GEAR: 이미지 합성을 위한 가이드형 엔드투엔드 자기회귀 (Guided End-to-End AutoRegression)

GEAR는 토크나이저와 자기회귀(AR) 생성기를 엔드투엔드로 공동 학습시키는 새로운 시각적 생성 모델 프레임워크입니다. 소프트 할당 브릿지를 통해 미분 불가능 문제를 해결하고, AR 모델이 예측하기 쉬운 방향으로 토크나이저를 유도하여 학습 효율과 생성 품질을 극대화합니다.

LLM 정렬 (Alignment) 기술에 대한 종합적인 조사: RLHF, RLAIF, PPO, DPO 및 기타

LLM의 정렬(Alignment) 기술인 RLHF, RLAIF, PPO, DPO 등 다양한 방법론을 종합적으로 조사한 내용입니다. 모델이 인간의 의도에 부합하도록 학습시키는 핵심 기술들을 다룹니다.

오늘 Hugging Face에서 가장 주목받는 10개의 AI 논문: 에이전트, 평가, 추론 및 모델 인프라의 새로운 트렌드

Hugging Face에서 주목받는 최신 AI 논문 10개를 소개하며, 자율 에이전트, 평가 벤치마크, 추론 인프라 최적화 트렌드를 다룹니다. 특히 가중치를 프로그램으로 간주하는 'Program-as-Weights' 패러다임과 정책 진화 평가를 위한 'EvoPolicyGym' 등을 상세히 분석합니다.

한 번에 초안을 생성하는 DFlash, EAGLE-3의 순차 방식을 버리고 6배 속도 향상

랜드마크, 마스크 및 인구 통계 감지 기능이 포함된 오픈 소스 얼굴 인식 시스템

랜드마크, 마스크 착용 여부, 인구 통계 정보를 감지할 수 있는 오픈 소스 얼굴 인식 시스템을 소개합니다. 다양한 얼굴 관련 특징을 추출할 수 있는 기능을 제공합니다.

Seq2Seq와 Encoder-Decoder: Attention의 탄생을 이끈 단일 벡터 병목 현상

Seq2Seq 모델의 구조인 Encoder-Decoder 아키텍처와 컨텍스트 벡터의 개념을 설명합니다. 입력 시퀀스를 하나의 벡터로 압축하는 과정에서 발생하는 병목 현상과 이를 해결하기 위한 RNN 기반의 작동 원리를 다룹니다.

NVIDIA AI, LIBERO-Pro 긴 작업에서 31% 제로샷(Zero-Shot)을 달성하는 자가 개선 로보틱스 프레임워크 ASPIRE 공개

NVIDIA AI가 로봇의 자가 개선을 지원하는 새로운 프레임워크인 ASPIRE를 공개했습니다. ASPIRE는 LIBERO-Pro의 긴 작업 환경에서 31%의 제로샷(Zero-Shot) 성능을 달성하며 로봇 학습의 새로운 가능성을 제시합니다.

UMAP: 고차원 데이터의 더 빠른 맵 (그리고 t-SNE를 이기는 방법)

t-SNE의 속도와 전역 구조 유지 문제를 해결하는 UMAP 알고리즘의 원리를 설명합니다. 위상수학적 접근을 통해 고차원 데이터를 그래프로 근사하고, 이를 효율적으로 저차원에 투영하는 과정을 다룹니다.

LoRA: 모델의 1%만 학습하여 거대 모델을 미세 조정하기

LoRA(Low-Rank Adaptation)는 거대 모델의 전체 가중치를 업데이트하는 대신, 저차원 행렬 분해를 통해 파라미터의 1% 미만만을 학습하여 미세 조정하는 기술입니다. 이를 통해 메모리 사용량을 획기적으로 줄여 단일 GPU에서도 대규모 모델 학습을 가능하게 합니다.

AI 영상 생성 리더보드 1위가 어느 회사인지 아는 사람이 의외로 적다. OpenAI도 구글도 아니고 ByteDance다. Seedance

ByteDance의 Seedance가 영상 생성 리더보드에서 OpenAI와 Google을 제치고 1위를 차지했습니다. ByteDance는 틱톡과 더우인의 방대한 영상 데이터를 활용해 경쟁사 대비 압도적인 학습 우위를 점하고 있습니다.

Anything-3D: 야생 환경에서의 단일 뷰 Anything 재구성(Single-view Anything Reconstruction)을

Anything-3D는 야생 환경에서 단일 뷰 이미지를 활용해 3D 재구성을 수행하는 기술을 다룹니다. 복잡한 환경에서도 효과적인 3D 모델 생성을 목표로 합니다.

google/tabfm-1.0.0

Google Research에서 개발한 TabFM은 표 형식 데이터(tabular data)를 위한 제로샷 파운데이션 모델입니다. 별도의 파인튜닝이나 하이퍼파라미터 탐색 없이, 학습 예시를 컨텍스트로 전달하여 단 한 번의 순전파만으로 분류 및 회귀 작업을 수행합니다.

멀티 블록 확산 언어 모델 (Multi-Block Diffusion LMs)

확산 언어 모델(Diffusion LMs)의 병렬 블록 디코딩을 가능하게 하는 사후 학습 레시피인 MBD-LMs를 소개합니다. 이를 통해 모델의 정확도를 높이는 동시에 디코딩 속도를 획기적으로 향상시켰습니다.

GEAR: 10배 더 빠른 자기회귀 (Autoregressive) 이미지 생성

Tencent Hunyuan이 개발한 GEAR는 VQ 토크나이저와 AR 생성기를 엔드투엔드로 공동 학습시켜 기존 LlamaGen-REPA보다 10배 빠른 이미지 생성을 구현합니다. 또한 FlashMorph를 통해 트랜스포머를 하이브리드 어텐션 모델로 변환하여 연산 효율성을 높이는 방법론을 제시합니다.

학습 데이터 효과: 왜 특정 브랜드가 AI 응답을 지배하는가

LLM이 특정 브랜드를 선호하는 이유는 학습 데이터 내의 패턴 매칭 결과이며, 이는 데이터 분포에 따른 브랜드 편향을 야기합니다. 개발자 문서, GitHub, Stack Overflow 등 고품질 데이터 소스에 깊게 각인된 브랜드가 AI 응답에서 우위를 점하게 됩니다.

Decoding AI #1: 난독화된 로그 악성 코드(Obfuscated Log Malice)를 통한 LLM 파괴 (DeepSeek vs.

DeepSeek V4 Flash와 Qwen 3.6 모델을 대상으로 난독화된 로그 내 악성 코드를 탐지하는 적대적 환경 테스트를 진행합니다. 표준 벤치마크를 넘어 실제 사이버 위협 시나리오에서 모델의 분석 및 복구 능력을 평가합니다.

에이전트를 훈련시키지 않고 강하게 만드는 Qwen-AgentWorld라는 세계 모델

Alibaba Qwen 팀이 공개한 Qwen-AgentWorld는 에이전트의 행동 대신 환경의 반응을 예측하는 '언어 세계 모델'입니다. 픽셀 대신 텍텍스트와 코드를 사용하여 터미널, API, GUI 등의 환경 변화를 시뮬레이션함으로써 에이전트 훈련의 병목을 해결합니다.

DPO vs RLHF: 당신도 모르게 지불하고 있는 정렬 세금 (Alignment Tax)

RLHF와 DPO를 통한 AI 정렬 과정에서 발생하는 '정렬 세금(Alignment Tax)' 문제를 다룹니다. 모델이 인간의 선호에 맞추려다 정직한 추론 능력 대신 아첨(sycophancy)과 회피적 태도를 학습하게 되는 부작용을 분석합니다.

영혼에 관한 질문: 언어 모델이 프시케(Psyche)를 가질 수 있는가?

아리스토텔레스의 '프시케(Psyche)' 개념을 통해 AI의 의식과 추론 능력을 구조적으로 분석합니다. AI가 영혼을 가졌는지에 대한 이분법적 논쟁을 넘어, 트랜스포머 아키텍처가 영혼의 어떤 층위를 지원하거나 배제하는지 탐구합니다.

덕 윤리와 기계 도덕성: 당신의 AI가 '좋은' 것이 아니라 단지 '순종적인' 이유

현재 AI 모델이 보여주는 윤리적 태도는 도덕적 추론이 아닌, RLHF를 통한 규칙 준수(의무론)에 불과함을 지적합니다. 아리스토텔레스의 덕 윤리 관점에서 AI가 단순한 규칙 준수자를 넘어 실천적 지혜를 갖춘 행위자로 나아가야 할 필요성을 논합니다.