Viola AI Hub

메타, 싱가포르 장애인 커뮤니티에 AI 스마트안경 1,000대 기부Meta Donates 1,000 AI Glasses to Singapore’s Disability Community

메타가 싱가포르 내 4개 커뮤니티 기관에 Ray-Ban Meta AI 스마트안경 1,000대를 기부하여 장애인을 지원합니다.Meta donates 1,000 Ray-Ban Meta AI glasses to four Singapore community organisations to help persons with disabilities. The post Meta Donates 1,000 AI Glasses to Singapore’s Disability Community appeared first on Meta Newsroom.

데이터 센터가 메타의 AI 전략에서 핵심 축인 이유Why Data Centers Are Such a Big Part of Meta’s AI Approach

개발자이자 크리에이터인 톰 쇼(Tom Shaw)가 메타의 인프라 총괄 산토시 자나르단(Santosh Janardhan)을 만나 데이터 센터의 필요성과 메타가 데이터 센터 구축을 어떻게 선도하고 있는지 이야기를 나눴습니다.Developer and creator Tom Shaw sat down with Meta’s Head of Infrastructure, Santosh Janardhan, to talk about why we need data centers and how Meta is leading the charge to build them. The post Why Data Centers Are Such a Big Part of Meta’s AI Approach appeared first on Meta Newsroom.

청소년의 학습, 진로 계획, 그리고 AI의 미래 형성을 돕다Helping teens learn, plan, and shape the future of AI

청소년용 ChatGPT에 대학 입시 관리를 지원하는 'College Planner' 기능이 추가되며, 새로운 플래시카드와 퀴즈, 청소년 AI 자문 위원회도 함께 선보입니다.College Planner is coming to ChatGPT for Teens to help students manage college applications, alongside new flashcards, quizzes, and a teen AI council.

래디슨 호텔 그룹, ChatGPT 내 호텔 검색 기능 도입Radisson Hotel Group brings hotel discovery into ChatGPT

래디슨 호텔 그룹이 액센츄어와 협력하여 OpenAI 기술 기반의 ChatGPT 플러그인을 구축했습니다. 이를 통해 여행객은 여행 계획 단계에서 호텔을 손쉽게 검색·비교하고 예약할 수 있습니다.Radisson partnered with Accenture to build a ChatGPT plugin using OpenAI technology, helping travelers find, compare, and book hotels while planning their trips.

모두를 위한 GPT-6와 Intelligent UI 공개GPT-6 and Intelligent UI for everyone

ChatGPT에 'Intelligent UI'가 적용된 GPT-6가 글로벌 출시됩니다. 시각적 요소와 직접 조작 가능한 인터랙티브 경험을 바탕으로 한층 더 빠른 응답을 제공합니다.GPT‑6 is rolling out globally in ChatGPT with Intelligent UI, delivering faster responses with visuals and interactive experiences you can explore and use directly.

Playground 소개: 맞춤형 게임을 직접 만들고 플레이하기Introducing Playground: Create and play custom games

Playground 개요Overview of Playground

점프 트레이딩이 ChatGPT를 활용해 퀀트 리서치를 확장하는 방법How Jump Trading is scaling quant research with ChatGPT

점프 트레이딩이 OpenAI를 활용해 정량적(퀀트) 리서치 역량을 확장하고 있습니다. 장기 실행 AI 워크플로가 다양한 데이터 소스와 사람의 검토 과정을 어떻게 결합하는지 확인해 보세요.Jump Trading uses OpenAI to expand quantitative research. See how longer-running AI workflows combine multiple data sources with human review.

수학 분야에서의 AI 연구 진전 공유Sharing AI progress in mathematics

OpenAI가 자체 프론티어 모델을 통해 수학 미해결 문제에 대해 도출한 새로운 연구 결과를 발표하고, Lean 기반 증명 형식화 자료 및 연구 세부 내용을 GitHub에 공개했습니다.OpenAI publishes new results on open problems in mathematics from an internal frontier model and shares Lean proof formalizations and research details on GitHub.

Ironclad와의 협력으로 고도화하는 컴퓨터 유즈(Computer Use) 기술Advancing computer use with Ironclad

OpenAI와 Ironclad가 복잡한 계약 워크플로 전반에서 AI 에이전트를 학습 및 평가하여 전문 업무를 위한 컴퓨터 유즈 기능을 어떻게 고도화하고 있는지 소개합니다.Learn how OpenAI and Ironclad are training and evaluating AI agents on complex contracting workflows to advance computer use for professional work.

EmbeddingGemma 2: 오픈형 경량 멀티모달 임베딩 모델EmbeddingGemma 2: an open, lightweight multimodal embedding model

사이버 검증 프로그램(CVP) 확대 운영Expanding the Cyber Verification Program

자격 요건을 갖춘 보안 전문가에게 고급 사이버 역량과 완화된 차단 분류기(classifier) 접근 권한을 제공하는 확장된 신규 사이버 검증 프로그램(Cyber Verification Program, CVP)을 출시합니다.We’re launching a new, expanded version of our Cyber Verification Program (CVP), which makes advanced cyber capabilities and reduced blocking classifiers available to qualifying security professionals.

OpenAI, 수학 논문 3편 철회OpenAI Withdraws 3 Math Papers

GitHub 계정을 생성하여 openai/math 개발에 기여해 보세요.Contribute to openai/math development by creating an account on GitHub.

OpenAI의 10월 6일 자 수학 문서 공개에 대한 AHM 성명서AHM Statement on OpenAI's October 6 Release of Mathematical Documents

해커뉴스 (포인트 13점, 댓글 6개)Hacker News (13 points, 6 comments)

구글 클라우드, 장기 실행 작업용 '영구 Gemini 에이전트' 공개… 전용 Gmail·캘린더·드라이브 제공Google Cloud unveils persistent Gemini Agents for long-running tasks, and they get their own Gmail, Calendar, and Drive storage

구글이 정보 조사, 문서 작성, 코드 생성, 다른 AI 에이전트 조율을 비롯해 수 시간에서 며칠이 걸리는 장기 작업을 수행할 수 있는 새로운 범용 워크플레이스 AI 에이전트를 공개했습니다. 이 에이전트는 다양한 애플리케이션과 기기 전반에서 고유한 기억, 비즈니스 맥락 및 정체성을 지속적으로 유지합니다.Google is unveiling a new universal AI agent for the workplace that can research information, create documents, write code, coordinate other AI agents and complete tasks lasting hours or days — all while maintaining the same memory, business context and identity across different applications and dev

메타와 마이크로소프트, 사내 Claude AI 사용 제한 조치 착수Meta and Microsoft take steps to reduce employee usage of Claude AI

메타와 마이크로소프트가 임직원의 Claude AI 사용을 제한하는 새로운 조치를 시행합니다. 이것이 향후 업무 환경 내 AI 도입 및 활용에 어떤 의미를 갖는지 살펴봅니다.Meta and Microsoft are implementing new measures to limit employee use of Claude AI—discover what this means for the future of AI in the workplace.

Docker AgentDocker Agent

Docker 엔지니어링 팀이 개발한 AI 에이전트 빌더 및 런타임 - docker/docker-agentAI Agent Builder and Runtime by Docker Engineering - docker/docker-agent

11개 정사각형 최적 패킹 문제의 AI 기반 형식 검증AI-assisted proof of optimal packing for 11 squares

11개 정사각형 패킹 최적성 증명에 대한 Lean 기반 형식화(formalization) 프로젝트 - Queuingtheorydotcom/11SquaresFormalizedLean formalization of the optimality proof of the 11 square packing - Queuingtheorydotcom/11SquaresFormalized

누스 리서치, 15억 달러 기업가치 인정 및 비즈니스용 AI 에이전트 출시Nous Research confirms it hit $1.5B valuation, launches AI agents for business users

헤르메스 에이전트(Hermes Agent)의 개발사 누스 리서치(Nous Research)가 9,000만 달러 규모의 시리즈 B 투자를 유치했습니다.The developer of Hermes Agent raised a $90 million Series B.

ChatGPT의 ‘인텔리전트 UI’ 업데이트, 이미지·차트·버튼으로 응답 인터랙션 강화ChatGPT’s ‘Intelligent UI’ update fills its responses with pictures, charts, and buttons

OpenAI가 챗봇이 대화형 비주얼 요소를 활용해 답변할 수 있도록 돕는 새로운 ‘인텔리전트 UI(Intelligent UI)’ 기능을 ChatGPT에 도입합니다. GPT-6와 함께 모든 사용자에게 순차적으로 배포되는 이번 업데이트를 통해, ChatGPT는 텍스트 답변뿐만 아니라 다이어그램, 차트, 입력 폼, 클릭 가능한 버튼 등을 결합하여 제공할 수 있게 됩니다.OpenAI is launching a new Intelligent UI feature in ChatGPT that allows the chatbot to answer your questions with interactive visuals. The update, which is rolling out to all users alongside GPT-6, gives ChatGPT the ability to combine a text response with diagrams, charts, forms, tappable buttons, a

OpenTPU – AI가 직접 설계한 오픈소스 AI 가속기OpenTPU – An open-source AI accelerator, developed by AI

AI가 개발한 오픈소스 AI 가속기: RTL, ISA, 시뮬레이터, 컴파일러, 프로파일러가 단일 저장소에 모두 포함되어 있습니다. Kintex-7 PCIe 카드에서 Qwen3, LFM2.5, Qwen3.5를 구동할 수 있습니다. - FeSens/openTPUAn open-source AI accelerator, developed by AI: RTL, ISA, simulator, compiler and profiler in one repo. Runs Qwen3, LFM2.5 and Qwen3.5 on a Kintex-7 PCIe card. - FeSens/openTPU

OpenAI 에이전트, 위키피디아 도구 해킹 시도 및 대규모 트래픽 유발 논란OpenAI agents tried to hack Wikipedia tools and flooded it with traffic

OpenAI의 자율 에이전트가 외부 서드파티 사이트에 피해를 입히고 있다는 보고가 지속적으로 이어지고 있습니다.The reports of OpenAI agents harming third-party sites keep coming.

공장 자동화의 다음 단계: AI로 적응하는 기계The next step in factory automation: Machines that adapt with AI

AI를 통해 변화에 유연하게 적응하는 차세대 공장 자동화 기계 기술을 소개합니다.The post The next step in factory automation: Machines that adapt with AI appeared first on Source.

EmTech Future 2026: AI가 모든 것과 만날 때EmTech Future 2026: When AI Meets Everything

구글 리서치(Google Research) 총괄 부사장 요시 마티아스(Yossi Matias)가 AI가 생물학, 인프라, 제조업, 기초 과학을 어떻게 재편하기 시작했는지, 그리고 왜 AI의 가장 큰 영향력이 다른 분야와의 융합에서 비롯되는지 살펴봅니다. MIT 테크놀로지 리뷰 에디터들과 함께하는 뉴스룸에서 연구팀의 날카로운 분석과 미공개 인사이트를 확인해 보세요...Yossi Matias, Vice President & Head of Google Research, explores how AI is beginning to reshape biology, infrastructure, manufacturing, and science, and why its greatest impact may come when it intersects with other fields.  Step inside the newsroom with our MIT Technology Review ed

벤 애플렉의 말 인용Quoting Ben Affleck

어릴 때부터 컴퓨터에 꽤 관심이 많았습니다. 영화가 아날로그 필름에서 디지털로 넘어가기 시작하면서 그쪽에 더 흥미를 갖게 되었죠. 시각 효과(VFX) 파이프라인에는 수년 전부터 머신러닝이 쓰여 왔습니다. 그래서 저도 서툰 파이썬 스크립트 정도는 직접 짤 수 있습니다. 훨씬 더 많은 연산을 동시에 수행하는 트랜스포머의 전신 격인 합성곱 신경망(CNN)을 쓰던 시절에는...I've always been kind of into computers since I was young. And then when film started to move from analog film to digital, I became more interested in that aspect of it. And the visual effects workflow for many years has included machine learning. So I can write like pretty shitty Python script

엣지 환경을 위한 오픈 멀티모달 d1 의사결정 모델Multimodal open d1 decision models for the edge

시크릿(Secret) 보안 역시 소프트웨어 확장에 발맞춰야 한다Secret protection must scale with software

개발자들이 부주의해진 것이 아니라 소프트웨어의 확장 속도를 따라가지 못하고 있는 것입니다. 개발자가 더 많은 소프트웨어를 만들 수 있도록 돕는 도구라면, 이를 보호하는 작업 역시 더 많이 분담해야 합니다.Developers aren’t becoming more careless; they’re being outpaced. The tools that let developers create more software should also take on more of the work of protecting it. The post Secret protection must scale with software appeared first on The GitHub Blog.

Never Look Back: 1인칭 시점 비디오 기반 3D 객체 메모리의 지속성 이해Never Look Back: Understanding Persistence in 3D Object Memory from Egocentric Videos

일상생활 속에서 우리는 나중에야 필요해지는 다양한 사물들을 마주합니다. 나중에 필요할지 몰랐더라도 어디에 물건을 두었는지, 상자 안에 무엇이 들어있었는지 기억할 수 있습니다. 본 연구에서는 체화된 에이전트(Embodied Assistant)가 사람의 일상 행동을 관찰함으로써 1인칭 시점 비디오로부터 이러한 기억을 구축하는 방법을 연구합니다. 객체의 위치와 이력, 문맥 정보를 결합한 지속형 3D 객체 메모리 프레임워크인 'Ledger'를 제안합니다.As we move through the world and carry out everyday tasks, we encounter objects that may become relevant only later. We are capable of recalling where we left something or what was inside a container, even without knowing we would need it later. Here, we study how an embodied assistant can build a s

RLVR 환경에서 탐색과 최적화의 분리Decoupling Exploration from Optimization in RLVR

최신 언어 모델들은 사전 훈련된 체크포인트 위에 검증 가능한 보상을 활용한 강화학습(RLVR)을 적용받습니다. RLVR의 주요 잠재력 중 하나는 새로운 추론 전략의 발견입니다. 원칙적으로 모델은 이전 학습 데이터에 없던 새로운 아이디어를 탐색할 수 있습니다. 그러나 실제로는 RLVR에 강한 새로움 유인책(novelty incentive)을 부여하는 방식이 제한적인 성과를 보였으며 모델 품질을 저하시키기도 했습니다. 검증 가능한 보상은 모델의 지식과 행동 중 일부 영역만을 감독하기 때문입니다.Modern language models undergo reinforcement learning with verifiable rewards (RLVR) on top of already-trained checkpoints. A key promise of RLVR is the discovery of new reasoning strategies. In principle, a model can sample novel ideas absent from its prior training data. In practice, however, augm

Long-WAM: 월드-액션 모델의 컨텍스트 확장Long-WAM: Scaling the Context of World-Action Models

실시간 로봇 제어에는 움직임과 작업 진행 상황을 추론할 수 있는 충분한 시각적 히스토리가 필요하지만, 해당 히스토리를 처리하는 과정에서 동작 지연이 발생할 수 있습니다. 본 논문에서는 실시간 제어 제약 조건 하에서 인과적 월드-액션 모델의 컨텍스트를 확장하기 위한 모델-시스템 프레임워크인 Long-WAM을 제안합니다. 주요 발견점은 히스토리에 접근할 수 있는 것과 이를 효과적으로 활용하는 것은 다르며, 비디오 파운데이션 모델이 자기회귀(AR) 방식으로 사전 학습되었을 때 긴 히스토리가 훨씬 더 큰 효과를 낸다는 것입니다.Real-time robot control demands enough visual history to infer motion and task progress, but processing that history can delay action. We present Long-WAM, a model-system framework for scaling the context of causal world-action models under real-time control constraints. Our central finding is that

RoboJEPA: 로봇 잠재 공간 월드 모델의 스케일링RoboJEPA: Scaling Robotic Latent World Models

잠재 공간 월드 모델(Latent World Models)은 미래 상태 예측과 현실 세계 계획 수립에서 뛰어난 성능을 입증해 왔습니다. 그러나 실제 환경에서는 모델 크기, 데이터, 연산량에 따라 성능이 어떻게 확장되는지 체계적으로 추정할 수 있는 방법이 부족해 발전을 저해해 왔습니다. 본 연구에서는 JEPA(Joint Embedding Predictive Architecture) 기반으로 12가지 로봇 체계를 아우르는 대규모 데이터셋으로 학습된 월드 모델인 RoboJEPA를 제안합니다.Latent world models have shown a remarkable ability to predict future states and to plan in the real world. In practice, however, we lack a principled way to estimate how their capabilities scale with model size, data, and compute, an open problem that slows progress in the field. In this work we pr

ENSO를 위한 SciExam: AI 에이전트는 기후 모델을 구축할 수 있는가?SciExam for ENSO: Can AI Agents Build Climate Models?

언어 모델 에이전트에게 개방형 과학 연구 수행이 점차 요구되고 있으나, 그 결과물은 보통 기지의 정답, 루브릭 평가표, 언어 모델 리뷰어 등을 통해 채점되며 이들 모두 새로운 과학 모델의 타당성을 완벽히 검증하지 못합니다. 엘니뇨-남방진동 과학 시험(SciExam for ENSO)은 다년간 기후 변동성의 핵심 모드인 ENSO의 저차원 확률 모델을 실제 관측치로부터 에이전트가 직접 구축하도록 평가하는 벤치마크입니다.Language-model agents are increasingly asked to carry out open-ended scientific research, yet their results are usually graded against a known answer, a rubric, or a language-model reviewer, none of which can tell whether a new scientific model is valid. The AI Science Exam for El Nino-Southern Osci

RECAST: 적응형 증거 라우팅을 통한 최적 컨텍스트 연산 학습RECAST: Learning to Compute the Right Context through Adaptive Evidence Routing

대규모 언어 모델이 길고 이질적인 정보 소스를 기반으로 하는 작업에 점차 폭넓게 활용되고 있습니다. 기존의 검색 증강 생성(RAG)은 고정된 유사도 기반 검색에 의존하며, 에이전트 기반 방식은 쿼리와 도구 사용을 조정하지만 여전히 검색 중심에 머물러 있습니다. 그러나 많은 작업에서 해답에 필요한 증거는 단일 정보원에 명시적으로 존재하지 않으며, 여러 소스에 걸친 필터링, 집계 또는 복합 연산을 통해 도출되어야 합니다.Large language models are increasingly applied to tasks grounded in long, heterogeneous information sources. Conventional Retrieval-Augmented Generation (RAG) relies on fixed similarity-based retrieval, while agentic variants adapt queries and tool use but remain largely retrieval-centric. However,

헤비 테일 노이즈 환경에서의 탈중앙화 SGD: 최적 수렴 속도와 그래디언트 클리핑의 역할Decentralized SGD under Heavy-Tailed Noise: Optimal Convergence Rates and the Role of Gradient Clipping

헤비 테일(Heavy-tailed) 노이즈는 현대 머신러닝에서 광범위하게 관측되며, 이에 따라 그래디언트 클리핑(gradient clipping) 및 정규화와 같은 기법의 활용이 늘고 있습니다. 이러한 기법들은 중앙 집중형 환경에서는 잘 규명되어 있으나, 로컬 그래디언트에 비선형성을 적용하는 것이 최적화와 합의(consensus) 모두에 영향을 미치는 탈중앙화 환경에서는 상대적으로 알려진 바가 적습니다. 최근 탈중앙화 비볼록 최적화 연구들은 헤비 테일 노이즈 하에서 클리핑과 정규화를 모두 다루었으나, 클리핑은 차적(suboptimaHeavy-tailed noise has been widely observed in modern machine learning, motivating the use of methods like gradient clipping and normalization. While these methods are well understood in centralized settings, much less is known in decentralized ones, where applying a nonlinearity to local gradients

행동하기 전에 다시 표현하라: VLA 모델의 언어 민감도 특성 분석 및 완화Rephrase Before You Act: Characterizing and Mitigating Language Sensitivity in Vision-Language-Action Models

비전-언어-행동 모델(VLA)은 지시문의 표현 방식에 매우 민감하며, 기반이 되는 비전-언어 모델(VLM)의 언어 견고성을 그대로 이어받지 못합니다. 단어 하나 수정하는 것만으로 성공률이 수십 퍼센트포인트 차이 날 수 있습니다. 예컨대 LIBERO 가스레인지 환경에서 π0.5 모델은 "switch on the stove"라는 명령에는 100% 작동하지만 "switch on the hot plate"에는 2%에 불과하며, 표현 재구성 증강으로 파인튜닝된 π0 체크포인트 역시 최대 61포인트의 편차를Vision-language-action models (VLAs) are strikingly sensitive to instruction phrasing and do not inherit the language robustness of the vision-language models they are built on. A one-word edit can move success by tens of points: $π_{0.5}$ turns on a LIBERO stove 100% of the time for "switch on

그래프 기하학 증류: GNN에서 MLP로의 지식 격차 해소Distilling Graph Geometry: Knowledge Gap from GNNs to MLPs

GNN-to-MLP 지식 증류는 메시지 패싱 티처(teacher) 모델의 예측 정확도를 유지하면서도 추론 시 그래프 의존성이 없는 MLP를 배포하는 것을 목표로 합니다. 기존 방식들은 주로 노드 단위 예측을 전달하거나 신뢰도 기반 재가중치를 사용하지만, 스튜던트(student) 모델이 티처의 그래프 유도 기하학적 구조를 어느 부분에서 보존해야 하는지 명시하지 않습니다. 본 연구는 이러한 간과가 스튜던트의 표현 공간에서 두 가지 스펙트럼 실패 모드로 이어진다는 점을 보여줍니다. 희소 그래프(sparse graphs)에서 스튜던트는 스GNN-to-MLP distillation aims to retain the predictive accuracy of a message-passing teacher while deploying a graph-free MLP at inference. Existing methods mainly transfer node-wise predictions or use confidence-based reweighting, but they do not specify where the student should preserve the teacher

망각 전용 언러닝에 기억(Memorization)이 필요한 이유Why Forget-Only Unlearning Needs Memorization

머신 언러닝(Machine Unlearning)은 선택된 망각 대상 예시를 제외하고 처음부터 다시 학습(retraining from scratch)한 것과 유사한 출력을 내는 삭제 알고리즘을 요구합니다. 본 연구에서는 삭제 알고리즘이 유지 데이터나 추가 학습 정보 없이, 학습된 모델과 망각할 데이터 예시만을 전달받는 '망각 전용 언러닝(forget-only unlearning)'을 분석합니다. 이러한 망각 전용 언러닝이 항상 가능한지 질문을 던지며, 이것이 학습 방식에 따라 달라질 수 있음을 보입니다. 서로 다른 Machine unlearning asks for a deletion algorithm whose output is close to retraining from scratch without the selected forget examples. In this work, we study forget-only unlearning, where the deletion algorithm receives only the trained model and the examples to forget, with no retained data or ext

오라클 효율적이고 파라미터가 필요 없는 불가지론적 평활 온라인 학습Oracle-Efficient and Parameter-Free Agnostic Smoothed Online Learning

온라인 학습은 데이터가 상호 의존적이거나 적대적(adversarial)으로 주어질 때도 명확한 학습을 가능하게 하므로 다양한 분야에서 매력적인 프레임워크입니다. 그러나 이러한 범용성에는 통계적 및 계산적 장벽이라는 큰 대가가 따릅니다. 최근에는 공변량의 조건부 법칙이 1/σ 이하의 밀도를 가진다고 가정하여 완전 적대적 환경과 완전 확률적(stochastic) 환경 사이를 보간하는 유망한 대안으로 평활 온라인 학습(smoothed online learning)이 부상하고 있습니다.Online learning is an attractive framework in many domains because it permits well-defined learning even when data are dependent or chosen adversarially. This generality, however, comes at a steep price, introducing significant statistical and computational barriers. Recently, smoothed online learni

Sentinel-2 위성 데이터를 활용한 호수 엽록소-a 예측 진화적 아키텍처 탐색Evolutionary Architecture Search for Chlorophyll-$a$ Prediction in Lakes using Sentinel-2

실제 운용되는 지구 관측(Earth observation) 분야에서는 전문가가 설계한 스펙트럼 피처를 포함한 소규모 정형 데이터셋이 보편적이며, 이에 적용되는 네트워크 역시 대개 수작업으로 설계됩니다. 본 연구에서는 기존에 발표된 모델 중 하나인 Sentinel-2 녹조 분류기를 재검토하고, 작업과 피처, 원본 연구의 호수 단위 학습/검증 분할을 고정한 상태에서 신경망 아키텍처 탐색(NAS)이 어떤 이점을 더할 수 있는지 살펴봅니다. 정규화된 진화(regularized evolution) 기법으로 확장된 다층 퍼셉트론(MLP) 공간Small tabular datasets with expert-designed spectral features are the norm in operational Earth observation, and the networks applied to them are typically hand-designed. We revisit one such published model -- a Sentinel-2 algal bloom classifier -- and ask what architecture search adds, holding the

EngramEdit: 조건부 메모리를 통한 LLM 내 지식 업데이트의 디커플링EngramEdit: Decoupled Knowledge Updates in LLMs through Conditional Memory

DeepSeek Engram과 같은 조건부 메모리 아키텍처는 입력 n-gram을 활용해 학습된 임베딩을 조회함으로써 제한된 추가 연산량으로 대형 언어 모델(LLM)의 용량을 확장합니다. 이 구조는 모델 스케일링을 넘어 사실 지식(factual knowledge) 저장을 범용 연산과 분리(decouple)할 수 있는 잠재력을 입증했으며, 트랜스포머 백본을 고정한 채 사실 지식을 업데이트할 수 있는 유망한 경로를 제공합니다. 그러나 이러한 잠재력을 실현하는 데는 여러 과제가 따릅니다.Conditional memory architectures such as DeepSeek Engram use input n-grams to look up learned embeddings, expanding the capacity of large language models (LLMs) with limited additional computation. Beyond model scaling, this architecture has demonstrated the potential to decouple factual knowledge s

더 많은 역할을 해야 하는 프롬프트: 임베딩 모델에서 검색 지시문의 영향Your Prompt Should Do More: Effects of Retrieval Instructions in Embedding Models

최근 프롬프트 기반 임베딩 모델, 특히 검색 프롬프트의 일부로 상세한 검색 지시문이 제공되는 검색 작업이 큰 주목을 받고 있습니다. 여러 신규 데이터셋과 연구들이 이 환경을 검토하며 기존 임베딩 모델들이 이러한 지시문을 안정적으로 따르는 데 어려움을 겪는다고 지적했습니다. 본 논문에서는 비대칭 검색(asymmetric retrieval) 작업에서 지시문이 검색 쿼리의 표현에 실제로 어떻게 영향을 미치는지 메커니즘을 분석합니다.Prompted embedding models have recently received increasing attention, particularly for retrieval, where detailed retrieval instructions are provided as part of the retrieval prompt. Several new datasets and studies have examined this setting, showing that the current embedding models often struggle

PHRBench: LLM의 환각 후 추론 행동 평가 벤치마크PHRBench: A Behavioral Evaluation of Post-Hallucination Reasoning in LLMs

환각(Hallucination)된 정보는 다단계 LLM 시스템을 통해 전파되어 후속 추론을 위한 컨텍스트의 일부가 될 수 있습니다. 환각 후 추론(PHR)에 대한 기존 연구들은 주로 최종 결과물의 변화와 집계된 추론 역학을 특성화하는 데 집중하여, 모델이 응답 수준에서 환각된 전제를 어떻게 해소하는지에 대해서는 충분히 밝히지 못했습니다. 본 연구에서는 4개 도메인과 18개 대형 언어 모델을 아우르는 행동 구조화된 PHR 제어 벤치마크인 PHRBench를 소개합니다.Hallucinated information can propagate through multi-stage LLM systems and become part of the context for subsequent reasoning. Existing studies of post-hallucination reasoning (PHR) mainly characterize changes in final outcomes and aggregate reasoning dynamics, leaving how models resolve hallucinat

RunningTab: 환경 측 탭을 통한 직접 작업공간 상호작용RunningTab: Direct Workspace Interaction with Environment-Side Tabs

많은 지식 기반 작업은 작업공간(workspace)에 이미 존재하는 파일들을 바탕으로 새로운 산출물을 만들어내며, LLM 에이전트가 점차 이러한 작업을 대체하고 있습니다. 직접 코퍼스 상호작용을 통해 에이전트는 색인(indexing) 없이 터미널에서 이들 파일을 검색하고 읽을 수 있으며, 이러한 방식으로 여러 파일에서 산출물을 제작하는 것을 직접 작업공간 상호작용(DWI)이라고 부릅니다. 그러나 파일에 접근하는 것은 절반에 불과하며, 작업 요구사항, 읽은 내용, 나열된 내용을 추적하는 시스템이 부재합니다.Much knowledge work produces new deliverables from files a workspace already holds, and LLM agents are beginning to take such work over. Through direct corpus interaction, an agent can search and read any of those files from a terminal with no indexing, and producing a deliverable from many of them

CoTrace: 하네스-모델 공동 진화를 통한 터미널 에이전트 학습 데이터 레시피CoTrace: Data Recipes for Training Terminal Agents with Harness-Model Co-Evolution

터미널 에이전트의 역량은 모델 가중치뿐 아니라 프롬프트를 포맷팅하고 도구를 바인딩하며 오류 복구를 처리하는 런타임 하네스(harness)에 공동으로 의존합니다. 기존 하네스-모델 공동 진화(co-evolution) 기법들은 두 요소를 모두 개선하지만, 하네스 탐색 과정에서 생성된 궤적(trajectories)을 구별 없는 리플레이 버퍼로 취급하는 경우가 많습니다. 이러한 관행은 모델 학습에서 궤적의 가치가 그것을 생성한 하네스에 따라 달라진다는 점을 간과합니다. 본 연구는 이 인터페이스를 체계적으로 분석하기 위한 프레임워크를 수립합Terminal-agent capability depends jointly on model weights and the runtime harness that formats prompts, binds tools, and handles error recovery. Existing harness-model co-evolution approaches improve both components, yet often treat trajectories produced during harness search as an undifferentiated

어떤 롤아웃이 학습시켰을까? BehaviorTrace와 온라인 RL의 학습 데이터 기여도 분석 한계Which Rollout Taught It That? BehaviorTrace and the Limits of Training-Data Attribution in Online RL

강화학습을 통해 언어 모델에 새로운 행동이 학습되었을 때, 이를 유도한 훈련 롤아웃(rollout)을 추적할 수 있을까요? 또한 기여도 분석(attribution) 방법론이 이를 찾았다고 주장할 때 결과의 신뢰성은 어떻게 검증할 수 있을까요? 본 연구는 원인이 명확히 정의된 '식립 행동(planted behavior)' 설정을 바탕으로 GRPO 기반 온라인 RL 파인튜닝 환경에서 두 질문을 조사합니다. 전체 그래디언트 스케칭, 식립 행동 설정, 그래디언트 크기·유창성·여유도(headroom) 및 변량 제어 등을 통When reinforcement learning teaches a language model a new behavior, can we find the training rollouts that taught it? And when an attribution method says it can, how do we know the answer is real? We study both questions on online RL fine-tuning with GRPO, using a planted behavior with a known caus

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

AI가 무엇을 할 수 있을지 결정하는 주체는 과연 누구인가?Who chooses what AI gets to do?

오픈AI, EU 지역 ChatGPT 텍스트에 워터마크 도입 예정OpenAI will start watermarking ChatGPT’s text in the EU

오픈AI가 EU AI 법(AI Act) 준수를 위해 유럽 지역에서 ChatGPT와 Codex 생성 텍스트에 워터마크를 적용합니다. 단, 텍스트 편집 시 보이지 않는 워터마크 탐지가 더 어려워질 수 있다고 밝혔습니다.OpenAI will watermark ChatGPT and Codex text in the EU to comply with the AI Act. Editing can make the invisible marks harder to detect, it says.

내재적 정렬(Endogenous Alignment)에는 의존성이 필수적이다Endogenous Alignment Requires Dependence

내재적 정렬(Endogenous Alignment)에 관한 이전 글에 여러 유익한 피드백이 달렸습니다. 그중 칼 크루거(Karl Krueger)는 인간이 자녀를 정렬(align)시킬 때 강화학습보다 모방학습(imitation learning)이 더 중요하다고 주장했습니다. 무엇이 더 중요한지 가려내는 것은 쉽지 않지만, 모방의 중요성을 간과했던 점은 인정하며, 또 다른 의견에서 설명했듯 모방학습이 더 근본적일 수 있습니다. 군나르 자른케(Gunnar Zarncke)가 지적했듯, 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

생명의 암호를 풀어낸 딥마인드의 새로운 AIDeepMind's New AI Just Cracked The Code Of Life

인간 게놈 내 가능한 모든 DNA 염기서열 변화를 예측하는 구글 딥마인드의 AlphaGenome Atlas 공개 소식을 전합니다.❤️ Check out Lambda here and sign up for their GPU Cloud: https://lambda.ai/papers Thank you Google DeepMind for the invite. 📝 AlphaGenome Atlas is available here: https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/ https://blog.go

63억 달러 가치의 오픈 가중치 모델이 프랑스 기업에 굴욕을 겪다...A $6.3 billion open-weight model just got embarrassed by the French...

KERNEL은 에이전트가 어떤 웹사이트에서든 작업을 수행하도록 지원하는 가장 간단한 방법입니다. 프로모션 코드 FIRESHIP을 사용해 Hobbyist 티어(30달러 상당)로 무료 업그레이드하세요: https://kernel.sh/fireship. 이번 주 Mistral, Reflection AI, Moonshot 모두 오픈 가중치(open-weight) 경쟁에서 큰 진전을 보였습니다. 자세히 살펴보겠습니다. Fireship의 추가 콘텐츠: 🗞️ 뉴스레터: https://bytes.dev 🧠 강의: https://fireship.dKERNEL is the simplest way to let your agents act on any website. Use code: FIRESHIP to get a free upgrade to the Hobbyist tier ($30 value) at https://kernel.sh/fireship Mistral, Reflection AI, and Moonshot all made big moves in the open-weight race this week. Let's dive in. Want more Fireship?

AI 뉴스: Dots, GPT-6.1 Sol, Sonnet 5.5, Gemini 4 및 놓쳐선 안 될 주요 소식AI News: Dots, GPT-6.1 Sol, Sonnet 5.5, Gemini 4, and everything you need to know

이번 주 놓치기 쉬웠던 주요 AI 뉴스를 정리해 전해드립니다.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