘 개발 팀이 음악 코퍼스를 주석 처리하고, 탐지 알고리즘을 해당 주석과 비교하며 새로운 모델을 프로토타입할 수 있는 오픈 소스 작업 공간입니다.

기존 도구들이 단일 트랙에 초점을 맞춘 것과 달리, TimeCues는 전체 컬렉션을 주석 처리하는 팀을 대상으로 하며 알고리즘 개발 과정에 긴밀하게 통합됩니다. 주석자는 여러 음악 특징, 분리된 오디오 스템을 시각화하는 그리드 잠금 타임라인 위에 모호성을 고려한 레이블링을 지원하는 여러 유형의 마커를 배치합니다.

이 타임라인은 알고리즘 비교 엔진, 모델 프로토타이핑을 위한 파이썬 샌드박스, 그리고 구조화된 필드를 존중하는 모호성 인식 평가기까지 구동하는 핵심 기반이 됩니다. 이 통합된 시각화는 음악 동기화 프로젝트에서 단독 주석자에게도 유용하며, TimeCues는 MIT 라이선스로 배포되며 Docker Compose 명령 하나로 쉽게 설치할 수 있습니다.

b.next는 합성 세포 연구의 잠재력을 실현하기 위해 자체적인 제조 시설과 개방형 플랫폼을 구축하는 데 집중하고 있습니다. 이들은 합성 세포를 구성하는 핵심 물질인 Cytosol을 생산하기 위한 제조 공장을 건설하고, Nucleus의 개방형 사양에 맞춰 Cytosol 키트를 제조하여 커뮤니티에 제공하고 있습니다.

이러한 작업은 합성 세포 연구가 학술적 노력에서 글로벌 규모의 문제 해결로 나아가기 위해 필수적인 물리적 공급망을 구축하는 데 중점을 둡니다. 초기에는 PURE 시스템을 구현하는 데 필요한 플라스미드와 tRNA 같은 핵심 구성 요소들이 제한적인 라이선스나 공급 문제로 인해 접근하기 어려웠으며, 이는 합성 세포 인프라의 취약성을 드러냈습니다.

이에 b.next는 이 문제를 해결하기 위해 PURE 구성 요소와 모든 부품에 대한 개방형 프로토콜과 사양을 개발하고, tRNA 및 리보솜을 포함한 모든 구성 요소를 생산할 수 있는 개방형 시스템을 구축했습니다. 이 과정에서 2025년에는 주요 연구소와의 워크숍을 통해 기술을 공유하고, 2026년에는 샌프란시스코에 전용 제조 공장을 설립하여 Cytosol을 공급하는 기반을 마련했습니다.

현재 b.next는 Nucleus 개방 사양에 따라 제작된 Cytosol 키트를 전 세계 약 20개 연구소에 제공하고 있으며, 에너지, 제어, 막 번역 모듈을 포함한 새로운 합성 세포 모듈을 테스트하고 공유하고 있습니다. 이는 합성 세포 연구자들이 안정적이고 개방된 인프라 위에서 협력하고 발전할 수 있는 기반을 제공한다는 점에서 중요한 이정표입니다.

Desert Ant Labs가 기기 내에서 음성, 이미지, 텍스트를 직접 처리하는 소형 특화 AI 모델 18개를 공개했습니다. 이 모델들은 음성 인식, 녹음 음질 개선, 개인정보 가리기 등의 기능을 기기 자체에서 처리할 수 있도록 설계되었습니다.

이 모델들은 안정 버전 12개와 베타 버전 6개로 구성되어 있으며, 개발자들이 반복적인 작업 시 대형 모델 API를 호출하는 대신 작업에 맞는 작은 모델을 로컬에서 실행할 수 있게 합니다. 이러한 로컬 실행 방식은 서버 왕복 시간과 호출당 발생하는 비용을 절감할 수 있는 실질적인 이점을 제공합니다.

개발자는 이 모델들을 활용하여 클라우드 의존도를 낮추고 데이터 프라이버시를 강화하면서도 고성능 AI 기능을 기기 내에서 구현할 수 있습니다. 특히 소형 모델을 기기 내에서 구동함으로써 실시간 처리 속도를 높이고 비용 효율성을 극대화할 수 있습니다.

기하학적 추론은 AI에서 여전히 중요한 과제로 남아 있으며 시각적 인식과 수학적 추론의 통합이 필요합니다. 대규모 멀티모달 모델(LMM)이 시각-언어 입력을 자연스럽게 처리하지만 계산 집약적이고 불투명하다는 한계가 있습니다. 본 연구는 특수 모듈을 장착한 순수 대규모 언어 모델(LLM)이 복잡한 기하학 문제에서 최첨단 LMM과 견줄 수 있음을 입증합니다.

제안된 프레임워크는 기하학적 시각 파서(Geometric Vision Parser)를 통합하여 다이어그램을 기호 형태로 변환하고, 기호 풀버(Symbolic Solver)를 통해 형식적 추론을 수행함으로써 환각 현상을 완화하고 해석 가능한 추론을 촉진합니다. 이러한 접근 방식은 LLM이 복잡한 기하학 문제를 해결하는 데 있어 투명하고 논리적인 과정을 제공합니다.

엄격한 평가를 위해 2025년 중국 중학교 시험의 어려운 문제들로 구성된 벤치마크를 구축하여 데이터의 참신성과 심층적인 추론 능력을 테스트했습니다. 실험 결과, 이 방법은 Gemini 2.5 Pro와 유사한 성능을 달성하면서도 더 명확하고 인간과 같은 해답을 제공하는 것으로 나타났습니다.

지식 증류는 작업 적응이 된 비전-언어 교사 모델을 더 작은 학생 모델로 효율적으로 전달하는 경로를 제공합니다. 그러나 현재의 비전-언어 증류 방법에서 훈련 목표는 교사 예측을 모든 훈련 샘플에 균일하게 적용하여 구성되므로, 클래스나 도메인 변화가 발생할 때 신뢰성이 떨어지는 문제가 있습니다.

본 논문은 증류 목표 구성이 고정된 레시피가 아니라 동적인 훈련 결정으로 취급되어야 한다고 주장하며, 이를 위해 비전-언어 모델 적응을 위한 온-폴리 증류 프레임워크인 OnPoKD를 제안합니다. OnPoKD는 교사 모델, 학생 모델, 제로샷 사전 지식으로부터 신뢰도 및 불일치 신호를 사용하여 샘플별 적응형 목표를 구성하는 경량 컨트롤러를 학습합니다.

이 컨트롤러는 경계가 있는 정책 행동을 통해 교사 감독, 제로샷 사전 지침, 하드 레이블 앵커링을 동적으로 균형 잡아 증류 목표가 훈련 단계와 샘플 신뢰도에 따라 적응하도록 합니다. 이 정책 컨트롤러는 검증 피드백으로 업데이트되어 훈련 분포를 단순히 맞추는 것이 아니라 전이 가능성을 최적화하도록 목표 구성을 유도합니다.

OnPoKD는 훈련 중에만 사용되므로 기존의 비전-언어 증류 파이프라인에 원본 추론 아키텍처와 테스트 시간 비용을 보존하면서 원활하게 통합될 수 있습니다. 광범위한 베이스-투-신규 일반화 및 데이터셋 간 전이 벤치마크 실험 결과, OnPoKD는 강력한 비전-언어 증류 기준선보다 일관되게 성능을 향상시켰습니다.

검증 가능한 보상(RLVR)을 이용한 강화 학습은 수학이나 코드와 같이 객관적인 답을 확인하기 쉬운 영역에서 언어 모델의 추론 능력을 발전시켰습니다. 그러나 복잡한 데이터에 대한 진단 추론은 이상 현상의 진정한 원인을 파악하는 데 종종 비용이 많이 드는 전문가 조사와 모호함이 남는 문제가 있습니다. 연구진은 이러한 검증의 비대칭성을 어떻게 설계할 수 있는지에 주목하며, 시뮬레이터를 통해 개입을 샘플링하고 관찰 결과를 생성하여 객관적인 레이블과 보상을 제공하는 방법을 제안합니다.

이러한 접근 방식을 디지털 광고 진단 환경인 TRACE에 적용하여 12가지 근본 원인과 세분화된 세그먼트 귀속을 가진 환경을 구축했습니다. 에이전트는 파이썬과 SQL을 사용하여 각 에피소드를 조사하고 근본 원인과 해당 세그먼트 할당을 식별해야 합니다. 235 에피소드의 테스트 세트에서 가장 강력한 프롬프트 기반 기준 모델인 Claude Opus 5는 0.686 FullAttr@1의 성능을 달성했습니다.

추가적으로, 지도 미세 조정(SFT)을 거친 Qwen3.5-35B-A3B는 0.159에서 0.637로 향상되었으며, 보상 합성 강화 학습(RL with synthesized rewards)을 적용한 결과 0.757을 달성하여 평가된 모든 기준 모델을 능가했습니다. 이 결과는 모델 규모보다 확장 가능하고 객관적인 훈련 신호에 접근하는 것이 더 중요한 제약 조건이 될 수 있음을 보여줍니다.

결과적으로 시뮬레이션 기반 검증은 본래 모호했던 진단 추론 작업을 확장 가능한 강화 학습에 적합하게 만들 수 있습니다. 이 연구는 객관적인 훈련 신호가 모델 규모보다 더 중요한 제약 조건이 될 수 있다는 증거를 제시합니다.

활성 학습(Active Learning)과 가중치 가지치기(Magnitude Pruning)를 결합하여 효율적인 모델을 찾는 새로운 방법이 제안되었습니다. 연구는 희소한 서브 네트워크가 전체 밀집 네트워크와 동일한 정확도를 가질 수 있다는 로또 티켓 가설을 기반으로 합니다.

기존에는 로또 티켓을 발견하는 주된 방법으로 반복적인 가중치 가지치기(iterative magnitude pruning)가 사용되었으며, 이는 가지치기와 전체 재학습을 반복하여 수렴할 때까지 진행됩니다. 마찬가지로 딥 활성 학습(Deep Active Learning)도 새로운 레이블이 확보될 때마다 모델을 처음부터 재학습하는 방식을 사용합니다. 두 방법 모두 상당한 계산 오버헤드를 수반하지만, 이들은 별도로 연구되어 왔습니다.

연구진은 풀 기반 활성 학습에 내재된 반복적인 훈련 루프가 가중치 가지치기가 활용하는 계산 구조를 이미 제공한다고 관찰했습니다. 이에 따라 각 활성 학습 반복 주기마다 가중치 가지치기를 통합하는 Improve & Prune(I&P) 방법을 제안했습니다. 이 방법은 추가 비용 없이 각 활성 학습 재학습 주기에서 희소한 모델을 산출합니다.

I&P를 통해 얻은 모델은 활성 학습 반복마다 희소하고 배포 가능한 모델을 제공하며, 최대 95%의 희소도에서도 전체 모델과 동일한 정확도를 보입니다. 이는 대규모 아키텍처와 큰 레이블 없는 풀에서 DAL을 실용적으로 적용하는 데 방해가 되는 모델 재학습 및 획득 점수 계산이라는 두 가지 계산 병목 현상을 해결할 수 있습니다.

바이럴 AI 어시스턴트 인스팅트(Instinct)가 사용자 대신 이메일을 생성하고 관리할 수 있는 기능을 도입하며 자체 이메일 주소를 갖게 되었습니다. 이는 인스팅트가 이메일 기반의 작업을 수행하기 위해 계정을 생성하고, 비즈니스에 연락하며, 지원 요청을 처리하는 등 사용자 대리 업무를 수행할 수 있도록 하기 위함입니다.

이 새로운 기능은 사용자가 로그인 정보나 자격 증명을 제공할 필요 없이 인스팅트가 스스로 계정을 소유하고 운영할 수 있게 하여 사용자 경험을 더욱 원활하게 만듭니다. 예를 들어, 인스팅트는 특정 요청을 처리하기 위해 레스토랑에 연락하거나 서비스를 신청하는 등의 작업을 자체 이메일을 사용하여 수행할 수 있습니다.

사용자는 주문 확인서를 인스팅트의 이메일 주소로 전달하여 반품 절차를 대행하게 할 수도 있습니다. 또한 인스팅트의 이메일은 그룹 스레드에 추가하여 주고받은 정보를 추적하거나 필요한 의사결정 사항을 확인하는 데 활용될 수 있습니다.

인스팅트는 이 외에도 1Password 및 Stripe와 같은 서비스와의 파트너십을 통해 로그인 및 결제 경험을 개선했으며, 위치 공유 기능과 같은 다른 업데이트를 통해 AI 에이전트의 능력을 확장하고 있습니다.