Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Dev.toAI 번역헤드라인
gradSim: 시스템 식별 및 시각 운동 제어 (visuomotor control)를 위한 미분 가능한 시뮬레이션
gradSim은 시스템 식별과 시각 운동 제어(visuomotor control)를 위해 설계된 미분 가능한 시뮬레이션 프레임워크입니다. 이를 통해 복잡한 물리 시스템의 파라미터를 효율적으로 학습하고 제어 성능을 최적화할 수 있습니다.
6월 19일0
Dev.toAI 번역헤드라인
2026년 MoE 아키텍처: GPT-5와 DeepSeek의 핵심 엔진
2026년 AI 산업의 핵심 아키텍처로 자리 잡은 MoE(Mixture of Experts)의 작동 원리와 최신 트렌드를 분석합니다. MoE가 모델 크기와 연산 비용을 분리하여 효율성을 극대화하는 방식과 주요 라우팅 전략을 다룹니다.
6월 19일0
Dev.toAI 번역헤드라인
PyramidDrop: 피라미드 시각적 중복성 감소를 통한 대규모 시각-언어 모델 (Large Vision-Language Models) 가속화
PyramidDrop는 대규모 시각-언어 모델(LVLM)의 연산 효율성을 높이기 위해 피라미드 구조의 시각적 중복성을 제거하는 기술을 제안합니다. 이를 통해 모델의 성능을 유지하면서도 추론 속도를 가속화할 수 있습니다.
6월 19일0
Dev.toAI 번역헤드라인
DeepSeek V4 Pro vs GPT-4o: 실제 벤치마크 비교 (2026년 6월)
DeepSeek V4 Pro와 GPT-4o를 대상으로 코딩, 수학적 추론, 다국어 번역 등 20가지 벤치마크 테스트를 수행하여 성능을 비교했습니다. 두 모델 모두 높은 정확도를 보였으나, 각 영역에서의 세부적인 수행 능력을 검증했습니다.
6월 19일7
Dev.toAI 번역헤드라인
에이전트 하네스(Agent Harness) 설계가 모델 미세 조정보다 SWE-Bench에서 더 큰 성능 향상을 가져온다
SWE-Bench 평가에서 모델 미세 조정보다 에이전트 하네스(Agent Harness) 설계가 성능 향상에 더 큰 영향을 미칠 수 있음을 보여주는 연구입니다. 잘 설계된 어댑터는 동일 모델에서도 Pass@1 성능을 50%p 이상 끌어올릴 수 있습니다.
6월 19일0
Dev.toAI 번역헤드라인
PyVertical: Multi-headed SplitNN을 위한 수직 연합 학습 (Vertical Federated Learning)
Multi-headed SplitNN을 위한 수직 연합 학습(Vertical Federated Learning) 프레임워크인 PyVertical을 소개합니다. 데이터 프라이버시를 유지하면서 분할 신경망 구조를 활용한 효율적인 학습 방법을 다룹니다.
6월 19일0
Dev.toAI 번역헤드라인
향상된 언어 이해를 위한 LLM과 강화학습 (Reinforcement Learning)의 통합
LLM과 강화학습(RL)을 통합하여 에이전트 루프와 추론 파이프라인을 구축하는 최신 연구 동향을 다룹니다. LLM이 정책과 세계 모델 역할을 수행하며 보상 모델과 상호작용하는 피드백 루프의 구조를 설명합니다.
6월 19일0
Dev.toAI 번역헤드라인
'GAI가 왔는가'라고 묻지 말고, '어느 계층인가'를 물으라
GAI(범용 인공지능)의 정의에 대한 논쟁을 해결하기 위해 'GAI 성숙도 모델'이라는 5단계 계층 프레임워크를 제안합니다. 모델의 능력을 단순한 벤치마크 통과 여부가 아닌, 체화(Embodiment)부터 메타 도메인까지의 구조적 계층으로 구분하여 분석합니다.
6월 19일3
Dev.toAI 번역헤드라인
2B Non-SFT 모델의 시각적 추론에서 발견된 R1-Zero의 '아하 모먼트 (Aha Moment)'
2B 규모의 Non-SFT 모델에서 R1-Zero 방식의 학습을 통해 시각적 추론 시 '아하 모먼트(Aha Moment)'가 나타나는 현상을 분석합니다. 모델이 스스로 사고 과정을 최적화하며 논리적 도약을 보이는 과정을 다룹니다.
6월 18일0
Dev.toAI 번역헤드라인
Embodied AI의 300억 달러 규모 문제: 아무도 '좋음'의 의미를 모른다
Embodied AI 분야에 막대한 자본이 유입되고 있으나, 로봇의 성능을 평가할 표준화된 벤치마크가 부재한 문제를 지적합니다. 시뮬레이션과 실제 환경 간의 간극을 극복하기 위해 규칙 준수, 폐쇄 루프 피드백, 자기 일관성, 프레임워크 교정이라는 4단계 검증 계층을 제안합니다.
6월 18일0
Dev.toAI 번역헤드라인
LLM 자기 선호 편향 (Self-Preference Bias): 익명 피어 리뷰(Anonymized Peer Review)가 이를 해결하는
LLM 평가 모델이 자신의 출력물이나 특정 모델 제품군의 문체를 선호하는 '자기 선호 편향(Self-Preference Bias)' 문제를 다룹니다. 연구 결과 GPT-4와 같은 모델이 자신의 생성물을 선택할 확률이 매우 높으며, 이는 평가의 객관성을 해치는 요소로 지적됩니다.
6월 18일0
Dev.toAI 번역헤드라인
Pareto LoRA, Emu2에서 Vanilla LoRA 대비 이미지 품질 44.9% 향상
Pareto LoRA는 멀티모달 지시어 튜닝 시 발생하는 모달리티 간 그래디언트 불균형 문제를 해결하기 위해 이중 목적 최적화 방식을 제안합니다. Emu2 모델 실험 결과, 텍스트 성능을 유지하면서도 이미지 품질을 최대 44.9% 향상시키는 성과를 거두었습니다.
6월 18일0
Dev.toAI 번역헤드라인
GLM-5 출시, SDXL 벤치마크, 그리고 LoRA를 넘어선 고급 미세 조정 (Fine-Tuning)
GLM-5 오픈 웨이트 모델 출시, SDXL 이미지 생성 벤치마크, 그리고 LoRA를 개선한 고급 미세 조정 기술을 소개합니다. 로컬 환경에서의 모델 최적화와 실행을 위한 최신 연구 동향을 다룹니다.
6월 18일0
Dev.toAI 번역헤드라인
Purple Llama CyberSecEval: 언어 모델을 위한 보안 코딩 벤치마크
Purple Llama CyberSecEval은 언어 모델의 보안 코딩 능력을 평가하기 위해 설계된 새로운 벤치마크입니다. 모델이 보안 취약점이 있는 코드를 생성하거나 보안 위협을 식별하는 능력을 측정합니다.
6월 18일0
Dev.toAI 번역헤드라인
에이전트 메모리는 데이터베이스가 아니다
에이전트 메모리를 단순한 데이터베이스(CRUD)로 취급할 때 발생하는 네 가지 실패 모드를 분석하고, 이를 해결하기 위한 새로운 모델인 GEM(Governed Evolving Memory)을 소개합니다. 메모리를 레코드 단위가 아닌 상태(state) 단위의 진화 과정으로 재정의해야 함을 강조합니다.
6월 18일0
Dev.toAI 번역헤드라인
OpenAI의 배포 시뮬레이션: 발생하기 전에 AI 위험을 포착하기 위해 대화 재현
OpenAI가 새로운 모델 출시 전 실제 대화 데이터를 재현하여 위험성을 테스트하는 '배포 시뮬레이션' 기술을 도입했습니다. 이는 벤치마크의 한계를 넘어 실제 운영 환경에서의 안전성과 모델 품질을 검증하는 새로운 표준이 될 전망입니다.
6월 18일0
Dev.toAI 번역헤드라인
Claude Fable 5: 무엇인지, 그리고 두 배의 비용을 지불할 가치가 있는지
Anthropic이 고성능 Mythos-class 모델인 Claude Fable 5를 출시했습니다. 이 모델은 강력한 추론 능력을 갖추되 새로운 분류기를 통해 안전 가드레일을 적용했으며, 이전 모델인 Opus 4.8 대비 높은 비용과 성능 향상을 특징으로 합니다.
6월 18일0
Dev.toAI 번역헤드라인
Ovis: 멀티모달 거대 언어 모델 (Multimodal Large Language Model)을 위한 구조적 임베딩 정렬
Ovis는 멀티모달 거대 언어 모델(MLLM)의 성능을 높이기 위해 구조적 임베딩 정렬 방식을 제안합니다. 시각적 정보와 언어적 정보를 효과적으로 결합하여 모델의 이해도를 개선하는 연구를 다룹니다.
6월 18일0
Dev.toAI 번역헤드라인
Seedance 2.1이란 무엇인가? 주요 기능, 가격 및 사용 방법
ByteDance가 출시한 Seedance 2.1은 비디오 생성 시 오디오를 동시에 생성하는 네이티브 동기화 기능을 갖춘 최신 모델입니다. 2.0 대비 시각적 품질이 20% 향상되었으며, 멀티샷 일관성을 통해 장면 간 캐릭터와 스타일을 유지하는 능력이 탁월합니다.
6월 18일0
Dev.toAI 번역헤드라인
홈 & 리빙 분야의 AI 추천 현황: 4,000개의 AI 추천 데이터를 분석한 결과는 예상 밖이었습니다.
홈 & 리빙 분야의 4,000개 AI 추천 데이터를 분석한 결과, AI는 데이터 준비도가 높은 브랜드보다 이미 인지도가 높은 브랜드를 우선 추천하는 경향을 보였습니다. AI Commerce Score™와 추천 빈도 사이의 상관관계는 거의 제로에 가까웠습니다.
6월 18일0