읽을 가치가 있는 기사만, 짧고 또렷하게.

기존 만화를 충실하게 유지하면서 일관성 있는 애니메이션을 제작하는 것은 가치 있지만 매우 어려운 과제입니다. 기존 방법들은 만화를 텍스트로만 접근하여 캐릭터와 아트 스타일을 손실하거나, 만화 페이지를 비디오 생성 모델에 직접 입력하여 구조를 오해하고 잘못된 스토리라인을 생성하는 한계를 보였습니다.

이러한 문제를 해결하기 위해 본 논문은 모든 생성 단계를 원본 만화에 기반하도록 하는 멀티 에이전트 프레임워크인 Manga2Animate를 제안합니다. 이 프레임워크는 작업을 애니메이션 스크립트와 시각적 스토리보드라는 두 가지 중간 표현으로 분해합니다.

각 표현은 크리에이터 에이전트에 의해 생성되고 쌍을 이루는 리뷰어 에이전트에 의해 원본 패널과 비교 검토됩니다. 이 과정에서 표현별 선택과 이중 수준 피드백을 조정하여 최종 애니메이션을 합성하기 전에 두 표현을 점진적으로 개선합니다.

광범위한 실험과 사용자 연구 결과, Manga2Animate는 기존의 최첨단 접근 방식보다 원본 만화에 더 충실하고 샷 간 일관성이 높은 애니메이션을 생성함을 입증했습니다.

기존의 월드 모델은 단일 이미지에서 행동 조건화된 비디오를 생성할 수 있지만, 주로 카메라 움직임에 초점을 맞추기 때문에 현재 프레임에서 보이지 않는 상태에 의존하는 행동이 지속적인 규칙을 따르는지 보장하지 못합니다. 이 문제를 해결하기 위해 상태 기반 하네스(Stateful Harness)라는 프레임워크를 제시합니다. 이 프레임워크는 세계의 진화와 비디오 렌더링을 분리하여 상태 기반 및 규칙 기반 상호작용을 지원합니다.

Stateful Harness는 지정된 규칙 하에서 진화하는 세계 상태를 유지하며, 각 결과 이벤트를 고정된 비디오 모델로 렌더링하고, 생성된 클립을 다음 턴의 세계 상태를 업데이트하는 데 사용합니다. 사용자가 선택한 행동을 해결하고 결과를 지침으로 컴파일하는 과정에서, 편집 가능한 3D 장면의 미리보기 클립이 공간적 및 카메라 지침을 제공합니다.

규칙 준수를 평가하기 위해 세계 상태 벤치(WorldState-Bench)를 구축했는데, 이는 초기 프레임과 행동은 공유하지만 숨겨진 상태와 요구되는 결과가 다른 50쌍의 반사실적 쌍으로 구성됩니다. 이 평가 결과, 규칙 기반 프롬프팅 하에서 11개의 평가된 비디오 백엔드 중 최고 성능은 두 경우 모두에서 필요한 끝맺음을 32%의 쌍에서 생성했습니다.

특히 MiniMax-H3 모델을 적용했을 때, 요구되는 끝맺음을 명시하면 이 비율은 32%에서 64%로 증가하며, 전체 하네스가 동일한 고정 모델을 사용하여 92%의 준수율에 도달했습니다. 이는 숨겨진 상태를 가진 세계 상호작용에서 규칙 실행과 비디오 렌더링을 분리하는 것이 가능하다는 것을 입증합니다.

프로시저럴 생성은 정적 메시 표현보다 더 높은 제어력, 편집 가능성, 다양성을 제공하여 합성 데이터 생성 및 게임 개발에서 중요한 역할을 합니다. 하지만 VLM 기반 코드 생성은 비교적 단순한 3D 에셋을 생성하는 데 그치며, 정교한 사실적인 프로시저럴 시스템을 구축하기 위해서는 광범위한 수동 개발이 필요합니다. 기존의 VLM 기반 프로시저럴 방법들은 미리 정의된 팩토리와 API에 의해 크게 제약되어 있어 새로운 에셋 유형을 생성하는 데 한계가 있었습니다.

이에 연구진은 개방형 프로시저럴 3D 세계 생성을 위한 VLM 기반 프레임워크인 InfiniDream을 제안합니다. 이 프레임워크는 첫째, 기존 프로시저럴 알고리즘을 활용하여 편집 가능성과 시드 기반 다양성을 보존하면서 새로운 사실적인 에셋을 생성하는 기호적 제약 에셋 생성(Symbolically Constrained Asset Generation)을 제안합니다. 둘째, 의미론적 장면 계획과 결정론적 시야 가이드 그리드 배치를 결합하여 정밀한 객체 배치, 프로시저럴 채우기, 애니메이션을 통해 대규모 3D 세계를 구축하는 종단 간 텍스트-투-월드 파이프라인을 개발했습니다.

이러한 방법론은 100개의 객체 및 20개의 장면 생성 작업에 대한 광범위한 평가를 통해 네 가지 지각 측정 항목에서 개선을 입증했습니다. 또한 다양성 분석, 절제 연구, 인간 선호도 평가를 통해 이 프레임워크의 효과가 입증되었습니다. InfiniDream은 복잡한 3D 세계를 생성하는 데 있어 제어력과 다양성을 높이는 데 기여합니다.

최신 언어 모델들은 선형 시간 재귀(linear-time recurrence)와 소프트맥스 어텐션(softmax attention)을 결합한 하이브리드 아키텍처를 채택하고 있습니다. 재귀 레이어는 고속 처리와 고도로 표현력 있는 혼합 메커니즘을 제공하지만, 문맥 정보 검색에서는 소프트맥스 어텐션보다 성능이 떨어지는 것으로 나타났습니다.

연구진은 서로 다른 혼합 메커니즘들이 동일한 함수를 학습하기 위해 경쟁하는 '경쟁 학습(Competing Learning)' 현상을 발견했습니다. 특정 레이어가 함수를 학습할 때 다른 레이어의 학습 신호를 억제하는 방식으로 작동합니다. 레이어 귀인 분석 결과, 일반적인 데이터 분포 하에서 재귀는 소프트맥스 어텐션보다 검색 함수를 더 빠르게 학습하여 어텐션이 대부분의 경우 검색을 학습하지 못하는 원인이 됩니다.

이러한 문제를 해결하기 위해 연구진은 훈련 중간에 재귀의 가중치 업데이트를 중단하는 방법을 제안했습니다. 이 방법은 어텐션이 검색을 학습하도록 돕습니다. 이를 바탕으로 자연어에 대해 하이브리드 아키텍처를 사전 훈련하기 위한 단계적 훈련 절차를 제안했습니다. 10억 개 파라미터 규모의 모델에 대한 실증 결과는 이 방법이 언어 모델링 손실, 상식 추론, 그리고 다양한 컨텍스트 길이에서의 검색 관련 작업에서 상당한 개선을 가져왔음을 보여줍니다.

배포 중 생성된 경험을 통해 로봇이 자체 실행을 학습함으로써 정책 신뢰도를 개선할 수 있는 기회가 제공됩니다. 그러나 인간의 수정에 의존하는 학습 방식은 정책 실패 시 원격 조작자가 실행을 모니터링하고 개입해야 하므로 로봇 군집이 커질수록 이러한 요구를 충족시키기가 어려워집니다. 이에 연구진은 배포된 로봇들이 실행 경험을 공유하여 공통 정책을 개선하는 학습 패러다임인 집단 경험 학습(Collective Experience Learning, CEL)을 제안합니다.

CEL은 실패 유도 경험 검색 미세 조정(Failure-Guided Experience Retrieval Fine-Tuning, FERT)을 통해 실현됩니다. FERT는 로봇 실행의 실패 맥락을 사용하여 군집의 성공적인 경험에서 관련 궤적 세그먼트를 검색하고, 추가적인 전문가 시연이나 수정 행동 없이 해당 행동을 정책 업데이트의 감독으로 활용합니다. 또한, 로봇 군집 내의 로컬 중단에도 불구하고 경험 수집, 정책 최적화, 정책 배포를 조정하는 내결함성 비동기 훈련 시스템(Fault-Tolerant Asynchronous Training System, FATS)이 이를 지원합니다.

이러한 접근 방식은 실질적인 결과를 보였습니다. 다섯 가지 실제 조작 작업에서 결과 정책은 93.3%에서 99.2%의 성공률을 달성했으며, 이는 훈련 데이터 수집에서 제외된 로봇들을 대상으로 평가되었습니다. 특히 다단계 휴대폰 포장 작업에서 96대의 로봇을 사용하여 성공률을 79.2%에서 98.3%로 증가시켰습니다. 이는 추가적인 전문가 수정 행동 없이 배포 중 정책 신뢰도를 개선하기 위한 확장 가능한 로봇 학습의 실질적인 기반이 될 수 있음을 보여줍니다.

인간의 시점 기반 경험은 세상이 어떻게 구성되어 있고 상호작용을 통해 어떻게 변화하는지를 학습하는 풍부한 기반을 제공합니다. 이러한 잠재력을 대규모로 실현하기 위해서는 방대한 녹화본을 비용이 많이 드는 수동 주석 작업에 대한 의존도를 줄이면서 시점과 시간에 걸친 장면 구조, 객체 의미론, 상호작용 기록을 연결하는 학습 자원으로 전환해야 합니다.

이러한 목표를 달성하기 위해 경험 캡처, 세계 표현, 자동 데이터 구성, 모델 학습, 독립 평가를 연결하는 통합 생태계인 HOLI-WORLD를 소개합니다. 특히 HOLIWORLD-Foundry는 정적 및 동적 지각을 결합하여 지속적인 장면 구조와 변화하는 객체 상태를 상호작용 기록 및 보조 관찰과 연결하는 세계 기록을 자동으로 구축합니다. 이 시스템은 약 100개의 자체 수집 장면에서 얻은 기록을 약 80K QA 쌍을 포함한 학습 자원으로 정리하여 HOLIWORLD-VL-4B 훈련에 사용됩니다.

HOLIWORLD-Bench는 독립적인 인간 주석을 통해 평가가 가능하며, ScanNet, ScanNet++, Aria Digital Twin 등의 실험에서 정적 지각 및 동적 추적에서 강력한 성능을 입증했습니다. HOLIWORLD-Data로 훈련할 경우 HOLIWORLD-VL-4B는 HOLI-WORLD-Bench와 EgoDynamic4D에서 공간 및 시간 추론 능력이 크게 향상되었습니다.

HOLIWORLD는 인간 경험의 연속적인 흐름에서 학습 자원을 확장하고 동적 세계에 대한 기계의 이해를 발전시키는 실용적인 기반을 제공합니다.

스트리밍 비디오 월드 모델은 과거 정보와 행동 스트림에 따라 미래를 청크별로 생성하지만, 짧은 클립으로 학습되었기 때문에 예측 오류가 누적되면서 롤아웃이 학습 범위를 벗어나면 모델이 표류하는 현상이 발생합니다. 이러한 문제를 해결하기 위해 분포 일치 증류(DMD)를 통해 자체 롤아웃으로 모델을 훈련하는 방법이 사용되지만, 행동 조건부 월드 모델의 경우 외부 교사 모델이 행동에 무관하여 학생 네트워크가 표류하는 문제가 있습니다.

연구진은 이러한 문제를 해결하기 위해 프레셰 포싱(Fréchet Forcing)을 제안하며, 월드 모델을 세 가지 제약 조건 하에 미세 조정합니다. 첫째, 생성적 앵커링을 통해 실제 데이터로 끝나는 자체 생성 이력을 흐름 일치 손실(flow-matching loss)을 적용하고, 둘째, 컨텍스트 충실도를 위해 잠재 통계에 대한 프레셰 거리(Fréchet distance, FD)를 사용하여 롤아웃이 장면을 충실히 따르도록 합니다. 셋째, 현실 일치를 위해 고정된 지각 공간 내의 실제 프레임에 대한 FD를 사용하여 생성된 프레임이 현실적으로 보이도록 합니다.

이러한 접근 방식은 장기간 기록된 미래와 롤아웃을 비교할 필요 없이 짧은 실제 클립에서 파생된 세 가지 목표를 기반으로 하므로, 외부 교사, 온라인 비평가, 긴 비디오 없이도 훈련이 가능합니다. 실제로 253프레임 클립으로 사전 훈련된 MiniWorld-1B 모델을 381프레임 클립으로 최대 36 GPU-시간 동안 미세 조정했을 때, 4,000프레임 이상에서 안정적으로 유지되며 로봇 조작과 카메라 탐색 모두에서 행동을 계속 따르는 롤아웃을 얻을 수 있었습니다.

효과적인 시각 토크나이저는 이미지 충실도를 유지하면서 다운스트림 확산 모델이 효율적으로 학습할 수 있는 잠재 공간을 생성해야 합니다. 기존 연구들은 의미적 정렬이나 토크나이저-확산 훈련을 통해 잠재 공간의 확산성을 개선해 왔습니다.

연구진은 손상된 잠재 공간으로부터 의미적 예측을 유지하면서 확산 목표와 생성 블록을 제거하는 접근 방식을 통해, 생성 관련 정보가 손상된 잠재 공간에서도 복구 가능해야 한다는 일반 원칙인 견고한 예측(robust prediction)을 제시했습니다. 이 원칙을 구현하기 위해 RoAR-VAE는 두 가지 상호 보완적인 목표를 사용합니다. RobustAlign은 손상된 잠재 공간에서 사전 훈련된 의미적 특징을 예측하여 고수준 구조를 보존하며, RobustRecon은 깨끗한 이미지를 재구성하여 세밀한 공간 및 외관 정보를 유지합니다.

이러한 접근 방식은 견고한 예측이 유용한 정보를 확산 모델이 더 일찍 학습하는 고분산 잠재 방향으로 더 쉽게 접근 가능하게 함으로써 확산성을 향상시킨다는 것을 시사합니다. 실험 결과, RoAR-VAE는 동일한 훈련 예산 내에서 가장 강력한 기준 토크나이저보다 평균 생성 벤치마크 성능을 2.19점 향상시켰습니다. 또한, FLUX.1-VAE 대비 소규모 텍스트 재구성 정확도를 16.93퍼센트 포인트 향상시켰습니다. 이는 RoAR-VAE가 재구성 충실도와 다운스트림 생성 학습 가능성 사이에서 유리한 균형을 달성했음을 입증합니다.

ScaleNav는 언어 조건부 로컬 내비게이션을 위한 확장 가능한 인터넷 영상 사전 학습 프레임워크를 제안합니다. 이 연구는 로봇이 초기 관찰에서 보이는 텍스트로 지정된 목표 지점으로 이동하여 멈추는 작업을 다루며, 이러한 종단 간 내비게이션 정책을 일반화하기 위해서는 다양한 환경의 데이터가 필요하지만 실제 로봇 데이터 수집은 비용이 많이 들고 시뮬레이션 데이터는 실제 환경과의 격차(sim-to-real gap)가 존재한다는 문제를 해결하고자 합니다.

연구진은 인터넷 기반의 시점 중심 영상(egocentric videos)을 실제 세계 내비게이션 경험의 확장 가능한 소스로 활용하여 인터넷 영상으로부터 목표 지향적인 시각 역학을 학습하고 이를 로봇의 행동 생성에 활용하는 핵심 통찰을 제시합니다. 이를 위해 ScaleNav는 세 단계의 훈련을 포함하는 통합된 세계-행동 프레임워크를 제안합니다. 첫 단계는 다양한 실제 환경에서 카메라가 지정된 목표에 접근함에 따라 관찰이 어떻게 변화하는지를 학습하는 지시 조건부 비디오 사전 학습입니다.

다음으로 행동 정렬 단계에서는 행동 레이블이 지정된 시뮬레이션 데이터를 사용하여 모델이 실행 가능한 행동 청크를 예측하도록 훈련합니다. 마지막으로 공동 미세 조정 단계에서는 모든 학습 가능한 구성 요소를 함께 최적화하여 내비게이션을 수행합니다. 이 방법론을 통해 ScaleNav는 Short-Horizon OVON의 단일 시점 적응에서 86.5%의 성공률과 HabitatGS-LN 벤치마크에서 94.9%의 성공률을 달성하며 기존 기준 모델들을 능가했습니다.

나아가 연구진은 ScaleNav를 실제 사족보행 로봇에 배포하고 평가하여 모델이 실제 세계 내비게이션으로 일반화할 수 있음을 입증했습니다. 이 결과는 ScaleNav가 실제 로봇 환경에서 효과적으로 작동할 수 있음을 뒷받침하며, 관련 코드와 비디오는 제공된 링크에서 확인할 수 있습니다.

AI 에이전트 구축에 있어 하네스(Harness) 개발은 매우 중요한 역할을 합니다. 최근에는 재귀적 자기 개선(RSI)을 통해 하네스를 개선하는 접근 방식이 도입되었지만, 이러한 성능 향상은 종종 더 높은 실행 비용을 수반하는 문제가 있었습니다. 이에 연구진은 실행 비용을 줄이면서 작업 성능을 개선하기 위해 하네스를 진화시키는 레이블 없는 방법인 HarnessPro를 제안합니다.

HarnessPro는 공식적인 테스트나 정답 솔루션에 접근하지 않고 LLM이 생성한 테스트를 사용하여 후보 하네스를 평가합니다. 특수 에이전트가 실행 궤적을 진단하고 성능-비용 우선순위에 따라 계획을 업데이트한 후 이를 후보 하네스로 구현합니다. HarnessPro는 단일 하네스를 반환하는 대신, 정규화된 가중 제곱 거리 선택 방식을 사용하여 다양한 배포 예산에 맞는 비용 중심(lite), 균형 잡힌(medium), 성능 중심(heavy) 하네스를 제공합니다.

실험 결과, 이 방법은 Terminal-Bench 2, SWE-Bench Pro, ProgramBench 벤치마크에서 GPT-5.5와 Codex, 그리고 GLM-5.2와 Claude Code를 사용하여 검증되었습니다. 특히 GPT-5.5와 Codex를 사용할 때 HarnessPro의 헤비 모드는 RHO 대비 평균 통과율 2.0 퍼센트 포인트 증가와 평균 작업당 비용 26.1% 감소를 달성했습니다. 이러한 비용 절감 및 성능 향상 이점은 다른 모델 조합에서도 동일하게 나타났습니다.

비디오 오버레이 제거는 자막, 제목, 로고 등으로 가려진 장면을 복원하면서 주변 콘텐츠를 보존하는 것을 목표로 합니다. 기존 방법들은 시간적 전파나 소스 조건부 생성을 사용하지만, 유용한 소스 정보가 가려질 경우 잔여 오버레이를 남기거나 장면 구조를 왜곡할 수 있다는 한계가 있습니다.

이에 연구진은 소스에 기반한 흐름 모델인 DeOverlay를 제안했습니다. 이 모델은 고정된 소스 가이드를 사용하여 소스 잠재 공간으로부터 깨끗한 비디오를 재구성합니다. 구체적으로, 지역 가중 흐름 매칭을 사용하여 쌍으로 이루어진 소스-클린 경로를 따라 공유 속도 네트워크를 훈련함으로써 중간 상태로부터 연속적인 수정을 가능하게 합니다.

또한, 국소 소스 단서를 선택하기 위해 마스킹된 위치를 제외하고 나머지 관측치를 평균하는 가시성 정규화 시간 집계 기법을 개발했습니다. 여기에 전역 소스 컨텍스트와 편집 영역 임베딩을 추가 조건부로 결합하여 단일 비디오 토큰 시퀀스를 유지합니다.

이러한 성능을 평가하기 위해 8가지 텍스트 오버레이 범주에 걸쳐 1,631개의 쌍을 포함하는 DVTE-Bench를 도입했습니다. 실험 결과, DeOverlay는 네 가지 기준 모델을 모두 능가했으며, 마스크 LPIPS와 마스크 VFID를 각각 58.3%와 70.3% 감소시켜 가장 강력한 기준 모델 대비 우수한 성능을 보였습니다.

개발자가 마이크로소프트 계정 없이 RTX Spark 노트북에 리눅스를 설치하여 로컬 환경에서 개발 및 실험을 진행하는 과정에 대한 내용입니다. 이 사용자는 ASUS ProArt P16 노트북(128GB RAM, 6144 CUDA 코어)에 Arch Linux ARM을 설치하고 NVIDIA 드라이버 및 펌웨어, ACPI 오버라이드 등을 직접 구성하여 하드웨어 지원을 구현했습니다.

이러한 설정은 개인 정보 보호와 광고 문제에서 벗어나 로컬 환경에서 머신러닝, 양자화, 파인튜닝과 같은 작업을 수행하려는 목적에서 시작되었습니다. 사용자는 리눅스 환경에서 시스템 메모리와 CUDA 메모리를 116.0 GiB로 통합하여 사용하며, 이는 윈도우가 메모리를 GPU, 공유, CPU 전용 영역으로 분할하는 방식과 대조됩니다.

성능 비교 결과, 리눅스 ARM 환경은 윈도우 환경과 비교했을 때 압축 및 압축 해제 작업에서 약 5%의 압축 성능과 3%의 압축 해제 성능 우위를 보였습니다. 또한, Qwen 모델을 이용한 추론 작업에서도 리눅스 환경과 윈도우 환경 간의 속도 차이는 크지 않아, 운영체제 자체의 성능 차이보다는 설정된 컨텍스트 길이와 쿼리 방식에 따라 결과가 달라짐을 알 수 있습니다.

윌리엄 깁슨과 사이버스페이스 상표권 논란은 초기 웹과 가상현실 시대의 개념 형성에 영향을 미쳤습니다. 오토데스크가 'cyberspace' 상표권을 등록하려 했을 때 깁슨이 이에 반대했으며, 이 과정에서 깁슨이 'Eric Gullichsen'을 상표화했다는 소문이 퍼졌습니다.

이 소문은 1989년 오토데스크가 가상현실 시스템을 개발하던 시기에 발생했으며, 깁슨이 오토데스크의 상표 등록에 대해 반발했다는 맥락에서 시작되었습니다. 깁슨은 나중에 오토데스크가 '거리(street)'가 아니라고 언급하며 이러한 상표권 논쟁을 간접적으로 시사했습니다.

이러한 소문은 당시 틴티미 러리와 같은 인물들에 의해 확산되었으며, 이는 디지털 공간의 개념이 어떻게 형성되고 대중에게 전달되었는지에 대한 흥미로운 사례를 보여줍니다. 결국 이 일련의 사건들은 사이버스페이스라는 용어와 관련된 지적 재산권의 역사적 맥락을 이해하는 데 중요한 배경이 됩니다.

미국 국방부(DOD)가 탄약 산업 기반을 얼마나 빨리 재건하고 재구성할 수 있는지에 대한 질문이 제기되고 있습니다. 이는 정밀 및 소모전의 현대적인 전쟁 요구에 맞춰 탄약 전력의 규모와 구성을 모두 변화시켜야 함을 의미합니다.

이를 위해서는 정교하고 저렴한 미사일 및 요격체를 결합한 '고-저 혼합(high-low mix)' 방식을 채택하여 합동군에 공급하는 것이 필요합니다. 이러한 변화를 실현하기 위해서는 국방부와 계약업체 간의 다년 프레임워크 협정 외에도 의회의 예산 승인, 산업계의 자본 지출(CapEx) 증가, 그리고 국방부와 기업 간의 계약 체결이 필수적입니다.

최근 분석에 따르면, 이러한 재건 및 재구성을 위한 현실적인 시간표를 파악하기 위해서는 대통령의 2027 회계연도 예산 요청, 분기별 기업 보고서, 그리고 최근 계약 발표 등을 검토해야 합니다. 실제로 영국 방산 기업인 BAE 시스템스도 국방부와 프레임워크 협정을 체결했으며, RTX, 보잉, 허니웰 에어로스페이스와 같은 주요 기업들은 탄약 생산 가속화에 힘입어 자본 지출을 전년 대비 약 40% 늘릴 계획입니다.

HybridAgent는 하나의 생성 과정에서 잠재 공간 추론과 텍스트 생성을 동적으로 전환하며 내부 추론과 외부 도구 사용을 결합하는 하이브리드 LLM 에이전트 개념을 제시합니다. 이는 LLM이 단순한 텍스트 생성뿐만 아니라 복잡한 추론과 외부 도구 사용을 통합하여 행동할 수 있게 만드는 접근 방식입니다.

이러한 기능을 구현하기 위해 경량 어댑터인 HybridLink가 사용됩니다. HybridLink는 모델의 마지막 계층 은닉 상태를 입력 임베딩 공간으로 연결하는 역할을 수행하며, 이를 통해 내부 추론 결과가 외부 도구 사용에 필요한 입력으로 효과적으로 변환됩니다.

또한, 이 시스템은 연속 작업 메모리를 텍스트, 잠재 벡터, 도구 정보 등으로 구성하여 관리합니다. 이러한 구조는 에이전트가 복잡한 작업을 수행할 때 추론 과정과 행동 계획을 일관성 있게 유지하며 효율적으로 외부 환경과 상호작용할 수 있도록 지원합니다.

혼자 개발한 웹 MMORPG에 사용자가 10배로 몰리면서 발생한 상황에 대한 내용입니다. 개발자는 이전 부하 테스트를 통해 시스템의 확장성을 확인하려 했습니다.

당시 테스트는 월 6달러짜리 VPS 한 대로 동시 접속자 1,000명에 도전하는 방식으로 진행되었습니다. 부하 테스트를 위해 사용된 봇은 주기적으로 타깃을 잡고 스킬을 사용하며 전리품을 획득하는 방식으로 작동했습니다.

이 테스트 과정에서 봇은 채팅을 하지 않았으며, 실제 유저들이 성장하며 게임을 사용했습니다. 이 경험은 시스템이 실제 사용자 환경에서 어떻게 작동하는지에 대한 중요한 맥락을 제공합니다.

Superlite는 사용자가 에이전트에게 명세(spec)를 넘겨주면 중간에 지속적으로 승인을 요구하지 않고 스스로 테스트된 작업을 완료하는 자율적인 빌드 워크플로우를 제공합니다. 이는 기존의 협업 중심 워크플로우와 달리 인간의 개입을 최소화하고 개발 속도를 극대화하는 데 중점을 둡니다.

Superlite는 빌드 작업을 여러 개의 병렬 태스크로 분할하고 각 태스크를 가장 적합한 에이전트에게 할당하여 동시에 실행하게 함으로써 효율성을 높입니다. 이 시스템은 작업 간의 연결 부위를 확인하고 결과를 검토하여 오류를 최소화하며, 결과적으로 전체 빌드 시간을 획기적으로 단축합니다.

실제 벤치마크 결과에 따르면, Superlite는 전체 테스트 스위트 빌드에서 Superpowers보다 훨씬 빠른 결과를 보였으며, 이는 작업이 순차적으로 대기하는 시간을 줄이고 병렬 처리를 가능하게 했기 때문입니다. 따라서 Superlite는 각 단계를 인간이 직접 조율해야 하는 상황보다는, 명세만 제공하고 결과물을 얻고자 하는 개발자에게 적합한 도구입니다.

이러한 접근 방식은 에이전트가 스스로 규칙을 따르고 실행하도록 코드를 통해 규칙을 강제함으로써, 인간이 개입하는 과정에서 발생하는 지연을 제거하고 개발 프로세스를 자동화하는 데 중점을 둡니다.

RC2 암호의 키 스케줄에 사용된 256개의 바이트 테이블은 $\pi$의 숫자를 기반으로 한다고 명시되어 있지만, 이 테이블을 생성한 구체적인 방법은 공개되지 않았습니다. 이 방법은 피셔-예이츠 셔플(Fisher–Yates shuffle)을 사용하여 $\pi$의 십진수 자릿수를 난수 생성의 원천으로 삼는 방식으로 정확하게 재현됩니다.

이 셔플 과정에서 $\pi$의 자릿수를 세 자리씩 읽어 카드(0부터 255까지의 숫자)를 무작위로 교환하는 방식으로 테이블이 생성됩니다. 이 과정에서 결과가 편향되지 않도록 특정 조건의 추첨은 버려지는 과정을 포함하며, 이 알고리즘을 통해 공개된 $\pi$의 자릿수만으로 RC2의 테이블을 완벽하게 복원할 수 있습니다.

이러한 접근 방식은 암호학자들이 테이블을 수동으로 선택하여 약점을 숨기는 것을 방지하기 위해 공개된 상수인 $\pi$로부터 테이블을 유도하는 데 사용됩니다. RC2를 설계한 론 리베스트는 이 테이블의 기원을 명시하지 않았으나, 이 방법이 테이블을 생성하는 방식이었을 가능성이 높습니다.

MD2 해시 함수 역시 동일한 셔플을 사용하지만, 각 추첨에서 읽는 자릿수의 수가 달라 연결고리가 눈에 띄지 않았습니다. 따라서 이 방법은 RC2의 보안에 직접적인 영향을 미치지는 않지만, 테이블이 어떻게 생성되었는지에 대한 역사적 맥락을 제공합니다.

Anthropic은 빠르게 성장하고 있음에도 불구하고 주니어 기술직 채용 비중을 줄이고 있습니다. 2025년 초 이후 기술직 신규 채용에서 주니어 직원이 차지하는 비중은 27%에서 9%로 크게 하락했습니다. 이는 회사가 성장 단계에 접어들면서 시니어급 인력의 채용을 늘리고, 팀 내에서 경험과 전문성을 갖춘 인력의 비중을 높이고 있음을 시사합니다.

또한 AI 에이전트 도입 이후 산출량이 증가하면서 이러한 변화는 엔지니어 직군에만 국한되지 않고 조직 전반에 걸쳐 나타나고 있습니다. AI 기술의 도입은 엔지니어뿐만 아니라 영업, 법무 등 다양한 부서에서 업무 산출량과 역할에 변화를 가져오고 있습니다.

이러한 변화는 Anthropic과 같은 AI 선도 기업들이 기술 발전과 함께 조직 구조와 인력 운영 방식을 어떻게 조정하고 있는지 보여주는 사례입니다. 주니어 채용 비중 감소는 회사가 기술적 깊이와 효율성을 중시하며 인력 구성에 전략적인 변화를 주고 있음을 의미합니다.

테슬라의 새로운 로드스터 예약 약관에 따라 예약자에게 차량 인도 여부조차 보장되지 않는 것으로 명시되었습니다. 이는 로드스터가 현재 개발 중인 단계에 있기 때문에 인도 시점뿐만 아니라 실제 차량 인도를 보장할 수 없다는 내용입니다.

예약자는 최대 25만 달러를 선납하더라도 확정된 생산 물량을 배정받는 것은 아니며, 양산에 들어갈 경우의 대략적인 대기 순서만 확보하게 됩니다. 즉, 선납 금액이 생산 물량 확보를 보장하지 않으며, 차량이 실제로 생산되고 인도되는 과정에 대한 통제권이 예약자에게 없음을 의미합니다.

따라서 예약자들은 차량의 개발 진행 상황과 실제 인도 시점에 대해 불확실성을 감수해야 합니다. 이는 로드스터가 아직 개발 단계에 있음을 고려할 때, 예약이 실제 차량 소유권이나 인도 일정으로 직결되지 않는다는 중요한 맥락을 제공합니다.