AI 뉴스 검색

PaperFormalizer: Lean 기반 연구 논문의 저자 참여형 자동 형식화

arXiv:2610.31810v1 발표 유형: 신규 초록: 심지어 꼼꼼히 교정된 논문이라도 증명 과정이나 명시된 가정에 작은 허점이 남아 있을 수 있습니다. 우리는 PaperFormalizer를 소개합니다. 이는 Lean 기반의 에이전트형 파이프라인으로, 저자가 자신의 논문에서 이러한 허점을 찾아 메우고 각 논문을 Lean 검증 버전으로 전환할 수 있도록 지원합니다. LaTeX 소스를 기반으로 PaperFormalizer는 논문을 진술들의 의존 관계 그래프로 변환한 뒤, 각 자연어 표현을 대상으로 진실성, 모호성 및 정확성을 검토하고, 이후 Lean에서 Mathlib, 선택적 도메인 라이브러리 및 저자의 개인 도구 세트를 활용해 해당 진술들을 형식화하고 증명합니다. 어떤 진술이 무엇을 의미하는지, 그리고 결과에 존재하는 형식화상의 허점을 어떻게 가장 잘 해결해야 하는지는 오직 저자만이 알고 있습니다. 따라서 이 파이프라인은 중단되어 저자에게 요청합니다.

금융 범죄 분석을 위한 적대적 강인성 다중그래프 신경망으로의 전환

arXiv:2610.31718v1 발표 유형: 신규 초록: 금융 거래 네트워크는 자연스럽게 다중그래프로 표현되며, 동일한 계좌 쌍 간의 반복된 거래는 서로 다른 엣지로 모델링된다. 최근에 제안된 다중그래프 신경망 아키텍처들은 이러한 구조를 명시적으로 활용하여 자금세탁방지(AML) 과제에서 높은 성능을 달성한다. 그러나 탐지를 회피하기 위해 거래 구조를 조작하는 적대자들에 대한 이들의 강인성은 아직 거의 탐구되지 않았다. 우리는 노드-엣지 인시던스 행렬을 이용한 다중그래프 신경망의 구조적 공격 및 적대적 학습을 위한 최초의 확장 가능한 프레임워크를 제시하며, 이러한 다중그래프 위에서 구조적 변동을 최적화하기 위해 투영된 경사 하강법과 투영된 무작위 블록 좌표 하강법을 적용한다.

StackGen3D: 다중 시야 실루엣으로부터 안정적인 3D 블록 쌓기 생성

arXiv:2610.31803v1 발표 유형: 신규 초록: 시각적 사양을 기반으로 물리적으로 안정적인 3D 구조를 생성하려면, 객체 간의 물리적 상호작용을 고려하면서도 기하학적 모호성을 해결해야 합니다. 우리는 주어진 블록 재고와 세 개의 직교 투영 실루엣을 조건으로 하여 안정적인 블록 조립체를 생성하는 프레임워크인 StackGen3D를 제안합니다. 우리의 접근법은 두 단계로 구성됩니다. 첫째, 블록 간의 지지 관계를 모델링하고, 다양한 안정 구조의 데이터셋을 선별하기 위한 빠른 안정성 예측기로 작용하는 물리 기반 그래프 신경망(PI-GNN)을 개발합니다. 둘째, 이 데이터셋을 바탕으로 조건부 흐름 일치 모델을 학습하여, 목표 실루엣과 일치하는 블록 배치의 다모드 분포를 포착합니다. 추론 시에는 가벼운

LazyFlash: 가속화된 장문 컨텍스트 미세조정을 위한 전방 밀집·후방 희소 주의

arXiv:2610.31911v1 발표 유형: 신규 초록: 대규모 언어 모델(LLMs)이 점점 더 긴 시퀀스를 처리함에 따라, 주의 메커니즘은 주요 계산 병목으로 부각되고 있습니다. 희소 주의는 대부분 추론 단계에 초점을 맞추지만, 여전히 많은 방법들이 밀집형으로 학습되거나 희소 학습을 지원하지 못하며, 추가적인 복잡성으로 인해 희소성이 실제 월클럭 속도 향상으로 이어지기 어려워져 결국 실무에서는 밀집형 주의가 널리 사용되고 있습니다. 본 논문에서는 주의 학습이 후방 패스에 의해 주로 결정된다는 관찰에 기반한 전방 밀집·후방 희소 주의 방식인 LazyFlash를 제안합니다. LazyFlash는 전방 패스를 정확히 밀집형으로 유지하여, 학습된 모델이 vLLM과 같은 기존 시스템에서 아무런 변경 없이 서비스할 수 있는 표준 밀집형 모델로 남도록 합니다. 후방 패스에 대해서는 LazyFlash는 그라디언트-a를 제안합니다.

엣지 기반 LLM 훈련의 민주화: 도전 과제, 시스템 및 앞으로의 방향

arXiv:2610.32215v1 발표 유형: 신규 초록: 현대 GPU 데이터 센터의 컴퓨팅 파워 증가로 인해 일부 산업 거대 기업들이 대규모 데이터를 활용하여 대형 언어 모델(LLM)을 훈련하고 배포할 수 있게 되었습니다. 그러나 이러한 모델과 그 학습 데이터의 엄청난 규모는 중앙 집중식 개발을 점점 더 지속하기 어렵게 만들고 있으며, 동시에 관련된 개인 데이터를 보유하되 이에 상응하는 인프라를 갖추지 못한 소규모 기관들을 배제하고 있습니다. 본 논문에서는 분산형 LLM 훈련에 관한 우리의 입장을 사전 학습 및 미세 조정 패러다임을 중심으로 정리하고, 연합 학습, 분할 학습 및 탈중앙화 접근법을 다루며, 이들 방법이 이질적인 하드웨어와 신뢰성 낮은 연결성을 가진 지리적으로 분산된 환경에서 어느 정도 준비되어 있는지 평가합니다. 이어서 우리는 {\em 통합}된 시스템을 제시합니다

마이크로서비스 시스템을 위한 대규모 언어 모델 기반 자동회귀형 다중모달 이상 탐지

arXiv:2610.31722v1 발표 유형: 신규 초록: 마이크로서비스 시스템은 대규모 클라우드 애플리케이션의 주류 아키텍처로 자리잡아 빠른 배포와 탄력적 확장을 가능하게 합니다. 그러나 마이크로서비스 시스템의 신뢰성과 가용성을 보장하는 데는 효과적인 이상 탐지가 매우 중요하며, 장애나 성능 이상이 서비스 간에 빠르게 전파되어 종단 간 시스템 동작에 심각한 영향을 미칠 수 있습니다. 기존의 마이크로서비스 시스템용 다중모달 이상 탐지 방법들은 두 가지 근본적인 한계로 인해 어려움을 겪습니다: (i) 모달별 특성을 무시하고 교차 모달 융합에 치중하는 점과, (ii) 특징 재구성 과정에 영향을 미치는 ‘정체성 단축’ 문제입니다. 이러한 문제를 해결하기 위해 우리는 자동회귀형

아폴로 수석 경제학자는 AI가 기술 산업 외의 미국 기업들에 대해 “재무적 수익이 전혀 없다”고 밝혔다.

아폴로 글로벌 매니지먼트의 수석 이코노미스트 토르스텐 슬록은 S&P 493(스탠더드 앤드 푸어스 500에서 7대 기술 대기업을 제외한 지수)을 분석한 결과, 비기술 기업의 이익 마진이 1인당 매출과 동등하며, AI가 생산성을 높였다는 증거는 없다고 밝혔다. 그는 AI가 책임성, 신뢰, 기업 문화 등 비즈니스의 핵심 요소에 대한 이해가 부족하기 때문에 아직 재무적 성과를 창출하지 못했다고 지적했다.

추천 이유：이 주장은 주요 상장 기업 그룹(S&P 493)에 대한 실증적 관찰에 근거하며, 명확한 데이터 범위와 제한 조건을 언급하고(Alphabet, Amazon 등 7개의 기술 기업은 제외), 최근 여러 연구의 결론과도 부합하여 검증 가능한 분석 틀과 명확한 인과관계의 경계를 갖추고 있다.

세바스티안 라슈카가 8개의 비디오 강좌 ‘제로부터 추론 모델 구축하기’를 발표했습니다.

세바스티안 라슈카는 2026년 10월 24일, Ahead of AI 매거진(magazine.sebastianraschka.com)에서 총 8강으로 구성된 11시간이 넘는 파이썬 및 파이토치 실습 동영상 강좌를 공개했으며, 추론 모델의 평가, 추론 시 확장, 강화학습(RLVR)과 지식 증류를 체계적으로 다루고, 모든 방법을 사전 훈련된 Qwen3-0.6B 모델을 기반으로 구현했습니다.

추천 이유：이 강좌는 저자가 ‘0부터 구축하는 대규모 언어 모델’에 이어 선보이는 심화 기술 교육 콘텐츠로, 현재 주류 LLM의 핵심 발전 방향인 추론 능력 강화에 초점을 맞추고 있습니다. 기초 환경 구축부터 GRPO 강화학습, 자기 증류 등까지 포괄하는 완전한 기술 체인을 다루며, 모든 구현은 ‘0부터 수작업으로 작성’되어 재현 가능하다는 점을 명시하고 있어 높은 교육적 가치와 엔지니어링 참고 가치를 갖습니다.

연구는 대형 언어 모델에서 의미의 국부적 기하학적 구조를 밝혀냈다.

2026년 10월 24일 arXiv에 게재된 논문(번호 2610.30715v1)은 다국어 프로브와 세분화 프로브를 통해 Gemma 4, Llama 3.2, Qwen 2.5 및 Pythia 등 네 가지 디코더 전용 대형 언어 모델에서 임베딩 공간 내의 의미적 의미의 국소 기하학적 특성을 규명하였다.

추천 이유：이 연구는 LLM 내에서 ‘동일한 의미 요인’의 내부에 존재하는 불변성, 가변성 및 세분화 메커니즘을 최초로 체계적으로 규명하고, ‘국부적 이방성 이웃’ 모델을 제안하였다. 또한 인간의 맹검 평가를 통해 검증된 결과로서, 본 방법은 엄밀하며 모델의 적용 범위가 다양하고, 그 결론은 아키텍처 간 일관성을 보장한다.

자연어 자동 인코더는 대규모 모델의 활성화 차이를 효과적으로 언어화하여, 모델 간 차이 분석과 해석 가능성 연구를 지원합니다.

2026년 10월 24일 arXiv에 게재된 한 논문(arXiv:2610.30934v1)은 자연어 자동 인코더(NLAs)의 활성 공간 차원 표현에 대한 일반화 능력을 체계적으로 평가했으며, 실험을 통해 이들이 조합성, 미세조정 모델 적응, 미세조정 목표 복원 및 모델 차원 전문화의 네 가지 측면에서 안정적인 성능을 보임을 입증했다.

추천 이유：이 연구는 네 가지 재현 가능한 실험 설계를 기반으로 하며, 세 개의 가족에 속한 네 개의 대형 언어 모델을 포괄하여, 베럴리제이션이라는 새로운 해석 가능성 연구 분야에서 지금까지 가장 체계적인 일반화 증거를 제시한다. 모든 결론은 논문에서 보고된 실험 설정과 관찰 결과에 엄격히 한정되며, 테스트되지 않은 모델 규모나 과제로는 외삽되지 않는다.

IQuest-Q1: 에이전트형 CLI 시스템을 위한 기반 모델 역량 강화

arXiv:2610.30949v1 발표 유형: 신규 요약: 우리는 총 320B 파라미터(활성화된 파라미터는 15B)를 갖춘 희소 혼합전문가(MoE) 기반의 에이전트형 기반 모델인 IQuest-Q1을 제시합니다. IQuest-Q1은 세 단계의 프로세스를 통해 개발되었습니다: (1) 안정적이고 효율적인 사전 학습으로, 스테이블 스플릿노름, Muon 및 muP를 두 단계 커리큘럼과 결합하며, 두 번째 단계에서는 코딩 데이터 혼합 비율을 높여 안전한 학습률과 최적 학습률 간의 넓은 안정성 여유를 유지합니다; (2) 세밀한 중간 학습 단계에서는 도메인과 형식 전반에 걸쳐 데이터 혼합을 확대하고 문맥 범위를 점진적으로 확장합니다; 그리고 (3) 다중 스캐폴드와 다중 버전 사후 학습을 통해 SFT, 도메인 특화 RL, MOPD 등을 다양한 스캐폴드에서 결합하여 상호 보완적인 학습 신호를 통합하고 에이전트형 코딩 역량을 강화합니다.

저자원 언어에서의 연구 진전 및 언어적 포용성 측정

arXiv:2610.30296v1 발표 유형: 신규 초록: 대규모 언어 모델(LLMs)은 저자원 및 다국어 NLP에 대한 연구를 가속화했지만, 이들이 공평한 연구 환경을 조성하는 데 얼마나 효과적인지는 아직 명확히 규명되지 않았습니다. 우리는 2020년부터 2025년까지 출판된 1,158편의 동료 심사 오픈 액세스 논문을 분석하여, 저자원 언어(LRLs)에 대한 연구 관심도와 언어 및 사용자 집단 전반에 걸친 표현 수준을 검토합니다. 출판 건수 외에도 언어적 포용성을 평가하기 위해, 우리는 언어적 포용성 프레임워크(LIF)를 도입합니다. 이는 연구 성장, 표현 확대, 표현 지속성, 그리고 분포적 형평성 등 네 가지 차원에서 언어적 포용성을 측정하는 다차원적 체계입니다. 연간 출판물 수는 52건에서 415건으로 5.4배 증가했으며, ACL Antholo

내일 무엇을 물어볼지 학습하기: 장기적 개인화 웹 에이전트를 위한 능동적 선호도 획득

arXiv:2610.31107v1 발표 유형: 신규 요약: 웹 에이전트는 여행 예약, 쇼핑, 일정 관리 등 반복적인 온라인 작업에서 동일한 사용자를 지속적으로 지원하므로, 그들의 장기적 유용성은 사용자의 선호를 얼마나 잘 파악하고 있는가에 달려 있습니다. 수동적 기억 및 개인화 방법은 사용자가 결코 드러내지 않는 선호를 파악할 수 없으며, 현재 작업에 대한 이익만을 중시하는 명확화 방법은 이후 작업에서도 해당 답변을 재사용할 수 있는 이점을 간과합니다. 우리는 능동적 선호도 획득(APA)을 연구합니다: 어떤 누락된 선호가 질문하는 데 드는 비용을 감수할 만한 가치가 있을까요? 우리는 누락된 선호의 전망적 개인화 가치(PPV)를, 향후 작업들에서 기대되는 누적 효용 증가에서 질문에 따른 노력과 정보 공개 위험 비용을 차감한 값으로 정의하고, 질문을 선택합니다.

테크크런치 설립자 서밋 2026은 11월 4일 보스턴에서 개최되며, 고객 확보, 팀 구축 및 합리적 확장에 중점을 둡니다.

TechCrunch와 Fidelity Private Shares가 공동 주최하는 Founder Summit 2026은 2026년 11월 4일 보스턴 SoWa 파워 스테이션에서 개최되며, 제품-시장 적합성 검증, 창업자의 리더십, 지역화를 통한 규모 확장 전략 및 AI 네이티브 아키텍처 등 실무 중심의 주제에 초점을 맞춥니다. Toast, Bessemer, Glasswing 등 기관의 대표들이 현장 경험을 공유할 예정입니다.

확장 가능한 AI의 초석: 규제 환경에서의 책임 있는 시스템 구축

MIT 테크놀로지 리뷰의 EmTech Future 컨퍼런스는 강력한 규제 환경 속에서 확장 가능한 AI 시스템을 구축하기 위한 다섯 가지 핵심 요소—데이터, 엔지니어링, 플랫폼, 운영 모델 및 거버넌스—를 집중적으로 논의하며, 신뢰할 수 있고 책임 있는 실용화가 에이전트형 능력 등 새로운 기능들을 어떻게 지속 가능한 투자 가치로 전환하는지에 대해 강조합니다.

Amazon Polly 생성 엔진 대규모 업그레이드: 새로운 14종의 음성 추가, 힌디어와 핀란드어 생성형 음성 최초 지원, 코드 없는 마이그레이션

Amazon Polly 생성 엔진이 대규모 업그레이드를 완료하여 음성의 자연스러움, 정확도 및 감정 표현 능력을 크게 향상시켰으며, 낮은 지연 시간의 스트리밍 합성을 지원합니다. 또한 14종의 생성형 음성이 추가되어 총 9개 지역을 포괄하며, 처음으로 힌디어(Arjun, Kiara)와 핀란드어(Suvi)의 생성형 음성이 범용적으로 사용 가능해졌습니다. 모든 업데이트는 API 호출이나 코드를 수정할 필요 없이 원활하게 교체 가능한 방식으로 이루어집니다.

스위치 2가 구형 게임과 AI를 이용해 탈옥에 성공했으며, 모더가 ‘마리오 카트 월드’의 맞춤형 캐릭터를 선보였다.

The Verge에 따르면, 유명한 모더인 Sammy Hajhamid(온라인 닉네임 pepsipu)는 닌텐도 스위치 2를 성공적으로 탈옥했다고 밝혔으며, 그의 도구 ‘ns2jb’는 OpenAI Codex의 지원을 받아 개발되었고, 한 오래된 게임을 통해 취약점을 유발했다고 한다. 시연 영상에서는 ‘마리오 카트 월드’가 시나모롤, 빨간색 분노의 새, 피터 그리핀, 마인크래프트 스티브 등 비공식 캐릭터가 포함된 수정 버전으로 실행되는 모습이 보여졌다.

유럽의 여러 주요 금융기관이 오픈소스 대형 모델을 활용해 독자적인 지능형 시스템을 구축하고 있습니다.

GTC 베를린 컨퍼런스에서 Revolut, Starling Bank, Lloyds, Santander 등 유럽의 금융기관들은 NVIDIA 가속 컴퓨팅 플랫폼과 PRAGMA, Nemotron 시리즈, Kumo 패밀리와 같은 오픈소스 가중치 모델을 기반으로 생산 수준의 AI 역량을 구축한다고 발표했습니다. 이는 거래 분석, 음성 인식, 사기 탐지, 데이터 파이프라인 가속 등 핵심 시나리오를 포괄하며, 데이터 주권, 비용 통제 및 규정 준수 기반 배포를 강조합니다.

유럽의 산업 대기업들이 NVIDIA AI와 디지털 트윈 기술을 기반으로 엔지니어링 제조 시스템을 재구성하고 있다.

유럽의 여러 선도적 산업 기업들이 NVIDIA CUDA-X, Omniverse, Cosmos 및 Nemotron 등 개방형 모델과 도구 체인을 대규모로 적용해 제품 설계, 시뮬레이션 최적화부터 공장 운영에 이르는 전 주기적 가치 사슬을 포괄하고 있습니다. NVIDIA Factory Operations Blueprint(FOX)는 이미 초기 액세스를 개방하여 실시간 협업 기반의 산업 인텔리전스 에이전트 구축을 지원합니다. 지멘스, 메르세데스-벤츠, 아우디, 에어버스의 공급업체 등은 다수의 검증 사례를 성공적으로 도입해 보정 시간을 40% 단축하고 근본 원인 분석 비용을 20% 절감하는 등의 실질적인 성과를 달성했습니다.

i14, Laplace 3B 선형 주의 메커니즘 모델 발표: AWS Trainium2와 네이티브 PyTorch를 기반으로 한 고정 상태 메모리 추론 구현

i14는 30.28억 개의 파라미터를 갖는 Laplace 3B 모델을 출시했으며, Softmax 주의 메커니즘을 대체해 게이트 제어 선형 주의(GLA)를 채택했습니다. 이 모델은 추론 시 각 시퀀스의 재귀 상태 크기가 항상 29.5 MB로, 컨텍스트 길이와 무관합니다. 해당 모델은 AWS trn2.48xlarge 인스턴스 한 대(Trainium2 칩 16개 탑재)에서 훈련 및 서비스 검증을 완료했으며, 훈련 처리량은 초당 12만 토큰에 달하고, 서비스 처리량은 초당 11,544 출력 토큰(동시 실행 시퀀스 수 1,280)입니다. 모든 성능 데이터는 i14와 AWS GenAIIC 팀의 내부 실측 결과입니다.