읽을 가치가 있는 기사만, 짧고 또렷하게.

멀티모달 메모리는 장편 비디오 질의응답을 위한 확장 가능한 인터페이스를 제공하지만, 기존 방법들은 캡션, 프레임, 스크립트, 요약 또는 그래프 사실과 같은 단편적인 조각만을 검색합니다. 이러한 조각들은 검색 가능하지만, 언어 모델이 추론 시점에 문맥이 제한되고 귀속(attribution)이 어려운 상황에서 교차 모달 및 시간적 정렬을 재구성해야 하므로 생성 준비가 되지 않습니다.

이에 연구진은 메모리 구축 과정에서 이질적인 증거를 이벤트 앵커에 결합하는 이벤트 중심 멀티모달 메모리 프레임워크인 EM^2Mem을 제안합니다. EM^2Mem은 각 이벤트 인덱스 메모리 셀이 멀티모달 기록, 시간적 문맥, 그래프 연결 관계, 의미적 사실, 출처를 정렬하여 모달리티별 조각이 아닌 근거가 있는 멀티모달 이벤트에 대한 압축된 증거 읽기를 가능하게 합니다.

세 가지 장편 비디오 QA 벤치마크에서 EM^2Mem은 가장 강력한 메모리 기준선 대비 평균 정확도를 각각 2.0, 2.4, 3.7%p 향상시켰습니다. 또한 엄격한 이벤트 수준의 Top-5 증거 검색 재현율을 7.0%p 개선했으며, 쿼리당 지연 시간을 4.67배, 총 추론 토큰 수를 63.66% 감소시켰습니다.

이 연구 결과는 코드와 함께 https://github.com/zjunlp/LightMem에 통합될 예정입니다.

통합 멀티모달 모델(UMM)은 시각 이해와 생성을 단일 모델 내에서 수행하지만, 기능적 통합이 반드시 학습 시너지를 보장하지는 않는다는 연구 결과가 나왔습니다. 연구진은 사전 학습된 시각 정보 없이 통제된 환경에서 표현, 작업, 시스템 수준에서 이 두 목표 간의 관계를 조사했습니다.

표현 수준에서 각 목표는 서로에게 유용한 신호를 제공하는 것으로 나타났습니다. 즉, 생성이 이해를 위한 시각 특징을 풍부하게 하고, 이해는 생성에 필요한 시각-언어 정렬을 강화합니다. 그러나 두 목표를 동일한 계산 경로를 통해 강제할 경우 한쪽이 지배적으로 작용하는 비대칭적 성능 저하가 발생합니다.

이러한 비대칭적 저하를 피하기 위해 상충되는 시각 계산을 전문화하면서 의미적 상호작용을 보존하는 작업 분리 아키텍처가 필요합니다. 작업 수준에서는 세 가지 사례 연구를 통해 이해와 생성 작업이 공유 지식에 의존할 때 긍정적인 양방향 전이가 있음을 발견했습니다.

시스템 수준에서는 종단 간 UMM이 이미지 이해와 생성을 명시적으로 요구하는 복잡한 작업에서 일치된 계획자-실행기 파이프라인보다 더 우수한 성능을 보였습니다. 결론적으로 UMM의 가치는 통합된 인터페이스를 넘어 적절한 전문화, 공유된 작업 지식, 종단 간 최적화를 통해 공존을 시너지로 전환할 수 있음을 보여줍니다.

멀티 에이전트 LLM 시스템에서 프롬프트 최적화는 작업 관련 콘텐츠 생성과 메시지 라우팅, 출력 형식 지정과 같은 실행에 필수적인 프로토콜을 동시에 수행하는 얽힌 역할을 합니다. 따라서 콘텐츠 생성을 개선하기 위한 프롬프트 수정이 의도치 않게 프로토콜을 손상시켜 전체 에이전트 파이프라인을 실패하게 만들 수 있습니다.

연구진은 이 두 역할이 서로 다른 표현 방식을 가진다고 관찰했습니다. 실행 프로토콜은 일반적으로 구조화되어 있는 반면, 작업 관련 콘텐츠는 비구조화된 언어로 표현됩니다. 이를 바탕으로 연구진은 제어-데이터 흐름 분리(control-data flow separation)를 제안했습니다. 이 방법은 실행에 중요한 제어는 타입이 지정되고 검증된 프로그램 객체로 표현하고, 작업 관련 언어는 에이전트 통신을 위한 최적화 가능한 데이터 흐름으로 유지하는 방식입니다.

이러한 설계는 최적화기가 프롬프트 드리프트에 라우팅이나 형식 지정 인터페이스를 노출하지 않으면서 멀티 에이전트의 동작을 개선할 수 있게 합니다. 이 프레임워크는 합성 추론, 협업 검토 생성, 보험 등급 워크플로우 등 다양한 작업에서 100%의 최종 프로토콜 유효성을 달성하면서도 작업 성능을 지속적으로 향상시켰습니다.

멀티모달 대규모 언어 모델(MLLM)이 드론 제어와 같은 행동에 얼마나 확장될 수 있는지 평가하는 연구가 발표되었습니다. 연구진은 MLLM을 드론 제어 루프에 직접 삽입하여 전체 행동 공간을 프롬프트만으로 선언하는 아키텍처인 DroneCATS-Agent와 이를 측정하는 벤치마크인 DroneCATS를 소개했습니다. 이 에이전트는 미세 조정이나 함수 호출 스키마 없이도 모델이 목표물에 접근하고, 추적하고, 탐색하며, 다중 드론 군단을 지휘하는 등 네 가지 핵심 능력을 평가합니다.

평가 결과, 모델의 공간 인식 능력은 유지되지만 행동 프로토콜이 부족하다는 점이 드러났습니다. 단순히 픽셀을 향해 비행하는 것을 넘어, 에이전트는 불확실할 때 숙고하고, 도착을 스스로 선언하는 등의 행동을 수행합니다. 이는 드론 제어에서 내비게이션 능력보다 선언된 프로토콜을 유지하고 올바른 종료 행동을 내보내는 규율이 배포 가능한 엣지 모델과 최전선 모델을 구분하는 핵심임을 시사합니다.

특히, 20억 개의 파라미터로 모델 규모를 줄였을 때, 작은 오픈 모델이 최전선 모델보다 더 안정적으로 내비게이션을 수행하지만, 도착을 조기에 선언하거나 아예 선언하지 못하는 문제점을 보였습니다. 다중 드론 지휘 상황에서는 작은 모델이 단일 좌표를 맹목적으로 복사하여 실패하는 경향이 관찰되었습니다.

결론적으로, 배포 가능한 엣지 모델과 최전선 모델 사이의 격차를 좁히는 열린 문제는 온보드 컴퓨팅 비용을 고려하여 지속적으로 계획하고 완료 시점을 정확히 아는 빠른 모델을 만드는 데 있습니다. DroneCATS는 이러한 격차를 측정하여 이 목표에 도달하는 거리를 측정하는 데 기여합니다.

AI 튜터는 학생의 강점, 약점, 선호하는 지도 방식에 맞게 적응할 때 가장 유용하지만, 어떤 지도가 어떤 학생에게 효과적인지에 대한 증거를 실제 학습자로부터 수집하는 것은 희소하고 느리며 비용이 많이 듭니다. 기존의 접근 방식들은 학생의 행동을 따르는 상태 추적 모델이나 지도를 유창하게 따르지만 학생의 역량을 신뢰성 있게 반영하지 못하는 LLM 역할극 모델의 한계를 가지고 있습니다.

이에 연구진은 희소한 학생별 데이터를 개별화된 시뮬레이터로 전환하는 훈련 프레임워크인 StudentSim을 제시했습니다. 이 프레임워크는 풀링 훈련(pooled training)을 통해 데이터를 통합한 후 학생별 특화(per-student specialization)를 거쳐 결과적으로 학생의 반응을 반영하고 튜터 지침에 따라 업데이트되는 시뮬레이터를 생성합니다. 또한, 체스, 제2외국어 작문, 수학 분야 60명의 학생을 대상으로 공공 학습 데이터셋을 사용하여 행동 충실도(Behavioral Fidelity, F)와 지도 반응성(Guidance Responsiveness, R)을 측정하는 표준화된 프로토콜인 StudentSimEval을 도입했습니다.

StudentSimEval 결과, StudentSim은 GPT-5.4보다 두 지표 모두에서 우수한 성능을 보였습니다. 특히 체스 분야에서 StudentSim은 F=0.51, R=0.91을 달성하여 GPT-5.4(F=0.23, R=0.72) 및 Maia2(F=0.45, R=0.27)보다 훨씬 높은 점수를 기록했습니다. 이 연구는 StudentSim을 튜터 강화 학습(RL)의 보상 모델로 사용하여 훈련된 체스 튜터가 전문가들에 의해 기존의 보상 모델을 사용한 튜터보다 더 정확하고, 더 잘 지도하며, 더 개인화되었다고 평가받는다는 것을 입증했습니다.

H3-World는 33B MiniMax-H3 비디오 생성기를 상호작용 가능한 월드 모델로 전환하는 효율적인 프레임워크를 제시합니다. 이 연구의 핵심 발견은 대규모 비디오 생성기가 발전함에 따라 언어가 제어를 위한 자연스러운 인터페이스로 부상하고 있다는 것입니다. MiniMax-H3는 이미 자연어 지시를 통해 캐릭터 행동과 카메라 움직임을 제로샷으로 제어할 수 있습니다. H3-World는 이러한 거친 언어 인터페이스를 전용 액션 모듈 없이도 정밀하고 시간적으로 기반을 둔 월드 제어로 전환합니다.

구체적으로 각 행동을 캐릭터 및 카메라 지시의 구조화된 조합으로 표현하고 이를 해당 시간적 비디오 잠재값과 정렬합니다. 시간적 정밀도를 높이기 위해 시간 주의 라우팅(temporal attention routing)을 도입하여 각 지시를 의도된 시간 간격으로 제한하고 행동 간의 제어 누수를 줄입니다. 이 프레임워크는 대규모 비디오 사전 학습에서 학습된 의미 표현을 직접 재사용하며 경량 적응만 필요로 합니다.

H3-World는 단 8,000개의 게임플레이 샘플, 10,000회의 LoRA 최적화 단계, 그리고 0.199%의 학습 가능한 파라미터만을 사용하여 강력한 생성 품질을 유지하면서 효과적인 캐릭터 및 카메라 제어를 달성합니다. 또한 이 모델은 보지 못한 시나리오에도 일반화될 수 있습니다. 이는 대규모 비디오 생성기에서 나타나는 제어 능력을 상호작용 가능한 월드 제어로 효율적으로 변환할 수 있음을 보여줍니다.

LLM 기반 코딩 에이전트가 인간의 개입 없이 고수준 요구사항을 완전하고 기능적이며 사용 가능한 소프트웨어 시스템으로 변환하는 자율 소프트웨어 개발에 관한 연구가 발표되었습니다. 이 논문은 자율 개발 과정에서 코딩 에이전트가 소프트웨어를 지속적으로 개선할 수 있도록 돕는 프레임워크인 Harness-of-Harness(HoH)를 소개합니다.

HoH는 기존 코딩 에이전트 하네스(harness)를 기반으로 하며, 실행을 반복적인 계획-코딩-테스트 루프로 구성하여 자율 개발을 체계화합니다. 이 프레임워크는 루프 전반에 걸쳐 복구와 능력 성장을 균형 있게 맞추고, 개발을 작고 검증 가능한 증분으로 제한하며, 구현 시간 테스트와 독립적인 평가를 분리합니다. 또한, 에이전트의 작업 흐름을 지시하기보다 검증 가능한 결과물을 제약하고, 결과물, 역할별 도구, 기술을 점진적으로 노출하여 재사용을 장려하고 버전별 프로젝트 역사를 유지합니다.

GameCraft-Bench, FrontierSWE, ProgramBench와 같은 벤치마크에서 세 가지 하네스-모델 쌍(Codex와 GPT-5.5, OpenCode와 DeepSeek-V4-Pro, Pi와 MiniMax-M3)을 적용한 결과, HoH는 독립적인 하네스보다 평균적으로 52.25%의 상대적 이득과 최대 82.86%의 이득을 달성했습니다. 또한, 70회 이상의 반복을 포함하는 다일(multi-day) 배포에서 HoH는 일관된 스토리라인, 완전히 구현된 핵심 메커니즘, 인간이 플레이 가능한 경험, 세련된 시각 및 통합된 오디오 기능을 갖춘 1인칭 슈팅 게임을 자율적으로 개발해냈습니다.

배포된 LLM 서비스의 안전장치는 거부율, 공격 성공률, 정책 위반율로 평가됩니다. 이러한 비율들은 테스트된 요청에 대해 제어 메커니즘이 어떻게 작동했는지를 나타냅니다. 그러나 배포된 시스템에 대한 평가는 서비스가 여전히 공격자에게 유해한 작업을 얼마나 많은 도움을 제공하는지에 대한 질문에 답해야 합니다.

각 보고 결과가 이 질문에 대해 무엇을 의미하는지 판단하여 서로 다른 안전장치 계열의 결과를 하나의 배포 기준 아래 비교할 수 있도록 합니다. 하지만 증거 요구 사항은 강하게 비대칭적입니다. 배포된 서비스로부터 유해한 도움을 얻는 단 한 번의 공격만으로도 그러한 도움이 여전히 남아 있음을 입증할 수 있으며, 이러한 공격은 코드 기록에서 반복적으로 나타납니다.

따라서 안전장치 자체의 수치만으로는 남아 있는 것이 거의 없다는 것을 입증할 수 없습니다. 이는 안전장치가 로컬 기능을 수행한 후에도 주변 시스템이 여전히 허용하는 것에 대한 증거를 필요로 합니다. 이러한 증거는 깊이 코딩된 주장 중 소수만이 뒷받침하거나 도출하며, 한 주장은 그 범위의 잔여 위험을 제한합니다.

결론적으로, 더 나은 로컬 점수가 배포에 대한 더 강력한 주장인 것은 아닙니다. 안전장치 연구는 로컬 점수를 높이는 데서 멈출 수 없으며, 얻은 이득은 배포된 시스템을 실제로 더 안전하게 만드는지에 따라 판단되어야 합니다.

Fable을 사용하여 65kLoC에 달하는 Go 코드를 Rust로 재작성하는 데 400달러를 소요했다는 내용입니다. 이 글은 LLM을 활용하여 복잡한 코드 변환 및 리팩토링을 수행하는 새로운 방법을 제시합니다.

저자는 Fable 5가 데이터 흐름을 정밀하게 추적할 수 있다는 점을 활용하여 문제를 데이터 문제로 재구성하면 LLM이 복잡한 리팩토링, 언어 간 변환, 서비스 추출 등의 근본적인 변경을 자율적으로 수행할 수 있다고 설명합니다. 이 과정은 세 단계로 이루어집니다. 첫째, 코드를 그래프, 온톨로지, 상태 기계 등의 형태로 데이터 표현으로 추출합니다. 둘째, 이 표현을 기반으로 상태 기계를 단순화하거나 숨겨진 통신 채널을 제거하는 등 데이터 표현을 조작합니다. 마지막으로, 이 표현을 다시 다른 프로그래밍 언어로 코드로 출력합니다.

이러한 접근 방식은 LLM 에이전트가 도구 사용에 능숙해지면서 더욱 발전하고 있으며, 프롬프트 엔지니어링을 통해 에이전트의 행동을 제어하는 것이 중요합니다. 예를 들어, `Glob`, `Grep`, `WebSearch`와 같은 도구 사용을 피하고 대신 `Explore` 에이전트를 사용하거나 `general-purpose` 서브에이전트를 활용하는 방식이 효과적입니다.

이 방법은 코드를 단순히 변환하는 것을 넘어, 데이터 기반의 추상화와 조작을 통해 근본적인 구조 변경을 가능하게 한다는 점에서 소프트웨어 공학에 중요한 시사점을 제공합니다.

폴리마켓이 도널드 트럼프 주니어의 투자 펀드로부터 3억 달러를 유치하며 약 10억 달러 규모의 새로운 투자 라운드를 진행했다는 보도가 나왔습니다. 이 자금은 1789 캐피털로부터 조달되었으며, 1789 캐피털은 이전에 폴리마켓에 2억 달러를 투자한 바 있습니다.

이러한 예측 시장에 대한 자금 유입은 예측 시장 산업이 규제 당국의 주목을 받고 있음을 반영합니다. 많은 주 정부가 해당 사이트의 이용에 대한 새로운 규칙을 도입하기 위해 움직이고 있으며, 실제로 최소 20개 주가 스포츠 베팅 관련 예측 사이트를 두고 소송을 제기하는 등 법적 분쟁이 진행 중입니다.

연방 정부는 이 산업을 주 정부의 규제에서 보호해야 하며, 예측 산업의 유일한 규제 기관은 상품선물거래위원회(CFTC)여야 한다고 주장하고 있습니다. 트럼프 행정부는 예측 사이트가 주 법무장관이 아닌 연방 관리자에 의해 감독된다고 주장하며 이러한 입장을 취하고 있습니다.

최근 트럼프 주니어는 보수 성향의 주 법무장관들과의 행사에서 예측 산업이 이미 "강력한 감독"을 받고 있으며, 예측 사이트가 "주 법무장관이 아닌 연방 관리자에 의해 감독된다"고 설명한 바 있습니다. 이는 예측 시장 플랫폼이 규제 환경 속에서 직면하는 법적, 정치적 맥락을 보여줍니다.

캘리포니아 주 의회가 16세 미만 사용자의 소셜 미디어 사용을 금지하는 법안인 A.B. 1709를 통과시켰으나, 전자방어재단(EFF)은 이 법안에 대해 주지노섬 주지사에게 거부권을 행사할 것을 촉구하고 있습니다. 이 법안은 젊은 세대가 필수적인 정보와 경험에서 차단되어 취약한 그룹에게 해를 끼친다고 지적하며, 온라인 서비스의 기본 기능에 접근하는 것을 제한하는 것이 문제라고 주장합니다.

법안이 시행될 경우, 플랫폼들은 16세 미만 사용자에게 사용자가 팔로우하는 대상이나 좋아하는 게시물과 같은 추천 알고리즘과 기본적인 입력 기능을 제공하는 것이 금지됩니다. 이는 온라인 서비스가 사용자 생성 콘텐츠를 식별하고 커뮤니티를 형성하는 데 사용하는 기본적인 도구를 제한하며, 결국 젊은 사용자들이 주요 디지털 서비스에서 배제되게 만듭니다.

EFF는 이 법안이 개인의 자유와 프라이버시를 침해하는 심각한 문제라고 강조하며, 플랫폼들이 사용자 검증을 위해 정부 신분증이나 생체 인식 스캔과 같은 침해적인 연령 확인 방법을 도입하도록 강요할 것이라고 경고합니다. 이러한 조치는 기업이 더 많은 개인 정보를 수집하게 하여 온라인 익명성을 심각하게 훼손하고 데이터 유출 위험을 높이는 결과를 초래할 수 있습니다.

Manifest V2(MV2) 확장 프로그램 전체가 Chrome 웹 스토어에서 제거되었습니다. 이 조치는 수년간 진행되어 온 확장 프로그램 전환 과정의 마지막 단계로, uBlock Origin을 포함한 MV2 확장 프로그램들이 공식적으로 웹 스토어에서 삭제되었음을 의미합니다.

이러한 변화는 Chrome이 Manifest V3(MV3)로의 전환을 가속화하고 있으며, 이는 확장 프로그램 개발 및 사용 환경에 중대한 영향을 미칩니다. 현재 Chrome 138 이하 버전에 설치된 MV2 확장 프로그램들은 여전히 남아 있지만, 더 이상 업데이트가 중단된 상태입니다.

사용자가 이러한 확장 프로그램을 삭제할 경우 웹 스토어에서 완전히 제거되므로, 개발자나 사용자는 MV3 표준에 맞추어 확장 프로그램을 재검토하고 전환해야 하는 상황입니다. 이는 향후 Chrome 생태계에서 확장 프로그램이 작동하는 방식에 변화가 있음을 시사합니다.

tmpout.sh에서 공개된 이 글은 x86-64 Linux ELF 실행 파일의 내부 구조와 조작에 대한 심층적인 기술을 다루고 있습니다. 특히 57바이트의 정보만으로도 ELF 파일의 내부를 이해하고, 이를 활용하여 악성 코드를 생성하거나 탐지를 회피하는 기법들을 상세히 설명합니다.

본 기사는 ELF 파일의 구조를 이용한 난독화 및 안티 포렌식 기법, 예를 들어 폴리글랏 ELF 파일 생성, 그리고 시스템 호출 후크를 사이드 채널로 탐지하는 방법 등을 다룹니다. 또한, 코드 가상화, halfexec 및 halfshelf와 같은 로더 기법, 그리고 Brainfuck을 이용한 ROP 컴파일러 활용 등 고급 시스템 프로그래밍 기술을 ELF 환경에 적용하는 방법을 제시합니다.

이러한 내용은 리눅스 커널 레벨의 보안 취약점을 이해하고, 실행 파일의 메모리 레이아웃을 정밀하게 제어하려는 개발자에게 중요한 통찰을 제공합니다. ASLR(주소 공간 배치 난수화)과 같은 보호 메커니즘을 우회하거나, 정적 커널 패치를 통해 시스템의 동작을 변경하는 고급 기술에 대한 구체적인 구현 방안을 제시하고 있습니다.

결론적으로 이 글은 ELF 파일 포맷을 깊이 이해하고, 이를 활용하여 시스템 보안과 실행 흐름 제어의 경계를 탐구하는 데 필요한 실질적인 지식을 제공합니다.

벤처 캐피털 회사인 안드레센 호로위츠(a16z)가 새로운 펀드를 출시한 지 불과 며칠 만에 성장 펀드의 규모를 85억 달러로 확장했습니다. 이는 1월에 11억 달러 규모의 새로운 펀드인 ‘머신 에이지 펀드(Machine Age Fund)’를 출범시킨 직후에 이루어진 움직임입니다.

이 새로운 펀드는 AI 하드웨어 스타트업에 초점을 맞추고 있으며 칩, 메모리, 네트워킹, 스토리지 개발에 중점을 두고 있습니다. 성장 펀드는 성장 단계 스타트업에 자금을 지원하며, 이 자금은 제품을 고도화하고 새로운 지역으로 확장하며 모든 것을 확장하는 기업에 할당됩니다.

a16z는 이 자금을 통해 엔터프라이즈 및 소비자 AI 기술, 방산 기술, 로보틱스, 인프라 하드웨어 및 소프트웨어, 헬스 테크 등 전체 스택에 걸쳐 투자하고 있습니다. 이는 AI 시대에 기업들이 이전보다 더 빠르게 성장 단계에 도달하고 더 높은 가치로 자금을 확보하는 상황을 반영합니다.

또한 이들은 선거 연도에 정치 및 로비 활동에도 대규모 자금을 지출하고 있습니다. 이는 a16z가 1월에 발표했던 150억 달러 규모의 신규 자금 조달에 이어 이루어진 움직임입니다.

벤틀리가 슈퍼스포츠 모델을 엔지니어의 사치를 위해 완전히 개조한 사례를 다루고 있습니다. 이는 최근 벤틀리가 전기차 개발과 지속 가능성을 추구하는 동시에, 전통적인 고성능 차량의 디자인 철학을 어떻게 재해석하는지에 대한 논의를 담고 있습니다.

최근 벤틀리는 고성능 V8 플러그인 하이브리드 파워로 전환하고 새로운 배터리 EV인 토칼(Torcal)을 개발하며 지속 가능성을 브랜드 정체성의 일부로 만들고자 합니다. 이러한 변화 속에서 일부 엔지니어들은 하이브리드 시스템이나 사륜구동, 뒷좌석을 제거한 형태로 차량을 제작했을 때 어떤 결과가 나올지 궁금해했습니다.

이러한 개조 아이디어는 일부 OEM들에게 익숙한 길이며 포르쉐와 같은 회사들은 레이스카에서 영감을 받은 완전히 개조된 차량을 제작하여 수익을 창출하는 데 특화되어 있습니다. 즉, 고성능 차량을 극한으로 단순화하고 엔지니어링 관점에서 재해석하는 것은 자동차 산업 내에서 이미 잘 알려진 접근 방식입니다.

Darling은 macOS 소프트웨어를 Linux에서 실행할 수 있게 해주는 번역 계층입니다. 이는 하드웨어 에뮬레이션 없이 macOS 소프트웨어를 직접 실행하며, Linux 환경에서 macOS 애플리케이션을 구동할 수 있도록 설계되었습니다. Darling은 자유롭고 오픈 소스 소프트웨어로 개발되었으며 GNU GPL 버전 3 라이선스를 따릅니다.

Darling은 Mach, dyld, launchd와 같은 Darwin 환경을 완전히 구현하여 macOS의 핵심 구성 요소를 포함합니다. 개발팀은 Darling 애플리케이션들이 Linux 데스크톱 경험에 완전히 통합되어 네이티브 Linux 앱처럼 보이도록 만드는 것을 목표로 합니다. 이는 Windows 소프트웨어를 Linux에서 실행하는 Wine과 유사한 목표를 가지고 있습니다.

현재 Darling은 기본적인 그래픽 애플리케이션 실행을 위한 실험적인 지원을 제공하며, Apple의 EULA를 위반하지 않도록 Darwin의 완전히 자유로운 소프트웨어 부분만을 사용합니다. Darling은 Apple의 Darwin 소스 코드와 The Cocotron, Apportable Foundation, GNUstep 등의 프로젝트를 기반으로 구축되었습니다.

장기적으로 Darling은 iOS 앱을 ARM 장치에서 실행하는 것을 목표로 하며, 이를 위해서는 UIKit 구현과 같은 중요한 기술적 과제가 남아 있습니다. 개발자들은 GitHub와 블로그를 통해 Darling의 내부 구조를 익히고 기여할 수 있습니다.

Apple이 예상보다 빠르게 증가한 기업용 AI 하드웨어 수요에 대응하여 새로운 Mac mini와 Mac Studio를 통상적인 10월이나 11월보다 앞당겨 발표했습니다. 이는 개발자와 기업 시장에서 AI 관련 하드웨어에 대한 요구가 급증하고 있음을 반영한 움직임입니다.

이번 신제품의 핵심 기능은 여러 대의 Mac Studio를 연결하여 대형 프런티어 AI 모델을 실행할 수 있는 기능을 제공하는 것입니다. 이를 통해 사용자는 고성능 AI 연산을 위한 강력한 컴퓨팅 환경을 구축할 수 있게 되며, 기업과 개발자 시장을 본격적으로 겨냥하고 있습니다.

이러한 전략은 단순히 개인 사용자 시장을 넘어, 다중 GPU 환경에서 대규모 AI 모델을 구동해야 하는 전문적인 워크로드에 초점을 맞추고 있습니다. 다만, 이러한 하드웨어의 실제 성능과 소프트웨어 최적화는 사용자가 구체적인 AI 작업에 적용할 때 중요한 고려 사항이 될 것입니다.

구글은 4K 스트리밍 박스인 구글 TV 스트리머의 가격을 기존 99달러에서 50달러 인상된 149달러로 올렸습니다. 이 새로운 가격은 현재 구글 스토어와 베스트바이에서 적용되고 있지만, 아마존은 여전히 원래 가격을 제공하고 있는 것으로 보입니다.

이번 가격 인상은 구글이 최근 픽셀 11 시리즈를 출시하며 가격을 인상한 지 불과 몇 주 만에 이루어졌습니다. 구글 TV 스트리머는 2024년에 출시되었으며 스마트 홈 허브 역할도 겸하고 있습니다.

스트리밍 기기뿐만 아니라 부품 부족 현상이 노트북, 게임 콘솔 등 전반적인 제품 가격을 상승시키는 원인이 되고 있습니다. 또한 아마존 역시 이달 초 킨들 및 파이어 TV 관련 가격을 인상한 바 있습니다.

Tcl/Tk는 크로스 플랫폼 콘솔 및 GUI 도구와 애플리케이션을 개발할 수 있는 강력하고 미래 지향적인 오픈 소스 도구 모음입니다. 이 도구는 Windows, Linux, macOS에서 네이티브처럼 보이는 GUI 앱을 만들 수 있으며, 안전하고 효율적인 스레딩, 비차단 이벤트 및 I/O를 지원합니다. 설치된 일반적인 패키지들을 고려하면 약 100MB의 작은 용량을 가지며, 지원되는 플랫폼에서 매우 간결한 단일 파일 앱을 생성할 수 있습니다.

Tcl/Tk는 30년 이상 대기업에서 사용되어 온 역사와 안정성을 가지고 있으며, 자유로운 BSD 라이선스를 따릅니다. 이는 개발자가 특정 기술 스택의 변화에 흔들리지 않고 코드가 시간이 지나도 동일하게 작동하도록 보장하는 강력한 기반이 됩니다. Tcl은 명령 중심의 언어 특성 때문에 많은 사람들이 오해하지만, 이는 강력한 시스템을 구축하고 실제 문제를 해결하는 데 중점을 둔 실용적인 도구로 활용됩니다.

Tcl/Tk는 동적으로 변화하는 생태계보다는 신뢰성과 일관성을 중시하는 소규모 팀이나 전문가들에게 특히 유용합니다. 이 도구는 Python이나 JavaScript 같은 다른 언어들이 제공하는 역동적인 생태계와는 달리, 코드가 안정적으로 작동하는 것을 중요하게 생각하는 환경에서 강력한 선택지가 됩니다. 따라서 Tcl/Tk는 최신 트렌드보다는 견고하고 실용적인 도구를 찾는 개발자에게 적합한 대안이 될 수 있습니다.

안드레센, 호로위츠, 브록먼이 후원한 한 그룹이 중간선거 결과를 좌우하기 위해 데이터 센터 광고를 집행할 계획입니다. 이 그룹은 데이터 센터의 장점을 대중에게 설득하기 위해 광고를 진행하며, 이들은 주요 경합 주들인 캔자스, 오하이오, 위스콘신에 초점을 맞출 예정입니다.

이 그룹은 Leading the Future(LTF)라는 슈퍼 PAC과 연계되어 있으며, LTF는 마크 안드레센, 벤 호로위츠와 OpenAI 회장 그렉 브록먼 등으로부터 막대한 자금을 지원받고 있습니다. LTF는 AI를 지지하는 후보를 지원하지만, 기술에 반대하는 후보를 견제하는 활동도 병행하고 있습니다.

이러한 활동은 안드레센 호로위츠의 벤처 회사인 안드레센 호로위츠가 중간선거에 가장 많은 기부를 한 주요 기여자 중 하나라는 점에서 주목받고 있습니다. 이들은 공개된 연방 기부로 현재까지 1억 1,500만 달러 이상을 지출했습니다.

다만, OpenAI는 LTF의 활동 방식 중 일부, 특히 대중의 선택을 흐리게 하는 어스트로핑(astroturfing)과 같은 전술에 대해 비판하며 거리를 두었습니다. 이는 AI를 옹호하는 단체들이 정책 결정자들과 대중이 직면한 실제 선택에 대해 정직해야 한다는 입장 때문입니다.