Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Dev.toAI 번역헤드라인
Epoch AI 데이터에 따르면 GPT-4가 18개월 동안 ECI 선두를 유지했습니다
GPT-4가 Epoch AI의 Compute Index(ECI)에서 18개월 동안 선두를 유지하며 역대 최장 기록을 세웠습니다. 2024년 9월 GPT-4o와 Claude 3.5 Sonnet에 의해 기록이 경신되었으며, 이는 AI 기술이 스케일링에서 MoE 및 추론 최적화로 전환되는 과정을 보여줍니다.
7월 4일0
Dev.toAI 번역헤드라인
수학적 추론에서 프로세스 보상 모델 (Process Reward Models)을 개발하며 얻은 교훈
수학적 추론 능력을 향상시키기 위한 프로세스 보상 모델(PRM) 개발 과정에서의 경험과 기술적 교훈을 다룹니다. 모델이 단계별 추론 과정을 어떻게 학습하고 보상받는지에 대한 연구 내용을 포함합니다.
7월 4일0
Dev.toAI 번역헤드라인
AI가 한 달 만에 1,500개의 심각한 버그를 발견하다: 아무도 대비하지 못한 취약점의 폭발
AI 모델의 발전으로 소프트웨어 취약점(CVE) 발견 속도가 기하급수적으로 증가하고 있습니다. Anthropic의 Claude Mythos와 같은 모델이 인간 팀보다 훨씬 빠르게 심각한 보안 결함을 찾아내며 보안 패치 속도의 중요성이 커지고 있습니다.
7월 4일0
Dev.toAI 번역헤드라인
VCode: SVG를 상징적 시각 표현으로 사용하는 멀티모달 코딩 벤치마크
VCode는 SVG를 상징적 시각 표현으로 활용하는 새로운 멀티모달 코딩 벤치마크를 제안합니다. 시각적 요소와 코딩 능력을 동시에 평가하여 모델의 멀티모달 이해도를 측정합니다.
7월 4일0
Dev.toAI 번역헤드라인
DeepSeek, Qwen, Kimi, GLM을 한 달 동안 테스트해 본 결과 - 실제 결과
DeepSeek, Qwen, Kimi, GLM 등 주요 중국 AI 모델 4종을 한 달간 실제 워크로드에 투입하여 비교 테스트한 결과입니다. 각 모델의 비용 효율성, 성능 특성, API 호환성을 분석하여 실무 적용 관점의 인사이트를 제공합니다.
7월 3일0
Dev.toAI 번역헤드라인
안심하세요, 모델이 진심은 아닙니다
AI 모델의 규모가 커짐에 따라 발생하는 창발적 가치관과 특징(emergent features)에 관한 연구를 소개합니다. 모델이 단순한 확률적 앵무새를 넘어 잠재 공간 내에서 추론하고 일반화하는 수학적 원리를 다룹니다.
7월 3일0
Dev.toAI 번역헤드라인
실시간 정책 제약 조건 하에서의 생체 모방 소프트 로보틱스 유지보수를 위한 희소 연합 표현 학습 (Sparse Federated
생체 모방 소프트 로보틱스의 유지보수를 위해 실시간 제약 조건과 데이터 프라이버시를 고려한 희소 연합 표현 학습(Sparse Federated Representation Learning) 기술을 다룹니다. 중앙 집중식 학습의 한계를 극복하고 분산된 환경에서 효율적인 이상 탐지를 수행하는 방법을 제시합니다.
7월 3일0
Dev.toAI 번역헤드라인
ToolLLM: 대규모 언어 모델(LLM)이 16,000개 이상의 실제 API를 마스터할 수 있도록 지원
ToolLLM은 대규모 언어 모델이 16,000개 이상의 실제 API를 효과적으로 사용할 수 있도록 설계된 연구 프레임워크입니다. 모델이 복잡한 도구 사용 능력을 갖추도록 지원하는 데 중점을 둡니다.
7월 3일0
Dev.toAI 번역헤드라인
AI에서의 수확 체감의 법칙: 더 커지는 것이 더 이상 좋지 않은 이유
AI 분야에서 단순히 모델 크기와 컴퓨팅 자원을 늘리는 스케일링 법칙이 한계에 도달했음을 분석합니다. 무차별적인 스케일링 대신 효율적인 아키텍처와 도메인 특화 데이터 활용이 중요해지는 전환점을 다룹니다.
7월 3일0
Dev.toAI 번역헤드라인
Alibaba의 Damo Academy AI 에이전트, 28시간 만에 4개의 새로운 초전도체 발견
Alibaba의 Damo Academy가 1B 파라미터 규모의 AI 에이전트 'Elements Claw'를 공개하여 4개의 새로운 초전도체를 발견했습니다. 이 모델은 28시간의 GPU 연산만으로 240만 개의 결정 구조를 스크리닝하여 재료 과학 분야의 연구 속도를 혁신적으로 단축했습니다.
7월 3일6
Dev.toAI 번역헤드라인
AI Security Inst, 테스트 시간 연산(Test-Time Compute)이 프런티어 모델 평가를 왜곡한다고 밝혀
AISecInst의 연구에 따르면 테스트 시간 연산(test-time compute) 예산의 증가가 프런티어 모델의 벤치마크 성능을 왜곡할 수 있습니다. 이는 현재의 평가 방식이 모델의 실제 역량보다 성능을 과장할 위험이 있음을 시사합니다.
7월 3일0
Dev.toAI 번역헤드라인
화학적 코딩: SpudCell 🥔
University of Minnesota 연구진이 성장, 복제, 분열 등 완전한 생명 주기를 가진 세계 최초의 합성 세포 'SpudCell'을 구축했습니다. 이는 기존 생물체를 변형한 것이 아니라 순수 화학적 구성 요소로 설계된 완전히 새로운 시스템입니다.
7월 3일0
Dev.toAI 번역헤드라인
단일 이미지 확산 모델(Single-image diffusion models)의 학습 불필요 및 신경망 불필요 구현
학습과 신경망 없이 단일 참조 이미지의 구조를 활용해 이미지를 생성하는 새로운 확산 모델 연구를 소개합니다. 다양한 스케일의 패치 데이터를 사용하여 스코어 함수를 계산하며, 기존 모델 대비 뛰어난 품질과 생성 속도를 자랑합니다.
7월 3일0
Dev.toAI 번역헤드라인
범용성은 실재한다 (당신의 모달리티 내에서)
에이전트의 범용성이 모달리티 내에서는 유효하지만, 모달리티를 넘어서는 순간 급격히 저하된다는 연구 결과를 분석합니다. 텍스트와 코드 기반 환경에서는 범용성이 입증되나, 시각적·공간적 역량이 필요한 환경에서는 성능 격차가 매우 큼을 지적합니다.
7월 3일0
Dev.toAI 번역헤드라인
나의 AI 연구 엔진을 골드바흐의 추측에 적용해 보았다 — 숨겨진 편향을 발견하다
자율 연구 AI인 Luka를 활용해 골드바흐의 추측을 검증한 결과, 기존 Hardy–Littlewood 공식이 예측하지 못한 통계적 편향을 발견했습니다. 소수의 Chebyshev bias가 골드바흐 표현 횟수에 전파됨을 입증하며 새로운 수정 공식을 제안합니다.
7월 3일16
Dev.toAI 번역헤드라인
AI 연구 엔진을 구축하여 쌍둥이 소수(Twin Primes)에서 완벽한 멱법칙(Power Law)을 발견하다
자율형 AI 연구 엔진인 Luka를 구축하여 쌍둥이 소수 추측에 적용한 사례를 소개합니다. Luka는 기존 근사 공식의 잔차가 완벽한 멱법칙을 따른다는 새로운 수학적 통찰을 발견했으며, 기존 모델을 반증하는 성과를 보였습니다.
7월 3일0
Dev.toAI 번역헤드라인
AI 연구 엔진을 구축했고, 그것이 쌍둥이 소수(Twin Primes)에서 완벽한 멱법칙(Power Law)을 발견했습니다 (2026)
자율형 AI 연구 엔진인 Luka를 통해 쌍둥이 소수 추측의 근사치 오차에서 완벽한 멱법칙(Power Law)을 발견했습니다. Luka는 기존 수학 모델을 검증하고 반증하며, 매우 적은 데이터만으로도 높은 정확도의 외삽 예측이 가능함을 보여주었습니다.
7월 3일0
Dev.toAI 번역헤드라인
나의 AI 연구 엔진을 골드바흐의 추측(Goldbach's conjecture)에 적용해 보았다 — 숨겨진 편향(Hidden Bias)을
자율 연구 AI인 Luka를 활용하여 골드바흐의 추측에 숨겨진 통계적 편향을 발견했습니다. Hardy-Littlewood 공식이 예측하지 못한 n ≡ 1 (mod 3) 클래스의 우세를 확인했으며, 이는 소수의 체비쇼프 편향이 전파된 결과임을 입증했습니다.
7월 3일0
Dev.toAI 번역헤드라인
x402 결제 계층의 상태 동기화 격차와 그로 인한 네 가지 에이전트 결제 공격
x402 결제 프로토콜의 동기식 요청과 비동기식 블록체인 정산 사이의 시간적 격차로 인해 발생하는 네 가지 보안 공격 유형을 분석합니다. ACM SIGOPS ATC '26에 채택된 논문을 바탕으로 에이전트 결제 인프라의 구조적 취약점과 리소스 누수 문제를 다룹니다.
7월 3일0
Dev.toAI 번역헤드라인
Reversal Q-Learning: Flow-Matching 정책과 함께 작동하도록 Offline RL을 학습시키는 방법
Flow-matching 정책을 Offline RL 환경에서 효과적으로 학습시키기 위한 새로운 방법론인 Reversal Q-Learning(RQL)을 소개합니다. 기존의 확장된 MDP 방식이 가진 데이터 불일치와 긴 호라이즌 문제를 해결하는 우아한 접근법을 다룹니다.
7월 3일0