읽을 가치가 있는 기사만, 짧고 또렷하게.

GoPro의 CEO 닉 우드먼은 스타맨의 2억 8,500만 달러 인수 제안 이후에도 카메라 제작이 여전히 회사의 핵심 DNA라고 고객들에게 밝히는 서한을 보냈습니다. 그는 이번 합병이 GoPro가 콘텐츠 제작 기술을 계속 개발할 수 있는 더 나은 위치에 놓이게 한다고 주장했습니다.

이러한 합병은 단순히 재정적인 거래를 넘어, 카메라, 광학, AI 인프라와 관련된 국가 안보의 중요한 영역을 다루기 위해 스타맨과 협력한다는 내용이 포함되어 있습니다. 이는 GoPro가 하드웨어 제조를 넘어 첨단 기술 분야에서 전략적 파트너십을 통해 기술 개발을 지속하겠다는 의지를 보여줍니다.

GoPro는 이번 인수를 통해 콘텐츠 제작 기술 개발에 집중할 수 있는 환경을 마련하고자 합니다. 하지만 이 과정에서 이전 GoPro의 최대 개인 주주였던 유튜버 마크 "마크플라이어" 피쉬바흐에 대한 언급은 전혀 포함되지 않았습니다. 따라서 이번 거래가 기술 개발 및 커뮤니티에 미치는 구체적인 영향에 대해서는 추가적인 맥락을 살펴볼 필요가 있습니다.

자동 리깅 기술의 발전에도 불구하고 3D 에셋에 움직임을 부여하는 과정은 여전히 병목 현상으로 남아 있습니다. 기존의 학습된 애니메이터들은 범주별 템플릿에 의존하거나 추론 시 각 골격별 미세 조정 및 참조 모션이 필요하여 제약이 많았습니다. 이에 본 논문은 텍스트 프롬프트와 리깅된 3D 에셋으로부터 임의의 골격에 대한 움직임을 합성하는 통합 기반 모델인 UniMate를 제시합니다.

UniMate는 테스트 시간 최적화나 골격별 재학습 없이 움직임을 합성하며, 골격의 위상 정보를 어텐션에 통합하는 위상 인식 확산 트랜스포머를 도입했습니다. 이 모델은 쌍별 관절 관계와 지오데식 거리를 이용한 그래프 인식 어텐션 편향, 그래프 라플라시안을 통한 RoPE의 일반화, 그리고 나머지 자세 골격으로부터 풀링된 전역 위상 조건부 어텐션이라는 세 가지 메커니즘을 통해 골격 위상을 통합합니다.

또한, UniMate는 이족보행, 사족보행, 조류, 해양 생물, 곤충형, 뱀형, 관절형 고체 물체를 포함하는 13,006개의 움직임 시퀀스로 구성된 UniML3D 데이터셋을 통해 학습되었습니다. 이 데이터셋은 통일된 정규화 및 텍스트 페어링을 통해 다양한 위상 간의 움직임을 포괄하며, UniMate는 이 데이터셋을 기반으로 품질, 일반화, 효율성 면에서 기존 최고 성능 모델들을 능가합니다.

UniMate는 제로샷 교차 위상 전이, 중간 움직임 생성, 확장, 텍스트 기반 편집 기능을 지원하여 다양한 형태의 골격에 대한 움직임 생성에 있어 강력한 범용성을 제공합니다.

Hayes AT 명령어 세트는 1981년에 Dale Heatherington과 Dennis Hayes가 Hayes 스마트모뎀을 위해 개발한 특정 명령어 언어입니다. 이 명령어 세트는 다이얼업 모뎀의 작동에 필요한 연결 설정, 전화 걸기, 연결 해제 등의 작업을 수행하기 위해 일련의 짧은 텍스트 문자열로 구성되어 있습니다. 초기에는 300비트/초 모뎀에서 지원하는 기능에 국한되었으나, 이후 더 빠른 속도의 모뎀에 대한 추가 기능 제어가 필요해지면서 다양한 벤더들이 접두사 문자를 사용하여 새로운 명령어를 추가하며 확장되었습니다.

이러한 확장들은 Hayes 및 USRobotics의 경우 '&' 기호, Microcom의 경우 '\' 기호와 같은 접두사 문자를 사용하여 구현되었으며, SupraFAXModem 14400과 같은 제품 출시 및 시장 통합 과정에서 재표준화되었습니다. 현재에도 Hayes 호환성은 업계에서 여전히 중요한 개념으로 남아 있습니다.

과거 모뎀은 송신 모드와 수신 모드를 전환하며 작동했으며, 자동화가 필요할 때 별도의 다이얼러 장치를 사용했습니다. 그러나 1970년대 이후 마이크로컴퓨터 혁명과 저가 모뎀의 등장으로 인해 소프트웨어를 통해 모뎀에 명령을 전달하는 방식이 필요해졌습니다. 이는 모뎀이 하드웨어 지원을 통해 명령을 해석하는 방식에서 소프트웨어 기반의 제어 방식으로 변화하는 중요한 전환점이 되었습니다.

웨어러블 센싱의 발전에도 불구하고 기존 벤치마크는 AI 시스템이 실제 사용자의 장기적인 웨어러블 기록을 바탕으로 추론할 수 있는지 평가하지 못하고 있습니다. 이에 연구진은 실제 웨어러블 시계열, 혈액 바이오마커, 인구 통계 데이터를 활용하여 200명의 실제 사용자 데이터를 기반으로 구축된 웨어러블QA라는 벤치마크를 소개합니다. 이 벤치마크는 장기간의 일일 측정 데이터와 기기 노이즈, 개인 간 변동성을 포함하는 실제 웨어러블 분포를 보존하여 현실적인 추론 능력을 평가할 수 있도록 설계되었습니다.

웨어러블QA는 추론 능력을 구별하기 위해 데이터 대 건강 추론, 단일 신호 대 다중 신호라는 두 가지 축을 따라 16가지 질문 유형을 구성합니다. 이는 장기 측정값에 대한 계산과 생리학적 해석을 구분하고, 개별 신호에 대한 추론과 여러 신호의 통합을 분리하여 실제 웨어러블 데이터에서 관찰되는 의미 있는 관계를 포착하는 것을 목표로 합니다.

이러한 질문을 신뢰성 있게 구성하기 위해 문헌 기반의 생리학적 발견과 통계적으로 검증된 인구 기반 생리학적 패턴을 결합하는 이중 기반 프레임워크를 채택했습니다. 14개의 독점 및 오픈소스 LLM을 평가한 결과, 모델들은 10% 확률 기준선 대비 19.6%에서 72.9%의 성능을 보였습니다. 다만, 대부분의 모델이 60% 미만의 정확도를 달성했기 때문에 웨어러블QA는 여전히 해결되지 않은 과제로 남아있습니다.

결론적으로 웨어러블QA는 실제 웨어러블 데이터를 기반으로 LLM의 추론 능력을 평가하는 현실적이고 진단적인 벤치마크를 제공합니다.

연방 판사가 X 경쟁사에게 트위터 이름을 사용하는 것을 일시적으로 금지했지만, X가 'Tweet' 상표와 새 모양 로고를 포기했을 가능성이 있다고 판단했습니다. 이로 인해 해당 스타트업은 현재 Tweet.app으로 재출시했습니다.

이 판결은 X와 트위터 브랜드 간의 법적 분쟁과 관련하여 중요한 선례를 남겼습니다. 법원은 경쟁사가 기존 상표를 무단으로 사용하지 못하도록 조치하면서도, X가 핵심 상표를 포기했을 가능성을 고려하여 특정 용어 사용에 대해서는 유예를 허용했습니다.

결과적으로 X는 법적 제약을 받으면서도 새로운 브랜드명으로 전환하는 기회를 얻게 되었습니다. 이는 디지털 플랫폼에서 상표권 및 브랜드 아이덴티티가 법적 판결에 따라 어떻게 변화하고 재구성될 수 있는지 보여주는 사례입니다.

디퓨전 TV는 수정된 CRT TV를 통해 확산 모델(Diffusion Models)을 구체적이고 체화된 경험으로 제공하는 인터랙티브 AI 아트 설치 작품입니다. 관람객은 TV의 안테나를 물리적으로 조작하여 AI가 생성한 이미지와 소리의 선명도를 제어하며, 이는 확산 기반 생성 과정의 노이즈 제거(denoising) 과정을 은유적으로 재현합니다.

참가자들은 튜닝 노브를 사용하여 과거(멸종된 종), 현재(멸종 위기에 처한 종), 미래(추측적인 생물)의 AI 생성 동물이 담긴 세 가지 채널 사이를 전환하며 시간적, 생태학적 서사 속에서 상호작용을 진행합니다. 이러한 물리적 상호작용과 지속적인 시청각 피드백을 통해 디퓨전 TV는 최종 결과물보다는 생성 과정 자체를 강조하며, 관람객이 중간 상태를 경험적 자료로 탐색하도록 허용합니다.

이 작품은 기술적인 설명을 제공하기보다는 생성 기술에 대한 탐색적 참여와 성찰을 유도하는 대안적인 체화된 설명 가능한 AI의 방식을 제시합니다. 이는 복잡한 생성 기술의 내부 작동 방식을 직접적으로 보여주기보다는, 사용자 경험을 통해 AI의 작동 방식을 탐구하게 함으로써 생성 기술에 대한 새로운 이해를 제공합니다.

롤랜드가 생성형 인공지능 음악 분야에 Melody Flip 도구를 도입하며 음악 제작에 새로운 접근 방식을 제시합니다. Melody Flip은 디지털 오디오 워크스테이션(DAW)용 플러그인으로 제공되며, 사용자가 음악 아이디어를 생성하고 구성할 수 있도록 돕습니다.

이 도구는 장르별로 분류된 약 250개의 "팔레트"를 제공하며, 이를 통해 사용자는 멜로디, 코드 진행, 베이스라인, 드럼 등 다양한 음악 요소를 처음부터 조합하여 생성할 수 있습니다. 또한 특정 레퍼런스 트랙을 입력하여 그 멜로디 아이디어를 기반으로 음악을 확장하는 것도 가능합니다.

Suno나 Udio와 같은 다른 AI 음악 생성 도구와 달리 Melody Flip은 보컬과 전체 편곡이 포함된 완성된 곡을 즉시 출력하지 않습니다. 대신 이 도구는 사용자가 음악의 구성 요소를 직접 제어하고 DAW 환경 내에서 창의적인 음악적 아이디어를 발전시키는 데 중점을 둡니다.

소매 검색 시스템은 지역별로 상이한 쿼리 패턴, 어휘, 제품 선호도를 가지므로 상당한 데이터 이질성을 발생시키며, 이는 개인 정보 보호 학습과 모델 개인화 모두에 도전 과제를 제기합니다. 연합 학습(Federated Learning)은 개인 정보 보호에 자연스러운 해결책을 제공하지만, 표준 FL 방법은 지역 성능을 희생하는 글로벌 모델을 생성하며, 기존의 개인화된 FL 접근 방식은 파라미터 수준에서 작동하여 현대 트랜스포머 모델에서 임베딩 및 LayerNorm 상호작용으로 인해 치명적으로 붕괴됩니다.

본 논문은 이러한 실패를 회피하기 위해 전체적으로 기울기 수준에서 작동하는 아키텍처에 강건한 연합 학습 프레임워크인 RegionFed를 소개합니다. RegionFed는 지역 및 글로벌 기울기 간의 $\ell_2$ 충돌을 통합 신호로 사용하여 이질성을 진단하고, 각 지역을 가장 저렴하고 충분한 개인화 전략으로 안내하며, 개인화 강도를 적응적으로 제어합니다.

RegionFed는 모델을 미분 가능한 블랙박스로 취급하여 T5-Small, T5-3B, RoBERTa, CNN 등 다양한 아키텍처에 코드 변경 없이 적용할 수 있습니다. 이 방법은 파라미터 수준 방법이 붕괴하는 트랜스포머에서 큰 성능 향상을 제공하고 CNN에서 일관된 개선을 달성합니다.

세 가지 공개 데이터셋(Amazon ESCI, Amazon Reviews, LEAF-FEMNIST)과 네 가지 아키텍처에서 RegionFed-Meta는 92.27%의 정확도를 달성하며, 개인 정보 보호를 침해하는 중앙 집중식 상한선(중앙 집중식 + 지역 가중치: 92.04%, $\Delta$=0.23pp, 1$\sigma$ 이내)과의 격차를 좁힙니다. 또한 이 방법은 $(\epsilon \approx 0.60)$의 차분 프라이버시와 $\mathcal{O}(1/\sqrt{T})$ 수렴을 제공합니다.

Rust React 컴파일러가 공식 지원되면서 빌드 속도에 혁신적인 변화가 생겼습니다. oxc 팀이 2026년 8월 4일에 공식 지원을 발표한 이후, 1,036개 파일로 구성된 React Router 코드베이스에서 컴파일러 부분의 속도가 약 17.6배 빨라졌습니다. 이는 Babel을 사용할 때 14.3초가 걸렸던 빌드 시간이 네이티브 방식으로 0.81초로 단축되는 결과를 가져왔습니다.

이러한 속도 향상은 개발자 경험을 개선하고 CI 사용 비용을 절감하는 데 큰 도움이 됩니다. 다만 이 속도 향상은 빌드 과정 중 컴파일러 부분에만 적용되며 전체 빌드 시간의 개선 폭은 상대적으로 작을 수 있습니다. 또한 새로운 컴파일러 버전은 JavaScript 지원의 여러 한계를 해결하여 컴파일러 호환성을 크게 확장했습니다. 예를 들어 try/catch 블록 내의 조건부 논리나 구조 분해 속성 재할당과 같은 패턴에 대한 지원이 추가되었습니다.

이러한 개선 사항은 컴파일러가 지원하는 기능이 추가되어 개발자가 더 안전하고 효율적으로 코드를 작성할 수 있게 합니다. 특히 린터와 빌드 과정에서 동일한 React 컴파일러 버전을 사용하게 되면서 도구 체인 일관성이 확보되어 컴파일되지 않은 컴포넌트가 프로덕션 빌드에 포함되는 문제를 방지할 수 있습니다.

개발자는 `@vitejs/plugin-react` 또는 `@acusti/vite-plugin-react-compiler`를 사용하여 이 기능을 쉽게 적용할 수 있습니다. 이를 통해 기존의 Babel 기반 플러그인을 제거하고 더 빠르고 기능적으로 풍부한 빌드 환경을 구축할 수 있습니다.

비전-언어 모델(VLM)이 로봇 학습의 보상 함수로 사용될 때, 동일한 목표에 대해 의미적으로 동등한 설명이라면 동일한 궤적에 동일한 보상이 주어져야 하는 패러프레이즈 불변성(paraphrase invariance)이 요구됩니다. 연구 결과는 현재 VLM 기반 보상 모델들이 이러한 속성을 종종 위반한다는 것을 보여줍니다.

명령을 단순히 바꿔 표현하는 것만으로도 예측되는 진행 점수가 크게 변할 수 있으며, 심지어 동일한 로봇 행동이 실패와 성공 사이에서 뒤바뀔 수도 있습니다. 이러한 불안정성을 측정하기 위해 연구진은 ROBORMBENCH라는 벤치마크를 도입했습니다. 이 벤치마크는 2,390개의 실제 로봇 궤적, 정답 진행 레이블, 그리고 어휘, 구문, 행동-목표 재작성을 포함하는 21,673개의 검증된 패러프레이즈를 포함하고 있습니다.

다양한 독점 및 오픈소스 VLM에서 패러프레이즈로 인한 불안정성은 광범위하고 심각하며, 더 다각화된 재작성 하에서 증가하고 규모나 명시적인 추론으로 안정화되지 않는 것으로 나타났습니다. 따라서 로봇 분야에서 신뢰할 수 있는 VLM 기반 보상 모델링을 위해서는 패러프레이즈 견고성이 핵심 요구 사항임을 시사합니다.

궤적 기반 감독(trajectory-grounded supervision)으로 훈련된 전용 보상 모델은 다른 모델보다 훨씬 더 안정적인 성능을 보였습니다. 이는 로봇 학습에서 VLM을 보상 함수로 사용할 때 패러프레이즈 견고성이 신뢰성을 확보하는 데 필수적임을 의미합니다.

위치 관련 레이블이 있는 무선 신호는 무선 센싱 분야에서 성능 평가와 모델 훈련 모두에 매우 중요합니다. 하지만 실제 환경의 데이터셋을 확보하는 것은 측정 및 레이블링 비용이 많이 들기 때문에 종종 어려움을 겪습니다. 기존의 레이블링된 무선 신호를 합성하는 전통적인 방법들은 환경 모델에 의존하여 광범위한 하이퍼파라미터 튜닝이 필요하며, 포괄적인 모델 훈련을 위한 현실성이 부족하다는 한계가 있었습니다.

이러한 한계를 해결하기 위해 본 연구는 현실적인 레이블이 지정된 무선 신호를 생성하는 새로운 딥러닝 기반 방법인 인터-인스턴스 생성적 적대 신경망(Inter-Instance Generative Adversarial Networks, IIns-GAN)을 제안합니다. IIns-GAN으로 생성된 신호는 다양한 환경 시나리오에 적응성이 뛰어나 거리 추정 및 환경 식별과 같은 다양한 모델 훈련 작업에 매우 적합합니다.

연구진은 공개된 초광대역(UWB) 데이터셋에 대해 광범위한 실험을 수행하여 생성된 신호의 현실성과 유용성을 평가했습니다. 실험 결과는 IIns-GAN이 생성한 신호가 실제 측정값의 물리적 특성을 반영하며, 다양한 무선 센싱 작업에서 모델 훈련을 크게 개선하는 데 기여함을 보여줍니다.

데이터 주권 규제가 강화되면서 공공 기관은 공개된 온프레미스 LLM 에이전트를 배포하여 실시간 정부 API를 여러 단계에 걸쳐 호출하는 시스템을 구축해야 합니다. 그러나 공개 모델들은 이러한 다단계 호출 환경에서 지속적으로 성능이 저하되며, 이 격차를 측정하는 기존 벤치마크는 존재하지 않았습니다.

이러한 문제를 해결하기 위해 연구진은 145개의 실제 작업으로 구성된 한국 공개 API 벤치마크인 KOPA-Bench를 제시했습니다. 또한, 실제 실행을 기반으로 도구 호출 데이터를 합성하는 실행 기반 동적 그래프인 EDGE를 소개했습니다. EDGE는 각 도구의 출력이 다른 도구의 입력으로 어떻게 이어질 수 있는지 그래프를 구축하고, 실제 API 호출에서 성공한 링크만을 보존하여 실행 가능한 다단계 경로를 합성합니다.

이 데이터셋을 GRPO를 통해 미세 조정하자, 9B 모델은 동일 계열의 미조정된 27B 모델과 거의 동일한 성능을 보였습니다. 이는 KOPA-Bench뿐만 아니라 BFCL 벤치마크에서도 상당한 성능 향상을 가져왔습니다. 이는 실제 환경에서 복잡한 도구 호출 체인을 수행하는 LLM 에이전트의 성능을 측정하고 개선하는 데 중요한 방법론을 제공합니다.

에이전트 워크플로우 내에서 작동하는 LLM 결정 구성 요소는 종종 행동 관련 권장 사항이나 판단과 함께 설명을 제공합니다. 운영자는 이러한 명명된 요소를 사용하여 시스템을 모니터링하거나 오류를 진단하거나 출력을 에스컬레이션할 시점을 결정할 수 있습니다. 이러한 사용은 설명이 해당 구성 요소의 관찰 가능한 결정 행동과 일치한다는 가정에 기반합니다.

연구진은 명명된 요소에 대해 두 가지 해석, 즉 필요성(요소를 변경하면 출력이 변경되는지)과 충분성(다른 변경 가능한 정보를 제거하더라도 요소를 유지하면 출력이 보존되는지)을 테스트했습니다. 이들은 고객에게 조언자를 추천하는 상황과 유해성 또는 위험을 판단하는 프롬프트 평가라는 두 가지 합성 사용 사례에서 이러한 해석을 평가했습니다.

Claude, GPT, Gemini 계열의 여덟 가지 모델을 대상으로 통제된 블랙박스 개입을 통해 각 요소의 필요성 및 충분성 점수를 추정했습니다. 그 결과, 조언자 추천의 경우 인용된 순위와 필요성 및 충분성 점수 간의 평균 스피어만 상관관계는 0.349와 0.354였으며, 프롬프트 모니터링의 경우 0.431과 0.580이었습니다. 또한, 인용되지 않은 요소가 필요성 측면에서 57.6%, 충분성 측면에서 58.1%의 응답에서 가장 낮은 점수를 받은 인용된 요소보다 높은 점수를 얻는 것으로 나타났습니다.

이러한 분석은 인용된 상위 세 가지 요소가 유용한 정보를 포함하지만, 필요성이나 충분성 측면에서 측정된 가장 강력한 영향력을 가진 세 가지 요소를 확실하게 식별하지는 못한다는 점을 보여줍니다. 그럼에도 불구하고 이 프레임워크는 에이전트 감독에 사용되는 설명에 대한 블랙박스 신뢰성 검사를 제공하며 개별 LLM 결정에 국한됩니다.

VMware의 소유권이 Broadcom으로 넘어간 이후 중소기업(SMB)들에게 VMware가 지나치게 비싸졌다는 문제가 제기되고 있습니다. Broadcom의 인수는 영구 라이선스 판매를 종식시키고 가격이 높은 구독 기반 번들 상품을 도입하면서 많은 SMB들이 비용 부담을 느끼고 있습니다.

특히 VMware의 주력 제품인 VMware Cloud Foundation(VCF)은 Broadcom이 인수 후 주요 초점을 맞춘 번들 상품이지만, 많은 SMB들은 VCF가 비현실적으로 비싸고 불필요한 기능들로 가득 차 있다고 보고 있습니다. 이러한 상황에서 일부 고객들은 VMware 영업 담당자들이 여전히 VCF를 권유하며, 심지어 vSphere Standard와 같은 저가 버전 라이선스가 더 이상 제공되지 않는다고 안내받았다고 주장하고 있습니다.

이는 단순히 기능의 부족 문제가 아니라, 고객들이 제품의 가치와 제공되는 정보에 대한 신뢰가 부족하다는 점이 핵심적인 결핍이라는 지적입니다. 따라서 SMB들이 직면한 문제는 가격 자체보다는 제품에 대한 신뢰와 접근성에 관한 문제로 해석될 수 있습니다.

Ref-GeNVS는 거울 장면에서의 생성적 새로운 시점 합성(NVS)을 위한 학습 불필요하고 반사 인식 방법론을 제안합니다. 기존의 다중 시점 확산 모델들은 장면 내의 거울을 인식하지 못하고 반사된 콘텐츠를 활용하지 못하는 한계를 가지고 있습니다.

이 문제를 해결하기 위해 연구진은 거울 이미지를 두 개의 상보적인 시점으로 간주하는 핵심 아이디어를 사용합니다. 입력 이미지로부터 거울 평면을 추정하고 카메라 자세를 반사하여 가상 시점을 형성함으로써, 다중 시점 확산 모델 내에서 반사 관계를 명시적으로 활용하는 두 단계 생성 방법을 제안합니다. 이 방법은 Mirror-gated attention과 Reflection injection으로 구성되며, 반사 일관성을 유지하는 NVS를 가능하게 합니다.

Ref-GeNVS는 다중 시점 확산 백본의 강력한 일반화 능력을 계승하면서도 추가적인 미세 조정이 필요 없다는 장점을 가집니다. 합성 및 실제 거울이 포함된 장면에서 Ref-GeNVS는 거울을 통해서만 보이는 장면 구조를 드러내며, 최근의 생성적 NVS 방법들보다 반사 일관성이 있고 맥락적으로 일관된 새로운 시점을 생성하여 성능을 향상시킵니다.

대규모 언어 모델(LLM)을 분자 속성 벤치마크에 평가할 때, 모델이 속성을 예측하는 능력과 단순히 출판된 수치를 검색하여 가져오는 능력(verbatim retrieval)을 구별하기 어렵다는 연구 결과가 나왔습니다. 연구진은 22개의 최첨단 모델을 12개의 회귀 벤치마크에서 그대로 가져온 값의 검색 여부를 감사했으며, 이 현상은 광범위하지만 벤치마크별로 특화되어 있음을 발견했습니다.

연구 결과에 따르면, 다섯 가지 데이터셋에서는 LLM의 절반 이상이 그대로 가져온 값을 보였지만, 나머지 데이터셋에서는 해당 현상이 고립된 셀에만 나타났습니다. 또한 추론 수준에 따라 검색 여부가 달라지는 것으로 나타났는데, 동일한 분자와 프롬프트를 사용했음에도 불구하고 더 높은 추론 수준에서는 낮은 수준보다 89% 더 자주 검색이 플래그 지정되었습니다.

가장 강력한 모델들조차도 일부 사례에서는 변환된 SMILES 문자열과 원래 레이블의 조합을 인식하는 것으로 나타났습니다. 이는 LLM의 일반적인 예측 능력은 단순히 암기된 값의 양에 의해서만 결정되는 것이 아니라는 점을 시사합니다. 검색을 억제했을 때 모델들의 예측 오류는 상대적으로 가까워지지만, 그대로 가져온 값의 사용 여부에 따라 오류는 멀어지게 됩니다.

결론적으로 이 연구는 LLM이 분자 회귀 벤치마크에서 그대로 가져온 값의 양과 깊이에 대한 개요를 제공하며, 모델의 예측 능력을 평가할 때 검색 메커니즘의 영향을 고려해야 함을 강조합니다.

2026년 8월 9일부터 31일까지의 쇼핑 질의 비교 결과, 구글의 AI Mode는 기존 검색 결과보다 동일 제품의 대표 가격을 평균 21.6% 더 높게 표시했습니다. 이는 사용자가 AI Mode를 통해 정보를 탐색할 때 기존 검색 방식보다 더 높은 가격을 인지하게 만들 수 있음을 시사합니다.

더 구체적으로 전체 가격 표시 상품으로 범위를 넓혀 분석했을 때, AI Mode의 중앙값 가격은 149달러였던 반면, 기존 검색의 중앙값 가격은 100달러로 나타났습니다. 이로 인해 두 검색 방식 간에는 약 49%의 가격 차이가 발생했습니다.

이러한 결과는 AI Mode가 단순한 정보 제공을 넘어 가격 책정이나 상품 추천에 영향을 미치고 있음을 보여줍니다. 개발자나 서비스 제공자는 검색 결과에 따라 사용자 경험과 가격 인지에 차이가 발생할 수 있다는 점을 고려해야 합니다.

인간에게는 보이지 않는 유니코드 블록이 스패머들에 의해 악용되고 있습니다. 이 기술은 한때 인공지능 공격에 사용되던 악성 프롬프트를 숨기는 데 사용되었으나, 이제 이메일 플랫폼의 필터를 회피하는 데 사용되고 있습니다.

이 기법은 ASCII 스머징(ASCII smuggling)으로 알려져 있으며, 128개의 태그를 사용하여 악성 지침을 인코딩합니다. 이 태그들은 컴퓨터는 읽을 수 있지만 인간의 눈에는 거의 보이지 않도록 설계되어 있습니다. 예를 들어, 특정 유니코드 태그는 문자를 인코딩하여 LLM이 지침을 감지하게 하지만 이메일을 읽는 사람은 내용을 볼 수 없습니다.

이러한 방식은 악성 메시지를 대량으로 보내는 스팸 발송자들이 이메일 플랫폼의 필터링 시스템을 우회하는 데 활용됩니다. 이는 악성 콘텐츠가 자동으로 감지되고 차단되는 것을 방지하여 대규모 캠페인을 가능하게 합니다. 따라서 보안 시스템이 텍스트 기반 필터링을 넘어 비가시적인 데이터 구조를 탐지하도록 업데이트해야 할 필요성이 생겼습니다.

DIY 이-페이퍼 자전거 컴퓨터 프로젝트인 OpenTrailPaper가 공개되었습니다. 이 펌웨어는 LilyGO T5S3 4.7인치 E-Paper PRO 디스플레이를 구동하며 라이딩 데이터, 오프라인 지도, GPX 경로 추적, FIT 파일 기록 기능을 제공합니다.

이 장치는 ESP32-S3 기반으로 개발되었으며, 블루투스 센서를 통해 심박수 및 파워 센서와 연결하고 GPS 데이터를 기록할 수 있습니다. 사용자는 SD 카드 슬롯을 통해 오프라인 지도를 저장하고, 앱을 통해 경로 계획 및 기록된 라이딩 데이터를 관리할 수 있습니다.

하지만 이 프로젝트는 몇 가지 기술적 제약 사항을 가지고 있습니다. 기기에 기압 센서나 기압 고도계가 없기 때문에 등반 높이는 지도 타일에 내장된 고도 정보에 의존하여 추정됩니다. 또한 자침 센서가 없어 나침반 기능이 없으므로, 정지 상태에서 방향을 설정하는 데 한계가 있습니다.

하드웨어 측면에서는 방수 기능이 없으며, 기판 자체에 IP 등급이 없어 외부 케이스가 필요합니다. 개발자들은 향후 기압 고도계, 멀티밴드 GPS 모듈, 자력계 등의 기능을 추가하여 하드웨어 개선을 제안하고 있습니다.

애플의 리더십이 변경되어 존 터누스 시대가 공식적으로 시작되었습니다. 팀 쿡이 이번 주에 최고경영자(CEO)직에서 물러나면서, 그는 하드웨어 책임자였던 존 터누스에게 회사를 넘겼습니다. 터누스는 첫 메모에서 다음 주에 "엄청난 출시"를 약속했는데, 이는 애플의 다음 아이폰 이벤트가 그가 완전히 자리 잡기 전에 터누스의 책상에 오게 됨을 의미합니다.

이러한 상황은 애플의 향후 제품 출시 일정에 중요한 영향을 미칩니다. 터누스가 새로운 리더로서 즉각적인 출시 계획을 제시하고 있기 때문에, 애플의 다음 아이폰 이벤트는 그가 완전히 조직에 정착하기 전에 진행될 가능성이 높습니다. 이는 신제품 출시와 관련된 개발자 및 시장 참여자들에게 중요한 맥락을 제공합니다.

다만 팀 쿡은 물러나지 않고 최고운영책임자(Executive Chairman)로 남아 정책에 중점을 두고 있습니다. 따라서 경영진의 구조적 변화에도 불구하고, 정책적 방향성은 기존의 리더십 아래에서 유지될 것으로 보입니다.