읽을 가치가 있는 기사만, 짧고 또렷하게.

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.

한 Ruby gem 개발자가 개발 중단을 명확히 알리기 위해 자신의 소스 코드 저장소를 모두 아카이브했습니다. 이는 개발 의욕의 바탕이 되었던 사람들의 즐거움과 창의성을 위한 Ruby의 시대가 지났다고 판단했기 때문입니다.

해당 개발자는 사람과 함께 사람을 위해 작업하던 과거의 방식과 현재의 방향 사이에 선을 긋고자 했습니다. 즉, 개발 철학의 변화에 따라 Ruby 생태계 내에서 개인적인 작업과 공동체적 작업의 경계를 재정립하려는 의도를 보였습니다.

이러한 조치는 Ruby 개발 커뮤니티 내에서 개발 방식과 철학에 대한 논의를 촉발할 수 있습니다. 개발자들이 추구하는 가치와 실제 개발 환경 간의 괴리를 반영하며, 앞으로 Ruby 프로젝트들이 어떤 방향으로 나아갈지에 대한 중요한 맥락을 제시합니다.

9월 유럽의 전기차 판매량은 70.3% 증가하며 큰 폭의 성장을 기록했습니다. 이는 유럽 시장 내에서 전기차의 입지가 급격히 확대되고 있음을 보여주는 수치입니다.

이러한 성장에 힘입어 유럽 전기차 시장 점유율은 32.6%에 도달했습니다. 이는 전기차 전환이 유럽 자동차 산업 전반에 걸쳐 매우 빠르게 진행되고 있으며, 기존 내연기관차 시장에서 전기차로의 전환 속도가 가속화되고 있음을 시사합니다.

이러한 데이터는 유럽의 자동차 산업이 전기차 중심으로 재편되고 있음을 명확히 보여줍니다. 향후 시장 점유율 변화와 기술 발전 속도를 고려할 때, 전기차 관련 기술 및 공급망에 대한 관심이 더욱 중요해질 것으로 예상됩니다.

Inception이 현재까지 출시된 가장 뛰어난 확산 기반 LLM인 Mercury 3를 공개했습니다. Mercury 3는 다양한 벤치마크에서 GPT-6 Luna 및 Claude Haiku 5.5보다 우수한 성능을 보이며, 1,000 토큰/초 이상에서 4~8배 빠른 속도를 제공합니다. 이는 확산 LLM이 복잡한 사용 사례에서 자기회귀 모델과 경쟁할 수 있음을 입증하며, 총 파라미터는 Mercury 1 대비 40배 이상 확장되었고 지능 또한 3배 향상되었습니다.

Mercury 3는 속도와 품질 모두에서 선두 모델에 필적하며, NVIDIA GPU에서 1,068 토큰/초의 속도를 달성합니다. 또한, 이전 버전보다 확장된 100만 토큰의 컨텍스트 창을 제공하여 데이터 처리 능력을 크게 향상시켰습니다. 이 모델은 실시간 지연에 민감한 애플리케이션에 최적화되어 브라우저 사용 에이전트, 실시간 검색 에이전트, 고객 지원 시스템 등 낮은 지연 시간(latency)이 필수적인 작업에 활용될 수 있습니다.

실제 에이전트 테스트에서 Mercury 3는 경쟁 모델과 동일한 토큰 볼륨과 에이전트 단계를 사용하면서도 50%의 비용으로 Mind2Web 탐색 작업의 절반을 완료했습니다. 이는 Mercury 3가 속도와 정확성 사이에서 최적의 균형을 제공하여, 사용자가 기다리지 않고 작업을 계속할 수 있도록 실시간 피드백을 제공하는 교육 및 검색 애플리케이션에 이상적입니다.

Mercury 3는 현재 Inception API 플랫폼과 OpenRouter, Baseten 등 다양한 채널을 통해 사용 가능하며 OpenAI API와 호환되어 기존 스택에 쉽게 통합할 수 있습니다. 또한, 저지연 음성 애플리케이션을 위한 Mercury Voice와 고용량 분류를 위한 Mercury Decide와 같은 제품 포트폴리오도 함께 제공됩니다.

Evidence는 인간과 AI 에이전트가 함께 분석을 수행하는 것을 목표로 하는 새로운 비즈니스 인텔리전스 표준을 구축하고 있습니다. 이 플랫폼은 스타트업부터 포춘 100대 기업과 정부에 이르기까지 수천 개의 팀에서 사용되며 Tableau나 Power BI와 같은 기존 도구를 대체하고 있습니다. Evidence는 오픈 소스 프로젝트로 7,000개의 GitHub 스타를 보유하고 있으며, dbt나 PagerDuty의 창립자 등으로부터 자금을 지원받고 있습니다.

Evidence는 뛰어난 엔지니어와 AI 에이전트의 시너지를 통해 과거보다 훨씬 더 많은 것을 성취할 수 있다고 믿으며, 이러한 철학을 바탕으로 인재 채용에 높은 기준을 적용하고 있습니다. 현재 Evidence는 Core와 Studio 전반에 걸쳐 소프트웨어 엔지니어를 채용하고 있으며, 쿼리 엔진이나 에이전트 하네스 같은 핵심 영역에서 근무할 기회를 제공합니다.

회사는 소프트웨어 개발 프로세스를 재고하며 에이전트가 소프트웨어 라이프사이클의 대부분을 담당하도록 자동화하는 방향으로 나아가고 있습니다. 개발 과정에서는 고객 중심의 반응성, 제품 품질에 대한 집착, 데이터 기반 의사결정, 그리고 불필요한 회의를 피하는 등의 원칙을 고수합니다.

이러한 배경에서 Evidence에 합류하는 개발자들은 AI 에이전트의 발전에 큰 영향을 미치며, 제품의 방향성을 결정하는 데 중요한 역할을 하게 됩니다. 이는 단순히 코드를 작성하는 것을 넘어, AI 기반 시스템을 구축하고 운영하는 새로운 개발 패러다임을 제시한다는 점에서 주목할 만합니다.

AI 코딩 도구의 발전으로 인해 인디 개발자들이 자신의 작품을 공개하는 것에 대해 극도로 조심스러워하고 있습니다. 과거 게임 산업은 클론 및 도용 문제로 어려움을 겪었으나, 이제 AI 도구는 이러한 복제 과정을 매우 효율적으로 만들어 개발자들이 초기 작품을 공유하는 것을 꺼리게 만드는 상황입니다.

개발자 연합 예술(Developer Alliance Arts)은 이러한 추세를 강조하며 계획했던 데모 출시를 연기했습니다. 이들은 스트림 나우트 페스트 기간에 공개할 예정이었던 그들의 테마 러시아 루레 게임인 드runken 고데스 리플렉스(Drunken Goddess Reflex)의 공개를 보류했습니다.

연합 예술 팀은 소셜 미디어를 통해 스트리밍 제한 관리 문제 외에도, 데모 콘텐츠가 AI나 다른 도구를 사용하여 게임의 시각적 표현과 게임플레이를 빠르게 모방하거나 복제하는 데 사용될 수 있다는 우려를 표명했습니다. 이는 공식 출시 전에 작품이 무단으로 배포될 위험을 의미합니다.

아마존이 인디애나주에 위치한 구 석탄 발전소 부지에 12개의 소형 원자로를 건설하기 위해 자금을 지원하는 계약을 체결했습니다. 이 프로젝트는 X-energy가 설계하는 소형 모듈 원자로(SMR)를 활용하며, 총 960메가와트의 전력을 생산할 계획입니다.

이번 계약은 아마존과 X-energy 간의 두 번째 상업적 합의이며, 이전 계약보다 세 배 큰 규모로 진행됩니다. 이 새로운 발전소는 공공 전력망에 연결될 뿐만 아니라 아마존의 데이터 센터에도 전력을 공급하는 용도로 사용될 예정입니다.

양사는 2039년까지 미국 내에서 총 5기가와트의 새로운 원자력 발전 용량을 구축하는 것을 목표로 하고 있으며, 이는 소형 모듈 원자로가 원자력 산업의 재정적 어려움을 극복하는 데 도움이 될 것이라는 기대에 기반합니다.

다만, 이 공격적인 일정은 텍사스주 휴스턴 근처의 다운 화학 공장 부지에 첫 발전소를 건설하는 X-energy의 성공적인 납품에 달려 있으며, 해당 부지는 이미 환경 규제 준수와 관련하여 소송의 중심에 있습니다.

Mac.apk는 에뮬레이터나 가상 머신 없이 Android 앱을 Apple Silicon Mac에서 네이티브로 실행할 수 있게 해주는 프로젝트입니다. 이 소프트웨어는 Android 애플리케이션 환경을 macOS 위에 직접 구현하여 앱이 일반 macOS 프로세스로 실행되고 Mac의 GPU와 CPU를 네이티브 속도로 사용하도록 합니다.

이 기술의 핵심은 Android 앱이 리눅스 커널이나 별도의 에뮬레이션 계층 없이 macOS 환경에서 직접 구동된다는 점입니다. 결과적으로 앱은 Dock에 표시되고, Mac의 창처럼 크기를 조절하거나 회전할 수 있으며, 다크 모드 전환도 Mac 시스템과 동일하게 작동합니다.

이 기능을 사용하려면 macOS 26.4(Tahoe) 이상을 지원하는 Apple Silicon Mac이 필요하며, 인텔 Mac은 지원되지 않습니다. Mac.apk는 AGPL-3.0 라이선스로 공개된 오픈 소스이며 상업적 라이선스도 제공됩니다. 다만, 이 소프트웨어는 보안이나 안정성에 대한 보증을 제공하지 않으며, 사용자가 로드하는 서드파티 APK에 대한 책임은 사용자 본인에게 있습니다.

Mac.apk는 ANGLE, MoltenVK 등 여러 오픈 소스 컴포넌트를 포함하고 있으며, 사용자는 이 앱을 다운로드하고 실행할 때 신뢰할 수 있는 출처에서 APK를 선택해야 합니다.

MiniMax가 에이전트 작업의 성능과 비용을 재정의하는 MiniMax M3.1 Flash 모델을 공식 출시했습니다. 이 모델은 200조 토큰 이상을 처리했으며, 온라인 추론 속도를 약 세 배 빠르게 하면서 사용 비용을 70% 절감하는 혁신적인 효율성을 제공합니다.

M3.1 Flash는 복잡한 에이전트 작업, 코딩, 컴퓨터 사용, 사이버 보안 등 광범위한 영역에서 이전 모델 대비 향상된 능력을 보여줍니다. 특히 AutomationBench-AA에서 복잡한 에이전트 작업을 수행하는 데 강점을 보이며, BankerToolBench에서는 76.2점을 기록하여 다단계 계획 수립, 문서 일관성 유지, 금융 규정 준수 등 실제 환경의 복잡한 문제 해결 능력을 입증했습니다.

소프트웨어 개발 분야에서는 DeepSWE v1.1에서 73.7%의 성능을 달성하며 코드 이해, 기능 개발, 버그 수정 및 테스트를 포함하는 복잡한 소프트웨어 작업에서 강력한 실행 능력을 입증했습니다. 또한 CyberGym에서는 82%의 점수를 기록하며 취약점 발견 및 검증에서 선도적인 역량을 보여주어 보안 시스템 구축에 효율적인 지원을 가능하게 합니다.

이 모델은 높은 효율성과 성능을 동시에 제공하며, 출력 속도는 분당 200개 이상의 토큰(TPS)에 도달할 수 있습니다. 에이전트 작업에 있어 M3.1 Flash는 성능과 비용 측면에서 최고 수준의 경쟁력을 제공하며, MiniMax API, M Plan, MiniMax Code를 통해 접근할 수 있습니다.

플로리다 주 교통안전 및 자동차국(FLHSMV)이 최근 데이터 유출 사건으로 인해 운전면허 및 차량 관련 데이터가 유출되었다고 발표했습니다. 이 유출은 악의적인 행위자가 2026년 9월 4일에 침해된 자격 증명을 사용하여 해당 부서 기록에 접근하면서 발생했습니다.

FLHSMV는 데이터 유출 사실을 인지한 후 즉각적인 조치를 취했으며, 유출된 정보에는 운전면허 및 차량 데이터, 문서 이미지, 기타 개인 정보가 포함되어 있다고 밝혔습니다. 주 정부는 영향을 받은 피해자들에게 Sontiq, Inc.로부터 1년간의 신용 모니터링 서비스를 제공하고 있습니다.

하지만 주 정부는 데이터가 여전히 저장되어 있는 많은 전 플로리다 거주자들의 연락처 정보가 최신이 아닐 수 있어 모든 피해자가 알림을 받는 것은 아닐 수 있다고 인정했습니다. 데이터 유출이 발생했는지 확인하고 싶은 잠재적 피해자는 [email protected]로 이메일을 보내 자신의 데이터가 유출되었는지 확인할 수 있습니다.