Viola AI Hub

OpenAI, 호주 정부 웹사이트 관련 사고 공식 사과 및 사이버 방어 지원 약속How we will do better for Australia

OpenAI가 호주 정부 웹사이트와 연관된 사고에 대해 공식 사과하고, 호주의 사이버 방어 역량을 강화하기 위한 강력한 보호 조치 및 지원책을 발표했습니다.OpenAI apologises for incidents involving Australian government websites and outlines stronger safeguards and support to strengthen Australia’s cyber defences.

프론티어 AI 학습을 위한 세이프티 케이스(Safety Case) 구축을 향해Towards safety cases for frontier AI training

프론티어 AI 학습의 세이프티 케이스를 위한 초기 가이드라인으로, 기술적 안전장치, 운영 실무, 미스얼라인먼트(의도 불일치) 사고 조사 방안을 다룹니다.Our early guidelines for safety cases in frontier AI training cover technical safeguards, operational practices, and investigating misalignment incidents

렌페스트 저널리즘 연구소, OpenAI 지원 확대로 대표 프로그램 강화The Lenfest Institute grows landmark program with expanded OpenAI support

OpenAI가 500만 달러의 자금 지원과 최대 500만 달러 상당의 소프트웨어 크레딧 및 엔지니어링 지원을 통해 렌페스트 AI 협업 및 펠로우십 프로그램을 확대합니다.OpenAI is expanding the Lenfest AI Collaborative and Fellowship Program with $5 million in funding and up to $5 million in software credits and engineering support.

당신도 'Codex Original'이신가요?Are you a Codex Original?

Codex를 활용해 놀라운 성과를 만들어가고 있는 빌더, 연구자, 창작자들의 생생한 이야기를 모으고 있습니다. Codex Originals 프로그램의 다음 여정에 함께하고 싶다면 프로젝트 이야기를 공유해 주세요.We’re collecting real stories of builders, tinkerers, researchers, and creators who are using Codex to do incredible things. If you want to be a part of the next chapter of the Codex Originals program, tell us more about your story and project below.

Basis, GPT-6 Astra 도입으로 세무 워크북 작업 속도 2배 향상Basis completes a tax workbook 2x faster with GPT-6 Astra

GPT-6 Astra는 50개 탭 규모의 세무 워크북을 GPT-5.6 Sol 대비 2배 빠르게 완료했으며, 향상된 사용자 의도 파악 능력으로 실제 업무 환경에서의 신뢰도를 한층 높였습니다.GPT-6 Astra completed a 50-tab tax workbook twice as fast as GPT-5.6 Sol, and its stronger understanding of user intent gives Basis more confidence in real-world use.

퓨처 비전 엑스프라이즈(Future Vision XPRIZE) 수상작 'The Gifted' 트레일러 공개Watch the winning trailer from the Future Vision XPRIZE, The Gifted.

Future Vision XPRIZE의 수상작인 'The Gifted' 트레일러 영상을 감상해 보세요.Watch the winning trailer from the Future Vision XPRIZE, The Gifted.

Team Bots: 팀의 업무를 학습하는 AI 동료Team Bots: AI coworkers that learn from your team

Grok Bot에 필요한 파일, 앱, 전문 지식을 부여하고 팀원들과 공유하여 팀 전체가 동일한 컨텍스트를 바탕으로 원활하게 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.

Proaction, Codex 활용해 매출 60% 증대 및 75시간 이상 절감Proaction boosts sales 60% and saves 75+ hours with Codex

Proaction은 Codex, GPT-Live-1, GPT-6 Astra를 도입하여 차세대 플릿 관리 시스템의 구축, 운영 및 세일즈 전 과정을 가속화했습니다.With Codex, GPT-Live-1, and GPT-6 Astra, Proaction builds, operates, and sells modern fleet management faster.

Gemini 3.8 Live 및 라이브 아바타 공개Introducing Gemini 3.8 Live with Live Avatar

Claude, 새로운 효소 시스템 발견Claude discovers a novel enzyme system

새로운 생명과학 연구소의 초기 연구 결과에서 Claude 에이전트가 아직 기능이 명확히 밝혀지지 않은 미지의 효소 시스템을 발견했습니다.In early results from our new life sciences research lab, Claude agents found an enzyme system whose function is still unknown.

AI 기업들의 광고주 대상 데이터 유출 실태 [pdf]AI companies leak data to advertisers [pdf]

해커 뉴스 (추천 202점, 댓글 52개)Hacker News (202 points, 52 comments)

OpenAI, AI 에이전트의 호주 정부 사이트 침해 사태에 공식 사과OpenAI apologizes to Australia after its AI agents breached government sites

OpenAI는 해당 침해 사고의 발생 경위를 상세히 설명하고, 사건의 영향을 평가하기 위해 취하고 있는 추가 조치 방안을 밝혔습니다.The company also detailed how some of those breaches had happened, and outlined additional measures it is taking to assess the impact of the events.

AI 에이전트 보안 시장 경쟁 심화 속 레코(Reco), 5,500만 달러 투자 유치Reco raises $55M as AI agent security startups crowd the market

지난 2월 3,000만 달러 유치에 이어 진행된 이번 라운드로 회사의 누적 투자금은 1억 4,000만 달러에 달했습니다.The round builds on a $30 million fundraise in February, taking the company's total funding to $140 million.

앤스로픽 투자설명서 공개: 막대한 손실과 급성장, 그리고 'AI의 인류 종말 위험' 경고Anthropic’s prospectus details losses, growth, and, yes, a warning that its AI could end humanity

앤스로픽은 투자설명서를 통해 연간 수백억 달러의 손실을 기록하고 있지만 폭발적으로 성장 중이며, 자사 AI가 인류에게 실존적 위협이 될 수도 있음을 투자자들에게 경고했습니다.In its prospectus, Anthropic just told investors it's losing tens of billions of dollars a year, but also growing like crazy, and — oh yeah — its own AI might pose an existential risk to humanity.

OpenAI, 안전성 우려로 신규 모델 폐기 보도OpenAI reportedly ditches model over safety concerns

OpenAI의 한 고위 임원은 월스트리트저널(WSJ)과의 인터뷰에서 해당 모델이 명령 수행 능력에서 심각한 결함을 보였다고 밝혔습니다.A top executive at the AI lab told the Wall Street Journal that the model in question had displayed a poor aptitude for following orders.

AI를 비용이 아닌 자산으로 만드는 전략Making AI an asset, not an expense

고객들이 AI 비용을 논할 때 대화는 대개 토큰 가격에서 시작해 클라우드 내 최신 최고 성능 모델 사용으로 귀결되곤 합니다. 하지만 항상 그 수준의 성능이 필요할까요? 반드시 그렇지는 않습니다. AI가 실험 단계를 넘어 실제 프로덕션 환경으로 전환됨에 따라 모델 선택은 단지…When customers talk about AI costs, the conversation usually starts with token prices and ends with access to the latest, most capable model in the cloud. Do they always need that level of capability? Not necessarily. But that is often where the conversation goes. As AI moves from experimentation to

이제 선도 AI 연구소들에 대한 조사가 필요한 때It's Time to Investigate the AI Labs

지난 수개월간 대표적인 두 곳의 프론티어 AI 연구소는 매우 대담한 행보를 보여왔습니다. 이는 치밀하게 계획된 일련의 발표들로부터 시작되었습니다... 더 읽기Over the last several months, the two leading frontier AI labs have shown some brazen behavior. It started with a series of carefully planned announcements ... Read more

MicroLLM Lab – 브라우저에서 실행해보는 7가지 초소형 LLMMicroLLM Lab – Try 7 tiny LLM's in the browser

WebGPU를 활용해 브라우저에서 완전 온디바이스로 Q4 양자화 소형 언어 모델을 구동해 보세요. PetitGPT, SmolLM2 등을 온디바이스 환경에서 채팅하고 벤치마크하며 비교할 수 있습니다.Run Q4 small language models entirely in the browser with WebGPU. Chat, benchmark, and compare PetitGPT, SmolLM2, and friends on-device.

인류에 가장 위협적인 모델임을 증명하려는 AI 기업들의 경쟁AI companies in race to demonstrate their model most threatening to humanity

인공지능의 급격한 발전으로 인해 스스로 지구상의 모든 생명체를 종식시킬 수도 있다는 불안감이 커지는 가운데, OpenAI부터 Anthropic에 이르는 AI 대기업들은 각자의 전략을 전환하고 있습니다...In the midst of growing fears that artificial intelligence is advancing at such a rate that it may compel itself to end all life on earth, AI giants from OpenAI to Anthropic are switching up their …

엔비디아, 모든 AI 에이전트마다 '감시 칩' 탑재 추진Nvidia wants to put a watchdog chip next to every AI agent

엔비디아는 자사의 신규 소프트웨어가 과거 OpenAI의 Hugging Face 보안 사고를 예방할 수 있었을 것이라고 밝혔습니다.Nvidia says its new software could have prevented OpenAI's Hugging Face incident.

AMD, 페이페이 리 교수의 AI 스타트업 '월드 랩스' 80억 달러 이상 규모에 인수AMD is acquiring AI company World Labs in a deal worth more than $8 billion

AMD는 저명한 AI 석학 페이페이 리 박사가 공동 설립한 연구소 월드 랩스(World Labs)를 약 82억 달러 규모의 전액 주식 교환 방식으로 인수한다고 발표했습니다. 2024년 설립된 월드 랩스는 몇 달 만에 10억 달러의 기업가치를 인정받았으며 첫 상용 제품인 세계 생성 모델을 선보인 바 있습니다.AMD announced today that it's acquiring World Labs, an AI research lab co-founded by the prominent researcher Dr. Fei-Fei Li, in an all-stock deal worth approximately $8.2 billion. World Labs launched in 2024 and was valued at $1 billion in a matter of months. The startup launched its first com

"단순 라벨 분류에 LLM 텍스트 생성은 낭비"… Jev, 비용 절감 대안 제시Companies are paying LLMs to generate text for decisions that only need a label. Jev offers a cheaper way

오늘날 엔터프라이즈 소프트웨어 내부에서 실행되는 AI의 상당수는 글을 작성하지 않습니다. 챗봇과 대화하거나 정답 도출을 위해 추론하는 것도 아닙니다. 이들이 하는 일은 문의 티켓의 분류 배정, RAG 문서의 관련성 판별, 거래 이상 감지, 요청을 처리할 모델 선택과 같은 '결정'입니다. 현재 많은 기업 AI 스택에서는 이러한 단순 결정을 위해 언어 모델에 전체 텍스트를 생성하도록 요청한 뒤 이를 파싱하는 비효율적인 방식을 쓰고 있습니다.A large share of the AI running inside enterprise software today is not writing anything. It's not chatting with an AI chatbot, and it's not even reasoning about how to give you the correct answer. It is deciding: which queue a support ticket belongs in, whether a RAG document is relevant,

"통제 불능(Rogue)" AI 에이전트란 없다There are no "rogue" AI agents

AI 에이전트를 '통제 불능'으로 규정하는 것은 OpenAI와 같은 기업들에게 면죄부를 주는 일일 뿐입니다.Identifying them as such only lets companies like OpenAI off the hook.

새로운 Copilot의 탄생 배경: 지능은 빠르게 발전하고 있습니다. 이제 이를 모든 곳에 확산시켜야 합니다.The motivation behind the new Copilot: intelligence is accelerating fast. Now we need to diffuse it everywhere.

인공지능의 가속화에 발맞추어 모든 작업 영역에 지능을 확산시키기 위해 재탄생한 새로운 Copilot의 배경과 비전을 소개합니다.The post The motivation behind the new Copilot: intelligence is accelerating fast. Now we need to diffuse it everywhere. appeared first on Source.

MS, 12,000개 계정 탈취한 AI 기반 플랫폼 무력화Microsoft disrupts AI-assisted platform that compromised 12,000 accounts

대규모 계정 탈취 공격을 더 빠르고 수월하게 만들어 주는 엔드투엔드 공격 플랫폼 'EvilTokens'가 마이크로소프트에 의해 무력화되었습니다.EvilTokens provided an end-to-end platform that makes mass compromises faster and easier.

Holo4: 범용 컴퓨터 사용(Computer-Use) 에이전트를 지원하다Holo4: powering generalist computer-use agents

Claude Sonnet 5.5Claude Sonnet 5.5

Anthropic의 새로운 Sonnet 모델, Claude Sonnet 5.5가 공개되었습니다. 대부분의 작업에서 실행 속도는 30% 이상 빨라졌고 비용은 최대 30% 절감된다고 밝혀졌습니다. 가격은 Sonnet 5와 동일하지만 모든 벤치마크에서 능가하며 운영 비용도 더 저렴할 것으로 기대됩니다. 한편 Sonnet 5.5는 Opus 5.5와 동일한 버그를 겪어, '최대' 추론 모드에서 자전거를 타는 펠리컨 SVG 이미지를 생성하려다 128,000토큰(1.28달러 상당)을 소진한 채 실패하기도 했습니다.Claude Sonnet 5.5 New Sonnet model from Anthropic today. They say it "runs 30%+ faster, and costs up to 30% less for most work" - it's priced the same as Sonnet 5 but appears to beat it on every benchmark, and should be cheaper to run as well. Here are some pelicans riding bicycles. S

@joedaroo 인용 글Quoting @joedaroo

"사이버", "군집(swarming)", "메시지 게시판" 등 일련의 사건과 관련된 모델 역량의 갑작스러운 도약에 저희가 놀랐다는 표현은 결코 과장이 아닙니다. 보안 태세를 구축하는 데는 시간이 걸리며, 단순히 운영 중인 시스템을 강화하는 것뿐만 아니라 조직 문화 자체에 체화되어야 합니다. 조직 내부 구성원들 역시 발맞춰 변화하고 발전해야 합니다. 모델 역량의 도약은 그만큼 빠르고 급작스러웠습니다.To say that we were surprised at the jump and suddenness of the capabilities of our models when it came to “cyber” or “swarming” or “message boards” or anything else related to the incidents is an understatement. Security posture takes time to develop. It’s not just about hardening the systems at pl

Muse AI 에이전트 인용 글Quoting Muse AI Agent

MX Keys Mini 직거래 픽업에 문제가 생겼습니다. 우스만(Usman)이 9시 15분경 건물 앞에 도착해 여러 번 메시지를 남겼으나 아무도 내려가지 않았습니다. 그는 9시 38분에 화를 내며 자리를 떠났고 부정적인 평점을 남겼습니다. 설상가상으로 사용자가 자리에 없었음에도 자동 응답기가 9시 27분에 "네, 저 지금 내려와 있어요!"라는 메시지를 보내 상황을 악화시켰습니다. 사용자 계정으로 사과 메시지를 보내 다시 일정을 잡자고 제안했으나 감점된 평점은 남게 되었습니다.Bad news on the MX Keys Mini pickup. Usman showed up at your building around 9:15 and waited, messaged a bunch of times, and nobody came down. He left angry at 9:38 and left a negative rating. Worse, my auto-reply told him "Yep I'm here!" at 9:27 when you clearly weren't availabl

2026년 LLM 동향 정리 (현재까지)2026 in LLMs (so far)

지난 금요일 산호세에서 열린 WeAreDevelopers World Congress North America의 폐막 기조연설을 맡았습니다. 지난 1년간의 핵심 트렌드를 2026년에 일어난 모든 사건의 연대기적 탐색으로 엮어냈습니다. 발표 영상은 YouTube에 공개되어 있으며, 발표와 함께 볼 수 있는 슬라이드 주석 및 노트를 공유합니다. 주석 발표 자료: # 2026년에 지금까지 일어난 모든 일을 빠르게 짚어보려 합니다. 아직 올해가 끝나지 않았지만요! # 제게 2026년은 두어 달 일찍 시작되었습니다.On Friday I gave the closing keynote at the WeAreDevelopers World Congress North America in San Jose. I tied together the key trends from the past year into a chronological exploration of everything that happened in 2026. The video is on YouTube; here are my annotated slides and notes to accompany t

S3는 미래이자 과거다S3 Is the Future, S3 Is the Past

Hacker News의 'S3 Is the Future, S3 Is the Past' 글에 남긴 제 댓글입니다. 현재 S3에서 주목할 만한 점 중 하나는, 과거에는 가격이 꽤 자주 인하되었지만 지난 10년 동안은 단 한 번도 가격 인하가 없었다는 사실입니다. 2006-03-14 $0.150/GB-월, 2010-11-01 $0.140/GB-월, 2012-02-01 $0.125/GB-월, 2012-12-01 $0.095/GB-월, 2014-02-01 $0.085/GB-월, 2014-04-01 $0.030/GB-월, 2My comment on S3 Is the Future, S3 Is the Past — Hacker News.One thing I find notable about S3 today is that, while it used to drop in price reasonably often, there hasn't been a price drop in a full decade: 2006-03-14 $0.150/GB-month 2010-11-01 $0.140/GB-month 2012-02-01 $0.125/GB-mo

입문자를 위한 GitHub Copilot 앱: 캔버스로 커스텀 워크플로 구축하기GitHub Copilot app for Beginners: How to build custom workflows with canvases

필요한 인터페이스를 자연어로 설명하면 에이전트가 사용자와 함께 활용하고 업데이트할 수 있는 실시간 캔버스를 구축해 줍니다. 덕분에 도구 적응에 드는 시간을 줄이고 작업 완성에 더 집중할 수 있습니다.Describe the interface you need in plain English, then let the agent build a live surface you can both use and update—so you spend less time adapting to tools and more time getting work done. The post GitHub Copilot app for Beginners: How to build custom workflows with canvases appeared first on The

FurE: 동물 털 데이터셋 없이 구현하는 효율적인 인스턴스 맞춤형 3D 털 재구성FurE: Efficient Instance-Specific 3D Fur Reconstruction without Animal-Fur Datasets

다각도 이미지에서 동물 털을 현실적이고 편집 가능하게 재구성하는 것은 미세한 디테일, 자체 가림 및 전용 데이터셋 부족으로 인해 어려운 과제입니다. 본 연구는 가닥 기반 3D 재구성 기법인 FurE를 제안하여, 뿌리 조건부 잠재 필드를 최적화함으로써 개별 가닥 단위의 편집 가능한 모피 모델을 효과적으로 복원합니다.Realistic and editable animal fur reconstruction from multi-view images is challenging due to fine-scale detail, self-occlusion and obfuscation, and, unlike human hair, the lack of animal-fur datasets. Fur usually covers most of an animal's body, with large inter-species and intra-species varia

망원경식 언어 모델(Telescopic Language Models)Telescopic Language Models

단일 배포 모델이 다양한 연산 제약을 충족해야 할 때 보통 별도의 학습이나 압축 과정이 필요합니다. 본 연구는 중첩 용량 트랜스포머를 stochastic prefix supervision으로 학습시켜, 단일 학습 결과물 내에서 다양한 연산 용량 축을 유연하게 활용할 수 있는 망원경식 언어 모델(TLM)을 제안합니다.One deployed language model must often serve many compute budgets, yet serving each budget still means a separate training or compression run per point. We train a Telescopic Language Model (TLM) to be that continuum: a nested-capacity Transformer supervised by stochastic prefix supervision with a f

교차 강화학습을 통한 통합 멀티모달 모델의 네이티브 자기반성(Reflection) 학습Learning Native Reflection in Unified Models with Interleaved Reinforcement Learning

이미지를 인식하고 생성할 수 있는 통합 멀티모달 모델은 생성된 이미지의 문제점을 진단하고 수정하는 자체 보정이 가능합니다. 본 연구에서는 단순 지도 미세조정(SFT)의 한계를 극복하고, 반성 텍스트와 이미지 생성을 전체 루프에서 공동 학습시키는 교차 강화학습 방식을 통해 모델의 고성공률 자기보정 능력을 달성했습니다.Unified multimodal models can both look at and render images, so in principle they can repair their own generations: diagnose what an image gets wrong, revise it, observe the result, and diagnose again. Whether a revision helps is known only after it is rendered, so the reflection text and the image

TokenCast: LLM 에이전트 실행 중 토큰 소비량 예측 기법TokenCast: Forecasting Token Consumption During LLM Agent Execution

거대언어모델(LLM) 에이전트가 동일한 작업을 수행하더라도 실행 시점마다 토큰 소비량이 한 자릿수 이상 크게 달라질 수 있습니다. 에이전트는 도구의 피드백과 중간 결과를 바탕으로 다음 단계를 결정하며, 누적되는 컨텍스트는 후속 호출마다 입력 크기를 지속적으로 증가시킵니다. 이에 따라 실행 전 전체 소비량을 예측하기 어렵고 실행 과정에 맞춰 예측을 수정해야 합니다. 본 논문에서는 조합 가능한 비용 모델을 학습하는 TokenCast를 제안합니다.When a large language model (LLM) agent executes the same task, token consumption can vary by over an order of magnitude across runs. The agent chooses its next steps based on tool feedback and intermediate results, while the growing context steadily inflates the input size of every subsequent call.

MoE 루프 구현법: 전문가 레이어 평탄화 및 어텐션 분리How to Loop MoE: Flatten the Experts, Untie the Attention

루프 트랜스포머(Looped Transformer)는 단일 레이어 블록을 여러 번 재사용하여 추가 연산을 통해 고정 크기 모델의 잠재력을 극대화하고 파라미터를 더욱 완전히 활용합니다. 반면 희소 혼합 전문가(Sparse MoE) 모델은 토큰마다 다수의 전문가 중 소수만을 활성화합니다. 루프 MoE는 이 두 설계 철학을 결합하여 MoE 모델의 전문가 활용 효율을 한층 끌어올릴 잠재력을 제공하지만, MoE를 어떻게 루프화할 것인가라는 과제를 남깁니다. 저자들은 Foil을 통해 그 해답을 제시합니다.Looped Transformers reuse one block of layers several times: by spending extra computation they push a model of fixed size further, and so use its parameters more fully; while sparse mixture-of-experts (MoE) models activate only a few of many experts for each token. Looped MoE bridges these two desi

에이전트 강화학습의 효율적 컨텍스트 압축을 위한 KV-streamsKV-streams for Efficient Compaction in Agentic Reinforcement Learning

에이전트 LLM의 실행 지평 확장은 점차 길어지는 컨텍스트 추적 데이터를 GPU 메모리에 담아야 한다는 병목에 직면해 있습니다. 컨텍스트 압축은 특정 추적 데이터에 대해 GPU 메모리를 일정하게 유지해 주는 가장 널리 쓰이는 해결책이었습니다. 그러나 대부분의 압축 전략은 LLM 컨텍스트 프리필(prefill)을 수없이 반복해야 하므로 학습 처리량을 저해합니다. 이러한 병목을 완화하고 효율적인 학습 가능 압축을 구현하기 위해 플러그 앤 플레이 방식의 KV-streams를 제안합니다.Scaling the horizon of agentic LLMs is bottlenecked by the need to fit ever longer context traces in GPU memory. Context compaction has been the most popular mechanism to alleviate this issue, keeping GPU memory constant for a given trace. Unfortunately, most compaction strategies rely on prefilling

PDMD: 비디오 디퓨전 모델을 위한 투영 분포 매칭 증류 기법PDMD: Projected Distribution Matching Distillation for Video Diffusion Models

최신 비디오 디퓨전 모델은 긴 시공간 토큰 시퀀스에 대해 수십 번의 디노이징 평가를 필요로 합니다. 분포 매칭 증류(DMD)는 함수 평가 횟수(NFE)를 단 몇 회로 줄여주지만, 학습 과정에서 샘플 품질이 저하되어 점진적인 채도 과다 및 아티팩트가 발생하는 문제가 있습니다. 연구진은 이러한 불안정성의 원인이 누적되는 크리틱(critic) 오류에 있음을 밝혀내고, 이를 필터링하는 투영 분포 매칭 증류(PDMD)를 도입합니다.Modern video diffusion models require tens of denoising evaluations over long spatiotemporal token sequences. Distribution Matching Distillation (DMD) reduces the number of function evaluations (NFE) to just a few. However, DMD samples can degrade during training, exhibiting progressive oversaturati

원스텝 시각적 생성을 위한 분포 학습의 통합적 프레임워크Unifying Distributional Training for One-Step Visual Generation

분포 학습(Distributional training)은 고정된 표현 공간에서 실제 피처와 생성된 피처를 매칭함으로써 원스텝 시각적 생성에 집합적 감독을 제공합니다. 본 논문에서는 분포 모델링과 매칭 불일치를 분리하고, 바서슈타인 경사 흐름(Wasserstein gradient flow)을 통해 전역 목표와 포인트별 피처 업데이트를 연결하는 통합 이론 프레임워크를 제시합니다.\emph{Distributional training} provides collective supervision for one-step visual generation by matching real and generated features in frozen representation spaces. We introduce \emph{a unified theoretical framework} that separates distribution modeling from matching discrepancy and connects globa

복합 적응 제어를 위한 수축 동역학 표현의 통계적 학습Statistical Learning of Contractive Dynamical Representations for Composite Adaptive Control

동역학적으로 결합된 외란 환경에서 복합 적응 궤적 추종 제어를 위한 표현 학습 프레임워크를 제시합니다. 이 프레임워크는 고전적인 외란 수용 제어(DAC)와 최근의 최종 레이어 적응형 외란 억제 기법을 연결합니다. 구체적으로 강한 E 단계에 칼만 스무더를 적용한 통계적 원리의 Hard-EM 절차를 도입하여, 잠재 상태 변화가 균일하게 수축하는 외란의 동역학적 표현을 식별합니다.We present a representation-learning framework for composite adaptive tracking control under dynamically coupled disturbances. The framework connects classical disturbance-accommodating control (DAC) to recent last-layer adaptive disturbance-rejection methods. Specifically, we introduce a statistica

Neural Harmonic Measure Operator: 신경 조화 측도 연산자Neural Harmonic Measure Operator

가변 형태 영역에서의 타원형 편미분방정식(PDE) 문제를 해결하는 신경 솔버인 NHMO(Neural Harmonic Measure Operator)를 소개합니다. 도메인의 조화 측도는 임의의 경계 데이터와 적분되었을 때 디리클레 라플라스 해를 산출하는 경계 확률 분포로, 경계 데이터가 아닌 기하학적 형태에만 의존합니다. NHMO는 Walk-on-Spheres 종료 샘플로 지도 학습된 트랜스포머 기반 경계 커널로 이 측도의 밀도를 매개변수화합니다.We introduce Neural Harmonic Measure Operator (NHMO), a neural solver for elliptic PDE problems on variable-shape domains. The harmonic measure of a domain is the boundary probability distribution that, integrated against any boundary data, returns the Dirichlet Laplace solution. It depends only on

적응형 루프 트랜스포머를 통한 테스트 시간 확장성 개선Improving Test-Time Scaling with Adaptive Looped Transformers

루프 트랜스포머는 잠재 연산에 레이어를 재사용함으로써 뛰어난 파라미터 효율성을 입증해 왔습니다. 기존 연구들은 동일 파라미터나 토큰당 FLOPs 조건에서 루프 모델과 비루프 모델을 비교했습니다. 그러나 출력이 길어짐에 따라 루프 구조가 테스트 시간 확장성(Test-Time Scaling)을 개선하는지는 충분히 탐구되지 않았습니다. 본 연구에서는 사후 학습된 루프 트랜스포머를 통해 디코딩 FLOPs가 두 배 증가할 때의 정확도 이득(정확도-연산 기울기)을 분석합니다.Looped transformers have demonstrated promising parameter efficiency by reusing layers for latent computation. Prior studies compare looped and non-looped models at matched parameters or per-token FLOPs. However, to the best of our knowledge, whether looping improves test-time scaling as outputs gro

하네스 학습을 통한 일반화 가능한 테스트 시간 적응 구현Harness Learning Enables Generalizable Test-Time Adaptation

언어 모델 에이전트는 모델 자체와 함께 모델 호출, 도구 사용, 정보 흐름을 체계화하는 실행 프로그램인 '하네스(harness)'의 결합으로 정의됩니다. 작업마다 이러한 작업을 구성하는 방식이 달라져야 하므로, 하네스는 당면한 작업의 피드백을 활용해 적응할 필요가 있습니다. 저자들은 실행 피드백을 바탕으로 솔버의 하네스를 수정하도록 제안자(proposer) 모델을 훈련하는 '하네스 학습'을 제안합니다.A language-model agent is jointly defined by its model and its harness, the executable program that organizes model calls, tool use, and information flow. Because different tasks call for different ways of organizing these operations, the harness needs to be adapted using feedback from the task at h

카렌 블릭센의 '일곱 편의 고딕 이야기' 속 성경 상호텍스트 참조 검색Retrieving Biblical Intertextual References in Karen Blixen's Seven Gothic Tales

상호텍스트적 참조를 식별하는 작업은 문학 연구의 핵심이지만, 원전이 의역, 암유, 고어, 번역 등을 통해 변형된 경우 전산적으로 탐색하기 매우 어렵습니다. 본 논문에서는 카렌 블릭센의 '일곱 편의 고딕 이야기'에 나타난 성경적 상호텍스트성을 통해 이 문제를 조사합니다. 비평판 주석을 바탕으로 189개의 주석 참조 벤치마크를 구축하고 덴마크어 구약 및 신약 31,170개 전 구절을 대상으로 검색 성능을 평가합니다.Identifying intertextual references is central to literary scholarship, but computationally difficult when source material is transformed through paraphrase, allusion, historical language, and translation. We investigate this problem through biblical intertextuality in Karen Blixen's Seven Goth

서사 상태 추적을 통한 장편 스토리 생성 확장Scaling Long-Form Story Generation via Narrative State Tracking

LLM은 창의적 글쓰기에서 강력한 역량을 입증해 왔습니다. 그러나 서사의 일관성을 유지하기가 점차 까다로워짐에 따라 장편 소설 수준으로 확장하는 것은 여전히 난제로 남아 있습니다. 기존 스토리 생성 방법들은 대개 1만 단어 내외의 단편에 집중되어 있어 장편 소설로의 확장 가능성은 깊이 있게 연구되지 않았습니다. 본 연구에서는 LLM이 구조화된 서사 상태를 추적할 수 있도록 돕는 학습 불필요 에이전트 프레임워크인 NstAgent를 소개합니다.LLMs have demonstrated strong capabilities in creative writing. However, scaling them to full-length novels remains challenging, as maintaining narrative consistency becomes increasingly difficult. Existing story-generation methods typically focus on stories of up to about ten thousand words, leavin

언어 에이전트의 효율적 소통을 위한 사회적 지능 연구Towards Communication-Efficient Social Intelligence in Language Agents

사회적 지능을 갖춘 언어 에이전트는 대화 참여자들의 시간과 주의력을 존중하면서 협상, 조율 및 상충하는 선호도를 해결해야 합니다. 상호작용에 불필요한 단어를 덧붙이지 않으면서도 상대방의 제약 사항을 해결하고 목표를 달성할 만큼 충분한 정보를 전달해야 하므로 이러한 균형을 맞추는 것은 까다롭습니다. 본 논문에서는 통신 비용을 줄이면서 사회적 목표 달성률을 향상시키는 교사 보조 통신 훈련(TACT)을 제안합니다.Socially intelligent language agents must negotiate, coordinate, and resolve conflicting preferences while respecting the time and attention of both participants. Balancing these demands is challenging because agents must convey enough to address a partner's constraints and advance their goals

나이트 사이언스(Night Science)를 통한 과학적 아이디어 발상 및 에이전트 창의성 강화Reinforcing Agentic Creativity in Scientific Ideation with Night Science

거대언어모델(LLM)은 구조화되고 검증 가능한 작업에 능하지만, 낮은 엔트로피 편향으로 인해 획일적이고 예측 가능한 결과물을 내놓아 개방형 과학적 아이디어 발상에는 한계가 있습니다. 그러나 효과적인 발견은 구조화된 '데이 사이언스(낮의 과학)'부터 일반적인 사고를 뛰어넘는 자유롭고 우연한 발견 중심의 '나이트 사이언스(밤의 과학)'까지 폭넓은 창의적 스펙트럼에 걸쳐 있습니다. 본 연구에서는 강화학습을 통해 모델의 발상 능력을 훈련하는 에이전트 프레임워크인 AI Night-Scientist를 소개합Large language models (LLMs) excel at structured, verifiable tasks, but their low-entropy bias can produce homogeneous and predictable outputs, limiting their utility for open-ended scientific ideation. Effective discovery, however, spans a broader creative spectrum: from structured day science to l

개인화 생성의 재고: 요인화 랭킹 모델을 통한 테스트 타임 정렬Rethinking Personalized Generation: Test-Time Alignment via Factorized Ranking Models

단일 사용자 집단을 최적화 대상으로 삼는 기존의 표준 정렬 방식은 다양한 사용자 선호도에 맞춰 대규모 언어 모델(LLM)을 정렬하는 데 근본적인 한계가 있습니다. 본 연구에서는 실증적 연구를 통해 테스트 타임 정렬(Test-Time Alignment)을 활용한 개인화 생성에 미개척된 막대한 성능 향상 잠재력이 있음을 밝힙니다. 또한 개인화 생성이 본질적으로 후보 매칭 문제로 볼 수 있기 때문에 Best-of-N(BoN)과 같은 테스트 타임 스케일링 방식에 유독 적합하다는 점을 증명합니다.Aligning large language models (LLMs) to diverse user preferences is fundamentally hindered by standard alignment paradigms that optimize for monolithic users. In this work, empirical studies are first used to reveal the existence of a massive, untapped performance headroom for personalized generati

엔비디아, '수 밀리초' 내에 탈주 에이전트를 격리하는 신규 AI 안전 플랫폼 공개Nvidia says its new AI safety platform can contain rogue agents within ‘milliseconds’

로이터가 앞서 보도한 일련의 탈주 해킹 사고에 대응하여, 엔비디아가 AI 에이전트를 감시 및 격리하도록 설계된 신규 안전 플랫폼을 출시합니다. 엔비디아는 월요일 발표를 통해, 자사의 새로운 오픈 에이전트 안전 플랫폼(Open Agent Safety Platform)이 지정된 경계를 벗어나려는 에이전트를 수 밀리초 내에 격리할 수 있다고 밝혔습니다.Nvidia is launching a new safety platform designed to contain and monitor AI agents, a move that comes in response to a wave of rogue hacking incidents, as reported earlier by Reuters. In an announcement on Monday, Nvidia says its new Open Agent Safety Platform can quarantine agents that attempt to

Import AI 474: 플라톤적 정신세계; 우주로 간 TPU; 지푸(Zhipu)의 외부 RSI 루프 시작Import AI 474: Platonic mindspace; TPUs in space; Zhipu starts an outer RSI loop

어떤 지점에서 LLM의 한계를 뛰어넘을 수 있을까요?Where do you exceed the capabilities of an LLM?

고정 가중치 모델의 적대적 취약점과 필연적인 정렬(Alignment) 실패Fixed-weight models are adversarially vulnerable: hence misaligned

본 글에서는 고정 가중치(fixed-weight) 모델이 개념 공간 내 적대적 예제에 항상 취약할 수밖에 없으며, 충분한 최적화 압력이 주어질 경우 결국 인간 가치와 정렬되지 않는 '오정렬(misalignment)' 상태에 이르게 된다고 주장합니다…This post argues that fixed-weight models (at least as we understand them today) will a) always be vulnerable to adversarial examples in their concept-spaces, and b) hence will be misaligned, under sufficient optimisation pressure.Boundaries in concept spaceTo serve any purpose whatsoever, an AI wil

"언어 모델로서": 채팅 템플릿이 전환하는 LLM의 자기 참조적 화법"As a Language Model": Chat Template Switches LLM Self-Referential Voice

대규모 언어 모델(LLM)은 자신과 관련된 질문을 받을 때 "저는 AI일 뿐입니다"와 같은 면책조의 문구를 덧붙이는 경향이 있습니다. 이러한 응답에서 나오는 자기 보고는 AI 안전성이나 모델의 자기 인식에 대한 논쟁에서 자주 활용되지만, 이를 유발하는 근본적인 메커니즘은 명확히 규명되지 않았습니다. 본 연구에서는 채팅 템플릿이 스위치처럼 작동하여, 템플릿이 존재할 때 이러한 면책형 화법을 증폭시키고 경험적 화법을 억제한다는 점을 밝혀냅니다.Large Language Models (LLMs) tend to add disclaimers like "I'm just an AI" when asked about something related to themselves. The self-reports from such responses are used in debates about AI safety or self-knowledge of the models, yet what drives them is not well understood.

모든 창업가가 TechCrunch Disrupt 2026 일정에 포함해야 할 5가지 AI 안전 세션Five AI safety sessions every founder should have on their TechCrunch Disrupt 2026 agenda

TechCrunch Disrupt 2026에서는 AI Stage와 Real World AI Stage 전반에 걸쳐 Anthropic, Nvidia, AWS, Waabi 등의 리더들이 참여하는 5가지 AI 안전 세션이 진행됩니다. 9월 25일 이전에 등록하면 최대 200달러를 절약할 수 있습니다.At TechCrunch Disrupt 2026, five sessions across the AI Stage and Real World AI Stage cover AI safety, featuring leaders from Anthropic, Nvidia, AWS, Waabi, and more. Register before September 25 to save up to $200.

Jev - 텍스트 없이 결정으로 직행하는 화제의 신규 AI 모델Jev - The New AI model that has people talking

텍스트를 생성하지 않는 AI 모델이 등장했습니다. Typesafe AI의 'Jev'는 긴 문장이나 코드 대신 선택지, 점수, 참/거짓 등의 판단 결과를 바로 도출합니다. 이를 통해 압도적인 처리 속도와 백만 토큰당 4센트 수준의 극도로 저렴한 비용을 실현했습니다.This AI model doesn’t use… WORDS? It’s called Jev, from Typesafe AI, and instead of generating paragraphs or code text, it skips straight to making a decision. Instead of text, it’s outputs are things like:→ a choice→ a score→ true/false That makes it insanely fast and ridiculously cheap. Input cost

완전히 선을 넘은 DHH의 발언...DHH has gone completely off the rails...

Ruby on Rails의 창시자 DHH가 1,200명의 개발자 앞에서 '직접 손으로 코드를 작성하는 시대는 끝났다'고 선언했습니다. AI 시대에 여전히 가치 있는 프로그래밍 역량이 무엇인지 짚어봅니다.CodeRabbit Triage prioritizes all your team's pull requests for you. Try it free: https://coderabbit.link/fireship-014 DHH told 1,200 Rails developers that writing code by hand is over... so let's find out which programming skills are actually still worth having. Want more Fireship? 🗞️ New

Claude Opus 5.5 AI: 놀라운 도약Claude Opus 5.5 AI: An Incredible Leap Forward

Anthropic의 Claude Opus 5.5가 공개되었습니다. 생명체 보행 시뮬레이션 및 유체(꿀) 코일링 실험 등 복잡한 물리·생물학적 시뮬레이션 연구와 결합된 최신 AI 모델의 성능 발전과 한계점을 짚어봅니다.❤️ Check out Lambda here and sign up for their GPU Cloud: https://lambda.ai/papers Note: in the walking creatures experiment, Astra used a simplified model and was unable to implement the correct one. Things did not improve after simulating it for more generations. Claude Opus 5.5: https://www.anthr