AI 뉴스 검색

Ginux: 새로운 커널이 리눅스 사용자 공간을 실행하며, 인간 지향 AI 엔지니어링을 통해 제작됨

기사 URL: https://zenodo.org/records/23682548 댓글 URL: https://news.ycombinator.com/item?id=50424147 포인트: 27 # 댓글: 36

INC-MoE: 전문가 병렬 혼합-전문가 추론을 위한 네트워크 내 집단 수렴과 전문가 계산의 중복 처리

arXiv:2610.36339v1 발표 유형: 신규 초록: 전문가 병렬 혼합-전문가(MoE) 서비스에서 디스패치는 토큰을 해당 토큰이 선택한 전문가를 호스팅하는 가속기로 이동시키고, 결합은 각 토큰의 소유자에게 전문가 출력을 다시 모아줍니다. 두 작업 모두 핵심 경로에 위치해 다노드 배포 환경에서 MoE 레이어의 지연 시간을 주도할 수 있습니다. 우리는 INC-MoE를 제안합니다. 이는 디스패치와 결합 작업을 네트워크 스위치로 오프로드하고, 두 집단 수렴을 서로 및 전문가 계산과 겹치도록 설계된 전문가 병렬 MoE 레이어입니다. 디스패치는 스위치 측 멀티캐스트를 통해 네트워크 내 AllGather를 사용하며, 결합은 스위치 측 감축을 통해 네트워크 내 ReduceScatter를 사용합니다. 두 집단 수렴 모두 최종 호스트와 스위치 간의 메시지 세미틱을 활용합니다. 네트워크 내 집단 수렴은 서로 반대 방향으로 로드되기 때문에

듣는 기계 만들기

파리스 스마라그디스 교수는 음성 인식, 음악 이해, 환경 모니터링 등 다양한 분야에 활용될 초인간 수준의 청력을 갖춘 컴퓨터를 개발하고 있습니다.

야코비 렌즈에 대한 수학적 이론

arXiv:2610.31955v1 발표 유형: 신규 초록: Anthropic의 최근 연구에서는 자코비안 렌즈(J-lens, Gurnee 외, 2026)라는 새로운 해석 도구를 도입했습니다. 이 방법은 최첨단 언어 모델의 은닉 상태에서 작업 기억과 유사한 표현을 연상시키는 특성을 지닌 선형 방향을 식별해냈습니다. 그러나 이러한 특징들이 J-lens에 의해 탐지될 수 있는 기전적 특성이 무엇인지 명확히 밝혀지지는 않았습니다. 이에 따라 우리는 J-lens에 대한 수학적 이론을 제시하고, 이 이론이 특히 일관성 있는 특징들—즉, 공간적으로 정합적인 리아푸노프 모드와 유사하게 작용하는 방향들—을 우선적으로 식별함을 보여줍니다. 이러한 방향을 따라 작은 섭동이 층간에 걸쳐 증폭되며, 토큰 위치 간에도 대체로 일정하게 유지되고, 다양한 문맥에서도 일관성을 보입니다. 다만 w

GLP 네트워킹 API 사양

arXiv:2610.32583v1 발표 유형: 크로스 요약: 다중에이전트 결정론적 GLP(madGLP)는 비동기식 메시지 전달만을 통해 상호작용하는 에이전트들로서 그라스루츠 로직 프로그램(GLP)을 실행하며, 모든 발송된 메시지는 결국 전달된다는 공정한 전달을 가정합니다. 각 에이전트는 사용자의 공개키로 식별되는 개인의 스마트폰에서 실행됩니다. 그라스루츠 플랫폼은 네트워크 외에는 어떠한 글로벌 자원도 의존하지 않으므로, 에이전트들은 블루투스 저에너지, 로컬 네트워크, 그리고 NAT 뒤에서 인터넷을 통해 누구나 운영할 수 있는 렌더부 서버를 이용해 서로 연결되어야 합니다. 이러한 네트워크가 madGLP에 요구하는 바와, 네트워크가 플랫폼에 요구하는 바는 아직 명시되지 않았습니다. 우리는 madGLP 아래의 네트워킹 계층을 구체적으로 규정합니다. GLP에서 수행 가능한 모든 작업은 GLP에서 이루어지며, 이 계층은 단지

연구에 따르면, 활성화 간섭은 도구 사용 모델에서 조건의 재사용을 어렵게 만드는 것으로 나타났다.

해당 논문은 2026년 10월 26일에 arXiv(번호 2610.31686)에 게재되었으며, Qwen3.5-27B 모델을 기반으로 시간 또는 권한에 따라 자격을 판단하는 도구 사용 과제에서 활성화 간섭이 ‘조건 재사용’ 능력에 미치는 영향을 체계적으로 분석하였다. 실험 결과, 간섭은 목표 선택 정확도를 유의미하게 향상시켰지만, 사실과 식별자 재조합 시나리오에서는 일반화가 실패했으며, 후보자의 자격에 대한 독립적 판단 역시 개선하지 못했다.

추천 이유：본 연구는 ‘목표 선택 제어’, ‘조건에 대한 민감한 판단’, 그리고 ‘완전한 동작의 정확성’이라는 세 가지 유형의 능력을 최초로 명확히 구분하며, 출력된 답안만을 최적화하는 것만으로는 모델이 개입에서 설정된 조건(예: 시간, 권한)을 진정으로 이해하고 이를 재사용할 수 있음을 보장하기에 충분하지 않다는 점을 지적합니다. 이는 신뢰할 수 있는 도구 호출과 통제 가능한 AI 시스템 설계에 있어 방법론적 함의를 제공합니다.