제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.
arXiv:2610.37859v1 발표 유형: 신규 초록: 언어 모델 기반 에이전트는 맥락 속의 자연어로부터 학습할 수 있다는 점에서 기존 지능형 시스템과 근본적으로 다릅니다. 이러한 능력은 현대 에이전트 워크플로우에서 널리 사용되는 방식인, 피드백에 따라 답변을 반복적으로 개선해 나가는 것을 가능하게 합니다. 그러나 커뮤니티에서는 주로 Pass@1이나 Pass@K와 같은 지표로 모델을 평가해 왔으며, 이는 모델이 이전 시도에서 얻은 피드백을 어떻게 활용하는지를 포착하지 못합니다. 우리는 각각의 이전 시도가 실패했을 때마다 피드백을 제공받아, K번의 연속된 시도 내에 문제를 해결할 수 있는지 여부를 측정하는 자연스러운 평가 프로토콜인 Seq@K를 제안합니다. 장기 계획을 검토하는 다단계 에이전트 벤치마크와 달리, Seq@K는 개선이라는 핵심 역량을 분리하고 이를 정식화합니다.
소비자를 위한 인공지능 비서를 개발하는 와비 주식회사는 오늘 시드 투자 라운드에서 5,500만 달러를 조달했다고 발표했습니다. IVP가 이 시드 라운드를 주도했으며, 아마존 알렉사 펀드, 안드레센 호로위츠, 포어러너 등이 참여했습니다. 또한 세일즈포스 주식회사의 CEO 마크 베니오프와 쇼피파이 주식회사의 CEO 토비 뤼트케를 포함한 엔젤 투자자 그룹도 함께했습니다. 이 기사의 원문은 “와비, 소비자 지향형 인공지능 비서를 위해 5,500만 달러 유치”라는 제목으로 실리콘 앵글에 처음 게재되었습니다.
리비안은 이번 합작사업의 규모가 58억 달러에서 더 커질지 여부는 밝히지 않았다.
역전! 위스프가 자사의 받아쓰기 앱에 회의록 기능을 추가한 뒤, 그라놀라도 회의록 작성 도구에 받아쓰기 기능을 탑재했습니다. 음성 AI 전쟁이 점점 흥미로워지고 있습니다.
AI가 일상적인 재무 업무를 자동화함에 따라, 과거 초급 회계 직무를 규정하던 반복적 작업들은 점차 사라지고 있으며, 자문 서비스가 기업의 가치 창출 방식의 중심으로 부각되고 있다. 이러한 변화는 대학들이 교과서 속 모습과는 매우 다른 직무에 맞춰 졸업생들을 준비시키기 위해 분주히 움직이도록 만들었다. 교실과 실제 업무 간의 격차를 해소하는 것이 이제 인튜잇의 최우선 과제가 되고 있다. 이 글은 ‘AI가 신입 사원들을 고객 업무로 더 많이 내몰면서, 인튜잇은 회계 교육을 새롭게 재편하고 있다’라는 제목으로 처음 실렸으며, 원문은 SiliconANGLE에서 게재되었다.
GitHub Copilot Fusion이 일반에 공개되었습니다. 각 작업마다 개별 모델을 선택하는 대신, Copilot Fusion을 선택하면 Copilot이 지능적으로 어떤 모델을 사용할지 라우팅하고 오케스트레이션해 줍니다.… 글 ‘GitHub Copilot Fusion으로 모델을 라우팅하고 오케스트레이션하세요’는 The GitHub Blog에 처음 게재되었습니다.
이제 GitHub Copilot 앱을 떠나지 않고도 리포지토리의 GitHub 코드 스캐닝 알림을 처리할 수 있습니다. 현재 공개 미리보기 중인 새로운 GitHub 보안 확장 기능을 통해 가장 중요한 알림을 찾고, Copilot에 이를 설명하거나 수정을 도와달라고 요청할 수 있습니다. 이 글은 GitHub 보안 확장 기능이 처음으로 게시된 GitHub 블로그의 내용입니다.
리포지토리 플러그인 기본값과 엔터프라이즈 관리형 플러그인 제어가 이제 VS Code, Copilot CLI 및 GitHub Copilot 앱에서 일반적으로 사용 가능합니다. 신뢰할 수 있는 리포지토리는 다음과 같은 기능을 위해 기본 플러그인을 설치하고 활성화할 수 있습니다… 게시물 “리포지토리 플러그인 기본값 및 엔터프라이즈 플러그인 제어가 일반적으로 제공됩니다”는 The GitHub Blog에 처음 게재되었습니다.
## [3.0.1](https://github.com/n8n-io/n8n/compare/n8n@3.0.0...n8n@3.0.1) (2026-10-28) ### 버그 수정 핵심: 축소된 빌드에서 ExpressionError 이름을 유지합니다 (https://github.com/n8n-io/n8n/issues/42309) ([b3192c6](https://github.com/n8n-io/n8n/commit/b3192c6d151125c76c88fe8a421e027b4242a3f9)) 핵심: QuickJS 표현식 결과에서 미정의 값을 유지합니다 (https://github.com/n8n-io/n8n/issues/42264) ([532f645](https://github.com/n8n-io/n8n/commit/532f645f21c99e178a09448caf37ebd77d24b56a)) 편집기: 분할 버튼 내 캐럿 정렬을 개선합니다 (https://github.com/n8n-io/n8n/issues/42203) ([61cbfea](https://github.com/n8n-io/n8n/commit/61cbfeafa267b5c769b345c50ccbd4fc504b0e69)) 편집기: 첫 로드 속도를 향상시킵니다 (https://github.com/n8n-io/n8n/issues/41987) ([8b6bdbb](https://github.com/n8n-io/n8n/commit/8b6bdbbe874b
## [2.45.5](https://github.com/n8n-io/n8n/compare/n8n@2.45.4...n8n@2.45.5) (2026-10-28) ### 버그 수정 * **core:** 축소된 빌드에서 ExpressionError 이름을 유지합니다([#42309](https://github.com/n8n-io/n8n/issues/42309)) ([b3192c6](https://github.com/n8n-io/n8n/commit/b3192c6d151125c76c88fe8a421e027b4242a3f9)) * **core:** QuickJS 표현식 결과에서 미정의 값을 유지합니다([#42264](https://github.com/n8n-io/n8n/issues/42264)) ([532f645](https://github.com/n8n-io/n8n/commit/532f645f21c99e178a09448caf37ebd77d24b56a)) * **editor:** 분할 버튼 내 캐럿 정렬을 개선합니다([#42203](https://github.com/n8n-io/n8n/issues/42203)) ([61cbfea](https://github.com/n8n-io/n8n/commit/61cbfeafa267b5c769b345c50ccbd4fc504b0e69)) * **editor:** 첫 로드 속도를 향상시킵니다([#41987](https://github.com/n8n-io/n8n/issues/4
RF 설계를 위한 에이전틱 솔루션. “RF EDA에서의 AI 설계 여정 계획”이라는 글은 Semiconductor Engineering에 처음 게재되었습니다.
arXiv:2610.36083v1 발표 유형: 신규 초록: 생성형 AI의 최근 발전은 사후 학습된 금융 전용 대규모 언어 모델(LLMs)을 통해 금융 감성 분석을 크게 향상시켰습니다. 그러나 기존 접근법들은 각 기사의 감성을 개별적으로 예측하는 데에 그치고, 흑백 상자와 같은 방식으로 작동하여 맥락 이해를 제한하고 고위험 금융 의사결정에의 적용을 저해합니다. 이에 따라 우리는 FinLLM-KG를 제안합니다. 이는 모델에 독립적인 프레임워크로, 인과적 LLM과 금융 지식 그래프를 결합하여, 모델 가중치를 업데이트하지 않고도 추론 시 SEC 10-K 서류로부터 시간적 근거를 갖춘 기업 수준의 지식을 주입할 수 있도록 설계되었습니다. FinLLM-KG 내에서는 맥락이 자연어로 작성된 기업 프로필 또는 소규모 관계 집합의 형태로 제공됩니다.
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:2502.02727v4 발표 유형: replace-cross 초록: 클라이언트 드리프트 보상 방법은 연합 학습(FL)에서 데이터 이질성의 영향을 완화합니다. 드리프트 교정은 확률적 경사 하강법(SGD) 기반 연합 학습에서는 잘 연구되어 왔지만, 적응형 클라이언트 최적화 알고리즘과의 상호작용에 대해서는 아직 충분히 이해되지 않았습니다. Adam과 같은 적응형 최적화 알고리즘은 과거 기울기의 이동평균을 기반으로 각 업데이트를 구성하므로, 최종 업데이트 방향만을 교정하면 이러한 평균과 그 안에 포함된 드리프트는 그대로 유지됩니다. 우리는 이러한 이동평균에 들어가기 전에 각 기울기를 먼저 교정하는 연합 적응형 기울기 교정({\tt FA-GC})을 제안하고, 이를 최종 방향에 교정을 추가하는 연합 적응형 단순 추적({\tt FA-NT})과 비교합니다. 우리는 실험을 통해, 이상적인
arXiv:2610.36582v1 발표 유형: 신규 요약: 랜드마크 기반 경로 안내를 생성하기 위해서는 모델이 지도의 기하학적 구조와 인간의 랜드마크 선호도를 모두 이해해야 합니다. 대규모 언어 모델(LLM)은 언어 처리 과제에서 뛰어난 성능을 보여주지만, 이러한 모델을 위해 지도 데이터를 구조화하는 최적의 방법은 아직 확립되지 않았습니다. 본 논문에서는 경로 탐색 시 랜드마크 선택 작업을 위한 구조화된 텍스트 표현 방식을 제안하며, SVG 형식을 이용해 공간적 특징을 인코딩합니다. 이 구조화된 텍스트는 렌더링된 지도 이미지와 기하학적 연결성을 유지하여, 언어 모델이 공간적 및 의미적 데이터에 직접 접근할 수 있도록 합니다. 인간이 작성한 경로 설명과 OpenStreetMap 데이터를 바탕으로 생성된 새로운 데이터셋을 사용하여, 우리는 회전 지점에서의 랜드마크 선택과 목적지 주변 랜드마크 선택이라는 두 가지 과제에 대해 모델을 평가합니다.
파리스 스마라그디스 교수는 음성 인식, 음악 이해, 환경 모니터링 등 다양한 분야에 활용될 초인간 수준의 청력을 갖춘 컴퓨터를 개발하고 있습니다.
프라바 자는 MIT 오픈 러닝의 고위 임원 대상 프로그램에서 얻은 경험을 바탕으로, 자신의 직장인 버라이즌을 위해 인공지능 솔루션을 개발하고 한 권의 책을 집필했습니다.
IBM 리서치 유럽의 연구진은 “신경망에서 벡터 저장을 위한 중첩 아날로그 메모리”를 발표했다. 요약: 연구진은 여러 개의 AI 벡터를 중첩 상태로 저장하는 아날로그 상변화 메모리 아키텍처를 구현했으며, 조정 가능한 정확도와의 균형을 통해 실제 저장 밀도를 증가시켰다. 프로토타입 PCM 하드웨어를 대상으로 한 실험에서는 완전 정밀도 소프트웨어에 가까운 추론 정확도를 확인했다. 기술 논문은 여기에서 확인할 수 있다.... » 더 읽기 이 글은 ‘아날로그 중첩이 효과적인 PCM 저장 밀도를 높인다(IBM 리서치 유럽)’라는 제목으로 반도체 엔지니어링에 처음 게재되었다.
팀이 신뢰 문제를 해결할 수 있다면, AI 에이전트는 왜 의미 계층을 더욱 견고하게 만들 수 있을까요?
