Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Dev.toAI 번역헤드라인
12개의 AI 모델에게 월드컵 예측을 맡겨보았습니다. 첫 169개의 선택에서 이미 패턴이 나타나고 있습니다.
12개의 다양한 AI 모델을 대상으로 월드컵 경기 예측 실험을 진행하여 모델의 성능과 편향성을 테스트했습니다. 실험 결과, 특정 모델의 우위보다는 모델들이 가진 '정배당 편향(favorite bias)'과 예측 패턴을 확인하는 데 중점을 두었습니다.
6월 18일0
Dev.toAI 번역헤드라인
최근 LLM 학습 논문에서 구조화된 피드백(Structured Feedback)이 등장하는 이유
최근 LLM 학습 연구에서 단일 점수 형태의 스칼라 보상 대신, 평가 기준(Rubric)을 활용한 구조화된 피드백의 중요성이 부각되고 있습니다. 루브릭 조건부 자기 증류 방식은 모델에게 구체적인 개선 방향을 제공하여 학습 신호의 품질을 높입니다.
6월 18일0
Dev.toAI 번역헤드라인
DiffusionGemma 26B: Google의 텍스트 확산 모델이 토큰을 병렬로 생성하는 방법
Google DeepMind가 발표한 DiffusionGemma 26B는 기존의 자기회귀 방식 대신 이산 확산(Discrete Diffusion) 기술을 사용하여 텍스트를 병렬로 생성하는 오픈 웨이트 모델입니다. 이 방식은 낮은 배치 크기에서도 H100 GPU 기준 초당 1,000개 이상의 토큰을 생성할 수 있어 지연 시간에 민감한 워크로드에 혁신적인 성능을 제공합니다.
6월 18일0
Dev.toAI 번역헤드라인
DiffusionGemma: Google DeepMind의 텍스트 확산 모델이 초당 1,000개의 토큰을 생성하는 방법
Google DeepMind가 발표한 DiffusionGemma는 이미지 생성의 노이즈 제거 방식을 텍스트 생성에 적용하여 초당 1,000개 이상의 토큰을 생성하는 모델입니다. 기존 자기회귀 방식과 달리 텍스트 블록을 병렬로 처리하여 처리량을 약 4배 향상시켰습니다.
6월 18일0
Dev.toAI 번역헤드라인
STU-Net: 대규모 지도 사전 학습 (Supervised Pre-training)을 통한 확장 가능하고 전이 가능한 의료 영상 분할
STU-Net은 대규모 지도 사전 학습을 통해 확장성과 전이 가능성을 높인 의료 영상 분할 모델입니다. 의료 영상 분야에서 효율적인 학습과 적용을 목표로 합니다.
6월 18일0
Dev.toAI 번역헤드라인
Hamilton-Jacobi 관점: 주요 신경망 아키텍처 간의 연결 고리
ResNet, Transformer, RNN 등 주요 신경망 아키텍처를 Hamilton-Jacobi 편미분 방정식(PDE) 관점에서 통합적으로 분석합니다. 각 모델의 구조적 특징을 수치 적분기의 타임스텝과 해밀토니언으로 재정의하여 수학적 통일성을 제시합니다.
6월 18일0
Dev.toAI 번역헤드라인
두 번의 디퓨전 단계로 31 FPS 달성
Lip Forcing 연구는 디노이징 단계를 단 2회로 줄여 실시간 립싱크(31 FPS)를 구현하는 기술을 제안합니다. 기존의 무거운 양방향 디퓨전 모델 대신 컨디셔닝 파이프라인을 재구성한 스튜던트 모델을 사용하여 속도와 동기화 성능을 동시에 개선했습니다.
6월 18일0
Dev.toAI 번역헤드라인
AI가 조용히 멍청해지고 있는 걸까? LLM 성능 저하를 포착하는 24/7 벤치마크
AI 모델의 성능 저하 현상을 실시간으로 추적하는 벤치마크 플랫폼 AIStupidLevel을 소개합니다. 모델 업데이트, 양자화, 연산 자원 제한 등 성능 변화를 일으키는 주요 원인들을 분석합니다.
6월 18일0
Dev.toAI 번역헤드라인
첫인상: 이중 용도 AI 취약점 모델이 초래하는 피할 수 없는 공격 능력 확산 표면
Anthropic의 Mythos 5와 Claude Fable 5가 고도의 취약점 발견 및 익스플로잇 개발 능력을 보여주며 보안 위협을 가중시키고 있습니다. 이러한 능력이 오픈 웨이트 모델을 통해 확산될 경우, 방어자들이 대응하기 어려운 공격 표면이 급격히 확대될 것으로 전망됩니다.
6월 18일0
Dev.toAI 번역헤드라인
Ovis2.5 기술 보고서 (Technical Report)
Ovis2.5 기술 보고서에 관한 내용입니다. 해당 모델의 기술적 사양과 연구 성과를 다루고 있습니다.
6월 18일0
Dev.toAI 번역헤드라인
GLM-5.2: 비용은 1/6 수준이면서 GPT-5.5를 능가하는 오픈 소스 AI 모델
Z.ai가 GPT-5.5를 능가하는 성능을 가진 7,530억 파라미터 규모의 오픈 웨이트 모델 GLM-5.2를 출시했습니다. 이 모델은 코딩 벤치마크에서 압도적인 성적을 거두었으며, GPT-5.5 대비 약 1/6 수준의 매우 저렴한 API 비용을 제공합니다.
6월 18일0
Dev.toAI 번역헤드라인
Paper 167 v0.1 — 소피 제르맹 소수 (Sophie Germain Primes): 장벽 측 관찰 (Barrier-Side
소피 제르맹(Sophie Germain) 소수에 대한 네 가지 장벽 측 경험적 관찰 결과를 보고하는 연구 초안입니다. Bellman-Ford LP-불가능성 프레임워크를 사용하여 Hardy-Littlewood 예측값과의 수렴성 및 간격 분포를 분석했습니다.
6월 17일0
Dev.toAI 번역헤드라인
Rerender A Video: Zero-Shot 텍스트 가이드 비디오-투-비디오 변환
Rerender A Video는 텍스트 가이드를 활용하여 비디오를 비디오로 변환하는 Zero-Shot 기술을 소개합니다. 별도의 추가 학습 없이 텍스트 명령만으로 영상의 스타일이나 내용을 정교하게 변경할 수 있습니다.
6월 17일0
Dev.toAI 번역헤드라인
2026년 LLM-as-Judge 신뢰성: 6월 8개 연구가 실제로 보여주는 것
2026년 6월 발표된 8개의 연구를 통해 LLM-as-Judge 방식의 심각한 신뢰성 문제를 분석합니다. 반복 실행 시 결과가 동전 던지기 수준으로 불일치하며, 추론 예산이나 브랜드 편향에 따라 평가 결과가 왜곡될 수 있음을 경고합니다.
6월 17일0
Dev.toAI 번역헤드라인
저전력 자율 배포를 위한 산불 대피 물류 네트워크용 물리 증강 확산 모델링 (Physics-Augmented Diffusion Modeling)
산불 대피 경로 최적화를 위해 물리 법칙을 내장한 물리 증강 확산 모델(Physics-Augmented Diffusion Models)을 제안합니다. 저전력 에지 장치 및 드론에서 실행 가능한 효율적인 대피 물류 네트워크 설계를 목표로 합니다.
6월 17일0
Dev.toAI 번역헤드라인
DiffusionGemma: 4배 빠른 텍스트 생성
DeepMind가 발표한 DiffusionGemma는 기존 방식보다 4배 빠른 텍스트 생성을 구현한 새로운 확산 모델 프레임워크입니다. 적응형 확산 스케줄과 계층적 구조를 통해 생성 효율성과 품질을 동시에 개선했습니다.
6월 17일0
Dev.toAI 번역헤드라인
긴 컨텍스트를 위한 GLM-5.2, TimesFM 및 오픈 소스 코딩 에이전트
긴 컨텍스트 처리에 특화된 오픈 웨이트 모델 GLM-5.2와 Google Research의 시계열 예측 파운데이션 모델 TimesFM을 소개합니다. 또한 로컬 LLM 통합을 위한 오픈 소스 코딩 에이전트의 동향을 다룹니다.
6월 17일0
Dev.toAI 번역헤드라인
실전 투입 가능한 AI를 위한 청사진: 반드시 읽어야 할 핵심 논문들
Llama 3.1 405B의 합성 데이터 생성 및 모델 증류 방법론과 새로운 신경망 구조인 Kolmogorov-Arnold Networks(KAN)를 분석합니다. 단순한 모델 출시를 넘어 아키텍처의 변화와 실전 배포를 위한 기술적 통찰을 제공합니다.
6월 17일0
Dev.toAI 번역헤드라인
GLM-5.2, Artificial Analysis에서 지수 51점을 기록하며 오픈 웨이트 모델 선두 차지
Z.ai가 발표한 GLM-5.2가 Artificial Analysis 지수에서 51점을 기록하며 최초로 오픈 웨이트 모델 중 1위를 차지했습니다. 이 모델은 Nvidia GPU 대신 Huawei Ascend 칩을 사용하여 훈련되었으며, MoE 구조를 채택한 7,440억 파라미터 규모의 모델입니다.
6월 17일0
Dev.toAI 번역헤드라인
Attention이 실제로 작동하는 방식 — Next-Token Prediction에서 QKV 직관까지
언어 모델의 핵심 메커니즘인 Attention이 Next-Token Prediction 과정에서 어떻게 작동하는지 설명합니다. QKV(Query, Key, Value) 구조를 통해 모델이 문맥 내에서 중요한 정보를 동적으로 선택하고 가중치를 부여하는 원리를 다룹니다.
6월 17일0