읽을 가치가 있는 기사만, 짧고 또렷하게.

톰슨 로이터가 자체적인 프론티어 모델을 출시하며 전문직 영역에 특화된 AI를 개발했습니다. 이 모델은 톰슨 로이터의 175년간 축적된 지식과 세계적 수준의 데이터 자산을 기반으로 구축되었으며, 책임과 신뢰를 바탕으로 설계되었습니다.

특히 CoCounsel Legal에 적용된 첫 배포는 법률 회사 및 기업 법무팀에서 고도로 구조화된 문서 검토가 필요한 표 분석(Tabular Analysis) 영역에서 이루어졌습니다. 이는 목적에 맞게 설계된 모델이 즉각적인 이점을 제공하는 사례로, 기존의 다중 모델 구조를 유지하면서 톰슨 로이터의 강점을 적용하는 방식으로 운영됩니다.

톰슨 로이터는 이제 단순히 최고의 콘텐츠와 기술을 통합하는 것을 넘어, 전문가들의 업무를 지원하는 지능을 구축하며 AI 시대의 전문직 업무 방식을 선도하고 있습니다. 향후 이 모델은 법률 및 세무 포트폴리오 전반으로 확장되며, 더 많은 주권 AI 옵션을 통해 전문직이 필요한 데이터와 통찰력을 바탕으로 올바른 결정을 내릴 수 있도록 지원할 계획입니다.

OpenAI는 ChatGPT Plus 사용자를 대상으로 Codex와 ChatGPT Work의 5시간 사용 제한을 복원한다고 발표했습니다. 이는 지난 몇 주 동안 사용자들이 주간 사용량 제한만 적용받았던 상황에서 변경된 조치입니다.

이 5시간 제한은 내일부터 ChatGPT Plus 구독자들에게 다시 적용되며, 사용자는 5시간 또는 주간 제한에 도달했을 때 사용량을 재설정할 때까지 기다리거나 추가 크레딧을 구매할 수 있습니다. OpenAI는 사용자들이 실수로 주간 사용량을 모두 소진하여 혼란을 겪는 것을 방지하고 컴퓨팅 부하를 완화하기 위해 이 제한을 복원했다고 설명했습니다.

OpenAI 측은 이 제한 복원이 Pro $100 및 Pro $200 구독자에게는 적용되지 않을 것이라고 밝혔으며, Enterprise나 Edu 계정은 별도의 크레딧 기반 사용 시스템을 사용하므로 변경 사항이 적용되지 않습니다. 또한, 회사는 프로모션이나 추천 혜택을 통해 사용자들이 제한을 재설정할 수 있는 기회를 제공하며, 때때로 사용자들에게 무료로 제한을 재설정하기도 합니다.

숙련된 개발자가 LLM 에이전트 Pol에게 맞춤형 할 일 앱의 개념 증명(PoC)을 요청했으나, 결과물은 기대와는 거리가 멀었습니다. Pol은 12시간 동안 작업을 수행하는 과정에서 실제 앱 코드를 제공하지 않았으며, 대신 주간 사용량만 모두 소진해 버렸습니다.

Pol은 이 과정에서 수십억 개의 토큰을 사용했는데, 이는 LLM 에이전트가 복잡한 개발 작업을 수행하는 데 필요한 자원 소모가 매우 크다는 점을 보여줍니다. 개발자는 결과물로 기능적인 앱 코드를 기대했지만, Pol은 코드 대신 `tests` 폴더 아래에 SHA-256 해시로 이름 붙인 폴더와 같은 결과물만 생성했습니다.

이는 LLM 에이전트가 단순한 텍스트 생성이나 추론을 넘어 실제 소프트웨어 개발과 같은 복잡한 작업에서 정확하고 실용적인 코드를 생성하는 데 어려움을 겪을 수 있음을 시사합니다. 따라서 LLM 에이전트를 활용하여 실제 개발 프로젝트를 진행할 때는 단순히 토큰 사용량뿐만 아니라 출력물의 형식과 정확성을 면밀히 검토해야 할 필요가 있습니다.

대학은 창업가를 어떻게 준비해야 하는지에 대해 컴퓨터 과학이나 공학 같은 실질적인 '건설' 능력을 가르치는 데 집중해야 합니다. 스타트업의 성공과 실패는 창업자가 어떤 학위를 받았는지보다 제품을 구축하는 능력에 달려 있기 때문에, 대학은 경영이나 금융보다는 컴퓨터 과학, 기계 공학, 분자 생물학 등 실제 무언가를 만들어내는 지식을 교육해야 합니다.

창업에 필요한 지식은 매우 광범위하며, 특정 공학 분야에 국한될 필요는 없습니다. 중요한 것은 '무언가를 구축하고 만드는' 능력을 기르는 것이며, 이는 학생들이 강력한 아이디어를 찾고 이를 실현하는 데 필요한 기반을 제공합니다. 또한 대학은 학생들이 스타트업을 시작하는 것이 가능한 옵션이라는 인식을 갖도록 문화적 환경을 조성해야 합니다.

이를 위해 실제 창업가들의 사례를 보여주는 것이 효과적이며, 특히 초기 실패와 시행착오를 경험했던 사람들의 이야기는 학생들에게 동기 부여를 제공합니다. 또한, 코파일러들이 서로를 발견하고 문제 해결 능력을 키우는 데는 함께 프로젝트를 수행하는 것이 가장 좋은 방법입니다.

한편, 경영대학원은 창업가를 양성하기보다는 산업 자본주의의 관리 계층을 훈련하는 데 중점을 두므로, 창업가 준비 전략에 있어 오류를 추가할 수 있다는 점을 고려해야 합니다. 따라서 대학은 실질적인 구축 능력과 창업 문화 조성을 우선시해야 합니다.

Fable의 높은 비용과 접근 정책은 개발자들이 모든 코딩 작업을 최상위 모델에 의존하는 대신, 작업별로 모델을 배치하도록 압박하고 있습니다. 이는 AI 기반 코딩 환경에서 비용 효율성과 실용성을 동시에 확보해야 하는 새로운 패러다임을 제시합니다.

과거에는 무어의 법칙에 따른 성능 향상이 코드 최적화를 대체하는 주요 동력이었으나, 현재는 단일 스레드 성능이 정체됨에 따라 다른 접근이 필요해졌습니다. 따라서 개발자들은 단순히 성능 향상에만 집중하기보다 병렬화, 아키텍처, 메모리 지역성 등의 근본적인 요소들을 직접 고도화해야 하는 상황에 놓였습니다.

이러한 변화는 코딩 작업의 효율성을 높이기 위해 모델 배치를 최적화하고 시스템 아키텍처 자체를 재설계하는 방향으로 기술 개발이 진행될 것임을 시사합니다. 결과적으로, AI 코딩의 발전은 모델 자체의 성능뿐만 아니라 하드웨어 및 소프트웨어 구조적 최적화가 핵심 과제가 될 것입니다.

뉴스를 거의 끊은 뒤 심리적 안정과 집중력 향상을 경험할 수 있다는 연구 결과가 주목받고 있습니다. 뉴스 소비를 줄였을 때 불안과 분노가 감소하고 머릿속이 조용해지며, 주변 사람들과 업무에 더 집중할 수 있게 된다는 것입니다.

이는 뉴스가 제공하는 정보의 특성과 관련이 있습니다. 뉴스는 드물고 극적인 범죄, 갈등, 사고를 반복적으로 보여주기 때문에 독자의 인식을 왜곡할 수 있습니다. 이러한 반복적인 노출은 세상이 실제보다 더 위험하고 나쁘게 느껴지도록 만들 수 있습니다.

따라서 뉴스를 접하는 방식에 대해 생각해 볼 필요가 있습니다. 극적인 사건 중심의 정보는 현실보다 과장된 위험 인식을 심어줄 수 있으므로, 정보의 양과 질을 조절하는 것이 심리적 안정에 도움이 될 수 있습니다.

에이전트 스킬은 어떤 언어로 작성되어 있는가에 대한 연구 결과에 따르면, 2026년 1분기에 새로 작성된 에이전트 스킬 중 13.0%가 영어 이외의 언어로 작성되었으며, 이후 3개월 만에 16.3%로 증가했습니다. 이는 255,068개의 스킬을 분석한 결과이며, 이 변화 속도는 일반적인 GitHub 문서의 비영어 비율 변화 속도보다 훨씬 빠르다는 점이 주목됩니다.

이러한 언어 분포를 분석한 결과, 전체 스킬 중 14.3%가 영어로 작성되지 않았으며, 이 비영어 스킬 중 중국어(中文)가 6.2%로 가장 큰 비중을 차지했습니다. 일본어(日本語)가 1.7%, 독일어(Deutsch)가 1.6%, 한국어(한국어)가 1.2%를 차지했으며, 포르투갈어(Português)가 1.1%, 스페인어(Español)가 0.9%, 프랑스어(Français)가 0.4%를 차지했습니다.

이러한 결과는 에이전트 스킬이 소프트웨어와 달리 인간의 언어로 작성되며 다국어 모델에서 실행되기 때문에 기술적으로 영어로 작성할 필요가 없음을 시사합니다. 다만, 데이터 수집 방식에 따라 결과가 달라질 수 있어 여러 출처의 비교가 필요하며, 특히 스킬의 유효성을 걸러내는 과정에 따라 비영어 스킬의 비율이 달라질 수 있다는 점을 고려해야 합니다.

연구팀은 스킬의 분포가 시간이 지남에 따라 변화하고 있으며, 특히 삭제되거나 생성된 스킬이 데이터에서 누락되어 실제 분포를 과대평가할 수 있다는 점을 지적했습니다. 따라서 에이전트 생태계의 실제 모습을 파악하기 위해서는 실행 추적과 같은 추가적인 데이터가 필요합니다.

코딩과 장기 자율 작업을 위한 자기 개선형 RLM 에이전트인 Prime Agent가 소개되었습니다. 이 에이전트는 RLM(Recursive Language Model)과 Continual Harness라는 두 가지 핵심 추상화를 중심으로 설계되어 복잡한 작업을 수행하는 데 중점을 둡니다.

RLM은 컨텍스트를 변수처럼 다루는 prompt-as-a-variable 방식을 채택합니다. 또한 재귀 서브에이전트와 같은 도구를 함수 호출처럼 처리하여 지속적인 REPL(Read-Eval-Print Loop) 환경을 제공합니다. 이는 에이전트가 컨텍스트를 효율적으로 관리하고 도구를 유연하게 활용하며 지속적으로 개선할 수 있는 기반을 마련합니다.

이러한 설계는 에이전트가 단순한 명령 수행을 넘어 장기적인 자율 작업을 수행하고 스스로 개선하는 능력을 갖추도록 합니다. 개발자들은 RLM과 Continual Harness의 원리를 이해함으로써 코딩 및 리서치 작업에 특화된 고도화된 에이전트 시스템을 구축하는 데 참고할 수 있습니다.

AI 분야의 스타 헤지펀드인 시츄에이셔널 어웨어런스(Situational Awareness)가 SEC의 조사를 받고 있습니다. 이 펀드는 한때 월스트리트의 주목을 받았으나, AI 주식 시장의 하락으로 인해 막대한 가치를 상실하며 거의 붕괴 직전에 놓였습니다.

미국 증권거래위원회는 이 펀드와 거래를 했거나 자금을 지원한 은행들에 대해 소환장을 발부했습니다. 이는 펀드의 거래를 감독하고 자금을 지원한 은행들에 초점을 맞추고 있으며, 정부는 해당 은행들에게 펀드에 대한 정보를 보존할 것을 요구했습니다.

시츄에이셔널 어웨어런스는 어떠한 잘못도 인정하지 않았지만, 규제 요청에 최대한 협조하겠다고 밝혔습니다. 이 사건은 AI 산업의 낙관적인 성장 궤도가 반드시 지속되는 것은 아니라는 경고로 작용할 수 있습니다.

Supernote에 직접 쓴 손글씨를 이미지와 텍스트로 함께 게시하는 블로그 실험을 구상하고 있습니다. 이 실험은 손글씨 데이터를 디지털 텍스트와 연결하는 새로운 방식을 탐구합니다.

구체적인 방법으로는 손글씨를 WebP 형식으로 내보낸 다음, 이 WebP 파일의 XMP 메타데이터에 OCR 처리된 텍스트와 편집된 내용을 담으려는 계획입니다. 이 과정은 손글씨 이미지에 포함된 정보를 메타데이터로 추출하여 검색 및 편집 기능을 가능하게 하는 것을 목표로 합니다.

개발 관점에서 중요한 점은 JavaScript를 사용하여 WebP 파일 내의 XMP 메타데이터를 읽어낼 수 있을 것으로 예상된다는 것입니다. 이는 이미지 파일 자체에 텍스트 정보를 메타데이터로 삽입함으로써, 이미지와 텍스트를 통합적으로 관리하고 상호작용할 수 있는 새로운 데이터 포맷을 구축하는 데 기여할 수 있습니다.

인근 전기차 충전기 없이 전기차를 운용하기 위해 오프그리드 태양광을 활용한 충전 가능성을 시험하는 연구가 진행되었습니다. 연구팀은 기존 1kW 규모의 태양광 설비를 확장하고 계절에 따른 충전 가능성을 검증하는 데 중점을 두었습니다.

초기 실험 단계에서는 맑은 날에도 하루 약 5마일만 충전이 가능했으며, 충전 과정에서 가정용 배터리까지 소모하는 상황이 발생했습니다. 이는 오프그리드 환경에서 태양광 에너지로 전기차를 충전하는 데 있어 현실적인 제약 사항을 보여줍니다.

이후 설비 규모를 5kW로 확대하여 테스트를 진행하면서, 흐린 날에도 태양광을 통해 직접 전기차를 충전할 수 있는지에 대한 가능성을 탐색하고 있습니다. 이 실험은 태양광 기반의 이동형 충전 시스템이 기상 조건에 관계없이 안정적으로 작동할 수 있는지에 대한 기술적 타당성을 확인하는 데 중요한 의미를 가집니다.

2년 전 번아웃과 이혼을 겪은 후 새로운 도시로 이주하여 현재 생활비와 부채를 감당하며 혼자 일곱 마리의 고양이를 돌보고 있습니다. 이러한 상황에서 경력을 바탕으로 고객 확보는 어렵지 않지만, 유료 업무에 집중할 수 있는 시간이 주당 5~6시간에 불과하여 지속적인 어려움을 겪고 있습니다.

이러한 시간 제약으로 인해 전문적인 업무에 집중하지 못하면서 몇 달마다 고객을 잃는 상황이 반복되고 있습니다. 이는 경력과 실력에도 불구하고 시간 관리와 정신적 여유 부족이 비즈니스 지속성에 직접적인 영향을 미치는 현실을 보여줍니다.

결국 이 사례는 번아웃과 개인적인 어려움이 전문적인 활동과 경제적 안정에 미치는 영향을 구체적으로 보여줍니다. 이는 단순히 업무 효율을 넘어 개인의 삶과 커리어를 유지하는 데 있어 시간과 정신적 에너지가 얼마나 중요한지 시사합니다.

변경 데이터 합성(Change data synthesis)은 훈련 데이터 확장을 위한 비용 효율적인 해결책을 제공하지만, 기존 방법들은 변화를 시뮬레이션하기 위해 수작업 규칙에 의존합니다. 이러한 방식은 클래스 전환에 대한 커버리지가 제한되어 합성 데이터의 다양성이 부족하고, 미리 정의된 전환 설계는 다양한 변화 유형을 수용하는 유연성을 제한합니다.

이러한 한계를 극복하기 위해 본 연구는 사전 훈련된 비전-언어 모델(vision-language models)을 지식 소스로 활용하여 변화가 발생할 가능성이 있는 위치와 클래스 전환을 추론하는 지식 기반의 변화 데이터 합성 프레임워크인 KnowChange를 소개합니다. KnowChange는 지식 기반 변화 시뮬레이션과 일반화 가능한 합성 모델을 통합하여 다양한 변화 유형을 통합된 프레임워크 내에서 유연하게 합성할 수 있도록 합니다.

광범위한 실험 결과는 KnowChange가 생성한 데이터가 합성-실제 전이 및 합성 데이터 증강 모두에서 기존 합성 데이터셋보다 일관되게 우수함을 입증합니다. 이는 데이터가 비교적 작은 규모로 생성되었음에도 불구하고 성능이 뛰어남을 의미합니다.

또한, 지식 기반 변화 시뮬레이션은 기존 합성 파이프라인에 원활하게 통합될 수 있으며, 합성 데이터의 다운스트림 유용성을 향상시키는 것으로 분석되었습니다.

잠재 확산 모델은 고화질 이미지 및 비디오 합성을 위해 변이형 오토인코더(VAE)를 사용하여 계산 효율성을 높이는 주류 프레임워크로 부상했습니다. 그러나 기존 VAE는 고정된 압축 비율을 사용하기 때문에 시공간 콘텐츠의 변화하는 복잡성에 적응하지 못하여 비디오 데이터에 대해서는 최적이 아닙니다.

이에 연구진은 잠재 토큰과 공동으로 학습되는 적응형 토큰 선택기를 통합한 트랜스포머 기반 VAE인 KATok(Keep-or-Drop? Adaptive Tokenizer for Compact Video Representation)를 제안했습니다. 이 모델은 각 토큰의 내용 풍부도를 기반으로 보존 또는 제거 확률을 평가하여 정보가 부족한 토큰을 효과적으로 제거함으로써 데이터 의존적인 압축을 가능하게 합니다.

하지만 토큰을 제거하는 과정에서 원래의 시공간 구조가 손상되어 공간적 불일치가 발생할 수 있습니다. 이러한 문제를 완화하기 위해 연구진은 공간적 일관성을 보장하기 위해 캐스케이드 및 공동 생성이라는 두 가지 위치 예측 전략을 제안했습니다.

실험 결과, 이 모델은 최첨단 압축 비율에서 강력한 재구성 및 생성 품질을 달성했습니다. 비디오 데이터에 대한 추가 분석 결과, 이러한 개선은 양적 및 정성적 결과 모두에서 뒷받침되듯이 시공간 중복성을 줄이고 정보가 부족한 토큰을 제거함으로써 주로 달성되었습니다.

StarHarness는 모델 가중치를 고정한 채 환경별 에이전트 하네스를 진화시키는 프레임워크입니다. 이 진화된 하네스는 프롬프트 및 작업 프레이밍, 도구 인터페이스, 스킬, MCP 지원 제공자, 서브에이전트 구조, 에이전트 루프 구성 등을 포함할 수 있습니다. StarHarness는 기본 실패 행동에 따라 작업을 계층화하고, 제안자에게 보이는 검색 작업과 숨겨진 선택 작업을 분리하며, 일반화 평가를 위해 보류된 작업을 따로 확보하여 효율적인 진화 풀을 구축합니다.

이러한 하네스 진화는 ITBench SRE, EnterpriseOps-Gym ITSM, AutomationBench Finance 등 여러 벤치마크에서 기본 하네스 대비 20~35퍼센트 포인트의 전체 벤치마크 성능 향상을 가져옵니다. 이는 환경당 4~12회의 수용된 변경 후에 달성되었으며, 이러한 성능 향상은 진화에서 제외된 작업에서도 지속되며 GPT 및 Qwen 모델 패밀리 간에도 재진화 없이 전이됩니다.

추적 분석 결과, 이러한 개선은 검색을 압축하는 인터페이스 수정, 환경 관습, 운영 지식과 관련이 있으며, 여러 설정에서 오탐 진단 감소 및 더 짧은 궤적을 보였습니다. 따라서 StarHarness는 도구가 풍부한 엔터프라이즈 작업에서 지속적인 모델-환경 불일치를 줄이는 실용적인 방법을 제공합니다.

LLM 기반 에이전트가 도구 호출을 통해 외부 환경과 상호작용할 때 파일 수정, 정보 유출, 무단 행동과 같은 보안 위험이 발생합니다. 기존의 안전장치들은 완료된 궤적만을 평가하여 실행 전 단계별 행동에 대한 모니터링은 충분히 다루지 못하고 있습니다.

이에 연구진은 에이전트의 단계별 행동을 검사하고 도구 실행 전에 안전성을 확인하는 단계별 가드 모델인 StepGuard를 제안합니다. StepGuard를 훈련하기 위해 동일한 컨텍스트에서 위험한 단계에 대해 다른 행동을 생성하는 안전하고 위험한 궤적을 자동으로 생성하는 데이터 엔진인 StepGen을 도입했습니다. 또한 과도한 방어와 부족한 방어를 줄이기 위해 관찰된 정확도에 따라 안전한 행동과 위험한 행동 간의 학습을 동적으로 균형 잡는 Balance-GRPO를 제안했습니다.

실험 결과 StepGuard는 공개 가중치 가드 모델 중 가장 높은 평균 정확도를 달성했으며, 성능은 GPT-5.4와 비교될 수 있습니다. AgentDojo와 AgentDyn 환경에서 에이전트를 보호하는 데 사용했을 때, StepGuard는 가드 설정이 없는 경우 대비 평균 공격 성공률을 77.3% 감소시켰습니다. 동시에 평균 유용성은 단 2.8퍼센트 포인트만 감소하여 안전성과 효율성을 동시에 확보했습니다.

멀티모달 대규모 언어 모델(MLLM)은 긴 시각 기록을 통합하고 부분 관찰 하에서 추론하며 몇 가지 예시로부터 행동을 추론할 수 있는 능력을 가지고 있습니다. 그러나 비전-언어-행동(VLA) 모델은 일반적으로 이러한 맥락적 능력을 에피소드 메모리로 사용하지 않고 사전 학습된 표현을 상속받습니다. 이 문제를 해결하기 위해 메모리 의존적 정책은 목적에 맞게 구축된 역사 메커니즘을 통해 격차를 해소합니다.

PonderPounce는 MLLM의 고유한 인과적 맥락을 로봇 메모리로 재사용하여 이 격차를 메웁니다. Ponder는 시스템2 MLLM으로 에피소드 관찰, 시연, 사전 인지 사항을 고유한 인과적 맥락에 축적하며 내부 사용을 위해 하위 목표 텍스트와 시연 추론을 생성할 수 있습니다. Pounce는 시스템1 VLA로 현재 관찰, 지침, 고유 감각 정보를 직접 받으며, Ponder--Pounce 인터페이스를 통해 가장 최신의 연속 인지 토큰과 그 연령만을 비동기적으로 수신합니다.

두 모델은 목적에 맞게 구축된 메모리 모듈이나 별도의 브릿지 사전 학습 없이 종단 간으로 공동 훈련됩니다. 최적화된 서비스는 인지 사항 새로 고침에 78ms, 행동 모델 호출에 25ms의 p50 지연 시간을 달성하여 20Hz 행동 재생을 지원합니다.

RoboMME 환경에서 PonderPounce는 동일한 Pounce 아키텍처와 인터페이스 하에서 9B 모델에서 60.83%, 0.8B 모델에서 50.04%의 성능을 달성하며, 이는 FrameSamp+Modul의 44.51%와 현재 관찰 $\pi_{0.5}$의 17.93%보다 높습니다. 데이터가 9배 증가하면 75.54%를 달성하여 FrameSamp+Modul의 57.88%보다 우위를 보입니다. RoboCasa-DC에서는 동일한 인터페이스가 행동 감독만으로 학습하여 가장 강력한 공개 시연 조건부 기준선인 11.6%보다 높은 12.5%를 달성하며, 인지가 학습된 널 상태로 대체될 경우 8.6%로 하락합니다.

OpenRun은 Docker나 Kubernetes 환경에서 웹 애플리케이션을 배포하는 GitOps 플랫폼으로, SQLite 애플리케이션에 Litestream 기능을 내장하여 데이터 복제 및 복구를 자동화합니다. 이 시스템을 사용하면 개발자는 애플리케이션을 배포할 때 Litestream을 별도로 설정하거나 객체 스토리지 구성을 직접 처리할 필요 없이 SQLite를 정상적으로 사용할 수 있습니다.

OpenRun은 SQLite 데이터 변경 사항을 AWS S3 또는 S3 호환 객체 스토리지(Cloudflare R2, MinIO 등)로 지속적으로 복제하여 노드 외 백업과 특정 시점 복구 기능을 제공합니다. 애플리케이션 볼륨이 비어 있거나 재구성될 때 OpenRun은 복제본에서 데이터베이스를 복원하여 애플리케이션을 시작시키므로 데이터 손실 위험을 최소화합니다.

이 기능은 단일 노드 환경의 Docker/Podman뿐만 아니라 Kubernetes 환경에서도 동일하게 작동하며, Kubernetes에서는 Litestream 사이드카와 복구 초기 컨테이너를 자동으로 추가하여 관리합니다. 노드 손실 시에도 OpenRun은 메타데이터와 애플리케이션 데이터를 객체 스토리지에서 복구하여 전체 시스템을 복원할 수 있습니다.

다만 복제는 비동기 방식으로 이루어지기 때문에, 일반적인 조건에서는 1초 간격으로 동기화되지만 갑작스러운 충돌 발생 시 객체 스토리지에 도달하지 못한 가장 최근의 쓰기 작업은 손실될 수 있다는 점을 고려해야 합니다.

고품질 이미지-3D 생성은 기하학과 외관을 모두 포착하는 3D 표현을 필요로 하며, 표준 렌더링 파이프라인에 통합하고 재조명(relighting)을 지원하기 위해 알베도, 금속성-거칠기, 표면 법선과 같은 물리 기반 렌더링(PBR) 양식을 포함해야 합니다. 이에 연구진은 각 양식에 전용 가우시안 프리미티브를 사용하는 복셀화된 멀티모달 가우시안 클라우드 내에서 기하학과 PBR 재료를 통합하는 3D 표현인 Luce를 제안합니다.

Luce는 이 표현을 통합된 재료 인식 잠재 공간으로 압축하기 위해 변이형 오토인코더(variational autoencoder)를 사용합니다. 이후 정류 흐름 트랜스포머(rectified-flow transformer)는 사전 학습된 이미지 인코더의 다중 레이어 특징으로부터 단일 이미지에서 이 잠재 공간을 생성하며, 이는 의미적 맥락과 미세 공간 세부 사항을 모두 보존합니다. 생성된 잠재 공간은 재조명 가능한 PBR 가우시안과 선택적 텍스처 메시(접선 공간 법선 맵 포함)로 디코딩됩니다.

Toys4K에서 Luce는 단일 이미지-3D 생성에서 최고 수준을 달성하며, 가장 강력한 기준선 대비 FID를 28% 개선했습니다. 또한 Luce는 AI 생성 이미지에 대한 벤치마크를 도입하여 최적의 기준선(0.8299) 대비 CLIP 이미지 정렬 점수를 개선하여 0.8519를 달성했습니다. 이 기술은 텍스트, 로고, 각인과 같은 미세 세부 사항을 보존하면서 재조명 가능하고 기하학적으로 정확하며 재료적으로 충실한 에셋을 생성합니다.

소프트웨어 업데이트가 필요로 하는 단어는 독일어로 'Verschlimmbesserung'입니다. 이는 개선을 시도했지만 결과적으로 상황을 더 악화시키는 행위를 의미합니다. 사용자들이 일상적으로 경험하는 버튼 이동, 메뉴 이름 변경, 기존 워크플로우 파괴와 같은 업데이트 사례들이 이러한 현상에 해당합니다.

많은 제품 팀이 사용자가 필요로 하지 않는 문제를 해결하는 대신 단순히 '더 나은 경험'을 제공하는 데 집중하면서 Verschlimmbesserung이 발생합니다. 이는 엔지니어링 팀이 실제로 실패한 것이 아니라, 그들이 부여받은 측정 기준에 따라 최적화하고 있음을 보여줍니다. 예를 들어, 이탈률(churn)을 보상하는 지표를 사용하면 이탈률이 증가하게 되고, 배포 자체를 보상하는 지표를 사용하면 개선 여부와 관계없이 배포가 이루어지게 됩니다.

엘리아후 골드랫(Eliyahu Goldratt)은 측정 기준에 따라 행동이 결정된다고 강조하며, 비논리적인 방식으로 측정한다면 비논리적인 행동에 대해 불평하지 말라고 조언합니다. 따라서 안정성은 기능이며, 언제 배포하지 말아야 하는지를 아는 것은 엔지니어링의 한 분야입니다. 소프트웨어 업데이트 시점과 측정 기준에 대한 철학을 재고할 필요가 있습니다.