읽을 가치가 있는 기사만, 짧고 또렷하게.

최근 정교한 참조 추적 분야에서 기존 모델들은 주로 단일 손 조작에 초점을 맞추고 있어 실제 생활에서 흔히 볼 수 있는 양손의 민첩한 행동을 다루지 못하고 있습니다. 접촉이 풍부한 양손 조작 데이터의 부족과 접촉을 조정하는 복잡성 때문에 일반적인 양손 추적 모델을 개발하는 것은 특히 어려운 과제였습니다.

이러한 문제를 해결하기 위해 연구진은 두 가지 방법론을 제시했습니다. 첫째는 작업 범주와 인간 움직임 소스에 걸쳐 공동으로 훈련된 최초의 일반적인 양손 추적기인 DONIC이며, 이는 피드백 루프를 통해 성공적인 실행을 훈련 시연으로 재활용하는 근접 정책 최적화(PPO)와 행동 복제(Behavioral Cloning)를 결합합니다. DONIC는 객체 중심의 손별 보상을 유지하면서 각 손이 참조 접촉 역할에 따라 감독되도록 하며, 클립 중심 이점(Clip-Centered Advantages)을 사용하여 참조 의존적 이점 오프셋을 제거합니다.

둘째로, DONIC와 함께 1,575개의 시퀀스를 포함하는 229개 객체를 다루는 다중 시점 데이터셋인 BiHOI를 제시했는데, 이는 지속적인 양손 상호작용을 강조하며 재구성된 상호작용을 로봇 참조로 리타겟팅합니다. 이러한 설계들은 단일 정책이 이질적인 참조를 넘어 조정된 조작을 학습할 수 있도록 합니다.

결과적으로, 미세 조정 없이 단일 체크포인트는 보지 못한 훈련 객체에 대해 86.79%의 성공률과 홀드아웃 객체에 대해 57.32%의 성공률을 달성하며, 기존의 양손 추적 기준선보다 각각 77.36%와 45.73% 포인트 더 높은 성능을 보였습니다.

비디오 확산 트랜스포머에서 전체 3D 어텐션은 비용이 많이 듭니다. 블록 희소 어텐션은 선택된 어텐션 블록만 계산하여 이 비용을 줄이지만, 기존 방법들은 희소성 할당을 최적화할 잠재력을 간과하거나 휴리스틱 규칙에 의존합니다. 연구진은 다른 레이어와 디노이징 단계에서 어텐션을 희소화하는 것이 최종 비디오 충실도에 상당히 다른 영향을 미친다는 것을 관찰했습니다.

하지만 가장 민감한 레이어-단계 쌍의 정체는 입력에 관계없이 거의 변하지 않았습니다. 이러한 발견을 바탕으로 연구진은 훈련 없이 희소성 할당을 수행하는 방법인 ALLOT(Allocating Layer-step Latency by Output Tests)을 제안했습니다. ALLOT은 각 레이어-단계 쌍을 셀로 간주하고, 셀 프로빙과 궤적 보정을 통해 각 셀의 최종 비디오 오류 기여도를 추정합니다. 이후 측정된 레이턴시 예산 내에서 셀 밀도를 공동으로 최적화합니다.

이 방법은 기존의 선택 전략과 커널을 보존하면서 할당 구성 요소만 대체합니다. 측정된 벽시계 시간에서 ALLOT은 XAttention을 사용한 모든 비교 할당 전략보다 우수하며, HunyuanVideo에서 11.8 dB의 PSNR 이득을 달성했습니다. Wan2.1, Wan2.2, HunyuanVideo에 대한 광범위한 실험 결과, ALLOT은 아홉 가지 설정 모두에서 기본 전략보다 우수하거나 동등한 성능을 보였습니다.

파운데이션 모델 기반의 자율 에이전트는 추론, 계획, 도구 사용이 가능하지만, 고정된 가중치와 컨텍스트의 한계로 인해 장기적인 배포에서 경험으로부터 지속적인 학습을 하는 데 어려움을 겪습니다. 외부 메모리 시스템이 이러한 격차를 해소하려 시도하지만, 이는 저장된 사실이나 과거 상호작용을 회상할 수 있는지 여부에 따라 평가되는 수동적인 검색 캐시에 불과합니다. 따라서 메모리가 진정한 지속적인 학습을 이끌 수 있는지에 대한 의문이 제기됩니다.

이 논문은 메모리가 단순히 정보를 검색하는 것을 넘어 미래 행동을 개선하는지에 따라 평가되어야 한다고 주장하며 메모리 중심 지속적 학습(Memory-Centric Continual Learning, MCCL)을 제안합니다. MCCL은 세 가지 주요 구성 요소로 이루어져 있습니다. 첫째, 메모리를 저장하는 방식(substrates), 형태(assets), 관리 방식(policies)에 따라 조직하는 3차원 분류법을 제시합니다. 이는 태스크 피드백을 기반으로 관리 정책을 개선하는 외부 루프와 메모리 상태를 업데이트하는 내부 루프를 정의하는 두 개의 루프 수명 주기를 설정합니다.

둘째, 간섭 하에서의 유지, 변화 적응, 태스크 전이를 측정하는 평가 프로토콜을 통해 단순한 컨텍스트 확장이 아닌 진정한 행동적 이득을 분리합니다. 셋째, 비매개적 및 매개적 메모리 전반에 걸쳐 경험, 저장 용량, 컴퓨팅 예산에 따라 에이전트 성능이 어떻게 확장되는지를 모델링하는 메모리 스케일링 프레임워크를 제공합니다. 이 구성 요소들은 에이전트 메모리를 수동적인 검색에서 지속적인 학습으로 재정의하며, 스스로 개선하는 자율 에이전트를 향한 원칙적인 경로를 제시합니다.

LLM이 언어 범위를 확장함에 따라 다양한 문화를 얼마나 잘 이해하고 표현하는지 평가하는 것이 중요해지고 있습니다. 하지만 현재 많은 벤치마크는 영어 중심이며 문화적 범위가 제한적이고 실제 문화적 맥락에서의 적용보다는 사실 지식에 초점을 맞추고 있습니다.

이에 연구팀은 인간 커뮤니티의 참여를 통해 완전히 창작된 독창적이고 문화적으로 기반한 수수께끼 모음인 CulturalRiddles를 제안합니다. 이 벤치마크는 62개 문화(45개 국가, 51개 언어)를 포괄하며, 각 수수께끼는 해당 문화에 깊이 뿌리내리고 있어 추론 및 구성적 추론, 상세한 사실 및 사회적 지식, 그리고 문화적으로 특정한 연관성에 대한 이해를 요구합니다.

연구팀은 자동 평가와 대규모 인간 평가를 모두 사용하여 28가지 LLM 구성을 벤치마킹했습니다. 그 결과, 최첨단 모델조차도 일부 커뮤니티에서 최대 22%의 정확도만을 달성했습니다. 이들은 벤치마크의 언어적 및 문화적 범위를 확장하기 위해 모든 결과물을 공개하고 오픈 기여 프로세스를 통해 추가적인 기여를 환영합니다.

최근의 세계 행동 모델은 로봇 조작을 위한 시각적 예측과 미래 예측 능력을 제공하지만, 구성적 기술 재사용을 위한 명시적인 메커니즘이 부족하다는 한계가 있습니다. 에이전트 로보틱스는 코드 기반 계획 및 추론과 재사용 가능한 기술을 결합하지만, 물리적 역학에 대한 예측적 기반이 부족한 경우가 많습니다. 이에 본 연구는 코드 기반 계획을 영상 및 행동 예측과 통합하는 에이전트 세계 행동 모델 프레임워크인 AW-0을 제안합니다.

AW-0은 코드 기반 계획을 조인트 비디오 및 행동 예측과 통합하며, 코드, 미래 비디오, 로봇 행동을 통합된 혼합 트랜스포머 아키텍처 내의 세 가지 결합된 생성 스트림으로 모델링합니다. 이 아키텍처 내에서 코드 전문가가 매개변수화된 기술 루틴과 제어 논리를 생성하고, 비디오 및 행동 전문가는 미래 시각 상태와 저수준 모터 명령을 생성합니다. 코드는 세계 모델 내의 다단계 예측 및 제어를 구조화하고 후속 에이전트 실행을 위한 재사용 가능한 프로그램으로 기술하는 두 가지 상호 보완적인 역할을 수행합니다.

또한, 자동화된 큐레이션 파이프라인을 도입하여 로봇 및 인간 비디오 궤적에 정렬된 프로그램을 레이블링하고 반복되는 루틴을 재사용 가능한 기술 라이브러리로 통합합니다. RoboTwin 2.0 및 물리적 양손 조작 작업에 대한 평가 결과, VLA 및 WAM 기준선보다 향상된 작업 성능과 더불어 언어 추적, 의미론적 추론, 견고성에서 이점을 보였습니다. 이는 에이전트 코드가 WAM 내에서 계획, 예측 및 실행 간의 연결을 가능하게 함을 입증합니다.

최신 인공지능 시스템은 고정된 매개변수로 출시되어 외부 업데이트를 통해 개선되지만, 이상적인 시스템은 자체 경험을 통해 지속적으로 개선하는 재귀적 자기 개선(RSI) 능력을 갖추어야 합니다. 그러나 RSI를 연구하기 위해서는 지속적으로 변화하고 객관적으로 검증 가능하며 자연스럽게 기반이 되는 환경이 필요하며, 이는 에이전트 진화에 근본적인 도전을 제기합니다.

이러한 문제를 해결하기 위해 연구진은 미래 사건 예측에 기반한 지속 가능한 진화 에이전트 시스템인 DeepEvolve를 소개합니다. DeepEvolve는 에이전트가 동적으로 진화하는 환경과 지속적으로 상호작용하며 상호작용을 통해 얻은 경험을 내재화하고 외재화함으로써 개선하는 시스템입니다. 살아있는 환경이 검증 가능한 작업을 합성하고 재귀적 진화 엔진이 예측 뒤에 숨겨진 추론 궤적을 능력으로 전환하며, 탐색과 예측을 분리하고 재사용 가능한 기술을 정제하여 에이전트가 제한된 환경에서 진화할 수 있도록 돕습니다.

외부 FutureX 리더보드에서 이 시스템은 실시간으로 업데이트되는 실제 결과에 대한 예측을 평가했으며, 세 주 동안 모든 시스템 중 1위를 차지하고 최대 195%의 점수 향상을 달성했습니다. 또한, 합성 평가 결과에서 이 시스템은 네 가지 기본 LLM 중 상위 세 곳에 랭크되었으며 가장 강력한 기준 모델보다 최대 10.7 브래들리-테리 점수를 더 높은 것으로 나타났습니다.

이러한 결과는 자기 개선을 위해 구축된 시스템은 진정한 살아있는 개방형 환경과 공동으로 진화하는 에이전트로 이해되어야 함을 시사합니다. 이는 정적인 데이터로 정적인 모델을 훈련하는 방식에서 벗어나, 에이전트가 자신의 경험으로부터 더 강해지는 것을 추구하며 그러한 개방형 세계를 성장의 필수적인 기반으로 삼아야 한다는 변화를 의미합니다.

에이전트 하네스는 현대 에이전트 시스템에서 도구 사용, 컨텍스트 관리, 장기 상호작용을 형성하는 핵심 요소가 되었습니다. 이러한 하네스의 이점을 실현하는 것은 모델이 하네스를 얼마나 효과적으로 활용하느냐에 달려 있으며, 이는 하네스를 통해 직접적으로 강화 학습을 유도합니다. 그러나 기존 접근 방식은 일반적으로 단일 고정된 하네스를 통해 훈련하기 때문에 특수화가 발생하고 하네스 구성 간의 전이가 제한되는 문제가 있었습니다.

이러한 한계를 해결하기 위해 본 연구는 에이전트 강화 학습을 위한 새로운 스케일링 차원인 하네스 스케일링(Harness Scaling)을 도입했습니다. 이는 단일 하네스에서 다양한 실행 구성으로 훈련 범위를 확장하는 방법입니다. 구체적으로, 연구진은 인수분해된 하네스 공간을 구축하고, 균형 잡힌 순열 커버리지를 가진 간결한 훈련 부분 집합을 선택하며, 동일한 작업에 대해 전역 커버리지와 통제된 변형을 결합하는 방식으로 교차 하네스 훈련을 조직했습니다.

다양한 벤치마크, 모델 규모, 강화 학습 알고리즘 전반에 걸쳐 하네스 스케일링은 보지 못한 화이트박스 구성에 대한 일반화를 일관되게 개선했습니다. 또한, 구조화된 화이트박스 변형 전이를 통해 훈련된 모델은 보지 못한 외부 블랙박스 하네스에도 효과적으로 전이되어 단일 복잡한 블랙박스 하네스로 훈련된 모델보다 성능이 우수했습니다.

이러한 결과는 하네스 다양성이 에이전트 강화 학습을 위한 의미 있는 스케일링 차원임을 입증하며, 이러한 다양성이 교차 하네스 일반화에 어떻게 조직되는지가 매우 중요함을 강조합니다.

경계 분류 작업은 지연 시간과 의미론적 정확도 사이의 상충 관계에 직면해 있습니다. 시그니처 엔진은 빠르고 형식 안전하지만 보지 못한 공격에는 취약하며, 생성 모델은 의미론적이지만 느리고 해석 불가능한 출력을 생성합니다. 2026년 말에 TypeSafe Jev나 Microsoft-Decision-1 같은 상업용 시스템 원(System One) 모델들이 이진 게이트, 닫힌 집합 선택, 순위 점수와 같은 타입화된 의사결정 기본 요소를 제품 API로 판매하기 시작했지만 학술적인 연구는 부족했습니다.

이에 본 연구는 이러한 기본 요소를 출력하는 소규모 멀티헤드 네트워크인 VX-One을 제시합니다. VX-One은 100K~10M개의 파라미터를 가지며, 보정된 게이트, 명시적인 미지 옵션을 포함하는 선택, 순위 점수를 출력합니다. 이 모델은 온도 보정되어 있으며 CPU에서 약 0.7~1.7ms의 p50 지연 시간을 보입니다.

연구 결과, VX-One은 UNSW-NB15에서 탐지 성능(AUROC/FPR@95%TPR)에서 XGBoost 등 다른 방법보다 우위를 보였으나, 다중 클래스 귀속에서는 XGBoost가 더 좋았습니다. 또한, 누락된 가족(leave-one-family-out) 게이트는 보지 못한 가족을 탐지했지만, CIC 재구성 가족에서는 성능이 떨어졌으며 추상 임계값은 벤치마크 전반에 걸쳐 제대로 전달되지 않았습니다.

특히, 시간적 드리프트 하에서 보정 능력은 붕괴되었으며, 모든 방법에서 ECE(Expected Calibration Error)가 0.04에서 0.40으로 증가했습니다. 이는 보정된 결정이 경계 분류에 도움이 되는 영역과 실패하는 영역을 측정하는 데 중요한 맥락을 제공합니다.

세계 모델은 시각적 표현을 예측과 행동으로 전환하며, 이 시각적 기반은 물리 상태 정보, 자연어 정렬, 픽셀 재구성을 결합해야 예측, 지시, 검사를 모두 지원할 수 있다고 주장합니다. 그러나 기존 인코더들은 이러한 능력 중 하나 또는 두 가지에만 특화되어 있어 통합적인 표현을 제공하지 못합니다. 이에 연구진은 모든 세 가지를 단일 패치 토큰 세트로 통합하는 사전 학습된 시각 상태 인코더인 ALPS를 소개합니다.

ALPS는 정지 이미지와 텍스트만을 사용하여 언어, 재구성, 공간 일치 목표로 ViT-B/16을 처음부터 사전 학습하고 교차 시점 자기 증류를 통해 정제합니다. 이 통합 평가에서 ALPS는 15개의 공개 인코더 전반에 걸쳐 ViT-B 모델 중 가장 낮은 누적 LIBERO 상태 탐색 오류를 달성했으며, 강력한 언어 정렬과 정확한 픽셀 재구성을 유지했습니다.

추가적으로, 고정된 ALPS 토큰은 자체 텍스트 타워와 결합했을 때 LIBERO에 대한 평균 정책 성공률 85.5%를 기록했습니다. 또한 ALPS는 PushT, Wall, Granular에 걸친 세계 모델 계획에서 선도 인코더와 동등하거나 그 이상을 달성하며, 예측된 미래 토큰을 시각적 검사를 위해 픽셀로 직접 디코딩할 수 있게 합니다.

이 연구는 시각적 사전 학습을 세계 모델에서 이해, 예측, 행동을 위한 공유 기반으로 확립하는 데 기여할 것으로 기대됩니다.

신경 음성 코덱은 음성 생성을 위해 이산 토큰을 제공하지만, 프레임 레이트를 낮추면 토큰 시퀀스가 짧아지므로 각 토큰이 더 많은 언어적 및 음향 정보를 담아야 하는 상충 관계가 발생합니다. 이 문제를 해결하기 위해 본 연구는 X-Codec-2를 기반으로 하며 정확한 발화 단위 예산과 스트리밍 디코딩을 갖춘 가변 프레임률 음성 코덱인 RubatoCodec을 제시합니다.

RubatoCodec은 적응형 발화(Adaptive Firing) 메커니즘을 사용하여 코덱 특징과 파형 스펙트럼 변화를 통해 학습된 경계 예측자 없이 음성을 가변 지속 시간 이벤트로 분할합니다. 이산 코드와 명시적인 지속 시간을 통해 각 이벤트를 표현함으로써 음성 생성기가 한 번에 하나의 이벤트를 예측하고 디코딩할 수 있게 합니다.

실험 결과, 적응형 할당은 낮은 이벤트율에서 재구성 충실도와 이해도 모두에서 고정률 코딩보다 우수한 성능을 보였습니다. 또한, 다국어 음성에서 훈련된 모델은 영어, 일본어, 중국어 전반에 걸쳐 경쟁적인 재구성 품질을 달성했으며, 비교된 코덱 중 영어 및 일본어 벤치마크에서 가장 높은 이해도 보존을 보여주었습니다.

이러한 결과는 적응형 음성 표현이 고품질 재구성뿐만 아니라 스트리밍 텍스트-음성 생성도 지원함을 입증합니다. 음성 생성기는 생성 시간의 속도 제약 없이 코덱의 발화 단위 예산을 학습할 수 있어 고품질 재구성 및 스트리밍 텍스트-음성 생성을 동시에 지원합니다.

오토회귀 비디오 확산 모델은 비록 그럴듯한 연속성을 생성하지만 장면의 진화 과정을 포착하지 못하는 한계가 있습니다. 특히 교사 강제(teacher forcing) 조건 하에서는 강한 시간적 중복성이 현재 청크 디노이징을 위한 지름길로 작용하여 시각적 진화를 모델링해야 하는 압력이 줄어들 수 있습니다.

이러한 문제를 해결하기 위해 본 연구는 미래 청크 예측(Future Chunk Prediction, FCP)이라는 보조 목표를 도입했습니다. FCP는 중간 시각적 맥락에 접근하지 않고 시간적으로 분리된 청크를 예측하며, 교사 강제 디노이징과 공동으로 최적화됩니다. FCP는 추가적인 사전 학습된 시각 인코더를 필요로 하지 않으며 오토회귀 추론 과정에는 변화를 주지 않습니다.

FCP는 훈련 비디오에서 직접적인 감독 신호를 사용하여, 표준 교사 강제 오토회귀 훈련보다 더 우수한 물리적 타당성을 달성하면서도 전체 훈련 컴퓨팅 예산을 낮춥니다. 이는 시각적 진화를 모델링하는 데 있어 미래 청크 감독이 효과적이고 효율적임을 보여줍니다. 흥미롭게도 이 방법은 더 구조화된 표현 공간을 촉진하여 오토회귀 월드 모델을 구축하는 데 유용할 수 있음을 시사합니다.

이 PHP 취약점에는 쉬운 익스플로잇 방법이 존재하지 않습니다. 많은 PoC(Proof of Concept) 익스플로잇 코드가 GitHub에 공개되어 있지만, 이들은 순수한 PHP 인스턴스에서는 작동하지 않습니다. 공격자들이 익스플로잇을 성공시키기 위해서는 로컬 파일 포함(LFI)과 같은 취약점을 악용해야 하며, 서버가 이미 다른 취약점(예: /etc/password 파일을 읽을 수 있는 권한)을 가지고 있어야 한다는 까다로운 전제 조건이 필요합니다.

이러한 상황은 LLM(대규모 언어 모델)이 익스플로잇을 즉시 생성할 수 있다는 오해를 낳고 있습니다. 일부 사용자는 LLM이 익스플로잇 체인을 즉시 구축할 수 있다고 믿지만, 실제로는 LLM이 판단을 대신 내리는 과정에서 논리적 오류가 발생하고 있습니다. 이는 AI가 설계 결정의 주체가 되면서 발생하는 현상으로, 특정 해결 방법이 지나치게 많이 제시되는 '결정 셸링 포인트' 현상으로 나타납니다.

이러한 취약점은 Log4Shell이나 Heartbleed와 같은 다른 심각한 취약점과는 달리 쉽게 악용되지 않기 때문에 대규모 시스템 마비로 이어질 가능성은 낮습니다. PHP 코어 팀은 패치 직후 익스플로잇이 나타날 것이라고 경고했으나, 실제로는 익스플로잇이 등장하기까지 시간이 걸립니다. 따라서 개발자들은 LLM이 제공하는 정보에 의존하기보다 취약점의 실제 악용 난이도와 맥락을 신중하게 판단해야 합니다.

Anthropic이 새로운 프로액티브 에이전트 앱인 Claude Duet의 연구 미리보기를 공개했습니다. Claude Duet은 사용자가 관리하기 어려운 많은 결정과 업무를 처리하는 전문가 및 소규모 사업주를 위해 설계되었으며, 사용자의 주의를 끌고, 요청된 작업을 완료하며, 사용자가 자리를 비운 후에도 계속 작동하고, 행동하기 전에 사용자에게 확인하는 방식으로 작동합니다.

이 에이전트는 Claude Opus 5.5를 기반으로 판단 능력을 갖추고 있으며, 사용자가 시간과 에너지를 어디에 집중해야 할지 우선순위를 정하도록 돕습니다. 매일 아침 연결된 앱 전반의 가장 중요한 항목에 대한 간략한 요약을 제공하며, 사용자가 회의 일정 잡기 같은 단순한 관리 업무부터 대시보드 구축, 재무 예측, 웹 앱 프로토타이핑과 같은 복잡한 작업까지 위임할 수 있습니다.

Claude Duet은 보안과 신뢰성을 최우선으로 설계되었으며, 에이전트의 보안 및 개인 정보 보호에 대한 Anthropic의 프레임워크를 활용합니다. 이 에이전트는 사용자 비밀번호나 로그인 토큰을 직접 보지 않으며, 모든 행동은 자동 모드 분류기를 통해 승인됩니다. 또한, 민감한 정보 유출을 방지하기 위해 새로운 분류기와 안전 시스템 프롬프트가 도입되어 신용카드 번호나 정부 신분증과 같은 가장 엄격한 정보 공유 요청을 거부하도록 설계되었습니다.

개발자들은 Claude Duet이 Claude Code나 Claude in Chrome과 같은 다른 에이전트 시스템과 어떻게 통합되는지, 그리고 이러한 안전장치가 어떻게 구현되었는지에 대한 세부 사항을 확인하여 에이전트 시스템의 신뢰성과 보안을 이해할 수 있습니다. 이 기능은 현재 Pro 및 Max 구독자에게 연구 미리보기 형태로 제공되며 대기자 명단에 등록하여 접근할 수 있습니다.

컴파일러가 프로그래밍마저 끝내도록 설계되었다는 주장이 제기되고 있습니다. 1954년 IBM이 FORTRAN이 코딩과 디버깅을 거의 완전히 없앨 것이라고 주장했던 것처럼, 자동화된 프로그래밍이 코딩의 한 단계를 제거해 왔습니다. 당시 어셈블러와 컴파일러는 사용자가 원하는 것을 기계가 작성하게 하여 코딩의 고된 부분을 없애고 개발자들이 더 큰 문제에 집중하게 만들었습니다.

이러한 흐름은 인공지능 에이전트의 등장으로 더욱 가속화되고 있습니다. 2031년의 시나리오에서 AI 에이전트들은 개발자가 정리한 작업량의 백로그를 처리하며 테스트와 피드백을 포함한 풀 리퀘스트를 생성합니다. 특히, 카드 만료와 같은 모호한 상황에 대한 규칙을 스스로 결정하지 못하고 질문을 던지는 에이전트의 사례는, 개발자가 코드를 작성하는 대신 요구사항을 명확히 하고 규칙을 정의하는 역할로 변화하고 있음을 보여줍니다.

결국 소프트웨어 개발의 초점은 코드를 타이핑하는 것에서 무엇이 존재해야 하는지를 결정하고, 이를 기계가 구축할 수 있도록 명확하게 설명하며 결과물을 검증하는 것으로 이동하고 있습니다. 이러한 변화는 코드를 읽는 것이 경력이 되는 시대가 될 것이며, 에이전트가 작성한 코드와 테스트, 위험한 부분을 검토하는 역할이 중요해질 것입니다.

이러한 변화는 개발자에게 더 많은 시간을 코딩에서 벗어나 시스템의 설계와 검증에 할애하도록 요구합니다. 앞으로는 코드에 누가 작성했고, 누가 검토했으며, 무엇이 실제로 확인되었는지에 대한 레이블이 모든 변경 사항에 붙게 될 것이며, 이는 소프트웨어 검증 엔지니어와 같은 새로운 직업의 필요성을 증대시킬 것입니다.

DuckDB 버전 2.0.0 LTS가 "Cinnamon Teal"이라는 코드명으로 출시되었으며, 이는 이전 버전보다 기능 중심의 대규모 업데이트를 의미합니다. 이번 릴리스는 DuckDB 1.5 이후 약 2만 건의 커밋을 통해 이루어졌으며, 정제된 Quack 프로토콜, 비동기 I/O, VARIANT 타입 등 핵심 기능들이 추가되어 성능과 유연성이 크게 향상되었습니다.

새로운 버전에서는 데이터 처리의 병렬성을 높이기 위해 비동기 I/O가 도입되어 Parquet 및 CSV 파일 읽기 속도가 빨라졌으며, 객체 스토리지(예: s3://)에 대한 원격 읽기 시 훨씬 더 많은 병렬 처리가 가능해졌습니다. 또한, VARIANT 타입이 JSON과 같은 반정형 데이터를 컬럼 기반 실행의 성능을 유지하면서 처리할 수 있게 되어 데이터 모델링의 유연성이 극대화되었습니다.

DuckDB는 서버 기능도 강화하여 Quack 프로토콜을 통해 원격 데이터베이스에 연결하고 쿼리를 푸시다운하는 기능을 지원합니다. CLI에서는 -serve 및 -connect 인수를 통해 클라이언트-서버 쌍을 쉽게 설정할 수 있으며, 이는 PostgreSQL이나 MySQL과 같은 다른 데이터베이스와의 상호 운용성을 개선합니다.

이 버전은 장기 지원(LTS)으로, 최소 2027년 10월까지 지원이 보장됩니다. 개발자는 마이그레이션을 위해 새로운 기능과 변경 사항을 확인하고, 특히 이전 버전에서 사용되던 단일 화살표 람다 구문과 같은 일부 구문은 기본적으로 비활성화되었음을 인지해야 합니다.

eMudhra 로그인 우회에 관한 보안 이슈가 보고되었습니다. 이는 eMudhra 시스템 접근에 대한 인증 절차를 우회할 수 있는 취약점이 존재함을 의미합니다.

해당 내용은 개발자 및 시스템 관리자에게 중요한 보안 맥락을 제공합니다. 로그인 우회 취약점은 시스템 접근 통제에 심각한 영향을 미칠 수 있으므로 즉각적인 보안 검토가 필요합니다.

구체적인 취약점의 세부 사항과 영향 범위에 대해서는 원문을 통해 확인해야 합니다. 관련 정보를 바탕으로 시스템 보안 강화 방안을 모색해야 합니다.

미국 지방 법원 판사는 샘 알트만(Sam Altman)의 누나인 앤 알트만(Ann Altman)이 제기한 소송을 기각했습니다. 이 소송은 알트만의 형인 OpenAI CEO 샘 알트만이 그녀를 어린 시절 동안 성적으로 학대했다는 주장을 제기한 것이었습니다.

판사는 앤 알트만이 지난 1년간 독립적인 의료 검진에 출석하지 않았거나 다른 기한을 지키지 않았다고 판단하여 소송을 기각했습니다. 이는 법원이 소송 진행 과정에서 필수적인 절차 이행이 이루어지지 않았음을 근거로 판단했기 때문입니다.

소송이 제기되었을 당시 샘 알트만과 그의 가족들은 앤이 가족에 대해 깊고 사실과 다른 주장을 했다고 밝혔습니다. 법원의 기각 결정은 소송의 실체적 쟁점보다는 절차적 요건 미비에 초점을 맞추고 있습니다.

Anthropic은 인공지능 안전에 관한 법안을 제시했는데, 이 법안은 모델이 50명 이상의 생명을 위협하거나 10억 달러 이상의 재산 피해를 초래할 수 있는 경우 모델의 출시를 막을 수 있도록 하는 내용을 담고 있습니다. 이 위험은 생물학 무기 생성, 개발자 통제 회피, 사이버 공격 등에서 비롯될 수 있다고 명시되어 있습니다.

이 제안에 따라 모델의 잠재적 재앙 위험을 분석하기 위해 미국 상무부에 등록된 '독립 평가자'를 활용할 수 있습니다. 평가자들은 AI 연구소로부터 보수를 받을 수 있지만, 그 보수는 평가 결과에 따라 달라지지 않아야 합니다. 만약 평가자가 임박한 재앙적 위험을 판단하면 상무부에 72시간 이내에 통보하고, 상무부는 출시를 중단하기 위해 워싱턴 D.C. 판사의 요청을 해야 합니다.

이 법안은 연방 기관이 자체적으로 모델 배포를 중단할 재량을 갖지 못하도록 명시하며, 이는 정부의 개입과 사법적 심사를 통해 안전을 확보하려는 시도입니다. 이는 AI 개발사들이 정부의 의무적인 감독에 저항해 왔던 맥락에서, 자발적인 평가자 시스템을 통해 위험을 관리하려는 접근 방식입니다.

스페이스X와 테슬라 이사회는 합병 가능성을 검토하기 위해 독립 이사들로 구성된 특별 위원회를 각각 구성했습니다. 일론 머스크는 자신이 이해 상충 당사자이므로 이 위원회 논의에 참여할 수 없다고 밝혔습니다.

이 특별 위원회는 독립 이사들로 구성되어 있으며, 테슬라 이사회에는 로빈 덴홈 등 여러 독립 이사들이 참여하고 있습니다. 스페이스X 역시 보상 및 지명 위원회 의장을 포함하여 독립 이사 6명이 참여하고 있습니다.

합병에 대한 지지 확보는 중요한 과제인데, 스페이스X는 머스크가 50% 이상의 의결권을 가지고 있어 주주들의 지지를 얻기가 비교적 용이합니다. 반면 테슬라는 모든 주주의 50% 동의가 필요하다는 점에서 더 큰 장벽이 있습니다.

머스크는 슈퍼 인텔리전스 특이점 시대에 이 두 회사를 결합하는 것이 AI 소프트웨어, 로봇공학, 스페이스X의 AI 데이터 센터 프로젝트인 스타마인드, 그리고 테슬라와 스페이스X 간의 칩 제조 프로젝트인 테라팹을 협력하여 얻을 수 있는 큰 이점이 있다고 언급했습니다.

PingCAP이 TiDB Cloud의 전체 제어 평면(control plane) 데이터 유출 사실을 공개했습니다. 이 유출은 총 10.6 테라바이트에 달하며, 고객 데이터, 금융 정보, 소스 코드, 그리고 인프라 연결 기록 등이 포함되어 있습니다.

공개된 자료에 따르면, 공격자들은 고객의 데이터베이스 내용, API 키, 서버 IP 주소, 그리고 수많은 고객의 SQL 문장 등 민감한 정보를 확보했습니다. 특히 180,046개의 테넌트 조직 정보와 115,308개의 평문 고객 API 키가 유출되었으며, 고객들이 사용한 AWS 비용 데이터와 CRM 정보까지 포함되어 있습니다.

이러한 유출은 PingCAP이 다중 테넌트 플랫폼을 운영하고 있음에도 불구하고 클라우드 서비스의 광범위한 보안 감시가 부족했음을 시사합니다. 공격자들은 PingCAP의 자체 파이프라인을 이용하여 거의 두 달 동안 운영 데이터베이스를 주기적으로 복제하고 데이터를 외부로 전송했습니다.

해당 유출 자료에는 고객의 SQL 문장, AWS 지출 내역, HubSpot 및 Stripe와 같은 상업적 데이터, 그리고 413개의 비공개 리포지토리를 포함한 소스 코드가 포함되어 있어, TiDB Cloud 사용자 및 관련 인프라 보안에 심각한 영향을 미칠 수 있습니다.