읽을 가치가 있는 기사만, 짧고 또렷하게.

업무에서 직접 작성한 코드의 경제성은 달라졌지만, 일은 삶의 전부가 아니므로 프로그래밍을 즐기는 데 경제적 정당화는 필요하지 않다는 내용입니다. 이는 개발자들이 업무와 취미 사이에서 느끼는 가치에 대한 관점을 재고하게 만듭니다.

주말에 버그가 많은 Breakout 클론을 직접 만드는 즐거움은 코드를 작성하는 과정 자체에서 비롯되며, 이는 경제적인 보상보다는 문제 해결 과정에서 오는 만족감에 초점을 맞춥니다. 즉, 프로그래밍을 즐기는 행위는 삶의 일부로서 경제적 정당성을 따질 필요가 없다는 주장입니다.

또한, Claude와 같은 AI가 코드를 한 번에 생성할 수 있는 시대가 도래하면서, 개발자가 직접 코드를 만드는 과정의 의미와 가치에 대한 질문이 제기됩니다. 이는 단순히 코드를 생산하는 것을 넘어, 문제를 풀어가는 과정에서 얻는 경험과 즐거움이 중요함을 시사합니다.

CERN과 Mistral이 과학적 발견을 위한 파운데이션 모델 개발을 목표로 장기 전략적 파트너십을 구축하기 위한 의향서에 서명했습니다. 이 파트너십은 인공지능 기술을 활용하여 복잡한 과학적 데이터를 분석하고 새로운 발견을 촉진하는 데 중점을 둡니다.

핵심 목표는 수십억 건의 양성자 충돌 시뮬레이션 데이터를 학습하여 'Large Physics Model'을 개발하는 것입니다. 이 모델은 충돌기 물리학 분야에서 최초의 파운데이션 모델이 될 것으로 기대됩니다.

이러한 프로젝트는 대규모 시뮬레이션 데이터 처리와 고차원 모델 학습에 있어 AI 기술의 잠재력을 보여줍니다. Mistral과 CERN의 협력은 물리 시뮬레이션 데이터에서 의미 있는 패턴을 추출하고 과학적 발견을 가속화하는 데 중요한 발판을 마련할 것입니다.

AI 칩 스타트업인 텐스토렌트가 15억 달러를 유치하며 62억 달러의 기업 가치를 달성했습니다. 이 자금 조달은 오픈 웨이트 AI 모델 및 비디오 생성을 위한 칩을 확장하는 데 사용될 예정입니다.

이러한 자금 확보는 인텔과 퀄컴 등으로부터 인수 관심을 받았던 시점보다 다섯 달 뒤에 이루어졌으며, 텐스토렌트가 독립적인 경영을 유지하기 위한 결정이었습니다. 텐스토렌트의 CEO인 짐 켈러는 갤럭시 서버에서 DeepSeek 모델을 구동할 수 있음을 입증한 후 독립적인 자금 조달을 선택했다고 밝혔습니다.

텐스토렌트는 엔비디아의 지배력에 도전하는 AI 하드웨어 스타트업들의 흐름 속에 있으며, 에치드(Etched)와 같은 다른 경쟁사들도 높은 가치로 투자 제안을 받고 있습니다. 이번 투자를 통해 텐스토렌트는 오픈 웨이트 AI 모델 구동에 특화된 칩을 개발하고 시장에서 입지를 강화할 계획입니다.

오픈 소스 윈도우 대안인 ReactOS가 NTFS 드라이브 파티션에 직접 설치할 수 있는 기능을 지원하며 주요 이정표를 달성했습니다. 이는 프로젝트가 오랫동안 해결해야 했던 장벽을 제거하고 베타 단계에 한 걸음 더 다가섰다는 의미입니다.

이전에는 ReactOS 설치를 위해 FAT32 파티션을 유지해야 했으나, 이제 NTFS 파일 시스템을 지원하게 되었습니다. ReactOS는 Windows Server 2003과의 바이너리 호환성을 목표로 하고 있어, NTFS 지원은 윈도우 환경을 재현하는 데 있어 실질적인 진전을 의미합니다.

하지만 새로운 드라이버가 도입되었음에도 불구하고 몇 가지 주의할 점이 있습니다. ReactOS 팀은 새로운 드라이버가 여전히 캐싱(성능 저하의 원인), 저널링 및 보안 지원이 부족하다고 밝혔습니다. 따라서 사용자는 새로운 드라이버가 제공하는 기능 외에 잠재적으로 발견되지 않은 버그가 있을 수 있다는 점을 염두에 두어야 합니다.

AI 비서 스타트업인 Town이 출시 4개월 만에 유니콘 기업 가치를 달성하며 주목받고 있습니다. 이 회사는 Forerunner Ventures와 Menlo Ventures가 공동 주도한 1억 800만 달러 규모의 시리즈 B 투자 라운드를 성공적으로 마쳤습니다. Town은 출시 직후 몇 주 만에 수백만 달러의 연간 반복 매출을 달성했으며, 현재까지 총 1억 600만 달러 이상을 모금했습니다.

Town은 직원들에게 각자 '타운이(Townie)'라는 AI 비서를 제공하여 이메일, 캘린더 등 핵심 업무 시스템과 연결해 업무를 지원하는 것을 목표로 합니다. 직원들은 타운이들 간에 승인된 정보를 공유하고 고객 및 외부 관계자와도 소통할 수 있습니다. 이는 단순한 개인 비서 기능을 넘어 기업 내 협업 시스템을 혁신하는 데 중점을 두고 있습니다.

특히 Town은 각 직원이 개별적으로 정보를 업데이트할 필요 없이 새로운 비즈니스 정보를 직원들의 타운이에게 자동으로 업데이트하는 공유 워크플로우를 발표했습니다. 이러한 자동화된 공유 시스템은 직원들이 개별적으로 업무를 처리하는 대신 효율적으로 협업할 수 있도록 돕는 핵심적인 기술적 진보입니다.

Andreessen Horowitz, Serena Ventures, First Round Capital 등 주요 투자사들이 이번 라운드에 참여했으며, Town의 비즈니스 모델과 AI 기반 협업 솔루션이 시장에서 큰 잠재력을 가지고 있음을 입증했습니다.

최신 텍스트-이미지(T2I) 시스템은 텍스트 조건부 이미지 생성을 위해 인터넷 규모의 언어 사전 학습을 사용해 왔습니다. 본 연구는 강력한 T2I 생성을 위해 언어 사전 학습이 필수적인지 질문하며, 인터넷 규모의 언어 사전 학습 없이도 처음부터 학습된 모델을 제시합니다.

연구진은 1억 쌍의 이미지-텍스트 쌍으로 구성된 GPIC 데이터셋을 사용하여 전체적으로 처음부터 사전 학습된 멀티모달 자기회귀 모델인 Halcyon을 소개합니다. Halcyon 모델은 기존 모델들보다 훨씬 적은 사전 학습 컴퓨팅으로 우수한 성능을 보입니다. 예를 들어, Halcyon-0.52B는 LlamaGen-XL/8보다 18.2배 적은 사전 학습 컴퓨팅(48.0 gFD 대 63.3 gFD)으로 더 나은 성능을 달성했습니다.

또한, Halcyon-1.6B 모델은 JiT-T2I-XXL/8++보다 275배 적은 사전 학습 컴퓨팅(35.3 gFD 대 41.0 gFD)으로 더 나은 성능을 보였습니다. 실험 결과, 텍스트만으로 사전 학습하는 것이 T2I 생성 성능을 향상시키지 못한다는 것을 확인했습니다. Halcyon은 또한 캡션 드롭아웃을 I2T 감독으로 대체하여 이미지 캡셔닝도 학습하며 동일한 사전 학습 예산 내에서 경쟁력 있는 T2I 생성 품질을 유지합니다.

이 연구는 강력한 T2I 시스템이 인터넷 규모의 언어 사전 학습 없이도 처음부터 학습될 수 있음을 보여줍니다. Halcyon 모델의 코드와 모델은 https://cs.stanford.edu/~keshik/halcyon에서 공개되어 있습니다.

LLM 에이전트는 시각적으로 그럴듯한 CAD 조립체를 생성할 수 있지만, 이러한 설계는 종종 의도된 물리적 기능을 충족시키지 못합니다. 연구진은 이러한 문제를 해결하기 위해 기능적 CAD 설계라는 분야를 연구하며, 에이전트가 물리 시뮬레이션에서 기능적 요구 사항을 만족하는 메커니즘을 구성하고 반복적으로 수정하도록 하는 방법을 탐구합니다.

기능적 요구 사항을 검증하는 것은 까다로운데, 서로 다른 후보 메커니즘들이 동일한 기능을 완전히 다른 구성 요소, 제어 방식, 작동 순서를 통해 실현할 수 있기 때문입니다. 이러한 간극을 메우기 위해 연구진은 추상적인 요구 사항을 후보별 물리적 테스트로 변환하고 시뮬레이션 피드백을 사용하여 설계 수정을 안내하는 프레임워크인 FunCAD-Harness를 제안했습니다.

이러한 기능을 체계적으로 평가하기 위해 연구진은 상호 의존적이고 다단계 작동을 포함하는 46개의 메커니즘 패밀리를 포괄하는 벤치마크인 FunCADBench를 도입했습니다. 실험 결과, FunCAD-Harness는 시각적 검사로는 볼 수 없는 미묘한 기계적 결함을 드러내어 표준 시뮬레이션 기반 기준보다 기능적 성공률을 크게 향상시켰습니다.

궁극적으로 이 연구는 인간의 의도를 작동하는 메커니즘으로 변환할 수 있는 CAD 에이전트에 한 걸음 더 다가서는 중요한 발걸음을 의미합니다.

멀티모달 대규모 언어 모델(MLLM)은 시각적 추론에서 빠르게 발전했지만, 많은 작업은 내부 추론만으로는 얻기 어려운 증거를 필요로 합니다. 단순히 기본 모델의 추론 예산을 늘리는 것만으로는 큰 개선을 얻기 어렵기 때문에, 이러한 작업은 외부 지식, 구체적인 측정값, 그리고 이질적인 도구를 통해 얻은 증거를 필요로 합니다.

이러한 문제를 해결하기 위해 연구진은 능력 레이어와 영구 멀티모달 메모리를 중심으로 구성된 멀티모달 추론 하네스인 OpenVLHarness를 제안합니다. 능력 레이어는 작업 수준의 도구 인터페이스와 증거 렌더링을 결합하여 이질적인 백엔드에 일관되게 접근하고 그 결과를 모델이 읽을 수 있는 관찰값으로 변환합니다. 영구 멀티모달 메모리는 각 질의에 대해 해당 이미지, 구조화된 데이터, 웹 참조를 주소 가능한 아티팩트로 보존합니다.

OpenVLHarness는 이러한 메커니즘을 통해 멀티모달 증거를 획득, 검사, 구성하는 반복적인 과정을 지원합니다. 8개의 오픈 및 독점 백본을 사용하여 22개 벤치마크에서 평가한 결과, OpenVLHarness는 도구 사용이 없는 기준선 대비 평균 점수를 9.7~12.6점 향상시켰습니다. 특히 Qwen3-VL-8B에서는 11.2점, Kimi K3에서는 9.7점, GPT-6 Astra에서는 9.9점의 향상을 보였습니다.

또한, GPT-6 Luna의 경우 중간 추론 노력 수준에서 OpenVLHarness는 최대 노력 수준에서 기본 모델, Codex, Visual Sketchpad보다 7.7~8.5점 더 높은 성능을 보였으며, 모델 토큰 비용은 최대 37%에 불과했습니다. 이는 OpenVLHarness가 효율성과 성능을 동시에 달성하며 멀티모달 추론에서 외부 도구 사용을 통합하는 효과적인 방법을 제시함을 의미합니다.

다중 모드 강화 학습과 검증 가능한 보상(RLVR)은 신뢰할 수 있는 작업 수준의 감독을 제공하지만, 시각적 추론 오류를 국소화하는 데는 한계가 있습니다. 온폴리 자기 증류(OPSD)는 증거 중심의 시각적 관점을 갖춘 특권적인 교사로부터 밀도 높은 토큰 수준 수정을 통해 이 감독을 보완합니다. 그러나 이러한 수정은 시각적 증거와 언어적 선호, 응답 스타일, 또는 특권적인 관점 자체에서 비롯된 비시각적 변화를 혼합할 수 있습니다.

연구진은 이러한 현상을 특권적 수정 오염(privileged-correction contamination)으로 정의하며, 토큰 수준 수정의 방향이 특권적인 시각적 증거에 일관되게 귀속될 수 없을 때 오염되었다고 설명합니다. 오염된 수정을 직접 증류하면 오류가 있는 토큰 수준 업데이트를 강화할 수 있습니다.

이 문제를 해결하기 위해 연구진은 시각적으로 귀속 가능한 온폴리 자기 증류라는 증거 일관적 패러다임을 제안합니다. 이를 시각적 귀속성 게이팅(Visual-Attribution Gating, VAG)으로 구현했는데, VAG는 검증된 이점(verifier-derived advantage)을 최적화 앵커로 사용하여 각 특권적 수정을 증거가 존재하는 관점과 증거가 저하된 관점 간의 대비를 통해 검증합니다. 이 방법은 시각적 근거로 지지되는 수정만 허용하여 시각적으로 기반된 지침을 보존하면서 일관성 없는 잔차를 억제합니다.

여섯 가지 시각적 추론 벤치마크에 걸친 실험 결과, VAG는 GRPO 및 OPSD 방법보다 일관되게 우수한 성능을 보이며 새로운 최고 평균 성능을 확립했습니다.

강화 학습은 모바일 로봇이 제약된 인간 공유 환경에서 빠르고 확장 가능한 내비게이션 결정을 내릴 수 있게 합니다. 하지만 단일 로봇 접근 방식을 다중 로봇 환경으로 직접 확장하는 것은 특히 가림(occlusion)이나 분포 외(OOD) 시나리오에서 안전성과 효율성을 보장하는 데 종종 실패합니다. 개별 로봇이 잠재적 위험을 간과하거나 부정확한 예측을 할 수 있기 때문입니다.

이러한 예측과 내비게이션을 효과적으로 협력하는 것은 여전히 주요 과제로 남아 있습니다. 이에 연구진은 불확실성 인식 협력 점유 예측과 강력한 의사결정을 연결하는 다중 로봇 사회 내비게이션 프레임워크인 CoopUQ를 제안합니다. CoopUQ는 로봇 간의 시공간 특징 융합을 통해 미래 점유 그리드 맵을 예측하고, 이 예측과 불확실성을 활용하여 제약된 다중 에이전트 강화 학습을 통해 정책을 안내합니다. 이 과정에서 비용은 점유되거나 매우 불확실하다고 예측되는 영역을 통과하는 것을 벌칙으로 부과하여 정책이 분포 변화에 따라 위험 민감도를 조정할 수 있도록 합니다.

다양한 레이아웃, 보행자 밀도, 급행 행동을 포함하는 여러 Unity3D 기반 시뮬레이션 환경에서 분포 내(in-distribution) 및 분포 외(OOD) 설정 모두에서 실험 결과는 대표적인 기준선보다 향상된 예측 성능과 안전성을 입증합니다. 또한 실제 로봇 실험은 다양한 장면에서 CoopUQ의 견고함을 보여줍니다. 이 연구의 코드와 비디오는 https://coopuq.github.io/에서 확인할 수 있습니다.

본 논문은 물리적 재귀적 자기 개선(Physical Recursive Self-Improvement, RSI)의 메커니즘, 스케일링 행동, 그리고 일반화에 대해 체계적으로 조사합니다. 연구진은 물리적 RSI를 정량화하기 위해 다섯 가지 축으로 구성된 PhysRSI-eval 지표를 도입했는데, 이는 첫 시도 성능, 효율성, 성공률, 예산, 그리고 실패로부터의 개선을 측정합니다.

다양한 VLM(Vision-Language Model)을 고정된 상호작용 예산 하에서 18가지 조작 작업에 대해 평가한 결과, 물리적 배럴 가설(Physical Barrel Hypothesis)이 제기되었습니다. 이 가설은 서로 다른 능력들이 개선의 다른 부분들을 제약할 수 있음을 시사하며, 다섯 가지 지표는 공개 벤치마크 평균이 유사한 시스템들을 구별하며 높은 점수가 반드시 조기 또는 효율적인 이득을 수반하지는 않음을 보여줍니다.

연구는 두 가지 관점에서 관찰적 스케일링을 탐구합니다. 첫째는 VLM 에이전트의 상대적 성능을 공개된 능력으로부터 예측하는 것이고, 둘째는 초기 물리적 피드백으로부터 후속 진행 상황을 예측하는 것입니다. 또한 작업 공간 개입을 수행한 후 어떤 개선이 남는지 분석한 결과, 기록을 제거하면 후반 라운드 성공률은 감소하지만, 고정된 작업 공간은 보지 못한 레이아웃에 대해 유용하게 남아 있으며 세 가지 교차 작업 사례는 더 이른 시점에 성공을 달성했습니다.

이러한 분석 결과는 장면별 적응(scene-specific adaptation)과 재사용 가능한 경험(reusable experience)이 공존할 수 있음을 시사합니다. 이는 에이전트가 얼마나 빠르고 멀리 개선할 수 있는지에 대한 질문에 답하며, 물리적 피드백을 통해 학습하는 과정에서 시스템이 어떻게 개선되는지 이해하는 데 중요한 통찰을 제공합니다.

장기 에이전트는 교차하는 궤적에서 이질적인 능력을 학습해야 하는데, 공유 파라미터를 업데이트하면 이전에 습득한 능력이 손상되는 파국적 망각 현상이 발생합니다. 기존의 공동 훈련 방식이나 정적 어댑터 병합 방식은 실행 내내 고정된 파라미터 구성을 유지하여 각 단계가 요구하는 다른 능력을 반영하기 어렵습니다.

이에 연구진은 WeAct(가중치 수준 내부 행동)를 제안하며, 이는 고정된 백본(backbone) 위에 독립적인 능력별 LoRA 어댑터를 훈련하고 에이전트의 행동 공간에 어댑터 선택 기능을 추가하는 방식입니다. 이 내부 행동들은 모델의 네이티브 툴 호출 인터페이스를 사용하여 공유된 컨텍스트 내에서 필요에 따라 능력을 조합합니다.

이 방법은 여덟 가지 심층 연구 벤치마크에서 Qwen3-32B 모델이 전체 파인튜닝 모델에 비해 컴퓨팅 자원을 덜 사용하면서도 평균 정확도를 6.2% 향상시켰으며, 가장 강력한 정적 LoRA 병합 방식에 비해 27.5% 향상시켰음을 입증했습니다.

또한 WeAct는 모듈식 지속적 적응을 지원하여 에이전트의 능력을 확장하기 위해 새로운 코드 계산 어댑터를 추가하거나 보고 품질을 개선하기 위해 기존 작성 어댑터를 업데이트할 수 있습니다. 이러한 업데이트는 백본과 다른 어댑터를 변경하지 않아 에이전트의 모듈식 지속적 적응을 가능하게 합니다.

Sokoban과 같은 퍼즐에서 합리적인 움직임이 오히려 퍼즐을 풀 수 없게 만드는 상황을 해결하기 위해 에이전트가 행동을 실행하기 전에 결과를 예측하도록 훈련하는 새로운 프레임워크인 에이전트적 상상(Agentic Imagination, Agima)을 소개합니다. Agima는 단일 옴니 모델을 훈련하여 행동을 제안하고 결과 이미지를 생성한 다음, 이 상상된 미래에 대해 추론하여 실제 환경에서 실행할 것을 결정하도록 학습시킵니다. 이는 단일 계획에 얽매이지 않고 행동 시퀀스를 시뮬레이션하고 대안을 탐색하며 가능한 미래를 비교할 수 있게 합니다.

초기 단계에서는 지도 미세 조정(SFT)을 사용하여 정책과 세계 모델링을 하나의 옴니 모델 내에서 통합함으로써 에이전트가 미래 결과를 예측하고 전방 사고나 반사실적 분기와 같은 기본적인 상상 능력을 갖추도록 합니다. 이후 에이전트적 강화 학습(RL)을 적용하여 에이전트가 상상된 미래에 대해 추론하고 이를 계획에 효과적으로 사용하는 방법을 학습하도록 합니다. 이 과정을 통해 Agima는 Maze2D, Sokoban, Pacman, PushT 등 네 가지 환경에서 일반화 능력을 보였습니다.

SFT만으로 훈련된 Agima는 두 개의 상자 Sokoban에서 실제 보드를 5번의 움직임마다 한 번만 보면서도 4-상자 퍼즐의 40%를 해결할 수 있었는데, 이는 오직 행동 기반 계획기가 2%만 해결할 수 있는 결과와 비교됩니다. RL 훈련 후에는 Agima가 상상을 사용하는 방식에서 새로운 행동이 나타났는데, 이는 SFT 단계에서 보이지 않던 새로운 통합 형식을 학습하고, 필요할 때만 전방 사고를 수행하며, 중요한 결정 지점에서 더 자주 분기하는 방식으로 나타났습니다.

결과적으로, 행동이 어디로 이어질지 예측할 수 있는 에이전트는 언제, 어디서 앞을 내다볼지, 즉 계획을 어떻게 할지 학습하게 됩니다. 이 연구는 에이전트가 환경 피드백이 부족하거나 행동이 비가역적일 때 예측 능력을 통해 더 나은 계획을 수립할 수 있음을 보여줍니다.

월드 모델의 목표는 환경의 역학 관계를 포착하는 것이며, 이를 통해 에이전트가 계획하고 행동 과정을 시뮬레이션할 수 있다는 큰 장점이 있습니다. 그러나 이러한 사용이 신뢰성을 갖기 위해서는 학습된 역학 관계가 전문가 롤아웃에서 관찰된 특정 상태-행동 조합을 넘어 잘 작동해야 합니다. 데이터 커버리지, 역학 일반화, 그리고 다운스트림 계획 성능 사이의 관계는 아직 충분히 탐구되지 않았습니다.

연구진은 이러한 관계를 구성적 일반화의 관점에서 탐구하며, 월드 모델이 익숙한 상태 및 행동 요소를 유효한 역학으로 재조합할 수 있는지에 초점을 맞춥니다. 이를 위해 광범위하게 사용되는 월드 모델 환경에서 구축된 목표 전환 태스크 변형을 기반으로 하는 벤치마크인 AnyGoal과 오픈 소스 라이브러리를 소개합니다. 각 태스크는 개별 상태 요인과 행동이 훈련 지원 범위 내에 있지만, 전문가 궤적에서는 그 조합이 충분히 표현되지 않은 방식으로 설계되었습니다.

다양한 환경과 월드 모델 패밀리를 통해 분석한 결과, 현재 모델들은 이러한 재조합 하에서 일관되게 실패하는 것으로 나타났습니다. 연구는 모델 패밀리, 상호작용 체제, 평가 지표 전반에 걸쳐 역학 및 표현 실패를 조사하여 현재 월드 모델이 어디까지 일반화되며 목표 전환 예측 및 계획에 있어 어떤 도전 과제가 남아 있는지 탐구합니다. 이 프레임워크, 벤치마크, 분석은 새로운 계획 태스크에 일반화되는 월드 모델의 발전을 평가하는 기반을 제공합니다.

새롭게 공개된 yarareads는 학습 초기 단계의 아이들을 위한 오픈 소스 독서 앱으로, 아이들이 배운 음소(phonics sounds)를 활용하여 이야기 속 모든 단어를 소리 내어 읽고 발음할 수 있도록 돕는 기능을 제공합니다. 이 앱의 핵심은 단어를 탭하면 해당 음소와 발음 버튼이 나타나며, 아이가 스스로 읽는 경험을 제공하는 데 중점을 두고 있습니다.

이 시스템은 단순한 읽기 기능을 넘어, 사용자가 외부 에이전트(Claude, ChatGPT 등)를 연결하여 책을 생성하거나 소장한 책을 앱에 가져오는 기능을 지원합니다. 이는 MCP(Multi-Agent Communication Protocol) 연결을 통해 외부 AI 에이전트가 아이의 발음 체계에 맞춰 이야기를 작성하거나 책을 통합할 수 있게 함으로써, 교육 콘텐츠와 AI 기술을 결합한 독특한 상호작용 환경을 구축합니다.

기술적으로 yarareads는 Cloudflare Workers, D1, R2를 기반으로 구축된 클라우드 기반 아키텍처이며, 모든 기능은 브라우저 내에서 처리됩니다. 특히, 이야기가 철자뿐만 아니라 아이가 알고 있는 발음 규칙에 따라 단어별로 검사되는 점이 특징인데, 이는 단순히 철자를 맞추는 것이 아니라 실제 발음과 음소 학습에 기반한 검증을 수행합니다.

개발자들은 이 프로젝트를 오픈 소스로 공개했으며, 사용자가 자신의 에이전트나 책을 연결하고 기능을 확장할 수 있도록 설계되었습니다. 라이선스는 MIT이며, 스토리와 그림은 크리에이티브 커먼즈 라이선스를 따르므로 커스터마이징과 재배포가 자유롭습니다.

대규모 언어 모델(LLM) 시스템에서 여러 모델이 하나의 컨텍스트를 공유할 때, 컨텍스트를 텍스트로 전달하면 수신 모델은 각 질문마다 모든 토큰을 다시 처리해야 하는 비용이 발생합니다. 이러한 비용을 줄이려면 컨텍스트 표현이 작고, 질문에 관계없이 재사용 가능하며, 다른 LLM이 읽을 수 있어야 합니다. 기존의 압축 및 잠재적 통신 방법들은 이러한 모든 속성을 제공하지 못합니다.

본 논문은 인코딩과 읽기를 분리하여 이 세 가지 속성을 모두 제공하는 잠재적 통신 인터페이스인 LatComm을 제안합니다. LatComm은 고정된 컨텍스트 인코더 LLM이 질문 없이 컨텍스트를 고정 크기의 패킷으로 압축하고 이를 다른 고정된 수신 LLM에게 전송하는 방식으로 작동합니다. 수신 모델은 이 패킷을 크로스 어텐션을 통해 읽으며 프롬프트로부터 계산된 게이트를 사용하여 정보를 처리합니다.

실제 실험 결과, LatComm은 12개의 객관식 질문 응답 데이터셋에서 단일 벡터 기준선 대비 평균 정확도를 최대 10.2% 향상시켰습니다. 또한 QuALITY 벤치마크에서는 수신 모델의 입력량을 57배 줄이고 기사 질문에 답하는 속도를 3배 빠르게 만들었습니다. 이는 LLM 간의 컨텍스트 전달 효율성과 속도를 획기적으로 개선할 수 있음을 보여줍니다.

클라우드플레어가 비정형 입력에서 데이터를 추출, 계산, 추정, 예측하는 새로운 시스템 원(System One) 스타일의 모델인 Clairic을 공개했습니다. 이 모델은 기존 거대 언어 모델(LLM)보다 훨씬 높은 정확도, 빠른 지연 시간, 저렴한 비용으로 이러한 작업을 수행할 수 있습니다.

Clairic은 비판적 추론이 필요한 시스템 투 모델인 Jev나 Clef와 달리, 입력에서 직접 값을 추출하는 추출 모델의 범주에 속합니다. 이는 LLM이 텍스트를 생성하는 방식과 달리 토큰을 생성하지 않으며, 입력에서 추출된 값이나 계산된 값을 직접 반환합니다. 예를 들어, 입력에서 이름이나 날짜 같은 값(추출된 값)이나 숫자, 날짜, 목록(계산된 값)을 반환하며 각 결과에는 신뢰도 점수가 함께 제공됩니다.

추출 모델은 추출된 값, 계산된 값, 추정된 값, 예측된 값 등 네 가지 종류의 출력을 제공하며, 특히 예측된 값은 시간 시리즈 모델만큼 정확하지 않으므로 비판적인 장기 예측보다는 일반적인 패턴 매칭에 적합합니다. 모델은 추론 없이 단일 패스로 응답하며, 출력에 대한 신뢰도 점수를 제공하여 사용자가 결과를 평가하고 자동화 워크플로우에 활용할 수 있도록 돕습니다.

LLM(거대 언어 모델) 기반 AI 에이전트의 작동 원리를 이해하기 위해 상태를 저장하지 않는 LLM API를 다루는 새로운 접근 방식이 제시되었습니다. 이 글은 LLM이 두뇌 역할을 한다면, AI 에이전트의 작동을 실제로 구현하고 관리하는 '하네스(harness)'를 몸으로 정의하는 방법을 다룹니다.

하네스는 LLM API에 매번 전달해야 하는 대화 JSON 배열을 만들고, 유지하며 보호하는 프로그램을 의미합니다. 이는 상태를 저장하지 않는 LLM 환경에서 대화 기록을 체계적으로 관리하고 보호하는 핵심적인 역할을 합니다. 이 하네스를 중심으로 AI 에이전트가 어떻게 작동하는지에 대한 원리를 상세히 풀어냅니다.

이 개념은 AI 에이전트가 복잡한 작업을 수행할 때 필요한 대화 맥락과 상태를 안정적으로 유지하고 보호하는 데 필수적입니다. 개발자는 이 하네스를 통해 LLM 기반 시스템의 신뢰성과 안정성을 높일 수 있습니다.

이 내용은 순수 Python을 사용하여 16개의 장에 걸쳐 약 300줄 분량으로 구현 방법을 제시합니다. 이는 LLM 기반 에이전트 개발자들이 실제 시스템을 구축할 때 필요한 구체적인 엔지니어링 방법을 제공합니다.

tmux는 AI 코딩 에이전트가 작업 중인 세션을 유지할 수 있게 하여 터미널을 닫거나 SSH 연결이 끊어져도 작업이 중단되지 않도록 합니다. 이를 통해 개발자는 여러 AI 에이전트를 하나의 창에서 효율적으로 관리할 수 있습니다.

최근 Claude Code 환경에서 이 tmux 기능을 활용하는 방법이 주목받고 있습니다. 특히 `claude --worktree --tmux` 명령어를 사용하면 단일 브랜치 내에서 에이전트가 작업하는 환경을 설정할 수 있습니다. 이는 복잡한 코딩 작업을 수행할 때 작업 환경을 안정적으로 유지하고 관리하는 데 큰 도움이 됩니다.

이러한 기능은 장시간 진행되는 AI 코딩 세션의 연속성과 안정성을 보장하며, 개발자가 외부 연결 문제나 터미널 종료에 구애받지 않고 작업에 집중할 수 있도록 지원합니다. 따라서 tmux와 Claude Code의 조합은 복잡한 AI 기반 개발 워크플로우를 관리하는 데 유용한 도구로 활용될 수 있습니다.

리비안의 CEO인 RJ 스카링은 자율 주행 기술이 현재의 SUV나 트럭을 넘어선 '극적으로 다른' 차량 디자인을 가능하게 할 것이라고 주장합니다. 그는 자율 주행이 개인 소유 자율 주행 차량의 형태를 상상하게 하여 완전히 새로운 디자인 기회를 열어줄 것이라고 강조했습니다.

이러한 아이디어는 배터리 전기 구동 시스템의 보급과 자율 주행 기술이 결합될 때 수십 년 전부터 제시되어 왔던 디자인 혁신의 개념과 연결됩니다. 과거에는 자율 주행이 새로운 모빌리티 형태를 폭발적으로 증가시킬 것이라는 예측이 있었으나, 실제로는 제조 및 판매의 현실적인 어려움 때문에 프로토타이핑 단계에 머물렀습니다.

현재는 여러 도시에서 로보택시가 운행되고 있으며, 전기차 모터와 배터리 부품 가격이 하락하고 테슬라와 리비안 같은 기업들이 대량 생산에 성공하면서 기술 발전이 가속화되고 있습니다. 리비안 역시 자율 주행 소프트웨어 접근 방식을 재정립하는 과정에 있으며, 최종적으로는 운전자 개입 없이 운전을 완료하는 '포인트 투 포인트 내비게이션'과 완전 자율 주행을 목표로 하고 있습니다.

스카링은 완전 자율 주행이 사회적 변화를 가져올 것이라는 예측에 대해 신중한 입장을 보였습니다. 그는 미국에서 주행되는 대부분의 거리가 개인 소유 차량 내에서 이루어지기 때문에, 레벨 4 기능이 있더라도 사회적 변화가 극적으로 일어날 가능성은 낮다고 언급했습니다. 리비안은 현재 R2 SUV의 생산 규모를 확보하는 데 집중하고 있으며, 다음 단계인 R4 차량 디자인에 대한 기대감을 높이고 있습니다.