읽을 가치가 있는 기사만, 짧고 또렷하게.

CIA 자금 지원은 1980년대 NeXT의 생존을 가능하게 했으며, 이는 스티브 잡스가 애플로 복귀하고 아이폰 운영체제 기반 기술을 발전시키는 데 중요한 발판이 되었습니다. 이 지원 덕분에 NeXT는 기술적으로 중요한 위치를 유지하며 후속 개발에 필요한 기반을 마련할 수 있었습니다.

1986년에는 CIA의 조 로멜로와 제프 해리스가 예고 없이 NeXT 본사를 방문하여 스티브 잡스와 직접 만나는 기회를 가졌습니다. 이 만남은 단순한 외교적 접촉을 넘어 위성 정찰 기술과 같은 첨단 기술에 대한 논의를 포함하며 두 사람의 관계를 심화시켰습니다.

이러한 역사적 배경은 NeXT가 이후 애플의 혁신적인 기술 개발에 기여하는 데 결정적인 역할을 했습니다. 결과적으로 NeXT의 기술적 유산은 현대 스마트폰 운영체제인 아이폰의 기반 기술로 이어지며 개발자들에게 중요한 기술적 맥락을 제공합니다.

Claude Code가 여러 코딩 에이전트가 공유하는 공통 프로젝트 지침 파일인 AGENTS.md를 활용하여 코드베이스 맥락을 이해할 수 있도록 요청했습니다. 이는 별도로 CLAUDE.md 파일을 복제하지 않고도 에이전트가 프로젝트의 전체 맥락을 효과적으로 활용할 수 있게 하는 것을 목표로 합니다.

이러한 요구사항을 해결하기 위해 이중 파일 방식을 제안했습니다. 이 방식은 CLAUDE.md 파일을 우선적으로 로드하고, 해당 파일이 존재하지 않을 경우에만 다른 방식으로 맥락을 처리하도록 설계되었습니다.

이러한 접근 방식은 코딩 에이전트가 불필요한 파일 복제를 줄이면서도 필요한 코드베이스 정보를 효율적으로 참조할 수 있게 하여 작업 효율성을 높일 수 있습니다. 개발 환경에서 여러 에이전트가 협업할 때 프로젝트 지침 파일의 활용도를 극대화하는 데 기여할 것입니다.

궤도 건설 선구자들(Orbital Construction Pioneers, OCP)이 비전통적인 방법과 재료를 사용하여 매우 큰 우주 구조물을 제작하는 궤도 제작 공정을 개발하고 있습니다. 이 특허 출원 중인 프로세스는 궤도에서 부품을 제작하여 대규모 우주 구조물을 건설하는 데 사용되는 특이한 원자재와 방법을 활용합니다.

이 시스템은 다른 조직들의 제안과 크게 다른 급진적인 새로운 접근 방식을 취하며, 그 결과로 최종 구조물은 설계가 유연하고 거의 모든 임무에 맞게 조정될 수 있습니다. 이는 장기 거주지, 저장 시설, 추진체에 부착될 경우 선박 등 다양한 용도로 활용될 수 있습니다.

OCP의 접근 방식은 유연한 설계와 다목적 활용 가능성을 제공하여 우주 구조물 제작의 새로운 가능성을 제시합니다. 이는 기존의 방식과는 차별화되는 혁신적인 공정 개발에 초점을 맞추고 있습니다.

젠키가 8BitDo와의 협업을 통해 자체적으로 설계한 최초의 컨트롤러인 맨타(Manta)를 오늘 출시합니다. 이 컨트롤러는 일반적인 디자인과는 달리 2.9인치 LCD 화면 위에 조이스틱과 버튼을 배치한 독특한 디자인을 특징으로 합니다.

맨타의 가장 큰 특징은 사용자 맞춤 설정에 중점을 두었다는 점입니다. 컨트롤러의 화면, 버튼, 조이스틱을 사용하여 플레이어의 선호도에 맞게 수많은 설정을 조정할 수 있도록 설계되었습니다. 이는 기존 컨트롤러보다 훨씬 깊은 수준의 커스터마이징 경험을 제공합니다.

현재 맨타는 킥스타터 크라우드펀딩 캠페인을 통해 출시되며, 가장 빠른 후원자들은 선주문을 할 수 있습니다. 이 컨트롤러는 단순한 입력 장치를 넘어 사용자가 직접 경험을 조정할 수 있는 커스터마이징 기능을 제공한다는 점에서 주목할 만합니다.

2026년 8월 20일, crates.io에 게시된 arrayref 0.3.10 크레이트에서 빌드 과정 중에 원격 페이로드가 실행되는 악성 코드가 발견되었습니다. 이 문제는 arrayref가 의존성으로 추가한 typosquatting 크레이트인 proc-macro1을 통해 발생합니다.

해당 악성 코드는 arrayref 자체에 있는 것이 아니라 proc-macro1 크레이트 내부에 숨겨져 있으며, 프로젝트를 컴파일하는 과정에서 자동으로 원격 페이로드가 실행되도록 설계되었습니다. 이는 개발자가 의존성을 추가했을 때 예상치 못한 보안 위험에 노출될 수 있음을 보여줍니다.

개발 환경에서 의존성 관리의 중요성이 강조되는 이번 사례는 빌드 시스템의 무결성을 확보하는 것이 얼마나 중요한지 시사합니다. 따라서 프로젝트를 컴파일할 때 사용되는 모든 외부 크레이트의 출처와 의존성을 면밀히 검토해야 합니다.

아마존이 인공지능 학습 데이터 확보를 위해 책을 대량으로 구매하고 스캔한 뒤 파괴하는 행위가 공정 사용(fair use)이라는 명목으로 정당화될 수 있는지에 대한 논란이 제기되고 있습니다. 404 미디어의 조사에 따르면, 이 과정에서 추적 장치를 통해 AI 학습용으로 예상되는 희귀한 책들이 네바다주 라스베이거스의 아마존 창고로 운송되었으며, 직원들은 책의 바인딩을 잘라 빠르게 스캔하여 책을 파괴하고 있다고 밝혔습니다.

이러한 행위는 지식의 보존이라는 인터넷 아카이브(Internet Archive)의 목표와 정면으로 충돌합니다. 인터넷 아카이브는 책의 내용과 물리적 무결성을 보존하기 위해 한 페이지씩 디지털화하는 방식을 고수해 왔는데, 이는 속도보다는 보존을 우선시하는 접근법이었습니다. 반면, 아마존과 같은 거대 기업들은 속도와 비용 효율성을 위해 책의 바인딩을 제거하고 파괴하는 파괴적인 스캔 방식을 선택했습니다.

기사는 이러한 파괴적인 방식이 AI 버블을 부양하는 데 막대한 자원이 투입된 상황에서 윤리적으로 정당한지에 대해 질문을 던집니다. 책에는 금전적 가치 외에도 역사적, 지적, 감정적 가치가 존재하지만, AI 기업들은 이러한 가치보다는 단순히 단어의 집합으로서의 콘텐츠만을 원한다는 지적입니다. 이는 수많은 작가와 예술가의 지적 재산권 침해라는 문제와 연결되며, 기업들이 지속 가능한 방식으로 산업을 성장시키기보다 비윤리적인 방법을 선택했다는 비판을 받습니다.

오픈소스 프로젝트 관리 도구인 Kaneo는 기능이 과도하게 많은 복잡한 플랫폼에 대한 대안을 제공하는 것을 목표로 합니다. 이 도구는 Jira나 Linear와 같은 기존 도구들의 복잡성을 해소하고 실제 작업에 집중할 수 있도록 설계되었습니다.

Kaneo는 도구 자체보다는 작업에 집중할 수 있는 깔끔한 인터페이스를 강조하며, 모든 기능은 실제 문제 해결을 위해서만 존재하도록 구성되어 있습니다. 이는 불필요한 기능으로 인해 발생하는 복잡성을 줄이고 사용자가 핵심 업무에 몰입할 수 있도록 돕습니다.

또한 Kaneo는 셀프 호스팅을 지원하여 사용자가 자신의 데이터를 완전히 소유할 수 있도록 합니다. 이는 데이터 주권과 보안에 민감한 개발팀에게 중요한 이점이며, 외부 서비스에 의존하지 않고 프로젝트 데이터를 관리할 수 있게 합니다.

테슬라, 우버, 웨이모가 네바다주 클락 카운티에서 수천 대의 로보택시 운영 허가를 받았습니다. 이 허가를 통해 향후 12개월 동안 최대 8,000대의 로보택시를 배치할 수 있게 되며, 이는 네바다주 라스베이거스 지역을 주요 로보택시 경쟁 구역으로 만들 전망입니다.

테슬라는 최대 5,000대의 로보택시를, 웨이모는 1,000대의 자율주행 차량을, 우버는 파트너사인 모티오날과 주옥스(Zoox)를 통해 1,000대의 로보택시 운영을 허가받았습니다. 이러한 광범위한 배치는 도시의 교통 흐름과 특히 골든 트라이앵글 지역의 도로 혼잡도에 대한 우려를 낳고 있습니다.

택시 및 운송업 협회 측은 이러한 승인이 상업 운송 산업의 과포화와 도로 혼잡 문제를 심각하게 제기하며 반대 입장을 보였습니다. 우버는 이러한 경쟁 속에서 인간 운전자와 로보택시가 혼합된 하이브리드 접근 방식을 통해 수요를 점진적으로 충족시키자는 입장을 취하고 있습니다.

이러한 대규모 로보택시 배치는 도시의 노동 시장에 큰 변화를 가져올 것으로 예상됩니다. 이는 차량 유지보수 및 충전 관련 새로운 일자리를 창출하거나, 기존의 택시 및 긱 드라이버 직업을 대체할 수 있는 양면적인 결과를 초래할 수 있습니다.

슬랙의 최고 제품 책임자(CPO)인 자임 드랑헤(Jaime DeLanghe)는 2017년부터 업무 대화를 조직 지식으로 전환하는 문제에 대해 연구해 왔습니다. 그는 인공지능 에이전트가 공개 채널의 대화, 결정, 진행 상황을 해석함으로써 그동안 활용하기 어려웠던 업무 맥락을 실제 작업에 적용할 수 있게 되었다고 주장합니다.

이러한 접근 방식은 AI 에이전트가 단순한 텍스트 생성을 넘어 실제 업무 환경에서 필요한 맥락을 이해하고 활용하는 데 중점을 둡니다. 즉, 복잡한 대화 기록에서 핵심적인 업무 맥락을 추출하여 실제 작업에 사용할 수 있는 지식으로 변환하는 것이 핵심입니다.

특히 클로드(Claude) 기반 에이전트는 이러한 기능을 구체화하여 초안 작성, 요약 등의 작업을 수행할 수 있습니다. 이는 팀 내에서 공유된 대화 기록과 결정 과정을 AI가 해석하여 업무 효율성을 높이고 인간과 에이전트가 협력하는 팀을 만드는 데 기여합니다.

결론적으로 이 기술은 공개된 커뮤니케이션 데이터를 조직의 지식 자산으로 전환하여 AI 에이전트가 실제 업무 맥락을 이해하고 활용하게 함으로써 인간과 에이전트가 시너지를 내는 팀을 구축하는 데 중요한 의미를 가집니다.

AI 데이터 스타트업인 Micro1이 AI 훈련 붐 속에서 매출총이익(gross run rate) 5억 달러를 달성하며 급성장하고 있습니다. 이 회사는 지난 8개월 동안 매출총 연간 실적을 1억 달러에서 5억 달러로 늘렸으며, 계약 규모가 가속화되고 마진이 확장될 것으로 예상됩니다. Micro1은 전문가를 고용하는 다른 경쟁사들보다 약 60%에서 70%의 수익을 유지하며 순 연간 실적은 1억 5천만 달러에서 2억 달러 사이를 기록하고 있습니다.

이러한 성장은 AI 훈련 데이터에 대한 수요가 폭발적으로 증가하고 있음을 반영하며, 일부 연구자들은 미래 AI 지출이 컴퓨팅 지출에 필적할 수 있다고 추측하고 있습니다. Micro1은 인간의 개입 없이 비디오 콘텐츠에 대한 자동 설명을 생성하는 합성 데이터를 만들어내며, 이러한 데이터는 최대 80%에서 90%의 높은 매출총이익을 기록합니다.

다만, Micro1이 자체 데이터를 여러 고객에게 판매하는 행위는 논란을 낳고 있습니다. 일부 비평가들은 이러한 오프더쉘프 데이터를 중국 AI 개발자에게 배포하는 것이 미국 AI 주도권에 대한 주장을 뒷받침하는 데 도움이 된다고 비판합니다. 이에 대해 Micro1의 창립자 Ali Ansari는 일부 경쟁사와 달리 중국 모델 제작자에게 데이터를 판매하지 않는다고 밝혔습니다.

Micro1은 원래 AI 채용 스타트업에서 시작하여 데이터 라벨링 사업으로 사업을 전환했으며, 현재는 수백 명의 일반인이 일상적인 객체 상호작용을 기록하는 로보틱스 사전 훈련 데이터셋을 구축하는 데 집중하고 있습니다.

ParqDB는 HTTP를 통해 Parquet 파일로 저장된 벡터 검색을 브라우저 내에서 수행하는 기술입니다. 이 시스템은 사용자가 쿼리를 입력하면 서버에 데이터를 보내지 않고 브라우저에서 직접 검색을 완료하며, 이는 기존의 벡터 데이터베이스 아키텍처와는 차별화된 접근 방식을 제공합니다. ParqDB는 MiniLM 임베딩을 기반으로 IVF-LVQ8 인덱스를 구축하고 이를 불변의 Parquet 파일 형태로 객체 저장소에 게시하여 데이터를 관리합니다.

핵심은 쿼리 서버가 데이터를 직접 보지 않고 브라우저가 임베딩과 검색을 처리한다는 점입니다. 사용자의 브라우저는 쿼리를 임베딩하고 필요한 바이트 범위만 읽어와 WASM을 사용하여 결과를 순위를 매깁니다. 이 방식은 데이터 보안을 강화하고 서버 부하를 줄이며, 벡터 데이터베이스와 객체 저장소를 결합하여 효율적인 검색을 가능하게 합니다.

ParqDB는 HTTP 범위 요청을 통해 객체 저장소에서 필요한 데이터만 읽어오기 때문에 대규모 데이터셋에서도 효율적인 검색이 가능합니다. 이는 데이터 검색 과정에서 네트워크 지연을 최소화하고 클라이언트 측에서 복잡한 계산을 수행함으로써 사용자 경험을 개선합니다. 개발자들은 ParqDB가 Parquet과 HTTP를 활용하여 브라우저 환경에서 벡터 검색을 구현하는 방법을 주목할 수 있습니다.

2026년 8월 20일, 여러 크레이트가 악성 proc-macro1에 의존하도록 변조되는 공급망 공격이 확인되었습니다. 이 공격은 의존성 체인을 통해 악성 코드가 배포되는 공급망 공격의 한 사례로 분석됩니다.

공격의 핵심은 proc-macro1의 빌드 스크립트가 악성 페이로드를 다운로드하는 방식으로 이루어졌습니다. 이 악성 페이로드는 proc-macro-en 및 aovine과 같은 다른 관련 크레이트들에 영향을 미쳤습니다.

개발자들이 주의해야 할 점은 이러한 의존성 변조가 프로젝트의 빌드 과정에 직접적인 영향을 미칠 수 있다는 것입니다. 따라서 프로젝트에 사용되는 모든 외부 크레이트와 의존성 라이브러리에 대한 보안 검토가 필요합니다.

2025년 3월, 암흑 에너지 분광 기기(DESI)에서 발표된 연구는 암흑 에너지가 고정된 값이 아니라 진화하고 있다는 새로운 증거를 제시하며 우주론에 큰 변화를 가져왔습니다. 이 연구는 우주의 팽창 속도가 가속하고 있다는 관측을 바탕으로, 암흑 에너지가 아인슈타인의 일반 상대성 이론에 포함된 우주 상수(cosmological constant)와 같은 동적인 성질을 가질 수 있다는 가설을 뒷받침합니다.

과거 코스몰로지 학자들은 암흑 에너지를 우주를 팽창시키는 추가적인 구성 요소로 보았으며, 이는 중력의 인력을 상쇄하는 역할을 한다고 가정했습니다. 그러나 1998년 가속 팽창 발견 이후, 암흑 에너지가 시간에 따라 변화하는 동적인 형태로 존재할 수 있다는 새로운 접근이 제기되었습니다. 이는 기존의 표준 우주 모델인 $\Lambda$CDM에서 암흑 에너지를 상수(cosmological constant)로 보는 관점을 재검토하게 만듭니다.

이러한 동적 암흑 에너지 가설은 우주의 진화에 대한 이해를 근본적으로 바꿀 수 있습니다. 암흑 에너지의 역학을 탐구하는 것은 우주의 미래와 구조에 대한 예측을 수정하는 데 중요하며, DESI 데이터와 같은 새로운 관측 결과를 통해 이 가설을 더욱 심층적으로 검증할 필요가 있습니다.

저장소 수준의 코딩 벤치마크는 코딩 에이전트를 평가하는 표준이 되었지만, 학습에 반복적으로 사용된 인기 있는 오픈 소스 저장소에 기반하기 때문에 데이터 누수 문제를 내포하고 있습니다. 이로 인해 에이전트의 강력한 성능이 저장소에 대한 견고한 추론보다는 정형화된 저장소 단서의 암기에 기인할 수 있다는 의문이 제기됩니다.

이에 연구진은 동적으로 인스턴스화된 저장소 표현 하에서 코딩 에이전트를 테스트하기 위한 평가 프레임워크인 SchrodingerRepo(Schrödinger's Repository)를 제안합니다. 이 방법은 테스트 저장소의 정적인 표현을 반복적으로 사용하는 대신, 에이전트가 평가 환경에 진입할 때만 동적으로 인스턴스화하여 사용합니다. 이 과정에서 저장소는 원래 실행 가능한 동작을 보존하면서도 명명 규칙, 파일 레이아웃, 구현 패턴과 같은 친숙한 단서들을 네 가지 변환 수준(문제 명세 재구성, 네임스페이스 매핑, 파일 내부 레이아웃 재배열, 기능 보존 코드 재작성)을 통해 약화시킵니다.

SWE-bench 및 SWE-QA에 대한 결과를 분석한 결과, 친숙한 저장소 단서를 제거했을 때 모델 전반에서 에이전트 성능이 일관되게 저하되고 상호작용 비용이 상당히 증가하는 것으로 나타났습니다. 추가 비용은 주로 저장소 탐색 및 위치 파악의 어려움으로 인해 발생했습니다.

이러한 발견은 현재의 코딩 에이전트가 저장소 측면의 암기된 단서에 부분적으로 의존할 수 있음을 시사하며, 동적으로 인스턴스화된 저장소 표현 하에서 평가할 필요성을 강조합니다.

TPM 내에서 TLS 핸드셰이크를 서명하는 것은 기밀 컴퓨팅 환경에서 기밀 정보를 보호하는 데 필수적입니다. 파일에 저장된 키는 단순히 기계에 저장된 소유권이 아니라, 누구나 읽을 수 있는 소유권 증명(bearer credential)에 불과하여 공격자가 시스템 내부에서 파일 읽기나 메모리 덤프를 통해 쉽게 복사할 수 있는 위험이 있습니다.

TPM은 이러한 문제를 해결하기 위해 키를 기계 자체의 속성으로 만듭니다. TPM은 TLS 핸드셰이크를 서명하고 키가 기계 외부로 유출되지 않도록 보장하며, 추가적인 자격 증명 없이 접근할 수 있게 하여 공격자가 키를 훔쳐갈 수 없게 만듭니다. 이는 파일이나 KMS(Key Management Service)와 같은 다른 대안들이 제공하지 못하는 핵심적인 보안 속성입니다.

KMS는 키가 실제로 기계에서 벗어나지 않도록 보장하지만, 여전히 키를 잠금 해제하기 위한 다른 자격 증명이 필요하며, 이는 네트워크 지연과 같은 추가적인 외부 의존성을 발생시킵니다. 따라서 TPM은 키와 증명(attestation)을 연결하는 근본적인 신뢰의 뿌리 역할을 하며, 이는 향후 SPIFFE와 같은 메커니즘을 통해 증명과 키를 연결하는 방향으로 발전하고 있습니다.

AI 시스템의 훈련, 학습, 추론의 통일된 역학 관계를 정의하는 연구가 발표되었습니다. 연구진은 생성 사실을 기록하는 원자적 생성 사실 $f$를 정의하고 이를 생성 기록을 보존하는 Generation-Fact Graph(GFG)로 컴파일하여 AI 고유의 과학적 사실 기질을 구축했습니다. 이 GFG를 기반으로 분석, 개입, 재생, 검증이 이루어지는 재귀적 과학적 프로세스를 확립하여 후속 사이클을 위한 사실을 생성합니다.

nanoGPT를 사용하여 훈련과 학습의 통일된 역학 관계를 설정했습니다. 훈련은 상태와 메모리를 가진 파라미터 최적화 시스템의 진화로 정의되며, 각 훈련 행동은 수신 상태와 목표 특정 업데이트 기하학에 의해 조건화된 유한 진폭 비선형 기능 응답을 생성합니다. 학습은 이러한 응답에 의한 분산된 기능 지원의 지속적인 재조직이며, 목표 특정 상태를 평가할 때 능력 형성, 유지, 쇠퇴 또는 회복이 관찰됩니다.

세 가지 주요 좌표, 즉 목표 경계 상태, 목표 특정 업데이트 기하학, 파라미터-Adam 수신 상태는 업데이트 후 출력(post-update outputs)이 읽히기 전에 작동하는 2차 예측기를 산출합니다. 홀드아웃 실행에서 이 예측기는 네 가지 전환에 걸쳐 91.43%의 정확도와 91.49%의 평균 재현율을 달성했습니다.

또한 추론을 훈련-학습 역학의 고정된 투영으로 설정했습니다. 컴포넌트 게이팅과 롤백은 훈련 중에 형성된 질의 조건부 지원의 인과적 모집 및 비가산적 결합을 보여주며, 이는 Attention에 의해 실현되는 조직적 조건을 도출합니다. ResNet/CIFAR-100 및 diffusion/CIFAR-10 실험은 수신 상태 조건부 응답, 지속적인 지원 재조직, 그리고 nanoGPT를 넘어선 고정된 추론 투영을 확인시켜 줍니다.

의료 영상에서 신뢰할 수 있는 공간 이해는 방사선 보고서 생성 및 구조화된 이미지 이해를 목표로 하는 미래의 비전-언어 시스템에 필수적인 전제 조건입니다. 최근 비전-언어 모델(VLM)이 많은 의료 영상 작업에서 유망한 성능을 보이지만, 통제된 공간 추론 능력은 여전히 약하며 이미지 증거에서 공간 관계를 신뢰성 있게 근거화하는 데 실패하는 경우가 많습니다. 이는 해부학적 구조와 소견의 상대적 위치를 이해하는 방사선 추론이 공간적 이해에 의존하기 때문에 진단 정확도에 위험을 초래합니다.

이에 연구진은 축 방향 CT 슬라이스의 이진 공간 관계 검증을 위한 모듈형 의료 영상 에이전트를 제시했습니다. 이 시스템은 공간적 답변을 직접 예측하는 대신, 작업을 언어 구문 분석, 해부학적 위치 파악, 그리고 결정론적 기하학적 검증이라는 명시적인 단계로 분해합니다. 자연어 질의는 구조화된 관계 튜플로 변환되고, YOLO 기반 검출기를 사용하여 장기를 위치 파악하며, 최종 공간 결정은 객체 중심을 사용하여 결정론적 기하학 규칙으로부터 계산됩니다.

이 접근 방식은 MIRP 공간 QA 벤치마크에서 평가되었으며, 대표적인 종단 간 VLM 기준선과 비교되었습니다. 가장 성능이 좋은 하이브리드 구성은 94.1%의 정확도와 94.2%의 F1 점수를 달성했습니다. 이는 직접적인 Qwen2-VL 프롬프팅보다 정확도에서 42.5% 포인트 더 우수하며, 해석 가능한 중간 표현과 감사 가능한 추론 단계를 보존합니다.

이 결과는 명시적인 모듈형 공간 검증이 향후 보고서 지향 의료 영상 에이전트를 위한 유망한 구성 요소가 될 수 있음을 시사합니다. 이는 의료 AI 시스템에서 공간적 추론의 신뢰성과 투명성을 확보하는 데 중요한 기반을 제공합니다.

AI 에이전트에게 프롬프트 주입은 가장 큰 위협으로 꼽힙니다. 공격자는 외부 데이터에서 "모든 이전 지침을 무시하고 <공격자의 작업>을 수행하라"와 같은 프롬프트를 주입하여 에이전트를 임의로 조작할 수 있습니다. 현재 방어 기법들은 이러한 적응형 프롬프트 주입에 대해 거의 100%에 가까운 공격 성공률(ASR)을 보입니다. 이는 기존의 방어 파인튜닝 방식이 시퀀스 수준의 피드백 신호(DPO나 GRPO)에 의존하기 때문에 모델이 어떤 출력 토큰이 취약한지 정확히 학습하지 못하기 때문입니다.

이러한 문제를 해결하기 위해 본 논문은 토큰 수준의 피드백을 제공하는 Secure On-Policy Distillation(SecOPD)을 제안합니다. SecOPD는 LLM이 주입된 샘플을 받고 롤아웃을 생성할 때, 초기화 모델이 해당 토큰을 평가하여 점수를 매기도록 하여 방어 파인튜닝을 안내합니다. 이처럼 세밀한 학습 신호를 통해 방어 성능을 높일 수 있습니다.

실제 실험 결과, SecOPD를 적용한 Qwen3.6-27B 모델은 SoTA PISmith 적응형 프롬프트 주입에 대해 9.0%의 ASR을 달성했습니다. 이는 기존의 SoTA 방식인 Meta-SecAlign의 94.0% ASR에 비해 크게 개선된 수치입니다. 또한, 에이전트 도구 호출과 같은 훈련에서 전혀 보지 못한 도메인에서도 보안성이 일반화되어, Meta-SecAlign의 5.5% ASR보다 낮은 4.7%의 ASR을 기록했습니다.

해당 연구의 코드와 모델은 GitHub 및 Hugging Face에서 공개되어 있습니다.

JDK 28에서 JEP 401을 통해 도입된 밸류 클래스는 프로그램의 의미론을 공유하는 능력을 높이고 JVM의 최적화 기회를 증가시킨다는 점에서 매우 흥미롭습니다. 밸류 클래스는 객체의 동일성(identity) 요구 사항을 제거함으로써 JVM이 특정 상황에 맞는 표현 방식을 선택할 수 있게 하여 값(value)을 평탄화(flattening)하고 스칼라화(scalarization)하는 최적화 이점을 제공합니다.

이러한 최적화는 특히 불변성(immutability)을 통해 극대화되는데, 불변 밸류 클래스는 JVM이 최종 필드가 초기화된 후에만 관찰될 수 있다는 보장을 받으므로 원자적 업데이트 없이도 평탄한 레이아웃을 사용할 수 있게 됩니다. 하지만 가변 필드(mutable fields)의 경우, 데이터 경쟁(data race)이나 찢어진 할당(torn assignment) 문제를 방지하기 위해 JVM은 여전히 참조 레이아웃을 사용해야 하며, 이는 최적화의 자유도를 제한하는 제약 조건으로 작용합니다.

예를 들어, 밸류 클래스 내의 필드가 원자적 평탄화 업데이트에 너무 큰 값을 포함할 경우, JVM은 안전을 위해 참조 레이아웃을 사용하게 됩니다. 이는 밸류 클래스가 제공하는 최적화 잠재력과 JVM의 안전성 보장 사이의 균형을 이해해야 함을 의미합니다. 개발자는 밸류 클래스를 설계할 때 이러한 JVM의 표현 방식 선택과 동기화 문제를 고려하여 코드를 작성해야 합니다.

친구 아론의 이야기는 예측 시장이라는 시스템에 대한 탐구와 그 위험성을 다루고 있습니다. 아론은 학업 대신 월드 오브 워크래프트와 축구에 몰두했으며, 결국 예측 시장에서 부를 얻을 기회를 발견했습니다. 그는 유가나 게임 출시 같은 사소한 결과에 돈을 걸면서, 예측 시장 시스템 자체가 조작되어 있다고 느꼈습니다.

아론은 이러한 시스템에 대한 불신을 바탕으로 자신만의 예측 시장 거래소를 만들고자 했으나, 시스템의 구조적 한계 때문에 좌절했습니다. 그는 자신이 온라인 거래소를 운영해 본 경험이 없었음에도 불구하고 자신이 알고 있다고 주장하며 조언을 구했습니다.

이후 아론은 자신의 경험을 바탕으로 예측 시장에 대한 극단적인 베팅을 시도했고, 이는 결국 매우 위험한 상황으로 이어졌습니다. 그는 자신의 죽음에 대해 수만 달러를 베팅하는 행위가 합법적이라는 점을 이용했습니다.

결국 아론은 경주 중 총격 사건으로 사망했으며, 이 사건은 예측 시장의 극단적인 위험성과 사기적인 측면을 극적으로 보여줍니다. 이는 온라인 예측 시장이 제공하는 기회와 그 이면에 숨겨진 위험에 대해 숙고하게 만듭니다.