46개의 기사
클라우드 기반의 AI 기술, Claude Code가 프로젝트 기능을 업데이트하여 여러 AI agent를 한 번에 관리할 수 있도록 하였습니다. 이를 통해 사용자는 여러 agent를 하나의 환경에서 공유하는 메모리, 목표, 파일 및 자료庫를 사용할 수 있습니다. 이 프로젝트 기능은 Grok Bot와 같은 다른 도구와 유사하게, 각 프로젝트는 병렬로 실행되는 다양한 작업을 관리하는 '쓰레드'와 모든 것을 지시하는 '코디네이터'를 가집니다.
Cursor가 SpaceX에 인수된 후 OpenAI가 제공하는 대규모 언어 모델(LLM) 계약을 종료하는 의사 결정을 발표했습니다. 이 계약 종료는 Cursor의 기술 개발과 경영 전략에 영향을 미칠 것으로 예상됩니다.
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.
현대 대규모 언어 모델(LLM) 기반 코드 생성.agent는 코드를 블랙박스 형태로 출력한다. 각 라인의 근거는 숨겨져 있고, 벤치마크를 통해 코드가 수정되는 과정이 순간적이며, 후속 감사는 불가능하다. 우리는 다음과 같은 세 가지 상호 보완적인 기법을 통해 이러한 약점을 해결하는 코드 생성 개념을 제시한다. (i) 관계적 snipper-역사 스키마: 각 수정 이벤트마다 벤치마크 참조, 라운
마우스 커서(Mouse Cursor)가 인도 market에서 3번째로 큰 시장으로 자리 잡았으며, 현지 채용과 기업 판매를 확대한다고 발표했다.
대규모 언어 모델(LLM)을 사용한 복잡한 문제 해결을 위한 워크플로우 생성을 위한 새로운 접근 방법을 소개합니다. 이 방법은 토폴로지와 실행의 연관된 계층적 탐색을 통해 워크플로우 생성의 효율성을 향상시키고, 강력한 기반 모델에 비해 높은 성능과 효율성을 제공합니다.
이 논문은 PPO-HSC (Proximal Policy Optimization with High-order Sampling Coverage, 근접 정책 최적화와 고차원 샘플링 커버리지)를 소개한다. 이 프레임워크는 대규모 언어 모델(LLM)의 fine-tuning에서 모드 붕괴(Invisible Shackles)의 문제를 해결하기 위해 설계된 탐색적인 강화 학습 프레임워크다. 표준 강화 학습
대규모 언어 모델(LLM)로 구축된 로봇에게는 복잡한 결정을 내리기 위한 세련된 뇌를 제공했지만, 그 지능력을 물리적 플랫폼에 배포하는 것은 여전히 전문가 지식이 필요한 번거로운 조정을 필요로 합니다. 이 배포 격차, 로봇의 척추 신경,는 대규모 인공지능(AI) 물체를 위한 스케일러블한 구현을 위한 주요한 단점입니다. 따라서, 우리는 SPINE(Scalable Physical Integrat
이 시스템 논문에서는 OpenProver라는 오픈 소스 시스템을 제시한다. 이 시스템은 대규모 언어 모델(LLM)로 구동되는 자동 정리 증명(automatic theorem proving, ATP)과 통합된 Lean 4 공식 검증을 지원한다. OpenProver는 최근 ATP agent 시스템인 Aletheia에서 영감을 받은 Planner-Worker-Verifier 아키텍처를 통합한다.
AI 도구가 과학 연구 출판을 가속시키면서 연구를 검토하는 시스템이 이를 따라잡기 어렵게 만들었고, 출판된 연구에 대한 independent 검증이 더 어려워지고 중요해졌다. 수동적으로 연구를 재현하는 것은 느리고 비용이 많이 들기 때문에, 코드 에이전트를 사용하여 프로세스의 일부를 자동화하는 작업이 점점 더 많아지고 있다. 기존의 노력은 주로 벤치마크와 그에 동반하는 에이전트로 구성되어 있
알리바바는 최근 내부 정책을 통해 클라우드 코드(Claude Code) 사용을 금지하고 있습니다. 이는 대규모 언어 모델(LLM)과 같은 고위험 소프트웨어로 분류된 결과로 발생했습니다. 알리바바의 이 정책은 직원들의 개인 데이터와 회사 데이터를 보호하기 위한 것으로 간주됩니다.
대규모 코드베이스를 이해하는 것은, 특히 구조가 복잡하고 문서화가 부실한 코드베이스를 포함하여, 여전히 큰 도전 중에 있습니다. 현재 코드 요약 솔루션은 대체로 단일 언어 모델이나 코딩 도우미인 클로드 코드(Claude Code)와 같은 것을 의존하며, 소스 코드를 평평한 텍스트로 취급하여, 저장소 내의 풍부한 상호 의존성과 계층적 정보를 최적화하지 못합니다. 이러한 단점을 해결하기 위해,
Anthropic은 대규모 언어 모델(LLM)을 기반으로한 새로운 제품 '클로드 사이언스'를 발표했습니다. 이 제품은 과학 연구를 지원하기 위해 개발되었으며, 소프트웨어 엔지니어링을 위한 '클로드 코드'와 유사한 기능을 제공합니다. 클로드 사이언스는 고급 명령어를 통해 의미 있는 작업을 자동으로 수행할 수 있습니다.
Cursor는 코딩 에이전트에 대한 원격 감시를 위한 새로운 모바일 앱을 출시했습니다.
스페이스엑스는 최근 블록버스터 IPO를 통해 26조 달러 규모의 AI 시장 기회를 열어봤지만, AI 부문이 어려움을 겪고 있다. 이번 인수는 AI 부문의 어려움을 해결하기 위해 이루어졌다고 한다.
스페이스엑스(Elon Musk의 스페이스엑스)는 60억 달러를 투입하여 Cursor를 인수하는 것을 발표했다. 이는 대규모 언어 모델(LLM)과 같은 인공지능(AI) 기술을 더욱 강화하기 위한 것으로, 스페이스엑스에 유료 고객을 유치하고 인공지능 경쟁자와의 격차를 좁히기 위한 것이다. Anthropic와 OpenAI와 같은 경쟁자와의 격차를 좁히기 위한 것이다. 스페이스엑스는 Cursor 인
RTL 코드 생성을 위한 디지털 하드웨어 디자인의 자동 생성은 Verilog과 VHDL에서 긴 시각적 사고, 다단계 의존성 및 엄격한 정확성 제약으로 인해 여전히 어려운 문제이다. 우리는 StepPRM-RTL 이라는 새로운 프레임워크를 제시한다. 이 프레임워크는 stepwise trajectory modeling, process-reward modeling (PRM), 및 retrieval-
작업대시보드(JobBench)는 전문가들이 우선순위로 위임하기로 결정한 업무 흐름을 평가하는 새로운 지표입니다. 이는 GDP 가치 대신 인간의 필요에 따라 인간을 대체하는 대신 강화하는 방식으로 AI agent를 평가하는 것입니다.
After reportedly exhausting its annual AI budget just four months into 2026, Uber is now questioning whether it's actually seeing meaningful returns on its investments. In an interview with Rapid Resp
arXiv:2605.23109v1 Announce Type: new Abstract: AI agents increasingly excel at generating, testing, and refining code. However, they fall short on tasks requiring formal guarantees of full coverage t
자동 연구 시스템은 완전한 논문을 생성할 수 있지만, feasiblity는 quality와 다른 문제를 가지고 있다. 연구 시스템의 자율성은 아직까지도 시스템의 자율성과 실제 연구의 질 사이의 격차를 가지고 있다. 연구 시스템의 자율성을 높이기 위한 새로운 연구 Arena가 소개되었다.
구글이 25년 만에 처음으로 검색 상자를 리디자인했습니다 – 그 이유는 더 중요합니다. 구글의 검색 상자는 25년 동안 컴퓨팅의 가장 인식적인 인터페이스 중 하나였습니다. 얇은 흰색 사각형, 깜박이는 커서, 몇 개의 입력 문자, 그리고 파란색 링크 목록. 화요일, 구글은 그 PARA드igm을 공식적으로 은퇴했습니다. 구글의 개발자 회의(I/O developer conference)에서, 구글은 검색 상자를 리디자인했습니다 – 이 때 BILLIONS의 질의가 시작되는 실제 텍스트 필드에서 – 간단한
인공지능(AI) 프로그래밍 에이전트의 활용을 지원하기 위해 구글은 안드로이드 CLI(명령 줄 인터페이스)를 출시했다. 구글은 대규모 언어 모델(LLM)과 같은 플랫폼과 호환되는 새로운 안드로이드 도구를 출시하여 개발자 또는 개발자의 AI 보조자가 명령 줄에서 안드로이드 앱을 더 빠르게 빌드할 수 있도록 지원한다.
자율 AI 에이전트의 안전성은 점점 더 중요한 오픈 문제로 인식되고 있습니다. 에이전트가 패스िव 텍스트 생성기에서 액티브 액터로 전환하면서, 셸 명령어를 실행, 파일을 수정, API를 호출, 웹을 탐색하는 등 안전하지 못하거나 적대적으로 조작된 행동의 결과가 즉각적이고 현실적인 것입니다. 기존의 AI 안전성 연구는 모델 정렬과 입력 필터링에 초점을 맞추었지만, 에이전트의 의도가 실제 머신에서 실제 행동으로 변하는 순간에 이를 해결하지 못했습니다. 특히 로컬 환경에서 개발자가 에이전트를 자신의 파일 시스템, 자격 증명, 인프라에 실행하는 동안 런타임 제어가 거의 없기 때문에 이러한 결함은 특히 심각합니다. 이 논문은 로컬 AI 에이전트의 런타임 안전성과 관찰성 레이어인 AgentWall을 소개합니다. AgentWall은 에이전트의 제안된 행동을 호스트 환경에 도달하기 전에 모든 행동을 중계하고, 명시적 선언적 정책에 따라 평가하고, 민감한 작업에 대한 인간 승인을 요구하고, 감사 및 재생을 위한 완전한 실행 기록을 기록합니다. AgentWall은 정책 집행 MCP 프록시와 네이티브 OpenClaw 플러그인으로 구현되어 Claude Desktop, Cursor, Windsurf, Claude Code, OpenClaw와 같은 단일 설치 명령어로 작동합니다.
