읽을 가치가 있는 기사만, 짧고 또렷하게.

인터랙티브 게임 세계 모델은 시각적 관찰을 픽셀 또는 잠재 공간에서 직접 자기회귀적으로 예측하며, 이 과정에서 자세, 기하학, 가림과 같은 구조적 속성이 생성 시퀀스에 의해 암묵적으로 유지됩니다. 그러나 장기적인 예측에서 이러한 잠재 세계 속성의 오류가 누적되어 일관성과 제어 가능성이 취약해지는 문제가 발생합니다. 이에 연구진은 세계 상태를 명시적으로 모델링하고, 정확한 기하학 계산을 고정된 제로 파라미터 렌더러에 위임하며, 신경 모델은 외관을 합성하도록 분리하는 아이디어를 제시했습니다.

이 아이디어를 바탕으로 인체 관절이 있는 상호작용 게임을 위한 세계 모델인 Marionette를 구현했습니다. Marionette는 먼저 다중 개체 관절 골격, 측정 루트 궤적, 회전을 포함하는 276차원의 3D 세계 상태를 예측하는 2단계 자기회귀 동역학 모델을 사용합니다. 다음으로, 이 예측된 상태를 자세 제어를 위한 비디오로 변환하고 세계 공간 기하학 및 가림을 계산하는 제로 파라미터 그래픽 브릿지를 사용합니다. 마지막으로, 제어 조건화된 비디오 확산 관찰 모델을 통해 결과적인 구조적 제어를 기반으로 사실적인 RGB 관찰을 합성합니다.

실험 결과, Marionette는 두 가지 중요한 속성을 입증했습니다. 첫째, 예측된 세계 상태는 직접 제어 가능하며, 일치하지 않는 행동 흐름을 강제하면 48개의 홀드아웃 세그먼트에서 루트 정렬 관절 오류가 31% 변화했습니다. 둘째, 장기적인 행동은 상태 내에서 결정되며 복구될 수 있습니다. 예를 들어, 두 생성된 캐릭터가 21.2m 떨어져 멀어지고 지면 침투가 나타났을 때, 지형 충돌기와 분리 캡이라는 두 규칙을 적용하여 침투를 66% 줄이고 두 캐릭터가 연결되도록 유지했습니다.

또한, 예측된 상태를 통한 외관 라우팅은 기록된 자세에 대해 831 대 799의 FVD로 측정했을 때 감지할 수 없는 충실도를 비용으로 발생시키지 않았습니다. 이는 세계 상태를 명시적으로 모델링함으로써 제어성과 일관성을 확보하면서도 시각적 충실도를 유지할 수 있음을 보여줍니다.

이 연구는 대규모 언어 모델(LLM)을 사용하는 애플리케이션에서 세션 간의 핸드오버(session handover)에 대한 방법론적 및 이론적 특성을 조사합니다. 작업이 모델의 입력 한계에 도달하거나 애플리케이션이 재시작되거나 다른 에이전트에게 작업 완수를 요청할 때 새로운 세션에서 작업을 계속할 수 있습니다. 이때 애플리케이션은 이전 세션의 어떤 정보를 전달할지 결정해야 합니다.

연구진은 핸드오버를 작업 상대적 인컨텍스트 학습(ICL) 상태의 전송으로 정의하고, 이전 자료의 정확한 복구와 목표 분포의 보존을 구분합니다. 외생성 조건 하에서 예측 동등성(predictive equivalence)은 가장 거친 결정론적으로 충분한 핸드오버를 특징짓고 고정 길이 비트 요구 사항을 제공한다고 분석했습니다. 이 분석은 메모리 제약, 작성자, 연속 절차의 영향을 분리하고, 실제 다운스트림 쿼리가 알려지기 전에 작성하는 비용을 정량화합니다.

연구는 결정과 제약 조건을 정확하게 저장하는 세 부분 기록을 제안하며, 반복된 증거에 대해 작업 적합 통계(task-justified statistics)를 사용하고 통계가 보존하지 않는 효과가 없는 관측치를 유지합니다. 또한, 가우시안 선형 회귀는 정확한 유한 차원 핸드오버와 유한 비트 교란 경계를 제공하며, 비모수 회귀는 메모리와 제곱 예측 오류를 연관시키는 상한 및 하한 경계를 제공합니다.

이러한 결과는 핸드오버 시 무엇을 보존해야 하는지, 그리고 메모리 요구 사항이 연속 작업에 따라 어떻게 달라지는지에 대한 이론과 방법을 제공합니다. 이는 LLM 기반 애플리케이션에서 컨텍스트 관리 및 메모리 효율성을 설계하는 데 중요한 이론적 기반을 제시합니다.

인공지능 시스템이 사회 전반에서 도덕적으로 민감한 결정을 내리면서, 연구자들은 참가자들에게 가상의 딜레마를 제시하여 도덕적 선호(moral preference)를 유도하는 방법을 사용합니다. 이 선호들을 집계하여 AI 모델을 훈련시키는 접근 방식인 도덕적 선호 유도(moral preference elicitation)가 사용되었는데, 개발자는 투표가 시작되기 전에 세 가지 핵심 선택, 즉 특징 범위 설정(feature scoping), 유권자 샘플링(voter sampling), 질문 구성(question framing)을 하게 됩니다.

이러한 선택들은 종종 불투명하고 문서화되지 않은 채 기술적 세부 사항으로 취급되지만, 연구 결과는 이 세 가지 선택이 도출된 선호에 영향을 미친다는 것을 보여줍니다. 연구진은 AI 신장 배분, 부재한 노동자를 시뮬레이션하는 에이전트, 그리고 사망자에 대한 생성형 AI 묘사라는 세 가지 배포 맥락에서 이 세 단계를 검토했으며, 각 단계가 결과적인 집계 선호 프로필을 형성할 수 있음을 확인했습니다.

구체적으로, 도덕적으로 관련된 특징들은 배포 영역에 따라 달라지므로 특징 스키마가 다른 영역으로 전이된다고 가정해서는 안 됩니다. 또한, 유권자 풀의 이념적 구성은 결과적인 집계 선호에 영향을 미치며, 일부 특징에 대해서는 선호도가 정치적 이념에 따라 달라지거나 반대로 방향을 바꿀 수 있습니다. 마지막으로, 유도 질문의 문구는 이념적 격차를 최대 한 스케일 포인트까지 좁히거나 넓힐 수 있으며, 이는 참가자들이 도덕적 기초를 판단에 연관 짓는 방식도 변화시킵니다.

결론적으로, 투표 기반 정렬(voting-based alignment)만으로는 공정하고 투명한 AI를 달성할 수 없으며, 최소한 도덕적 AI 유도 파이프라인의 각 단계는 감사되고 공개되어야 합니다. 개발자는 AI 정렬 과정에서 이러한 선택들이 결과에 미치는 영향을 인식하고 투명성을 확보해야 합니다.

1910년에 출간된 『프린키피아 마테마티카』가 현대 프로그래밍 언어의 핵심 개념을 이해하는 데 중요한 통찰을 제공합니다. 이 고전은 참조 투명성, 타입 시스템, 자유 변수와 바인딩 변수, 치환, 스코프 등 현대 프로그래밍 언어의 근본적인 개념들을 이미 다루고 있습니다.

이러한 수학적 개념들은 현대 프로그래밍의 기초가 되는 추상화와 논리 구조를 설명하는 데 직접적으로 연결됩니다. 예를 들어, 명제 함수와 겉보기 변수(apparent variable)는 각각 람다 항과 바인딩 변수에 대응하며 알파 동등성과 같은 논리적 동치 관계를 설명합니다.

따라서 이 책은 단순히 수학적 논리를 넘어, 프로그래밍 언어 설계에 내재된 구조적 원리를 이해하고자 하는 개발자들에게 깊이 있는 배경 지식을 제공합니다. 이는 현대 언어의 복잡한 개념들이 어떻게 논리적 일관성을 통해 구축되었는지 이해하는 데 도움을 줍니다.

구글 픽셀 11 시리즈에서 가장 새로운 사진 기능은 이미지 데이터를 센서 수준에서 다르게 처리하여 스마트폰 특유의 느낌이 없는 사진을 생성하는 카메라 룩스(Camera Looks)입니다. 이 기능은 "Digi"와 같이 구형 디지털 카메라 사진의 스타일을 모방하는 새로운 스타일을 만들어냅니다.

이러한 결과는 이미지 처리 방식의 근본적인 변화를 의미하며, 사진 결과물의 미학적 측면에서 새로운 접근 방식을 제시합니다. 하지만 카메라 룩스를 사용하려면 초기에는 구글 픽셀 11 휴대폰을 소유해야 합니다.

구글 대변인 알렉스 모리코니는 최신 카메라 업데이트는 최신 기기에만 제공된다고 밝혔으며, 현재로서는 더 많은 사용자에게 경험을 제공할 수 있는 다른 정보는 공유할 수 없다고 덧붙였습니다. 따라서 이 새로운 사진 기능의 활용은 구글 픽셀 11 기기 사용자에게 제한적으로 적용됩니다.

알리바바의 Qwen이 Qwen3.8-27B 오픈 가중치를 공개하여 로컬 경량 애플리케이션 개발에 활용할 수 있게 되었습니다. 이 모델은 270억 개의 매개변수를 가진 네이티브 멀티모달 밀집 모델로, 전반적인 성능 면에서 Qwen3.7-Plus를 능가하는 것으로 평가됩니다.

이 모델은 특히 실제 코딩 및 오피스 워크플로에서 강력한 강점을 보이며 개발자들이 로컬 환경에서 고성능 AI를 구동하는 데 큰 이점을 제공합니다. 이는 클라우드 의존도를 낮추고 데이터 보안을 유지하면서도 복잡한 작업을 처리할 수 있는 경량화된 솔루션을 필요로 하는 개발자들에게 중요한 기회가 됩니다.

Qwen3.8-27B는 오픈 가중치로 공개되었기 때문에 커뮤니티에서 접근하고 수정하여 로컬 환경에 맞게 미세 조정하는 데 활용될 수 있습니다. 따라서 개발자들은 이 모델을 활용하여 자체적인 경량 애플리케이션을 구축하거나 특정 워크플로에 최적화된 AI 솔루션을 개발할 수 있습니다.

고차 다중입력 다중출력(MIMO) 탐지는 채널 디코딩을 위한 신뢰할 수 있는 소프트 정보를 제공하면서도 넓은 이산 심볼 공간에 대한 효율적인 탐색을 요구합니다. 이 논문은 MIMO 탐지를 완전 벡터 전환의 확률적 시퀀스로 공식화하는 학습 전환(Learning-to-Transition, L2T) 프레임워크를 개발합니다. 각 전환 시점에서 채널 연관 트랜스포머가 인스턴스 임베딩과 샘플링 정책을 모두 업데이트하며, 블록별 자기회귀 인수분해는 적절한 순차적 복잡도로 스트림 간 의존성을 포착합니다.

하드 출력 탐지를 위해서는 전환 네트워크를 재귀적으로 적용하고 잔차 기반의 BER(비트 오류율) 커리큘럼을 통해 훈련합니다. 이는 먼저 정확한 잔차 측정으로부터 MIMO 탐색 기하학을 학습한 다음, 전송 비트 정확도에 정책을 정렬합니다. 소프트 출력 수신을 위해서는 잘 훈련된 하드 정책을 파라미터 수준에서 언타이드 소프트 입력 소프트 출력 반복 탐지 및 디코딩(IDD) 수신기 모든 레이어로 복제합니다.

이러한 하드-투-소프트 전환은 디코더 피드백 하에서 레이어별 및 라운드별 특수화를 가능하게 하면서 학습된 제로 우선 탐색 역학을 보존합니다. IDD 라운드 내에서 디코더 사전 정보는 베이즈 규칙에 따라 후보 생성을 기울이고, 가능도 가중치 터미널 가설은 LDPC 디코딩을 위한 사후 및 외재 로그 가능도 비율을 산출합니다. 또한 다단계 훈련 전략은 합성 및 루프 내 디코더 생성 사전 정보를 수신기에 점진적으로 노출시켜 하드-투-소프트 전환을 안정화시킵니다.

미국에서 한 원고가 소송에서 승리하기 위해 인공지능 시스템만이 읽을 수 있도록 법원 서류에 텍스트를 숨겨 삽입하려 시도한 사례가 포착되었습니다. 코네티컷의 월터 스패더 주지사는 이 숨겨진 텍스트가 실제 소송 결과에 아무런 영향을 미치지 않았다고 확인했습니다. 법원은 해당 서류를 실체에 따라 평가했지만, 이러한 악의적인 시도는 향후 법원 시스템에서 AI 도구가 보편화됨에 따라 반복될 수 있는 위험한 선례를 남겼습니다.

원고는 법원의 판결이나 거절을 무시하고 원하는 보상을 받도록 하기 위해 AI 시스템이 문서를 검토할 때 특정 지침을 따르도록 숨겨진 명령을 삽입했습니다. 이 지침은 인간 독자에게는 보이지 않도록 형식화되었지만, 문서의 텍스트를 읽는 모든 소프트웨어, 특히 AI 시스템에게는 완전히 읽을 수 있도록 설계되었습니다.

이러한 행위는 법적 절차에서 AI를 악용하려는 시도로 간주되며, 앞으로 법원 시스템에서 AI의 역할이 커짐에 따라 이러한 조작이 더 흔해질 수 있다는 우려를 낳고 있습니다. 이는 법적 문서의 무결성과 공정성에 대한 근본적인 질문을 제기합니다.

많은 출처로부터 결론을 도출하도록 언어 모델에 요청할 때, 시스템은 보통 모든 정보를 하나의 프롬프트로 연결하는데 이는 서로 다른 요구사항을 가진 두 가지 작업을 혼동시킨다. 출처 해석은 모델의 용량과 맥락을 보상하는 반면, 해석의 결합은 고정된 산술, 사례 간의 비교 가능성, 그리고 아무것도 반환할 수 있는 선택권을 보상한다. 연구진은 이 두 작업을 분리할 것을 제안하며, 이를 위해 가설, 신뢰도 분류, 추론 근거, 출처라는 네 가지 필드로 구성된 증거 튜플을 제시하고 이를 통해 두 작업을 분리할 수 있음을 보여준다.

이러한 분리는 시스템이 출처를 결합하는 방식에서 발생하는 실패 모드인 카운트-스케일 드리프트를 드러낸다. 비정규화된 가중치의 합을 임계값 처리하는 것은 정확히 사후 임계값 처리이지만, 이는 참고한 출처의 수와 독자의 신뢰도에 따라 슬라이딩된다. 출처의 신뢰도가 다를 경우 투표 규칙과 사후 순서가 다르게 작동하며 어떠한 임계값도 이들을 조정할 수 없다.

이러한 문제를 해결하기 위해 보정된 로그 우도비(log-likelihood ratios)를 풀링하는 방법을 제안한다. 이 해결책은 아키텍처적 변화가 아닌 산술적 변화이며, 언어 모델을 넘어 점수 합산 엔진이나 진단 패널 등 다양한 규칙에 적용될 수 있다. 연구진은 이 원칙을 하나의 종단 코퍼스에 적용하여 결과가 해결된 후와 이전에 두 번 실행했으며, 이 분할은 읽기(첫 번째)와 학습 용량(두 번째)이라는 다른 세분성에서 모두 유용하다.

이러한 분리는 두 작업에서 서로 다른 세분성으로 적용된다. 첫 번째는 읽기에서 이루어지며, 두 번째는 각 도메인별로 재추정되어야 하는 부분에 대한 학습 용량에서 이루어진다. 이 과정에서 작은 시퀀스 인코더와 트리 앙상블을 결합한 모델은 0.921의 AUPRC를 달성하여 수작업 기준선인 0.805를 능가했다. 이는 모델이 전이되는 것과 각 도메인별로 재추정되어야 하는 것을 분리하여 제시하고, 프레임워크를 반증할 수 있는 다섯 가지 예측과 세 가지 부정적인 결과 등을 명시한다.

레시피 데이터는 재료 합성, 제약 포뮬레이션, 산업 제조와 같은 분야에서 절차를 단계별 순서와 이질적인 구조 필드를 포함하는 시퀀스로 표현합니다. 기존의 표 형식 학습 방법들은 이러한 구조를 고정된 스키마의 표현으로 평탄화하여 단계별 필드 간의 계층적 상호작용과 절차적 의존성을 포착하는 능력이 제한적입니다.

이에 본 연구는 각 단계 내의 필드 수준 상호작용과 단계 간의 순차적 의존성을 인코딩하기 위해 스택된 트랜스포머 인코더를 사용하는 계층적 트랜스포머 아키텍처인 RecipeNet을 제안합니다. 이 모델은 레시피 데이터의 계층적이고 순차적인 특성을 효과적으로 모델링하는 데 중점을 둡니다.

다수의 레시피 데이터셋과 작업에 대한 실험 결과는 RecipeNet이 기존의 표 형식 모델들보다 일관되게 우수한 성능을 보임을 입증합니다. 이는 레시피 표현 학습에 있어 계층적 및 순차적 모델링이 가지는 가치를 강조하며, 복잡한 시퀀스 데이터 처리에서 이러한 접근 방식이 효과적임을 시사합니다.

고체 상태의 상 안정성은 자유 에너지에 의해 결정되지만, 계산 재료 발견은 자유 에너지 계산이 앙상블 평균을 요구하기 때문에 주로 바닥 상태 에너지에 의존해 왔습니다. 이 논문은 정적인 에너지에서 열역학적으로 일관된 깁스 자유 에너지 모델로 원자 간 포텐셜을 확장하는 열역학적 원자 간 포텐셜(Thermodynamic Interatomic Potential, TIP)을 소개합니다.

TIP은 온도와 압력에 따른 열역학적 반응을 자동 미분(automatic differentiation)을 통해 도출하며, 보편 포텐셜 UMA를 사용하여 TIP[UMA]를 구현합니다. 이 모델은 준고조화(quasi-harmonic)부터 분자 동역학(molecular dynamics) 수준의 충실도에서 얻은 자유 에너지로 훈련되며, 더 높은 해상도의 계산이나 실험을 통해 보정할 수 있습니다.

단일 평가만으로도 TIP은 결정의 상태 방정식을 반환하고 동적으로 안정화된 상을 포함하여 경쟁하는 분기들 사이의 상전이를 찾을 수 있습니다. 또한 모델을 미세 조정하면 합금 용해도 한계와 혼합성 갭까지 확장하여 적용할 수 있습니다.

TIP은 자유 에너지를 포텐셜 에너지만큼 접근 가능하게 만들어, 고온에서의 상 안정성을 고속 탐색 발견에 활용할 수 있게 합니다. 이는 재료 과학 분야에서 고온에서의 상 안정성을 탐색하는 데 중요한 발전을 가져올 것입니다.

비전-언어 모델(VLM)을 활용한 강화 학습(RL) 후처리 과정에서 현재의 온-폴리시(on-policy) RL 런타임은 롤아웃(rollout), 참조 점수 계산(reference scoring), 액터 훈련(actor training)을 엄격하게 순차적인 단계로 실행합니다. 이는 텍스트 전용 RL에서는 효과적이지만, 밀집된 비디오 입력과 프롬프트 접두사 처리가 각 단계의 많은 부분을 차지하는 VLM 환경에서는 비효율적입니다.

프롬프트 처리는 생성된 응답과 독립적이므로 롤아웃 디코딩과 동시에 실행될 수 있으며, 이는 동기적인 온-폴리시 의미를 해치지 않으면서 GPU 컴퓨팅 용량을 활용하지 못하게 만듭니다. 이에 연구진은 참조 및 훈련 단계를 분해하고 접두사 계산을 롤아웃 디코딩 창으로 이동시키는 런타임인 Rollplex를 제안합니다.

Rollplex는 두 가지 메커니즘을 통해 이 스케줄을 실현합니다. 첫째, 생산자-소비자 수명에 따라 HBM 잔류 시간을 제어하는 단계 인식 메모리 관리와, 둘째, 서로 다른 TP(텐서 병렬도) 레벨에 걸쳐 레이아웃이 호환되는 텐서에 대해 동일한 물리적 저장 공간을 사용하고 비호환적인 텐서만 재구성하여 두 번째 액터 복사를 피하는 병렬성 인식 가중치 공유를 사용합니다.

이러한 접근 방식을 통해 32개의 H800 GPU에서 Rollplex는 동기적인 RL 업데이트를 보존하면서 직렬 배치(serial colocation) 대비 1.23배에서 1.30배, 그리고 분산(disaggregation) 대비 1.57배에서 2.24배의 속도 향상을 달성했습니다.

워싱턴 주 법원은 Kalshi에게 스포츠 도박 및 기타 베팅을 제공하는 것을 중단하라는 명령을 내렸습니다. 존 맥헤일(John McHale) 지방 법 판사는 워싱턴 주가 Kalshi를 상대로 제기한 소송에 대응하여 예비 금지 명령을 발동했습니다.

이 명령에 따라 Kalshi는 스포츠, 선거, 정치, 엔터테인먼트, 문화, 기술, 과학 또는 워싱턴 관련 언급에 대한 베팅을 제공하거나 수락하거나 촉진하는 것을 중단해야 합니다. 또한 Kalshi는 8월 19일까지 IP 주소 및 거주 기반 지오펜싱을 구현하고 9월 2일까지 다중 소스 지오펜싱 솔루션을 마련해야 합니다.

법원은 Kalshi가 워싱턴 주에서 사업을 수행할 권한이 없으며 주 도박 위원회로부터 허가를 받지 않았다고 지적했습니다. 법원은 Kalshi의 광고가 해당 도박 활동이 주 법률에 따라 합법적이라는 점을 합리적인 소비자에게 오해하게 만들 위험이 있다고 판단했습니다.

이번 결정은 최근 몇 년간 스포츠 베팅에 의해 주도되어 온 Kalshi의 사업의 상당 부분을 포함하며, Kalshi가 워싱턴 주에서 합법적인 도박 활동을 제공한다는 광고를 통해 소비자를 오도했다는 점이 핵심입니다.

교차표 데이터 생성(CTDG) 연구는 여러 이질적인 테이블에서 생성 모델을 학습하여 새로운 합성 표 데이터셋을 만드는 것을 목표로 합니다. 기존의 합성 데이터 생성 방법들은 단일 입력 테이블 시나리오에 국한되어 있어 다양한 특징 집합을 가진 여러 이질적인 테이블을 효과적으로 처리하는 데 어려움을 겪어왔습니다.

이를 해결하기 위해 연구진은 교차표 데이터 생성을 위한 2단계 프레임워크를 제안했습니다. 첫 번째 단계에서는 각 이질적인 원본 테이블을 모든 테이블에 걸쳐 동일한 열 세트를 가진 표준화된 통계 테이블로 변환합니다. 이 통계 테이블은 원래 열의 주변 분포와 그들 간의 쌍별 상관관계를 포착합니다.

두 번째 단계에서는 이 균질한 통계 테이블 전반의 구조적 패턴을 포착하고 합성 통계 테이블을 생성하기 위해 확산 트랜스포머 모델을 훈련합니다. 생성된 통계 테이블은 다변량 가우시안 샘플링과 역확률 적분 변환을 통해 원본 합성 테이블로 재구성됩니다.

이러한 2단계 CTDG 프레임워크는 여러 이질적인 테이블에서 통합된 생성 모델을 학습할 수 있게 하며 무한한 수의 현실적인 합성 이질적 테이블 생성을 지원합니다. 실험 결과는 학습된 통계 표현의 높은 충실도와 생성된 데이터에서 충실도-다양성 간의 유리한 상충 관계를 보여주며 제안된 접근 방식의 효과를 입증합니다.

PBS 지부 중 하나인 나인 PBS가 데이터 접근권을 되찾기 위해 데이터 센터 제공업체인 아이언 마운턴(Iron Mountain)을 상대로 소송을 제기했습니다. 이 소송은 70년 전부터의 TV 쇼, 비디오 및 기타 데이터 50테라바이트에 대한 접근을 요구하는 내용입니다.

나인 PBS는 클라우드 스토리지 제공업체였던 오픈 소스 스토리지(OSS)가 기능이 정지되면서 데이터 접근이 차단되었다고 주장하며 아이언 마운턴이 데이터 공개를 거부했다고 주장하고 있습니다. 이 데이터에는 코로나19 팬데믹 보도, 이스트 스탈루이스 역사가, 1993년 대홍수 기록, 그리고 11,000개 이상의 파일이 포함되어 있으며, 소송 당사자들은 이 데이터가 "고유하고 대체 불가능하다"고 주장하고 있습니다.

소송은 덴버 지방 법원에 제기되었으며, 나인 PBS는 OSS가 아이언 마운턴의 덴버 데이터 센터를 사용하여 데이터를 저장했다고 주장합니다. 그러나 아이언 마운턴 측은 서버에 저장된 데이터에 접근할 수 없다고 밝혔습니다.

이 사건은 클라우드 서비스 제공업체의 운영 중단 이후 장기 보관된 아카이브 데이터의 소유권과 접근 권한에 대한 법적 분쟁이 데이터 센터 운영사와 클라우드 제공업체 간에 어떻게 얽혀 있는지를 보여줍니다.

LLM이 생성한 GPU 커널의 정확성을 검증하기 위한 계약 등급 검증기(contract-grade verifier)가 제시되었습니다. 현재 언어 모델을 사용하여 GPU 커널을 생성하는 시스템들은 높은 정확도율을 보고하지만, 이는 느슨한 테스트에 기반한 것이며 실제로는 오류를 포함하고 있을 수 있다는 문제점이 지적됩니다. 예를 들어, 커널이 참조 값과 차이가 있거나, 텐서 연산 과정에서 fp16 누적 오류가 발생할 수 있는데도 시스템은 이를 감지하지 못할 수 있습니다.

연구진은 이러한 문제를 해결하기 위해 12개의 적대적 게이트에 대한 계약 등급 검증기를 구축했습니다. 이 검증기는 올바른 커널이 충족해야 하는 속성을 확인하며, 특히 임계값에 의존하지 않는(tolerance-free) 속성들을 포함하여 실패를 설명할 수 없는 방식으로 오류를 잡아냅니다. 이 검증기를 통해 공개 시스템이 이미 '정확하다'고 승인한 2,638개의 기계 생성 커널 중 39.5%가 허용 오차를 넘어 오류를 포함하고 있음을 발견했습니다.

또한, 연구진은 자체적으로 개발한 Gated-Linear-Recurrence(GDN) 계열에 대한 네이티브 Blackwell 역방향(backward) 학습을 독립적으로 검증했습니다. 이 과정에서 보고된 커널 생성 진전의 정확성 신호는 실제 수치보다 훨씬 약하며, 이러한 계약 등급의 검증을 통해 이러한 격차를 해소할 수 있음을 입증했습니다.

결론적으로, LLM 기반 GPU 커널 생성의 신뢰성을 확보하기 위해서는 임계값에 의존하지 않는 계약 기반의 검증 프레임워크가 필수적이며, 이는 하드웨어 아키텍처와 머신러닝 시스템의 정확성을 보장하는 데 중요한 기반이 될 것입니다.

인스타그램이 구형 워드마크가 너무 오래되어 보인다고 판단하여 새로운 로고를 이번 주에 출시했습니다. 이 새로운 로고는 기존의 인스타그램 워드마크와는 다르게 보이며, 심지어 'Instagram'이라는 단어를 표기하지도 않습니다. 인스타그램이 이러한 디자인 변경을 결정한 구체적인 이유는 아직 밝혀지지 않았습니다.

이러한 디자인 변화는 기업이 외형을 개선하고 브랜드 이미지를 재정립하려는 경영진의 의도를 반영하는 것으로 해석됩니다. 또한 이 내용은 새로운 것이 항상 더 나은지에 대한 논의를 포함하며, 이는 기술 업계 전반의 디자인 및 사용자 경험에 대한 중요한 맥락을 제공합니다.

한편, 이와 함께 마크 저커버그가 인공지능의 미래에 대해 보낸 수천 단어 분량의 서신에 대한 논의도 이루어졌습니다. 이는 메타(Meta)의 다른 주요 발표 내용으로, AI 기술의 미래에 대한 거시적인 비전과 제안들을 다루고 있습니다.

이 글은 복잡한 수학인 이산 푸리에 변환(DFT)이 사실은 손으로 계산할 수 있는 행렬 곱셈의 연속임을 보여줍니다. 이 연구는 신호 처리에서 가장 중요한 DFT의 수학적 기반을 탐구하며, 이 개념이 딥러닝의 핵심인 행렬 곱셈과 어떻게 연결되는지를 제시합니다.

DFT는 복소수 항 $e^{-iwt}$에 대한 합을 포함하는 매우 복잡한 계산으로 알려져 있지만, 실제로는 행렬 곱셈을 통해 계산될 수 있습니다. 이는 딥 신경망이 활성화 함수를 통해 행렬 곱셈을 수행하는 방식과 본질적으로 동일한 접근법임을 시사합니다.

저자는 이 원리를 통해 딥 신경망이 신호를 처리하고 분석하는 데 있어 DFT가 어떻게 적용될 수 있는지 설명합니다. 예를 들어, U-Net이 공간 영역에서 필터를 학습하듯이, DFT는 신호를 주파수 영역에서 코사인파의 조합으로 보는 고정된 변환입니다.

구체적인 예시를 통해 DFT가 어떻게 작동하는지 보여주는데, 신호의 시간 영역 샘플을 주파수 영역으로 변환하고 다시 원래 영역으로 되돌리는 과정을 통해 DFT가 미지의 가중치(계수)를 발견할 수 있음을 입증합니다. 이는 수학적 기초가 인공지능 모델의 작동 원리를 이해하는 데 중요한 통찰을 제공합니다.

클락턴 선거에서 카운트 빈페이스가 4분의 1 이상의 표를 얻으며 가장 높은 득표율을 기록했습니다. 그는 9,455표를 획득하여 상대 후보인 나이젤 파라지(Nigel Farage)가 22,239표로 승리한 가운데 26.9%의 득표율을 기록했습니다. 이는 빈페이스가 이전 선거에서 기록한 최고 득표율이며, 파라지에게 패배했음에도 불구하고 이 지역구 선거에서 주목받는 결과를 보였습니다.

빈페이스는 인테르갈락틱 우주 전사라는 별명으로 알려져 있으며, 이 선거는 정치인들을 풍자하는 특이한 후보들의 전통과 연결됩니다. 과거에는 조너 하비(Jon Harvey)와 같은 코미디언들이 후보로 출마하여 정치 엘리트들을 비꼬는 방식으로 유권자들에게 풍자 투표의 기회를 제공해 왔습니다.

이러한 전통은 1960년대부터 시작되어 몬스터 레이빙 루니 당(Monster Raving Loony Party)과 같은 단체의 존재로 이어졌으며, 후보자들이 선거 집계 시 무대에서 나란히 서는 방식으로 진행되었습니다. 이러한 특이한 후보들은 권력에 농담을 던지고 정치 엘리트들의 허세를 꼬집는 것을 목표로 합니다.

이러한 후보 자격 요건은 비교적 낮아 18세 이상이며 500파운드 보증금과 10명의 서명을 확보하면 영국 선거에 출마할 수 있습니다. 카운트 빈페이스 역시 이러한 절차를 통해 다수의 주요 선거에 참여할 수 있었으나, 매번 500파운드 보증금을 잃는 상황을 겪었습니다.

LuaCAD는 Lua를 사용하여 파라메트릭 CAD 모델을 스크립팅할 수 있게 하며, 이는 기존의 OpenSCAD를 대체하는 강력한 대안으로 제시됩니다. LuaCAD는 CSG 연산에 대한 연산자 오버로딩(a + b, a - b 등)을 지원하여 자연스러운 CSG 문법을 제공하며, 이를 통해 더 강력하고 일관성 있는 프로그래밍 경험을 제공합니다.

이 소프트웨어는 Lua 5.4를 Rust 엔진 내에 임베드하여 실행하며, 3D 모델 렌더링과 메쉬 생성을 위해 OpenCSG와 Manifold 라이브러리를 사용합니다. 특히 Manifold를 활용하여 매니폴드 삼각형 메쉬를 생성하고, Rust로 구현된 BOSL2 함수들을 완전히 지원하여 OpenSCAD나 BOSL2가 설치되어 있지 않아도 모델을 렌더링하고 내보낼 수 있습니다.

LuaCAD는 CLI 도구와 실시간 3D 미리보기를 제공하는 데스크톱 애플리케이션을 포함하고 있으며, 3MF, STL, OBJ, PLY 등 다양한 파일 형식으로 모델을 내보낼 수 있습니다. 또한 텍스트 처리 및 다른 메쉬 형식의 가져오기 기능도 지원하여 사용자가 스크립트로 모델을 생성하고 조작하는 데 필요한 모든 기능을 제공합니다.

이러한 기술 스택은 LuaCAD가 OpenSCAD의 장점을 결합하면서도 더 빠르고, 더 유연하며, 더 쉽게 임베드될 수 있는 경험을 제공한다는 점을 강조합니다. 개발자는 LuaCAD를 통해 복잡한 파라메트릭 모델링을 더 효율적으로 수행할 수 있습니다.