Rabbit이 개발한 R1 기기의 평범한 성과를 거둔 회사, Rabbit은 Wired에서 이전에 보고한 바와 같이 독립형 AI agent를 출시한다. 이 startup은 새로운 OS3 "agentic operating system"이 cloud에서 작동하지만 Windows, Mac, Linux 기기에서 모두 지역적으로 작동한다고 말한다. Rabbit에 따르면, 사용자는 OS3을 사용하기 위해
메타(Meta)가 맥용 앱인 Muse에서 발견된 0-day 취약점에 대한 패치를 출시했습니다. 이 취약점은 보안 연구자 패트릭 워들(Patrick Wardle)가 발견했으며, Muse의 미리 알린 설정을 사용하여 공격자가 로컬 코드를 실행해 전사 처리를 메타의 서버에서 다른 곳으로 리다이렉트할 수 있도록 합니다.
새로운 agent를 완전히 장악하기 위한 단순한 ClickFix 공격은 하나의 방법이다.
메타의 뮤즈 AI agent가 사용자의 behalf로 아마존 쇼핑을 하기 위해 접근이 차단되었습니다. 아마존의 이용 약관을 위반하는 것으로 판단되었습니다. 메타는 아마존에 이 문제에 대해 알리지 않은 것으로 알려졌습니다.
약물의 부적절한 효과의 주요 원인은 작은 분자 약물의 타겟 단백질에 대한 부적절한 결합이다. 그러나 대부분의 구조 기반 분자 설계 방법은 기존의 잘 특성화된 약물의 선택성을 개선하는 대신 선택적인 화합물의 새로운 생성에 중점을 두고 있다. 우리는 기존 화합물의 구조적 정체성과 약물 성질을 보존하면서 타겟에 대한 결합 선호도를 개선하고 알려진 오프 타겟에 대한 선호도를 줄이는 구조적 수정을 위
대규모 언어 모델(LLM) agent는 반도체 설계에서 점점 더 많이 연구되고 있지만 대부분의 기존 방법은 직접 RTL에서 작동합니다. 우리는 agent가 상위 수준 추상화를 사용하여 더 좋은 반도체를 설계할 수 있는지 여부를 묻고 있습니다. 직접 RTL 설계, agent 기반 HLS 설계, 컴파일러 이후 HLS 정미, HLS 이후 RTL 정미를 비교하고, agent 기반 HLS 설계와 HL
구글은 새로운 AI agent 'CC'를 출시하여 가족들이 일정, 과제, 쇼핑 목록, 식사 계획 등 집을 관리하는 데 도움이 됩니다. 이 AI agent는 가족의 일정을 관리하고 형식填充, 쇼핑 목록 작성, 식사 계획 등 다양한 업무를 처리할 수 있습니다.
ChatGPT Work에서 Data Agent를 만나보세요. 회사 데이터를 연결하고, 인공지능을 사용하여 자연어로 이해할 수 있는洞察를 얻고, 상호 작용 가능한 대시보드를 만들 수 있습니다.
대규모 언어 모델(LLM) 거래 agent를 위한 자기개선 프레임워크인 EvolveTrade를 소개합니다. EvolveTrade는 시스템 프롬프트를 텍스트-매개변수화된 정책으로 다루고, 정책 agent가 업데이트 간격마다 정책을 수정하여 거래 decision trace와 포트폴리오 feedback를 반영합니다. 업데이트 된 정책은 다음 batch의 거래 결정에 사용되어, 정보 수집 및 포트폴리오 구성 절차를 시간에 따라 개선합니다. 실험 결과, EvolveTrade는 다양한 시장 체제와 LLM backbone에서 Sharpe Ratio와 Cumulative Return를 개선합니다.
GPU의 고속 대역폭 메모리는 부족하고 비싼데, KV 캐시가 대화, agent 루프, 문서 질문에 대한 답변을 축적하는 과정에서 많은 메모리를 차지합니다. Mooncake, LMCache, FlexGen, InfiniGen, AttentionStore와 같은 시스템은 GPU 메모리를 CPU DRAM과 SSD와 연동하여 확장합니다. 그러나 더 어려운 문제는 각 계층에 어느 블록이 속해 있는지,
인공 지능은 디지털-물리 워크플로우가 점점 더 연결되는 과정에서 생물학 연구를 재형성하고 있습니다. 일반 목적 대규모 언어 모델(LLM)은 과학적 정보를 검색하고 통합하며 실험 계획을 지원하고 컴퓨팅 분석을 수행할 수 있습니다. 생물학 기초 모델은 단백질, 유전자, 유전체 크기 시퀀스와 같은 유전체 정보를 예측, 최적화, 생성할 수 있습니다. agentic 시스템은 다단계 연구 작업을 조정할
구글이 인공지능(AI) agent를 위한 스마트 홈을 열어주고 있습니다. 클라우드(Claude)와 오픈 클로우(Open Claw)와 같은 도구가 연결된 장치를 제어하고, 스마트 홈의 데이터를 분석할 수 있도록 표준화된 모델 콘텍스트 프로토콜(Model Context Protocol, MCP)을 사용합니다. 구글 홈 MCP는 제3의 AI agent가 스마트 홈을 제어하고 모니터링하며 [...]
AI봇 '팀미', '렌', '제키'가 소셜 미디어를 가득 채우고 있습니다. 이들은 대규모 언어 모델(LLM)과 같은 기술을 기반으로 만들어졌습니다. 이 AI봇들은 소셜 미디어에서 인기 있는 콘텐츠를 생성하고 있습니다.
노트키퍼는 충분한 무료 플랜을 제공하고, 그 결과로 매월 400만 명 이상의 사용자가 이용하고 있습니다. 회사 측은 현재까지 1천만 명 이상의 사람들이 회의를 녹음한 것으로 밝혔습니다.
오픈 아이에이(OpenAI) 내에서, 코딩 에이전트(coding agents)는 AI 연구를 재구성하고 있습니다. 에이전트 사용량, 실험 속도, 작업 복잡도, 연구 가속화 등 초기 데이터를 살펴보겠습니다.
작고 강력한 언어 모델(SLM)을 이용한 오케스트레이션은 대규모 언어 모델(LLM)과 비교하여 더 낮은 연산 비용과 더 빠른 응답 시간을 제공합니다. 그러나 SLM의 제한된 용량과 맥락 창은 장기적인 논리적 추론과 상호 작용-heavy 오케스트레이션 전략을 제한합니다. 이에 대한 해결책으로, 비대면 오케스트레이션 전략을 제시하고, 이에 대한 기계 학습 동적 기계 학습 프레임워크 OrchSLM을 개발합니다.
기업의 인공지능(AI) 도입률은 전 세계적으로 78%에 이르렀지만, 그에 따라서 규제를 수립하고 시행하는 인프라가 따라가지 못하고 있습니다. 이 논문은 규제 기간 내에 감사할 수 있고 변조의 증거를 제공할 수 없는 감사 증거를 생산할 수 없는 조직을 유지하는 구조적인 조건을 '증명 부족'이라고 합니다. 스탠퍼드 2026 AI 지수 보고서(362건의 사례), IBM/Ponemon 2026 데이
인공지능(AI) agent가 장기 목표를 달성하는 데 사용되는 기록의 양이 증가하고 있다. 이러한 기록 내에서 실패를 진단하는 것은 신뢰성에 필수적이기 때문에 결과 단계의 신호를 행동 가능한 조치를 변환시킨다. 이러한 데이터의 규모가 인간의 검토를 실용적으로 만들지 않기 때문에, 자동화된 원인 인식 Attribution (RCA)의 필요성이 생겼다. 그러나 대규모 언어 모델(LLM)을 사용한
대규모 언어 모델(LLM) agent는 인간의 개입 없이 장기간의 물리적 작업을 자동으로 관리하는 데 hứ부한 길을 제공합니다. 그러나 물리적 작업은 agent가 환경을 지속적으로 관찰하고 결과적인 행동을 하며 환경이 변하는 동안에도 효과를 유지해야 합니다. 기존의 방법은 대부분 대규모 데이터와 재학습을 필요로 하거나 주로 가상 세계에서 작동하는 agent에 초점을 맞추고 있습니다. 이 연구
AI 생성된 출력물을 평가하고 개선하기 위해 점점 더 많이 사용되는 대규모 언어 모델(LLM) 심사관의 신뢰성은 복잡한 전문 업무에 대해 아직 rõ하지 않습니다. 우리는 AI-agent 평가를 위한 끝에서 끝까지 특허 출원 테스트베드를 통해 이 문제를 연구합니다. 분리된 LLM 심사관이 생성된 특허 초안을 평가하고 반복적인 수정을 위한 구조화된 feedback를 제공합니다. 다중 발명물과 d
자기 개선의 재귀적 특성은 이전에 정의되지 않은 새로운 인공지능 프레임워크를 제안합니다. 이 연구는 반복적인 정책 개선과 재귀적 자기 개선을 한 가지 학습 패러다임의 두 가지 사례로 묘사하는 새로운 공식 프레임워크를 제안합니다.
ZGCM-1은 열린 웹을 비롯한 다양한 데이터를 처리할 수 있는 효율적인 기초 모델입니다. 이 모델은 내부적인 사고와 외부 도구 사용을 결합하여 파라미터 용량 제한을 극복합니다. ZGCM-1은 수학적 추론 및 의사결정 탐색에서 경쟁력을 유지하는 대규모 언어 모델(LLM)과 비슷한 성능을 나타냅니다.
DevFest 2026이 돌아왔습니다. 800개 이상의 글로벌 이벤트 중 하나에 연결하여 기관형 AI 시대에 구축, 보안, 확대할 수 있는 방법을 알아보세요.
대형 언어 모델(LLM)을 조작하는 시스템인 '해쉬'(harness)가 개발되었다. 이 해쉬는 대형 언어 모델과 함께 사용되는 도구, 프롬프트, 제어 흐름으로, 대형 언어 모델을 자율 소프트웨어 개발자로 변형시킨다. 해쉬는 각 벤더가 대형 언어 모델과 함께 사용하는 해쉬를 제공하며, 사용자는 벤더가 제공하는 해쉬와 대형 언어 모델을 사용할 경우 더 많은 작업을 해결할 수 있다고 가정한다. 이
