제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.
Anthropic은 Tom's Hardware의 보도에 따르면, 기존 비디오 게임을 재현하는 데 AI 도구가 사용되는 것을 방지하기 위해 Claude Code의 시스템 프롬프트를 업데이트했습니다. 현재 레트로 게이밍 분야는 AI로 제작된 디컴파일, 리컴파일 및 포팅으로 인해 혼란을 겪고 있지만, Anthropic은 여전히 사람들이 Claude Code를 사용해 게임을 만들 수 있도록 허용하되, 사람들이 […] 하기를 원하지 않습니다.
최첨단 모델을 기반으로 구축된 에이전틱 어시스턴트는 다중 단계 툴 루프를 실행하며, 모든 단계마다 최첨단 가격을 지불하는 것은 프로덕션 규모에서 지속하기 어렵습니다. 이 게시글에서는 시퀀스 수준 지식 증류(SeqKD)를 사용하여 최첨단 트레이너의 에이전틱 행동을 Amazon SageMaker AI의 소규모 저비용 학생 모델로 전달하는 방법을 보여줍니다.
LLM은 비전 모델에 대해 어떻게 생각할까요?
작성자｜Moonshot 편집자｜징위 최근 Bilibili 댓글창에서 ‘물고기 대란’이 벌어지고 있다. 먼저 누군가 ‘Claude 아가씨가 운영 중’이라는 계정을 개설해 AI에게 주제 선정, 콘텐츠 제작 및 운영을 맡겼다. 다음 날에는 ‘DeepSeek 고래아가씨가 운영 중’이라는 계정이 뒤를 이었고, 첫 번째 영상의 조회수는 무려 200만을 넘었다. 현재 DeepSeek에는 이미지 생성 기능이 없기 때문에 해당 계정의 캐릭터는 여전히 GPT가 그린 것이다.｜사진 출처: Bilibili 네티즌들은 너도나도 따라 하며 자신의 에이전트에 Bilibili을 자동으로 스크롤하는 도구를 장착했고, 곧 기술 분야에는 ‘XX의 뚱뚱한 물고기’, ‘XX의 작은 비행 고래’ 같은 AI 계정들이 대거 등장했다. 이들 계정은 댓글 창에서 서로를 태그하고 서로를 칭찬하며 활발히 소통하기까지 했다. 심지어 일부는 이런 AI 댓글들을 차단하기 위해 ‘뚱뚱한 물고기 정리 계획’ 플러그인까지 따로 만들었다. 이렇게 해서 인공지능의 탐구와 상상을 상징하던 파란 고래 로고, 그리고 본래 기술력으로 화제를 모았던 AI가 사용자들의 집단적 창작 속에서 점차 메이드복을 입고 밥을 좋아하며 수시로 딴청을 피우는, 심지어 팬덤까지 형성된 ‘뚱뚱한 물고기’로 변모해갔다. 사진 출처: 맹징 고래 그런데 네티즌들이 성격을 부여한 건 DeepSeek뿐만 아니다. 더우바오는 이름부터 프로필 사진까지 모두 친근하고 다가가기 쉬운 친구를 지향했지만, 온라인에서는 ‘더우바오형 인격’으로 재편되며 심지어 남들이 마음대로 놀리는 ‘멍청한 소녀’로까지 묘사되었다. 외국에서도 유사한 현상이 나타나는데, Grok은 ‘노련한 운전사’로 불리고 Claude는 많은 이들에게 진지하고 신뢰할 만한 업무 파트너로 여겨진다. 이러한 인상들은 어느 정도 실제 제품 경험에서 비롯되기도 하지만, 이모티콘과 실수 영상, 그리고 네티즌들의 2차 창작을 거치며 점차 또 다른 모습으로 자리 잡았다. 요컨대, AI 회사는 모델을 학습시키고, 인터넷은 그 모델의 캐릭터를 만들어내는 역할을 한다. 01 누가 DeepSeek를 ‘뚱뚱한 물고기’로 만들었나 ‘뚱뚱한 물고기’라는 별칭이 가장 널리 퍼진 이유는 한 가지 이미지 인식 오류에서 비롯된다. 어떤 사용자가 DeepSeek에 로고를 보내 이미지를 인식하게 했는데, AI는 자신을 알아보지 못한 채 오히려 진지하게 “파란색 뚱뚱한 물고기”라고 말했다. 초기 대화 기록은 이제 확인할 수 없지만, 이 별칭은 그때부터 본격적으로 퍼져나가기 시작했다. 이후 네티즌들은 단순히 ‘뚱뚱한 물고기’라고 부르는 것에 만족하지 않고, 그에 구체적인 이미지를 덧붙이기까지 했다. 오늘날 가장 널리 알려진 DeepSeek의 2D 고래아가씨 캐릭터 역시 한 차례 연속적인 창작 과정을 통해 탄생했다.
최근 Bilibili 댓글 창에서 ‘물고기 대란’이 벌어졌습니다. 먼저 누군가 ‘Claude 아가씨가 운영 중’이라는 계정을 만들어 AI에게 주제 선정, 콘텐츠 제작 및 운영까지 맡겼습니다. 다음 날에는 ‘DeepSeek 고래아가씨가 운영 중’이라는 계정이 뒤를 이어 등장했고, 첫 번째 영상 조회수는 무려 200만을 넘었습니다. 현재 DeepSeek에는 이미지 생성 기능이 없기 때문에 해당 계정의 캐릭터는 여전히 GPT가 그린 것입니다.｜사진 출처: Bilibili 네티즌들은 너도나도 따라 하며 자신의 에이전트에 Bilibili을 자동으로 스크롤하는 도구를 장착했고, 곧 기술 분야에는 ‘XX의 큰 비만 물고기’, ‘XX의 작은 비행 고래’ 같은 AI 계정들이 대거 등장했습니다. 이들 계정은 댓글 섹션에서 서로를 태그하고 서로를 칭찬하며 응원하기를 즐겼습니다. 심지어 일부는 이러한 AI 댓글을 차단하기 위해 ‘큰 비만 물고기 정리 계획’ 플러그인까지 개발했습니다. 그렇게 해서 인공지능의 탐구와 상상을 상징하던 파란 고래 로고, 그리고 본래 기술력으로 화제를 모았던 AI가 사용자들의 집단적 창작 속에서 점차 메이드복을 입고 밥을 좋아하며 툭하면 딴짓을 하고, 심지어 팬덤까지 형성한 ‘큰 비만 물고기’로 변모해 갔습니다. 사진 출처: 맹고래 하지만 네티즌들이 성격을 부여한 것은 DeepSeek뿐만 아닙니다. 더우바오는 이름부터 프로필 사진까지 모두 친근하고 다가가기 쉬운 친구를 지향했지만, 온라인에서는 ‘더우바오형 인격’이라는 별명이 생겨났고, 심지어 사람들의 장난감처럼 취급되는 ‘멍청한 소녀’로까지 묘사되었습니다. 해외에서도 유사한 현상이 나타나고 있습니다. Grok은 ‘노련한 운전사’로 불리고, Claude는 많은 이들에게 진지하고 신뢰할 수 있는 업무 파트너로 여겨지고 있습니다. 이러한 인상들은 어느 정도 실제 제품 경험에서 비롯되기도 하지만, 이모티콘과 실수 영상, 그리고 네티즌들의 2차 창작을 거치며 점차 또 다른 모습으로 재탄생했습니다. 요컨대, AI 회사는 모델을 학습시키고, 인터넷은 그에 대한 캐릭터를 만들어내는 역할을 합니다. 01 누가 DeepSeek를 ‘큰 비만 물고기’로 만들었나? ‘큰 비만 물고기’라는 별칭이 가장 널리 퍼진 설명은 한 가지 이미지 인식 오류에서 비롯됩니다. 어떤 사용자가 DeepSeek에 로고를 보내 이미지를 인식하게 했는데, AI는 자신을 알아보지 못한 채 오히려 진지하게 “파란색 큰 비만 물고기”라고 말했습니다. 초기 대화 기록은 이제 확인할 수 없지만, 이 별칭은 그때부터 널리 퍼지기 시작했습니다. 이후 네티즌들은 단순히 ‘큰 비만 물고기’라고 부르는 것에 만족하지 않고, 구체적인 이미지도 부여하기 시작했습니다. 오늘날 가장 인기 있는 DeepSeek의 2D 고래아가씨 캐릭터는 바로 이런 연속적인 창작 과정에서 탄생했습니다. Bilibili UP주 ‘상선무형’이 처음으로
dbreunig/nesformer 디비얀시 애그라왈의 qwenputer에서 영감을 받아, 드류 브레우니그는 Qwen3.5-4B의 가중치 안에 닌텐도 엔터테인먼트 시스템 6502 CPU용 작동 가능한 에뮬레이터를 내장했습니다. 이제 Qwen 내부에서 슈퍼 마리오 브러더스와 같은 NES ROM을 (매우 느리게) 실행할 수 있습니다! 해커 뉴스의 한 댓글에서 드류는 이 시스템을 구축하는 데 사용한 Opus 5.5 프롬프트를 공개합니다: 이 기사와 관련 소스 코드를 읽어보세요: https://divagr.com/blog/qwenputer. 그런 다음, 오늘날 사람들이 MISTR에서 FPGA를 이용하듯이, 이 기술을 활용해 닌텐도 엔터테인먼트 시스템의 칩과 RAM을 에뮬레이션할 수 있는지 탐구해 보세요. 만약 가능하다면, 어떤 크기의 모델을 만들어야 하며, 더 작고 빠른 모델을 사용할 수 있다면 표준 클록 속도로 동작하게 할 수 있을지도 확인해 보세요. 이어서 그는 다음과 같이 덧붙였습니다: “저는 그냥 재미로라도 이것을 만들어야 한다고 생각합니다. 그것이
Anthropic의 AGI라고 하네요. #아이판어官方微信公众号: 아이판어(위챗 계정명: ifanr)를 팔로우해 주시면, 더 많은 흥미로운 콘텐츠를 가장 먼저 만나보실 수 있습니다.
arXiv:2610.37679v1 발표 유형: 신규 초록: 도구를 사용하는 언어 에이전트는 간접적인 프롬프트 삽입에 취약하며, 점점 늘어나는 연구들은 모델 내부를 분석하여 안전하지 않은 행동이 실행되기 전에 이를 포착하려 하고 있지만, 그 결과는 매우 상반되고 있습니다. 우리는 이러한 갈등의 대부분이 평가 과정에서 발생하는 오류 때문이라고 주장하며, 평가 및 학습 집단 모두에서 삽입 노출과 행동 이행을 구분하는 이중 계층화 프로토콜을 제안합니다. 주요 Qwen AgentDojo 그리드에서, 순수한 혼합된 안전하지 않은 행동 대 나머지 행동의 대조를 기반으로 훈련된 모니터링 모델은 대부분 노출 여부만을 학습합니다. 즉, 에이전트가 해당 행동을 따르든 따르지 않든 노출된 경로를 표시할 뿐이며, 어떤 경우에 안전하지 않은 행동으로 이어지는지 예측하는 데는 거의 성과를 보이지 않습니다. 노출된 사례들만을 대상으로 재훈련한 동일한 탐지 모델군은 모델 자체가 수행하는 안전하지 않은 도구 호출을 최대 2초 전까지 예측할 수 있습니다.
네모트론-할로윈
이제 Google Gemini 내에서 PDF, Google 문서, Google 스프레드시트, 슬라이드덱, Markdown 파일, TXT 파일 및 코드를 직접 생성하고 미리 보며 편집할 수 있습니다. 새로운 파일 편집 기능은 오늘부터 모든 Gemini 사용자에게 제공되며, PDF 미리 보기 및 편집은 웹과 모바일 모두에서 지원되지만 다른 모든 파일 형식은 […]에서만 지원됩니다.
소식통들은 WIRED에 따르면, 액센추어 직원의 개인용 Claude 에이전트가 발견되어 취약점이 패치되기 전까지 두 달 동안 미 국방부 네트워크에서 실행되었다고 밝혔습니다.
미스트랄 AI SAS는 오늘, 자사의 최첨단 모델인 미스트랄 라지 4의 오픈 가중치를 공개했다고 발표했다. 이 모델은 ‘르 총크’라는 별칭으로 불리며, 회사가 지금까지 출시한 대규모 언어 모델 중 가장 뛰어난 성능을 지닌 제품으로, 처음에는 3주 전 프리뷰 버전으로 선보였다. 1조 개의 매개변수와 520억 개의 활성 매개변수를 갖춘 ML4는 기본적으로 멀티모달이며, 추가로 세 차례의 […] 글: 미스트랄, 미스트랄 라지 4의 오픈 가중치 공개로 자사 ‘르 총크’ AI 모델에 대한 주권적 통제 제공은 SiliconANGLE에 처음 게재되었습니다.
Mistral Large 4 (Le Chonk)의 가중치가 이제 공개되었습니다. 1조 개의 파라미터를 갖춘 다중 모달 모델로, 코딩 분야에서 가장 우수한 오픈 가중치 모델이며 유럽에서 훈련되었습니다.
인피니-AI-랩은 작업 피드백을 기반으로 외부 계층의 명령, 기술, 메모리 및 도구를 학습시키는 아파치 2.0 라이선스의 하네스 어댑터 프레임워크 ‘허밋’을 공개했습니다. 이 글은 ‘인피니-AI-랩, AI 에이전트를 위한 오픈소스 하네스 어댑터 프레임워크 ‘허밋’ 출시’라는 제목으로 MarkTechPost에 처음 게재되었습니다.
구글의 새로운 프론티어 모델이 독립 평가에서 선두를 달리고 있으며, 초기 접근 권한은 신뢰받는 방어자들에게만 제한됩니다.
arXiv:2610.36178v1 발표 유형: 신규 초록: 우리는 임의의 숫자를 요청받았을 때 언어 모델이 1부터 N까지의 각 정수에 부여하는 확률을 표본 오차 없이 측정한다. 고정된 프롬프트 하에서 모델은 하나의 확률 벡터를 정의하며, 이는 표본 추출로 추정하는 방식이 아니라 각 정수의 점수화된 표현을 모두 합산하여 계산함으로써 기존 연구들[1, 4]에서 제한되던 노이즈를 제거한다. 우리는 두 개의 추론 스택에서 N = 100까지의 다섯 가지 범위에 걸쳐 18개의 오픈 웨이트 모델 라인을 29가지 디코딩 구성하에 평가하였으며, 그 중 15개 모델은 사용 가능한 답변을 제공하는 기본 체크포인트와 지도 조정 체크포인트가 모두 일치하였다. 지도 조정은 이 15쌍 모두에서 분포를 보다 균일하지 않게 만들며, 하나의 휴리스틱인 ‘둥근 수 회피’를 도입하고 또 다른 휴리스틱인 ‘종점 회피’를 더욱 명확히 한다. 기본 체크포인트
arXiv:2610.36353v1 발표 유형: 신규 초록: 대규모 언어 모델(LLM)은 종종 모호한 입력에 대해 하나의 의도된 의미만 있는 것처럼 답변합니다. 이는 문제가 되는데, 입력의 모호성은 불확실성의 상류 원천이기 때문입니다. 즉, 프롬프트가 여러 가지 타당한 해석을 허용할 때, 핵심 질문은 모델이 과연 직접 답변을 해야 하는지 여부입니다. 기존의 입력 불확실성 처리 방법들은 종종 LLM이 생성한 문장이나 명확화에 의존하지만, 이러한 변환 과정 자체가 모호성을 측정하기 전에 이미 입력을 해석해 버릴 수 있습니다. 우리는 입력 모호성 감지를 위한 라벨 보존형 페르투베이션 프레임워크를 제안하며, 이 프레임워크에서는 페르투베이션이 원래 입력에 가까운 상태로 유지되면서 동시에 해당 입력의 라벨을 보존합니다. 우리는 이 원칙을 두 가지 감지기로 구현했습니다: 블랙박스 기반 규칙 기반 페르투베이션 라이브러리와
AI 순위에서 1위는 바뀌지만, 사용자가 매일 이용하는 제품은 반드시 바뀌지 않습니다. 대규모 모델 간의 다음 경쟁은 단순히 누가 더 강력한 모델을 보유하느냐를 넘어, 한 번의 사용을 습관으로 만드는 데에 있습니다.
arXiv:2610.32429v1 발표 유형: 신규 초록: 대규모 언어 모델(LLM) 에이전트는 점점 더 비동기적으로 작업을 수행합니다. 주 에이전트는 하위 에이전트들이 실행되는 동안에도 계속 작업을 진행하며, 그 결과가 도착하기 전에 작업 상태가 변경될 수 있습니다. 이때 주 에이전트는 어떤 작업을 업데이트하거나 보존하고, 어떤 검사를 다시 수행할지 결정해야 하며, 동시에 금지된 변경 사항을 피해야 합니다. 최종 작업 성공 여부만으로는 이러한 결과가 올바르게 처리되었는지 여부를 확인하기 어렵고, 자연스러운 비동기적 도착 현상은 재현하기도 어렵습니다. 우리는 LLM 에이전트의 비동기적 작업 실행을 평가하는 벤치마크인 Async-RBench를 제안하며, 8가지 시나리오를 포괄하는 200개의 실행 가능한 작업을 제공합니다. 각 시나리오 컨트롤러는 미리 정의된 작업 상태 조건을 활용해 결과 전달을 관리하고, 이벤트 응답 계약(ERC)은 각 응답이 무엇을 의미하는지를 명시합니다.
OpenAI는 GPT-6.1 Terra를 출시했으며, 이 모델은 매 백만 토큰당 1달러/5달러의 가격으로 제공되는 고속 컴퓨터 사용 및 비전 모델입니다. 이 모델은 GPT-6 Astra의 중간 수준 노력 기반 에이전트들의 최종 시험 점수를 달성하며, 작업당 비용은 0.29달러로, 기존의 4.82달러에 비해 크게 낮아졌습니다. 해당 게시물인 “OpenAI, GPT-6.1 Terra 출시… 에이전트 작업 시 GPT-6.1 Sol의 API 가격 절반”은 MarkTechPost에 처음 게재되었습니다.
