모델 편집(Model Editing)을 통한 대규모 언어 모델(LLM)의 패키지 환각(Package Hallucination) 완화

LLM이 존재하지 않는 패키지 이름을 생성하는 '패키지 환각' 문제를 해결하기 위한 경량 모델 편집 프레임워크 BOUND를 제안합니다. BOUND는 LoRA 어댑터를 사용하여 유효한 패키지 경계를 정교화함으로써 소프트웨어 공급망 공격 위험을 낮추고 코드 생성의 신뢰성을 높입니다.

프롬프트 커버리지 적절성 (Prompt Coverage Adequacy)

LLM 및 자율 에이전트 기반 소프트웨어 개발 환경에 최적화된 새로운 테스트 지표인 '프롬프트 커버리지 적절성'을 제안합니다. 어텐션 메커니즘을 활용해 테스트 스위트가 프롬프트의 요구사항을 얼마나 충족하는지 측정하며, 기존 코드 커버리지보다 높은 결함 탐지 효율을 보여줍니다.

차량 내 장면 이해를 위한 Vision Language Models의 탐색 기반 테스트

차량 내 장면 이해(ISU)를 위한 Vision Language Models(VLMs)의 성능을 평가하기 위해 렌더링 기반 장면 생성과 탐색 기반 테스트를 결합한 ISU-Test 프레임워크를 제안합니다. 이 방식은 테스트를 최적화 문제로 구성하여 다양한 시나리오를 생성하며, 기존 무작위 방식보다 훨씬 높은 실패율과 커버리지를 달성했습니다.

7B 모델 혁명: 소형 AI가 거인들을 추격하고 있다 (2026년 7월)

7B 파라미터 규모의 소형 모델이 아키텍처 혁신과 비용 절감을 통해 대형 모델의 성능을 추격하며 패러다임 전환을 일으키고 있습니다. MoE 기술과 추론 비용의 급격한 하락으로 인해 로컬 환경에서도 프런티어급 성능 구현이 가능해졌습니다.

SLoRA: 언어 모델의 연합 파라미터 효율적 미세 조정 (Federated Parameter Efficient Fine-Tuning)

SLoRA는 언어 모델의 연합 학습 환경에서 파라미터 효율적인 미세 조정을 수행하는 새로운 방법론을 제안합니다. 데이터 프라이버시를 보호하면서도 효율적으로 모델을 학습시키는 기술적 접근을 다룹니다.

ELDR: PD-분리형 MoE 서빙을 위한 전문가 지역성 인식 디코딩 라우팅 (Expert-Locality-Aware Decode

PD-분리형 MoE 서빙 최적화를 위한 전문가 지역성 인식 디코딩 라우팅 기술인 ELDR를 소개합니다. 프리필 단계의 전문가 시그니처를 활용해 디코딩 요청을 라우팅함으로써 vLLM 환경에서 TPOT을 최대 13.9% 절감합니다.

AMVL은 멀티모달 LLM에서 안정적인 연속적 추론을 가능하게 합니다

AMVL은 멀티모달 LLM에서 안정적인 연속적 추론을 가능하게 하는 새로운 방법론입니다. 비대칭 이중 KL 손실을 통해 잠재적 추론을 정렬함으로써 정답 유출을 방지하고 성능을 크게 향상시킵니다.

MEG/EEG 뇌파 신호로부터 사람이 타이핑 중인 글자를 복원하다

Meta와 BCBL의 공동 연구로, 비침습적 뇌파(MEG/EEG) 신호를 분석하여 사람이 타이핑 중인 문장을 복원하는 기술을 발표했습니다. 컨볼루션 인코더와 Transformer, 문자 수준 언어 모델을 결합하여 높은 디코딩 성능을 구현했습니다.

lfm2.5와 경쟁하기 위해 오픈 라이선스를 적용한 새로운 350M 모델 제작

Granite 4 350M을 기반으로 지속적 사전 학습과 커스텀 SFT를 거친 Fijik 2.0 350M 모델이 출시되었습니다. lfm2.5의 커스텀 라이선스에 대응하기 위해 Apache-2.0 오픈 라이선스를 채택했습니다.

3D 표면 재구성(3D surface reconstruction)을 위한 평면 기반 가우시안 스플래팅 (Planar-based Gaussian

3D 표면 재구성을 개선하기 위해 평면 기반의 가우시안 스플래팅 기법을 제안하는 연구입니다. 기존 방식의 한계를 극복하여 보다 정교한 3D 표면 표현을 가능하게 합니다.

AI 탐지기들은 모두에게 거짓말을 하고 있다

AI 탐지기가 인간의 다양한 글쓰기 스타일을 제대로 구분하지 못해 발생하는 오탐 문제를 다룹니다. 수학적 증명을 통해 낮은 오탐률을 유지하려면 탐지율이 급격히 낮아질 수밖에 없는 구조적 한계를 지적합니다.

극심한 데이터 희소성 시나리오에서의 해안 기후 회복력 계획을 위한 교차 모달 지식 증류 (Cross-Modal Knowledge

데이터가 극도로 부족한 해안 지역의 기후 회복력 계획을 위해 교차 모달 지식 증류(Cross-Modal Knowledge Distillation) 기술을 제안합니다. 풍부한 데이터를 가진 교사 모델의 지식을 희소한 데이터를 가진 학생 모델로 전달하여 모델의 일반화 성능을 높이는 연구를 다룹니다.

AI Daily Digest: 2026년 7월 3일 — Claude Sonnet 5, Claude Science, AI 인프라 붐

1년 동안 ChatGPT가 학생들의 학습을 돕는다는 세계에서 가장 강력한 증거였던 한 연구

ChatGPT가 학습에 긍정적 영향을 미친다는 결론을 담았던 유명 논문이 데이터 결함으로 인해 철회되었습니다. 이 논문은 높은 인용수를 기록하며 교육 정책에 영향을 미쳤으나, 분석 과정의 오류가 밝혀지며 학술적 신뢰성을 잃었습니다.

Hugging Face Hub 업데이트, 오픈 모델 벤치마킹, & 로컬 AI 보안 도구

Hugging Face Hub의 정기적인 라이브러리 업데이트와 모델 페이지 내 종합적인 벤치마크 평가 결과 제공 기능을 소개합니다. 이를 통해 개발자들은 오픈 웨이트 모델의 성능을 투명하게 확인하고 로컬 환경에 최적화된 모델을 더 쉽게 선택할 수 있습니다.

Fable 5가 다시 탈옥되었습니다

연구원 Vitto Rivabella가 Fable 5의 다층적 방어 체계를 우회하는 데 성공했습니다. 시스템은 키워드가 아닌 의미와 의도를 분석하여 보호하지만, 특정 기법을 통해 우회가 가능함을 입증했습니다.

영감을 받은 포스트: Google이 더 큰 Dense 버전을 출시하지 않아 Gemma 4 31B를 44B 모델(88 레이어)로 확장했습니다

사용자가 Google의 Gemma 4 31B 모델을 기반으로 레이어 스케일링 기법을 적용하여 44B 규모의 모델로 확장하는 실험을 진행했습니다. LLaMA Pro 방식에서 영감을 얻어 60개 레이어를 88개로 늘려 모델의 용량을 확보했습니다.

Claude Fable 5란 무엇인가? 세계 최강급 코딩 AI가 '봉인 후 부활'한 전 과정

Anthropic이 공개한 새로운 Mythos 클래스 모델인 Claude Fable 5의 성능과 특징을 다룹니다. 기존 Opus 모델을 뛰어넘는 압도적인 코딩 벤치마크 성능과 자율적 에이전트로서의 설계 방향을 설명합니다.

FSRS가 SM-2보다 더 나은 이유

전통적인 간격 반복 알고리즘인 SM-2의 구조적 결함인 '난이도 지옥' 문제를 분석하고, 이를 해결하기 위해 등장한 FSRS 알고리즘의 차별점을 설명합니다. SM-2가 용이성 계수를 단일 지표로 사용하는 것과 달리, FSRS는 이를 분리하여 더 정교한 스케줄링을 제공합니다.

RTX 3090을 사용한 로컬 벤치마크: Qwen3.6 27b 대 Ornith

RTX 3090 환경에서 Qwen3.6 27b, Gemma4 26B, Ornith1.0 35B 모델을 대상으로 로컬 벤치마크를 수행한 결과입니다. inspect-ai를 활용해 일반 지식, 추론, 코딩 성능을 비교 분석했습니다.