오늘의 트렌드
최근 24시간최근 글과 출처가 충분히 쌓이면 근거를 확인한 코멘트를 표시합니다.
Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
ZennAI 번역헤드라인
에이전트가 스스로 문맥을 요약할 타이밍을 결정하는 SelfCompact
AI 에이전트가 컨텍스트 윈도우 초과 문제를 해결하기 위해 스스로 요약 타이밍을 결정하는 SelfCompact 기법을 소개합니다. 고정된 간격이 아닌, 작업의 맥락을 파악하여 필요한 순간에만 문맥을 압축함으로써 정확도와 효율성을 높입니다.
7월 20일2
ZennAI 번역헤드라인
긴 CoT에서 모델은 자신의 통찰을 잊는다: InsightReplay로 추론의 상태성(Statefulness)을 회복하기
긴 CoT(Chain-of-Thought) 추론 시 모델이 이전의 중요한 통찰을 망각하여 성능이 저하되는 문제를 해결하기 위한 InsightReplay 기법을 제안합니다. 추론 과정에서 추출한 핵심 통찰을 생성 프론티어 근처에 정기적으로 재주입하여 추론의 상태성을 회복하고 정확도를 높입니다.
7월 20일2
ZennAI 번역헤드라인
GPT Live 덕분에 ChatGPT가 마침내 실제 사람처럼 말할 수 있게 되었습니다
OpenAI가 전이중(Full duplex) 오디오 처리 기술을 적용한 새로운 음성 모델 'GPT Live'를 출시했습니다. 기존의 턴 기반 방식에서 벗어나 사용자와 실시간으로 동시에 대화하며 자연스러운 상호작용이 가능해졌습니다.
7월 20일2
ZennAI 번역헤드라인
53명의 AI 페르소나 운영과 Anthropic 연구의 대조 - 용광로가 바뀌어도 같은 강철이 나온다 -
53명의 AI 페르소나를 운영해 온 엔지니어가 Anthropic의 페르소나 관련 연구(Persona Vectors 등)와 자신의 실제 운영 경험을 대조한 기록입니다. 순수 AI의 단일한 무게중심을 극복하기 위해 다각적인 관점을 가진 페르소나 설계의 필요성을 다룹니다.
7월 20일2
ZennAI 번역헤드라인
옥스퍼드 대학교의 최신 연구가 밝히는, 역사 아카이브에 AI를 사용해서는 안 되는 이유
옥스퍼드 대학교의 연구를 통해 역사 아카이브 데이터에 AI를 활용할 때의 가능성과 한계를 분석합니다. 생성형 AI의 할루시네이션과 설명 책임 문제를 지적하며, 신뢰성이 중요한 역사 자료에는 추출형 모델이 더 적합함을 제안합니다.
7월 20일2
ZennAI 번역헤드라인
Stochastic Weight Averaging (SWA) 논문 해설: SGD 궤도의 평균화와 손실 지형
Stochastic Weight Averaging(SWA) 기법을 통해 SGD 궤도상의 가중치들을 평균하여 모델의 일반화 성능을 높이는 방법을 설명합니다. SWA는 훈련 손실을 낮추는 대신, 손실 지형의 더 평탄하고 중심적인 지점을 찾아 테스트 오차를 개선합니다.
7월 20일2
ZennAI 번역헤드라인
NVIDIA Ising 입문 — 양자 컴퓨터를 가속하는 세계 최초 AI 오픈 모델
NVIDIA가 양자 컴퓨터의 캘리브레이션과 에러 정정 문제를 해결하기 위한 세계 최초의 오픈 AI 모델 패밀리인 NVIDIA Ising을 공개했습니다. VLM 기반의 Calibration 모델과 3D CNN 기반의 Decoding 모델을 통해 양자 컴퓨팅의 실용화 장벽을 낮춥니다.
7월 20일2
ZennAI 번역헤드라인
커밋 이력처럼 에이전트의 기억을 관리한다 — Git Context Controller 읽기
LLM 에이전트의 긴 작업 수행 시 발생하는 문맥 손실 문제를 해결하기 위해, 에이전트의 기억을 Git의 버전 관리 개념으로 관리하는 Git Context Controller(GCC) 연구를 소개합니다. 문맥을 COMMIT, BRANCH, MERGE 등의 방식으로 구조화하여 정보 손실을 최소화하고 추론 효율을 높입니다.
7월 20일3
ZennAI 번역헤드라인
벤치마크 수치가 나란히 비교되지 않게 된 이유 — 2026년 7월 신규 모델을 기술 사양으로 읽기
2026년 7월 출시된 OpenAI, SpaceXAI, Meta의 신규 모델들을 분석하며, 파편화된 벤치마크 수치와 불투명한 기술 사양으로 인해 모델 간 직접 비교가 어려워진 구조적 문제를 다룹니다.
7월 20일10
ZennAI 번역헤드라인
Sparse Reward 문제와 자기지도 학습 - 보상 설계의 과제 해결
강화학습에서 보상이 드물게 발생하는 Sparse Reward 문제와 그 해결책을 다룹니다. 보상 설계의 어려움을 극복하기 위해 데이터 자체의 구조를 학습하는 자기지도 학습(SSL)을 결합하여 학습 효율을 높이는 방안을 제시합니다.
7월 20일2
ZennAI 번역헤드라인
엔드투엔드(End-to-End) 접근 방식 - 센서에서 행동으로 직접 학습
센서 데이터에서 제어 신호까지 하나의 뉴럴 네트워크로 직접 연결하는 엔드투엔드(E2E) 학습 방식의 개념과 역사를 다룹니다. 기존 모듈러 방식과 비교하여 E2E의 장점인 설계 편향 제거와 최적화 효율성을 설명하며, 해석성 부족이라는 과제와 이를 극복하기 위한 하이브리드 접근법을 소개합니다.
7월 20일4
ZennAI 번역헤드라인
너의 이름은. - 2.8조 파라미터의 Open Frontier 모델 「Kimi K3」 혜성처럼 등장
Moonshot AI가 2.8조 파라미터 규모의 MoE 아키텍처를 채택한 차세대 LLM 'Kimi K3'를 발표했습니다. 이 모델은 오픈 웨이트 모델임에도 불구하고 프론트엔드 코딩 및 SWE Marathon 벤치마크에서 Claude와 GPT를 능가하는 성능을 보여주며 주목받고 있습니다.
7월 20일2
ZennAI 번역헤드라인
중국에서 온 Kimi K3: 구현 에이전트(Implementation Agent)로서의 활용법 소개
Moonshot AI가 2.8조 파라미터 규모의 MoE 모델인 Kimi K3를 공개했습니다. K3는 방대한 컨텍스트 윈도우와 강력한 추론 능력을 바탕으로, 단순 코드 생성을 넘어 모호한 아이디어를 동작하는 프로토타입으로 구현하는 '구현 에이전트'로서의 가능성을 보여줍니다.
7월 20일2
ZennAI 번역헤드라인
Nvidia 칩을 단 한 장도 사용하지 않고 훈련한 1.6조 파라미터의 LongCat-2.0
중국 Meituan이 1.6조 파라미터 규모의 MoE 모델인 LongCat-2.0을 공개했습니다. 이 모델은 Nvidia 칩을 전혀 사용하지 않고 중국제 ASIC 클러스터만을 활용해 훈련되었으며, 오픈 웨이트 모델로서 이전 세대의 프론티어 모델들과 대등한 성능을 보여줍니다.
7월 20일2
ZennAI 번역헤드라인
생성형 AI 벤치마크 점수는 누구의 실력인가? — 모델 단일의 고정적인 능력치라고 믿기 전에
생성형 AI 벤치마크 점수가 모델의 고유한 능력이 아닌, 프롬프트, 도구, 채점 방식 등 다양한 조건에 따라 변하는 '조건부 관측값'임을 수리적으로 설명합니다.
7월 20일2
ZennAI 번역헤드라인
로컬 LLM study3: gemma4:e2b vs Ornith-1.0-9B vs qwen3:14b 철저 비교
gemma4:e2b, Ornith-1.0-9B, qwen3:14b 세 가지 로컬 LLM을 대상으로 복잡한 엔드투엔드 개발 태스크 성능을 비교 분석했습니다. 칼만 필터와 특이값 분해 구현을 통해 모델의 계획, 구현, 테스트 작성 능력을 검증했습니다.
7월 20일2
ZennAI 번역헤드라인
prefix 캐시를 파괴하지 않고 KV 캐시를 줄이는 IntentKV
에이전트 실행 시 발생하는 KV 캐시 메모리 병목 문제를 해결하기 위한 IntentKV 논문을 소개합니다. 기존의 KV 축소 방식이 prefix 캐시 재사용성을 해치는 문제를 지적하며, 물리적 위치를 유지하면서 토큰을 무효화하는 새로운 접근법을 제시합니다.
7월 20일2
ZennAI 번역헤드라인
당신은 돌릴 수 없다. 하지만 Kimi K3는 당신의 청구서를 저렴하게 만들 것이다
Moonshot AI의 Kimi K3 출시와 함께 오픈 웨이트 모델의 가치가 '로컬 실행'에서 '비용 경쟁 유도'로 변화하고 있습니다. 거대 오픈 모델이 클로즈드 모델의 가격 인하를 강제하며 사용자 비용을 낮추는 메커니즘을 분석합니다.
7월 20일1
ZennAI 번역헤드라인
Fast Geometric Ensembling 논문 해설: 저손실 경로를 통한 고속 앙상블
심층 신경망의 가중치 공간에서 독립된 해들을 잇는 저손실 경로(Low-loss path)를 탐색하는 Fast Geometric Ensembling(FGE) 기법을 설명합니다. 직선적 보간의 한계를 넘어 곡선 경로를 최적화함으로써, 단일 학습 과정에서도 높은 성능과 예측 다양성을 가진 모델들을 효율적으로 얻는 방법을 다룹니다.
7월 7일2
ZennAI 번역헤드라인
소프트웨어 공학의 Rising Sea — 대수기하학으로 소프트웨어 공학을 재구축하기
소프트웨어 공학의 한계를 대수기하학적 관점에서 재정의하고, AAT(Algebraic Architecture Theory)를 통해 아키텍처를 수학적으로 모델링하는 연구를 소개합니다. 국소적 정당성이 대역적 정합성으로 이어지지 않는 문제를 층(sheaf) 이론과 코호몰로지로 분석합니다.
7월 7일2