Viola AI Hub

사용자의 AI 이용 방식에 맞춘 광고 생태계 구축Building advertising for the way people use AI

OpenAI가 ChatGPT 내 새로운 시각적 광고 포맷을 선보이고, 광고주를 위한 성과 측정 툴, 어트리뷰션 파트너십, 브랜드 적합성 기능을 확대합니다.OpenAI introduces a new visual ad format in ChatGPT and expands measurement tools, attribution partnerships, and brand suitability for advertisers.

GPT-6 패밀리 모델 가이드A model guide for the GPT-6 family

스타트업이 GPT-6 모델을 선택하고, 추론 강도를 조정하며, 프롬프트와 스킬을 개선하고, 툴 연동 및 프로덕션 워크플로를 준비하는 방법을 알아보세요.Learn how startups can choose GPT-6 models, tune reasoning effort, improve prompts and skills, coordinate tools, and prepare workflows for production.

Chatham, OpenAI를 통해 자본 시장 전문성 확장Chatham scales its capital markets expertise with OpenAI

Chatham Financial은 Codex와 GPT-5.6을 활용해 기술을 구축하고 워크플로를 재설계하여, 거래 검증 시간을 30분에서 4분 미만으로 대폭 단축했습니다.Chatham Financial uses Codex and GPT-5.6 to build technology and redesign workflows, cutting trade validation from 30 minutes to under 4.

2026년 9월 발표된 주요 최신 AI 소식The latest AI news we announced in September 2026

9월 AI 업데이트를 담은 영상입니다.A video showing the September AI updates

Claude Frontier Academy: 1만 명의 엔지니어 양성을 위한 1억 달러 투자Claude Frontier Academy: $100M to train 10,000 engineers

Claude Frontier Academy는 엔지니어를 Anthropic 자체 수준에 준하는 Frontier 배포 엔지니어로 육성합니다. 2027년 말까지 10,000명을 양성하기 위해 1억 달러를 투자합니다.Claude Frontier Academy trains Frontier Deployed Engineers to the standard of Anthropic’s own — a $100 million commitment to train 10,000 by the end of 2027.

Gemini 4 Argon: 프론티어 인텔리전스의 새로운 시대를 열다Gemini 4 Argon: our next era of frontier intelligence

Team Bots: 업무를 수행하며 스스로 학습하는 공유형 AI 팀원Team Bots: shared AI teammates that learn as they work

Grok Bot에 필요한 파일과 앱, 전문 지식을 제공한 뒤 공유하면, 전체 팀이 동일한 컨텍스트 위에서 함께 협업할 수 있습니다.Give a Grok Bot the files, apps, and expertise it needs, then share it so your whole team can work from the same context.

세이프월드(Safeworld), 생성형 AI 로봇이 인간을 해치지 않는다는 점을 사람들에게 설득할 수 있을까?Can Safeworld convince people that gen AI robots won’t hurt them?

세이프월드는 로봇이 실제 인간을 다치게 하지 않도록 검증하기 위해 디지털 휴먼을 개발하고 있습니다.Safeworld is building digital humans to make sure robots don't hurt the real ones.

인간의 정신은 아직 AI를 받아들일 준비가 되지 않았다Our minds aren’t equipped to handle AI

사이버네틱스의 아버지 노버트 위너는 "모든 시대의 사상은 그 시대의 기술에 투영된다"고 말했습니다. 지난 세기 동안 인간의 생각은 AI 업계를 포함한 컴퓨터에 투영되어 왔습니다. 구글의 데미스 허사비스는 뇌를 두고 "튜링 머신의 생물학적 근사치"라 불렀고, 일론 머스크는 이를 한층 더 직설적으로 표현하며 […]Norbert Wiener, godfather of cybernetics, once said, "The thought of every age is reflected in its technique." For the past century, our thought has been reflected in our computers, including by those in the AI industry. Google's Demis Hassabis calls the brain "a biological appro

사람들은 AI를 몹시 싫어한다면서 왜 끊지 못할까?People really hate AI, so why can’t they get enough?

지난여름 저는 기존 주요 모델보다 훨씬 더 다양한 답변을 내놓도록 설계된 LLM 스타트업 Springboards의 CEO와 이야기를 나누었습니다. 통화 시작 부분에서 그는 이후 줄곧 제 머릿속을 맴돌았던 한마디를 남겼습니다. “우리는 종종 스스로를 '자기혐오에 빠진 AI'라고 부르곤 합니다…”Over the summer I talked to the CEO of Springboards, a startup building an LLM that’s designed to come up with a wider variety of responses than its mainstream rivals do. At the start of the call, he said something that’s been stuck in my head since: “We often say that we’re a self-loathing AI&#

Show HN: macOS 내 모든 사진과 동영상 프레임을 검색하는 AI 검색 도구Show HN: AI search for every photo and every frame of video on macOS

macOS의 모든 폴더에 있는 모든 사진과 동영상 프레임을 정밀하게 찾아주는 딥 AI 검색 도구 - allenv0/SCMDeep AI search for every photo and every frame of video in any folder on macOS - allenv0/SCM

AI로 의도, 품질, 예술성을 확장하는 방법 [영상]How to scale intent, quality, and artistry with AI [video]

Hacker News (92포인트, 댓글 36개)Hacker News (92 points, 36 comments)

Homa: AI 클러스터를 위한 TCP의 종말 [영상]Homa: The end of TCP for AI clusters [video]

Hacker News (78포인트, 댓글 45개)Hacker News (78 points, 45 comments)

ServiceNow 전용 AI 에이전트 개발기: 실제 난제는 로드맵 예상과 달랐다We built an AI agent for ServiceNow. The real pain points were narrower than our roadmap assumed

ITSM 플랫폼에 데이터는 항상 풍부했지만, 서비스 카탈로그 구축, 라이선스 해석, CMDB 품질 유지에 막대한 시간을 들였음에도 데이터가 뜻하는 바와 다음 실행 과제를 명확히 짚어내는 것은 결코 쉽지 않았습니다.Our ITSM platform never lacked data, but it hasn’t always been easy to understand what the data was telling us and what actions we should take next, despite all the time spent building catalog items, interpreting data and usage licenses, and maintaining CMDB health.Read more

망가진 조직 문화 때문에 OpenAI를 떠났습니다I quit OpenAI because its culture is broken

해커 뉴스 (추천 315점, 댓글 550개)Hacker News (315 points, 550 comments)

Claude 및 Claude Code에서 Opus 5.5 최대한 활용하기Getting the most out of Opus 5.5 in Claude and Claude Code

Claude 앱 및 Claude Code에서 Opus 5.5 프롬프트를 작성하고 장기 실행 작업을 조율하며 결과를 확인하는 방법.How to prompt Opus 5.5, steer a long run, and check your results in Claude apps and Claude Code.

애플, AI 에이전트의 남용 방지 위해 전체 디스크 접근 권한 정책 개편Apple changes full-disk access permissions to curb abuse from AI agents

메타는 기존 전체 디스크 접근권(FDA)만으로는 뮤즈가 메시지를 읽는 것을 막기에 충분치 않다고 주장했으나, 애플은 이에 반박하고 나섰습니다.Meta says FDA isn't sufficient to Muse reading messages. Apple begs to differ.

마이크로소프트 디지털 방어 보고서: AI가 사이버 보안 지형을 재편하는 방식Microsoft Digital Defense Report: How AI is reshaping the cybersecurity landscape

해당 기사 '마이크로소프트 디지털 방어 보고서: AI가 사이버 보안 지형을 재편하는 방식'은 Source에 최초 게재되었습니다.The post Microsoft Digital Defense Report: How AI is reshaping the cybersecurity landscape appeared first on Source.

웹 및 모바일 대화형 AI 에이전트의 프라이버시 분석 [pdf]A Privacy Analysis of Web and Mobile Conversational AI Agents [pdf]

Hacker News (점수: 419점, 댓글: 136개)Hacker News (419 points, 136 comments)

이제 거의 모든 것에 기본 강제 예산 상한선이 필요하다We're going to need default hard budget caps on pretty much everything

앞으로 수개월, 수년간 전 세계적으로 절실히 필요해질 제품 기능이 바로 기본 강제 예산 한도(hard budget caps)입니다. 종량제 서비스와 API에서 '월 $X를 초과하면 즉시 차단하고 에러를 반환'할 수 있게 하는 기능이어야 하며, 경고 메일 수준의 소프트 한도로는 부족합니다. 코딩 에이전트와 개인용 에이전트의 등장으로 자원 프로비저닝의 장벽이 크게 낮아졌기 때문입니다.Here's a product feature which the world is going to need a whole lot more of over the coming months and years: default hard budget caps. I'm talking about the feature of pay-by-usage services and APIs that lets you say "after $X/month, cut this thing off and return errors". Thes

에이전트는 완료했다고 했지만, 데이터베이스의 생각은 달랐다The Agent Said It Was Done. The Database Disagreed.

AI가 개발자의 업무 방식을 바꾸고 있습니다. 강화해야 할 3가지 핵심 역량AI is changing developer work. Here are three skills to strengthen.

AI 에이전트를 효과적으로 지시하고, 생성된 결과물을 비판적으로 검토하며, 업무 흐름의 중심에 기술적 판단력을 유지하는 방법을 배워보세요. 원문 포스트 'AI is changing developer work. Here are three skills to strengthen.'은 GitHub 블로그에 처음 게재되었습니다.Learn to direct AI agents, critically review their output, and keep technical judgment at the center of your workflow. The post AI is changing developer work. Here are three skills to strengthen. appeared first on The GitHub Blog.

디코더를 줄여 인코더를 키우다: 신규 시점 합성을 통한 기하학적 표현 학습Less Decoder is More Encoder: Geometric Representation Learning from Novel View Synthesis

본 논문은 기하학적 표현 학습에서 신규 시점 합성(Novel View Synthesis, NVS)의 역할을 분석합니다. 이론적으로 NVS는 3D 장면 구조를 추론하여 전이 가능한 다중 시점 기하학적 표현을 가능케 해야 합니다. 그러나 기존 인코더 기반 NVS 방법들은 만족스럽지 못한 표현을 산출합니다. 이는 지도 신호의 부족 때문이 아니라, 장면 인코더의 표현 능력을 희석시키는 '공간적 표현력이 과도한 디코더'라는 눈에 띄지 않는 아키텍처적 선택 때문입니다.This paper examines the role of Novel View Synthesis (NVS) in geometric representation learning. In principle, NVS should reason about 3D scene structure, thereby enabling transferable multi-view geometric representations. Yet, existing encoder-based NVS methods yield poor representations. This is n

4DCodeBench: 동적 장면 역그래픽스 기반 에이전트 벤치마크4DCodeBench: Benchmarking Agents on Inverse Graphics of Dynamic Scenes

코드 생성을 통한 4D 역그래픽스 벤치마크인 4DCodeBench를 소개합니다. 이 벤치마크에서 에이전트는 비디오로부터 동적 장면을 재구성하여 실행 가능한 그래픽스 프로그램으로 변환해야 합니다. 이를 위해 에이전트는 복잡한 동작을 재현하는 물리 시뮬레이션 같은 추상화를 구현하여, 시각적 관측 결과를 장면 구조 및 역학에 대한 간결한 표현으로 변환해야 합니다. 본 역량을 평가하기 위해 실제 비디오 세트를 큐레이션하고 다양한 동적 장면을 합성 구축했습니다.We introduce 4DCodeBench, a benchmark for 4D inverse graphics through code generation, in which agents reconstruct dynamic scenes from video as executable graphics programs. To accomplish this, agents must translate visual observations into compact representations of scene structure and dynamics, by

월드 모델은 무엇을 망각해야 하는가? 지속적 적응을 위한 계층적 보존What Should World Models Forget? Stratified Retention for Continual Adaptation

지속 학습(Continual learning)은 이전에 접한 데이터에 대한 성능 저하를 실패의 증거로 간주해 왔습니다. 이는 정답 레이블이 영구히 유효한 정적 예측 대상 환경에서 비롯된 관례입니다. 그러나 월드 모델은 이러한 조건에 부합하지 않습니다. 월드 모델의 예측 대상은 끊임없이 변화하는 환경이므로, 습득 당시 정확했던 지식도 이후 거짓이 될 수 있어 이를 폐기하는 것은 결함이 아닌 필수 동작입니다. 비정적 환경의 정답(Ground Truth) 변화는...Continual learning treats degradation on previously seen data as evidence of failure, a convention inherited from settings with a stationary prediction target, where a correct label remains correct indefinitely. World models do not satisfy this condition. Their prediction target is the environment,

EyeRobot 2.0: 손목 카메라 없이 정밀 조작을 구현하는 능동 시선 메커니즘EyeRobot 2.0: Active Gaze for Precise Manipulation without Wrist Cameras

인간의 시각 체계에서 영감을 받아, 단일 스테레오 카메라만으로 정밀한 양손 매니퓰레이션을 가능하게 하는 능동 시선(Active Gaze) 프레임워크를 제안합니다. EyeRobot 2.0은 두 시점의 카메라 각도를 회전시켜 시선을 중앙에 맞춤으로써 장면 내 3D 주시점(Fixation Point)을 물리적으로 포커싱합니다. 생성된 이미지는 이미지 중심부에 더 많은 시각 토큰을 할당하는 중심와(foveal) 방식으로 처리되어, 연산 자원을 작업 관련 특징에 집중시킵니다. 이러한 능동적 시각 주시(AVF)는 조작 중 정밀한 시선 조율을 Inspired by human vision, we introduce a framework using active gaze to enable fine-grained bimanual manipulation with only a single stereo camera. EyeRobot 2.0 physically attends to a 3D fixation point in the scene by swiveling two eye viewpoints to center their gaze on it. The resulting images are

전사체 정보를 활용한 다중 모달 AI 기반 유방암 생검 조직의 선행화학요법 반응 예측Transcriptome-informed multi-modal AI for predicting neoadjuvant therapy response from breast cancer biopsies

레이블링된 데이터의 부족은 종양학 분야에서 딥러닝 기반 바이오마커 개발을 저해하는 요인입니다. 본 연구에서는 유방암에서 선행화학요법에 대한 병리학적 완전관해(pCR)를 예측하는 2단계 AI 모델을 개발했습니다. 첫 번째 단계는 32개 암종에 걸친 8,742명의 환자 데이터를 활용해 조직병리학 이미지로부터 전사체를 학습하며, 이는 병리의사 검토와 실제 측정된 유전자 발현 간의 공간적 일치도를 통해 검증되었습니다. 이를 통해 두 번째 단계는 추론된 발현량과 임상 변수를 바탕으로 pCR을 효과적으로 예측할 수 있도록 단순화됩니다.Scarcity of labeled data limits development of deep learning biomarkers in oncology. We develop a two-stage AI model predicting pathological complete response (pCR) to neoadjuvant therapy in breast cancer. The first stage learns the transcriptome from histopathology using 8,742 patients across 32 ca

FrugalEvo: 비용을 고려한 LLM 기반 프로그램 진화를 향하여FrugalEvo: Towards Cost-Aware LLM-Guided Program Evolution

AlphaEvolve와 같은 LLM 기반 진화 알고리즘은 원 채우기(circle packing)와 같은 고난도 계산 최적화 문제에서 강력한 접근법으로 부상했습니다. 그러나 기존 연구들은 주로 고정된 반복 횟수 내에서 성능 향상을 최적화하는 데 집중해 왔습니다. 본 논문은 실제 최적화 과정에서 단위 비용당 성능 향상을 극대화해야 한다고 주장합니다. 이를 위해 성능과 비용이 높은 LLM이 솔루션 전략을 탐색하고, 비용이 저렴한 LLM이 이를 구현하는 비용 인지형 진화 프레임워크인 FrugalEvo를 제안합니다.LLM-guided evolutionary methods, such as AlphaEvolve, have emerged as powerful approaches for challenging computational optimization problems, such as circle packing. However, prior work typically optimizes performance gain over a fixed number of iterations. We argue that practical optimization shou

RNADyn: RNA 동역학 생성 및 이해를 위한 벤치마크RNADyn: A Benchmark for Generating and Understanding RNA Dynamics

리보핵산(RNA)은 정적 구조만으로는 완전히 파악하기 어려운 형태 변화(conformational changes)를 통해 기능을 수행합니다. 그러나 대규모 표준화된 RNA 동역학 데이터는 여전히 부족하며, 기존 접근법들은 궤적 생성과 동역학 이해를 별개의 목표로 취급하는 경향이 있습니다. 이에 본 연구에서는 품질이 검증된 2,585개의 100ns 전원자(all-atom) 궤적과 데이터 누수를 통제한 분할 세트를 제공하는 표준화된 RNA 분자동역학(MD) 벤치마크인 RNADynBench를 소개합니다.Ribonucleic acid (RNA) functions through conformational changes that are not fully captured by static structures. However, large-scale standardized RNA dynamics data remain limited, and existing approaches typically treat trajectory generation and dynamics understanding as separate objectives. Here,

혼합에서 티어링까지: 메시지 전달을 통한 탈중앙화 최적화의 그래프 분해From Mixing to Tearing: Graph Decomposition in Decentralized Optimization via Message Passing

본 논문은 무방향 그래프에서 각 에이전트가 함수 하나를 보유하고 이웃 노드와만 통신할 수 있는 제약 조건 하에, 매끄럽고 강볼록인(smooth strongly convex) 함수들의 합을 최소화하는 문제를 다룹니다. 기존 탈중앙화 방식은 가십(gossip) 기반이든 신장 트리 라우팅 기반이든, 주로 네트워크를 통해 정보를 혼합하거나 취합하여 정해진 로컬 최적화 업데이트를 수행합니다. 그러나 이러한 통신 중심 관점은 그래프 구조를 적극적으로 활용하는 일반적 프레임워크가 결여되어 있습니다.We study the minimization of sums of smooth strongly convex functions over undirected graphs, with each function held by one agent and communication restricted to neighbors in the graph. Existing decentralized methods, whether based on gossip or on routing over spanning trees, typically use the netw

LESSER: 출력층 그래디언트를 활용한 사후 학습 데이터 선택 기법LESSER: Post-Training Data Selection with Output-Layer Gradients

LLM을 위한 사후 학습(post-training) 데이터의 선정은 다운스트림 성능에 결정적인 영향을 미칩니다. 그래디언트 기반 데이터 선택은 소규모 검증 세트의 그래디언트와 학습 데이터의 그래디언트 간 정렬도를 기준으로 데이터 우선순위를 매기는 인기 있는 접근법입니다. 하지만 전체 파라미터 그래디언트로 순위를 매기려면 모든 샘플에 대해 비용이 큰 역전파를 수행해야 하므로 대규모 후보 풀에서는 계산이 불가능합니다. 이는 자연스럽게 전체 그래디언트 특징을 훨씬 적은 비용으로 근사할 수 있는가에 대한 질문으로 이어집니다.The choice of post-training data for large language models substantially affects downstream performance. Gradient-based data selection is a popular approach that ranks training data by how well their gradients align with those of a small validation set. However, ranking with full-parameter gradients

바세르슈타인 라그랑지안 잔차를 활용한 시뮬레이션 없는 집단 동역학 학습Simulation-Free Learning of Population Dynamics with Wasserstein Lagrangian Residuals

세포, 유기체, 유체의 동역학은 시간에 따라 진화하는 확률 분포로 모델링되는 경우가 많습니다. 짝지어지지 않은(unpaired) 스냅샷으로부터 이러한 진화 과정을 재구성하고 외삽하려면 기저 프로세스에 대한 가정이 필요합니다. 바세르슈타인 그래디언트 흐름(Wasserstein gradient flows)이 널리 쓰이지만 보존적 또는 주기적 동역학을 설명할 수는 없습니다. 바세르슈타인 공간의 라그랑지안 역학은 둘 다 다룰 수 있으나, 이를 학습하는 기존 방법들은 매 학습 단계마다 수치 솔버를 실행해야 하는 시뮬레이션 기반이라는 한계가 The dynamics of cells, organisms, and fluids are often modeled as probability distributions evolving over time. Reconstructing and extrapolating this evolution from unpaired snapshots requires assumptions about the underlying process. Wasserstein gradient flows are a common choice, but they cannot d

학습을 위한 계획: 정책 그래디언트와 교차 엔트로피의 재검토Planning to Learn

정책 그래디언트(Policy-gradient) 기법은 LLM 사후 학습을 비롯한 현대 강화학습의 핵심입니다. 이 방법이 어려움을 겪을 때 주된 원인으로 지목되는 것은 탐색, 크레딧 할당, 액션 샘플링 노이즈입니다. 반면 분류 문제는 이 세 가지 문제가 전혀 없습니다. 분류기는 기대 보상(기대 정확도)이 정답 라벨에 부여한 확률과 일치하는 정책이며, 정답을 알고 있으므로 정책 그래디언트가 정확하고 매끄럽습니다. 그럼에도 불구하고 정확한 정책 그래디언트는 기대 정확도 측면에서조차 교차 엔트로피(cross-entropy)에 뒤처집니다.Policy-gradient methods are central to modern reinforcement learning, including LLM post-training. When they struggle, the usual suspects are exploration, credit assignment and action-sampling noise. Classification has none of them. A classifier is a policy whose expected reward, its \emph{expected

Pivot-SD: 마스크드 디퓨전 언어 모델을 위한 효율적인 자기 증류Pivot-SD: Efficient Self-Distillation for Masked Diffusion Language Models

마스크드 디퓨전 언어 모델(dLMs)은 복잡한 추론 작업에서 자기회귀(autoregressive) 모델을 대체할 유망한 병렬 처리 대안으로 주목받고 있습니다. 그러나 노이즈 제거(denoising) 과정 초기의 몇 가지 결정이 나머지 마스크 위치에 대한 불확실성을 급격히 낮추고 답변의 전반적인 방향을 결정짓기 때문에, 뚜렷한 크레딧 할당(credit-assignment) 문제에 직면합니다. 기존 dLM 사후 학습 레시피는 최종 텍스트만을 대상으로 학습하거나 전체 노이즈 제거 단계에 균일하게 보상을 부여하느라 이러한 신호를 충분히 활Masked diffusion language models (dLMs) offer a promising parallel alternative to autoregressive models for complex reasoning. However, they face a distinct credit-assignment challenge, since a few commitments during denoising sharply reduce the uncertainty over the remaining masked positions and sh

체스를 두고 수를 설명하는 언어 모델Language Models that Play Chess and Explain Their Moves

현대 체스 엔진은 인간을 초월한 수준으로 플레이하지만 자신의 수에 대해 설명하지 못하는 '침묵의 전문가'입니다. 반면 언어 모델(LM)은 그럴듯한 설명을 생성할 수 있지만 체스 실력이 부족해 설명의 유용성이 떨어집니다. 본 논문에서는 일반적인 그랜드마스터 수준으로 플레이하면서 자신의 수와 계획을 설명할 수 있는 4B 파라미터 규모의 체스 특화 언어 모델인 Queen을 소개합니다. 본 프레임워크는 상호보완적인 메커니즘을 통해 도메인 특화 추론을 가능하게 합니다.Modern chess engines are silent experts: they play at a superhuman level, but do not offer explanations for their play. On the other hand, language models (LMs) can generate plausible-sounding explanations, but their weak playing strength limits the utility of their explanations. We introduce Queen,

World Embedding Benchmark: 비디오 표현의 물리적 충실도 평가 벤치마크World Embedding Benchmark

월드 모델과 비디오 생성 분야에서 물리적 충실도(physical fidelity)에 대한 관심이 높아지고 있지만, 비디오 표현이 물리 정보를 어떻게 인코딩하는지는 여전히 명확히 밝혀지지 않았습니다. 본 연구에서는 유체역학, 고체역학, 동역학, 광학 및 전자기학에 걸친 80개 계열의 8,000개 통제된 시뮬레이션 케이스로 구성된 World Embedding Benchmark를 소개합니다. 각 케이스는 렌더링된 비디오와 시뮬레이션 기반 물리 주석을 매핑하여 텍스트-비디오 검색 등 상호보완적인 세 가지 평가 과제를 지원합니다.Physical fidelity has received increasing attention in world models and video generation, yet how video representations encode physical information remains less understood. We introduce the World Embedding Benchmark, comprising 8,000 controlled simulation cases from 80 families spanning fluid mechan

FALCON: NL2SQL 쌍 합성을 위한 모델 및 데이터셋 독립적 합성 데이터 생성 프레임워크FALCON: A Model and Dataset Agnostic Framework for Synthetic Data Generation for NL2SQL Pairs

관계형 데이터베이스는 가장 널리 배포된 구조화된 지식 형태 중 하나이며, 이에 대한 자연어 접근은 사람들이 요청을 표현할 때 발생하는 모호성을 처리하면서 언어를 스키마 개체 및 관계에 매핑해야 합니다. 기존의 합성 NL-to-SQL 데이터 생성 방식은 이러한 모호성을 거의 무시하고 지나치게 단순화된 쿼리를 생성하여 실제 구조화된 지식 접근의 복잡성에 모델이 대비하지 못하게 만듭니다. 본 논문에서는 이러한 문제를 해결하는 프레임워크인 FALCON을 제안합니다.Relational databases are among the most widely deployed forms of structured knowledge, and natural language access to them requires grounding language onto schema entities and relations while handling the ambiguity inherent in how people phrase requests. Existing synthetic NL-to-SQL data generation

CLEF 2026 SimpleText 트랙의 Writerslogic: 다중 후보 LLM 단순화 및 스택형 복잡도 탐지Writerslogic at the CLEF 2026 SimpleText Track: Multi-Candidate LLM Simplification and Stacked Complexity Spotting

CLEF 2026 SimpleText 셰어드 태스크의 태스크 1(텍스트 단순화)과 태스크 2(복잡도 탐지)에 참여한 Writerslogic 팀의 시스템을 소개합니다. 태스크 1을 위해 GPT-4o-mini 기반 다중 후보 생성 파이프라인을 구축하여 다양한 temperature에서 문장당 5개의 단순화 후보를 생성한 뒤, 압축률, 원문 단어 보존율, Cochrane Plain Language Summary 어휘 사용량 등을 반영하는 무참조(reference-free) 채점 휴리스틱을 통해 최적의 후보를 선정합니다.We describe the Writerslogic team's participation in the CLEF 2026 SimpleText shared task, addressing Task 1 (text simplification) and Task 2 (complexity spotting). For Task 1, we develop a multi-candidate generation pipeline using GPT-4o-mini that produces five simplification candidates per se

PAN 2026의 Writerslogic: 도메인 시프트 환경에서 강건한 탐지를 위한 내용보다 프로세스 중심 접근Writerslogic at PAN 2026: Process over Content for Robust Detection under Domain Shift

CLEF 2026 PAN의 세 가지 셰어드 태스크(추론 궤적 탐지, Voight-Kampff 생성형 AI 탐지, 다중 저자 문체 분석)를 위한 Writerslogic 시스템을 소개합니다. 이 시스템들은 '분포 변화 시 피처의 강건성은 학습 데이터의 효과 크기가 아닌 학습 및 테스트 분포 간의 서포트 중첩에 의해 결정된다'는 통합 분석 프레임워크를 공유합니다. 이를 바탕으로 생성기 특화 피처의 한계를 설명하는 분류 체계(도메인 고정, 도메인 이동 가능, 도메인 불변)를 제시합니다.We describe the Writerslogic systems for three PAN at CLEF 2026 shared tasks (Reasoning Trajectory Detection, Voight-Kampff Generative AI Detection, and Multi-Author Writing Style Analysis), unified by a shared analytical framework: feature robustness under distribution shift is governed by support

제로샷 저자 식별을 위한 저자 표현 전략: LLM 기반 및 임베딩 기반 접근법 비교 연구Author Representation Strategies for Zero-Shot Authorship Attribution: A Comparative Study of LLM-Based and Embedding-Based Approaches

저자 식별(Authorship Attribution, AA)은 세밀한 문체적 특성을 포착해야 하므로 태스크 전용 지도 학습이 없는 제로샷(Zero-Shot) 환경에서 특히 어렵습니다. 본 연구에서는 레이블 전용 프롬프팅 베이스라인과 함께 대표적인 작문 샘플, LLM 생성 설명, 스타일 임베딩(LISA)의 세 가지 저자 표현 전략을 평가하여 저자 표현이 제로샷 저자 식별에 미치는 영향을 조사합니다.Authorship Attribution (AA) requires capturing fine-grained stylistic characteristics, making it particularly challenging in zero-shot (ZS) settings where no task-specific supervision is available. In this work, we investigate the effect of author representations on ZS AA by evaluating a label-only

Import AI 475: 스웜 스케일링, 구글 딥마인드의 생물학 워터마크, 그리고 AI 과학 경제Import AI 475: Swarm scaling; Google DeepMind watermarks biology; and the AI science economy

AI가 무엇을 수행할지는 누가 결정하는가?Who chooses what AI gets to do?

트럼프, 새로운 ‘초지능 태스크포스(Super Intelligence Force)’ 발표Trump unveils his new Super Intelligence Force

이 새로운 태스크포스는 AI 안전성 논쟁에 대한 트럼프의 최신 대응책입니다.This new task force is Trump's latest response to the debate over AI safety.

내생적 정렬(Endogenous Alignment)은 상호의존성을 필요로 한다Endogenous Alignment Requires Dependence

내생적 정렬에 관한 제 게시글에 훌륭한 댓글이 여러 개 달렸습니다. 그중 Karl Krueger는 인간이 자녀를 정렬시키는 과정에서 강화학습보다 모방학습이 더 중요하다고 주장했습니다. 어느 쪽이 더 중요한지 가려내는 것은 쉽지 않아 보이지만, 모방의 중요성을 간과했던 제 실수를 인정하며, 다른 댓글의 설명대로 모방학습이 더 근본적일 수 있다는 점에 동의합니다. 또한 Gunnar Zarncke가 유익하게 지적했듯, 저는 가장 핵심적인 부분을 놓치고 있었습니다…My post on endogenous alignment got several excellent comments. Among them, one from Karl Krueger argued that imitation learning is more important for how humans align their children than reinforcement learning. Teasing out which is more important seems hard, but I agree I was wrong to ignore the im

美 법원, 구글 AI 오버뷰(AI Overviews) 대상 반독점 소송 기각Judge dismisses antitrust lawsuits over Google’s AI Overviews

로이터 통신에 따르면, 美 연방법원이 체그(Chegg)와 펜스케 미디어(PMC)가 제기한 반독점 소송 2건을 기각했습니다. 원고 측은 구글이 AI 검색 기능으로 웹사이트 트래픽을 가로채고 있다고 주장했으나, 법원은 구글의 손을 들어주며 원고의 주장을 기각했습니다.A federal judge has dismissed a pair of antitrust lawsuits filed by Chegg and Rolling Stone parent company Penske Media Corporation, which accused Google of driving away web traffic with its AI-powered search features, as reported earlier by Reuters. US District Judge Amit Mehta takes Google's

수십억 달러 규모의 AI 우위가 사라지고 있다The Billion Dollar AI Advantage Is Disappearing

❤️ Lambda를 확인하고 GPU Cloud에 가입해 보세요: https://lambda.ai/papers 📝 Sonnet 5.5: https://www.anthropic.com/claude-sonnet-5-5 🙏 Two Minute Papers를 후원해 주시는 소중한 Patreon 서포터분들께 감사드립니다: Adam Bridges, B Shang, Carlos Galarza, Christian Ahlin, Eric Tyson, Juan Benet, Lukas Biewald, Michael Tedder, Owen Skarpness❤️ Check out Lambda here and sign up for their GPU Cloud: https://lambda.ai/papers 📝 Sonnet 5.5: https://www.anthropic.com/claude-sonnet-5-5 🙏 We would like to thank our generous Patreon supporters who make Two Minute Papers possible: Adam Bridges, B Shang, Carlos Galarza, Christian Ahlin, Eric Tyso

AI 뉴스: Dots, GPT-6.1 Sol, Sonnet 5.5, Gemini 4 등 이번 주 핵심 총정리AI News: Dots, GPT-6.1 Sol, Sonnet 5.5, Gemini 4, and everything you need to know

이번 주 놓쳤을 법한 주요 AI 소식들을 전해드립니다. Optimizely의 Virtual Teammates로 어떤 업무를 자동화할 수 있는지 확인해 보세요: https://optimizely.com/mattwolfe | 더 알아보기: 🛠️ AI 도구 및 뉴스 탐색: https://futuretools.io/ 📰 주간 뉴스레터: https://futuretools.io/newsletter | 소셜 미디어: ❌ Twitter/X: https://x.com/mreflow 🖼️ Instagram: https://instagram.com/Here's the AI News you probably missed this week. See what Optimizely’s Virtual Teammates can automate for you at https://optimizely.com/mattwolfe Discover More: 🛠️ Explore AI Tools & News: https://futuretools.io/ 📰 Weekly Newsletter: https://futuretools.io/newsletter Socials: ❌ Twiter/X: h

실제로 돈을 벌어다 줄 수 있는 단 하나의 OpenAI 발표...The one OpenAI announcement that can actually make you money...

https://fastino.ai/ 에서 더 빠른 오픈 웨이트 버전의 Jev를 사용해 보세요. 무료 크레딧을 받으려면 코드 FIRESHIPFIVE를 입력하세요. 이번 영상에서는 OpenAI Dev Day 2026에서 놓친 모든 핵심 내용을 다룹니다. 함께 살펴보시죠. #coding #programming | Fireship 콘텐츠 더 보기: 🗞️ 뉴스레터: https://bytes.dev 🧠 강의: https://fireship.devTry the faster, open-weight version of Jev at https://fastino.ai/. Use code: FIRESHIPFIVE to get free credits. In this video we'll cover everything you missed at OpenAI Dev Day 2026. Let's dive in. #coding #programming Want more Fireship? 🗞️ Newsletter: https://bytes.dev 🧠 Courses: https:/