읽을 가치가 있는 기사만, 짧고 또렷하게.

YC가 찾는 유망한 창업가는 무언가를 잘 만들고 꾸준히 만들어온 사람으로 정의됩니다. 따라서 대학은 별도의 창업 교육을 제공하기보다는 제품 제작에 필요한 깊은 지식을 가르치는 데 집중해야 합니다.

구체적으로 컴퓨터과학, 기계공학, 분자생물학 등 제품 제작에 필수적인 깊은 기술 지식을 교육해야 한다는 주장입니다. 이는 창업가에게 필요한 실질적인 문제 해결 능력과 기술적 기반을 제공하는 것이 중요함을 시사합니다.

대학이 변화해야 할 핵심은 학생들이 창업을 현실적인 선택지로 인식하도록 만드는 것입니다. 이를 위해서는 교실 밖에서 다양한 경험과 네트워킹을 통해 창업에 대한 인식을 확장할 수 있도록 지원해야 합니다.

생산형 AI 에이전트의 실패는 추론 능력 부족보다 대화 기록, 긴 프롬프트, 도구 정의, 방대한 도구 출력 등 추론 컨텍스트를 관리하지 못하는 데서 비롯된다는 주장이 제시됩니다. 에이전트는 대화가 진행될수록 자체 기록을 축적하며 토큰 비용이 증가하고, 이로 인해 대화 내외에서 필요한 정보를 놓치는 문제가 발생합니다. 기존의 접근 방식은 이를 단순한 저장 및 검색 문제로 취급하지만, 본 논문은 컨텍스트 관리를 단순한 저장소가 아닌 생명 주기(lifecycle) 문제로 재정의해야 한다고 주장합니다.

이러한 에이전트 컨텍스트 관리(Agentic Context Management, ACM)는 기억하고, 추출하고 구조화하며, 보존성을 유지하면서 압축하고 잊는 일련의 과정을 포괄합니다. ACM은 건축(architecting), 수집(ingesting), 범위 설정(scoping), 예측(anticipating), 그리고 압축 및 통합(compacting & consolidation)이라는 다섯 가지 기본 원리로 분해됩니다. 이는 에이전트가 현재 무엇을 기억하고, 무엇이 관련 있으며, 다음에는 무엇이 필요할지 예측하며 컨텍스트를 예산 내에서 압축하는 것을 목표로 합니다.

연구진은 이러한 관리의 경제적 측면을 분석하며, 단순한 컨텍스트 축적은 대화 길이에 따라 비용이 제곱으로 증가한다고 지적합니다. 또한, 단순 요약은 정확도 저하를 감수해야 하며, 오직 검증된 압축만이 충실도를 유지하면서 선형 비용으로 관리할 수 있음을 입증합니다. 실제로 Maximem Synap이라는 구현체는 이 다섯 가지 기본 원리를 다중 테넌트 서비스로 실현하여 LongMemEval에서 92%, LoCoMo에서 93.2%의 성능을 보고했습니다.

이 연구는 에이전트 시스템이 직면하는 새로운 차원의 문제인 지연 시간, 토큰 효율성, 컨텍스트 부식 저항성, 그리고 조직 수준의 컨텍스트 관리의 필요성을 강조하며 향후 연구 방향을 제시합니다.

호주에서 소셜 미디어 금지 조치 이후 16세 미만 청소년들의 사용량이 증가했다는 데이터가 나왔습니다. 이는 세계 최초로 소셜 미디어 사용을 금지한 호주 법안이 실제로 사용 행태에 미치는 영향을 보여줍니다.

부모 통제 소프트웨어 회사인 Qustodio가 제공한 데이터에 따르면, 법적 제한이 처음 시행되었을 때는 청소년들의 소셜 미디어 사용량이 전반적으로 감소했으나, 이후 활동은 다시 증가하여 일부 앱의 경우 금지 이전 수준에 근접했습니다. 특히 10~12세와 13~15세 청소년들의 틱톡, 인스타그램, 스냅챗 사용량이 증가하는 추세가 관찰되었습니다.

틱톡의 경우 13~15세 사용자의 25.9%가 여전히 앱을 사용하고 있으며, 이는 금지 이전보다 불과 1%p 낮은 수치입니다. 전문가들은 이러한 데이터가 사용자들이 VPN을 이용하거나 나이를 숨기는 방식으로 플랫폼에 접근했을 가능성을 시사하며, 이는 규제가 실제로 효과를 발휘하지 못하고 있음을 의미합니다.

또한, 금지 대상에서 제외된 메시징 플랫폼인 왓츠앱으로의 사용도 증가했는데, 이는 규제가 특정 플랫폼에만 국한되어 적용될 때 사용자들의 행동이 다른 경로로 전환될 수 있음을 보여줍니다. 호주 당국은 이 금지 조치가 온라인 괴롭힘과 "약물 중독적인 알고리즘"으로부터 아동을 보호하기 위한 것이라고 밝혔습니다.

Qwen3.8-Flash-Next 모델이 차세대 Qwen4 아키텍처를 기반으로 한 멀티모달 MoE 모델로 정식 공개를 앞두고 있습니다. 이는 향후 출시될 Qwen4 모델군에 커뮤니티가 대비할 수 있도록 아키텍처 개선 사항을 미리 선보이는 목적을 가지고 있습니다.

이번에 공개된 기본 모델은 Qwen/Qwen3.8-Flash-Next이며, 이는 개발자들이 다음 세대 모델의 변화를 예측하고 준비하는 데 중요한 기반 정보를 제공합니다. 특히 멀티모달 MoE 구조를 채택했다는 점은 모델의 효율성과 기능 확장성에 대한 새로운 접근 방식을 제시합니다.

개발자들은 이 사전 공개된 아키텍처 개선 사항을 통해 Qwen4 모델의 발전 방향을 이해하고 향후 모델 개발에 필요한 대비책을 마련할 수 있습니다. 따라서 Qwen3.8-Flash-Next는 단순한 모델 공개를 넘어 차세대 AI 모델 생태계에 대한 기술적 로드맵을 제시한다는 점에서 주목할 만합니다.

Emacs 31.1 버전은 단일 대형 기능보다는 완성 기능, 창 관리, Tree-sitter, VC, 터미널 사용성을 폭넓게 개선하는 데 중점을 두었습니다. 이와 함께 새로운 가비지 컬렉터 도입은 Emacs 32로 연기되었습니다.

특히 호환 터미널 환경에서 마우스가 기본으로 활성화되며 TTY 자식 프레임, 툴팁, 24비트 색상을 지원하여 터미널 사용성이 크게 향상되었습니다. 또한 완성 UI는 즉시 표시되고 갱신되어 사용자 경험이 개선되었습니다.

이러한 개선 사항들은 개발자들이 Emacs 환경에서 코딩 및 터미널 작업을 수행할 때의 효율성과 편의성을 높이는 데 기여합니다. 새로운 기능들은 Emacs 31.1을 사용하는 사용자들에게 더욱 직관적이고 풍부한 상호작용 환경을 제공합니다.

로보틱스 스타트업 제너럴리스트(Generalist)가 추가 자본 유치를 통해 현재 30억 달러의 기업 가치를 달성했다고 소식통이 전했습니다. 이는 6월에 Radical Ventures가 주도한 4억 달러 규모의 시리즈 B 투자 이후 약 200백만 달러의 자본을 추가로 확보한 결과이며, 총 투자금은 6억 달러에 달합니다.

제너럴리스트는 구글 딥마인드 출신 연구원들과 보스턴 다이내믹스의 엔지니어 등으로 설립되었으며, 다양한 로봇이 새로운 작업을 비디오 시연만으로 마스터할 수 있는 AI 기반의 기초 모델을 개발하고 있습니다. 특히 최신 모델인 Gen 1.5는 3초에서 12초 길이의 비디오 시연을 통해 로봇이 새로운 작업을 습득할 수 있게 합니다.

이러한 자금 유입은 로보틱스가 곧 'ChatGPT 순간'에 도달할 수 있다는 투자자들의 기대를 반영하며, 로봇이 명시적인 훈련 없이 일반적인 작업을 수행할 수 있게 될 것이라는 전망을 뒷받침합니다. 하지만 일부 벤처 캐피탈리스트들은 로봇이 대규모 언어 모델(LLM)처럼 인터넷 전체 데이터를 훈련할 수 없기 때문에 진정으로 일반적인 로봇 모델을 구축하는 데는 아직 시간이 더 필요할 수 있다고 경고합니다.

뇌가 오젬픽과 같은 변화를 맞이할 수도 있다는 내용이 기사에 담겨 있습니다. 이는 뇌가 대사 및 신체 상태에 있어 중대한 변화를 겪을 가능성을 시사하며 과학계의 주목을 받고 있습니다.

이 기사는 뇌의 기능과 대사 시스템이 어떻게 변화할 수 있는지에 대한 잠재적인 가능성을 탐구합니다. 구체적으로 어떤 메커니즘을 통해 이러한 변화가 발생할 수 있는지에 대한 과학적 근거와 이론들이 제시됩니다.

이러한 연구 결과는 단순히 생물학적 현상을 넘어 인지 기능, 신체 조절, 그리고 의학적 치료에 미칠 광범위한 영향을 고려해야 합니다. 따라서 뇌의 대사 변화가 인간의 삶과 건강에 어떤 실질적인 의미를 가지는지 이해하는 것이 중요합니다.

.env 파일을 .gitignore에 포함시키는 방식은 비밀값을 Git에 커밋하는 것을 방지할 수는 있지만, 로컬 프로젝트 파일에 평문으로 남아 있는 비밀값을 AI 에이전트가 읽는 것을 막지는 못합니다. 이러한 보안 문제는 이제 Git 커밋을 넘어 프로젝트 파일과 명령 실행 환경에 접근할 수 있는 AI 에이전트의 등장으로 인해 더욱 심각해졌습니다.

개발자들이 흔히 사용하는 .env 파일이나 셸 기록, MCP 설정 등 민감한 정보가 프로젝트 내에 평문으로 노출되어 AI 에이전트에게 유출될 위험이 존재합니다. 이는 단순히 버전 관리 시스템을 통한 유출 방지를 넘어, AI 에이전트가 시스템 환경에 접근하여 민감한 정보를 취득하고 명령을 실행할 수 있는 새로운 위협을 의미합니다.

따라서 개발 환경에서 민감한 정보가 AI 에이전트에게 노출되지 않도록 하기 위해서는 파일 시스템 접근과 명령 실행 환경에 대한 통제 방안을 추가적으로 고려해야 합니다. 이러한 환경적 접근 통제 없이는 기존의 .gitignore 방식만으로는 AI 에이전트의 잠재적 위협을 완전히 차단하기 어렵습니다.

OpenAI가 Broadcom과 공동 설계한 범용 LLM 추론 ASIC인 Jalapeño가 엔비디아 Blackwell보다 높은 전력당 처리량을 기록하며 주목받고 있습니다. 이 칩은 초기 A0 실리콘만을 사용하여 여러 오픈 모델에서 뛰어난 효율성을 입증했으며, Rubin의 공개 결과까지 앞서는 성과를 보였습니다.

Jalapeño는 HBM4와 단순화된 메모리 및 네트워크 구조를 채택하여 작은 행렬에서도 매우 효율적인 코어 연산을 가능하게 합니다. 이러한 설계는 LLM 추론 작업에서 전력 효율성을 극대화하는 데 중점을 두었으며, 이는 대규모 모델 운영에 있어 중요한 이점을 제공합니다.

이러한 기술적 진보는 LLM 추론 칩 설계에서 새로운 효율성 기준을 제시하며, 향후 AI 하드웨어 경쟁에 중요한 영향을 미칠 것으로 예상됩니다. Jalapeño는 고성능과 전력 효율성이라는 두 마리 토끼를 모두 잡으려는 노력을 보여줍니다.

iMessage 기반 개인 비서인 Poke는 사용자가 문자로 요청한 웹사이트를 생성하여 Vercel에 배포하고, 생성된 각 웹사이트마다 별도의 데이터베이스를 자동으로 제공합니다. 이러한 시스템은 AI 비서가 생성한 웹사이트의 데이터 관리 요구사항을 충족시키기 위해 각 사이트별로 전용 DB를 제공하는 것을 목표로 합니다.

이때 사용되는 데이터베이스 플랫폼은 Turso입니다. Turso는 SQLite 호환 데이터베이스를 클라우드 환경에서 생성하고 원격으로 사용할 수 있게 만든 플랫폼입니다. 이는 개발자가 웹사이트를 구축할 때 각 프로젝트에 독립적이고 효율적인 데이터 저장 공간을 자동으로 확보할 수 있도록 지원합니다.

Turso를 활용함으로써 Poke는 사용자가 요청한 웹사이트의 데이터가 분리되어 관리되며, 각 웹사이트가 독립적인 데이터베이스를 통해 운영될 수 있게 됩니다. 이는 AI가 생성한 웹사이트의 데이터 무결성과 확장성을 보장하는 데 중요한 역할을 합니다.

MNT Station은 데스크톱 PC, 홈랩 서버, 라우터, 엣지 장치, NAS, 미디어 및 레트로 게임기 등 다양한 장치를 구성할 수 있는 저전력 팬리스 플랫폼입니다. 이 플랫폼은 모듈식 설계를 통해 사용자가 필요에 따라 하드웨어 구성을 유연하게 변경할 수 있도록 설계되었습니다.

MNT Station은 MNT Reform 메인보드 2.0, 2.5, 3.0을 지원하며 교체형 프로세서 모듈을 통해 확장성을 제공합니다. 이는 기존 노트북 메인보드를 재사용하면서도 새로운 기능을 추가하거나 서버 환경을 구축하는 데 유용합니다.

특히, MNT Station은 NXP, Amlogic, Qualco 등 다양한 제조사의 프로세서 모듈을 지원하여 폭넓은 하드웨어 선택권을 제공합니다. 따라서 기존에 보유하고 있던 노트북 메인보드를 활용하여 저전력 환경에서 홈 서버나 특수 목적의 장치를 구축하고자 하는 개발자나 홈랩 사용자에게 실질적인 대안을 제시합니다.

EVE Online이 20년 이상 운영해 온 파이썬 코드베이스를 파이썬 3로 단계적으로 전환하는 작업을 시작했습니다. 이 과정에서 Singularity의 검증을 거친 첫 변경 사항들이 Tranquility에 배포되었습니다.

이번 전환 작업은 대규모 코드베이스를 다루는 데 있어 중요한 기술적 과제를 제시합니다. 개발팀은 240만 줄에 달하는 코드와 약 2만 개의 파일에 대해 파이썬 2.7과 파이썬 3 환경 모두에서 실행 가능하도록 만드는 것을 목표로 했습니다.

이러한 작업을 통해 버전별로 동작이 달라지는 부분을 관리하며 코드베이스의 안정성을 유지하는 것이 핵심이 되었습니다. 이는 오랜 기간 운영된 대규모 프로젝트에서 레거시 코드를 최신 환경으로 마이그레이션할 때 필요한 복잡한 호환성 문제를 해결하는 데 중요한 사례가 됩니다.

OpenAI는 데이터 센터 전략을 총괄했던 핵심 임원인 크리스 말론을 잃으면서 고위급 경영진의 이탈이 계속되고 있습니다. 말론은 지난주 회사를 떠났으며, 이는 AI 인프라 구축 경쟁이 치열한 상황에서 데이터 센터 전략의 변화가 주목받는 가운데 더욱 놀라운 일로 평가됩니다.

OpenAI는 말론의 퇴사에 대해 인프라 조직을 재편하여 작업의 규모와 속도를 지원하기 위해 조직을 개편했다고 밝혔습니다. 이 과정에서 말론은 OpenAI 사장인 그렉 브록먼이 아닌 부사장인 사친 카티에게 직접 보고하게 되었습니다. 이는 데이터 센터 팀의 리더십이 재조정되었음을 의미하며, 유다 라드라주, 브렌트 메이오, 스파스 라자로프 등 다른 임원들이 데이터 센터 전략을 감독하고 있습니다.

이러한 이탈은 최근 몇 달간 발생한 다수의 고위 임원 퇴사와 맞물려 AI 기업 내부의 인재 유출 현상을 보여줍니다. 회사는 현재 IPO를 2027년으로 연기하고 있으며, 막대한 투자 대비 수익성 및 가치에 대한 의문이 제기되고 있습니다. 따라서 OpenAI의 인재 유출과 재정적 불확실성은 향후 AI 산업의 성장과 기업 가치에 어떤 영향을 미칠지 주목할 필요가 있습니다.

Rust 언어의 `never` 타입이 10년 만에 안정화되었습니다. 이 타입은 값이 절대 생성되지 않는 상황을 나타내며, 함수 호출자에게 값을 반환하지 않는 코드 상황을 정확하게 표현할 수 있게 해줍니다.

이전에는 이러한 상황을 표현하기 위해 `panic!()`이나 무한 루프와 같은 방식으로 코드를 처리해야 했기 때문에 타입 시스템이 이를 명확하게 구분하지 못했습니다. 이제 `never` 타입을 사용함으로써 개발자는 함수가 어떤 값도 반환하지 않음을 명시적으로 표현할 수 있게 되었습니다.

구체적으로 `never` 타입은 프로세스 종료, 무한 루프, 또는 패닉 상황처럼 호출자에게 값을 반환하지 않는 코드 흐름을 타입 레벨에서 표현하는 데 사용됩니다. 이는 컴파일러가 코드의 흐름과 반환 값의 부재를 더 정확하게 추론하고 안전성을 보장하는 데 기여합니다.

이 안정화는 Rust의 타입 시스템을 더욱 강력하고 정확하게 만들어, 복잡한 비동기 또는 오류 처리 상황에서 발생할 수 있는 논리적 오류를 줄이는 데 중요한 진전을 의미합니다.

Qwen3.8 27B 모델의 양자화 성능을 벤치마킹한 결과, 4비트 양자화는 성능 저하 없이 대부분의 벤치마크에서 안정적인 결과를 유지하는 것으로 나타났습니다. 특히 1비트 양자화는 추론 능력에서 급격한 성능 저하를 보이며 결과가 무너지는 현상이 관찰되었습니다.

이러한 비교는 GPQA Diamond, IFBench, Terminal-Bench 2.1과 같은 인기 있는 벤치마크를 통해 측정되었으며, 모델의 양자화 수준이 실제 문제 해결 능력에 미치는 영향을 구체적으로 보여줍니다. 4비트 양자화 Q4_K_M(17GB)은 전체 BF16 모델과 유사한 결과를 보였으며, 이는 모델을 구동하는 데 필요한 GPU 메모리 요구 사항을 크게 줄이면서도 품질을 희생하지 않는다는 것을 의미합니다.

다만, 양자화의 효과는 사용된 벤치마크와 설정에 따라 달라지며, 특히 추론 과정에서 설정값(예: xhigh)이 결과에 큰 영향을 미쳤습니다. 또한, 토큰 예측 차이 외에 실제 작업 수행 능력에 대한 평가가 중요하며, KV 캐시 양자화 역시 결과에 영향을 줄 수 있다는 점을 고려해야 합니다.

결론적으로, 대부분의 작업에서는 Q4_K_M 양자화를 사용하는 것이 충분하며, 양자화에 대한 우려보다는 이를 적극적으로 수용하는 것이 효율적이라는 결론을 내릴 수 있습니다.

온폴리 자기 증류(On-Policy Self-Distillation, OPSD)는 언어 모델이 자체 생성물을 학습하면서 교사(teacher)의 역할을 모델 자신이 수행하게 하여 별도의 대형 모델을 사용하는 비용을 제거하는 방법입니다. 교사는 테스트 시점에 학생이 갖지 못할 참조 해답이나 계획 같은 특권 정보로 조건화되며, 모델 자체보다 더 잘 정보를 갖게 되는 역할만 합니다. 초기 결과는 생성된 토큰의 일부만으로 강화 학습과 유사한 정확도를 달성하여 유망함을 보였습니다.

하지만 이 신호가 생성하는 비대칭성 때문에 결과가 편향될 수 있으며, 현재 분야에서 가장 지배적인 실패 모드는 모델이 생성할 수 있는 추론 경로의 집합을 점진적으로 좁히는 '붕괴(collapse)'입니다. 붕괴는 특권 정보가 가중치를 부여하는 방식, 교사의 역학 및 안내의 감쇠, 그리고 교사가 보여주는 특권 정보의 성격이라는 세 가지 레버에 의해 통제됩니다.

연구진은 방법론이 기원하고 실패 모드가 가장 잘 문서화된 수학적 추론에 초점을 맞추어 분석했습니다. 이 연구는 새로운 실험 결과를 보고하지는 않았지만, 논문들 전반에 걸쳐 다르게 명명된 현상들에 대한 공유된 어휘를 제공하며 무엇이 확정되었고 무엇이 여전히 논쟁 중인지를 명확히 구분하는 구조적인 기여를 합니다.

멀티모달 에이전트 평가가 정적인 QA에서 외부 도구를 사용하는 에이전트 환경으로 전환됨에 따라, 모델이 시각적 증거로부터 도구 매개변수를 추론하고 이를 최종 결과에 직접 적용하는 정교한 시각적 도구 사용 능력에 대한 평가가 중요해지고 있습니다. 기존 벤치마크들이 웹 탐색이나 GUI 조작에 초점을 맞춘 반면, 시각적 증거와 실행 정밀도 간의 결합을 측정하는 이 능력을 다루는 경우는 드물었습니다.

연구진은 이러한 미탐색된 능력을 평가하기 위해 EASEL이라는 벤치마크를 제안했습니다. EASEL은 참조 기반 시각 재구성을 주요 과제로 채택하여 에이전트가 참고 이미지를 맞추기 위해 캔버스를 점진적으로 칠하는 방식으로 시각적 도구 사용을 평가합니다. 이 벤치마크는 영역 주석, 필기, 경로 계획을 포함하는 의미론적 과제들을 추가하며, 경로 감독을 위한 44만 샘플의 2단계 커리큘럼 데이터셋인 EASEL-Data와 EASEL-9B를 제공합니다.

25개 모델에 대한 평가 결과, 현재의 멀티모달 에이전트들은 EASEL에서 체계적으로 어려움을 겪는 것으로 나타났습니다. 재구성 유사도는 낮은 수준에서 병목 현상(0.40~0.54)을 보였으며, 경로 진단은 폐쇄 루프 불안정성을 드러내 모델들이 조기에 포화되거나 최고점 이후 성능이 저하됨을 보여줍니다. 또한 의미론적 과제들은 정밀한 주석 및 경로 계획에서 뚜렷한 능력 경계를 드러냈습니다. EASEL-Data로 훈련된 EASEL-9B 모델은 기본 모델보다 상대적으로 6.3% 향상되어 전체 평가 모델 중 세 번째 순위를 차지했습니다.

거대 언어 모델(LLM)에 다층 방어 체계가 적용되고 있음에도 악의적인 프롬프트가 이를 우회할 수 있다는 문제가 제기되고 있습니다. 해석 가능성 방법은 생성 경로를 따라 모델 내부 신호를 노출하여 강제 조치를 위한 정보를 제공할 수 있지만, 이러한 신호 자체는 보안 통제 수단이 아닙니다. 안전을 위해 이러한 신호를 적용하는 배포 방식은 각 신호를 자체 보정, 정책 논리, 개입 코드와 결합하여 새로운 결과물을 만들 뿐, 공유된 방어를 강화하지 못하는 통합 작업만 발생시킵니다.

이에 연구진은 리눅스 보안 모듈(LSM)의 분리 개념을 LLM 서비스에 적용한 보안 프레임워크인 언어 모델 보안 모듈(LMSM)을 제시합니다. LMSM은 선택된 보안 백엔드를 통해 보정된 증거를 노출하고, 신뢰할 수 있는 요청별 컨텍스트에 대한 활성 규칙을 평가하는 버전화된 정책을 사용하며, 별도의 게이트를 통해 버퍼된 출력을 승인하는 방식으로 설계되었습니다. 이 디자인은 중재의 정확성과 정책의 효과성을 분리하여 백엔드, 규칙 또는 스케줄 변경 시 요청 처리나 강제 조치를 다시 구축할 필요 없이 변경을 허용합니다.

프로토타입은 Hugging Face Transformers와 vLLM을 사용하여 구현되었으며, 동일한 기저 위에서 희소 오토인코더(SAE) 및 트랜스코더 배포와 작업에 맞춘 밀집 탐침을 호스팅합니다. 이 시스템은 스케줄 변경 하에서도 요청별 결정을 보존하며 요청당 여러 규칙을 선택적으로 강제하고 조합할 수 있습니다. Qwen3-4B 모델에 적용한 LMSM-Checkpoint는 HarmBench 공격 성공률을 39.20%에서 3.32%로 감소시켰으며, XSTest의 허위 거절률은 2.40%에서 4.40%로 증가했지만, 32개의 활성 시퀀스에서 모니터링 작업을 수행하지 않는 일치하는 서비스 경로의 처리량은 98.14%를 유지했습니다.

LMSM은 해석 가능성과 모델 내부 분석의 발전을 런타임 강제 조치로 연결하는 공통 경로를 제공합니다.

Dactyl은 크로스 플랫폼 앱 개발 시 발생하는 타협점을 제거하고 네이티브 앱을 구축할 수 있도록 돕는 프레임워크입니다. 기존의 Expo, React Native, Flutter 등의 접근 방식이 플랫폼 호환성, 네이티브 위젯, 성능 등을 희생시킨다는 문제점을 해결하기 위해 Dactyl은 SwiftUI를 기반으로 하는 브라우저 내 렌더링 엔진을 개발했습니다.

이 엔진은 iOS 시뮬레이터의 Wasm 포트를 기반으로 하며, SwiftUI의 레이아웃을 효율적으로 처리하고 브라우저에서 직접 렌더링합니다. 렌더링 과정에서 레이아웃은 명령이 작성되기 전에 완전히 해결되며, 리컨실레이터는 애니메이션이나 스크롤과 같이 실시간으로 변경되는 부분만 표시하도록 관리합니다. 이를 통해 설치나 추가 장치 없이 복잡한 SwiftUI 레이아웃을 브라우저에서 부드럽고 효율적으로 구현할 수 있습니다.

Dactyl은 iOS 생태계를 Android와 웹으로 확장하는 데 중점을 두며, Android 환경에서는 Swift를 네이티브로 컴파일하고 JNI를 통해 Jetpack Compose의 Material 컴포넌트로 매핑합니다. 또한, 엔진 개발은 에이전트를 사용하여 실제 iOS 시뮬레이터와 엔진 출력을 비교하고 차이점을 분석하는 방식으로 자동화되어 있습니다.

이러한 자동화된 과정은 새로운 iOS가 출시될 때마다 엔진을 재렌더링하고, 시각적 대규모 언어 모델을 통해 차이를 식별하여 프레임워크 소스 코드를 수정하는 방식으로 작동합니다. 이는 SwiftUI와 같은 지속적으로 변화하는 프레임워크를 구현하는 데 매우 효과적인 프로세스이며, 개발자가 플랫폼 간의 차이를 최소화하면서 앱을 개발할 수 있는 기반을 제공합니다.

접촉 기반 조작은 행동 예측 시간 내에 변화하는 접촉 상태에 적응해야 하는 과제를 안고 있습니다. 그러나 현재의 청크 기반 비전-언어-행동 모델은 실행 전에 수집된 관찰을 기반으로 전체 행동 청크를 예측하기 때문에, 실행 중에는 촉각 조건화 정보가 오래되어 정확성이 떨어지는 문제가 발생합니다. 기존의 촉각 반응 접근 방식들은 별도의 고주파 컨트롤러에 의존하여 아키텍처와 훈련 복잡도를 증가시키는 한계가 있었습니다.

본 논문은 이러한 문제를 해결하기 위해 실행 시간 촉각 피드백을 효과적으로 통합하는 스트리밍 행동 생성 프레임워크인 TacForcing을 제안합니다. TacForcing은 별도의 반응형 컨트롤러 대신 표준 행동 전문가를 스트리밍 행동 전문가로 대체하여 실행 중에 획득되는 변화하는 촉각 관찰에 기반하여 행동을 생성합니다.

또한 TacForcing은 실행에 가까운 행동에만 촉각 조건화를 제한하는 실행 인식 촉각 주의(Execution-Aware Tactile Attention, EATA)를 도입하여 촉각 획득과 행동 실행 간의 시간 불일치를 줄입니다. 이 방법은 6개의 시뮬레이션된 UniVTAC 작업과 3개의 실제 접촉 기반 조작 작업에서 각각 평균 65%와 69%의 성공률을 달성하며 강력한 기준 모델들을 능가하는 성능을 보였습니다.