읽을 가치가 있는 기사만, 짧고 또렷하게.

인터넷의 중앙 집중화와 NAT의 근원적인 문제에 대한 논의는 인터넷의 설계 원칙을 훼손했다는 점에 초점을 맞춥니다. 네트워크 주소 변환(NAT)은 IP 주소 고갈과 라우팅 확장 문제를 해결하기 위해 1994년 RFC 1631에서 제안되었으며, 여러 장치가 하나의 IP 주소를 공유할 수 있도록 허용하는 방식으로 작동합니다. 이는 오늘날 가정용 라우터에서 흔히 볼 수 있는 형태와는 다르지만, 기본 아이디어는 동일합니다.

NAT는 패킷 헤더 정보를 수정하여 여러 장치가 IP 주소를 공유하게 함으로써 인터넷의 우아한 설계를 무너뜨렸습니다. 예를 들어, 외부 서버가 내부 장치와 통신하려 할 때 라우터가 패킷을 변환하는 과정에서 외부 서버가 내부 장치로 직접 접근하기 어렵게 만드는 문제가 발생합니다. 이러한 문제 때문에 사용자는 포트 포워딩과 같은 우회책을 사용해야 했으며, 이는 서비스 운영에 복잡성을 더했습니다.

현재는 통신사에서 제공하는 대규모 NAT(CGNAT) 환경이 보편화되어 사용자가 포트 포워딩을 제어하기 어렵게 되었고, 이는 온프레미스 호스팅 환경에서 서비스 운영을 더욱 어렵게 만듭니다. 또한, NAT가 보안 기능으로 인식되면서 사용자들이 NAT를 제거하려는 노력을 저해하는 역설적인 상황이 발생했습니다.

장기적인 해결책은 IPv6로 제시되었으나, IPv6 채택 속도는 지연되고 있으며 많은 ISP와 기관 네트워크는 관성이나 잘못된 보안 인식 때문에 NAT와 유사한 방식을 계속 사용하고 있습니다. 결과적으로 NAT는 개인 서비스 운영의 어려움과 중앙 집중화된 환경을 초래하는 초기 원인 중 하나로 작용하고 있습니다.

그라인드르(Grindr)는 2022년부터 약속해 온 '주머니 속 게이 동네'를 목표로 인공지능(AI), 헬스케어, 장거리 매칭에 베팅하며 게이 남성을 위한 모든 것을 제공하는 앱으로 변모하고 있습니다. CEO 조지 아리슨은 최근 질의응답을 통해 이러한 전략을 상세히 설명했습니다.

이러한 변화의 핵심에는 논란이 되는 $350 이상의 EDGE 등급을 포함한 AI 기능이 자리 잡고 있습니다. 이는 단순한 데이팅 앱을 넘어 사용자의 라이프스타일 전반을 포괄하는 플랫폼으로 확장하려는 시도입니다.

Grindr가 이러한 다각화 전략을 통해 시장에서 성공을 거둘 수 있을지는 아직 투자자들이 결정하는 단계에 있습니다. 따라서 개발자나 투자자는 이 새로운 AI 기반 서비스의 확장성과 수익 모델에 주목할 필요가 있습니다.

AI 애플리케이션, 에이전트, RAG, 시맨틱 검색과 같은 기술은 기존의 BI보다 훨씬 명확한 데이터 해석을 요구하고 있습니다. 따라서 데이터 아키텍처의 중심축이 단순한 저장 방식에서 의미, 계약, 그리고 거버넌스로 이동하고 있습니다.

이러한 변화는 데이터가 단순히 저장되는 것을 넘어, 데이터의 의미와 소유권, 그리고 데이터 간의 계약 관계를 명확히 하는 것을 핵심으로 삼는다는 것을 의미합니다. 데이터 아키텍처는 이제 저장 용량보다는 데이터의 처리, 변환, 소유권, 그리고 최종적인 의미를 관리하는 데 초점을 맞춰야 합니다.

Lambda, Kappa, Medallion, Data Mesh, Data Lakehouse, Semantic Architecture와 같은 새로운 아키텍처 패턴들은 단순히 기존 방식의 대안이 아닙니다. 이들은 AI 시대의 요구에 맞춰 데이터의 처리와 변환, 소유권, 저장, 그리고 데이터의 의미를 통합적으로 관리하기 위한 필수적인 접근 방식입니다.

결론적으로 데이터 아키텍처는 저장 기술을 넘어 데이터의 의미와 계약을 중심으로 재정립되어야 하며, 이는 AI 기반 시스템 구축에 있어 필수적인 기반이 됩니다.

Booking.com이 기존 OpenSearch 기반 벡터 검색 대신 Weaviate를 벡터 데이터베이스로 선택한 배경에 대한 내용입니다. 기존 OpenSearch를 사용한 벡터 검색은 수억 개의 임베딩과 필터 검색, 높은 동시 요청을 처리하는 과정에서 클러스터 규모와 운영 비용이 지속적으로 증가하는 문제가 있었습니다.

이러한 상황에서 공개된 벤치마크들은 실제 운영 환경을 반영하지 못한다는 지적이 제기되었습니다. 공개 벤치마크는 데이터 규모가 작고 부하가 단순하여 실제 서비스 환경의 복잡성을 반영하지 못한다는 것입니다.

이에 Booking.com은 실제 환경을 반영하기 위해 1억 개의 임베딩과 운영 형태를 재현한 자체 평가를 진행했습니다. 이 자체 평가를 통해 실제 서비스 환경에서의 성능과 운영 효율성을 검증하고 Weaviate가 더 적합하다는 결론을 내렸습니다.

ChatGPT Work는 클라우드 기반의 Work Cloud와 로컬 환경에서 실행되는 Work Local이라는 두 가지 제품으로 구성되어 있습니다. Work Cloud는 chatgpt.com이나 모바일 앱을 통해 접근 가능하며, Work Local은 데스크톱 앱을 설치하여 컴퓨터에서 파일에 접근하고 프로그램을 직접 실행할 수 있게 해줍니다. 이 기능들은 현재 월 20달러 이상의 유료 구독자에게만 제공됩니다.

Work는 일반적인 ChatGPT Chat과 달리 명확한 결과물을 도출하는 작업 수행에 중점을 둡니다. 사용자는 Chat을 질문이나 아이디어 구상에 사용하고, Work를 사용하여 분석, 워크플로우, 파일 정리 등 구체적인 결과물을 완성하는 데 집중할 수 있습니다. Work의 핵심 기능에는 인터넷에 접근하여 코드를 실행하는 환경, 헤드리스 크롬 브라우저, 세션 간 공유되는 파일 시스템 등이 포함됩니다.

특히 ChatGPT Work의 가장 흥미로운 부분은 인터넷 접근 권한을 가진 코드 실행 환경입니다. 이는 패키지 설치나 API 상호작용이 가능하게 하여, 사용자가 GitHub 저장소를 복제하고 의존성을 설치한 후 웹에서 상호작용할 수 있게 합니다. 또한, Work는 Luna, Terra, Sol과 같은 다양한 모델과 추론 수준을 선택할 수 있는 옵션을 제공하며, 이는 일반 Chat에서 제공하는 모델 선택 방식과 차이가 있습니다.

이러한 강력한 기능들은 개인 데이터 접근과 외부 콘텐츠 노출, 그리고 공격자에게 정보가 전달될 수 있는 잠재적 위험을 동시에 내포하고 있습니다. 따라서 사용자들은 에이전트 시스템이 내재하는 위험을 어떻게 보호하는지에 대한 보안 문제와 시스템 프롬프트 보호 메커니즘에 대해 더 많은 정보를 요구하고 있습니다.

NVIDIA-labs에서 개발한 OO Agents(NOOA)는 Python 클래스를 사용하여 에이전트를 정의하는 모델 독립적 프레임워크입니다. 이 프레임워크는 에이전트의 상태, 기능, 프롬프트, 입출력 규칙을 하나의 Python 클래스 안에 통합하여 관리할 수 있게 합니다.

이 프레임워크의 핵심은 클래스의 각 구성 요소를 명확하게 정의하는 데 있습니다. 클래스의 필드는 에이전트의 상태를 나타내고, 메서드는 에이전트의 기능을 정의합니다. 또한 독스트링은 프롬프트 역할을 하며, 타입 어노테이션은 입출력 계약 역할을 수행하여 에이전트 간의 상호작용을 구조화합니다.

개발자는 일반적인 Python 코드를 메서드 내에 작성하여 에이전트의 로직을 구현할 수 있으며, 이는 기존의 Python 코드를 그대로 실행할 수 있다는 장점을 제공합니다. 이러한 구조는 복잡한 에이전트 시스템을 모델에 독립적으로 구축할 수 있게 하여, 개발자가 모델 자체에 얽매이지 않고 에이전트의 설계에 집중할 수 있도록 돕습니다.

결론적으로 NOOA는 Python 객체 지향 프로그래밍의 강력함을 활용하여 에이전트의 정의와 관리를 표준화하는 프레임워크를 제공합니다. 이는 에이전트 개발 시 상태 관리, 기능 정의, 입출력 계약을 일관성 있게 처리하고자 하는 개발자들에게 실질적인 설계 기반을 제공합니다.

AI를 활용하면 개인의 코딩 속도는 10배 이상 빨라질 수 있지만, 이러한 속도 향상이 조직 전체의 생산성으로 이어지기에는 구조적인 병목 현상이 존재합니다. 이는 코딩 속도 자체는 극적으로 향상되더라도 기존의 기획, 검토, 승인, 배포와 같은 절차들이 속도를 흡수하여 조직 전체의 생산성 향상은 25~30% 수준에 머무를 수 있음을 의미합니다.

이러한 생산성 격차는 AI가 개인의 작업 효율을 높이는 데 집중하고, 조직 차원의 프로세스 개선에는 소홀할 때 발생합니다. 따라서 단순히 도구의 속도를 높이는 것을 넘어, 여러 에이전트가 장시간 병렬로 작업할 수 있는 개발 환경을 구축하고 전담 AI Ops 조직을 운영하는 것이 중요합니다.

궁극적으로 AI 기반의 생산성 향상을 실현하기 위해서는 개인의 코딩 속도뿐만 아니라, 복잡한 시스템을 관리하고 협업하는 조직 구조와 프로세스를 재설계해야 합니다. 이는 AI가 제공하는 잠재력을 조직 전체의 효율로 전환하기 위한 필수적인 단계입니다.

UI 디자인에서 글꼴을 선택할 때 단순히 시각적인 깔끔함뿐만 아니라 기능적인 기준을 고려해야 합니다. 특히 Inter 폰트가 UI 환경에서 사용하기 편리한 이유는 글꼴 자체의 디자인뿐만 아니라 특정 수직 측정 기준을 충족하기 때문입니다.

Inter 폰트는 대문자의 높이가 글자 상자 중앙에 위치하는 수직 측정 기준(vertical metrics)을 가지고 있습니다. 이러한 특성은 글자 상자의 위아래 여백이 균형을 이루도록 설계되어 있어, 버튼 내 텍스트가 자연스럽게 중앙에 배치되고 아이콘과 별도의 보정 없이도 정렬될 수 있게 합니다.

결론적으로, 글자 상자의 위아래 여백이 적절히 균형을 이룰 때 버튼 안의 텍스트가 자연스럽게 중앙에 놓이며, 이는 아이콘 정렬에도 긍정적인 영향을 미칩니다. 개발자는 글꼴을 선택할 때 이러한 수직 측정 기준과 여백의 균형을 중요한 기준으로 삼아야 합니다.

엔화가 달러당 160엔을 넘어 약세를 보이며 시장에 영향을 미치고 있습니다. 이는 일본 정부의 외환 시장 개입 노력으로 얻었던 이익이 잠식되고 있음을 의미합니다.

최근 엔화 가치는 달러 대비 160엔 선을 넘어섰으며, 이는 시장 참여자들이 주목하는 주요 변동 요인입니다. 이러한 엔화 약세는 과거에 시행된 외환 개입 정책으로 인해 발생했던 환율상의 이점을 감소시키는 결과를 초래했습니다.

따라서 시장 참여자들은 엔화의 향후 움직임과 이에 따른 외환 정책의 변화에 주목해야 합니다. 엔화 약세는 글로벌 금융 시장의 역학 관계에 영향을 미치므로 향후 통화 정책 및 시장 반응을 분석하는 데 중요한 맥락을 제공합니다.

유럽 전역에서 발생하고 있는 극심한 여름 가뭄과 폭염이 생태계와 수산업에 심각한 타격을 주고 있습니다. 이로 인해 강과 호수, 양식장이 말라가고 있으며 수온 상승과 산소 부족 현상이 발생하여 생태계 전반에 걸쳐 복합적인 영향을 미치고 있습니다.

특히 헝가리 국토의 약 99%가 심각하거나 극심한 가뭄 상태에 놓여 있습니다. 고온과 강수량 부족은 식생을 감소시키고 사막화를 촉진하여 헝가리 대평원 상당 부분이 사막화 위협에 직면하게 만들고 있습니다.

이러한 기후 변화는 단순한 환경 문제를 넘어 물 자원 관리와 생물 다양성 보존에 대한 중대한 도전 과제를 제시합니다. 개발 및 인프라 관점에서 볼 때, 이러한 환경적 압력은 수자원 접근성, 농업 생산성, 그리고 생태계 기반의 시스템 안정성에 장기적인 영향을 미칠 수 있음을 고려해야 합니다.

IKEA 가구를 개조하여 실용적인 사무용 작업대를 만드는 방법이 소개되었습니다. 이 방법은 작업대의 실용성과 거실 가구의 외관을 동시에 얻고자 하는 니즈를 충족시키기 위해 IKEA Kallax 2x2와 남은 책상 상판을 조합하여 사무실용 작업대 두 개를 제작하는 것을 목표로 합니다.

이 프로젝트는 깊이가 40cm 이하인 일반 수납장이나 산업적인 작업대를 만드는 데 적합하며, 개당 약 1,000유로에 달하는 맞춤 가구를 직접 제작하는 사례를 보여줍니다. 특히 디자인과 마감이 맞지 않는 주방 수납장 대신 이러한 방식으로 직접 제작하는 것이 가능합니다.

이는 단순히 가구를 재활용하는 것을 넘어, 기존의 대량 생산된 가구에서 벗어나 개인의 공간과 기능에 완벽하게 맞춘 맞춤형 가구를 제작할 수 있다는 점을 강조합니다. 사용자는 IKEA 제품을 기반으로 원하는 기능과 미적 요소를 결합하여 비용 효율적이면서도 독특한 사무 공간을 구현할 수 있습니다.

AI 에이전트가 내장된 개인 서버를 하나의 Go 바이너리로 직접 운영하는 시스템이 소개되었습니다. 이 서버는 메일, 채팅, 파일, 노트, 캘린더, 연락처, 셸 기능은 물론 AI 에이전트까지 통합하여 관리할 수 있게 합니다.

해당 시스템은 뉴스, 웹 검색, 날씨, 시장, 영상, 장소, 파일, 문서 등 30여 개의 서비스와 100여 개의 도구를 제공합니다. 이러한 모든 기능은 웹, REST API, CLI, MCP를 통해 동일하게 접근 가능하도록 제공됩니다.

이는 복잡한 개인 서버 환경에서 다양한 AI 에이전트와 외부 도구를 효율적으로 통합하고 관리할 수 있는 방법을 제시합니다. 개발자들은 Go 바이너리를 활용하여 개인 서버의 기능을 확장하고 AI 에이전트 기반의 자동화된 작업을 구현하는 데 이 구조를 참고할 수 있습니다.

Gemini 3.6 Flash 모델이 가짜 화장품을 식별하는 테스트에서 오류를 보였습니다. 이 테스트는 Rhode Peptide Lip Tint 세 가지 제품의 포장 사진을 각각 6장씩 제공하여 진행되었습니다. 모델은 가품 2개를 정확하게 식별했지만, 정품 1개까지 가품으로 잘못 판정하는 실수를 저질렀습니다.

이러한 결과는 AI가 시각 정보를 분석할 때 사람이 놓치기 쉬운 미묘한 포장 불일치에 취약함을 보여줍니다. 구체적으로 상자와 튜브의 유통업체 불일치, 잘못된 아일랜드 우편번호, 성분명 오탈자 등 사소한 포장 불일치 정보가 가품 여부를 판단하는 데 결정적인 단서로 작용했습니다.

이는 AI 기반의 품질 검사 시스템이 실제 환경에서 복잡하고 미묘한 데이터 불일치를 정확하게 포착하는 데 어려움을 겪을 수 있음을 시사합니다. 따라서 AI가 실제 제품의 진위 여부를 판단하기 위해서는 단순한 시각적 패턴 분석을 넘어, 이러한 세부적인 포장 정보의 일관성을 통합적으로 고려하는 학습이 필요합니다.

Linux 환경에서 macOS의 Continuity 기능이 제공하던 다양한 연동 기능을 구현하는 기술이 개발되었습니다. 이 기술은 iMessage 및 SMS 송수신, 알림, 연락처, 파일, 클립보드, OTP 연동 등 macOS Continuity가 제공하던 핵심 기능을 Linux에서도 사용할 수 있도록 구현합니다.

이러한 연동은 iOS와 Linux가 처음부터 상호 TLS(mTLS) 방식으로 연결되어 있으며, 통신을 위해서는 양쪽 기기의 모두가 승인해야만 연결이 성립된다는 점이 특징입니다. 이는 두 운영체제 간의 보안 및 인증 메커니즘을 통해 안전하게 데이터를 주고받는 기반을 마련합니다.

개발자들은 이 기술을 통해 Mac 프록시 없이도 Bluetooth 등을 활용하여 이러한 크로스 플랫폼 연동을 구현할 수 있게 되었습니다. 이는 운영체제 간의 경계를 넘어선 통합된 사용자 경험을 제공하는 데 중요한 기술적 진전을 의미합니다.

AI 도구만 도입한다고 해서 엔지니어의 생산성이 2배나 10배로 향상되지는 않습니다. 진정한 생산성 향상은 사람들이 협력하고 의사결정하는 조직 환경이 먼저 갖춰질 때 발생합니다.

AI 도구는 생산성을 높이는 수단일 뿐이며, 이 도구의 효과를 극대화하기 위해서는 팀 내에서 활발한 협업과 신뢰를 기반으로 한 의사결정 구조가 필수적입니다. 조직 문화가 이러한 협력과 안전감을 제공할 때, AI는 단순한 도구를 넘어 팀 전체의 역량을 증폭시키는 핵심 동력이 됩니다.

반면, 경영진이 경쟁사의 AI 성과에 조급해져 사용을 강요하거나 인력 대체를 언급하는 등의 행동은 심리적 안전감과 조직 내 신뢰를 무너뜨립니다. 이러한 압박은 도구 도입으로 얻는 이익보다 더 큰 조직적 비용을 발생시킬 수 있습니다.

따라서 AI 도입 시 기술적 측면뿐만 아니라, 팀원들이 심리적으로 안전하게 의견을 교환하고 협력할 수 있는 조직 환경을 조성하는 것이 생산성 향상의 선행 조건이 됩니다.

CPython이 64비트 RISC-V Linux를 PEP 11의 Tier 3 공식 지원 플랫폼으로 추가했습니다. 이는 특정 아키텍처와 구현체를 공식적인 지원 체계로 편입하여 개발 환경의 신뢰성과 확장성을 높이는 데 기여합니다.

Tier 3 플랫폼은 신뢰할 수 있는 빌드봇과 담당 코어 개발자를 갖춘 단계이지만, 이 단계에서는 장애 대응 시간은 보장되지 않습니다. 또한 빌드 실패가 Python 릴리스를 막는 것은 아니므로, 개발 과정에서 발생하는 빌드 실패가 최종 릴리스에 직접적인 영향을 미치지는 않는다는 점을 이해해야 합니다.

이러한 지원 추가는 RISC-V 기반 환경에서 CPython 사용을 더욱 용이하게 하며, 커뮤니티가 실제 RISC-V 환경에서 개발을 진행할 수 있는 기반을 강화합니다. 이는 특정 하드웨어 아키텍처를 지원하는 소프트웨어 생태계의 성숙도를 높이는 중요한 진전입니다.

Rust 프로젝트가 FFI 바인딩에서 외부 오버로드 함수를 자연스럽게 호출할 수 있도록 nightly Rust의 splat 기능을 공개하고 관련 실험을 요청했습니다. 이는 컴파일러 및 상호운용 도구 개발자들이 Rust의 기능 활용에 대한 실험을 진행할 수 있도록 하기 위함입니다.

이번 기능은 Rust 환경에서 외부 함수 호출 시 오버로딩을 더 자연스럽게 처리할 수 있게 하여 FFI(Foreign Function Interface) 바인딩의 복잡성을 줄이는 데 중점을 둡니다. 특히 외부 오버로드 함수를 Rust 코드 내에서 보다 직관적으로 다룰 수 있는 환경을 제공함으로써 상호운용성 도구의 개발에 긍정적인 영향을 미칠 것으로 기대됩니다.

2026년 7월 31일 이후 nightly Rust 버전에서는 #[rustc_splat] 어트리뷰트를 사용하여 hypot((2.0, 3...))와 같은 호출이 가능해집니다. 이 기능을 통해 개발자들은 복잡한 함수 오버로딩 상황을 FFI 환경에서 더 효율적으로 처리할 수 있게 됩니다.

이 실험은 Rust 컴파일러와 상호운용 도구 개발자들에게 새로운 기능을 테스트하고 Rust 생태계의 확장 가능성을 탐구할 기회를 제공합니다. 이는 FFI를 사용하는 프로젝트의 효율성과 안정성을 높이는 데 기여할 것입니다.

도구는 사용자의 능력을 확장하는 것을 넘어 사용자의 행동과 사고방식까지 변화시키기 때문에 중립적인 수단이 아니라는 내용입니다. 이는 도구가 단순히 결과와 분리된 중립적인 도구가 아니라, 사용자가 어떤 행동을 쉽게 선택하고 무엇을 자연스럽다고 느끼는지에 영향을 미친다는 의미를 담고 있습니다.

손에 익어 의식하지 않고 사용하는 도구일수록 사용자 자신과 하나처럼 결합하게 되며, 도구가 허용하고 제한하는 범위 안에서 사용자의 판단이 이루어집니다. 즉, 사용자는 도구의 제약과 허용 범위 내에서 사고하고 행동하게 되는 것입니다.

이러한 맥락에서 개발자와 사용자들은 도구가 제공하는 기능뿐만 아니라, 그 도구가 사용자의 인지적 과정과 행동에 미치는 영향을 고려해야 합니다. 도구의 설계가 사용자의 판단과 행동에 어떤 영향을 미치는지에 대한 깊은 이해가 필요합니다.

Direct Preference Optimization(DPO)은 쌍별 비교를 통해 정렬을 단순화하지만, 관찰된 모든 선호도가 신뢰할 수 있다고 가정합니다. 실제 데이터는 이러한 가정을 위반하는 경우가 많아, 역전되거나 약하거나 모호한 레이블이 발생하여 해로운 정책 업데이트를 초래할 수 있습니다. 이러한 문제를 해결하기 위해 본 논문은 후속 레이블 보정 DPO(Posterior Label Correction DPO, PLC-DPO)를 제안합니다.

PLC-DPO는 각 쌍의 학습 신호를 깨끗한 경우, 반전된 경우, 또는 동점인 경우로 라우팅하여 선호도를 견고하게 최적화합니다. 핵심 아이디어는 보정 조치를 취하기 위해 보정된 정책-참조 마진(policy-reference margin)을 온라인 증거로 사용하는 것입니다. 이는 노이즈가 있는 선호 학습을 의심스러운 예시를 단순히 필터링하는 것이 아니라 지도 방향과 강도를 적극적으로 수정하는 것으로 재구성합니다.

57개의 데이터셋-모델-벤치마크 셀에서 PLC-DPO는 DPO에 대해 가장 좋은 평균 승률(60.5 대 다음으로 좋은 방법의 55.5)을 달성했습니다. 추가적으로 주입 노이즈 및 동점 스트레스 테스트, 인간 불일치 분석, 자체 확인 진단 결과는 라우팅이 안정적이며 반전된 쌍과 약하게 방향성이 있는 쌍을 구별해낸다는 것을 보여줍니다.

광고 영상 생성은 단순히 비디오 합성 작업을 넘어 온라인 비즈니스 지표로 성공 여부가 측정되는 제품 조건부 추론 문제라는 점이 중요합니다. 최근 비디오 기반 파운데이션 모델들은 멀티모달 조건으로부터 사실적인 클립을 생성할 수 있지만, 제품이 효과적인 광고로 변환되는 방식이나 온라인 비즈니스 피드백을 통해 향후 생성이 어떻게 개선되어야 하는지에 대해서는 최적화하지 못합니다.

이러한 문제를 해결하기 위해 연구진은 보상 기반 에이전트 프레임워크인 AgenticGen을 제안했습니다. AgenticGen은 광고 영상 생성을 전략 선택과 초안 생성이라는 두 가지 학습 가능한 추론 단계로 분해하여 온라인 비즈니스 피드백이 감독할 수 있는 최적화 목표를 노출합니다. AgenticGen은 축적된 온라인 피드백으로부터 성능 기반 보상과 인간 품질 기준에 맞춘 보조적인 기준 기반 보상을 학습하여 정책 최적화를 감독합니다.

DPO(Direct Preference Optimization)를 통해 에이전트 정책을 온라인 선호도에 맞추고, GRPO(Generalized Reward Policy Optimization)를 사용하여 프로세스 및 결과 보상을 통해 두 단계를 추가로 정제합니다. 이러한 오프라인 실험을 통해 보상 모델과 연속적인 정책 최적화가 유효함을 입증했습니다.

실제로 틱톡 광고 시스템에서 온라인 A/B 실험을 진행한 결과, DPO와 GRPO를 거친 AgenticGen은 SFT 기준선 대비 CTR을 2.72%, CVR을 2.63%, Advv를 9.61% 향상시켰습니다. 이는 광고 영상 생성의 품질과 비즈니스 성과를 온라인 피드백을 통해 직접 최적화할 수 있음을 보여줍니다.