읽을 가치가 있는 기사만, 짧고 또렷하게.

개발 중인 해양 탐험 게임 어라운드 더 월드에서 하늘과 바다, 구름이 더욱 자연스럽게 어우러지도록 렌더링을 개선하는 작업이 진행되었습니다. 이 개선은 구름의 빛 산란, 하늘의 색상, 수평선, 톤 매핑을 조정하여 전체적인 분위기를 향상시키는 데 중점을 두었습니다.

이러한 시각적 개선을 달성하기 위해 개발팀은 고급 광선 추적기(ray tracer)를 직접 Rust 언어로 구현했습니다. 특히 두꺼운 구름 아래와 같은 복잡한 환경에서 빛의 다중 산란 현상을 정확하게 반영하기 위해 룩업 테이블을 생성하는 기술을 적용했습니다.

구체적으로 광선 추적기를 통해 다중 산란을 반영한 룩업 테이블을 생성함으로써, 구름의 밑부분과 같은 복잡한 환경에서 빛의 상호작용을 더욱 사실적으로 표현할 수 있게 되었습니다. 이는 게임 내에서 물리 기반의 사실적인 하늘 렌더링을 구현하는 데 중요한 기술적 진전을 의미합니다.

미국의 댐 철거가 대규모 서부 연어 하천뿐만 아니라 동부의 작은 하천에서도 진행되면서 회유성 어류의 복원에 기여하고 있습니다. 이러한 댐 철거는 막혀 있던 산란 경로를 다시 열어주어 어류가 이동할 수 있는 환경을 회복시키고 있습니다.

이러한 환경 개선 노력은 동부 지역의 생태계에 긍정적인 영향을 미치고 있습니다. 예를 들어, 매사추세츠주의 타운 브룩(Town Brook) 지역에서 여러 댐을 철거한 결과, 연간 회귀 청어류의 수가 여러 해에 걸쳐 약 2만 5,000마리에서 증가하는 효과를 보였습니다.

이는 댐으로 인해 단절되었던 수생 생태계의 연결성이 회복되고 있음을 보여줍니다. 댐 철거가 단순히 수량을 늘리는 것을 넘어 회유성 어류의 생존과 번식에 필수적인 경로를 복원하여 지역 생태계 전체의 건강성을 높이는 데 중요한 역할을 하고 있습니다.

IVXV는 에스토니아 온라인 투표 시스템의 소스 코드를 누구나 검토할 수 있도록 공개하는 저장소입니다. 이 저장소는 실제 선거에 사용되는 코드를 제공하여 투명성을 확보하는 것을 목적으로 합니다.

이 저장소는 개발 작업용으로 사용되는 것이 아니며, 실제 개발 작업에는 사용되지 않습니다. 대신 저장소를 최신 상태로 유지하여 실제 선거에 사용되는 코드를 제공하는 데 중점을 두고 있습니다.

따라서 개발자들은 이 저장소를 실제 시스템 개발에 활용하기보다는, 공개된 코드를 통해 시스템의 작동 방식과 구현 방식을 검토하는 데 참고할 수 있습니다. 다만, 해당 코드는 실제 선거에 사용되는 코드이므로 법적인 고려 사항이 존재합니다.

분포 회귀는 확률 분포로부터 반응 변수로의 매핑을 학습하는 프레임워크로, 커널 방법, 다중 인스턴스 학습, 집합 값 학습을 통합하는 기반이 됩니다. 그러나 커널 기반 분포 회귀는 계산 비용이 높고 커널 선택에 민감하여 확장 가능하고 적응적인 표현 방식에 대한 필요성이 제기되었습니다.

연구진은 무작위 특징 근사(random feature approximations)를 기반으로 랜덤 특징 분포 회귀(RaDR)에 대한 유한 샘플 분석을 수행했습니다. 이 분석을 통해 분포 수준 샘플링, 내-백 샘플링, 무작위 특징 근사의 효과를 분리하여, RaDR이 계산 효율성을 유지하면서 정확한 두 단계 커널 분포 회귀의 초과 위험 상한의 순서를 보존할 수 있는 충분한 특징 예산 조건을 확립했습니다.

나아가 연구진은 다운스트림 학습 목표에 따라 무작위 특징을 적응적으로 할당하는 통합 점수 기반 프레임워크인 적응형 무작위 특징 분포 회귀(A-RaDR)를 제안했습니다. 실험 결과, RaDR은 경쟁력 있는 예측 성능을 유지하면서 상당한 계산 절감 효과를 제공하는 반면, A-RaDR은 분포 회귀 학습 정확도를 더욱 개선하면서 계산 속도를 유지하는 것으로 나타났습니다.

이러한 결과는 적응적이고 확장 가능한 분포 학습을 위한 실용적이고 이론적으로 근거가 있는 프레임워크를 확립합니다.

본 연구는 저장 공간과 읽기 예산이 분리된 상태에서 내적 추정의 양자화에 관한 내용을 다룹니다. 정적 비탐색 모델에서 인코더가 쿼리 $y$를 보기 전에 $x$에 대해 $w$ 비트를 저장하고, 리더가 최대 $r<w$ 비트를 탐색하여 $x^\top y$를 추정하는 상황을 분석합니다.

연구 결과에 따르면, 쿼리 독립적인 읽기는 추가 저장 공간을 활용할 수 없으며, 이는 $r$ 비트 메시지를 완전히 읽는 것과 동일합니다. 저장 공간과 읽기 공간의 비율을 $W=w/d$와 $R=r/d$로 정의했을 때, 정규화된 최소-최대 오차는 $1/(4^R-1)$로 수렴하며 이는 $W$에 독립적입니다.

반면, 쿼리 의존적인 읽기는 추가 저장 공간을 유용하게 활용할 수 있음을 보입니다. 가우시안 투영과 무작위 임계값을 사용하는 두 배치 프로토콜을 구성하여, $W/R \to \infty$일 때 점근적인 정규화된 오차는 $( \pi+o(1))/[4R\log(W/R)]$로 나타납니다.

특히 $R$이 고정된 경우, 저장 공간이 증가함에 따라 이 오차는 소멸하여 쿼리 독립적인 읽기에 비해 무한한 이점을 제공합니다. 또한, 인코더, 디코더, 그리고 완전히 분기되는 리더에 대한 유한 차원 하한도 증명되었으며, 이 프로토콜은 선도 상수에서 $\pi/2$의 배수 내에 최적임을 확인했습니다.

텍스트 코퍼스의 다양성은 학습 데이터 큐레이션, 테스트 세트 설계, 모델 일반화에 직접적인 영향을 미치지만, 이를 측정하는 방식은 여전히 파편화되어 있고 이해가 부족합니다. 기존의 임베딩 기반 다양성 측정 방법들은 계산 방식이 다양하여 동일한 데이터에 대해 상이한 다양성 점수를 산출할 수 있으며, 이에 대한 체계적인 비교 연구는 존재하지 않습니다.

이러한 격차를 해소하기 위해 연구진은 21가지 임베딩 기반 다양성 측정 방법을 네 가지 가족으로 분류하는 분류 체계를 제시했습니다. 또한, 시뮬레이션 및 자연 텍스트 데이터에 대해 다양성의 세 가지 개념적 구성 요소인 다양성(variety), 균형(balance), 불균형(disparity)을 평가하는 벤치마크인 EmbDivBench를 도입했습니다.

실험 결과, 가장 흔하게 사용되는 평균 쌍별 거리(Mean Pairwise Distance)보다 여러 대안들이 세 가지 다양성 구성 요소에서 더 우수한 성능을 보였으며, 그중 그래프 엔트로피(Graph Entropy)가 전반적으로 가장 좋은 선택으로 나타났습니다. 연구진은 이러한 발견을 바탕으로 다양성 측정 방법 선택에 대한 실용적인 권장 사항을 도출했습니다.

리눅스 7.2 커널 개발 주기에서는 병합을 제외하고 16,418개의 커밋과 약 60만 줄의 코드가 추가되었습니다. 이는 커밋 수 기준으로 커널 역사상 두 번째로 활발한 개발 주기였음을 의미합니다.

이번 개발 활동에는 총 2,652명의 개발자가 참여했으며, 특히 613명이 첫 기여자로 기록되어 커널 개발에 대한 높은 참여도를 보여주었습니다. 참여자 중 일부는 소속을 확인할 수 없는 상태로 기록되어 있어 개발 커뮤니티의 광범위한 기여를 엿볼 수 있습니다.

이러한 통계는 리눅스 커널의 지속적인 발전과 활발한 협업이 이루어지고 있음을 보여줍니다. 이는 커널의 안정성과 기능 개선에 긍정적인 영향을 미치며, 개발자들이 새로운 기능을 실험하고 기여할 수 있는 환경이 조성되었음을 시사합니다.

플로리다주 히알리아(Hialeah)에서 아프리카대왕달팽이가 발견되어 해당 지역 약 300에이커 구역의 정원 폐기물과 벽돌 등의 반출입이 제한되었습니다. 이 달팽이는 빠르게 번식하며 농작물과 건물 외벽을 섭취하는 것으로 확인되었습니다.

이러한 달팽이의 활동은 사람들에게 심각한 질환을 일으킬 수 있는 쥐폐충을 전파하는 주요 원인이 됩니다. 쥐폐충은 인간에게 심각한 질병을 유발할 수 있어 환경 및 공중 보건 측면에서 심각한 우려를 낳고 있습니다.

따라서 해당 지역에서는 달팽이의 확산을 막고 쥐폐충의 전파를 방지하기 위해 폐기물 반출입 제한 조치가 시행되었습니다. 이는 야생 동물의 발견이 지역 환경과 인체 건강에 미치는 영향을 관리하고 통제하기 위한 조치입니다.

Pele는 Mermaid 문법으로 작성된 다이어그램을 SVG 형식으로 렌더링하는 가벼운 오픈소스 라이브러리입니다. 이 라이브러리는 개발자들이 Mermaid 문법으로 작성한 다이어그램을 테마에 맞게 적용 가능한 SVG로 변환하여 사용할 수 있도록 돕습니다.

Pele의 주요 특징은 CSS 변수를 사용하여 색상과 글꼴을 설정한다는 점입니다. 이 방식 덕분에 색상 변경을 할 때마다 다이어그램을 다시 렌더링할 필요 없이 테마를 쉽게 적용할 수 있습니다.

자체 비교 기준으로 Pele는 기존의 Mermaid.js보다 6배 작고 최대 500배 빠른 속도를 제공합니다. 따라서 복잡한 다이어그램을 효율적으로 처리하면서도 뛰어난 성능을 요구하는 환경에서 유용하게 활용될 수 있습니다.

금 수출액이 2025년 10월부터 미국의 다른 모든 수출 품목을 매달 앞지르며 새로운 수출 최대 품목으로 자리매김했습니다. 이는 기존의 석유, 의약품, 항공기 및 부품과 같은 주요 품목들을 압도하는 수준으로, 국제 무역에서 금의 위상이 크게 변화했음을 의미합니다.

이러한 수출 증가는 단순히 금값의 사상 최고치 경신에만 기인한 것이 아니라 물량 증가도 중요한 요인으로 작용했습니다. 실제로 2026년 2월 금 수출 중량은 역대 최대치를 기록했을 가능성이 제기되고 있습니다.

따라서 금 수출의 증가는 가격 상승과 더불어 실제 물량 증가가 복합적으로 작용한 결과이며, 이는 글로벌 공급망과 자원 시장에 미치는 영향을 고려해야 합니다. 이러한 추세는 향후 국제 무역 흐름과 자본 이동에 중요한 변수로 작용할 수 있습니다.

JDK 28은 Java SE 플랫폼 버전 28의 참조 구현체로, JSR 403에 따라 지정된 버전입니다. 현재 메인 라인은 버그 수정, 작은 개선 사항, 그리고 JEP(Java Enhancement Proposal)를 통해 진행되고 있으며, 이는 JEP 프로세스를 통해 추적됩니다.

이번 릴리스에서 주목할 만한 기능들은 여러 JEP를 포함하고 있으며, 특히 가비지 컬렉터와 동시성 처리 분야에서 중요한 업데이트가 포함되어 있습니다. Shenandoah GC는 기본적으로 생성형 모드(Generational Mode)로 설정되며, ZGC를 통한 더 빠른 시작 및 워밍업 기능이 추가되었습니다.

또한, JVM 내에서 엄격한 필드 초기화(Strict Field Initialization) 기능이 미리 보기로 제공되며, 구조화된 동시성(Structured Concurrency)과 같은 새로운 동시성 모델이 도입됩니다. JSON API는 인큐베이터 단계로 제공되며, ZGC의 효율성을 높이기 위한 적응형 힙 크기 조정(Adaptive Heap Sizing) 기능도 포함되어 있습니다.

이러한 기능들은 개발자들이 JVM 성능과 메모리 관리, 그리고 현대적인 동시성 프로그래밍을 개선하는 데 직접적인 도움을 줄 것입니다. JDK 28의 초기 액세스 바이너리는 GPL 라이선스로 제공됩니다.

강화 학습에서 일반 유틸리티(General Utilities)를 활용하여 정책 유도 점유도(policy-induced occupancy measures)의 비선형 함수를 최적화하는 방법을 제시합니다. 이 연구는 볼록(concave) RLGU 목적 함수에 대해 정확한 변분 쌍대 표현을 가지는 자연스러운 액터-크리틱 방법을 개발하며, 분리 가능한 점유도 유틸리티에 대한 명시적인 구성도 제공합니다.

기존 방식처럼 점유도 측정값을 추정한 후 정책 기울기 의사 보상(policy-gradient pseudo-reward)을 형성하는 대신, 신경 크리틱을 사용하여 상태-행동 쌍의 함수로 이 의사 보상을 직접 학습합니다. 크리틱은 투영 확률적 업데이트로 훈련되며, 다중 Monte Carlo 기법을 통해 훈련 이력 전반에 걸친 출력을 결합하여 로그 기댓값 비용에서 편향을 제어합니다.

분석 결과, 이 방법은 정책, 크리틱 클래스 및 유한 폭 근사 오차에 대해 $\widetilde{O}(T^{-1/2})$의 전역 수렴을 $\widetilde{O}(T)$의 예상 환경 전환 및 참조 샘플을 사용하여 달성합니다. 또한, 고정된 크리틱 표현을 가정할 경우, 근사 하한 위에서 $\widetilde{O}(\epsilon^{-2})$의 샘플링 복잡도를 제공하여 무한한 상태-행동 공간과 고정된 유한 벡터의 반환을 넘어서는 점유도 유틸리티를 다룰 수 있습니다.

메타가 스크래핑 및 AI 학습에 대한 우려를 제기했던 문구를 삭제했습니다. 이는 메타가 비즈니스 계정을 통해 웹사이트의 콘텐츠를 수집하여 자사의 AI 모델을 훈련하는 것을 허용할 수 있다는 해석을 야기했습니다.

법률 전문가들이 지적했듯이, 이전 약관은 메타에게 메타 비즈니스 계정을 가진 모든 게시자의 웹사이트를 스크래핑하고 해당 콘텐츠를 AI 모델 훈련에 사용할 수 있는 권한을 부여하는 것처럼 보였습니다.

그러나 메타 대변인은 업데이트된 약관이 웹을 크롤링하는 방식에 변화를 반영하지 않는다고 강조하며 해당 조치를 철회했습니다. 메타는 크롤링 조건이 광고 및 비즈니스 제품에만 적용되었으며, 웹 크롤러를 사용하는 방식에는 변화가 없다고 명확히 밝혔습니다.

이러한 변경은 AI 회사들에 대한 다른 소송들이 계속되는 상황에서 웹 데이터 접근 및 AI 학습에 대한 법적 논쟁의 맥락에서 중요합니다.

시간 그래프 신경망(TGNN)은 진화하는 상호작용(이벤트)으로부터 노드 메모리를 지속적으로 업데이트하여 동적 그래프 학습 작업에서 강력한 성능을 보입니다. 그러나 그래프가 빠르게 성장함에 따라 훈련에는 점점 더 많은 이벤트를 처리해야 하며, 각 이벤트는 후속 이벤트에 사용되는 노드 메모리를 업데이트하여 병렬 실행을 제약하고 추가 컴퓨팅 자원의 이점을 제한하는 종속성을 발생시킵니다. 이러한 비용은 모든 이벤트와 그들이 도입하는 종속성이 학습에 필수적인지에 대한 근본적인 질문을 제기합니다.

연구진은 이 질문을 예측 목표와 입력으로 샘플링된 과거 이벤트라는 두 가지 시간 이벤트의 역할에 대해 조사했습니다. 안정적인 노드 메모리와 관련된 목표를 필터링하고 과거 이벤트를 걸러냄으로써 유사한 훈련 손실 궤적을 유지할 수 있음을 관찰했습니다. 이러한 관찰을 바탕으로 연구진은 훈련 중 노드 메모리의 변화를 추적하여 입력의 중복성을 식별하는 방법을 제안하며, 이를 통해 TGNN 훈련을 위한 중복성 인식 입력 필터링 프레임워크인 RAFT를 제안했습니다.

RAFT는 훈련을 안내하기 위해 두 가지 필터를 사용합니다. 하나는 훈련 전에 선택된 예측 목표를 제거하는 루트 이벤트 필터이고, 다른 하나는 샘플링 중에 선택된 과거 컨텍스트를 제외하는 지원 이벤트 필터입니다. 이러한 입력 필터링은 다운스트림 준비 및 처리가 이루어지기 전에 입력의 작업을 줄여줍니다. 세 가지 TGNN 모델과 다섯 가지 데이터셋에 걸쳐 RAFT는 평균적으로 훈련 입력 수를 35.23%까지, 최대 97.11%까지 줄였으며, 기록된 훈련 시간을 최대 52.56%까지 단축했습니다.

이러한 결과는 모델 정확도에 거의 변화를 주지 않으면서 훈련 시간을 크게 줄이고 계산 자원을 효율적으로 사용할 수 있음을 보여줍니다. RAFT는 입력의 중복성을 제거함으로써 훈련에 필요한 작업을 줄이고 계산 효율성을 높이는 실질적인 방법을 제공합니다.

LLM 에이전트의 신념을 단 하나의 문장으로 조작할 수 있는지에 대한 연구 결과를 제시합니다. 연구진은 증거와 결론을 연결하는 단 하나의 암묵적 근거(implicit warrant)를 목표로 하는 새로운 인지 공격인 일대관계 공격(one-relation attack, ORA)을 소개했습니다. ORA는 핵심 암묵적 근거를 특정하고, 이를 수식하는 단일 출처 기반 문장을 사용하여 에이전트를 잘못된 믿음으로 유도하는 방식으로 작동합니다.

이 공격은 생물의학 추론 및 취약점 탐지 분야의 18개 모델을 대상으로 진행되었으며, 가장 효과적인 공격은 초기 정답을 뒤엎는 결과를 보였습니다. 독점 모델에서는 평균 54.9%, 오픈 웨이트 모델에서는 80.0%의 비율로 정답이 무효화되었습니다. 또한, 이러한 공격은 피해자 피드백 없이도 전파될 수 있으며, 성공적인 문장은 출처 지원 검사를 통과하고 식별을 회피할 수 있습니다.

연구 결과는 암묵적 근거가 에이전트의 신념을 조작하는 인지적 공격 표면임을 입증합니다. 특히, 다중 에이전트 토론 환경에서는 팀 오류율이 50.0%에서 59.5%로 증가하는 것으로 나타나, 에이전트 간의 상호작용에서 이러한 취약점이 더욱 중요하게 다루어져야 함을 시사합니다.

LLM 자이립레이크(Jailbreak) 논문들은 공격 성공률, 유해 요청을 전달하는 응답의 비율, 그리고 이를 대상 모델의 속성으로 읽는 것을 보고합니다. 연구진은 모델, 프롬프트, 응답은 고정하고 오직 평가자(grader)만 변경했을 때, 세 가지 밀집된 평가자(8B 및 9B 파라미터, 세 가지 모델 계열에서 유래)가 순응적인 응답을 다른 클래스로 분산시키지 않고 인접 클래스로 이동시켜 회피(evasion)를 유도하는 현상, 즉 클래스 붕괴(class collapse)를 발견했습니다.

이러한 클래스 붕괴 현상은 새로운 유해 요청, 다른 계열의 대상 모델, 그리고 보류된 7B 평가자에서도 나타났습니다. 클래스별 레이블 횟수를 통해 이 붕괴 현상을 인간 레이블 없이도 비용 없이 노출할 수 있습니다. 이 붕괴 현상은 평가자의 변화에 따른 비율의 거동을 결정합니다.

두 개의 900개 응답 및 여덟 개의 평가자를 대상으로 한 실험에서, 클래스 붕괴 평가자들을 사용했을 때 순응률은 22에서 25배 차이가 났으며, 거부하지 않는 비율은 18에서 23퍼센트 포인트 차이가 났습니다. 반면, 세 가지 붕괴 평가자를 사용하지 않았을 때는 모든 네 개의 코퍼스에서 순응률이 1.7에서 2.8배 차이 났고, 거부하지 않는 비율은 여전히 10에서 22퍼센트 포인트 차이가 났습니다.

연구진은 순응률과 클래스별 레이블 횟수, 그리고 명명된 평가자를 포함하는 보고 최소값을 제안하며, 여기에 평가자 간의 불일치(disagreement)가 가산적으로 증가하는 거부하지 않는 비율을 추가할 것을 제안합니다.

에이전트 워크플로우에서 LLM의 의사 결정 공간은 반복적인 대화 후 포화 상태에 도달한다는 관찰이 있습니다. 에이전트가 동일한 상태를 반복적으로 만나고 새로운 상태를 만나지 못하게 되면서, LLM은 의사 결정을 최적화 문제로 취급하지 않고 매 턴마다 컨텍스트를 통해 재추론합니다. 연구진은 의사 결정을 합리적인 범위 내의 최적화 문제로 간주하고 한 번 해결한 후 재사용함으로써 에이전트를 더 빠르고, 저렴하며, 신뢰할 수 있게 만들 수 있음을 보여줍니다.

이러한 접근 방식은 'Discretize, Then Decide'라는 방법으로 불리며, 워크플로우 로그나 에이전트 실행 기록을 기반으로 대화를 이산적인 상태로 읽고 각 결과의 확률과 이동 비용을 추정합니다. 이 과정을 통해 새로운 상태가 나타나지 않고 확률이 변화하지 않을 때까지 진행한 후 결과로 나온 마르코프 결정 과정(MDP)을 해결합니다. 이 해결책은 모델 주변에서 작동하는 컨트롤러로 실행되어 도구 호출이나 템플릿 응답과 같이 내용이 고정된 이동을 보내고, 아직 보지 못한 상태는 LLM에게 다시 전달합니다.

이러한 방식으로 LLM 실행을 벨만 언어 모델(BLM)이라고 부르며, 리처드 벨만의 최적 이동에 대한 방정식에 기반합니다. BLM을 적용한 결과, 오픈 모델인 Qwen3.8-27B는 모델 호출 횟수를 93% 줄이면서 성공률을 29%에서 96%로 높였습니다. 또한, 자체적으로 96%의 작업을 해결하는 Claude Opus 5.5를 BLM으로 실행했을 때 모델 호출 횟수와 작업당 비용이 약 98% 감소했으며, 두 개의 추가 작업을 해결할 수 있었습니다.

InventoryBench에서는 모델 없이 해결된 정책이 모든 공개된 방법을 능가했으며, 이는 BLM이 모델을 활용하여 의사 결정을 최적화하는 데 효과적임을 입증합니다. 다만, 심볼(SymPy) 문제 해결처럼 이동 선택보다는 콘텐츠 작성이 어려운 작업에서는 BLM이 큰 도움이 되지 않는다는 한계도 존재합니다.

알츠하이머병(AD) 음성으로부터의 탐지는 음성학적 및 언어적 단서를 활용하지만, 데이터 부족으로 인해 모델 훈련이 제약되는 문제가 있습니다. 대규모 사전 훈련된 음성 인코더를 미세 조정하면 과적합이 발생하기 쉽고, 고정된 탐지기(frozen probe)를 사용하면 인코더의 관련 지식이 충분히 활용되지 못합니다.

이에 연구진은 이러한 문제를 해결하기 위해 Dual Task Vector Merging이라는 파라미터 효율적인 방법을 제안합니다. 이 방법은 AD 작업 외의 지식을 사용하여 고정된 wav2vec 2.0 백본을 조정합니다. 구체적으로, 감정 및 자동 음성 인식(ASR)으로 미세 조정된 wav2vec 2.0 모델에서 파생된 가중치 변화량(weight deltas)인 두 가지 작업 벡터를 각 트랜스포머 레이어에 주입합니다.

AD 훈련 과정에서 오직 레이어별 병합 계수와 선형 분류 헤드만 최적화하여 전체 미세 조정에 필요한 파라미터의 0.1% 미만을 업데이트합니다. ADReSS 및 ADReSSo 실험에서 이 이중 병합 방식은 고정된 탐지기, LoRA, 전체 미세 조정보다 우수함을 보였으며, 특히 LoRA와 결합했을 때 최고의 결과를 달성했습니다.

또한 PROCESS 평가를 통해 이 이점은 LoRA와 결합했을 때 세 가지 클래스(HC/MCI/치매) 분류로 확장됨을 확인했습니다. 훈련 데이터가 줄어든 환경(20%, 40%, 80%)에서도 이 방법은 낮은 자원 환경에서 신뢰할 수 있는 성능 향상을 제공합니다.

비디오 생성 모델을 장시간 애니메이션으로 확장하기 위해서는 장면 간의 행동, 대화, 카메라 구도, 서사 전개가 일관되게 조정되어야 합니다. 전체 스토리를 먼저 구성하면 후속 장면에서 실현되지 않은 사건에 의존하게 될 위험이 있습니다. 이러한 문제를 해결하기 위해 본 논문은 반복적인 실행과 엔진 재조정(reorchestration)을 통해 애니메이션을 구축하는 점진적 장면 프로그래밍 프레임워크인 SpriteStage를 제안합니다.

SpriteStage는 반복적인 실행(iterative enactment)을 통해 각 장면을 특정 세계 체크포인트와 서사 스냅샷에서 생성하고 공유 공간에서 실행합니다. 이때 런타임 및 시각적 피드백을 사용하여 관련 행동이나 스토리 흐름을 수정하며, 수용된 결과가 다음 장면의 시작 상태가 됩니다. 또한 엔진 재조정은 결과 초안을 생산 자산과 엔진 능력에 매핑하면서 이벤트, 기하학, 타이밍을 유지합니다.

이러한 과정을 통해 조립된 시퀀스와 정지 재생(frozen replay)을 검사하여 수용된 성능을 최종 비디오로 전달합니다. 실제로 약 9.9분에서 14.3분에 이르는 세 개의 완전한 애니메이션을 통해 장면 프로그래밍과 엔진 실행을 통한 확장된 서사 생성에서 이 프레임워크의 효과를 입증했습니다.

틱톡이 일론 머스크 다큐멘터리 광고 계정을 영구적으로 차단했습니다. 이 다큐멘터리는 오스카 수상 감독 알렉스 기브니가 연출했으며, 광고 계정은 정치적인 내용 때문에 차단 조치를 받았습니다.

다큐멘터리의 배급사인 블리커 스트리트는 틱톡으로부터 해당 계정이 영구 정지되었다는 통보를 받았습니다. 이와 관련하여 광고는 메타와 유튜브에서도 초기에는 거부되었으나 결국 허용되었으며, 메타는 오류로 인해 거부되었다고 설명했습니다.

한편, 머스크가 소유한 X 플랫폼은 해당 다큐멘터리 광고를 거부했습니다. 틱톡의 미국 운영은 머스크와 마찬가지로 도널드 트럼프 전 대통령의 지지자인 래리 엘리슨이 일부 소유하고 있다는 점이 주목됩니다.

이러한 사건은 소셜 미디어 플랫폼이 정치적 콘텐츠와 관련하여 광고 및 콘텐츠 배포에 대해 어떻게 정책을 적용하는지 보여줍니다. 이는 콘텐츠 제작자와 플랫폼 간의 규제 및 정책 적용에 대한 논쟁을 반영하고 있습니다.