읽을 가치가 있는 기사만, 짧고 또렷하게.

ExpressVPN 구독 플랜에서 최대 61%까지 절약할 수 있는 방법을 안내합니다. 사용자는 유연한 1개월 플랜을 선택하거나 장기 계약을 통해 큰 할인을 받을 수 있습니다.

이러한 혜택은 ExpressVPN 구독에 대한 가치를 극대화하여 최적의 가격으로 서비스를 이용할 수 있도록 돕습니다. 특히 다년 계약을 활용하면 상당한 비용 절감 효과를 볼 수 있습니다.

구독 계획을 결정할 때 사용자는 필요한 기간에 맞춰 유연하게 선택할 수 있으며, 이는 서비스 이용에 있어 재정적인 부담을 줄여줍니다. 따라서 ExpressVPN을 이용하고자 하는 사용자들은 현재 제공되는 할인 정보를 확인하여 가장 유리한 구독 방식을 찾아보는 것이 좋습니다.

Qwen 팀이 사람과 에이전트를 위한 로컬 우선 검색 도구 zg(zvec-grep)를 오픈소스로 공개했습니다. 이 도구는 코드와 문서를 자연어 의도로 탐색하고 정확한 위치까지 좁힐 수 있도록 설계되었습니다.

zg(zvec-grep)는 기존 ripgrep의 정확한 텍스트 검색 기능에 벡터 검색, BM25, 하이브리드 검색 기술을 결합하여 검색의 정확도와 범위를 혁신적으로 확장합니다. 이를 통해 사용자는 함수명이나 오류 문자열과 같은 구체적인 정보 없이도 자연어 질문을 통해 원하는 코드나 문서를 효율적으로 찾을 수 있습니다.

이 검색 인프라는 로컬 환경에서 작동하며, 코드베이스 내에서 복잡한 정보를 탐색하는 데 최적화되어 있습니다. 이는 개발자가 코드와 문서를 탐색할 때 키워드 검색의 한계를 넘어선 맥락 기반의 검색 경험을 제공하여 개발 효율성을 높이는 데 기여할 것입니다.

48GB RAM을 탑재한 M4 Pro Mac mini를 상시 LLM 서버로 구축하여 로컬 환경에서 대규모 언어 모델을 구동하는 환경을 성공적으로 마련했습니다. 이 환경은 추론 및 에이전트 작업에는 Qwen3.6-35B-A3B 모델을, 간단한 대화에는 Gemma-4-E4B 모델을 활용하여 약 30분 만에 전체 환경을 구성할 수 있었습니다.

이러한 로컬 실행 방식은 클라우드 API에 의존하는 방식의 한계를 극복하고 개발 환경의 안정성을 높이는 데 중점을 둡니다. 개발자는 클라우드 서비스에서 발생할 수 있는 가격 변경, 사용량 제한, 예고 없는 모델 교체 등의 외부 변수에 영향을 받지 않고 민감한 작업을 수행할 수 있습니다.

로컬 LLM 환경을 구축함으로써 외부 서비스 종속성을 최소화하고 모델 운영에 대한 통제권을 확보할 수 있습니다. 이는 특히 민감한 데이터 처리나 장기적인 프로젝트에서 비용 효율성과 보안을 동시에 고려해야 하는 개발자들에게 중요한 이점을 제공합니다.

JSON 시각화 도구인 Show GN: JSON Byte가 기능 개선을 거쳐 다시 소개됩니다. 이번 업데이트는 사용자 피드백을 반영하여 기능을 개선한 결과입니다.

주요 변경 사항으로는 프레임워크가 Astro로 변경되었다는 점이 있습니다. 기존에는 vite와 html을 사용하던 방식에서 Astro를 기반으로 전환되어 개발 환경이 현대화되었습니다.

또한, 사용자들의 요청에 따라 검색 기능이 추가되어 도구 사용 편의성이 향상되었습니다. 개발자들은 Astro 기반 환경에서 JSON 데이터를 시각화하고 검색할 수 있는 새로운 기능을 활용할 수 있게 되었습니다.

MMO 게임인 엘더마이어(Realms of Eldermyr)의 최신 업데이트 내용이 공개되었습니다. 이 게임은 브라우저에서 플레이 가능한 무료 멀티플레이어 액션 RPG로, 다운로드 없이 즉시 접속하여 플레이할 수 있는 인-브라우저 원 렐름 시스템을 특징으로 합니다.

최근 패치 노트 v3.21.0에서는 네 개의 새로운 던전과 사용자가 실제로 변경할 수 있는 설정 옵션이 추가되었습니다. 또한 이전 버전인 v3.20.0에서는 플레이어가 자신의 체력을 확인할 수 있게 되었으며 모바일 환경에서도 게임이 작동하도록 개선되었습니다.

이 외에도 v3.19.0에서는 이동 버그가 근본적으로 수정되었고 남서쪽에 위치한 실제 바다를 최종 목표로 설정하는 요소가 추가되었습니다. 이러한 업데이트들은 게임의 콘텐츠 확장과 사용자 경험 개선에 중점을 두고 있습니다.

원격근무의 장점을 유지하고 생산성을 높이려면 사무실 복귀보다 비동기 소통 방식을 개선해야 한다는 연구 결과가 나왔습니다. 이는 원격근무 환경에서 발생하는 실제적인 문제점은 물리적인 위치보다는 비효율적인 소통 방식에 있음을 시사합니다.

7,700명을 대상으로 진행된 연구에 따르면 원격근무자는 높은 웰빙과 낮은 이직률을 보였지만, 팬데믹 기간 동안의 갑작스러운 전환은 팀 내 소통과 협업을 약화시키는 결과를 낳았습니다. 즉, 원격근무 자체는 긍정적인 결과를 가져왔으나, 소통 체계가 미흡했을 때 협업의 질이 저하될 수 있다는 점이 중요합니다.

따라서 유연성과 생산성을 동시에 확보하기 위해서는 원격근무 환경에서 비동기 소통을 효과적으로 관리하고 개선하는 것이 핵심 과제입니다. 이는 단순히 근무 장소를 조정하는 것을 넘어, 효율적인 정보 공유와 협업 시스템을 구축하는 데 초점을 맞춰야 함을 의미합니다.

메타는 직원들이 인공지능 도구를 사용하도록 하는 압박을 줄이는 동시에, 가장 진보된 AI 프로젝트인 해치(Hatch)를 실험해 보도록 장려하고 있습니다. 이는 회사 차원에서 직원들의 AI 활용에 대한 접근 방식을 변화시키려는 전략적 움직임입니다.

이러한 변화는 직원들이 AI 도구를 의무적으로 사용해야 한다는 부담감을 완화하여, 자발적인 실험과 탐구를 촉진하는 데 중점을 둡니다. 회사는 직원들이 새로운 AI 기술을 직접 경험하고 활용할 수 있는 환경을 조성함으로써, 내부적으로 AI 기술에 대한 이해도와 적용 능력을 높이려 합니다.

특히 해치는 메타의 가장 발전된 AI 프로젝트로, 직원들이 이 프로젝트를 실험하도록 장려하는 것은 내부적으로 새로운 AI 기술의 잠재력을 탐색하고 혁신을 이끌어내려는 의도를 반영합니다. 이는 단순히 도구 사용을 강제하는 대신, 직원들이 AI를 창의적으로 활용할 수 있는 기회를 제공하는 데 초점을 맞춥니다.

결론적으로, 메타의 이러한 접근 방식은 직원들에게 AI 도구 사용에 대한 심리적 압박을 줄이면서도, 가장 진보된 AI 프로젝트를 통해 실제적인 실험을 장려함으로써 조직 내 AI 혁신을 촉진하려는 시도로 해석됩니다.

흩어져 있는 경험을 AI가 재사용할 수 있는 컨텍스트로 만드는 마케팅 인텔리전스 레이어 구축 방법에 대한 내용입니다. 이 시스템은 문서, 회의록, Slack 등에 분산되어 있는 15년 이상의 경험 데이터를 구조화하여 다양한 AI 도구가 활용할 수 있도록 하는 것을 목표로 합니다.

이 레이어는 단순히 문서를 요약하는 것을 넘어, 복잡한 상황과 맥락을 추출하여 AI가 실제 업무에 적용할 수 있는 재사용 가능한 컨텍스트를 제공합니다. 사용자는 원본 자료를 `/raw` 경로에 입력한 후 `/build` 명령을 실행하여 이 구조화 작업을 수행할 수 있습니다.

특히, 이 과정에서 Extractor는 일반적인 문서 요약이 아닌 다른 상황에 대한 정보를 추출하는 방식으로 작동하여, 비정형 데이터 속에서 의미 있는 지식을 추출하는 데 중점을 둡니다. 이는 조직 내의 방대한 비정형 경험을 AI 시스템이 효과적으로 학습하고 활용할 수 있는 기반을 마련해 줍니다.

Anthropic이 소매, 여행, 통신, 티켓 플랫폼 등 다양한 분야에서 쇼핑 에이전트와 판매자 에이전트를 며칠 안에 구축할 수 있는 블루프린트와 Claude Code 플러그인을 공개했습니다. 이는 개발자들이 Claude를 활용하여 복잡한 커머스 기능을 구현할 수 있는 구체적인 방법을 제공한다는 점에서 주목받고 있습니다.

특히 쇼핑 에이전트는 사용자의 자연어 요청을 이해하여 카탈로그 검색과 비교, 개인화 추천, 장바구니 구성, 결제 과정까지 자동화하는 역할을 수행합니다. 이러한 에이전트 구축은 대규모 상품 데이터와 복잡한 상업적 프로세스를 AI 기반으로 효율화하는 데 핵심적인 역할을 할 수 있습니다.

이러한 공개는 AI 모델을 실제 비즈니스 애플리케이션에 적용하는 데 필요한 개발 환경과 구조를 제공함으로써, 개발자들이 AI 기반 커머스 시스템을 신속하게 개발할 수 있도록 돕습니다. 개발자들은 이 블루프린트를 활용하여 기존 플랫폼에 AI 에이전트 기능을 통합하고 사용자 경험을 혁신하는 데 집중할 수 있습니다.

Claude Fable 5.1 업데이트에 맞춰 기존 프롬프트 설정을 그대로 교체하기보다 재평가해야 합니다. 기존 Claude Fable 5 프롬프트는 대부분 작동하지만, 5.1 버전에서는 effort, 진행 업데이트, 도구 호출, 대화 이력, 출력 형식 등 여러 요소가 변경되었습니다.

이러한 변경 사항 때문에 기존에 사용하던 설정을 그대로 적용할 경우 의도한 대로 작동하지 않을 수 있으므로, 사용자는 새로운 환경에 맞게 프롬프트를 다시 평가하고 조정해야 합니다.

Claude Fable 5.1은 기본값으로 high를 포함하여 low, medium, xhigh 등 다양한 설정 옵션을 제공하고 있습니다. 개발자는 이러한 설정 옵션과 변경된 출력 형식을 고려하여 자신의 요구사항에 가장 적합한 프롬프팅 방식을 선택해야 합니다.

Mac 사용자들을 위한 여러 유틸리티를 하나의 메뉴 막대 앱으로 통합한 Vorssaint가 공개되었습니다. 이 앱은 앱별 음량 조절, 시스템 모니터링, 앱 전환기, 창 관리, 클립보드, 화면 캡처, 파일 정리 등 사용자들이 별도로 구매하거나 설치해야 했던 다양한 Mac 도구들을 하나의 메뉴 막대 아이콘 아래에 모아 제공합니다.

Vorssaint는 무료 오픈소스로 제공되며, 사용자의 계정 정보, 구독 상태, 사용 패턴에 대한 분석이나 추적 기능은 전혀 포함하고 있지 않습니다. 이는 사용자가 자신의 시스템 환경을 관리하면서도 개인 정보 보호를 유지할 수 있도록 설계된 점이 특징입니다.

또한 이 프로그램은 Mac에서 계정이나 외부 서버에 의존하지 않고 로컬 환경에서 직접 실행되므로 보안성과 개인 정보 보호 측면에서 높은 신뢰도를 제공합니다. 개발자나 사용자들은 이 앱을 통해 복잡한 시스템 관리 작업을 효율적으로 통합하고 개인 정보 노출 없이 Mac 환경을 더욱 깔끔하게 관리할 수 있습니다.

범용 물리 지능을 개발하는 Physical Intelligence는 하나의 모델을 사용하여 여러 로봇이 다양한 현실 작업을 수행할 수 있도록 하는 것을 목표로 합니다. 이 과정에서 신뢰성, 장기 자율성, 그리고 새로운 환경에 대한 일반화 능력을 핵심 과제로 삼고 있습니다.

물리 세계에서 모델의 판단은 곧바로 행동으로 이어지기 때문에 오류를 허용할 수 있는 범위가 매우 작습니다. 따라서 로봇 시스템이 현실 세계에서 성공적으로 작동하기 위해서는 이러한 제약 조건을 극복하는 것이 중요합니다.

이러한 맥락에서 로봇 시스템 개발자들은 모델의 판단과 실제 행동 간의 연결 고리를 어떻게 신뢰성 있게 구축할지에 집중해야 합니다. 즉, 물리적 제약 조건 하에서 장기 자율성을 확보하고 다양한 환경에 모델을 일반화하는 기술적 난제를 해결해야 합니다.

앱과 QR 코드 사용을 당연시하는 기업이나 기관에 스마트폰이 없다는 이유로 제품 사용에 요구된 앱 18개를 거부했다는 내용입니다. 이는 지난 1년 동안 제품 사용을 위해 요구된 앱 사용 조건이 기기 소유부터 배터리, 저장 공간, 통신망, Google 및 Apple 계정, 개인정보 제공 의사까지 총 10가지 조건이 충족되어야 한다는 점을 전제로 합니다.

이러한 앱 사용 요구는 단순히 소프트웨어 접근을 넘어 기기 소유, 통신 환경, 계정 연동, 개인정보 제공 동의 등 복잡한 10가지 조건을 충족해야만 이루어지기 때문에 사용자에게 상당한 진입 장벽을 만듭니다. 기업이나 기관이 앱 사용을 당연시할 때 이러한 조건들이 충족되지 않는 사용자들에게는 실질적인 사용의 어려움을 야기합니다.

결국 스마트폰이 없는 상황에서 앱 사용을 강제하는 것은 사용자 경험과 시스템 접근성에 있어 심각한 마찰을 발생시킵니다. 이는 디지털 서비스가 특정 하드웨어 환경에 과도하게 의존할 때 발생하는 구조적인 문제이며, 개발자 입장에서는 다양한 환경과 제약 조건에 따른 서비스 설계의 필요성을 시사합니다.

루비 온 레일즈 창시자인 DHH를 둘러싼 논란에도 불구하고 기술 업계 경영진들이 그에게 약정된 금액을 기부했다는 소식이 보도되었습니다. 기술 업계 경영진 12명이 Omacom Foundation에 각각 100만 달러씩, 총 약 1,200만 달러를 약정했습니다.

이러한 기부는 DHH의 백인 민족주의적 발언 논란이 제기된 상황에서 이루어졌으며, 이는 오픈소스 커뮤니티 내에서 논란과 별개로 기술 리더십에 대한 지지 또는 연대 차원에서 이루어진 것으로 해석됩니다.

또한, 관련 커뮤니티 활동에 대한 후원도 이어졌습니다. RailsConf가 DHH를 연사로 선정한 이후 Ruby Central은 Sidekiq 프로젝트에 연간 25만 달러를 후원하는 약속을 했습니다.

LLM 기반 에이전트는 도구, 재사용 가능한 기술, 전문 에이전트로 구성된 하네스(harness)를 통해 작동하며, 이 하네스는 새로운 기능이 추가됨에 따라 지속적으로 진화합니다. 본 연구는 이러한 하네스 진화를 평가하기 위해 세 가지 축(도구, 기술, 에이전트)에 걸쳐 에이전트를 평가하는 벤치마크인 EVOHARNESSBENCH를 소개합니다. 기존의 지속 학습 벤치마크가 태스크 스트림에서 비정상성(시간에 따른 변화)을 다루는 것과 달리, EVOHARNESSBENCH는 비정상성을 외부에서 제공되는 하네스 자체에 두어 하네스 진화라는 독특한 도전 과제를 제시합니다.

이 벤치마크는 검증 기반 벤치마크에서 결정론적으로 구성된 17개의 다단계 하네스 스트림을 포함하며, 총 802개의 태스크, 520개의 도구, 42개의 기술, 62개의 에이전트를 포함합니다. 연구진은 하네스 진화의 핵심 과제인 배포 평가와 자가 진화 적응 평가라는 두 가지 보완적인 설정을 평가했습니다.

연구 결과는 세 가지 지속적인 격차를 드러냅니다. 첫째, 하네스 확장만으로는 이전에 해결했던 태스크의 성능이 저하되어 하네스 유도 망각이 발생할 수 있습니다. 둘째, 자가 진화 적응에서 얻는 이득은 하네스 진화 단계, 능력 축, 환경에 걸쳐 일관성이 없습니다. 셋째, 능력 보존과 적응이 서로 상충할 수 있는데, 이전 능력을 보존하는 것이 새로 도입된 능력에 대한 적응을 반드시 개선하지는 않으며 그 반대도 마찬가지입니다. 이러한 결과는 에이전트가 이전의 효과적인 행동을 보존하면서 진화하는 하네스에 발맞출 수 있도록 하는 것이 별개의 도전 과제임을 입증합니다.

두 노드 분할(split-LLM) 학습 시스템에 대한 시스템 보안 사례 연구를 제시합니다. 이 시스템은 신뢰할 수 있는 로컬 노드(TLN)가 보호된 활성화를 신뢰할 수 없는 클라우드 노드(UCN)로 보내고, UCN이 결과를 반환하며, TLN이 사적인 손실을 보유한 채 출력 기울기(gradient)를 반환하는 구조입니다. UCN이 받는 프레임에는 실제 데이터와 위장 데이터가 혼합되어 있으며, 손실 함수는 위장 데이터를 무시합니다. 이로 인해 기울기는 정확히 0이 되며, 이 0의 패턴을 통해 어떤 행이 실제 데이터였는지 식별할 수 있습니다.

연구진은 이 시스템에 대해 미리 설정된 프로토콜(공격 가능성 입증, 누락된 누출 보고 방지, 임계값 설정)을 사용하여 측정했습니다. 아홉 가지 시드에서 0의 패턴은 모든 프레임에서 실제 행을 식별했으며, 각 실행마다 4,096개 중 4,096개의 실제 행을 찾아냈습니다. 프레임 내용에 대한 공격은 상수 추측 기준선보다 약 100분의 1 더 많은 토큰을 복구했으며, 이는 0.65%에서 1.50% 포인트의 증가를 의미합니다.

이러한 발견은 모델 품질을 예산 범위 내로 유지하는 구성에서도 반복되었기 때문에, 이 연구 결과는 실제로 배포될 가능성이 있는 설정에 국한되지 않습니다. 모든 실행은 순방향 채널 개인 정보 보호 검사와 품질 검사를 통과했지만, 반환된 기울기가 포함되었을 때 동일한 검사를 통과하지 못했습니다. 기울기의 각 행을 클리핑하거나 노이즈를 추가하는 조치는 보유된 교차 엔트로피(cross-entropy) 0.01 나트(nats)만큼의 누출을 막았습니다.

따라서 이 시스템은 안전하지 않으며, 학습 단계 전반에 걸쳐 관찰을 누적하는 공격을 포함하여 다섯 가지 공격 유형이 전혀 측정되지 않았습니다.

안전 정렬은 보통 주제 수준의 질문, 즉 해당 주제가 유해한지 여부로 다루어지지만, 실제 배포 환경에서는 더 좁은 경계가 필요합니다. 예를 들어, 공직 튜터와 공공 부문 보조 모델은 동일한 주제 내에서 다른 경계를 가져야 하며, 동일한 선거에 대한 사실 질문에는 답하면서도 특정 정치적 조작을 거부해야 합니다. 연구진은 이를 좁은 경계 안전(narrow-boundary safety)으로 공식화하고, 제어된 주제 생성, 커버리지 복구, 분포 내 보상 데이터, 유해-무해 쌍 데이터를 결합한 오프라인 자체 생성 프레임워크를 도입하여 훈련 및 평가를 진행했습니다.

이 프레임워크를 통해 단일 시점 생성은 프롬프트 중 19.88%가 수용된 거부 흔적을 남기지 않았고, 점진적 재시도(escalating retries)는 0.20%만이 그러한 흔적을 남겼음을 확인했습니다. 특히 Qwen3-8B 모델에 정치적 설득을 적용했을 때, 거부 데이터로 훈련을 완료하면 목표 도메인 거부가 9.47%에서 84.75%로 증가하고, 세 가지 광범위한 유해성 벤치마크 전반의 평균 안전하지 않은 응답률은 26.26%에서 0.14%로 감소했습니다.

하지만 이러한 과정에서 XSTest 과다 거부(over-refusal)는 2.00%에서 74.00%로 증가하는 상충 관계가 발생했습니다. 별도의 비교에서 외부 응답을 검증된 타겟 모델 응답으로 대체했을 때 과다 거부는 15.20%에서 5.20%로 감소했습니다. 또한 경계 쌍 데이터는 보유된 쌍에서 준수 측면의 과다 거부를 32.94%에서 4.16%로 줄였지만, 유해 측면의 거부는 91.88%에서 87.72%로만 감소했습니다.

이러한 결과는 데이터 구성이 안전성과 사용성 간의 상충 관계를 제어하며, 안전 정렬은 의도된 거부 경계의 양쪽 측면 모두에서 평가되어야 함을 보여줍니다.

ENEAS는 인스턴스 추적과 의미 발견을 위한 통합된 텍스트 프롬프트 가능 방법론을 제시합니다. 현재의 텍스트 프롬프트 기반 분할 모델, 예를 들어 SAM 3는 시간적 환각, 공간적 파편화, 의미적 오분류 문제를 겪고 있습니다. 이는 객체가 시야에서 사라졌을 때 부재를 보고하지 못하거나, 극단적인 클로즈업에서 전체 객체 대신 국소 질감만 분할하거나, 시각적 유사성을 기준으로 조각상이나 반사물 등을 대상 개체로 잘못 분류하는 오류를 포함합니다.

ENEAS는 이러한 문제를 해결하기 위해 단일 방법에서 정밀한 추적 및 고품질 분할, 그리고 텍스트 질의에 따른 모든 인스턴스의 개방형 발견을 통합합니다. 추적을 위해서는 점 상호작용에 국한되었던 기하학적으로 견고한 SeC 아키텍처를 텍스트 프롬프팅 어댑터와 시간적 메모리로 확장하여, 대상이 사라져도 방해 요소로 표류하지 않고 전체를 유지하며 추적할 수 있게 합니다.

또한, 발견을 위해서는 고속 시각 임베딩 매칭과 조건부 VLM 정제를 결합한 검증 레이어를 사용하여, 시각 모델이 구별할 수 없는 존재론적 오류를 걸러내면서도 낮은 지연 시간을 유지합니다. ENEAS는 단일 오분류 요소가 자산을 손상시키는 3차원 재구성을 염두에 두고 설계되었으며, 이를 통해 시간적 또는 공간적으로 무질서한 데이터의 고품질 의미적 추적 및 분할을 가능하게 합니다.

결과적으로 ENEAS는 시각적으로 유사하지만 실제로는 다른 사물들을 구별하여 참 인스턴스와 그 복제품을 구분해내며, 비디오, 광범위한 라이브러리, 시간적 또는 공간적으로 무질서한 데이터에 대한 의미적 추적 및 분할 능력을 제공합니다. 관련 코드와 모델은 https://github.com/speridlabs/eneas에서 공개되어 있습니다.

대규모 언어 모델(LLM)의 성공은 다음 토큰 예측(NTP)에 기반하지만, 자기회귀(AR) 구조 때문에 토큰 생성이 느리고 순차적으로 이루어지는 병목 현상이 존재합니다. 이를 해결하기 위해 확산 증강 LLM(diffusion-augmented LLMs)이라는 새로운 모델 클래스가 도입되었습니다. 이 모델은 AR 모델 분포를 정의하면서 확산을 사용하여 해당 분포에서 여러 토큰을 병렬로 추출합니다.

모델의 파라미터는 두 세트로 분리되는데, 표준 NTP 목표를 사용하여 훈련된 AR 가중치와 여러 토큰을 동시에 생성하도록 훈련된 경량 확산 가중치로 구성됩니다. 확산 가중치는 기존 LLM 훈련 파이프라인에 미미한 오버헤드만 추가하는 간단한 확산 증류(Diffusion Distillation) 단계를 통해 학습됩니다. 또한, 고정된 컨텍스트 길이에서 손실 없는 가속과 추론 시간 확장을 가능하게 하는 $\Psi$-Spec이라는 샘플러 패밀리도 함께 소개되었습니다.

이 방법은 별도의 초안 모델이 필요 없는 사변적 디코딩(speculative decoding)과 달리, 기본 AR 모델의 품질을 희생하지 않으면서 생성 속도를 높입니다. 그 결과로 탄생한 Uno 모델은 기존의 AR LLM을 확장하거나 처음부터 훈련할 수 있으며, 평가된 모든 배치 크기에서 선도적인 사변적 디코딩 방법보다 높은 처리량을 달성하고 기본 AR 모델 대비 최대 3배의 속도 향상을 제공합니다.

특히 8B Uno 모델은 선도적인 오픈 소스 d-LLM인 26B DiffusionGemma 및 독점 모델인 Mercury 2를 모든 평가 벤치마크에서 에이전트 도구 사용, 코딩, 장문 추론 분야에서 능가하는 성능을 보였습니다. Uno 모델의 코드와 체크포인트는 https://s-sahoo.github.io/uno/에서 공개되었습니다.

추론 모델이 자체 경험으로부터 개선할 수 있지만, 이러한 내부 루프는 취약하다는 문제점을 해결하기 위해 FlowBalance라는 검증 기반 자기 개선 방법을 제시합니다. FlowBalance는 완전한 응답에 대한 정규화된 분포를 학습하는 방식으로, 터미널 검증기(terminal verifiers)가 제공하는 신뢰성 있으면서도 희소한 감독을 활용합니다.

이 방법은 각 온-폴리 정책 궤적에 대해, 동일한 정책의 고정된 훈련 시간 뷰와 특권적 컨텍스트를 사용하여 토큰 수준의 로그 확률 이득을 생성하고 이를 궤적 수준의 자기 안내 점수로 집계합니다. FlowBalance는 이 점수를 검증기가 도출한 그룹 이점(group advantage)과 보정하여 자기 안내를 정렬합니다. 즉, 긍정적인 이점 궤적에서는 안내를 유지하고 부정적인 이점 궤적에서는 반전시키며, 결과적으로 에너지(energy)를 통해 참조 정책을 지수적으로 재가중합니다.

이러한 접근 방식은 별도의 토큰 수준 모방 손실 없이 궤적 균형을 통해 결과가 정렬된 자기 안내를 실현하며, 그룹 내 대비 보존, 최소 변화 역-KL 특성화, 목표 보상에 대한 단조로운 검증기 제어, 거부된 응답에 대한 오탐(false-positive) 자기 안내에 대한 정확한 보정 등을 입증했습니다. 수학적 추론 분야에서 FlowBalance는 Qwen3-4B와 Qwen3-8B 모델 모두에서 FlowRL보다 평균 성능을 향상시켰으며, 훈련 속도와 안정성을 개선하고 OPSD의 응답 길이 붕괴를 피했습니다. 또한 통제된 AIME24 진단에서 더 높은 올바른 전략 다양성을 보였습니다.