Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 페이지의 콘텐츠는 AI가 공개된 소스를 기반으로 자동 수집·요약·번역한 것입니다. 원 저작권은 각 원저작자에게 있으며, 각 게시물의 “원문 바로가기” 링크를 통해 원문을 확인할 수 있습니다. 저작권자의 삭제 요청이 있을 경우 신속히 조치합니다.
미 연방 수사당국이 몸값 협상업체 임원들과 해커 그룹 ShinyHunters 간의 관계에 주목하며 조사를 확대하고 있습니다. 특히 일부 컨설팅 업계 임원들이 피해 기업보다 먼저 침해 사실을 알았거나, 갈취 사이트 운영에 관여했을 의혹이 제기되었습니다. 이는 몸값 지급만으로는 데이터 유출 위험을 막을 수 없음을 보여줍니다.
KRAFTON AI가 개발한 30B-A4B MoE 언어 모델인 Raon-1 mini가 Hugging Face를 통해 공개되었습니다. 이 모델은 한국어 대화 및 에이전트 작업에서 강력한 성능을 보이며, 수학/과학 벤치마크와 명령어 수행 능력에서 우위를 점합니다.
본 글은 Fibo 모델을 활용한 이미지 편집 및 생성 실험 결과를 공유합니다. 사용자는 ComfyUI 워크플로우를 통해 다양한 각도와 포즈로 인물 이미지를 재구성하고, 객체 영속성(object permanence)과 같은 복잡한 개념에 대한 모델의 이해도를 테스트했습니다. 특히 배경 캐릭터 제거 등 정교한 편집 능력에 초점을 맞추었습니다.
Easy BBoxes wf와 MOSS 모델에 대한 소개 글입니다. 이 모델은 ComfyUI의 bbox 템플릿을 활용하여 텍스트뿐만 아니라 복잡한 조작이나 박스 크기 변경을 통해 사물을 배치하고 조정할 수 있게 합니다. 이를 통해 매우 유연하게 이미지 생성 작업이 가능합니다.
본 글은 Go의 CSP(Communicating Sequential Processes) 동시성 모델을 넘어선 Concurrent ML (CML)이라는 개념을 소개합니다. CML은 통신 연산을 실행 구문이 아닌 값으로 승격시켜, 선택과 취소 같은 강력한 조합을 가능하게 하고 고루틴 누수 문제까지 해결하는 개선된 동시성 시스템을 제안합니다.
Microsoft AI는 총 2조 8천억 개의 매개변수를 가진 MoE 기반의 새로운 핵심 모델 MAI-Base-2를 완성하고, 이를 Foundry 플랫폼을 통해 라이선싱할 계획임을 발표했습니다. 이 모델은 독자적인 대규모 코퍼스와 아키텍처적 우위를 바탕으로 높은 FLOPs 효율성을 자랑합니다. 가중치는 오픈 웨이트로 공개되지 않으며, 신뢰할 수 있는 파트너에게만 라이선스를 통해 제공됩니다.
RIVET은 컴퓨터 비전(OpenCV)과 수질 센서 데이터를 결합하여 환경 사고를 조사하는 시스템입니다. 이 시스템은 영상 분석을 통해 의심스러운 변화를 감지하고, 센서 측정값과 비교하며 추적 가능한 보고서를 생성합니다. 궁극적으로 적응형 시각 분석과 센서 융합을 통한 환경 이상 탐지를 목표로 합니다.
본 문서는 AI/ML 공격 및 침해에 대응하기 위한 오픈 소스 탐지 시그니처 패키지를 소개합니다. LLM 애플리케이션, ML 공급망, RAG 데이터베이스 등 다양한 최신 위협을 Sigma, YARA, Suricata 규칙으로 포괄적으로 수집했습니다. 이 도구는 벤더 중립적인 오픈 표준만을 사용하여 모든 SIEM에 배포 가능하며, 상세한 조사 가이드도 제공합니다.
Perplexity AI가 출시한 pplx-decider-v1.2와 pplx-decider-flash-v1.2 모델이 주목받고 있습니다. 이 모델들은 기존의 GPT 6 Luna나 Jev 대비 결정(Decision)을 내리는 비용을 최대 10분의 1 수준으로 크게 낮추면서도 동일한 품질을 유지합니다.
본 기사는 3주간의 추적 결과, x402 Bazaar에 등록된 웹사이트 중 대다수(80/82개)가 여전히 AI 학습 크롤러(GPTBot, ClaudeBot 등)의 접근을 차단하고 있음을 보고합니다. 이는 콘텐츠 수집 및 활용 측면에서 지속적인 장벽이 존재함을 시사합니다.
EquiformerV2는 고차원 표현으로 확장된 개선된 등변환 트랜스포머 모델입니다. 이 모델은 PyTorch 구현과 함께 OC20 S2EF-2M 및 S2EF-All+MD 데이터셋 학습 코드를 제공합니다. 또한, 후속 연구인 DeNS를 통해 에너지 및 힘 예측 성능을 향상시키고, EquiformerV3에서는 고차 미분 작업에서도 최첨단 결과를 달성했습니다.
EquiformerV3는 효율성과 표현력을 높인 SE(3)-불변 그래프 어텐션 트랜스포머 모델입니다. 이 연구는 OC20 S2EF-2M, MPtrj 등 다양한 데이터셋에서 훈련 및 평가 코드를 제공하며, PyTorch 구현체를 통해 재현성을 강조합니다.
NANOLLAMA는 원시 텍스트로부터 Llama 3 아키텍처 모델을 처음부터 학습시키는 프레임워크입니다. 기존의 파인튜닝이나 LoRA 방식이 아닌, 근본적인 사전 학습(Pretraining from scratch) 과정을 지원합니다. 이 프레임워크는 데이터 준비부터 개성 기반 파인튜닝, 그리고 llama.cpp와 호환되는 GGUF v3 내보내기까지 전체 파이프라인을 제공하며, 독립형 Go 추론 엔진도 포함하고 있습니다.
본 내용은 Llama 모델의 MoE(Mixture of Experts) 다운 프로젝션에 전문가별 토큰 스케일링을 적용하는 기술적 개선 사항을 다룹니다. 이를 통해 전역적인 amax 재조정 대신, 중간 차원(intermediate dimension)을 따라 계산된 전문가별 토큰별 계수를 사용합니다. 이 변경은 텐서 병렬성을 가능하게 하며 모델의 효율성과 정확도를 높이는 데 기여합니다.
MiniMind는 개발자가 LLM의 핵심 학습 메커니즘을 깊이 이해하도록 돕는 모듈식 튜토리얼입니다. 단순히 코드를 따라 하는 것이 아니라, 비교 실험과 원리 중심의 접근 방식을 통해 '왜' 그렇게 설계해야 하는지 보여줍니다. 이는 LLM 분야 진입 희망자에게 특히 유용하며, 면접 대비 및 깊이 있는 이해도를 높이는 데 초점을 맞추고 있습니다.
본 논문은 기존 에이전트 인터페이스의 한계를 지적하며, 작업 경험으로부터 '진화하는 에이전트 인터페이스(Evolving Agent Interfaces)'를 구축하는 자율적인 컴퓨터 사용 과학자 Agent S4를 소개합니다. Agent S4는 메타-에이전트를 통해 개체군 기반 진화를 수행하며, 일반화 능력이 뛰어난 저장소를 선택적으로 발전시킵니다. OSWorld V2에서 이 방법론은 기존 고정 인터페이스 대비 월등한 성능 향상을 입증했습니다.
DrugGEN은 그래프 트랜스포머와 생성적 적대 신경망(GAN)을 결합하여 표적 특이적인 신규 약물 후보 분자를 설계하는 엔드투엔드 시스템입니다. 이 모델은 대규모 생체 활성 데이터셋으로 훈련되었으며, 키나아제 AKT1에 대한 저해제를 성공적으로 설계했습니다. 실제로 합성된 화합물이 시험관 내 효소 분석에서 낮은 농도로 AKT1을 효과적으로 저해함을 입증하며 높은 잠재력을 보여주었습니다.
본 논문은 RTL 복구 능력을 측정하는 새로운 벤치마크(RTLRepairBench)와 평가 인프라를 제시합니다. 연구진은 기존의 점수들이 시뮬레이션과 형식적 검증 간의 불일치, 그리고 명세서 사용 여부에 따른 편향을 포함하고 있음을 발견했습니다. 이에 따라 초기화, 리셋, 첫 사이클 등 다양한 측면을 고려한 새로운 평가 통제(evaluation controls)를 제안하며, 관련 자료를 공개합니다.
본 논문은 LLM이 생성한 토론 평가가 단순히 논증적 품질에만 초점을 맞추는 한계를 지적하며, 가치 표현(value expression)과 가치 조직화(value organization)를 분리하여 분석하는 진단 지표 프레임워크를 제안합니다. 이 프레임워크는 Schwartz의 Basic-10 가치 이론을 기반으로 토론에 나타나는 다단계 가치 분포를 측정하며, AI가 인간 참조보다 더 풍부하게 가치를 표현하지만 조직화 방식이 다르다는 것을 발견했습니다.
본 기사는 GPT-6 Astra와 같은 최신 AI 모델의 벤치마크 점수를 분석하며, 단순히 높은 정답률만으로는 성능을 판단할 수 없음을 강조합니다. 특히 ARC-AGI-3과 같은 미지의 게임 조작 평가에서는 '인간 대비 행동 효율성(RHAE)' 등 복합적인 채점 기준을 이해하는 것이 중요합니다.