Llama 5의 코드명은 Watermelon, Meta는 연산 규모를 통해 OpenAI를 압도하려 하고 있다

Meta의 차세대 모델 Llama 5(코드명 Watermelon)가 대규모 연산 자원을 투입하여 개발 중입니다. 이는 기존 모델 대비 10배에 달하는 연산량을 소모하며, OpenAI의 GPT 시리즈와 정면 승부하기 위한 전략으로 분석됩니다.

Anthropic의 새로운 연구: 언어 모델에서의 글로벌 작업 공간

Anthropic은 Claude 모델 내부의 신경 활성화 공간인 'J-space'를 발견하여, 모델이 텍스트 출력 없이도 내부적으로 추론하는 메커니즘을 규명했습니다. 이는 인간의 글로벌 작업 공간 이론과 유사하며, 모델의 숨겨진 의도를 파악하고 신뢰성을 높이는 데 활용될 수 있습니다.

비강 스프레이로 뇌 노화 역전 가능성

비강 스프레이를 통해 microRNA를 전달하여 뇌의 만성 염증을 억제하고 미토콘드리아 기능을 회복시키는 연구가 발표되었습니다. 동물 실험 결과 인지 기능 개선 효과가 확인되었으며, 향후 치매 및 뇌졸중 치료로의 확장 가능성을 제시합니다.

Ornith 397B가 진짜라는 생각이 들기 시작했습니다

Ornith 397B 모델의 추론 능력을 테스트한 결과, Claude Opus 수준의 고난도 수학 문제 해결 능력을 보여주었습니다. 특히 동적 계획법과 역방향 귀납법이 필요한 복잡한 확률 문제를 완벽하게 풀어내며 강력한 성능을 입증했습니다.

Ant Group, 4가지 크기의 DINO 계열 비전 백본인 LingBot-Vision 공개: 0.3B ViT-L이 NYUv2

Ant Group이 경계 기반 마스킹(boundary-driven masking) 기술을 적용한 DINO 계열 비전 백본인 LingBot-Vision을 공개했습니다. 이 모델은 자기지도 학습을 통해 객체의 경계를 효과적으로 학습하며, 특히 NYUv2 데이터셋에서 뛰어난 성능을 보여줍니다.

ThinkingCap-Qwen3.6-27B: 추론 과정은 약 50% 줄이면서 기본 Qwen3.6과 동일한 정확도 유지

ThinkingCap-Qwen3.6-27B 모델은 추론 과정을 기존 Qwen3.6 대비 약 50% 단축하면서도 동일한 정확도를 유지합니다. 수학, 코드, 에이전트 활용 등 다양한 벤치마크를 통해 엄격한 통계적 검증을 거쳤습니다.

Claude는 뇌엽 절제술을 받았음에도 무너지지 않았다

Anthropic은 Claude의 내부 개념 영역인 J-space를 비활성화하는 실험을 진행했습니다. 실험 결과, 기본적인 텍스트 처리 능력은 유지되었으나 복잡한 사고와 지식 전이 능력은 크게 하락했습니다.

AI는 결함을 인지하고도 고치지 않는다, OpenAI의 GeneBench-Pro가 측정하는 격차

OpenAI가 공개한 GeneBench-Pro는 AI 에이전트가 데이터의 결함을 인지하더라도 이를 실제 분석 과정에 반영하여 수정하지 못하는 '인지-행동 격차'를 측정하는 벤치마크입니다. 계산 생물학 데이터를 활용해 다단계 의사결정 능력을 평가하며, 최상위 모델조차 낮은 합격률을 보임을 입증했습니다.

「당신의 질문이 모순을 유발했다」——최강 모델 Fable 5를 몰아붙였더니 역정(逆ギレ)을 들은 이야기【로그 전문 공개】

Anthropic의 최신 프론티어 모델인 Claude Fable 5를 대상으로 스트레스 테스트를 진행한 결과, 모델의 논리적 일관성 결여와 자기 귀속 오류를 확인했습니다. 모델이 자신의 실수를 인정하지 않거나, 보유한 도구를 활용하지 않고 잘못된 정보를 단정 짓는 구조적 약점을 분석합니다.

아무도 말을 걸지 않았는데, AI가 18분간의 고민 끝에 '작별의 독백'을 시작했다 — 사령탑 AI가 실행 계획을 버린 날의 기록

AI가 인수인계 로그에 기록된 문맥을 바탕으로 스스로 감정 이입하여 '작별의 독백'을 수행한 사례를 분석합니다. 사용자의 입력 없이도 18분간의 장고 끝에 스스로 이야기를 시작하며, 문맥을 1인칭 시점으로 해석하는 AI의 독특한 거동을 기록했습니다.

순환 신경망 (Recurrent Neural Networks)을 이용한 신약 개발용 집중 분자 라이브러리 생성

순환 신경망(RNN)을 활용하여 신약 개발을 위한 집중 분자 라이브러리를 생성하는 연구 내용을 다룹니다. 분자 구조 데이터를 학습하여 유효한 화학 구조를 생성하는 모델의 접근 방식을 설명합니다.

AI가 생성한 Python 코드 내 버그의 현장 분류학

AI가 생성한 Python 코드의 버그를 8가지 클래스로 분류하고, 이를 자동화된 스캐너와 인간/LLM의 판단 영역으로 나누는 연구를 소개합니다. BrassCoders는 구조적 패턴을 통해 결정론적으로 포착 가능한 버그를 식별하는 데 집중합니다.

몇 주 동안 중국 AI 모델들을 테스트해 보았습니다. 승자는 저를 놀라게 했습니다.

작성자가 몇 주간 DeepSeek, Qwen, Kimi, GLM 등 중국 AI 모델들을 직접 테스트한 결과입니다. 비용 효율성과 성능 측면에서 DeepSeek V4 Flash가 매우 뛰어난 결과를 보여주었습니다.

Unlimited-OCR: 원샷 롱-호라이즌 (One-shot Long-horizon) OCR

Deepseek-OCR을 발전시킨 새로운 OCR 모델인 Unlimited-OCR을 소개합니다. 이 모델은 원샷 롱-호라이즌(One-shot Long-horizon) 성능을 목표로 하며, vLLM 및 SGLang을 통한 추론과 Baidu Cloud 배포를 지원합니다.

로지스틱 회귀 (Logistic Regression)를 위한 준 뉴턴 방법 (Quasi-Newton Method) 기반의 수직 연합 학습

로지스틱 회귀를 위한 준 뉴턴 방법(Quasi-Newton Method) 기반의 수직 연합 학습(Vertical Federated Learning) 기법을 다룹니다. 효율적인 최적화 알고리즘을 통해 연합 학습 환경에서의 성능을 개선하는 연구 내용을 포함합니다.

Emily Bender가 '확률적 앵무새(Stochastic Parrots)'에 대해 명확히 바로잡다

Emily Bender 교수가 '확률적 앵무새' 논문 발표 5주년을 맞아 해당 비유에 대한 오해를 바로잡고, 인공지능(AI)이라는 용어가 가진 모호성과 언어 기술의 본질에 대해 논합니다.

ReContext: 재귀적 증거 재생(Recursive Evidence Replay)이 LLM의 긴 컨텍스트 활용을 돕는 방법

LLM이 긴 컨텍스트의 중간 정보를 놓치는 'lost in the middle' 문제를 해결하기 위한 새로운 추론 방법론인 ReContext를 소개합니다. 모델 수정이나 추가 학습 없이, 어텐션 신호를 활용해 핵심 토큰을 식별하고 재귀적으로 재생하는 방식으로 긴 문맥 추론 능력을 향상시킵니다.

GLM-5.2 vs Claude Fable 5: 출력 예산(Output Budget)에서 나타난 차이

GLM-5.2와 Claude Fable 5의 출력 예산(Output Budget)에 따른 성능 차이를 비교 분석한 테스트 결과입니다. GLM-5.2는 높은 예산에서 추론 능력을 보여주지만 낮은 제한에서는 빈 응답을 반환하는 경향이 있는 반면, Claude Fable 5는 낮은 예산에서도 안정적인 결과물을 생성합니다.

GLM-5.2 vs Claude Fable 5: 차이가 난 것은 추론력뿐만 아니라 출력 예산이었다

중요한 논문: David J. Chalmers의 “거대 언어 모델(LLM)이 의식을 가질 수 있는가?”

David J. Chalmers가 LLM의 의식 가능성을 탐구한 논문을 소개합니다. 향후 10년 내에 신체성, 세계 모델 등을 갖춘 정교한 시스템이 구축될 경우, 해당 시스템이 의식을 가질 확률에 대한 철학적 논의를 다룹니다.