읽을 가치가 있는 기사만, 짧고 또렷하게.

다이슨이 새로운 헤어 케어 제품 두 가지를 출시하며 건강 및 뷰티 라인업을 확장했습니다. 이번에 공개된 329달러짜리 코랄 쿨샤인 스트레이터는 2020년에 출시된 기존 코랄을 업그레이드한 제품으로, 잔여 열 노출을 줄이는 능동 냉각 기술을 적용하여 스타일링 후에도 머리카락이 더 부드럽고, 부드러우며, 시원하게 느껴지도록 개선했습니다. 이 스트레이터는 동일한 유연한 가열 구리 플레이트를 사용합니다.

또한 다이슨은 스타일링과 건조를 모두 위해 설계된 새로운 249달러짜리 다이슨 에어스무스 드라이어 브러시도 함께 선보였습니다. 이 브러시는 회사가 개발한 새로운 엉킴 방지 솔(anti-snag bristle technology) 기술을 사용하여 머리카락을 건조하고 스타일링할 때 엉킴을 최소화합니다.

이러한 신제품들은 다이슨이 카메라가 장착된 전기 칫솔과 같은 건강 및 뷰티 제품군을 확장하는 흐름 속에서 출시되었으며, 기술을 통해 사용자 경험을 개선하는 데 중점을 두고 있습니다. 코랄 쿨샤인 스트레이터와 에어스무스 드라이어 브러시는 각각 냉각 기술과 엉킴 방지 기술을 통해 헤어 케어의 질을 높이는 데 초점을 맞추고 있습니다.

구글이 새로운 AI 기상 모델을 출시하여 특히 비와 눈 예측의 정확도를 높였다고 발표했습니다. 이 업데이트는 새로운 WeatherNext 3 AI 모델을 사용하여 실시간 기상 관측 데이터를 학습함으로써 이전 모델보다 다섯 배 더 선명한 예측을 가능하게 합니다.

구글 연구소의 연구 엔지니어인 사미어 머천트(Samier Merchant)는 이번 개발의 주요 발전 사항 중 하나는 WeatherNext 3가 대부분의 글로벌 AI 모델이 학습하는 범위를 넘어선 예측을 수행할 수 있다는 점이라고 설명했습니다. 이는 기존 모델이 학습하지 못한 데이터 영역까지 활용하여 예측의 해상도를 획기적으로 개선했다는 의미입니다.

새로운 모델은 실시간 관측 데이터를 활용하여 전 지구적인 예측을 더 높은 해상도로 제공함으로써 기상 예측의 정확도를 향상시킵니다. 이러한 기술적 진보는 AI 기반 기상 예측 시스템이 더욱 정밀하고 세밀한 정보를 제공할 수 있는 기반을 마련해 줍니다.

구글 딥마인드와 구글 리서치 과학자들이 새로운 인공지능 기반 기상 예측 모델을 발표했습니다. 이 모델은 변화하는 대기를 더 명확하게 파악하고 기상 현상을 더 자주 예측할 수 있게 해줍니다.

이번에 공개된 모델의 이름은 WeatherNext 3이며, 딥러닝 기술을 통해 기상학에 혁신을 가져온 최신 변화의 물결로 평가받고 있습니다. 이는 기존의 기상 예측 방식에 깊은 학습 기술을 적용하여 대기 현상을 분석하는 데 중점을 둡니다.

구글은 이 새로운 모델이 기상 예측 분야에서 중대한 발전을 이룰 것이라고 밝혔습니다. 개발자 관점에서 볼 때, 이러한 연구는 대규모 데이터 처리와 복잡한 패턴 인식에 깊은 신경망 기술이 어떻게 적용될 수 있는지 보여주는 중요한 사례입니다.

ChatGPT와 Codex에서 오류가 증가하고 있다는 OpenAI의 상태 업데이트가 보고되었습니다. 현재 OpenAI는 해당 서비스들에 대해 성능 저하 문제를 조사하고 있으며, 이 문제에 대한 조사가 진행 중입니다.

이 오류는 ChatGPT와 Codex 서비스 전반에 걸쳐 발생하고 있으며, 현재 ChatGPT는 15개의 구성 요소, Codex는 4개의 구성 요소가 영향을 받고 있는 것으로 확인되었습니다. OpenAI는 모든 티어, 모델, 오류 유형에 걸친 집계 수준의 가용성 지표를 보고하고 있지만, 개별 고객의 가용성은 구독 티어 및 사용 중인 특정 모델과 API 기능에 따라 달라질 수 있습니다.

OpenAI는 현재 이 문제에 대해 조사 중이며, 서비스의 가용성 상태에 대한 추가 업데이트를 제공할 예정입니다. 개발자들은 API 사용 시 서비스 상태를 확인하고 잠재적인 영향에 대비해야 합니다.

2026년 9월 3일, .name 도메인 계층이 종료될 예정입니다. 이는 Verisign이 관리하는 .name의 3단계 계층 전체를 단순화하기 위해 ICANN의 승인을 받아 파괴하는 조치입니다.

이 변경 사항은 .name 도메인의 구조적 특성과 관련하여 중요한 의미를 가집니다. .name은 일반적인 도메인 구조와 달리 3단계 운영으로 설정되었으며, 이는 특정 등록 기관에 의해 관리되었습니다. 이 구조가 종료되면 현재 등록되어 있는 .name 도메인과 연결된 이메일 주소, 그리고 해당 도메인을 사용하는 IoT 장치들이 사라지게 됩니다.

더 심각한 문제는 3단계 도메인이 종료된 후, 비어 있는 2단계 도메인들이 등록 가능하게 된다는 점입니다. 이는 다른 사용자가 해당 도메인을 차지하여 기존 계정들을 복제하고 통제할 수 있게 만들며, 이메일 주소와 연결된 수많은 계정 및 IoT 장치에 대한 접근 권한을 탈취할 위험이 있습니다.

이러한 상황은 저를 포함하여 약 22,000명에 달하는 사용자들이 도메인을 잃게 될 수 있음을 의미하며, 이는 개인 정보와 시스템 보안에 광범위한 영향을 미칠 수 있습니다.

OpenAI의 Codex 관련 API에서 예상치 못한 상태 코드 404 Not Found 오류가 발생하고 있습니다. 이 문제는 사용자가 Codex 응답을 요청하는 백엔드 API 주소에서 발생하며, 특히 장시간 실행되는 에이전트 세션이나 서브 에이전트를 관리하는 작업 중 오류가 반복적으로 나타났습니다.

특정 사용자는 GPT 5.4 xhigh 세션에서 에이전트가 생각하고 계속 진행하는 과정에서 이 404 오류를 세 차례 연속으로 경험했다고 보고했습니다. 이 오류는 세션이 중단되는 결과를 초래했으며, 이는 네트워크 연결 문제나 세션 관리 문제와 연관되어 발생한 것으로 보입니다.

이러한 문제는 장시간 세션을 유지하거나 여러 서브 에이전트를 오케스트레이션하는 개발 워크플로우에서 특히 심각한 영향을 미칩니다. 사용자는 세션이 중간에 죽지 않도록 지연된 재시도(exponential back-off)와 같은 오류에 강한 재시도 메커니즘을 도입해야 한다고 제안했습니다.

현재 다른 세션에서는 문제가 발생하지 않았다는 보고가 있으며, 이는 특정 세션 관리 방식이나 에이전트의 진행 방식에 따라 오류가 발생할 수 있음을 시사합니다. 개발자는 이러한 오류가 세션의 안정성과 에이전트의 연속적인 작업 흐름에 미치는 영향을 고려하여 API 호출 및 세션 관리 로직을 개선해야 합니다.

모든 인류가 살아온 삶 중 하나를 무작위로 선택하여 그 이야기를 탐색하는 프로젝트입니다. 이 프로젝트는 1000억 명 이상의 인류가 살았던 모든 사람들의 삶에서 무작위로 한 생애를 선택하는 것을 목표로 합니다.

선택 과정은 무작위성을 기반으로 진행됩니다. 먼저 출생 연도를 로그 스케일로 현재로부터 과거의 연도를 무작위로 선택하고, 다음으로 지리적 위치를 선택하여 그곳에서 살았던 삶을 그립니다. 이는 실제 데이터를 기반으로 하여 인류 역사의 방대한 데이터 속에서 특정 삶의 경로를 확률적으로 추출하는 방식입니다.

이 방법은 인류의 역사적 데이터의 규모와 복잡성을 탐구하는 데 중점을 둡니다. 단순히 특정 개인의 이야기가 아니라, 광범위한 인구 통계와 지리적 분포를 고려하여 무작위로 생성된 삶의 서사를 읽어보는 경험을 제공합니다.

이 프로젝트는 방대한 역사적 데이터에서 무작위 샘플링을 통해 인간 경험의 다양성과 패턴을 탐색하는 데 의미가 있습니다. 사용자는 이 과정을 통해 인류의 삶이 어떻게 분포되어 있는지에 대한 새로운 관점을 얻을 수 있습니다.

ChatGPT에서 404 오류가 발생하고 있다는 내용이 보고되었습니다. 이는 사용자들이 ChatGPT 서비스에 접근하는 데 문제가 발생하고 있음을 의미합니다.

현재 해당 오류가 어떤 원인으로 발생했는지에 대한 구체적인 기술적 설명은 기사에 포함되어 있지 않습니다. 따라서 오류의 정확한 원인이나 해결 방안에 대해서는 추가적인 정보가 필요합니다.

이러한 오류는 서비스 이용 중 사용자 경험에 직접적인 영향을 미치므로, 관련 시스템 점검이나 업데이트 상황을 확인하는 것이 중요합니다. 개발자나 사용자들은 서비스의 안정성을 위해 공식 채널의 업데이트를 주시해야 합니다.

추론 모델에 대한 강화 학습 기반 후처리 과정은 특히 에이전트 설정에서 환경 상호작용이 전체 시간 비용을 지배하기 때문에 반복적인 새로운 롤아웃 생성에 의해 병목 현상이 발생합니다. 과거 궤적을 재사용하는 리플레이는 이러한 부담을 줄일 수 있지만, 기존 방법들은 탐색, 경험 재구조화 또는 혼합 정책 최적화와 같은 더 큰 훈련 파이프라인 내에 리플레이를 포함시키기 때문에 리플레이 자체의 기여도를 분리하기 어렵습니다.

이러한 문제를 해결하기 위해 연구진은 GRPO를 위한 그룹 수준 리플레이 제어 원리인 Headroom-Drift Replay를 제안합니다. 이 방법은 재사용을 두 가지 결정으로 분리합니다. Headroom은 남아있는 학습 가치에 따라 저장된 그룹을 순위를 매기고, Drift는 현재 정책과의 호환성에 따라 그룹을 게이팅합니다. 이 방법은 새로운 온-폴리시 스트림을 변경하지 않으며 추가적인 생성 또는 훈련 기계를 추가하지 않습니다.

이 단일 개입은 수학적 추론, 멀티모달 추론, 에이전트 검색 벤치마크 전반에서 단순한 리플레이보다 우수하며, 평균 Mean@32에서 더 넓은 리플레이 방법들과 동등하거나 그 이상을 달성합니다. 특히 환경 상호작용이 비용을 지배하는 에이전트 검색 환경에서 이 방법은 실질적으로 더 낮은 벽시계 시간을 사용하여 동등한 품질을 제공합니다.

음성 향상(SE) 분야에서 최근 연구는 신경 오디오 코덱(NAC)의 연속적인 잠재 표현이 음성 품질과 이해도 측면에서 이점을 제공한다는 것을 보여줍니다. 기존의 마스크 기반 생성 모델을 사용한 음성 향상 연구들은 오디오 신호를 얻기 위해 이산적인 토큰 표현에 의존해 왔습니다.

이에 본 연구에서는 연속적인 NAC 표현을 활용하여 마스크된 깨끗한 음성 프레임을 반복적으로 디코딩하는 방법인 마스크 자기회귀 음성 향상(MARSE)을 제안합니다. MARSE는 음성 향상 성능과 계산 비용 사이에서 유연한 균형을 맞출 수 있게 합니다.

연구진은 동일한 DNN(Conformer 모델), 동일한 NAC(DAC 코덱), 동일한 훈련 설정을 사용하여 다양한 디코딩 정책을 조사했습니다. 그 결과 MARSE는 성능과 계산 비용 간의 유연한 상충 관계를 가능하게 함을 입증했습니다. 관련 오디오 예제와 코드는 온라인에서 제공됩니다.

HTN 계획(Hierarchical Task Network planning)은 최근 많은 주목을 받았지만, 수리적 추론에 대한 지원은 여전히 매우 제한적입니다. 이 논문은 수리적 완전 순서 HTN(numerical Totally-Ordered HTN, TOHTN) 계획을 조사하며, 표준 SAT 기반 인코딩을 SMT로 자연스럽게 확장하여 수치적 변수(numeric fluents)를 처리하는 방법을 제시합니다.

연구진은 수리적 TOHTN 계획을 위한 벤치마크 세트를 도입하여 이 분야에서 평가할 수 있는 첫 번째 공통 기반을 제공합니다. 실험 결과는 이 단순한 인코딩 방식이 이미 경쟁력 있는 기준선(competitive baseline)을 구성함을 보여줍니다. 이는 HTN 계획에 대해 보다 표현력이 풍부한 접근 방식을 열어주는 기반이 됩니다.

이 연구는 수리적 추론이 필요한 복잡한 계획 문제에 대해 HTN 계획을 확장하는 데 중요한 방법론을 제공합니다. 특히 SMT를 활용하여 수치적 제약 조건을 통합함으로써, 기존 HTN 계획의 한계를 극복하고 더 정교한 계획 시스템을 구축할 수 있는 길을 열어줍니다.

다변량 시계열 예측을 위한 새로운 방법론인 RATL을 제안합니다. 이 방법은 검색 증강 생성(RAG) 아이디어를 연속 출력 회귀 문제에 적용하여, 단순히 검색된 목표값을 재사용하는 것이 출력 수준, 수치 규모, 또는 국소 역학이 다른 샘플에서는 견고하지 않다는 한계를 극복하고자 합니다.

RATL은 플러그인 잔차 검색 및 피드백 보정 방법으로, 기본 예측 모델을 고정하여 검색 키를 구성하고, 과거 예측 잔차를 해당 기본 모델에 특화된 훈련 전용 메모리로 변환합니다. 추론 시에는 인과적 가용성 제약 조건을 만족하는 유사한 과거 컨텍스트에서 잔차 궤적을 검색한 후, 예측 블록과 변수를 대상으로 하는 집합 인식 라우터를 사용하여 이 궤적들을 선택하고 결합합니다.

실험 결과, 현재 컨텍스트와 일치하는 과거 잔차에는 재사용 가능한 예측 정보가 포함되어 있으며, RATL은 대부분의 실험 설정에서 고정된 기본 예측 모델의 성능을 향상시킵니다. 추가 분석을 통해 학습된 라우팅이 원시 잔차 피드백을 강화하고, 검증 기반 보정 강도 선택이 잔차 과주입을 제한함을 확인했습니다.

특히 iTransformer를 기본 고정 예측 모델로 사용하고 여러 강력한 예측 기준선과 비교했을 때, RATL은 백본 전반에 걸쳐 기본 예측 모델의 성능을 개선하는 것으로 나타났습니다. 이는 검색된 대상을 과거 목표값에서 기본 모델에 특화된 과거 예측 오차(잔차)로 전환하여, 연속 출력 예측에서 학습된 피드백 보정을 위한 플러그인, 잔차 메모리 기반 패러다임을 제공합니다.

다중 시점 이미지로부터 희소하고 제약 없는 관측을 통해 완전한 3D 장면을 생성하는 것은 3D 비전에서 계산적으로 실현 가능하면서도 관측된 내용을 넘어 추론해야 하는 근본적인 과제입니다. 기존의 순방향 재구성 방법은 입력 이미지에 보이는 내용으로 한정되며, 3D 생성 모델은 밀집된 부피 표현의 높은 계산 비용과 대규모 3D 감독 데이터의 부족으로 인해 제약받아 왔습니다.

이에 연구진은 지도 데이터 없이 조건부 장면 완성을 위한 희소 복셀 정렬 3D 잠재 생성 모델인 SPAR3S를 제안합니다. 이 모델의 핵심 아이디어는 점유된 복셀만 표현되는 구조적이고 압축된 복셀 정렬 3D 잠재 공간에서 3D 장면 생성을 수행하는 것입니다. 연구진은 이 희소 잠재 공간을 미분 가능한 3D 가우시안 스플래팅을 통한 광도적 감독을 사용하여 다중 시점 이미지로부터 직접 학습시킵니다.

관측된 희소 입력에서 인코딩된 복셀을 바탕으로 장면을 완성하는 것은 누락된 잠재 토큰과 복셀 그리드 내에서의 공간적 지지(spatial support)를 예측하는 문제로 축소됩니다. 이를 위해 연구진은 복셀 점유율과 잠재 토큰 값을 공동으로 모델링하는 마스크된 자기회귀 트랜스포머를 훈련하여 보이지 않는 영역을 효율적이고 공간적으로 일관되게 생성할 수 있게 합니다.

SPAR3S는 합성 실내 장면에서 기존 연구보다 높은 새로운 시점 품질을 달성했으며, RealEstate10k 데이터셋에 대한 일반화 능력을 입증하여 실제 데이터에 대한 적용 가능성을 강조합니다. 이는 희소한 입력만으로도 현실 세계의 3D 장면을 생성하는 데 있어 중요한 진전을 의미합니다.

영어 차용어는 다른 수용 언어에서 남성 성별로 군집되는 경향이 있지만, 이러한 패턴의 기원은 고정된 형태론 규칙과 기본 할당이 함께 분석되어 어려움을 겪어왔습니다. 이 연구는 이러한 현상을 정량화하기 위해 고정 접사 의존 비율(Fixed Suffix Dependency Ratio, FSDR)을 제안하며, 성별에 따른 고정 파생 접사에 대한 의존도를 측정하여 형태론적 앵커링과 자유 선택 분포를 구별하고자 합니다.

1,832개의 라트비아 명사 어근 유형을 검토한 결과, 차용어 시스템 내에서 FSDR의 상당한 비대칭성이 드러났습니다. 여성 차용어는 고정 파생 접사에 훨씬 더 많이 의존하는 반면, 남성 차용어는 자유 선택 영역에 더 집중되어 있는 것으로 나타났습니다. 이러한 패턴은 차용어 특수성을 보여주며 현대 사용에서 더욱 두드러지게 나타납니다.

FSDR은 기본 성별을 테스트하기 위한 정량적 틀을 제공하며, 언어 접촉 하에서 남성 기본값이 어떻게 활성화되고 강화될 수 있는지 보여줍니다. 이는 언어 접촉 상황에서 성별 기본값의 작동 방식을 이해하는 데 중요한 통찰을 제공합니다.

온라인 회의 위임에서 LLM 에이전트는 발언할 시점을 인식하지 못하는 문제가 있습니다. 구조화된 방식으로 입장, 범위, 발언 기회를 추적하지 못하기 때문에, 프롬프트만으로 위임된 에이전트는 AMI 코퍼스에서 부재한 참가자의 발언 기회의 51.4%에서 침묵합니다.

이 문제를 해결하기 위해 온라인 회의 위임을 위한 새로운 아키텍처인 CAPA(Collaborative Agent Predictive Architecture)를 제안합니다. CAPA는 각 관찰된 턴에서 회의 상태를 업데이트하는 Perceiver, 대화를 예측하는 Predictor, 발언 여부와 제안을 결정하는 Controller, 참가자의 스타일에 맞춰 기여를 표현하는 Generator 등으로 구성됩니다. 또한 두 명의 심사위원이 예측과 행동을 다음 관찰된 턴과 비교하여 점수를 매기고, Recalibrator가 이 판단을 통해 미래 결정을 위한 회의 상태를 업데이트합니다.

이 시스템을 평가하기 위해 에피소드 수준 프로토콜을 도입했으며, 이 프로토콜을 통해 구성된 LLM 심사위원은 인간 주석과 코헨의 카파(Cohen's kappa) 0.71로 일치했습니다. 137개의 AMI 회의에서 CAPA는 침묵률을 51.4%에서 2.5%로 줄이고, 신뢰도 회복률을 두 배로 증가시켰으며, 환각(hallucination)은 0.6%로 유지했습니다.

실패 모드는 단순한 누락(omission)에서 선택(selection)으로 바뀌었으며, 각 잔여적인 미스(near-miss)는 아키텍처의 특정 모듈에 기인합니다. 메커니즘 제거 분석을 통해 회의 상태가 인식 격차를 좁히는 핵심 요소임을 확인했으며, 이는 원시 컨텍스트 스케일링만으로는 불가능한 지점입니다.

새롭게 공개된 게임은 단어 조합과 애너그램 기능을 지원하며 한 손 사용에 최적화된 'Unscramble!'입니다. 이 게임은 화면에 제시된 글자들을 사용하여 주어진 글자들로 하나의 단어를 만드는 것이 목표이며, 글자를 탭하여 선택하고 다시 탭하여 선택을 해제하는 방식으로 진행됩니다.

플레이어는 단어를 빠르게 완성할수록 높은 점수를 얻으며, 목표 단어의 애너그램을 입력하면 추가 점수를 받습니다. 게임은 시간 제한 없이 속도에 따라 점수가 부여되므로, 너무 오래 걸린다고 해서 페널티를 받지 않는 점이 특징입니다. 막히는 경우 친구에게 도움을 요청하거나 힌트를 얻는 기능을 통해 플레이어가 쉽게 진행할 수 있도록 설계되었습니다.

또한 이 게임은 단순한 조작과 큰 터치 버튼을 통해 한 손으로도 편리하게 사용할 수 있도록 디자인되었습니다. 게임에는 6가지 난이도 레벨이 있으며, 타이머, 배경 음악, 사운드 효과, 햅틱 피드백, 배경 애니메이션 제거 등 다양한 설정을 통해 사용자 환경에 맞게 경험을 조정할 수 있습니다.

에이전트 AI와 LLM 기반 멀티 에이전트 시스템(MAS)의 등장은 복잡한 작업을 자동화할 수 있는 전례 없는 기회를 제공하지만, 동시에 개인 정보 보호, 공정성, 안전과 같은 근본적인 인간 중심 가치 보존에 대한 중대한 우려를 제기합니다. 소프트웨어 공학이 전통적으로 기능적 정확성에 초점을 맞췄다면, LLM과 AI 에이전트를 복잡한 사회기술 시스템에 도입하면서 책임감 있는 소프트웨어 공학과 강력한 가치 정렬의 필요성이 더욱 강조되고 있습니다.

MAS에서 시스템의 행동과 결과물을 형성하는 데 있어 조정 메커니즘, 통신 프로토콜, 시스템 토폴로지와 같은 아키텍처 설계 결정이 핵심적인 역할을 합니다. 본 논문은 아키텍처 선택이 MAS의 기능과 성능뿐만 아니라 가치 지향적인 시스템 행동을 촉진할 수 있다고 주장하며, 다양한 인간 중심 가치를 지원하는 아키텍처 패턴을 탐구합니다.

연구진은 프라이버시 인식 아키텍처와 연합 토폴로지, 다양성과 다원성을 촉진하는 분산 아키텍처, 그리고 불공정성을 감지하고 완화하는 가드 에이전트 아키텍처와 같은 세 가지 가치 보존형 아키텍처 패턴을 제시합니다. 이러한 패턴들은 실제 시나리오를 통해 제시되어 제안된 아키텍처의 적용 가능성을 보여줍니다.

결론적으로, 이 연구는 아키텍처 설계를 인간 중심 가치와 연결함으로써 신뢰할 수 있는 MAS를 설계하기 위한 통일된 아키텍처 패턴과 지침의 토대를 마련합니다. 이는 개발자들이 시스템의 기능뿐만 아니라 윤리적이고 가치 지향적인 행동을 보장하는 시스템을 구축하는 데 필요한 실질적인 기반을 제공합니다.

장기 대화에서 질문 응답 에이전트는 방대한 시간적으로 분산된 대화 기록을 추론해야 하는 과제를 안고 있습니다. 그러나 기존의 메모리 메커니즘은 과거 정보를 단순히 저장된 사실로 취급하여 의미적 간극과 신뢰할 수 없는 추론을 초래합니다. 이러한 한계를 해결하기 위해 본 연구는 RuleMem이라는 규칙 기반 메모리 프레임워크를 제안합니다.

RuleMem은 과거 상호작용으로부터 재사용 가능한 논리 규칙을 유도하여 증거 검색과 추론을 능동적으로 안내하는 것을 목표로 합니다. 구체적으로 RuleMem은 대화에서 자연어 Horn 절을 구성하고 이를 규칙 퍼플렉시티 일관성(Rule Perplexity Consistency, RPC) 메커니즘을 통해 검증합니다. 이러한 유도된 규칙은 의미적으로 멀리 떨어진 증거를 검색할 수 있게 하며 답변 생성을 위한 명시적인 논리 구조를 제공합니다.

연구진은 RuleMem을 LoCoMo와 LongMemEval_s*라는 두 가지 장기 대화 벤치마크에 대해 포괄적인 평가를 수행했습니다. LoCoMo에서 14개의 기준 모델과 비교한 결과, RuleMem은 가장 높은 정확도를 달성했습니다. 이는 기준 평균보다 27.47점을 상회하며 54.3%의 상대적인 개선을 보였습니다.

1993년 바그다드에서 68000 어셈블리로 개발된 게임 'Babylonian Twins'를 Godot 엔진으로 포팅하는 과정에서 LLM을 활용한 실험 결과를 공유합니다. 개발자는 33년간의 기억과 소스 코드를 LLM에 제공하여 포팅 작업을 진행했으며, 이 과정에서 LLM이 어셈블리 코드를 읽고 파일 형식을 처리하는 역할을 수행했습니다.

이 포팅 과정은 세 단계의 요청(안전한 요청, 불공정한 요청, 탐욕스러운 요청)을 통해 진행되었으며, LLM이 수많은 코드와 메모리 정보를 바탕으로 단일 패스로 레벨 형식을 재구성하는 데 성공했습니다. 특히 LLM은 게임을 실행할 때 필요한 명령줄 플래그와 프레임별 입력을 처리하는 로직까지 생성해냈습니다.

포팅 결과에서 발견된 주요 문제는 물리 엔진의 오류가 아니라 입력의 의미론(input semantics)과 관련된 문제였으며, 이는 TVOS의 특이점을 우회하기 위해 적용했던 이전 버전의 이벤트 기반 입력 방식과 Godot의 폴링 입력 방식 간의 차이에서 발생했습니다. 이 오류는 트램펄린이 너무 높다는 형태로 나타났으며, 개발자는 이 문제를 해결하기 위해 입력의 타이밍과 물리 계산을 재조정하는 방식으로 수정했습니다.

최종적으로 원본 게임은 itch.io에서 무료로 배포되고 있으며, Definitive Edition은 곧 Steam에서 출시될 예정입니다. 이 사례는 AI가 복잡한 레거시 코드를 처리하고 버그를 식별하는 데 어떻게 기여할 수 있는지 보여주며, 개발자들이 코드 마이그레이션 시 놓치기 쉬운 저수준의 세부 사항을 검증하는 데 중요한 맥락을 제공합니다.

계층적 작업 네트워크(HTN) 계획은 작업 분해를 기반으로 하는 강력한 계획 형식론입니다. 대부분의 연구가 계획 생성에 집중되어 왔지만, 계획 후 최적화에는 상대적으로 덜 주목되어 왔습니다. 특히 계획 순서 재정렬(plan deordering)은 고전적인 계획에서 광범위하게 연구되었으나 HTN 환경에서는 아직 연구가 부족합니다. 계획 순서 재정렬은 계획의 유효성을 유지하면서 계획 내 행동들 간의 불필요한 순서 제약 조건을 제거하는 것을 의미합니다.

본 논문에서는 고전적인 계획에서 확립된 두 가지 계획 순서 재정렬 기법을 계층적 분해 제약 조건을 고려하도록 확장하여 HTN에 적용합니다. 연구진은 제안된 접근 방식을 IPC 2023 Partial-Order HTN 벤치마크에 평가하고, 직접 부분 순서 계획을 생성하는 HTN 계획기인 Optiplan과 비교했습니다.

그 결과, 두 구현 모두에서 순서 제약 조건의 수가 상당히 감소하는 것을 확인했습니다. 또한 임계 경로 길이(critical path length)의 감소도 관찰되었으나, 그 개선 폭은 상대적으로 덜 두드러졌습니다. 이는 HTN 계획에서 계획 최적화를 수행할 때 순서 제약 조건을 줄이는 것이 효과적임을 보여줍니다.