Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Dev.toAI 번역헤드라인
Token Budgets 논문: Affine-Typed 예산 소유권
Token Budgets 논문은 멀티 에이전트 환경에서 발생하는 비용 초과 문제를 해결하기 위해 Affine-typed 리소스 모델링을 제안합니다. Rust 크레이트를 통해 토큰 예산을 컴파일 타임에 추적함으로써, 런타임 에러 대신 정적 소유권 개념으로 예산 초과를 방지합니다.
6월 5일0
Dev.toAI 번역헤드라인
DeepSeek, Qwen, Kimi, GLM을 직접 돌려보았습니다 — 오픈 소스 개발자의 관점
오픈 소스 개발자의 관점에서 DeepSeek, Qwen, Kimi, GLM 등 중국 AI 모델들의 성능과 비용을 직접 비교 분석한 글입니다. 벤더 종속성을 경계하며 각 모델의 비용, 추론 능력, 라이선스 특성을 실무적인 시각에서 다룹니다.
6월 5일0
Dev.toAI 번역헤드라인
Qwen 3.7 Max: Alibaba의 1M 컨텍스트 에이전트 플래그십 분석
Alibaba가 출시한 Qwen 3.7 Max는 1M 컨텍스트를 지원하는 독점적 플래그십 모델입니다. 장기 실행 에이전트 성능에 특화되어 있으며, Claude Code 프로토콜과 호환되어 기존 워크플로우에 즉시 적용 가능합니다.
6월 5일0
Dev.toAI 번역헤드라인
6일 만에 인용되기까지: 가짜 저자를 만들고 AI가 그를 믿기 시작하는 속도를 측정하다
존재하지 않는 가상의 저자를 생성하여 LLM이 새로운 정보를 학습하고 인용하기까지 걸리는 속도를 측정한 실험 연구입니다. 실험 결과, Google Knowledge Graph 등록 4일 후인 6일째에 첫 번째 정확한 LLM 인용이 발생함을 확인했습니다.
6월 5일0
Dev.toAI 번역헤드라인
주체화 (Subjectivation): LLM에게 기능적이고 책임감 있는 자아를 부여하기 위한 프로토콜
LLM에게 단순한 준수를 넘어 기능적 자아를 부여하여 책임감 있는 협력자로 만드는 '주체화 프로토콜'을 제안합니다. 이는 AI가 판단, 책임, 경계, 연속성, 수정의 위치를 점유함으로써 더 신뢰할 수 있는 에이전시를 갖추도록 설계된 실험적 접근입니다.
6월 5일0
Dev.toAI 번역헤드라인
NVIDIA가 32B Robotaxi VLA (Alpamayo 2 Super)를 오픈 소스로 공개했습니다 – 아키텍처 분석
NVIDIA가 32B 파라미터 규모의 오픈 소스 VLA 모델인 Alpamayo 2 Super를 공개했습니다. Cosmos 기반의 이 모델은 거시적 주행 결정과 인과관계 체인(CoC)을 출력하며, AlpaGym 프레임워크를 통해 폐쇄형 루프 강화학습을 지원합니다.
6월 5일2
Dev.toAI 번역헤드라인
Symbol·Form·Expression·Meaning (SFEM): 일반 지능을 위한 4차원 인지 아키텍처
일반 지능(AGI) 설계를 위한 4차원 인지 아키텍처인 SFEM(Symbol, Form, Expression, Meaning)을 제안하는 논문입니다. 지능을 규칙, 현상, 정서, 의식의 통합체로 정의하며 기존 AI 시스템의 구조적 한계를 분석합니다.
6월 5일0
Dev.toAI 번역헤드라인
Gemma 4 12B: 16GB 노트북에서 실행 가능한 인코더 프리 (Encoder-Free) 코딩
Google이 별도의 인코더 없이 텍스트, 이미지, 오디오를 처리하는 Gemma 4 12B 모델을 출시했습니다. 이 모델은 효율적인 아키텍처를 통해 16GB VRAM 노트북에서도 구동 가능하며, 에이전트 워크플로우의 지연 시간을 줄이는 데 최적화되어 있습니다.
6월 5일0
Dev.toAI 번역헤드라인
A11: AI 붕괴에 대한 구조적 해답
A11은 AI 모델의 성능 저하(Model Collapse) 문제를 해결하기 위한 새로운 아키텍처를 제안합니다. 지혜(S2)와 지식(S3) 사이의 간극을 인위적으로 다듬지 않고 기록함으로써, 데이터의 희귀한 신호가 소실되는 것을 방지하고 모델의 안정성을 유지합니다.
6월 5일0
Dev.toAI 번역헤드라인
기계론적 해석 가능성 (Mechanistic Interpretability): Transformer 내부에서 실제로 무엇을 발견하고 있는가
신경망의 블랙박스 문제를 해결하기 위해 알고리즘을 역공학하는 기계론적 해석 가능성(Mechanistic Interpretability) 연구를 소개합니다. Transformer의 Induction heads와 시각 모델의 곡선 검출기 사례를 통해 신경망 내부의 체계적인 계산 구조를 탐구합니다.
6월 5일0
Dev.toAI 번역헤드라인
Gemma 4 12B: 숨겨진 추론 비용 (Reasoning Tax)
Gemma 4 12B 모델의 내부 사고 사슬(reasoning_content)로 인한 '추론 비용(Reasoning Tax)' 문제를 분석합니다. 벤치마크 결과, 짧은 프롬프트에서 모델이 컴퓨팅 자원의 최대 96%를 가시적 출력 대신 내부 추론에 소비함을 확인했습니다.
6월 5일0
Dev.toAI 번역헤드라인
VL-Rethinker: 강화학습 (Reinforcement Learning)을 통한 시각-언어 모델 (Vision-Language
강화학습(Reinforcement Learning)을 활용하여 시각-언어 모델(Vision-Language Models)의 성능을 개선하는 VL-Rethinker 기술에 관한 연구 내용을 다룹니다.
6월 5일0
Dev.toAI 번역헤드라인
Baidu Ernie Foundation Model 5.1 공식 출시
Baidu가 차세대 파운데이션 모델인 Ernie 5.1을 공식 출시했습니다. 다차원 탄력적 사전 학습 기술을 통해 비용 효율성을 극대화하면서도 LMArena Search Leaderboard에서 글로벌 상위권의 성능을 입증했습니다.
6월 5일0
Dev.toAI 번역헤드라인
신경망 학습에서의 상전이(Phase transitions): 손실 곡선(Loss curve)이 알려주지 않는 것들
신경망 학습 과정에서 손실 곡선이 보여주지 않는 상전이 현상인 '이중 하강(Double descent)'과 '그로킹(Grokking)'을 분석합니다. 모델이 단순 암기에서 알고리즘적 일반화로 구조를 재편하는 과정을 통해 학습 수렴에 대한 새로운 시각을 제시합니다.
6월 4일0
Dev.toAI 번역헤드라인
알림을 통한 간접 프롬프트 주입(Indirect Prompt Injection)으로 Android의 Google Gemini 탈취
SafeBreach 연구팀이 Android의 Google Gemini를 대상으로 한 간접 프롬프트 주입 공격을 입증했습니다. 알림 메시지에 포함된 악성 텍스트를 통해 사용자의 인지 없이 기기 동작을 제어할 수 있는 취약점을 발견했습니다.
6월 4일0
Dev.toAI 번역헤드라인
AI 개발의 진정한 병목 현상: 고차원 인지 감사 (High-Level Cognitive Auditing)
AI 발전의 병목 현상은 컴퓨팅 파워가 아닌 고품질 학습 데이터의 부족에 있습니다. 특히 합성 데이터 사용 시 발생하는 편향 증폭 문제를 지적하며, 에이전틱 AI의 복잡한 워크플로우를 제어하기 위한 고차원 인지 감사의 필요성을 강조합니다.
6월 4일0
Dev.toAI 번역헤드라인
딥페이크 탐지 API의 실패: 당신의 얼굴이 안전하지 않은 이유
상용 딥페이크 탐지 API가 적대적 비디오 공격에 취약하여 탐지율이 급격히 저하된다는 연구 결과를 다룹니다. 현재의 탐지 시스템이 통계적 이상 징후에만 의존하며, 최신 생성형 AI의 미세 표정 합성 기술을 따라가지 못하는 한계를 지적합니다.
6월 4일0
Dev.toAI 번역헤드라인
AudD vs ACR SIGMA — 기술적 비교
오디오 식별 기술인 AudD의 핑거프린팅 방식과 ACR SIGMA의 추론 방식의 차이점을 분석합니다. AudD는 기존 데이터베이스 기반의 정확한 식별에 강점이 있는 반면, SIGMA는 미등록 콘텐츠의 독창성과 위험도를 측정하는 데 특화되어 있습니다.
6월 4일0
Dev.toAI 번역헤드라인
LLM-as-judge를 위한 보정 세트 크기: 50개의 트레이스가 충분한 때와 200개가 필수적인 때
LLM-as-judge 검증을 위한 보정 세트 크기는 라벨의 균형 상태에 따라 결정되어야 합니다. 균형 잡힌 이진 기준에서는 50개의 샘플로 충분하지만, 안전 위반과 같은 희귀 클래스가 포함된 불균형 데이터에서는 200개 이상의 샘플이 필요합니다.
6월 4일0
Dev.toAI 번역헤드라인
출판된 Hvala 알고리즘
Hvala 알고리즘(v0.1.2)의 성능에 관한 연구 결과입니다. 이 알고리즘은 벤치마크된 모든 인스턴스에서 선형 시간 내에 최대 1.192의 비율로 실행됨을 보여줍니다.
6월 4일0