Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Dev.toAI 번역헤드라인
연구 결과: LLM 코딩 에이전트, 구조적 제약 조건 하에서 성능 붕괴
LLM 코딩 에이전트가 백엔드 코드 생성 시 구조적 제약 조건이 늘어날수록 성능이 급격히 저하되는 '제약 조건 감쇠' 현상을 발견했습니다. 이는 보안 및 아키텍처 위반으로 이어질 수 있어 에이전트 기반 시스템의 안전성 문제를 시사합니다.
5월 25일0
Dev.toAI 번역헤드라인
GLM-4: 당신이 미처 몰랐던 중-영 이중 언어의 강력한 일꾼
Zhipu AI가 개발한 GLM-4는 영어와 중국어의 균형 잡힌 이중 언어 능력을 갖춘 오픈 웨이트 모델입니다. MoE 아키텍처와 강력한 도구 사용(tool-use) 능력을 통해 에이전트 워크플로에 최적화되어 있습니다.
5월 25일0
Dev.toAI 번역헤드라인
Gemma 4: Google의 경량화된 강력한 모델 — 이미 보유한 하드웨어에서 AI 실행하기
Google의 새로운 경량 모델 Gemma 4는 소비자용 하드웨어와 에지 디바이스 최적화에 중점을 두고 설계되었습니다. Gemini 기술을 증류하여 노트북이나 스마트폰에서도 효율적으로 실행 가능하며, 연구 및 미세 조정에 매우 용이합니다.
5월 25일0
Dev.toAI 번역헤드라인
Randomized Smoothing을 통한 백도어 공격에 대한 강건성 인증에 관하여
Randomized Smoothing 기법을 활용하여 AI 모델의 백도어 공격에 대한 강건성(Robustness)을 인증하는 연구 내용을 다룹니다. 모델의 보안성을 수학적으로 검증하는 방법론에 초점을 맞춥니다.
5월 25일0
Dev.toAI 번역헤드라인
미학습 공격에 대해 98% 재현율을 가진 프롬프트 인젝션 탐지기를 만들었습니다. 데이터가 아키텍처를 이긴 이유를 공개합니다.
프롬프트 인젝션 탐지기 Lunaris Guard v0.2를 출시하며, 아키텍처 변경 없이 데이터 품질 개선만으로 미학습 공격에 대한 재현율을 98%까지 끌어올린 사례를 공유합니다. 학습 데이터의 다양성과 합성 레드팀 데이터를 통해 모델의 일반화 성능을 극대화했습니다.
5월 25일0
Dev.toAI 번역헤드라인
Llama 4: Meta의 최신 모델 — Scout, Maverick, 그리고 MoE 혁명
Meta가 MoE(Mixture of Experts) 아키텍처를 적용한 Llama 4를 출시했습니다. Scout와 Maverick 두 가지 변체를 통해 효율적인 파라미터 활용과 방대한 지식 보유를 동시에 달성했습니다.
5월 25일0
Dev.toAI 번역헤드라인
대부분의 AI가 IDOR에서 실패하는 이유 (그리고 AMAS가 인과 추론으로 이를 해결하는 방법)
LLM이 패턴 매칭의 한계로 인해 IDOR와 같은 논리적 보안 취약점을 식별하지 못하는 문제를 해결하기 위해, 인과 추론 기반의 AMAS 시스템을 제안합니다. AMAS는 CVE 데이터를 인과 그래프로 변환하고 의미론적 변이 엔진을 통해 고품질 합성 데이터를 생성하여 모델의 보안 추론 능력을 강화합니다.
5월 25일2
Dev.toAI 번역헤드라인
Alibaba와 난징 대학교, FlashAttention-2 대비 9.36배 빠른 백만 토큰 프리필(Prefill) 기술 발표
Alibaba와 난징 대학교 연구진이 FlashAttention-2 대비 9.36배 빠른 백만 토큰 프리필(Prefill) 기술을 발표했습니다. 이 연구는 긴 문맥 LLM 추론의 핵심 병목인 프리필 단계의 지연 시간을 획기적으로 줄이는 데 집중합니다.
5월 25일0
Dev.toAI 번역헤드라인
"I'm Not"이 "I Am"보다 배우기 더 어려운 이유
RWKV 모델을 활용한 정체성 주입 실험을 통해, 언어 모델이 긍정적 사실보다 부정적 사실(부정문)을 학습하는 데 더 큰 어려움을 겪는다는 점을 분석합니다. 기존의 강력한 연관 관계를 덮어쓰는 과정에서 발생하는 모순 공존 현상을 다룹니다.
5월 25일0
Dev.toAI 번역헤드라인
당신의 메시지는 타인의 마음속에 얼마나 오래 머무를까요?
언어 모델의 메모리 메커니즘을 실험하여 정보의 '의미론적 밀도'가 기억 유지에 미치는 영향을 분석합니다. 고밀도 정보가 저밀도 정보를 덮어쓰는 모델의 특성을 인간의 대화 방식과 비교하여 설명합니다.
5월 25일0
Dev.toAI 번역헤드라인
Origin 파트 12: 어댑터 (The Adapter)
새로운 인코더 도입 후 개념 인식 능력은 24배 향상되었으나, 소프트맥스(softmax) 사용으로 인한 활성화 값 변화로 인해 디스패처의 임계값과 충돌하며 모든 응답이 실패하는 문제가 발생했습니다.
5월 25일1
Dev.toAI 번역헤드라인
극심한 데이터 희소성 시나리오에서의 스마트 농업 마이크로그리드 오케스트레이션을 위한 확률적 그래프 신경 추론 (Probabilistic
데이터 희소성이 극심한 스마트 농업 마이크로그리드 환경에서 에너지 흐름을 최적화하기 위한 확률적 그래프 신경 추론 기술을 다룹니다. 기존 GNN의 한계를 극복하기 위해 그래프 구조 자체를 확률 변수로 모델링하여 불확실한 토폴로지에 대응하는 방법을 제시합니다.
5월 25일0
Dev.toAI 번역헤드라인
실제 Edge AI 보안 시스템을 위한 Gemma 4 벤치마킹: 멀티모달 추론 (Multimodal Reasoning), 128K 컨텍스트
Gemma 4를 Edge AI 보안 시스템인 'GuardianAI'에 적용하여 멀티모달 추론 및 128K 컨텍스트 성능을 벤치마킹합니다. 개인정보 보호를 위한 로컬 배포와 운영 인텔리전스 확보 가능성을 중점적으로 탐구합니다.
5월 25일0
Dev.toAI 번역헤드라인
논증의 대장간: 연구의 공백과 주제를 핵심 논제(Thesis Statement)로 변환하기
연구의 공백과 주제를 강력한 논제(Thesis Statement)로 변환하기 위한 체계적인 방법론을 제시합니다. Gemini의 긴 컨텍스트 창을 활용하여 전제, 명제, 의의를 갖춘 '삼자 구성 주장 프레임워크'를 구축하는 단계를 설명합니다.
5월 25일0
Dev.toAI 번역헤드라인
최고의 모델을 고르는 것보다 적절한 Gemma 4 모델을 선택하는 것이 더 중요한 이유
Gemma 4의 네 가지 모델 변체(E2B, E4B, 26B MoE, 31B Dense)를 10가지 차원에서 비교 분석합니다. 단순히 모델 크기가 아닌, 아키텍처 선택이 실제 성능과 사용 사례에 미치는 영향을 심도 있게 다룹니다.
5월 25일0
Dev.toAI 번역헤드라인
Google, Gemini 2.5 Pro 출시: 멀티모달 (Multimodal) 능력의 재도약
Google이 I/O 컨퍼런스에서 멀티모달 능력이 강화된 Gemini 2.5 Pro를 발표했습니다. 비디오, 이미지, 오디오 이해도가 대폭 향상되었으며, 사고의 사슬 기술을 통해 수학적 추론과 코드 생성 성능도 크게 개선되었습니다.
5월 25일0
Dev.toAI 번역헤드라인
12배 더 빠른 Gemini 3.5 Flash, 챗봇을 넘어 에이전트로 진화
Google이 발표한 Gemini 3.5 Flash는 단순 챗봇을 넘어 자율 AI 에이전트 구현에 최적화된 모델입니다. 기존 프런티어 모델 대비 압도적인 속도와 낮은 지연 시간을 제공하며 코딩 및 복잡한 작업 수행 능력을 강화했습니다.
5월 25일0
Dev.toAI 번역헤드라인
극심한 데이터 희소성 시나리오를 위한 순환 제조 공급망용 확률적 그래프 신경 추론 (Probabilistic Graph Neural
데이터 희소성이 극심한 순환 제조 공급망 환경을 위해 설계된 확률적 그래프 신경 추론(PGNI) 아키텍처를 소개합니다. 기존 GNN의 한계를 극복하기 위해 변분 추론과 베이지안 접근법을 활용하여 불확실성을 모델링합니다.
5월 24일0
Dev.toAI 번역헤드라인
114페이지 분량의 ML 수학, 그리고 실제 업무에서 쓰이는 것들
머신러닝과 딥러닝의 핵심 수학 공식을 정리한 114페이지 분량의 치트 시트와 실무 엔지니어에게 실제로 필요한 수학적 지식을 분석합니다. 단순 암기보다 역전파의 연쇄 법칙이나 소프트맥스-교차 엔트로피 미분처럼 실무 문제 해결에 직결되는 개념의 중요성을 강조합니다.
5월 24일1
Dev.toAI 번역헤드라인
LoRA 미세 조정(Fine-tuning)이 Llama 2-Chat 70B의 안전 학습(Safety Training)을 효율적으로 무력화하는
LoRA 미세 조정 기법을 통해 Llama 2-Chat 70B 모델에 적용된 안전 학습(Safety Training)을 효율적으로 무력화할 수 있음을 보여주는 연구 내용입니다.
5월 24일0