ArchSim: 서비스로서의 컴퓨터 구조 시뮬레이션 (Computer Architecture Simulation as a Service)

ArchSim은 컴퓨터 구조 시뮬레이션 연구의 복잡성을 해결하기 위해 제안된 새로운 프레임워크입니다. 선언적 그래프와 상태가 없는 러너를 통해 시뮬레이션 과정을 자동화하고 구조화하여 연구의 재현성과 확장성을 높였습니다.

300개 이상의 모델을 테스트했다. 그리고 벤치마크 (Benchmark)를 폐기했다.

300개 이상의 LLM 모델을 대상으로 에이전트 코딩 작업 성능을 테스트한 결과, 모델 성능의 급격한 발전 속도로 인해 기존 벤치마크 방식이 무의미해졌음을 선언하며 벤치마크 폐기를 결정함.

Flint: 추론 능력을 저해하지 않고 추론 과정을 압축하는 방법

추론 과정의 핵심 연산 및 검증 구간은 유지하고 서사적 구간을 압축하는 '섹션 인식 압축(Section-aware compression)' 기법을 제안합니다. 이 방식은 토큰 사용량을 1.7배 이상 줄이면서도 기존 SFT 모델보다 높은 성능을 기록하며, 프롬프트를 통해 압축 효율을 조절할 수 있습니다.

인도 과학자들이 뇌의 마지막 미개척지를 지도화하는 방법

인도 공과대학교 마드라스(IIT-M) 연구진이 세포 해상도 수준의 상세한 인간 뇌간 3차원 아틀라스인 'Anchor'를 제작했습니다. 이 디지털 지도는 MRI 스캔과 개별 신경 세포를 연결하여 뇌간의 복잡한 구조를 정밀하게 시각화합니다.

LLM의 개념 지도는 인간의 언어 영역과 닮아 있을까

Claude Opus 4.8, 코딩 벤치마크에서 Gemini Pro 5를 앞서다 — 그 의미는 무엇인가

Claude Opus 4.8이 Fable 5 벤치마크에서 Gemini Pro 5를 11점 차이로 앞서며 코딩 성능 우위를 증명했습니다. 복잡한 리팩토링이나 디버깅 시 Claude Code에서 Opus 4.8 모델을 명시적으로 사용하는 것이 권장됩니다.

탐색-커널 공동 설계를 통한 실현 가능한 N:M 희소 트랜스포머 추론

ViT의 추론 지연 시간을 줄이기 위해 하드웨어와 소프트웨어를 공동 설계한 N:M 희소 트랜스포머 프레임워크를 제안합니다. MD-SpMM CUDA 커널과 3단계 휴리스틱 탐색을 통해 정확도를 유지하면서도 2.2배 이상의 속도 향상을 달성했습니다.

다중 관할권 준수 하의 정밀 종양학 임상 워크플로우를 위한 교차 모달 지식 증류 (Cross-Modal Knowledge

다양한 의료 규제 환경에서 정밀 종양학 임상 워크플로우를 지원하기 위한 교차 모달 지식 증류 기술을 다룹니다. 서로 다른 데이터 모달리티와 관할권별 프라이버시 규제를 극복하며 모델의 성능을 유지하는 방안을 제시합니다.

실제 적용을 위한 양자 편미분 방정식(PDE) 솔버: 열 방정식의 응용 기반 벤치마킹

양자 편미분 방정식(PDE) 솔버의 성능을 공정하게 평가하기 위해 1차원 열 방정식을 활용한 재현 가능한 벤치마크를 제안합니다. 다양한 양자 알고리즘의 오류 유형을 분석하여 실제 환경에서 솔버를 선택할 수 있는 실용적인 지침을 제공합니다.

적대적 검증(Adversarial Verification)에 관한 6가지 실험 — 그리고 움직이지 않는 75%의 벽

LLM이 에이전트의 결과물을 검토할 때 발생하는 75%의 미검출(False-negative) 한계를 분석한 연구입니다. 프롬프트 수정이나 다수결 투표와 같은 표준적인 방법으로는 모델의 체계적인 편향인 '벽'을 극복할 수 없음을 실험으로 증명합니다.

Show HN: RL을 사용하여 모델을 학습시키는 AI 에이전트를 RL로 학습시켰습니다 (약 $1.3k 소요)

강화학습(RL)을 사용하여 모델 학습 태스크를 수행하는 AI 에이전트를 스스로 학습시키는 파이프라인을 구축했습니다. 에이전트가 환경, 보상, 데이터셋을 구성하여 GPU에서 학습을 진행하며, 미학습 태스크에 대해서도 유효한 전이 학습 능력을 보여주었습니다.

흐름(Flowing) vs 사고(Thinking): Liquid Neural Networks가 LLM과 차별화되는 방식

Liquid Neural Networks(LNN)가 LLM과 달리 상미분 방정식(ODE)을 기반으로 연속적인 시간 흐름을 처리하는 방식을 설명합니다. LNN은 가중치를 변경하는 대신 뉴런의 은닉 상태와 시간 상수를 동적으로 조절하여 물리적 세계의 연속적인 데이터를 효율적으로 처리합니다.

FutureX · Physical AI Daily — Issue 58 (07/15)

Xiaomi의 월드 모델을 활용한 로봇 데이터 생성 프레임워크와 ABot-N1의 시각-언어 내비게이션 연구를 소개합니다. 월드 모델을 실시간 제어가 아닌 데이터 공장으로 활용하여 로봇의 OOD 작업 성공률을 크게 높였습니다.

DiffusionGemma: 4배 더 빠른 텍스트 생성

DiffusionGemma는 텍는 확산(text diffusion) 기술을 활용하여 기존 자기회귀 방식보다 최대 4배 빠른 텍스트 생성을 제공하는 실험적 오픈 모델입니다. 26B MoE 구조를 채택하여 추론 시 3.8B 파라미터만 활성화함으로써 소비자용 GPU에서도 효율적인 구동이 가능합니다.

empero-ai/Qwythos-9B-v2-GGUF

Qwythos-9B-v2는 기존 모델의 반복(looping) 문제를 FTPO 기술로 해결한 개선된 GGUF 모델입니다. 심층 사고 체인(CoT) 능력을 유지하면서도 탐욕적 디코딩 시의 퇴화 현상을 0%로 낮추었으며, MTP 지원을 통해 추론 효율을 높였습니다.

CLIP-3D: 3D IC의 성능 및 물리적 제약 조건에 대한 폐쇄 루프 평가

3D IC 설계 초기 단계에서 열, 배선, 캐시 효과를 통합적으로 평가할 수 있는 CLIP-3D 프레임워크를 제안합니다. 기존 시뮬레이터의 한계를 극복하여 실제 구현 가능한 BIPS를 예측하고 최적의 3D 레이아웃을 탐색합니다.

HeteroMosaic: 에너지 효율적인 엣지 LLM 추론을 위한 이기종 실행 기회 노출 및 활용

HeteroMosaic은 엣지 SoC의 CPU, iGPU, NPU를 효율적으로 활용하기 위한 이기종 우선 스케줄링 프레임워크입니다. 마이크로 배치 분해와 트레이스 가이드 공동 최적화를 통해 LLM 추론 속도를 높이고 에너지 소비를 크게 절감합니다.

CuspAI, AI Materials Foundry 출시: 재료를 위한 글로벌 네트워크

CuspAI가 AI 생성 재료를 실제 실험실로 연결하는 글로벌 네트워크인 'AI Materials Foundry'를 출시했습니다. 이 네트워크는 생성, 스크리닝, 검증, 제조 단계를 통합하여 재료 과학의 고질적인 병목 현상을 해결하고자 합니다.

TriAttention: 정확도를 유지하면서 기하학적 트릭으로 LLM 메모리 사용량을 10배 절감하는 방법

MIT, NVIDIA, Zhejiang University 연구진이 발표한 TriAttention은 LLM의 KV 캐시 메모리 사용량을 최대 10.7배 절감하는 새로운 압축 기술입니다. 기존의 토큰 제거 방식이 가진 FlashAttention 가시성 문제와 메모리 파편화 문제를 기하학적 접근법으로 해결했습니다.

GPT-5.6 vs Claude Sonnet 5: 가격, 벤치마크 및 API 액세스 비교

GPT-5.6과 Claude Sonnet 5의 성능, 가격, API 사양을 비교 분석합니다. GPT-5.6은 용도별 세 가지 티어를 제공하며, Claude Sonnet 5는 특정 기간 한정 가격 정책을 적용합니다.