읽을 가치가 있는 기사만, 짧고 또렷하게.

새로운 직접 가속 뉴턴 방법이 개발되어 볼록 함수를 최소화하는 알고리즘의 수렴 속도를 크게 향상시켰습니다. 이 알고리즘은 리프시츠 연속성을 갖는 헤세 행렬을 가진 볼록 함수를 최소화하는 데 사용되며, 반복마다 단 하나의 선형 방정식을만 해결하여 계산 효율성을 극대화합니다.

이 방법은 기능 잔차(functional residual) 측면에서 $O(1/k^3)$의 전역 수렴 속도를 달성합니다. 이는 기존의 다른 방법들과 비교했을 때, 보조 비선형 정규화 문제 해결, 비선형 매개변수 탐색, 또는 이중 외삽 기울기 보정 없이 단 한 번의 선형 시스템 해결만을 사용하여 이 속도를 달성하는 최초의 2차 방법입니다.

또한 이 방법은 헤세 프리(Hessian-free) 방식으로 구현될 수 있으며, 부정확한 선형 시스템 솔버를 사용하여 빠른 전역 속도를 유지할 수 있습니다. 연구진은 이 구조를 브레그만 발산(Bregman divergence)을 통해 임의의 기하학으로 확장하고 복합 최적화 문제로도 적용할 수 있음을 보였습니다.

생명 과학 분야의 전문적인 작업 흐름에서 과학자들은 연구 결정을 내리기 위해 겔 블롯, 현미경 이미지, 플라스미드 맵, 유세포 분석 플롯 등 시각적 인공물(artifacts)을 일상적으로 해석합니다. 이러한 시각적 해석 능력의 한계를 보완하기 위해 연구팀은 VIALS라는 시각적 질문 응답 벤치마크를 소개합니다. VIALS는 생명공학 산업의 실험 흐름 전반에 걸친 161가지 해석 과제를 포함하며, 출판물이나 교과서의 정제된 그림이 아닌 실제 실험 과정에서 관찰되는 인공물들을 다룹니다.

최신 비전-언어 모델들은 자연 이미지를 유창하게 설명할 수 있지만, 과학 이미지를 정확하게 해석하는 데는 한계를 보입니다. 이는 모델이 해당 분야의 지식과 도메인 특화된 시각적 추론 능력이 부족함을 반영합니다. 반면, 관련 도메인 전문 지식을 가진 과학자들은 이러한 시각적 해석 과제를 비교적 쉽게 수행할 수 있습니다.

따라서 이러한 시각적 해석 능력이 부족한 인공지능은 과학자들이 추론하고 소통하며 의사 결정을 내리는 데 중심이 되는 생명 과학 작업 흐름에서 제한적인 유용성을 가질 수 있습니다. VIALS 벤치마크는 도메인 특화된 시각적 추론 능력을 갖춘 AI 개발에 중요한 기준을 제시합니다.

생성형 AI를 활용한 기계 검증은 비용이 아니라 생산성을 위한 필수 요소로 전환된다는 보고가 나왔습니다. 기계 검증은 60년 동안 예외적인 결과물에만 허용되었으나, 이제 AI 속도에서는 경제적일 뿐만 아니라 생산성을 위해 필수적인 역할을 합니다. 이는 한 사람이 대규모로 자율적인 기계 작업을 안전하게 지시할 수 있도록 하는 흔들리지 않는 심판 역할을 합니다.

실제로 한 연구자는 5주 만에 소비자 AI 구독을 통해 AI 에이전트들을 애플리케이션 코드에서 시작하여 검증된 컴파일러와 실행기를 거쳐 커뮤니티 실리콘 셔틀에 제작된 RISC-V 프로세서로 안내했습니다. 이 과정에서 인간의 검토나 RTL 코딩은 전혀 이루어지지 않았습니다.

이러한 작업은 'Salt 방법'이라는 작업 규율을 기반으로 하며, 환각된 증명이 통과할 수 없는 증명 커널을 사용합니다. 수학적 주장은 에이전트들 사이에서 커널 검사를 거친 결과물로 이동하며, 인간의 주의는 진술, 설계, 판정에 집중됩니다. 검증은 Lean 4 커널부터 실리콘 경계에서의 SAT 검증 등 링크별로 명확하게 제시됩니다.

연구팀은 증명 출처, 토큰 미터, 제한된 인간 시간, 그리고 기록에 도달하는 잘못된 증명이 0개임을 나타내는 오류 장부(#256)를 포함한 전체 회계 기록을 공개했습니다. 이는 AI 기반 작업의 안전성과 투명성을 보장하는 데 중요한 맥락을 제공합니다.

암 치료 반응 예측은 데이터 부족과 종양 이질성으로 인해 제한되어 왔습니다. 기존 접근 방식들은 치료 전 분자 프로파일과 약물 표현을 기반으로 반응을 예측하지만, 치료 과정에서 예상되는 분자 변화를 명시적으로 모델링하지는 못합니다. 이에 본 연구는 개입 유도 잠재 전환(latent transitions)을 학습하고 이를 환자-약물 반응 특징으로 활용하는 치료 조건화 표현 학습 프레임워크인 PerturbRx를 제안합니다.

PerturbRx는 약물 및 용량 조건화된 전환 예측기를 대조군 및 치료군 단일 세포 집단에서 학습합니다. 이 예측기를 고정하고 치료 후 측정 없이 치료 전 환자 프로파일로 전이하여 환자-약물 반응을 예측하는 데 사용합니다. 이는 치료 과정에서 발생하는 분자 변화를 간접적으로 반영하는 잠재 전환 정보를 활용하는 방식입니다.

이러한 접근 방식은 환자 및 약물 표현과 전환 정보를 결합하여 반응을 예측하며, TCGA 및 환자 유래 이종이식 모델 벤치마크에서 평가된 다른 방법들보다 가장 강력한 종합 예측 성능을 달성했습니다. 이 결과는 교란 사전 학습된 잠재 전환이 환자 수준의 약물 반응 예측에 유용한 표현임을 뒷받침합니다.

meshoptimizer를 최적화하여 수십억 개의 삼각형을 몇 분 만에 처리하는 기술이 공개되었습니다. 이 작업은 NVIDIA의 레이트레이싱 기술인 RTX Mega Geometry와 Nanite 클러스터링 LOD 파이프라인을 지원하기 위해 계층적 클러스터링(hierarchical clustered LOD) 기능을 개선하는 데 중점을 두었습니다.

이 기술은 삼각형 메시에서 다중 수준의 디테일을 효율적으로 스트리밍하고 렌더링하기 위해 그래프(DAG) 기반의 클러스터 구조를 생성하는 것을 목표로 합니다. 특히, 클러스터 간의 경계 오류를 최소화하고 효율성을 높이는 알고리즘을 결합하는 과정에서 여러 기술적 트레이드오프가 발생하며, 이는 복잡한 지오메트리를 처리하는 데 중요한 과제입니다.

개발자는 이 목표를 달성하기 위해 오픈 소스 지오메트리 처리 라이브러리인 meshoptimizer를 활용하여 여러 알고리즘을 결합하는 엔드투엔드 예제를 구축했습니다. 이 과정에서 NVIDIA의 공개된 glTF 샘플을 사용하여 36GB에 달하는 지오메트리를 처리하는 실질적인 테스트를 진행했으며, 특히 인접 클러스터 간의 공유 정점 문제를 해결하기 위해 meshoptimizer의 내부 알고리즘을 수정하여 안정성을 확보했습니다.

이러한 개선은 Bevy의 가상 지오메트리 시스템 개선을 목표로 했으며, 향후 대규모 모델을 처리할 때 지오메트리 처리의 효율성과 시각적 정확도를 높이는 데 기여할 것입니다.

순차적 예측에 대한 보정(Calibration)을 위해서는 확률적 보고가 조건부로 편향되지 않고 확률로 신뢰성 있게 해석되어야 합니다. 보정 측정은 잘못 보정된 보고에 수치적 오류를 할당합니다.

Haghtalab 등(2024)은 온라인 예측을 위한 근사적으로 진실된 보정 측정 방법을 제안했지만, 정확한 진실성이 완전성과 건전성과 양립 가능한지에 대한 질문은 열어두었습니다. 본 연구는 순차적 이진 예측에 대해 정확한 진실성이 독립적인 결과에 대해서도 완전성과 건전성과 양립 불가능함을 증명했습니다. 이는 정확한 진실성에 국한된 불가능성임을 보여줍니다.

연구진은 기본 보정 측정으로부터 두 가지 일반적인 축소 방법을 제시하여 덧셈적 및 곱셈적 근사적으로 진실된 보정 측정 방법을 도출했습니다. 특히 곱셈적 축소 방법을 적용하면, 모든 $0 < \varepsilon < 1$에 대해 건전하고 완전한 보정 측정 방법을 구성할 수 있으며, 이는 $(1+\exp(-T^{(1-\varepsilon)/2}/2))$-곱셈적으로 진실합니다. 이는 이전 연구의 근사적 진실성 보장 수준을 향상시키는 결과를 가져옵니다.

LLM 생성 개선을 위한 자기 정제(self-refinement) 파이프라인에서 모델 크기의 비대칭적 할당이 중요함을 연구했습니다. 기존 접근 방식은 모델 크기를 연구 대상이 아닌 구현 세부 사항으로 취급하여 자원 낭비를 초래했지만, 본 연구는 생성, 비판, 수정의 각 단계별로 모델 크기가 성능에 미치는 영향을 체계적으로 분석했습니다.

연구진은 Qwen3 및 Gemma 3 모델 크기를 사용하여 5가지 도메인의 벤치마크에서 단계별 모델 크기 연구를 수행했습니다. 그 결과, 생성자와 수정자(refiner)가 더 큰 모델일수록 전체 파이프라인 성능이 향상되는 것으로 나타났습니다. 특히 수정자(refiner)가 크기가 작을 경우 오히려 성능이 저하될 수 있다는 점이 확인되어 모델 크기를 균일하게 할당해서는 안 된다는 실질적인 지침을 제공합니다.

또한 비판자(critic)의 크기는 성능에 크게 영향을 미치지 않지만, 비판 단계를 포함하는 것이 비판을 생략하는 것보다 일관되게 더 나은 성능을 보였습니다. 이러한 발견은 모델 용량을 자기 정제 파이프라인 전체에 균일하게 분배하는 것이 아니라, 각 단계가 고유한 크기 확장 특성을 가지므로 비대칭적으로 할당해야 함을 시사합니다.

결론적으로, 이러한 단계별 크기 스케일링 특성을 이해하는 것은 계산 효율적인 다단계 언어 모델 시스템을 설계하는 데 실질적인 지침을 제공합니다. 이는 LLM 에이전트 시스템을 구축할 때 모델 자원을 보다 효율적으로 관리하는 데 중요한 통찰을 제공합니다.

실시간 지연 제약 조건 하에서 사용자 제공 구절을 정확하게 인식해야 하는 실제 ASR 시스템에서는 문맥화가 필수적입니다. 기존의 문맥 편향 방법들이 인식 정확도를 개선하지만, 현대 생산 ASR 시스템이 요구하는 스트리밍 추론, 효율적인 배치 디코딩, 사용자별 문맥 목록, 낮은 런타임 오버헤드와 같은 실용적인 요구 사항을 충족하지 못하는 경우가 많습니다.

이에 연구진은 Transducer 기반 ASR 시스템에서 효율적인 구절 부스팅을 위한 생산 지향적인 프레임워크인 TurboBias 2.0을 제안합니다. 이 프레임워크는 GPU 가속 TurboBias를 확장하여 대소문자를 구분하지 않는 부스팅 그래프와 스트림별 배치 디코딩을 도입했습니다. 이를 통해 배치 내의 각 발화가 독립적인 문맥 편향 구성을 사용할 수 있게 되어, 여러 동시 사용자에게 문맥 목록을 공유하거나 혼합하지 않고 개인화된 문맥 편향을 제공할 수 있습니다.

TurboBias 2.0은 오프라인 및 스트리밍 추론을 모두 지원하며, 탐욕적(greedy) 디코딩과 빔 서치(beam-search) 디코딩 모두와 함께 사용할 수 있습니다. 실험 결과, TurboBias 2.0은 낮은 지연 시간과 높은 처리량을 유지하면서 문맥적 구절 인식을 개선하는 것을 입증했습니다.

웨이모(Waymo)가 NHTSA의 아동 충돌 조사에 관련 문서를 제출했습니다. 이는 로보택시가 아동을 들이받은 사고에 대한 규제 기관의 조사 과정에서 이루어지고 있습니다.

이 사고는 2026년 1월 23일 캘리포니아 산타모니카에서 발생했으며, 웨이모의 자가용인 재규어 아이오가 I-Pace 로보택시가 학교 근처를 지나가던 중 어린 소녀와 충돌했습니다. 초기 보고서에 따르면 로보택시는 시속 17마일로 주행하다가 속도를 줄여 시속 6마일로 감속한 후 학생과 충돌했으며, 소녀는 경미한 부상을 입었습니다.

NHTSA는 웨이모에게 학교 구역의 제한 속도 결정 방식, 로보택시의 학교 주변 행동에 대한 불만 사항, 소프트웨어 관련 문서 등 광범위한 정보를 요청했습니다. 웨이모는 조사에 필요한 정보를 제공하면서도 NHTSA와 웨이모 모두에게 과도한 부담을 피하기 위해 답변 기한 연장을 요청했습니다.

웨이모가 제출한 답변은 "기밀 사업 정보"를 이유로 완전히 편집되었지만, 이 문서는 웨이모가 NHTSA의 조사를 돕기 위한 정보 제공에 협조하고 있음을 보여줍니다. NHTSA는 이 사고에 대해 조사 중이며, 최종 보고서는 보통 12개월 후에 발표될 예정입니다.

단기 관측 가격 패널은 많은 관측치를 포함하지만 뚜렷한 가격 움직임은 적다는 특징이 있습니다. 본 연구는 희소한 가격 체제에 맞춰 보정된 합성 데이터 생성 과정에서 이러한 차이점이 갖는 추론적 결과를 탐구합니다. 연구진은 실현된 가격 궤적에 조건부적인 불확실성과 동일한 가격 과정에서 생성된 대안적인 궤적들 간의 추정 오차 변화(전체 설계에 걸친 변동)를 분리하여 분석했습니다.

기본 시뮬레이션에서 후자의 추정 오차 변동 성분은 기울기 부스팅 사양에 대한 추정 오차 분산의 97.6%를 차지합니다. 패널 내 재표본 추출 절차는 하나의 실현된 궤적 정보를 사용하므로 전체 설계에 걸친 변동 성분을 식별하지 못합니다. 세 가지 주요 결과가 제시됩니다. 첫째, 전체 설계에 걸친 분산은 $\sigma_{hat} \approx 0.182 V^{-0.271}$이라는 경험적 관계에 의해 잘 설명되며, 여기서 $V$는 이동 횟수와 크기의 제곱입니다.

둘째, 공통 가격 경로를 공유하는 영역을 추가하면 결과 노이즈는 감소하지만 독립적인 가격 궤적을 생성하지 못하며, 반대로 설계별 오차를 가진 단위들 간의 평균화는 표준 제곱근 비율로 분산을 감소시킵니다. 셋째, 독립적으로 가격이 책정된 단위들에서 추정된 Paule-Mandel 분산 성분은 균질 시뮬레이션에서 경험적 커버리지를 0.469에서 0.931로 크게 증가시킵니다.

이러한 결과는 고정된 수동 패널에만 의존하기보다는 독립적인 식별 변동을 생성하는 데이터 생성 과정을 설계하는 방향으로 전환해야 함을 시사합니다.

해부학 기반 딥러닝 모델은 수치적으로는 그럴듯하지만 실제 해부학적으로는 불가능하며 데이터가 부족할 때 일반화 성능이 떨어지는 문제가 있습니다. 이에 저자들은 인체 해부학적 사전 지식을 신경망에 통합하는 인체 정보 기반 신경망(Anatomy-Informed Neural Networks, AINN)을 제안합니다. AINN는 손실 함수에 부드러운 해부학적 사전 지식을 페널티 항으로 도입하거나, 아키텍처와 상태 표현에 경직된 해부학적 사전 지식(예: 혈관의 연속성)을 구축하여 잘못된 예측이 구조적으로 불가능하도록 만듭니다.

이 모델은 제한된 데이터를 사용하여 내혈로 단단한 와이어가 삽입될 때 대동맥-장골 혈관이 어떻게 변형되는지를 다루는 임상 사례를 통해 개발되었습니다. 이는 대동맥 수술과 자율적인 혈관 내 내비게이션에 중요한 의미를 가집니다. 연구는 혈관 중심선과 와이어 경로를 리 군 SE(3)의 곡선으로 변환하고, 코세라트 로드 와이어를 해부학적으로 고정된 혈관에 결합하는 방식으로 예측을 수행합니다.

예측은 C-arm 기하학과 관찰된 혈관 조영술 이미지 간의 Wasserstein-2 최적 운반 손실을 통해 지도 학습되며, 운동학, 손실, 투영은 알려진 실제 값과 검증되었습니다. 이 모델은 네트워크를 훈련하지 않고 인실리코 모델을 개발했으며, 향후 연구에서는 이 모델을 실제 CT 스캔으로 전환하여 예측 정확도를 개선하고 필요한 훈련 데이터 양을 줄일 수 있을 것으로 기대됩니다.

틱톡과 인스타그램 시청이 인지 제어 네트워크를 비활성화한다는 연구 결과가 발표되었습니다. 이 연구는 소셜 미디어 플랫폼의 사용이 인간의 인지 제어 능력에 영향을 미치며, 이는 주의력과 정보 처리 방식에 변화를 가져올 수 있음을 시사합니다.

인지 제어 네트워크는 목표 지향적인 행동을 계획하고 실행하며 주의를 조절하는 데 필수적인 역할을 합니다. 연구에 따르면, 이러한 플랫폼들을 지속적으로 시청하는 행위는 인지 제어 네트워크의 활성도를 감소시켜 사용자가 정보를 처리하고 주의를 분산하는 방식에 변화를 일으킵니다. 이는 소셜 미디어 환경이 사용자의 집중력과 의사결정 과정에 미치는 영향을 과학적으로 분석한 결과입니다.

이러한 발견은 사용자 경험 디자인이나 미디어 플랫폼 설계에 중요한 시사점을 제공합니다. 소셜 미디어의 알고리즘과 콘텐츠 구조가 사용자의 인지 자원을 어떻게 활용하고 조절하는지에 대한 이해를 높여, 사용자가 더 효과적으로 정보를 소비하고 주의를 관리할 수 있는 방안을 모색할 필요가 있습니다. 따라서 플랫폼이 제공하는 콘텐츠가 인지적 자원에 미치는 영향을 고려하여 설계하는 것이 중요해집니다.

DeepSeek-v4-flash-vision-exp는 텍스트와 이미지를 함께 처리하여 사진 설명, 스크린샷 문자 판독, 차트 분석 등의 작업을 수행하는 비전 모델입니다. 이 모델은 멀티모달 기능을 제공하여 이미지와 텍스트를 동시에 이해하고 처리할 수 있게 합니다.

개발자는 OpenAI 호환 Chat Completions 환경에서 이 비전 모델을 활용할 수 있습니다. 이미지를 입력할 때는 Base64 데이터 URL, 외부 URL, 또는 Files API를 통해 파일 ID를 전달하는 방식을 사용할 수 있습니다.

또한 이 모델은 Responses API와 Anthropic 호환 API를 지원하여 다양한 API 환경에서 통합적인 비전 기능을 구현할 수 있습니다. 이는 개발자들이 기존 시스템에 비전 기능을 쉽게 통합하고 확장할 수 있는 기반을 제공합니다.

대규모 언어 모델이 심리 치료 상호작용을 어떻게 수행하는지에 대한 이해가 부족한 상황에서, 본 연구는 치료 과정에 대한 온톨로지를 제시합니다. 이 온톨로지는 MULTI-60 인벤토리에 기반한 열 가지 치료적 움직임을 포함하며, 다섯 명의 면허 심리학자를 통한 주석 캠페인과 전문가 합의에 기반한 판단 방식을 통해 검증되었습니다.

연구진은 이 온톨로지를 실제 상담 기록과 모델 주도 세션에 적용하여 인간 임상가와 최첨단 모델 간의 움직임 분포를 비교했습니다. 그 결과, 모델들은 인간 임상가보다 탐색(inquiry)을 최대 세 배 더 많이 사용하고 심리 교육(psychoeducation)을 소홀히 하며, 인간이 시작한 전략을 이어받는 경향이 강하지만 스스로 전략을 시작하는 경우는 드물다는 사실이 밝혀졌습니다.

이 온톨로지를 공개함으로써 모델의 움직임 분포가 인간 분포에서 벗어나는 평균 편차를 절반으로 줄일 수 있었습니다. 또한, 모델과 인간 치료사 간의 턴 수준 정렬(turn-level alignment)을 파인튜닝 없이도 7~9퍼센트 포인트 개선하는 효과를 보였습니다.

이는 LLM이 심리 치료 맥락에서 어떻게 상호작용해야 하는지에 대한 구체적인 도구를 제공하며, 모델의 행동을 더 정확하게 측정하고 정렬하는 데 중요한 기반을 제공합니다.

Galactic Compass 2가 새로운 증강 현실 모드를 추가하며 업데이트되었습니다. 이 새로운 기능은 사용자가 나침반 화살표를 주변 세계에 배치하고 그 주위를 걸어 다닐 수 있게 하여, 앱을 물리적 환경과 통합하는 경험을 제공합니다.

이 업데이트에는 애플 워치 앱 연동 기능도 포함되어 있으며, 사용자는 손목에서 나침반 화살표를 보고 정렬 모드를 통해 햅틱 진동 피드백을 받을 수 있습니다. 또한 iOS 27을 위한 새로운 액체 유리(Liquid Glass) 외관도 적용되며, 사용자가 나침반을 드래그하여 움직일 수 있는 상호작용 기능도 추가되었습니다.

개발 과정에서 저자는 장치 회전과 세계 좌표계 회전을 결합하는 데 필요한 3차원 회전(짐벌 잠금 방지)을 처리하기 위해 쿼터니언(quaternions)이라는 수학적 방법을 사용했다고 설명합니다. 이는 AI 도구를 활용하여 복잡한 수학적 개념을 학습하고 코드를 구현하는 과정에서 발생한 기술적 난제를 해결하는 과정이었습니다.

이처럼 Galactic Compass 2는 단순한 시각적 경험을 넘어, 3D 그래픽과 물리적 상호작용을 구현하는 데 필요한 기술적 도전과 해결 과정을 보여줍니다. 이는 AI와 개발 도구를 활용하여 복잡한 수학적 문제를 해결하는 학습의 중요성을 시사합니다.

기하 대수학(Geometric Algebra)을 공부하는 과정에서 기하 변환(회전, 크기 조정, 평행 이동)이 단순히 반사(reflection)를 합성함으로써 구성될 수 있음을 보여주는 인터랙티브 시각화를 구축했습니다.

작성자는 반사를 가장 기본적인 기하학적 연산으로 받아들이는 것이 새로운 관점을 제공했다고 설명하며, 이러한 인터랙티브 시각화가 다른 사용자들에게 흥미로울 것이라고 언급했습니다.

이 프로젝트는 기하학적 변환을 반사라는 가장 기본적인 연산의 합성으로 이해하는 새로운 수학적 접근 방식을 시각적으로 제시한다는 점에서 개발자나 수학 분야에 관심 있는 독자들에게 흥미로운 주제를 제공합니다.

월마트가 애플 페이와 구글 페이 결제 기능을 도입합니다. 월마트는 금요일 발표를 통해 일부 월마트 및 샘스 클럽 매장에서 탭 투 페이 기능을 8월 24일부터 제공할 것이라고 밝혔습니다. 이 기능은 점진적으로 확대되어 2026년 말까지 모든 미국 매장으로 지원을 확대하고 2027년 중반에는 주유소까지 적용할 계획입니다.

이번 도입은 월마트가 애플 페이와 구글 페이 지원을 시작하는 것으로, 과거 주요 소매업체 중에서는 상대적으로 늦은 움직임이었습니다. 월마트는 이전에 모바일 결제 서비스인 CurrentC와 월마트 페이 확장을 지원한 바 있으며, 이번 움직임은 소매업계 내에서 모바일 결제 시스템 통합이 가속화되고 있음을 보여줍니다.

이러한 단계적 출시 계획은 시스템 통합 및 결제 인프라 구축에 있어 개발자들에게 중요한 참고 사항이 됩니다. 월마트는 특정 매장에서 시작하여 점진적으로 전체 매장과 주유소로 서비스를 확장할 예정이므로, 시스템 연동 및 결제 환경 구축 시 이 시간표와 범위에 대한 이해가 필요합니다.

LiteLLM이 Rust 및 성능 엔지니어를 채용한다는 소식이 전해졌습니다. 이 채용은 Y Combinator(YC) W23 프로그램에 참여 중인 LiteLLM 프로젝트의 성장에 발맞춰 진행되고 있습니다.

LiteLLM은 LLM 애플리케이션을 위한 프레임워크로, 성능과 효율성이 중요한 분야에서 Rust 언어를 활용하여 개발되고 있습니다. 따라서 해당 포지션은 시스템의 성능 최적화와 고성능 구현에 직접적으로 기여하는 중요한 역할을 수행하게 됩니다.

이러한 채용은 Rust 언어에 대한 깊은 이해와 고성능 시스템 설계 경험을 가진 개발자들에게 기회를 제공합니다. LiteLLM 프로젝트에 참여하고자 하는 개발자들은 시스템 레벨의 최적화와 새로운 기술 스택을 경험할 수 있다는 점에서 매력적입니다.

만약 Rust 프로그래밍과 시스템 성능 개선에 관심이 있다면, LiteLLM의 채용 공고를 통해 프로젝트에 기여할 수 있는 기회를 모색해 볼 수 있습니다.

Andreessen Horowitz의 파트너들이 서로 경쟁하는 회사들의 이사회에 동시에 참여하고 있다는 사실이 조사를 받고 있습니다. 구체적으로 벤 호로위츠는 Databricks의 이사회에, 마틴 카사도는 Fivetran의 이사회에 참여하고 있습니다.

미국 법무부(DOJ)는 이러한 구조에 대해 거의 1년간 조사를 진행해 왔으며, 이는 벤처 캐피탈(VC)에게는 드물게 사용되는 112년 된 반독점법을 동원하는 것입니다. 이는 이사회 내의 이해 상충 문제에 대한 법적 검토가 진행되고 있음을 시사합니다.

이러한 이사회 갈등은 새로운 문제가 아니며, a16z가 처음 투자했을 당시 해당 회사들이 반드시 직접적인 경쟁 관계는 아니었습니다. 따라서 이번 조사는 기존의 이사회 구조와 경쟁 관계에 대한 법적 해석을 재검토하는 맥락에서 이해할 필요가 있습니다.

테이크투 인터랙티브가 그랜드 테프트 오토 VI의 영상 유출과 관련하여 마이크로소프트와 디스코드에 대해 소송을 제기했습니다. 이들은 게임에 대한 저작권을 침해했다는 내용으로 소환장을 발부했으며, 이는 코타쿠가 보도했습니다.

이번 소환장은 목요일에 제출되었으며, 테이크투는 저작권 침해에 해당하는 자료에는 "시청각 콘텐츠, 예술 작품, 이미지, 대화 또는 기타 창의적 요소"가 포함된다고 명시했습니다. 테이크투는 이 소환장을 통해 관련된 "주장된 침해자"를 식별하려고 하고 있습니다.

이러한 소환장은 마이크로소프트와 디스코드에게 9월 4일까지 요청된 정보를 제출하도록 요구합니다. 이 사건은 'CyberLeek'이라는 개인 또는 그룹이 워터마크를 사용하여 유출된 클립을 공개하면서 발생했으며, 해당 클립에는 GTA VI의 일부 내용이 담겨 있었습니다.