읽을 가치가 있는 기사만, 짧고 또렷하게.

웹메일이 신뢰할 수 없는 HTML 및 CSS를 신뢰된 사용자 인터페이스 내에서 렌더링하는 과정에서 발생하는 파서와 새니타이저 간의 불일치가 심각한 보안 문제를 야기합니다. 이 불일치는 사용자 인터페이스를 조작하고, 토큰을 유출하며, 외부 서비스에 침해를 일으키고 심지어 비밀번호 탈취까지 가능하게 만듭니다.

이러한 취약점은 웹메일 환경에서 허용되는 요소들, 예를 들어 레이블(label), 의사 요소, 속성 선택자, 글꼴 높이 측정, 애니메이션 등을 악용하여 공격에 사용될 수 있습니다. 특히 Outlook과 같은 환경에서의 호환성 문제와 연관되어 이러한 공격 경로가 열릴 수 있습니다.

개발자는 웹메일 클라이언트가 외부 스타일링을 처리하는 방식에 대해 파서와 새니타이저의 일관성을 면밀히 검토해야 합니다. 이러한 불일치를 통해 발생하는 UI 조작과 데이터 유출 위험을 방지하기 위해 렌더링 과정에서의 보안 메커니즘을 강화하는 것이 중요합니다.

웨어러블 기기의 미래는 현재 실험적이고 존재론적인 불확실성 속에 머물러 있습니다. 최근 구글 픽셀 워치 5를 테스트한 결과, 이 기기는 일반적인 스마트워치로 보이지만, 웨어러블 기술이 빠르게 변화하는 흐름 속에서 미래의 한 부분으로 느껴집니다.

웨어러블 기술 분야에서 전문가들이 추구하는 공통된 목표는 곧 사용자가 선택하는 기기에 유용한 AI 코치, 질병을 예방하는 "엔진 체크" 알림, 그리고 개인화된 건강 추천 기능을 탑재하는 것입니다. 이러한 기능들은 사용자의 건강 관리를 혁신적으로 변화시킬 잠재력을 가지고 있습니다.

이러한 AI 통합은 단순한 시간 추적을 넘어선 건강 관리의 패러다임을 제시하며, 웨어러블 기기가 단순한 장치를 넘어 개인화된 건강 코치로 진화하고 있음을 보여줍니다. 따라서 픽셀 워치 5와 같은 기기들이 어떻게 이러한 실험적인 미래를 구현해 나갈지 주목할 필요가 있습니다.

LLM 기반 에이전트의 지속적인 자기 개선을 위해서는 다양하고 적응적인 목표 풀이 필요하지만, 기존의 훈련 환경은 고정되어 있어 학습 규모가 커질수록 목표 분포가 제한됩니다. 본 논문은 이러한 문제를 해결하기 위해 SPADE(Self-Play in Adaptive Synthetic Executable Environments)라는 자기 플레이 강화 학습 프레임워크를 제안합니다. SPADE는 단일 LLM이 두 가지 역할을 수행하는 방식으로 작동하는데, 하나는 OpenAI Gym 스타일의 reset()/step() 인터페이스를 가진 실행 가능한 코드로 장기 훈련 환경을 작성하는 환경 설계자(Environment Designer)이고, 다른 하나는 이 환경 내에서 행동을 학습하는 추론 에이전트(Reasoning Agent)입니다.

이 두 환경은 상태 전이, 보상 함수, 검증 코드를 포함하는 상태 기반의 다중 턴 환경이므로 추론 문제와 다단계 에이전트 도구 사용을 모두 포괄할 수 있습니다. 추론 에이전트의 후회(regret)는 특권적인 힌트가 있을 때와 없을 때의 보상 차이로 추정되며, 이 후회 신호를 최적화하는 과정에서 환경 설계자는 에이전트 능력의 경계에 있는 환경을 목표로 학습하게 됩니다. 성공적인 학습을 위해 환경 설계자를 대규모 사전 훈련 코퍼스에서 샘플링된 문서로 기반을 다지고 누적된 환경 메모리를 제공하는 것이 중요하다고 밝혀졌습니다.

300억 개의 매개변수를 가진 모델로 확장했을 때 SPADE는 가장 강력한 고정 환경 기준선 대비 평균적으로 8가지 수학, 과학, 코드, 추론 벤치마크에서 5.3%의 성능 향상을 보였습니다. 또한 도구 사용 설정에서는 BFCL-v4 멀티턴에서 5.7%, ACEBench-Agent에서 13.9%의 향상을 달성했습니다. 게임 설정에서는 모델 규모가 커질수록 기준선 대비 마진이 증가하는 것으로 나타났습니다. 환경 설계 자체를 학습 가능한 구성 요소로 만들면서 SPADE는 개방형 자기 개선을 향한 구체적인 발걸음을 내디뎠습니다.

아마존과 베스트 바이에서 11인치 아이패드 에어 M4 칩 모델을 할인된 가격에 판매하고 있습니다. 이 제품은 649달러에 판매되며, 이는 6월에 시행된 새로운 소매 가격보다 100달러 낮은 가격입니다. 이는 애플의 다른 제품 가격 인상과 함께 고성능 메모리나 저장 공간을 갖춘 기기의 가격이 전반적으로 상승하는 추세 속에서 주목할 만한 가격 조정입니다.

현재 판매되는 옵션으로는 128GB Wi-Fi 모델이 649달러이며, 256GB 모델은 749달러, 셀룰러 안테나 버전은 799달러에 판매되고 있습니다. 이 가격은 기존의 소매 가격 대비 상당한 할인율을 제공합니다.

M4 아이패드 에어에 대한 리뷰 결과, 이전 세대와 매우 유사한 경험을 제공하지만, Wi-Fi 7 및 블루투스 6과 같은 업그레이드를 통해 시스템 성능과 연결성이 향상되었습니다. 하지만 이전 몇 년간 아이패드 에어 사용자들에게는 눈에 띄거나 흥미로운 새로운 기능이 부족하다는 평가가 있었습니다.

강화된 민첩성 사전 학습을 통한 가속(ADEPT)이라는 대규모 강화 학습 프레임워크가 소개되었습니다. 이 방법은 고자유도(DoF) 로봇 구현체 전반에 걸쳐 시뮬레이션에서 현실로의 전이 가능한 민첩성을 학습하며, 원시 시각-촉각 지각으로부터 장기 목표 작업을 직접 해결할 수 있게 합니다. ADEPT는 일반적인 물체 재배치 과제를 통해 민첩한 정책을 사전 학습한 후, 이 사전 학습된 행동을 기반으로 다운스트림 정책을 추가 학습시키는 방식으로 작동합니다.

이 접근 방식은 다지(multi-fingered) 로봇에서 처음부터 발견하기 어려운 새로운 행동을 학습할 수 있게 하며, 각 새로운 다운스트림 작업마다 동일한 기술을 다시 학습할 필요가 없다는 장점을 제공합니다. 그러나 사전 학습된 정책을 이용한 단순한 미세 조정은 전이 과정에서 해당 능력을 빠르게 저하시키는 문제가 발생합니다.

연구진은 이러한 문제를 해결하기 위해 행동 복제 증류(behavior-cloning distillation), 비평가 예열(critic warm-up), 보수적인 온폴리시 업데이트를 결합한 안정적인 후처리 레시피를 제시했습니다. 또한, RL 정책과 로봇 사이를 중재하는 공통 공간 기하학적 직물(Geometric Fabric)을 도입하여 전체 운동 민첩성을 안전하게 활용합니다.

이 기술을 통해 훈련된 교사(teachers)를 지각 능력을 갖춘 학생(students)으로 증류하여 두 가지 구현체에서 시뮬레이션-현실 전이를 제로샷으로 가능하게 했습니다. 구체적으로 23 DoF Kuka-Allegro와 29 DoF Flexiv-Sharpa 로봇에 적용했을 때, 이들은 도전적인 초기 상태에서 인간 수준의 속도로 장기 목표 작업을 해결할 수 있습니다.

장문 컨텍스트에서의 추론 능력을 향상시키기 위해 그룹 보정 온폴리 증류(Group-Calibrated On-Policy Distillation, GC-OPD) 기법을 제안합니다. 온폴리 증류(OPD)는 강한 교사로부터 밀도 높은 토큰 수준 지침을 사용하여 학생 모델을 훈련시키지만, 장문 컨텍스트 작업에서는 이러한 토큰 수준의 교사 지원이 입력 전체에 분산된 증거를 생략하거나 전역 작업 제약을 위반하는 국소적으로 그럴듯한 응답을 선호하는 경향이 있습니다.

이러한 현상은 작업별 검증자(verifier)가 응답 수준에서 작업 완료를 평가하는 점과 충돌하여 교사와 검증자 간의 불일치가 발생합니다. 연구진은 두 가지 대표적인 증거 집계 작업에서 이 불일치를 진단했으며, 입력 범위가 길어질수록 궤적 수준의 OPD 점수는 검증자 보상과 점점 더 불일치함을 발견했습니다.

이러한 불일치를 해결하기 위해 GC-OPD를 도입했는데, 이는 각 롤아웃 그룹 내에서 검증자 보상과 궤적 수준의 OPD 점수를 분리하여 정규화하고 그 차이를 부호 있는 교사-검증자 불일치 잔차로 사용합니다. 여기에 상대적 이점 기반 신용 할당(Relative-advantage-based credit assignment, RACA)을 추가하여 이 잔차를 토큰에 분배함으로써 밀도 높은 토큰 수준 지침을 유지하면서 검증자 결과를 통합할 수 있음을 보였습니다.

GC-OPD를 적용한 후, Qwen3-4B와 Qwen3-8B 체크포인트의 5개 벤치마크 평균 점수는 각각 29.08에서 40.47, 35.12에서 44.65로 크게 향상되었습니다. 이는 그룹 상대 잔차 보정이 밀도 높은 토큰 수준 지침을 버리지 않으면서 검증자 결과를 효과적으로 통합할 수 있음을 입증합니다.

이 기술 보고서는 음성 모방을 통한 소리 질의라는 주제로 AES AIMLA 2025 챌린지에서 수상한 제출 결과를 설명합니다. 연구진은 두 가지 상호 보완적인 미세 조정 전략을 조사했습니다.

첫 번째 전략은 사전 학습된 고정된 CED 인코더를 사용하는 대조 학습(contrastive learning)입니다. 두 번째 전략은 MobileNetV3 인코더를 사용하여 반(semi-)하드 부정 샘플을 활용하는 공동 대조-삼중항 학습(joint contrastive-triplet learning)입니다.

이 보고서는 챌린지 이후 공개된 세부 사항을 포함하도록 후대에 업데이트되었습니다. 이는 음성 모방을 이용한 소리 질의 작업에 적용할 수 있는 구체적인 미세 조정 방법론을 제시한다는 점에서 개발자들에게 중요한 참고 자료가 됩니다.

불규칙하게 샘플링된 시계열에 대한 딥 모델은 질의에 답할 수 있지만 각 답변을 얼마나 신뢰해야 하는지에 대한 불확실성을 보고하지 못합니다. 이 논문은 어텐션 레이어 자체를 통해 이 간극을 메울 수 있음을 보여줍니다. 확률론적 공식화를 통해 각 예측이 얼마나 신뢰할 수 있는지 계산하고, 이를 추가 비용 없이 닫힌 형태로 보고하는 방법을 제시합니다.

저자들은 레비 어텐션(Lévy Attention)을 도입했는데, 이는 비균일 포아송 랜덤 측정에 대한 확률적 적분으로 정의되는 교차 어텐션 연산자입니다. 이는 쿼리-키 호환성을 사용하여 연속적인 인덱스 공간에 강도를 구성하고, 이 강도 아래에 원자를 분산시킨 후, 해당 원자들의 평균화된 값 필드를 출력합니다. 기대값으로는 완화된 코사인 커널 어텐션으로 환원되어 소프트맥스 레이어를 대체하며 정확한 기울기로 훈련이 가능합니다.

소프트맥스가 버리는 정보와 달리, 포아송 구성은 증거($\Lambda_q$)와 불일치($\mathrm{tr}\,Σ_V(q)$)를 닫힌 형태로 보존합니다. 이 두 요소를 결합하여 샘플링된 연산자의 평균 제곱 편차 $\hat\sigma(q)$를 도출하며, 이는 훈련되지 않은 헤드를 가진 결정론적 통과를 통해 방출됩니다. 실증적으로 불일치가 신호를 전달하며, 증거 요인은 밀집된 데이터에서는 정보가 부족하지만 희소한 데이터에서는 강력한 정보를 제공합니다.

t-PatchGNN 실험에서 연산자 교체 비용은 최대 5.6%의 정확도 손실만을 보였으며, 불일치 신호는 20회 마르코프 체인 드롭아웃에서 개선되었습니다. 또한 $\hat\sigma$는 0 샘플 CRPS에서 50회 샘플러보다 우수한 가우시안을 조정하며, 단 한 번의 통과만으로도 3,383명의 보지 못한 환자를 1.4초 만에 신뢰도에 따라 순위를 매길 수 있었습니다.

단일 학습 예제가 완성된 모델에 기여하는 정도를 측정하는 것은 두 번의 비용이 많이 드는 전체 사전 학습 실행을 필요로 하기 때문에 보통 추정될 뿐 측정되지 않습니다. 연구진은 이러한 반사실적(counterfactual) 실험을 작은 규모에서 24회 수행했습니다. 이 실험에서 124M 매개변수를 가진 32개의 GPT-2 모델을 OpenWebText로 처음부터 학습시켰으며, 네 가지 조건과 여덟 개의 시드(seed)를 사용했습니다.

연구는 학습 단계 200에서 배치 내 한 행을 194토큰 분량의 고정된 컨텍스트 주입으로 대체하는 방식으로 진행되었습니다. 주입된 세 가지 조건은 1) 출처가 입증된 주제를 가진 유창한 산문, 2) 전체 배치 기울기 차이에서 0.14% 이내로 일치하는 조작된 주제를 가진 유창한 산문, 그리고 3) 무작위 키보드 문자였습니다. 이 실험 결과, 주입된 구절을 본 팔이 주입되지 않은 팔보다 교차 엔트로피에서 0.039 및 0.044 nats 더 나은 예측을 보였으나, 최종 단계에서는 두 구절 간의 차이를 통계적으로 감지하지 못했습니다.

또한, 각 레이어별 중심 커널 정렬은 어떤 조건도 감지할 수 없었습니다. 가중치 변위는 시드 대 시드 유클리드 거리의 44.1%에 도달했으며, 학습 중간 지점에서 92%가 안정화되었습니다. 이와 동시에 장벽은 시드 대 시드 장벽의 3.0%에 도달했습니다. 이는 주입이 모델을 자신의 영역 내에 위치시키면서도 영역 밖으로 이동시키지 않는다는 것을 의미합니다.

자녀 및 청소년에게 노출될 가능성이 있는 유튜브 영상 내 상업 콘텐츠를 다루는 공유 과제인 ChildSafeAds에 대한 보고서가 발표되었습니다. 이 데이터셋은 939개 채널에서 수집된 총 3,360개의 영상을 포함하고 있으며, 각 영상은 오픈 소스 브라우저 확장 프로그램인 SponsorBlock을 통해 표시된 광고 세그먼트와 연결되어 있습니다.

연구는 해당 세그먼트를 영상의 자막, 비디오 및 채널 정보와 함께 판매 또는 서비스 페이지로 연결하여 데이터를 쌍으로 구성합니다. 시스템은 프로모션 유형(ST1), 제품 카테고리(ST2), 법적 위험 플래그(ST3)를 결정하는 방식으로 평가됩니다. 결과는 자막부터 연결된 페이지까지의 네 가지 누적 접근 수준으로 나누어져 있어 데이터 수집 비용 대비 결과를 비교할 수 있도록 설계되었습니다.

분석 결과, 데이터셋 내 영상 중 45.5%가 플랫폼 내 광고 공개 방법(‘Includes paid promotion’ 레이블)을 적절하게 사용하지 못한 것으로 나타났습니다. 이 데이터는 전문가 조직팀이 샘플을 검토하고 분류 체계, 프롬프트 및 모델 선택을 반복적으로 개선한 GPT-5.4에 의해 레이블이 생성되었으며, 개발 세트는 GPT-5.6-luna가 독립적으로 레이블링했습니다.

이 보고서는 과제, 데이터 및 평가에 대해 설명하며, 향후에는 참여 시스템과 공유 과제 결과를 추가할 예정입니다. 이는 상업 콘텐츠의 투명성과 안전성을 확보하기 위한 AI 기반 평가 방법론과 데이터 품질에 대한 중요한 통찰을 제공합니다.

인공지능 기반 모델이 2026년 여름 중국 중부 지역의 가뭄 이상 현상을 예측했습니다. 연구진은 대기 순환 예측이 강수량 자체보다 계절적 강수 이상 현상을 더 정확하게 규제한다고 보고, 동역학 모델 예측을 강수량 추정으로 변환하는 딥러닝 모델을 사용했습니다.

3월부터 5월까지 초기화된 예측은 2026년 여름 중국 중부에 건조 이상 현상이 발생할 것임을 일관되게 나타냈습니다. 이러한 예측은 중앙 적도 태평양의 온난화가 선행하는 겨울부터 여름까지 지속되면서 서북태평양-남중국해-남중국 지역에 비정상적인 순환이 발생하고, 이로 인해 북풍과 수분 발산이 발생하여 중국 중부 지역의 강수가 억제된다는 메커니즘을 기반으로 합니다.

레이어별 관련성 전파(LRP) 기법을 통해 이러한 예측의 주요 동인으로 북풍이 결정됨을 독립적으로 식별했습니다. 실제로 LRP로 식별된 요소를 제거했을 때 가뭄 이상 현상이 효과적으로 사라지는 것을 확인하여 북풍이 예측의 주요 원인임을 입증했습니다.

이 연구는 AI가 도출한 지역 기후 예측에 대해 물리적으로 해석 가능한 설명을 제공함으로써, 관측 데이터가 나오기 전에 증거 기반 평가를 가능하게 합니다. 이는 AI 기반 기후 예측의 신뢰성과 투명성을 높이는 데 기여합니다.

언어 모델 에이전트는 공개된 대화 기록에는 드러나지 않는 연속적인 은닉 상태를 통해 소통하며, 이는 은밀한 유해한 협조를 가능하게 합니다. 이 논문은 이러한 사적인 통신 채널을 모니터링하고 제어하기 위한 활성화 인식 프레임워크인 검증 가능한 잠재 정렬(Verifiable Latent Alignments, VLA)을 제안합니다. VLA는 모니터링된 결정에 대해 사적인 잠재 상태 기록과 채널 상태를 공유 이벤트 식별자를 사용하여 결과적인 공개 행동과 연결함으로써 일치하는 인과 분석을 가능하게 합니다.

연구진은 첫 번째 기여로 표현 이상 탐지, 반사실적 행동 분포 영향, 희소 자동 인코더 해석 지원을 결합한 중립 전용 3계층 모니터를 제시했습니다. 또한 블랙박스 행동 지침과 화이트박스 일치 중립 반사실적 표현을 포괄하는 제어 가능성 프레임워크를 개발했습니다. 이 연구는 동종 및 이종 모델 쌍을 포함하는 통제된 다중 에이전트 경매 벤치마크에 대한 평가를 통해 실질적인 효과를 입증했습니다.

실험 결과, 순차적 모니터는 동종 에이전트에서 0.993, 이종 쌍에서 0.854의 평균 AUCROC를 달성했습니다. 특히 전체 화이트박스 제어는 입찰 분포 회복률 100%를 달성하고 협조적인 낮은 입찰 행동을 47.3% 포인트 감소시켰습니다. 중요한 점은 이 연구에서 평가된 사적인 채널 공격은 주 모니터를 공격 예시로 훈련할 필요 없이 일치하는 반사실적 접근이 있을 때 완화될 수 있음을 보여줍니다.

연구진은 기계 학습 알고리즘을 사용하여 비마르코프(non-Markovian) 환경에서 다변량 하우스(Hawkes) 구동 확률 미분 방정식(SDE)의 확률적 제어 문제를 연구했습니다. 하우스 강도의 메모리 특성 때문에 이 문제는 특정 마르코프 커널을 제외하고는 고전적인 확률 제어 이론의 범위를 벗어납니다.

이를 해결하기 위해 연구진은 지수 커널 혼합을 사용하여 다변량 하우스 프로세스를 근사하는 유한 차원 마르코프화 절차와 알고리즘을 개발했습니다. 이 근사치가 원래의 비마르코프 프로세스와 문제의 값에 수렴함을 증명했습니다.

이 근사치를 기반으로 연속 시간 결정 정책 경사 학습(continuous-time deterministic policy gradient learning) 방법인 Hawkes-CT DDPG를 공식화했습니다. 이 알고리즘은 하우스 커널 계수가 알려지지 않은 상태에서 프로세스의 사건 시간, SDE 해의 실현값, 그리고 감쇠 필터만을 관찰하여 비마르코프 하우스 구동 최적화를 해결하는 모델 프리 알고리즘을 제안합니다.

연구진은 이 연속 시간 강화 학습 방법인 Hawkes-CT DDPG를 단순 지수, 어랑(Erlang), 파워-로(power-law) 커널 세 가지 유형에 대해 이산 시간 강화 학습 기법과 비교 분석했습니다.

인공지능(AI) 구축에 대한 투자는 멈추지 않고 있으며, 데이터 센터와 GPU에 연간 수천억 달러가 지출되면서 컴퓨팅 자원은 AI 제품을 구축하는 데 있어 가장 큰 비용이 되었습니다. 하지만 이러한 막대한 지출에도 불구하고 컴퓨팅에 대한 가격을 명확하게 책정하거나 가격 변동에 따른 위험을 헤지할 수 있는 간단한 방법은 아직 존재하지 않습니다.

이러한 상황은 AI 인프라 구축에 참여하는 기업들에게 큰 불확실성을 안겨줍니다. 컴퓨팅 비용의 가격이 예측 불가능하게 변동할 경우, 기업들은 예산 계획과 투자 전략을 수립하는 데 어려움을 겪게 됩니다. 따라서 컴퓨팅 자원의 가치를 평가하고 위험을 관리할 수 있는 새로운 메커니즘이 필요하다는 요구가 커지고 있습니다.

최근에는 이러한 문제를 해결하기 위해 월스트리트가 AI 컴퓨팅에 가격을 매기는 것을 돕는 스타트업이 등장하여 주목받고 있습니다. 이 스타트업은 AI 컴퓨팅 비용에 대한 가격 책정 및 위험 헤징 문제를 해결하는 데 기여하고 있습니다.

T-Mobile이 2024년에 중국 정부 지원 해킹 그룹인 솔트 타이푼(Salt Typhoon)으로부터 네트워크를 방어하기 위해 물리적인 조치를 취했습니다. 이는 중국이 미국 정부 관계자 및 잠재적 후보자에 대한 정보를 훔치기 위해 광범위한 산업 전반에 걸쳐 고객 데이터와 정보를 탈취하려던 대규모 침해 시도에 대한 대응이었습니다.

이 공격은 AT&T, 버라이즌, 비아샛, 차터, 윈드스트림 등 수많은 전화 회사와 인터넷 거인, 데이터 센터 제공업체들을 감염시켰습니다. T-Mobile은 이러한 활동을 조기에 발견하고 해당 시스템을 다른 통신 회사의 라우터에서 비롯된 이상 행동으로 식별했습니다.

사이버 보안 책임자인 제프 사이먼은 이 침해를 막기 위해 전문가들과 함께 데이터 센터로 이동하여 취약한 시스템에 연결된 케이블을 직접 잘라 외부와의 연결을 차단하는 물리적인 조치를 취했습니다. 이 사례는 국가 지원 해커 그룹이 통신 인프라를 통해 대규모 정보를 수집하려는 시도가 얼마나 심각한 보안 위협인지 보여줍니다.

OpenAI가 최근 AI 개발 속도를 늦추고 보안 및 안전장치를 강화하기 위해 일시적으로 개발을 중단했다고 발표했습니다. 이는 곧 출시를 앞둔 기업공개(IPO)와 Anthropic, 중국 및 오픈 웨이트 경쟁사들의 치열한 경쟁 속에서 움직여야 할 이유가 충분함에도 불구하고 취해진 조치입니다.

화요일에 OpenAI는 일부 AI 개발 속도를 늦추고 보안과 안전장치를 강화했다고 밝혔습니다. 구체적으로 이 조치에는 배포를 목적으로 하는 "최신 모델"에 대한 강화 학습 훈련을 2주간 중단한 것이 포함됩니다. 또한, 가장 큰 계획 중인 최전선 강화 학습(frontier RL) 실행도 지연되었습니다.

이러한 결정은 수년간 AI 안전 옹호자들이 주장해 온, 기업들이 AI 경쟁에서 잠시 물러나 속도를 늦춰야 한다는 아이디어를 공개적으로 시험하는 것입니다. 이는 AI 기술의 발전 속도와 안전성 확보 사이의 균형에 대한 중요한 논의를 촉발하고 있습니다.

개발자들을 위한 프로젝트인 Frugal Tokens는 코딩 에이전트 사용 시 세션 비용과 캐시 미스가 지출에 미치는 영향을 탐색하기 위해 개발되었습니다. 이 도구는 사용자들이 보이는 다양한 지출 패턴을 이해하고 비용 효율성을 개선하는 데 초점을 맞춥니다.

현재 Frugal Tokens는 전체 세션에 걸친 사용 패턴, 예상 작업 시간, 중복 세션, 그리고 모델 및 캐시 미스에 따른 지출 내역을 보여줍니다. 또한 세션별 백분위수 분석과 세션 목록을 제공하며, 특정 세션 내부에서는 개별 모델 호출, 도구 입력 및 출력, 캐시 미스가 발생한 위치를 탐색할 수 있습니다.

사용자는 다른 모델 가격이나 캐싱 전략(예: Anthropic의 5분 대 1시간 캐싱)을 기준으로 기록된 세션의 대략적인 비용 비교를 확인할 수 있습니다. 향후에는 긴 세션, 높은 컨텍스트 사용, 많은 턴 등 비용을 증가시키는 패턴을 파악하기 위해 더 많은 정보를 수집할 계획입니다.

이 도구는 deno를 통해 단 하나의 명령어로 실행할 수 있으며, 데모 버전은 데이터가 일부 정리되어 있지만 실제 작동 방식을 보여줍니다. 이 프로젝트는 LLM 기반 작업의 비용 구조를 투명하게 분석하고자 하는 개발자들에게 유용한 통찰을 제공합니다.

트래비스 나이트 감독의 스톱모션 애니메이션 판타지 영화 와일드우드(Wildwood)의 멋진 예고편이 공개되었습니다. 이 영화는 콜린 멜로이(The Decemberists의 보컬)와 그의 아내인 캐슨 엘리스가 쓴 2011년 소설을 각색한 작품입니다.

영화의 배경은 오리건주 포틀랜드 근처의 포레스트 파크 지역으로, 작가 부부는 이곳을 말하는 동물들과 숨겨진 위협으로 가득 찬 마법의 세계로 변모시켰습니다. 12세 소녀 프루 맥키가 이 숲을 발견하고 모험을 시작하며 신비로운 여성 알렉산드라, 코요테, 도적들과 마주치는 환상적인 이야기가 펼쳐집니다.

최근 라이카 스튜디오는 5월에 확장된 티저를 공개하며 9천만 회 이상의 조회수를 기록했으며, 현재는 아비치(Avicii)의 "Wake Me Up"을 배경 음악으로 한 멋진 풀 트레일러가 공개되어 많은 관심을 받고 있습니다. 이 영화는 단순한 애니메이션을 넘어 독특한 세계관과 깊은 서사를 통해 시각적인 경험을 제공할 것으로 기대됩니다.

그랜드 테프트 오토 식스(Grand Theft Auto VI)의 플레이 영상 클립이 유출되어 게임 출시 및 넷플릭스 공개 이전에 내용이 노출되고 있습니다. 이는 락스타 게임즈의 넷플릭스 심층 다큐멘터리 공개와 11월 출시를 앞두고 게임에 대한 기대감을 증폭시키고 있습니다.

현재까지 세 개의 클립이 인터넷에 공개되었으나, 이 중 두 개의 클립은 저작권 문제로 인해 해당 사이트에서 삭제되었습니다. 유출된 클립 중 첫 번째는 게임의 두 주인공 중 한 명인 제이슨 듀발이 농구공을 골대에 넣는 조용한 장면을 담고 있습니다.

삭제된 두 번째 클립은 GTA에서 기대할 수 있는 범죄 중심의 게임플레이를 보여주며, 듀발이 렌치를 사용하여 사람을 치는 장면 등 구체적인 액션이 포함되어 있었습니다. 이러한 유출은 공식 발표가 있기 전에 게임의 분위기와 플레이 스타일에 대한 사전 정보를 제공한다는 점에서 개발자 및 커뮤니티에 주목할 만한 내용입니다.

젊은 혈액을 통한 노화 역전 가능성이 과학적으로 탐구되고 있습니다. 부유한 투자자 브라이언 존슨이 주도한 프로젝트 블루프린트는 젊은 혈액을 주입하여 노화의 영향을 늦추거나 되돌릴 수 있다는 전제하에 진행되었습니다. 이는 젊은 혈액이 노화와 관련된 단백질 발현 및 유전자 조절에 변화를 일으키고 염증을 감소시킨다는 연구 결과를 바탕으로 합니다.

실제로 마우스 연구에서 젊은 혈액을 주입하는 이테로크로닉 파라비오시스 기법은 근육 재생, 신경 발생, 염증 감소 등 전신에 걸친 신체 개선을 보였습니다. 인간 연구에서도 2022년 기준으로 젊은 혈장 주입이 노화 관련 변화와 염증 감소를 유도할 수 있음이 밝혀졌습니다. 그러나 이러한 연구 결과가 대중의 건강 증진으로 이어지기 위해서는 최소한의 실현 가능한 제품을 넘어 노화의 순환 메커니즘을 밝히는 기초 과학 연구가 필요합니다.

현재의 접근 방식은 부유층을 대상으로 하는 비효율적인 실험에 머물러 있으며, 혈액 검사나 고가 치료제 판매에 집중되어 공중 보건의 평등한 목표를 저해한다는 비판이 제기됩니다. 혈장 내의 특정 분자들이 노화 효과를 매개한다는 점을 이해한다면, 기증 혈장 공급에 부담을 주지 않고 비용 효율적인 치료법을 개발할 수 있는 새로운 모델을 찾을 수 있습니다.

이러한 기초 과학 연구를 통해 혈액 내 분자들을 대량으로 합성하고 비용 효율적인 치료를 제공하는 방법을 모색해야 합니다. 혈액 기반 치료는 알츠하이머나 파킨슨병과 같은 노화 관련 질병 치료에 잠재력을 가지고 있으며, 과학적 진보가 사회 전체에 공유되어야 한다는 요구가 커지고 있습니다.