읽을 가치가 있는 기사만, 짧고 또렷하게.

call-cc.org에서 Chicken Scheme 6.0 관련 정보가 게시되었습니다. 이 게시물은 특정 소프트웨어 또는 프로젝트의 버전 6.0 업데이트에 대한 내용을 담고 있습니다.

해당 게시물은 2026년 8월 11일에 게시되었으며, 개발자 커뮤니티에서 논의될 수 있는 새로운 정보가 포함되어 있습니다. 자세한 내용은 해당 링크를 통해 확인할 수 있습니다.

현재 제공된 정보는 해당 릴리스에 대한 링크와 메타데이터만을 포함하고 있어 구체적인 변경 사항이나 기술적 세부 정보는 포함되어 있지 않습니다. 따라서 이 게시물을 통해 Chicken Scheme 6.0의 구체적인 내용이나 영향에 대해 알기 위해서는 원본 기사를 직접 참조해야 합니다.

최근 한 기고문에서 저자는 생성형 인공지능(AI) 사용을 기타 히어로(Guitar Hero)를 플레이하는 것과 비교하는 것에 반대하며 기타 히어로를 옹호합니다. 저자는 AI를 옹호하는 것이 아니라, AI가 기타 히어로를 폄하했기 때문에 이 비유를 받아들이지 않는다고 주장합니다.

저자는 기타 히어로와 생성형 AI를 비교하는 것은 근본적으로 불가능하다고 설명하며, 기타 히어로가 실제 기타 연주 기술을 가르치지 않으며 그 기술이 실제 악기로 전이되지 않는다는 점을 강조합니다. 기타 히어로는 리듬, 타이밍, 손과 눈의 협응력과 같은 능력을 요구하는 활동이며, 이는 뇌에 새로운 신경 경로를 만들고 훈련하는 경험을 제공합니다.

반면 생성형 AI는 이러한 기술 습득과는 무관하며, 오히려 인지 기능과 문제 해결 능력을 해치고 기억을 손상시킨다는 연구 결과가 있습니다. 또한 기타 히어로는 실제 라이선스 음악과 실제 예술가들의 참여를 통해 인간의 의도와 사랑이 담긴 창의적인 프로젝트인 반면, AI는 예술을 훔치고 일자리를 위협하며 사람들을 고립시키는 존재라는 차이가 있습니다.

결론적으로 기타 히어로는 인간이 참여하여 창조한 활동이라는 점에서 생성형 AI와는 정반대의 의미를 가지며, 이는 AI가 예술을 훔치고 사람들을 고립시키는 것과는 완전히 대조됩니다.

Firefox 153 버전에서 업무, 쇼핑, 개인, 은행 활동을 같은 브라우저 창 내에서 분리하는 내장 컨테이너 기능을 미리보기로 제공합니다. 이 기능은 사용자가 각 활동에 대해 독립적인 탐색 맥락을 유지하고 쿠키와 광고 추적을 격리하여 서로의 활동이 보이지 않도록 설계되었습니다.

컨테이너를 사용하면 각 환경별로 로그인 계정과 탐색 맥락을 유지할 수 있어 여러 개의 계정을 동시에 관리하는 데 용이합니다. 이는 사용자가 민감한 정보나 특정 환경에 따라 쿠키와 추적 데이터를 분리하여 개인 정보 보호를 강화하는 데 중점을 둡니다.

개발자나 고급 사용자는 이러한 컨테이너 기능이 브라우저 내에서 활동의 격리를 어떻게 구현하는지 확인하고 이를 기반으로 새로운 웹 애플리케이션이나 서비스를 구축할 때 프라이버시와 사용자 경험을 개선하는 데 활용할 수 있습니다. 이 기능은 약 10년간 제공되어 온 Firefox의 기능 확장 역사에 중요한 진전을 의미합니다.

OpenAI가 직원들을 대상으로 70억 달러 규모의 주식 매수 제안(tender offer)을 완료했다는 보도가 나왔습니다. 이는 직원들에게 자금 유동성을 제공하기 위한 목적으로 이루어졌으며, OpenAI의 가치는 8,520억 달러로 평가되었습니다. 이 거래는 회사가 지난 3월에 모금했던 라운드와 동일한 가치로, 회사 자본을 1,220억 달러 증가시켰습니다.

이러한 직원 대상의 사모 제안은 상장(IPO) 과정에서 발생할 수 있는 복잡한 어려움 없이 직원들이 주식 보상을 실현할 수 있게 해주는 유용한 방법으로 작용합니다. OpenAI는 올해 상반기에 잠재적인 IPO를 위해 증권거래위원회에 기밀로 신청했으나, 이번 매수 제안은 IPO가 곧 이루어지지 않을 수 있음을 시사합니다.

최근 OpenAI는 내부 재정 목표를 달성하지 못했으며, 경쟁사인 Anthropic의 성과를 고려할 때 회사는 현재 경영 전략을 재조정하고 엔터프라이즈 사업에 집중해야 하는 상황입니다. 따라서 이번 주식 제안은 OpenAI가 새로운 전략을 통해 시장의 관심을 확보하고 경쟁 우위를 점하기 위한 움직임으로 해석될 수 있습니다.

macOS 대화상자에 사용된 불리언 토글의 시각적 표현 방식이 현재 상태를 직관적으로 구분하기 어렵다는 한계를 드러냈습니다. 구체적으로 네 가지 회색 음영으로 표시된 사례는 토글 UI가 상태 구분에 있어 직관성을 확보하지 못하고 있음을 보여줍니다.

토글 디자인은 iOS 환경에서 체크박스를 대체하며 등장한 것으로 보이며, 넓은 터치 영역과 물리적 스위치를 닮은 스큐어모픽 디자인을 채택했습니다. 이러한 디자인은 터치 인터페이스에 적합하지만, 시각적 피드백의 명확성 측면에서 개선이 필요하다는 지적이 나오고 있습니다.

결론적으로 토글 UI는 넓은 터치 영역과 물리적 스위치 형태를 도입했음에도 불구하고, 상태를 명확하게 구분하는 데 어려움을 겪는 UI의 한계를 가지고 있습니다. 개발자는 사용자 경험을 개선하기 위해 토글의 시각적 피드백과 상호작용 방식을 재고할 필요가 있습니다.

기업 질의응답은 내부 문서를 검색하고 근거 있는 답변을 생성하는 것으로 정의되지만, 실제 기업 기록은 이질적인 출처에 걸쳐 필요한 조직 관계가 암묵적으로 남아있는 결과물입니다. 기존 벤치마크들은 현실적인 다중 출처 증거를 제공하지만, 종종 미리 정의된 답변 경로를 제시하여 사실의 조합을 테스트할 뿐, 코퍼스에 없는 목표 관계를 복구하는 능력을 테스트하지는 못합니다. 이러한 후자의 능력을 잠재적 조직 추론(latent organizational reasoning)이라고 정의하며, 연구진은 이를 측정하기 위한 새로운 벤치마크 구축 프레임워크인 ENTLORE를 소개합니다.

ENTLORE는 일상적인 문서, 권위 있는 조직 테이블, 운영 기록으로부터 감사된 기업 세계를 재구성하는 그래프 기반 벤치마크 구축 프레임워크입니다. 이 프레임워크는 버전화된 조직 관습을 사용하여 진실 그래프 내에서 파생된 관계를 인증함으로써 완전한 정답과 증명서를 가능하게 합니다. ENTLORE는 세 가지 출처 유형에서 2,341개의 문서를 포함하며 명시적 검색, 교차 출처 조합, 그리고 잠재적 조직 추론을 포괄하는 907개의 질문을 포함하고 있습니다.

연구 결과에 따르면, 공개된 문서만으로는 잠재적 질문의 30.4%가 여전히 해결되지 않는 것으로 나타났습니다. 이는 명시적 질문의 경우 12.6%와 조합적 질문의 경우 6.2%에 비해 현저히 높은 수치입니다. 따라서 기업 질의응답은 문서 검색 능력뿐만 아니라 암묵적인 조직 관계가 실제로 사용 가능한지에 달려있습니다.

이 벤치마크, 데이터, 코드는 ENTLORE를 통해 공개되어 있으며, 이 세계를 유도된 엔티티 그래프나 탐색 가능한 지식 기반으로 구조화하는 것이 가장 강력한 배포 결과를 제공합니다.

인공지능이 현실 세계의 난제를 해결하기 위해 명확한 목표와 검증 가능한 과정을 필요로 한다는 점을 Apodex Discovery 프레임워크는 제시합니다. 이 프레임워크는 기초 모델, 하네스, 도구, 제어 정책으로 구성된 헤비 듀티 솔버를 통해 확장되고 상태를 가지며 검증 가능한 조사를 추구합니다.

Apodex Discovery는 세 가지 핵심 구성 요소를 갖습니다. 첫째, 문제 발굴 과정은 16개 부문 561개 산업을 조사하여 423개의 고가치 실제 문제를 수집하고 초기 공개를 위해 20개를 선정했습니다. 둘째, 공통 환경-과제-에피소드 추상화는 데이터, 도구, 제약 조건, 피드백, 궤적 기록 및 중간 결과물과 최종 제출물의 검증을 제공합니다. 셋째, HDS6 평가는 최종 과제 성공 여부와 관계없이 도구, 수리, 대안, 일관성, 증거, 범위를 독립적으로 평가합니다.

이러한 접근 방식은 구체적인 성과로 이어졌는데, AAV 캡시드 설계 분야에서는 Apodex가 생존력, 표적성, 구조 예측 및 생성 설계에서 기존 최고 수준을 7% 상회했습니다. 또한 약물 재배치 및 재정립 분야에서는 특정 과제별 생물의학 환경이 GPT-5.5와 GPT-5.6 솔버의 평균 정규화 예측 점수를 동일한 폐쇄형 백본에서 각각 2.5점과 7.6점 향상시켰습니다.

추가적으로, 고정된 TRACES 에피소드 인터페이스는 성능 차이를 특정 솔버 구성 요소에 귀속시키는 것을 가능하게 하여, AI 평가를 사전 정의된 벤치마크를 넘어 진정한 발견을 목표로 하는 검증 가능한 조사로 전환시킵니다.

차세대 AI 에이전트는 고립된 질문에 답하는 시스템을 넘어 사용자의 경험을 이해하고 기억하며 지속적으로 학습하는 지속적인 개인 비서로 발전하고 있습니다. 이러한 비서 역할을 수행하기 위해서는 시간 경과에 따라 사용자별 경험을 축적하고 활용할 수 있는 장기 기억이 필수적입니다. 하지만 현실적인 모바일 환경에서 경험이 이질적이고, 다중 양식적이며, 진화하고, 매우 개인적이라는 점을 고려할 때 기존의 벤치마크는 현실성이 부족합니다.

이에 연구진은 모바일 경험을 일 년 분량으로 수집하여 온디바이스 장기 기억을 연구하기 위한 벤치마크이자 프레임워크인 MobileMem을 소개합니다. MobileMem은 사용자 앱 세션으로부터 일관되고 시간적으로 일관된 장기 궤적을 구성하기 위해 지식 기반 합성 파이프라인을 사용합니다. 이 프레임워크는 다단계 추론과 시간 추론, 지식 업데이트, 암묵적 선호 추론을 포괄하는 텍스트 및 다중 양식적 설정을 제공합니다.

MobileMem은 에이전트가 과거를 기억하고 현재를 이해하며 미래에 적응할 수 있도록 합니다. 이는 단순히 사실 검색을 넘어 경험을 모델링함으로써 기억을 지속적인 개인 학습을 위한 경험적 지능으로 발전시킵니다. 따라서 MobileMem은 모바일 환경에서의 장기 기억 연구에 있어 새로운 기준을 제시하며 개인화된 학습 능력을 향상시키는 데 기여합니다.

거대 추론 모델(LRM)에서 성능은 테스트 시 컴퓨팅 스케일링에 의해 크게 좌우되지만, 현재 접근 방식은 비효율성으로 인해 한계에 부딪혔습니다. 연구진은 테스트 시 추론을 부분 궤적에 대한 제약된 컴퓨팅 할당 문제로 공식화하며, 고정된 하드웨어 예산 내에서 컴퓨팅을 가장 유망한 부분 진행에 능동적으로 할당하는 방법을 모색했습니다. 기존의 병렬 샘플링은 궤적을 독립적으로 처리하여 심각한 메모리 병목 현상을 유발하며, 차감적 가지치기(subtractive pruning)는 하드웨어를 고갈시키고 출력 분포를 충분히 이동시키지 못하는 한계를 보였습니다.

이러한 문제점을 극복하기 위해 연구진은 사고 수준의 빔 서치(thought-level beam search)를 실행하는 추론 알고리즘인 Gambit을 제안했습니다. Gambit은 부적합한 궤적을 주기적으로 가지치기하고 고품질 접두사로부터 즉시 분기함으로써, 은닉 상태를 탐색하는 경량 점수기(light-weight scorer)를 통해 가장 유망한 추론 궤적에 컴퓨팅을 동적으로 집중시킵니다. 이 과정에서 지속적으로 높은 하드웨어 활용도를 유지할 수 있습니다.

다양한 모델과 벤치마크에 걸친 광범위한 평가 결과, Gambit은 기존 기준선들을 명확하게 능가하는 것으로 나타났습니다. 동일한 하드웨어 제약 조건 하에서 Gambit은 가지치기 기준선 대비 HMMT-24에서 최대 6.7%의 절대 정확도 향상과 AIME-25에서 3.3%의 정확도 향상을 달성했습니다. 또한, 트레이스 완료에 있어서 2배 이상의 처리량 향상을 제공하며 표준 병렬 샘플링 대비 총 토큰 소비량을 최대 68.5%까지 줄였습니다.

에이전트 스킬은 절차적 지식과 도메인 전문성을 패키징하는 표준 형식으로, 에이전트 하네스 시스템 내에서 언어 모델의 행동 공간을 지속적으로 제약하여 반복적이고 고품질의 작업 실행을 가능하게 합니다. 하지만 강력한 폐쇄형 모델을 사용하면 추론 비용이 높아 현재 인기 있는 에이전트 하네스인 Codex나 OpenClaw를 실세계 작업에 적용할 때 비용이 과도하게 발생합니다. 따라서 소비자 등급 GPU에서 배포 가능한 오픈 소스 모델의 빠른 능력 향상을 활용하여 스킬 기반 행동 제약을 통해 비용을 획기적으로 줄일 기회가 있습니다.

그러나 이러한 소형 모델에 특화된 효과적인 스킬을 자동으로 생성하는 것은 여전히 중요한 실질적인 과제입니다. 이를 해결하기 위해 본 연구는 자연어 기반 강화 학습 프레임워크인 SKILLER를 제안했습니다. SKILLER는 강력한 모델을 액터와 크리틱으로 사용하고 소형 모델 에이전트 시스템을 환경으로 취급하며, 모든 강화 학습 신호를 자연어를 통해 전파하여 실행자별 스킬을 자동으로 생성하도록 설계되었습니다.

Qwen3.5-9B 및 Qwen3.5-4B 모델을 사용하여 다섯 가지 관련 벤치마크에 걸쳐 광범위한 실험을 진행한 결과, SKILLER는 세 가지 오픈 소스 방법과 하나의 폐쇄형 방법보다 우수한 성능을 보였습니다. 특히 9B 모델에서는 4.3%에서 20.4%의 절대적인 성능 향상을, 4B 모델에서는 1.8%에서 13.3%의 절대적인 성능 향상을 달성했습니다. 이는 SkillsBench에서 단일 스킬 작업에 대한 강력한 폐쇄형 모델의 성능과 놀랍도록 일치하는 결과입니다.

SKILLER 프로젝트는 GitHub에서 공개되어 있으며, 개발자들은 https://github.com/DANG-ai/SKILLER를 통해 접근할 수 있습니다.

ReRound는 표준 반올림 근사(round-to-nearest, RTN) 방식이 양자화 구간의 중심 근처에서 발생하는 중간값 모호성 문제를 해결하는 후처리 양자화 방법입니다. 이 방법은 사전 학습된 대규모 언어 모델(LLM)에서 시작하여 조건부 확산 모델(conditional diffusion model)을 훈련시켜 LLM의 저비트 가중치에 대한 연속적인 재구성을 생성합니다. 이 재구성된 가중치는 구간 중간값 근처에 있는 가중치의 반올림 방향을 명확히 하는 안내 신호로 작용합니다.

ReRound는 이 재구성 기반 반올림을 기존 RTN과 통합하기 위해 허용 오차 측정 기준을 도입합니다. 이 기준은 양자화된 가중치(최종 양자화 정수가 아닌)가 중간값으로부터 얼마나 떨어져 있는지를 측정합니다. 중간값 주변의 가중치는 확산 기반 재구성을 사용하여 양자화하고, 양자화 경계에 더 가까운 가중치는 RTN을 사용하여 양자화합니다. 이 허용 오차 매개변수를 조정하여 여러 후보 양자화 정수 가중치 행렬을 생성한 후, 원래의 전체 정밀도 가중치의 특이값과 가장 잘 일치하는 후보를 선택합니다.

이러한 전략을 통해 ReRound는 3비트 및 4비트 가중치 양자화에서 표준 RTN보다 일관되게 우수한 성능을 보입니다. ReRound는 보정 불필요 양자화 방법들보다 뛰어난 정확도를 달성하며, 보정 의존적 접근 방식과 경쟁할 수 있는 수준을 유지합니다. 또한, ReRound는 오프라인으로 완전히 작동하여 저비트 추론 중에 추가적인 오버헤드를 발생시키지 않습니다.

ReRound는 저비트 양자화에 대한 새로운 접근 방식을 제시하며 LLM을 넘어선 AI 모델에도 적용될 수 있습니다. 이 연구는 특히 소형 LLM에 대한 적용에 초점을 맞추고 있습니다.

야외 이미지에서 인간의 시선 목표를 추정하는 것은 중요하지만 어려운 과제입니다. 기존 접근 방식들은 머리 경계 상자나 인간 자세와 같은 명시적인 입력을 요구하는 취약한 다단계 파이프라인을 사용하기 때문에, 탐지 오류가 연쇄적으로 발생하여 실패할 수 있습니다. 또한 이러한 선행 연구들은 자연어 프롬프팅을 통해 시선 분석 작업을 지정하는 유연성을 제공하지 못하여 다른 이미지 분석 작업에서 얻은 편리성과 확장성을 활용하지 못하고 있습니다.

이러한 한계를 극복하기 위해 우리는 시선 분석을 위한 새로운 종단 간 개념 기반 패러다임인 프롬프트 가능한 시선 목표 추정(Promptable Gaze Target Estimation, PGE) 작업을 제안합니다. PGE는 "빨간 셔츠를 입은 소년"과 같은 유연한 사용자 텍스트나 시각적 프롬프트를 조건으로 사용하여 시선 분석을 위한 특정 대상을 식별합니다. 이 접근 방식은 대상 국소화와 시선 추정을 통합하여 중간 분석 단계에 대한 경직된 의존성을 제거합니다.

이를 위해 우리는 120K개의 고품질 프롬프트 주석 이미지 쌍으로 구성된 데이터셋과 벤치마크인 Gaze-Co를 생성하는 확장 가능한 데이터 엔진을 개발했습니다. 또한 PGE를 위해 설계된 최초의 모델인 GazeAnywhere를 제안했는데, 이 모델은 트랜스포머 기반 탐지기를 사용하여 고정된 인코더의 특징을 융합하고 대상 국소화, 프레임 내/외 존재 여부, 시선 목표 히트맵 추정을 동시에 해결합니다.

GazeAnywhere는 여러 PGE 벤치마크에서 최고 성능을 달성하며, 어려운 실제 환경 임상 데이터셋에서도 강력한 기준선을 설정했습니다. 이 모델은 github.com/IrohXu/GazeAnywhere에서 공개되어 있습니다.

신체화된 에이전트(embodied agents)는 단순히 모델 가중치뿐만 아니라 모델을 둘러싼 기술, 컨텍스트, 행동 인터페이스, 실행 하네스에 성능이 크게 좌우됩니다. 기존의 지도 미세 조정(supervised fine-tuning)이나 강화 학습(reinforcement learning) 방식은 새로운 환경에 에이전트를 적응시키는 데 유용하지만 추가적인 데이터와 보상, 훈련 실행이 필요합니다. 반면, 많은 훈련 없는 코드 중심 접근 방식은 고정된 인터페이스 설정에서는 사용할 수 없는 프로그래밍 가능한 로봇 API에 의존하는 한계가 있습니다.

이에 연구진은 SHAPER라는 훈련 없는 신체화 적응을 위한 자기 진화 프레임워크를 제안했습니다. SHAPER는 모델 파라미터를 고정시킨 채 목표 환경 롤아웃을 통해 재사용 가능한 기술과 컨텍스트-코드 하네스를 진화시켜 비모수 에이전트 시스템을 개선합니다. 이 프레임워크에서 동일한 고정된 모델은 계획자이자 최적화기로서 파라미터 업데이트 없이 외부 기술과 컨텍스트-코드 하네스를 개선할 수 있습니다.

연구진은 SHAPER를 VLABench와 ESI-Bench에서 평가하며 다양한 저수준 행동 인터페이스를 가진 신체화 에이전트를 다루고 순수 실행, 지도 미세 조정, 테스트 시간 스케일링과 같은 기준선과 비교했습니다. 그 결과는 모델 훈련이 비용이 많이 들거나 불가능할 때, 기술 및 하네스 최적화가 자기 진화된 신체화 에이전트를 위한 실용적인 경로임을 시사합니다.

장문 이해는 많은 시각적으로 풍부한 페이지에 걸쳐 추론해야 하므로 비용이 많이 들고 문맥이 손상될 위험이 있습니다. 이에 본 연구는 시각 해상도를 적응형 추론 시간 자원으로 취급하는 에이전트 시각 지각 프레임워크인 InSight-doc을 제안합니다. 이 프레임워크는 낮은 해상도에서 시작하여 외부 검색기 없이 고해상도 영역으로 선택적으로 확대하여 더 미세한 증거를 확보합니다.

이 에이전트를 훈련하기 위해 연구진은 영역별 확대 궤적을 포함하는 17.9K개의 고품질 SFT 예제와 19.2K개의 어려운 RL 예제를 포함하는 능동적 지각 코퍼스를 구축했습니다. SFT와 RL을 통해 훈련된 InSight-doc-8B 모델은 문서 VQA 벤치마크에서 기준 성능을 4.3에서 16.4 정확도 포인트 향상시켰습니다.

특히 긴 문서에서 이 모델은 정확도 우위를 유지하면서 환각 현상을 40% 이상 줄이고 추론 지연 시간을 41%에서 68%까지 감소시킵니다. 이 연구는 긴 문서 처리 시 발생하는 비용과 오류 문제를 해결하며 효율적인 시각 추론 방법을 제시합니다.

코드, 데이터셋, 모델은 https://github.com/m-Just/InSight-doc에서 공개되어 있습니다.

AI 안전에 대한 기존의 주류 패러다임은 RLHF, DPO 또는 Constitutional AI를 통해 모델 훈련 중에 안전성을 주입하는 것으로 간주합니다. 그러나 코드를 실행하고 파일을 수정하며 메시지를 보내고 데이터베이스를 변경하는 자율 에이전트에게는 이러한 방식이 구조적으로 불충분하다고 주장합니다.

에이전트 안전은 하네스(harness)에 의해 강제되는 런타임 계약이 되어야 하며, 이 계약은 두 가지 상호 보완적인 면을 가집니다. 하나는 샌드박스, 권한 게이트, 출력 필터, 궤적 모니터 등을 통해 위험한 행동이 발생하기 전에 차단하는 예방적 면입니다. 다른 하나는 테스트 실행, 로그 캡처, 파일 차이, 인용 근거와 같은 확실한 증거를 통해 좋은 행동이 실제로 발생했음을 검증하는 증거적 면입니다.

이러한 주장은 52건의 AI 에이전트 및 LLM 안전 사고 조사, 허위 완료 감사, 궤적 스키마 감사 등의 공개 증거를 기반으로 합니다. 안전을 시행해야 하는 컴퓨터 보안 및 실험 과학 분야의 두 이전 커뮤니티가 예방적 요소와 증거적 요소를 모두 갖춘 런타임 계약으로 수렴했듯이, 에이전트 AI 역시 같은 압력을 받고 있습니다.

연구진은 에이전트 AI에서 안전성의 올바른 단위는 모델 자체가 아니라 검증 가능한 증거가 포함된 궤적이라고 결론 내립니다. 따라서 연구는 에이전트 궤적 스키마와 증거 사슬을 공식화하고 표준 모니터 구성에 기반한 구성적 게이팅 제안을 제시하는 방향으로 진행될 것입니다.

최근 비전 파운데이션 모델(VFM)은 장면별 최적화 없이 단일 순방향 통과만으로 깊이, 카메라 자세, 포인트맵을 예측하여 강력한 일반화 능력을 보이지만, 다중 시점 기하학적 일관성(예를 들어 번들 조정)을 명시적으로 강제하지 않아 불일치가 발생할 수 있습니다. 기존의 모델 출력에서 파생되는 암묵적인 자기 일관성 신호는 테스트 시점에 적용되지만, 사전 학습된 VFM이 부정확한 장면에서는 성능 향상이 제한적입니다.

이에 본 연구는 2차원 픽셀 대응점을 유사 정답으로 사용하여 명시적인 다중 시점 기하학적 제약을 직접 부과하는 플러그 앤 플레이 테스트 시간 적응 파이프라인인 Self-Geometry를 제안합니다. Self-Geometry는 기울기 충돌을 방지하기 위해 다중 시점 일관성 손실과 에피폴라 일관성 손실을 기울기 분리(Gradient Disentanglement)와 결합하는 기하학적 분리 최적화, SO(3) 측지 거리 기반의 뷰 샘플러인 Frame Angular-Neighbor, 그리고 LoRA를 통해 VFM을 적응시키는 경량 TTA로 구성됩니다.

이 방법론은 여섯 가지 VFM(VGGT, $\pi^3$, DA3-Giant/Large/Base/Small)와 네 가지 벤치마크(7Scenes, ETH3D, ScanNet++, HiRoom) 전반에서 자세 및 기하학적 추정 모두에서 일관된 개선을 달성했습니다. 이는 VFM의 기하학적 일관성을 향상시켜 실제 환경에서의 3D 추론 성능을 높이는 데 기여합니다.

이 논문은 범주 생성(categorical generation)을 위한 이산 확산 모델(discrete diffusion models)에 관한 연구입니다. 이 모델들은 중간 상태 공간과 역 예측 문제를 결정하는 손상 커널(corruption kernel)에 의해 정의됩니다. 연구진은 균일 이산 확산(uniform discrete diffusion)을 분석하며, 근본적인 범주 손상 과정은 유지하면서 훈련 목표와 역전 과정(reverse transitions)을 풍부하게 만들 수 있는지 탐구합니다.

이를 위해 연구진은 Simplax라는 정확한 디리클레-범주 증강(Dirichlet-categorical augmentation)을 도입했습니다. Simplax는 각 손상된 범주 상태를 보조 심플렉스 값 변수와 결합하면서 원래의 균일 확산 과정을 범주 주변 분포로 보존합니다. 이 증강 방법은 계산 가능한 라오-블랙웰화된 역-브릿지 목표(Rao-Blackwellized reverse-bridge objective)와 이에 상응하는 확률적 역 샘플러를 제공하며, 손상된 범주 상태를 노이즈 제거기 입력으로 유지합니다.

실험 결과, Simplax는 조건 없는 OpenWebText 생성에서 생성적 퍼플렉시티-엔트로피 상충 관계(generative perplexity-entropy tradeoff)를 개선했습니다. 또한, 수수께끼 퍼즐인 스도쿠(Sudoku) 문제에서 30개의 단서만을 사용하여 훈련된 모델은 평가된 모든 단서 밀도(최소한으로 유일하게 풀 수 있는 17개의 단서 체제 포함)에 걸쳐 가장 높은 정확도를 달성했습니다.

이러한 결과는 Simplax가 이산 확산 모델의 훈련 및 샘플링 효율성을 높이고, 특히 복잡한 범주 데이터 생성에서 높은 유효성을 제공할 수 있음을 보여줍니다.

AI가 소프트웨어 엔지니어링의 중산층을 제거하고 있습니다. AI 에이전트를 통해 코드를 생성하고 PR을 빠르게 제출하는 방식은 개발자들이 코드를 이해하고 검토하며 시스템의 복잡성을 관리하는 전통적인 엔지니어링 관행을 무력화시키고 있습니다. 이러한 방식은 당장 기능하는 결과물을 빠르게 얻을 수 있게 하지만, 프로젝트가 지나치게 복잡해지고 아무도 시스템이 어떻게 작동하는지 알지 못하는 상태에 이르게 만듭니다.

이러한 과정에서 기술 부채가 심화되고, 문제가 발생했을 때 AI를 사용하더라도 근본적인 원인을 파악하고 해결하는 것은 여전히 어렵습니다. 개발자는 AI가 제시한 해결책을 맹목적으로 따르거나, 복잡한 시스템의 설계 결정에 대해 충분히 이해하지 못한 채 다음 단계로 넘어갈 위험에 직면합니다. 결국, 시스템을 수정하는 데 필요한 작업량은 너무 커서 관리자에게 정당성을 설명하기 어려워지며, 잘못된 결정을 되돌리는 것도 매우 힘든 상황이 발생합니다.

결국 AI 시대에는 구현은 저렴해졌지만, 복잡성을 관리하고 좋은 결정을 내리는 능력의 가치가 극대화됩니다. AI는 숙련된 엔지니어의 가치를 높이고, 판단력과 통찰력이 부족한 엔지니어는 채용 및 대체가 훨씬 더 어려워지게 만듭니다. 팀 내에서 프로젝트를 가능하게 하는 유능한 사람들과 그렇지 못한 사람들의 차이가 더욱 벌어지며, 이는 인재 확보 경쟁에서 중요한 변수가 될 것입니다.

최상위 웹사이트 5,000개를 검증한 결과, 90.5%가 HTML 사양을 위반하고 있으며 웹 마크업의 상당 부분이 오류를 포함하고 있다는 통계가 나왔습니다. 이 검증 과정에서 총 100,399개의 HTML 사양 위반과 17,599개의 CSS 오류가 발견되었는데, 이는 웹의 마크업이 수많은 방식으로 실패하고 있음을 보여줍니다.

오류 분포는 매우 불균형하며, 중앙값 사이트에서 12개의 오류가 발견되었고 최악의 사이트는 2,209개의 오류를 기록했습니다. 이는 대부분의 오류가 단순한 오타가 아니라 구조적인 문제, 예를 들어 특정 요소가 다른 요소 아래에 허용되지 않는 중첩 문제나 필수 속성이 누락되는 형태임을 시사합니다. 개발자가 코드를 작성할 때 프레임워크 사용 등으로 인해 빌드 시점에 발생하는 구조적 오류가 가장 흔한 문제로 나타났습니다.

또한 접근성 실패 역시 거의 보편적인 문제로 확인되었는데, 제목 수준, 레이블 없는 입력 필드, 텍스트 없는 링크 등 접근성 관련 오류가 사이트의 3분의 1 이상에서 발견되었습니다. CSS 오류 역시 대부분 한 곳에 집중되어 발생하며, 브라우저가 오류를 회복하는 방식으로 인해 이러한 오류들이 실제 운영 환경에서 수년간 지속될 수 있다는 점을 강조합니다.

결론적으로, 웹사이트의 품질을 감사할 때 오류의 총 개수보다 위반된 규칙의 종류를 파악하는 것이 더 중요하며, 이는 구조적 문제와 접근성 실패가 가장 큰 영향을 미친다는 것을 의미합니다.

압축은 예측이라는 핵심 아이디어를 통해 데이터 압축과 언어 모델링이 근본적으로 같은 문제를 해결하고 있음을 보여줍니다. 데이터 압축은 중복성을 제거하여 데이터를 줄이는 것이고, 언어 모델은 데이터의 확률 분포를 예측하여 정보를 압축하는 방식으로 작동합니다. 이 두 분야는 결국 데이터를 최소화하고 예측하는 동일한 수학적 원리를 공유하고 있습니다.

데이터 압축은 변환(Transforms), 모델(Models), 엔트로피 코더(Entropy Coders)라는 세 가지 구성 요소로 이루어져 있으며, 모델은 각 기호의 확률을 기반으로 데이터의 패턴을 설명합니다. 실제 압축 알고리즘은 이러한 모델링을 통해 데이터를 압축하지만, LLM은 이러한 모델링 능력을 활용하여 예측을 수행합니다.

이러한 관점에서 볼 때, LLM을 데이터 압축에 사용하는 것은 비효율적입니다. HTTP 응답과 같이 간단한 데이터 압축 작업은 LLM을 사용하는 것이 엄청난 컴퓨팅 자원을 소모하며 성능 저하를 야기합니다. LLM은 압축 자체보다는 데이터의 확률을 예측하는 데 특화되어 있으며, 압축의 목표인 비트당 최소화에 대한 예측을 수행하는 데 더 적합합니다.

결론적으로 압축과 LLM은 예측이라는 동일한 수학적 표현이며, 압축은 예측이고 LLM은 압축기라는 것입니다. 이는 데이터 처리와 AI 모델링의 관계를 이해하는 데 중요한 통찰을 제공합니다.