읽을 가치가 있는 기사만, 짧고 또렷하게.

개발자로서 기술 분야에 계속 머물러야 할지에 대한 개인적인 고민을 다룬 글입니다. 데이비드 하이네미어 한슨(DHH)의 오마콤 재단에 수백만 달러가 기부된 사실과 관련하여, 쇼피파이, 스트라이프, 델, 블록/스퀘어, 클라우드플레어 등 주요 테크 기업의 CEO들이 이러한 활동을 지지했다는 내용이 언급됩니다. 이는 DHH의 우월주의적 글쓰기와 비정상화된 파시즘에 대한 지지를 다룬 분석 기사에서 비롯되었으며, 기술 업계 내 권력자들이 특정 이념을 지지하는 데 자금을 지원하고 있다는 주장을 담고 있습니다.

이러한 논란은 단순히 개인적인 의견을 넘어, 기술 생태계 내에서 특정 이념과 혐오가 어떻게 확산되고 자본화되는지에 대한 근본적인 질문을 던집니다. 글쓴이는 과거에 정치적으로 다른 배경을 가진 사람들과 함께 일했지만, 현재는 기술 기업들이 파시즘을 조장하는 이념에 자금을 지원함으로써 이러한 현상이 더욱 심화되고 있다고 지적합니다. 이는 기술 분야에서 일하는 사람들이 어떤 가치와 이념을 기반으로 일하는지에 대한 윤리적 경계를 재고하게 만듭니다.

글쓴이는 AI 코드 사용에 대한 개인적인 기준을 제시하며, 인간이 생성한 코드 검토 경험을 바탕으로 AI가 생성한 코드가 생산에 투입될 때 발생할 수 있는 잠재적인 위험을 경고합니다. 따라서 개인적인 경계는 파시즘을 조장하는 사람들에게 자금을 지원하지 않는 것으로 확장되며, 이는 기술 분야에서 일하는 사람들이 어떤 회사와 어떤 활동을 지지할지에 대한 중요한 판단 기준이 됩니다.

결론적으로, 기술 분야에 계속 머무르는 문제는 개인의 가치관과 기술 산업의 정치적 맥락이 복잡하게 얽혀 있으며, AI 시대에 기술 종사자들이 어떤 선택을 해야 하는지에 대한 깊은 성찰을 요구합니다.

천문학자들이 토성의 대기에서 10각형 구조를 발견하여 태양계 거대 가스 행성의 대기 현상에 대한 새로운 이해를 제공했습니다. 이 발견은 토성이 북극 주변에 알려진 육각형 구조 외에도 남극 주변에도 다각형 파동이 형성될 수 있는 환경을 가지고 있음을 시사합니다.

스페인 바스크 지방 대학교의 아구스틴 산체스-라베가 연구팀은 허블 우주 망원경과 카시니 탐사선 데이터를 분석하여 토성의 남극 주변에 10개의 면을 가진 다각형을 포착했습니다. 이 다각형은 토성의 강력한 동쪽 제트 기류를 타고 움직이는 거대한 대기 파동으로 보이며, 이 현상은 토성의 대기 조건이 극지방 주변에서 다각형 파동이 형성될 수 있는 조건을 제공한다는 것을 의미합니다.

이 새로운 다각형은 북극의 육각형 구조와는 차이가 있으며, 남반구에서 더 낮은 위도에 위치하고 형성된 안정성이 상대적으로 낮다는 특징이 있습니다. 연구자들은 이 차이가 위도 차이, 배경 바람 구조, 또는 인근 고기압 소용돌이(레드 스팟과 같은)의 존재와 관련이 있을 수 있다고 추측합니다.

현재 과학자들은 이 다각형이 어떻게 형성되었는지에 대한 정확한 시나리오를 찾고 있으며, 태양 복사 에너지 증가에 따라 이 구조가 안정화될지 불안정해질지에 대한 변화를 관찰하고 있습니다. 이는 토성의 대기 구조가 시간에 따라 어떻게 진화하는지 실시간으로 관찰할 수 있는 중요한 기회를 제공합니다.

음성 뇌-컴퓨터 인터페이스(speech BCI)는 신경 활동을 언어로 번역하여 마비 환자의 발성 회복을 돕고 자연스러운 인간-컴퓨터 상호작용을 가능하게 하는 길을 제시합니다. 그러나 시스템들이 서로 다른 데이터셋, 녹음 방식, 발음 유형, 어휘를 사용하기 때문에 진척도를 비교할 수 있는 공통 측정 기준이 부족한 상황입니다.

이러한 측정 문제를 해결하기 위해 연구진은 오픈 어휘 상호 정보량(open-vocabulary mutual information, OVMI)이라는 정보 이론적 양을 도출했습니다. OVMI는 사용자가 소통하고자 하는 단어에 대한 참조 분포 대비 디코더가 전달하는 정보를 측정하여, 서로 다른 조건에서 측정된 시스템들의 능력을 공통의 소통 척도로 평가할 수 있게 합니다.

연구 결과, 시스템이 지원하는 단어에 대해서만 계산된 정확도나 단어 오류율(WER)과 같은 기존 지표는 사용자가 의도한 발화 중 시스템이 전달할 수 있는 정보량을 과대평가할 수 있음을 보여줍니다. OVMI를 사용하여 기존 시스템들을 비교했을 때, 시스템이 지원하는 언어의 양과 해당 단어를 얼마나 정확하게 디코딩하는지 사이의 상충 관계를 드러냈습니다.

또한, OVMI를 최대화하는 어휘를 선택하면 세 가지 발화 영역에서 정확도가 최대 16.3% 상대적으로 향상됨을 입증했습니다. 따라서 OVMI는 음성 BCI 커뮤니티에 이질적인 시스템들을 비교하고, 어휘 설계를 개선하며, 연구 분야의 진척도를 측정할 수 있는 원칙적인 방법을 제공합니다.

웹 에이전트가 테스트 시 행동 선택을 위해 세계 모델을 사용할 때 발생하는 목표 불일치 문제를 해결하기 위한 새로운 학습 방법이 제안되었습니다. 기존의 세계 모델은 다음 상태 예측을 통해 HTML이나 AXTree 스냅샷과 같은 고정된 표현을 생성하도록 학습되지만, 이는 후보 행동들 사이에서 예측된 상태가 충분히 구별되지 않아 정확한 점수를 매기는 후속 랭커 모델이나 프로세스 보상 모델(PRM)과 목표가 일치하지 않습니다.

연구진은 이러한 문제를 해결하기 위해 예측된 상태 일치(predicted-state matching)라는 새로운 학습 목표를 도입했습니다. 이 목표는 예측된 표현이 대안적인 행동들로 도달한 상태와 실제 결과 상태를 구별할 수 있도록 학습된 표현을 요구합니다. 이 모델은 WebArena Go-Browse 궤적에서 파생된 분기형 웹 에이전트 데이터셋을 사용하여 학습되었는데, 이는 각 결정 지점에서 여러 대안 행동과 그에 따른 상태를 포함하고 있습니다.

실험 결과, 예측된 상태 일치 접근 방식은 지도 다음 상태 예측으로 학습된 세계 모델보다 벤치마크에서 더 우수한 성능을 보였습니다. 또한, 이 방법은 WebPRMBench에서 행동 전용 PRM 및 지도 다음 상태 세계 모델이 추가된 PRM과 비교하여 PRM 스타일의 행동 순위를 개선했습니다. 최종적으로 WebArena-Lite 환경에서 이 세계 모델을 테스트 시 행동 선택에 사용함으로써 엔드투엔드 작업 성공률을 향상시켰습니다.

트럼프 행정부가 최첨단 AI 모델의 안전성 검토에 사용하는 비밀 프레임워크에 대한 정보 공개 요구에 따라 네 개 연방 기관이 소송을 당했습니다. 이 소송은 프런티어 AI 모델의 안전성 검토에 관한 비밀 규칙을 공개하라는 요구에 대한 것입니다.

비영리 단체인 프로텍트 데모크라시(Protect Democracy)는 이 소송에서 정부가 대중이나 의회에 공개한 세부 사항이 거의 없다고 주장했습니다. 이들은 정부의 검토 과정에 어떤 기관들이 관여했는지, 프레임워크를 구축하는 데 어떤 회사들이 참여했는지, 그리고 트럼프 관리들이 이러한 검토를 수행할 법적 권한이 무엇인지에 대한 정보가 불분명하다고 지적했습니다.

구체적으로 프로텍트 데모크라시는 해당 프레임워크에 참여한 주체들의 신원이나 선정 기준이 공개되지 않았다고 밝혔습니다. 이는 AI 안전성 검토에 대한 거버넌스 구조와 투명성이 부족하다는 점을 시사하며, AI 개발 및 정책 결정 과정의 투명성에 대한 중요한 질문을 제기합니다.

그래프 머신(Graph Machine, GM)은 희소하고 동적인 라우팅을 통해 $O(n)$ 크기의 상태를 유지하고 접근하는 새로운 아키텍처를 소개합니다. 이는 고정된 크기의 상태나 정적인 라우팅 방식과 달리, 상태 크기를 $O(1)$로 제한하지 않으면서도 희소 레이어에서 $O(n)$ 복잡도를 보존합니다. GM은 포인터 추적과 유사한 참조 메커니즘을 통해 업데이트되는 엣지, 즉 포인터와 같은 객체를 사용하여 차분적으로 업데이트됩니다.

이러한 GM 구조를 활용하여 Qwen3-0.6B의 밀집된 트랜스포머 레이어 중 75%를 GM 희소 레이어로 대체하고 15.7B 토큰으로 처음부터 사전 학습을 진행했습니다. 실험 결과, 각 희소 레이어의 KV 헤드당 4,096개의 토큰 중 단 2개만 검색했을 때 손실은 약간만 악화되었으며, 4개를 검색했을 때는 손실이 미미하게 개선되었습니다.

이는 모델의 효율성을 유지하면서도 필요한 정보에 대한 접근성을 높이는 방법을 제시합니다. GM은 희소성(sparsity)을 활용하여 대규모 모델의 사전 학습 효율을 개선하고, 메모리 제약 없이 동적으로 상태에 접근하는 새로운 패러다임을 보여줍니다.

미분 방정식(ODE)은 과학 및 공학 모델의 기반이며, 많은 응용 분야에서 매개변수에 대한 해의 미분값이 필요합니다. 독립적인 궤적들의 앙상블(ensemble)은 GPU에 적합하지만, 현재 GPU 소프트웨어는 가장 빠른 앙상블 솔버를 풀 때 그 속도로 역모드 미분(reverse-mode differentiation)을 수행할 수 없으며, 미분에 최적화된 솔버는 더 느리게 계산된다는 상충 관계가 존재합니다. 따라서 단일 도구로는 융합 커널(fused-kernel) 솔브의 속도로 역모드 기울기를 제공하는 것이 불가능했습니다.

이러한 문제를 해결하기 위해 GRADSOLVE라는 오픈 소스 JAX 라이브러리가 NVIDIA GPU에서 저차원 ODE 앙상블을 풀고 역모드 미분하는 기능을 제공합니다. GRADSOLVE는 적응형 솔버가 수용하는 단계를 기록하고 고정된 단계 재현(fixed-step replay)을 통해 미분하며, 이는 해당 단계의 정확한 이산 부가(discrete adjoint) 기울기를 반환합니다. 이 기울기는 Diffrax가 기본적으로 반환하는 것과 동일하며, 적응형 루프보다 훨씬 적은 계산으로 얻어집니다.

GRADSOLVE를 솔버로 사용할 경우, 순방향 전용 커널은 DiffEqGPU.jl보다 2.8배 빨랐습니다. 기울기 계산에 사용될 경우, 세 세대의 GPU에서 동일한 순방향 상태 정확도를 유지했을 때 Diffrax의 체크포인트된 부가보다 5.6배에서 14.1배 더 빠르게 계산할 수 있었습니다. 이러한 성능 우위는 대규모 앙상블과 강체 시스템에서 더욱 좁아지며, 높은 정확도에서는 성능이 거의 동일해집니다.

GRADSOLVE는 명시적(explicit) 및 로젠브로크(Rosenbrock) 적분기를 지원하며, 기록된 메시지에 대해 여러 번 미분하는 앙상블에 초점을 맞춥니다. 이 라이브러리는 Diffrax를 대체할 수 있는 대안으로 사용될 수 있으며, GitHub에서 공개되어 있습니다.

아마존이 AI 비서 기능을 활용하여 사칭 스캠을 방지하는 새로운 기능을 도입했습니다. 이 기능은 사용자가 받은 이메일, 문자 메시지 또는 전화가 실제로 아마존에서 발송되었는지 확인하도록 돕습니다.

사용자는 알렉사 포 쇼핑(Alexa for Shopping)에게 받은 메시지에 대해 문의할 수 있으며, AI가 해당 메시지를 아마존이 보낸 메시지 기록과 비교하고 내용, 형식, 발신자를 분석하여 진위 여부를 판단합니다.

다만, 아마존은 이 비서가 메시지가 진짜임을 확인하기 위해서는 "완전히 확실할 때"만 확인을 제공한다고 밝혔습니다. 예를 들어, 고객이 특정 OTP 메시지를 받았는지 물었을 때 AI가 이를 확인하는 방식으로 작동합니다.

스마트폰이 주는 편리함 뒤에는 사용자가 수많은 앱을 설치해야 한다는 10가지 전제가 숨어 있으며, 이는 사용자에게 심각한 데이터 및 통제 문제를 야기합니다. 앱 설치를 요구할 때 사용자는 스마트폰 소유권, 배터리, 저장 공간, 네트워크, 계정 보안 등 10가지의 가정이 충족된다는 것을 전제로 하며, 이 중 단 하나의 전제라도 거짓일 경우 앱 사용 자체가 불가능해집니다.

이러한 앱 생태계는 구글이나 메타 같은 거대 기업에 대한 의존성을 심화시키며, 사용자는 자신의 개인 정보가 상시 수집되고 관리된다는 위험에 노출됩니다. 특히 구글 계정이나 메타 계정의 존재 여부는 언제든지 변경될 수 있으며, 이는 유럽 내에서 데이터 주권과 관련된 심각한 우려를 낳고 있습니다.

이에 대해 저자는 스마트폰 대신 전자잉크 기기(e-ink)와 같은 최소주의적 접근 방식을 통해 이러한 종속에서 벗어나고자 합니다. 그는 시그널(Signal), 코맵스(Comaps), 델타 채팅(Delta Chat)과 같은 분산형 대안 서비스를 활용하여 구글에 얽매이지 않는 삶을 실현하고 있습니다.

또한 유럽 정치권이 '유럽 AI'나 '유럽 블록체인'을 강조하면서도 기존의 분산형 솔루션들을 간과하고 있다는 점에 주목하며, 기술적 혁신과 개인의 프라이버시를 지키는 대안이 실제로 존재함을 강조합니다.

우주론에서 우주가 유기체처럼 진화한다는 개념이 새로운 이론으로 주목받고 있습니다. 이는 우주가 블랙홀을 생성하여 새로운 우주를 낳는 방식으로 번식하며, 이 과정에서 변이를 통해 진화한다는 '우주 진화(cosmological evolution)'라는 관점에 기반합니다. 이 개념은 다윈의 진화론이 자연계의 복잡성을 설명하는 데 강력한 틀을 제공한다는 데서 영감을 얻습니다.

이러한 관점에 따르면 우주는 고정된 암석이 아니라 생명체가 성장하고 번식하는 것처럼 이전의 진화 역사를 거쳐 현재의 형태로 최적화된 상태로 발전했다고 주장합니다. 즉, 우주는 하나의 알과 같으며, 이는 우주의 복잡성이 시간 경과에 따라 증가했다는 관찰을 설명합니다.

이러한 이론은 2022년 제임스 웹 우주망원경(JWST)의 발견과 일부 서브스택 게시물을 통해 힘을 얻고 있으며, 우주 진화가 맞는지에 대한 연구가 진행 중입니다. 하지만 블랙홀이 실제로 새로운 우주를 탄생시키고 그 물리 법칙을 전달할 수 있는지에 대한 증거는 아직 불확실하며, 이 패턴이 어떻게 발생했는지에 대한 심도 있는 조사가 필요합니다.

쿠버네티스를 실제로 운영하는 과정에서 여러 모듈들의 패치 속도가 너무 빠르다는 운영상의 어려움을 토로합니다. 이러한 빠른 패치 속도는 시스템 안정성에 대한 부담으로 작용하며, 운영자는 패치 부담 때문에 주기적인 버전 업그레이드를 매번 진행하지 못하는 상황에 직면합니다.

특히, 불필요한 버전 업그레이드로 잘 작동하던 시스템에 장애가 발생했을 경우, 운영 부담 때문에 즉각적인 업그레이드를 진행하기 어렵다는 점이 지적되었습니다. 이는 시스템 안정성과 운영 효율성 사이에서 발생하는 현실적인 딜레마를 보여줍니다.

결국 운영자는 이러한 부담 때문에 불가피하게 버전 업그레이드를 계속 미루는 상황을 겪고 있습니다. 이는 개발 및 운영 환경에서 빠른 변화 속도와 시스템 안정성 확보 사이의 균형을 어떻게 맞출 것인가에 대한 고민을 시사합니다.

딥러닝 기반 자율 로봇이 발생한 사고에 대해 시스템이 특정 결정을 내린 이유를 조사관이 재구성하기 어려운 감사 가능성 문제를 해결하기 위한 프레임워크가 제시되었습니다. 이 논문은 모든 자율 행동이 센서 증거를 통해 문서화된 인과 사슬로 추적될 수 있도록 하는 TRACE(Transparent Reasoning Architecture for Credible Execution)라는 의사결정 프레임워크를 제안합니다.

TRACE는 의사결정 과정을 네 가지 감사 가능한 계층으로 조직합니다. 구체적으로 증거 기반 개체 인식인 의미론적 인식(Semantic Perception), 인과 그래프를 사용한 확률적 상태 추정인 신념 추론(Belief Reasoning), 반사실적 문서화를 포함한 제약 조건 인식 계획인 행동 합성(Action Synthesis), 그리고 규정 준수 모니터링인 실행 검증(Execution Verification)으로 구성됩니다. 이 프레임워크는 CNN이나 트랜스포머와 같은 학습 기반 인식 모듈을 통합하면서도 의사결정 수준의 감사 가능성을 유지하는 모델에 구애받지 않는 방식으로 설계되었습니다.

실험 결과, 창고 로봇 내비게이션에 대한 평가에서 TRACE는 500회의 시뮬레이션된 의사결정 주기 동안 98.6%의 증거 추적 가능성, 99.0%의 시간적 연속성, 그리고 98.1%의 결정 재구성 능력을 달성했습니다. 이는 시스템의 결정 과정을 높은 수준으로 추적하고 검증할 수 있음을 입증합니다.

이 연구는 LIME과 같은 사후 분석 방법이 특징 기여도를 제공하지만 결정 수준의 재구성에 필요한 아티팩트 구조가 부족하다는 한계를 지적합니다. TRACE는 고위험 시스템의 투명성에 대한 EU AI 법(AI Act) 요구 사항을 충족시키고 안전이 중요한 자율 시스템을 위한 설명 가능한 인공지능에 기여합니다.

거대 언어 모델(LLM)에 대한 사용자 피드백을 활용하는 것은 학습 신호로서 유망하지만, 최근 연구들은 이러한 피드백이 본질적으로 노이즈가 많고 효과적으로 활용하기 어렵다는 점을 지적합니다. 연구진은 현재의 평가 패러다임에 내재된 체계적인 편향 때문에 피드백의 비효율성이 인식되는 것이라고 주장하며, 피드백이 개선에 매우 실행 가능한 신호임을 입증했습니다.

연구팀은 피드백의 유용성을 분리하기 위해 명확한 정답(ground truth)을 가진 합성 데이터와 실제 환경 데이터를 모두 사용하여 결과를 검증했습니다. 모델 수정에 피드백 접근 여부를 비교한 결과, 피드백을 반영한 수정이 기준 수정보다 목표 문제를 훨씬 더 높은 비율로 해결함을 보여주었습니다.

더 나아가, 이 연구는 평가 편향의 근원을 드러냅니다. 모델이 피드백에 의해서만 문제를 성공적으로 수정했을 때, LLM 판정자는 실제로 수정된 응답을 식별하는 데 자주 실패하며, 대신 열등한 기준 출력(baseline outputs)을 선호하는 경향이 있음을 발견했습니다. 이는 피드백이 모델 개선에 실제로 기여하고 있음에도 불구하고, 평가 시스템이 이를 제대로 반영하지 못하는 현상을 시사합니다.

경사 하강법(GD)이 미리 정해진 스텝 사이즈를 통해 얼마나 가속될 수 있는지에 대한 이론적 하한을 연구한 논문입니다. 이 연구는 부드러운 볼록 최적화 문제에서 GD의 성능 한계를 탐구하며, 기존의 Nemirovsky와 Yudin의 고전적인 $\Omega(n^{-2})$ 1차 오라클 하한을 넘어서는 새로운 하한을 증명했습니다.

구체적으로, 연구진은 비-타임(non-anytime) 하한으로 $\Omega(n^{-1.6342})$를, 타임(anytime) 하한으로 $\Omega(n^{-1.2408})$를 제시했습니다. 이는 Ma와 Chen의 $\Omega(n^{-1.932})$ 비-타임 하한과 Tsai 등의 $\Omega(n^{-4/3})$ 타임 하한을 개선한 결과입니다.

또한, 실버 스케줄(silver schedules)을 통해 달성 가능한 비-타임 속도 $O(n^{-\log_2(1+\sqrt{2})})$와 결합하여 타임 하한을 설정함으로써, 두 설정에서 달성 가능한 수렴 지수 사이에 엄격한 분리를 확립했습니다. 이는 GD 가속에 대한 이론적 한계를 명확히 구분하여 알고리즘 설계에 중요한 통찰을 제공합니다.

거대 언어 모델(LLM)은 자연어를 생성하도록 훈련되었지만, LLM의 외부화된 언어 출력이나 기계적으로 추출된 언어적 특징이 모델의 내부 계산을 이해하는 데 신뢰할 수 없는 렌즈가 될 수 있다는 증거들이 제시되었습니다. 연구진은 LLM의 외부 언어 산출물이 모델이 실제로 어떻게 생각하는지를 제대로 반영하지 못하는 상황을 포괄적으로 지칭하기 위해 '언어적 불명확성(linguistic illegibility)'이라는 용어를 도입했습니다.

이러한 불명확성은 LLM의 내부 계산이 언어로 직접 표현되지 않고 활성화 공간(activation spaces) 상의 수학으로 이루어지기 때문에 발생하며, 활성화 공간과 자연어 사이의 손실이 발생하는 번역 과정에서 발생합니다. 따라서 언어적 불명확성은 피할 수 없으며, 모델의 언어적 자기 보고에 의존하는 보안 메커니즘, 예를 들어 사고의 사슬 모니터링이나 활성화 탐색을 통한 특징 벡터 확인 등은 완전히 건전하다고 볼 수 없습니다.

대신, 모델의 언어적 보고 방식에 관계없이, 오염 추적(taint tracking) 정책을 사용하여 모델이 생성한 데이터에 의해 영향을 받아서는 안 되는 시스템 상태의 여러 부분을 사전에 정의할 수 있습니다. 연구진은 오염 추적을 효과적인 샌드박스 접근 방식으로 제시하며, 이는 언어적 모니터링 아래에 놓이는 중요한 기반을 제공합니다.

또한, 강력한 가상화나 샌드박스 구성에 대한 제3자 감사와 같은 추가적인 샌드박싱 메커니즘들이 언어적 모니터링 아래에서 중요한 최소 기준을 제공하며, 이는 최근 프론티어 모델의 샌드박스 악용 사례를 완화할 수 있었을 것입니다.

대규모 언어 모델이 코딩 대회에서 금메달 수준의 성능을 달성하는 연구 결과가 발표되었습니다. 연구진은 대규모 문제 큐레이션, 합성 추론 경로, 지도 미세 조정(SFT), 강화 학습(RL)을 결합한 엔드투엔드 전문화 파이프라인을 제시했습니다.

이 연구는 22,000개의 문제로 훈련하여 Nemotron-3-Nano-CC 모델과 Nemotron-3-Ultra-CC 모델을 개발했습니다. 특히 피드백 기반의 테스트 시간 컴퓨팅 전략인 GenCorrect를 도입하여 다양한 솔루션을 반복적으로 생성, 평가, 개선하는 방법을 소개했습니다.

2025년 IOI에서 Nano-CC 모델은 훈련 후 291점, GenCorrect 적용 후 468점을 기록하며 골드 기준점인 438.3점을 넘어섰습니다. Ultra-CC 모델은 502점을 달성했으며, 인간 참가자와 동일한 인터넷 접근 및 제출 제약 조건 하에서 535.4점을 획득했습니다.

이 결과는 골드 기준점 361.12점과 최고 인간 점수 498.27점을 모두 능가하는 수치이며, 이는 AI 시스템이 IOI 문제 세트에서 최고 점수를 기록한 인간 참가자를 앞선 최초의 사례입니다. 연구진은 이러한 결과를 바탕으로 IOI 2026에 대비한 대회 특화 Ultra-CC 시스템을 개발할 계획입니다.

Google이 6주 사이에 세 번째 Flash 모델을 출시하며 개발자들에게 새로운 AI 모델을 제공합니다. 이번에 공개된 Gemini 3.8 Flash는 장기 코딩 및 에이전트 작업을 강화하는 데 중점을 두고 있습니다. 또한 보안 특화 모델인 Flash Cyber를 함께 공개하여 취약점 탐지 및 자동 패치 기능을 강화했습니다.

Gemini 3.8 Flash는 이전 버전인 3.7 Flash와 동일한 속도와 도입 가격을 유지합니다. 입력 100만 토큰당 $0.75, 출력 100만 토큰당 가격 정책은 그대로 적용됩니다. 이는 개발자들이 비용 효율적으로 고성능 AI 기능을 활용할 수 있도록 하는 중요한 변화입니다.

Flash Cyber는 특히 보안 분야에 특화되어 취약점 탐지 및 자동 패치 기능을 강화하는 데 초점을 맞춥니다. 이 두 모델의 등장은 코딩 작업 효율성과 소프트웨어 보안 관리 측면에서 AI 기술의 활용 범위를 넓히는 데 기여할 것입니다.

안정적인 4비트 부동 소수점(FP4) 사전 학습은 E2M1 페이로드(payload)가 좁은 범위의 크기만을 나타내기 때문에 어렵다는 문제가 제기되었습니다. 기존의 NVIDIA Transformer Engine v{} 레시피는 현재 텐서 스케일링, 무작위 하다마드 변환(RHT), bfloat16(BF16) 최종 레이어를 사용하여 FP4 행렬 곱셈 외의 작업으로 이 문제를 해결했습니다.

이에 반해 연구진은 E2M1 페이로드를 부호 없는 E5M3($\ue{}$) 블록 스케일과 쌍으로 사용하여 더 넓은 범위의 스케일링을 허용했습니다. 이 새로운 레시피는 역전된 기울기에 선택적 확률적 반올림을 적용하고 RHT를 생략하며, 모든 적격 내부 선형 레이어에서 FP4를 사용합니다.

이 방법을 통해 Nemotron-H 8B 모델을 약 1900억 토큰에 대해 사전 학습한 결과, 기존 Transformer Engine v{} 대비 최종 윈도우 훈련 손실이 더 낮게 나타났습니다. 또한 양자화 추론 정책 하에서 검증 손실(홀드아웃 음성 로그 우도)도 더 낮았으며, 양자화 추론 다운스트림 점 추정치도 세 가지 보고된 총합 모두에서 더 높았습니다.

나아가 RHT와 BF16 최종 블록 면제를 동시에 제거하는 네이티브 v{} 실행 절제 실험을 통해 모델 본문 토큰 처리량은 21.2% 증가했습니다. 이러한 결과는 더 단순한 레시피로 엔드투엔드 소프트웨어 에뮬레이션된 $\uefp$ 사전 학습을 달성하며, $\ue{}$ 블록 스케일링에 대한 네이티브 지원의 필요성을 시사합니다.

메모리 안전성 문제는 객체 풀과 같은 구조에서 발생할 수 있으며, 특히 사용 후 해제(use-after-free) 오류는 물리적인 타입 혼란을 야기하여 임의 코드 실행으로 이어질 수 있습니다. 이러한 문제를 해결하기 위해 개발자들은 메모리 할당 방식과 시스템 설계에 있어 정적 할당(Static Allocation) 및 상수 작업(Constant Work)이라는 두 가지 원칙을 적용할 수 있습니다.

정적 할당은 초기화 시점에 최대 허용 객체 수를 명시하여 시스템이 과부하 상태에서도 충돌 없이 서비스를 지속하도록 보장합니다. 이는 시스템이 메모리 부족으로 인해 갑작스럽게 종료되거나 OOM 킬러에 의해 프로세스가 강제 종료되는 재앙적인 상황을 방지하며, 시스템이 과부하를 우아하게 처리하도록 만듭니다.

상수 작업은 객체의 생성과 소멸에 초점을 맞추는 대신, 시스템이 항상 고정된 수의 객체를 유지하도록 설계하는 접근 방식입니다. 예를 들어, 중립적인 주문 객체를 도입하여 객체가 시스템 내에서 순환하도록 하면, 객체의 상태 추적을 단순화하고 코드의 예측 가능성을 높일 수 있습니다. 이러한 설계는 컴파일러가 벡터화하고 CPU 캐시가 예측적으로 데이터를 미리 가져오는 등 성능 향상에 기여합니다.

이러한 원칙들은 모든 프로그래밍 문제를 해결하는 만능 해결책은 아니지만, 메모리 안전성과 시스템 성능에 대한 확신을 제공하며 실제 시스템 설계에 적용할 때 큰 이점을 제공합니다.

Paint.net 5.2 알파 버전이 이제 리눅스 환경에서 실행될 수 있게 되었습니다. 이는 윈도우 환경에 주로 의존했던 이미지 편집 소프트웨어가 리눅스 사용자들에게도 접근성을 제공한다는 점에서 중요한 업데이트입니다.

이 변경 사항은 개발자들이 크로스 플랫폼 소프트웨어의 포팅 및 배포에 관심을 가질 때 참고할 만한 사례를 제공합니다. Paint.net의 알파 버전이 리눅스 환경을 공식적으로 지원하게 됨으로써, 리눅스 기반 시스템에서 이미지 편집 기능을 활용하고자 하는 사용자들에게 새로운 기회가 열렸습니다.

개발자 관점에서 볼 때, 이러한 크로스 플랫폼 지원은 소프트웨어의 접근성과 사용 범위를 확장하는 데 긍정적인 영향을 미칩니다. 향후 Paint.net의 개발 방향이나 다른 소프트웨어의 리눅스 포팅 사례를 분석하는 데 있어 중요한 참고 자료가 될 수 있습니다.