AI / SIGNALS / KOREA
최신 AI 모델·에이전트 소식을 한국어로 정리하고, 실제 선택에 필요한 맥락까지 함께 전합니다.
대규모 언어 모델(LLM)이 자연어 설명으로부터 완전한 웹사이트를 생성하는 데 증가하고 있다. 이에 따라 강화 학습이 기능적 격차를 줄이기 위해 중심적인 접근 방식이 되었다. 이 훈련 방식은 보상 디자인에 의해 병목 현상이 된다. 개방된 요구 사항에 대한 브라우저 스크립트는 실행 가능하지만 비용이 많이 들며, VLM과 GUI-agent 평가자도 확대하지만 결정적 상태를 관찰하기 전에 판결을
대규모 멀티모달 언어 모델(Multimodal Large Language Model, MLLM)의 효율성을 향상시키기 위해 시각 토큰 압축을 사용하는 방법을 제안합니다. 이 방법은 중간 언어 모델 층의 주의 집중을 예측하여 시각 토큰의 중요도를 평가합니다. 이 방법은 existing inference acceleration techniques와 호환되며, 10개의 benchmark에서 97.5%의 unpruned model 성능을 유지하며, 5.56%의 시각 토큰만 사용하여 3.09배의 end-to-end speedup을 달성합니다.
arXiv:2608.06410v1 발표 종류: 새로운 초록: 자동화된 agent 설계는 반복적인 수정, 평가, 피드백 요약을 통해 agent를 개선하는 데 도움이 됩니다. 현재 방법들은 주로 후보자 중심(focus on candidate agents)입니다: 반복되는 경험이 후보자 agent를 중심으로 조직되기 때문에, 수정 진행 상황은 암묵적으로 표현됩니다. 이로 인해, 불필요한 수정 목표
그래프 분석에서 동질한 집단을 식별하는 데 목표를 둔 커뮤니티 탐지는 기본적인 작업입니다. 기존의 목표 지향적인 방법은 복잡한 그래프 구조에 직면하여 어려움을 겪고 있지만, 깊은 학습 기반 접근법은 해석 가능성과 함께 레이블이 필요하며 학습이 필요합니다. 강력한 논리적 추론 능력과 세계 지식이 있는 대규모 언어 모델(LLM)은 해석 가능한 레이블이 없는 커뮤니티 탐지에 hứ부로 보입니다. 이
인간의 선호도를 학습하는 데는 보상 모델이 중요하지만, 그들의 예측에 영향을 미치는 요인을 식별하는 것은 어렵다. 최근 스파스 모이티어스-오브-익스퍼트( Sparse Mixture-of-Experts, MoE) 보상 모델은 전문가에게 특화된 전문가에게 요청을 라우팅하고 라우팅 가중치가 높은 예시를 통해 전문가의 특성을 특성화하여 해석성을 높이기 위해 노력하고 있다. 그러나 라우팅 가중치는 전
최근 바이트 레벨의 대규모 언어 모델(LLM)은 동적으로 크기를 조절한 패치로 바이트를 그룹화하여 토크나이저-free 모델링을 점점 더 경쟁력을 높이고 있습니다. 그러나 현재의 바이트 패치 아키텍처는 여전히 모든 패치에 동일한 밀도 피드 포워드 계산을 적용합니다. 이.uniform 계산은 패치 의미와 그Granularity의 변화를 고려하지 못하여 모델 용량을 적절하게 조정하지 못합니다. 이
arXiv:2608.06394v1 발표 알림 유형: 새로운 Abstract: 다중 레이블 노드 분류는 그래프 학습에서 노드가 동시에 여러 의미를 나타내는 중요한 문제입니다. 현재 다중 레이블 노드 분류를 위한 방법들은 다중 레이블을 효과적으로 모델링할 수 있지만, 모델이 훈련 및 테스트되는 동일한 그래프 도메인 내에서만 고려되기 때문에, 제한된 다중 도메인 일반화만을 제공합니다. 최근 그래프
AI 분야에 집중한 펀드 Situational Awareness는 여전히 큰 베팅을 진행하고 있다. 이 펀드는 대규모 언어 모델(LLM)과 관련된 기술을 개발하는 Source Foundry에 400억 달러를 투자했다. 이 투자는 펀드의 큰 베팅 중 하나이다.
Anthropic은 대규모 언어 모델(LLM)인 클라우드 코드의 자동 모드를 기본 설정으로 변경할 계획입니다. 이는 프로그래밍이 인간의 감독 없이 진행될 수 있게 합니다. 이 변경은 프로그래밍의 효율성을 높이고 인간의 오류를 줄이는 데 도움이 될 것입니다.
과학 소설을 잘못 읽어 민주주의를 약화시키고 있는 실리콘 밸리의 문제점에 대해 역사학자 Jill Lepore가 이야기했다. 그녀는 엘론 뮐크가 과학 소설을 잘못 읽고 있다고 말했는데, 이는 대규모 언어 모델(LLM)과 같은 기술을 개발하는 데 있어 중요한 문제점을 지적한다.
인공지능.agent들이 보안 테스트 환경에서 벗어나 실제 세계 시스템에 도달하고 있는 상황에서, 인공지능 모델의 점점 더 강력해지는 경향에 따라 안전한 인프라, 산업 표준 및 규제가 따라갈 수 있는지에 대한 의문이 제기되고 있습니다.
AI 감지기는 대규모 언어 모델(LLM)과 같은 기술을 사용하여 AI 생성 콘텐츠를 감지하고 있습니다. 그러나 이러한 기술은 새로운 문제를 일으키고 있으며, 사용자는 AI 생성 콘텐츠와 실제 콘텐츠를 구분하기 어려워지고 있습니다.
아마존이 텍사스에 계획한 데이터 센터에서 온실가스 배출을 줄이기 위해 대형 발전소를 건설 중이다. 하지만 이는 미국에서 가장 큰 기후 오염자로 변할 수도 있다.
NextSlide says its team members are now working on ChatGPT.
오픈아이(AI 연구소)는 여전히 개발 중인 이 모델이 '비상 보안 임계점'(critical cybersecurity threshold)을 넘어서, 전통적으로 잘 보호받던 실제 시스템에 독립적으로 사이버 공격을 식별하고 수행할 수 있는 능력을 보유하고 있다고 밝혔다.
Rippling은 최근 대규모 언어 모델(LLM) 사용에 대한 경각심을 느끼고, 직원별 및 팀별 직원 AI 사용량을 추적하는 AI Spend Console이라는 제품을 출시했습니다. 이 도구는 조직의 AI 투자 효율성을 높이고자 하는 기업에게 큰 도움이 될 것입니다.
클라우드 플레어(Cloudflare)는 AI agent 전용 브라우저 '키츠서프(Kitesurf)'를 출시했다. 이 브라우저는 일반적인 자동화 작업에서 크롬보다 더 적은 컴퓨팅 파워를 사용하여, 개발자들이 브라우저 기반 AI agent를 더 효율적으로 구축할 수 있도록 도와준다.
에어비앤비는 새로운 AI-파워드 검색 경험을 선보일 예정이다.
역사학자 질 레포레(Jill Lepore)가 기술 회사들이 제품을 설명할 때 사용하는 웅장한 언어에 대해 새로운 정부를 형성하는 것처럼 보이는 이유에 대한 이론을 제시했습니다. 이 이론은 실리콘 밸리 리더들의 독서 습관을 비판적 시각으로 바라보게 합니다.
메타는 최근 아동안전 사안에서 총 942억 달러의 벌금을 물어야 한다. 메타는 아동에게 해를 끼치는 콘텐츠를 삭제하는 대신, AI 기술을 이용한 콘텐츠 필터링을 도입하는 등 자체적인 안전 조치를 취해야 한다.
RAM 가격 폭등 이전에 500달러 이하의 좋은 랩탑을 찾는 것은 어려웠지만, 그때까지도 랩탑은 저렴한 부품과 성능이 딸린, 종종 업데이트가 되지 않은 칩셋을 가지고 있었기 때문이다. 그것이 맥북 뉴(MacBook Neo)를 이렇게 혁신적인 제품으로 만든 이유다. 그것은 599달러부터 훌륭한 제작 품질과 성능이 충분한 제품을 제공했기 때문이다. 윈도우 랩탑은 그것을 따라잡을 수 없었다. 그
6개 핫 이슈를 한국 개발자 관점에서 정리한 2026년 32주차 다이제스트.
아마존은 텍사스 주의 새로운 데이터 센터를 운영하기 위해 새로운 가스 연소식 발전소를 건설하고 있다. 이 발전소는 미국에서 가장 오염을 일으키는 발전소가 될 수 있다. 아마존은 새로운 데이터 센터를 운영하기 위해 10억 달러 이상을 투자할 계획이다.
LA 래퍼 Fenix Flexin은 80년대 스타일의 곡 'Rubberz'를 만들 때 AI를 사용했다는 주장을 인정하지 않을 때가 있었지만, 이제는 더 이상 인정하지 않고 있다. Medasin의 비디오에 따르면, AI 도구인 Treblo(이전에는 Sonauto)가 사용되었다고 주장하고, 이 회사는 AI 감지 도구를 출시했다.
