MiniMax가 지역 제한 라이선스를 가진 프론티어 비디오 모델을 오픈 소스로 공개했습니다. 그것이 진짜 이야기입니다.

MiniMax가 프론티어급 비디오 모델 H3를 오픈 웨이트로 공개했으나, 특정 국가(EU, 영국, 한국, 미국)를 제외한 지역 제한 라이선스를 적용했습니다. 모델의 가중치는 공개되어도 상업적 이용 조건과 지역적 제약이 존재함을 분석합니다.

Qwen3.8-Max는 거대합니다. 하지만 에이전트 하네스(Agent Harness)가 여전히 결정적입니다

Alibaba가 2.4T 파라미터 규모의 MoE 모델인 Qwen3.8-Max를 출시했습니다. 모델의 성능만큼이나 에이전트의 도구 활용, 상태 관리, 복구 루프와 같은 실행 환경(Harness)의 중요성을 강조하며 실질적인 테스트 방법을 제안합니다.

언어화된 신뢰도(Verbalized confidence): LLM이 자신의 확신 정도를 말하게 하고, 90%가 정말 90%를 의미하는지 확인하기

LLM이 자신의 답변에 대한 확신 정도를 수치로 표현하게 하는 '언어화된 신뢰도(Verbalized confidence)' 개념과 그 보정(Calibration) 방법을 다룹니다. 모델이 과도하게 확신하는 경향을 분석하고, ECE(Expected Calibration Error)를 통해 신뢰도의 정확성을 측정하는 기술적 접근법을 제시합니다.

MiniMax H3 오픈 웨이트(Open-Weight) 출시 — 실제 다운로드 가능한 부분과 API 전용 부분의 차이점

MiniMax가 멀티모달 비디오 생성 시스템인 H3의 오픈 웨이트를 출시했습니다. 핵심 생성기인 H3-Base는 공개되었으나, 전처리 레이어와 2K 재생성 패스는 API 전용으로 유지됩니다.

가장 작은 로컬 모델이 최고의 모델일 수도 있습니다 - 직접 측정한 4가지 모델 결과

Ollama의 다양한 소형 로컬 모델들을 대상으로 산술, 구조화된 추출 등 다양한 작업 성능을 직접 비교 측정했습니다. 모델의 크기가 반드시 성능과 비례하지 않으며, 작업 유형에 따라 최적의 모델이 다름을 확인했습니다.

StreamTalk: 키 포즈 앵커링(Key-Pose Anchoring)을 이용한 스트리밍 Co-Speech 제스처 생성

StreamTalk은 실시간 Co-Speech 제스처 생성 시 발생하는 드리프트 현상을 해결하기 위해 제안된 폐쇄 루프(closed-loop) 프레임워크입니다. 키 포즈 앵커링과 생성-검색-정제 사이클을 통해 긴 시퀀스에서도 안정적인 3D 모션을 생성합니다.

PlantRig - 뼈에서 가지로: 식물 골격 재구성을 위한 자기회귀 리깅 (Autoregressive Rigging) 모델의 적응

자기회귀 리깅 모델을 식물 골격 재구성에 적용하기 위한 연구입니다. 기존 모델의 분지 구조 인식 한계를 분석하고, 합성 데이터셋을 활용한 미세 조정을 통해 다양한 식물 형태와 잎 구조에 대응하는 일반화 성능을 확보했습니다.

물리적 일관성을 갖춘 계산적 회절 이미징을 통한 광전자 SNR 한계 극복

프티코그래피 재구성 과정에 검출기 정보 기반의 측정 일관성을 도입하여 광전자 SNR 한계를 극복하는 연구입니다. 픽셀 단위 센서 응답을 보정하여 신뢰도 맵을 구축함으로써, 노이즈가 심한 검출기 환경에서도 물리적으로 정확한 회절 정보를 보존합니다.

SNAP-tFDP: 희소 부정 샘플링 (Sparse Negative Sampling)을 통한 대규모 확장 가능 그래프 레이아웃

대규모 그래프 레이아웃 생성을 위해 희소 부정 샘플링(Sparse Negative Sampling)을 도입한 SNAP-tFDP 알고리즘을 제안합니다. 이 방식은 낮은 메모리 사용량과 $O(|E|)$의 시간 복잡도를 달성하며, 밀집된 클러스터를 효과적으로 분리합니다.

RL-Lock: 맞물림 조립품 생성을 위한 강화학습 (Reinforcement Learning)

RL-Lock은 외부 연결 장치 없이 기하학적 배치만으로 연결되는 맞물림 조립품 생성을 위한 최초의 강화학습 프레임워크입니다. MCTS와 구조화된 액션 청킹을 결합하여 복잡한 조합론적 탐색 공간을 효율적으로 탐색하며 기존 방식보다 뛰어난 성능을 보입니다.

AI에게 당신의 마음을 모델링하도록 가르쳤더니 당신의 선택을 예측하는 능력이 24.6포인트 향상되었습니다

AI가 캐릭터의 행동을 예측할 때 물리적 사실뿐만 아니라 신념, 의도, 감정 등 '정신적 채널'을 함께 모델링하는 Mentis 파이프라인을 소개합니다. 이 방식은 기존 직접 답변 방식보다 F1 점수를 24.6포인트 향상시키며, 물리적 상태와 정신적 상태의 결합된 업데이트가 예측 성능의 핵심임을 입증했습니다.

삼중 주기적 최소 곡면 (TPMS)의 제약 조건부 생성을 위한 Fourier-Latent Diffusion

잔류 평균 곡률이 낮은 삼중 주기적 최소 곡면(TPMS)을 제어 가능한 방식으로 생성하는 확산 기반 프레임워크를 제안합니다. Fourier 잠재 공간과 트랜스포머 기반 확산 모델을 사용하여 대규모 데이터셋을 바탕으로 정교한 기하학적 구조를 생성합니다.

Qwen3.8-Max 출시: 하나의 모델이 OpenAI와 Anthropic의 두 '방언'을 모두 구사할 때, 멀티 모델

Alibaba가 2.4조 파라미터 규모의 MoE 모델인 Qwen3.8-Max를 출시했습니다. 이 모델은 OpenAI와 Anthropic의 프로토콜을 모두 지원하여 기존 Claude 생태계 도구들과의 호환성을 극대화한 것이 특징입니다.

VAD: 시각적 기여도 증류 (Visual Attribution Distillation)

VAD는 교사 모델의 수정 사항 중 시각적 기여도를 추정하는 반사실적 대상 재구성 알고리즘입니다. 6개의 세밀한 시각적 벤치마크에서 기존의 직접적인 특권 시점 증류 방식보다 우수한 성능을 입증했습니다.

알리바바가 Qwen3.8-Max를 공개하며 AI 모델 시장의 전략적 변화를 예고하다

어제 "주장은 걸러 들으라"고 했던 Qwen3.8-Max, 실측이 차트에 떴음. 성능은 진짜 소넷급인데 가격도 소넷급임.

Alibaba의 Qwen3.8-Max 실측 결과, Claude 3.5 Sonnet에 근접한 성능을 보여주며 프런티어급 모델로 자리 잡았습니다. 다만 성능 향상 대비 가격이 높아져 기존의 '오픈웨이트 모델은 저렴하다'는 공식이 깨졌다는 분석입니다.

AFM3 20B의 특수 아키텍처: 지시 이행 프루닝 (Instruction Following Pruning)

Apple의 AFM3 20B 모델은 '지시 이행 프루닝' 기술을 통해 활성 MLP 레이어의 20%만 사용하여 효율성을 극대화했습니다. 프롬프트당 동일한 전문가를 사용하도록 설계되어 메모리 대역폭 성능을 높인 것이 특징입니다.

Intology의 Locus, 자동 사후 학습(auto post-training)에서 인간이 튜닝한 Qwen3-1.7B를 능가하다

Intology의 Locus가 연산량을 64배 확장하여 PostTrainBench에서 인간이 튜닝한 Qwen3-1.7B를 능가했습니다. 이는 AI 에이전트가 긴 타임스케일의 실험 루프를 통해 인간 연구자의 성능을 넘어설 수 있음을 보여주는 사례입니다.

보편적인 환각 탐지기는 없지만, 보편적인 기준점은 있다 — 사전 등록된 10개 모델.

모델의 첫 토큰 생성 시점에서 순전파(forward pass) 신호를 통해 환각을 탐지하는 연구를 소개합니다. 어텐션 형태, 잔여 움직임 등 29가지 내부 신호를 분석하여 모델 및 작업별로 최적의 탐지 기준점을 제시합니다.

DeepSeek V4가 AI 모델의 '킬 라인(Kill Line)'이 된 이유 — 그 의미는 무엇인가

DeepSeek V4 Flash 출시가 AI 시장에 미치는 '킬 라인(Kill Line)' 효과를 분석합니다. 높은 매개변수 효율성과 파격적인 가격 정책을 통해 기존 대형 모델들의 입지를 위협하며 시장의 기준점을 재정의하고 있습니다.