본문으로 건너뛰기
AI NEWS JOURNAL
AI, IN PERSPECTIVE

AI 뉴스 검색

제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.

발행 시간순

Copilot에 Supabase, Box, Calendly 등을 연결하세요

이제 공개 프리뷰에서 사용할 수 있는 GitHub 인증 MCP 서버 또는 커넥터를 통해 Copilot에 여덟 가지 서비스를 더 연결할 수 있습니다. 연결할 수 있는 새로운 서비스는 다음과 같습니다: Box: 콘텐츠를 검색하고 관리하며… 글의 원문: Supabase, Box, Calendly 등과 Copilot을 연결하세요는 The GitHub Blog에 처음 게재되었습니다.

GRAFT: 에이전트 설계를 위한 실행 기반 유전자 재조합

arXiv:2611.23509v1 발표 유형: 신규 초록: 자동 에이전트 설계는 언어 모델 크로스오버를 사용하여 작업 분해, 모델 조정 및 검증을 위한 유망한 메커니즘을 재조합하는 진화적 방법으로 LLM 기반 에이전트 성능을 향상시키는 실행 가능한 아키텍처를 탐색합니다. 그러나 이러한 탐색은 일반적으로 집계 적합도만으로 안내되며, 이는 각 점수 뒤에 숨겨진 인스턴스 수준의 성공과 실패를 가려냅니다. 우리는 에이전트 설계를 위한 실행 안내형 유전 재조합(GRAFT)을 제안하며, 여기서 집계 적합도는 선택과 생존에 사용되고 부모별 실행 증거는 통합된 변이와 함께 의미적 크로스오버를 안내하는 데 활용됩니다. 이 시스템의 피드백 하네스는 적합도 평가에서 얻은 성공 및 실패 실행의 제한된 샘플을 재사용하며, 참조 답안을 보류하고 추가적인 작업 실행을 요구하지 않습니다. 우리는 개방형 가중치 최적화 및 실행기 모델을 사용하여 여섯 가지 추론 및 프로그래밍 설정에서 GRAFT를 평가합니다. 그 결과 평균 테스트 정확도 82.0%를 달성하여 가장 강력한 기준선을 9.8%포인트 상회합니다. 통제된 제거 실험에 따르면, 초기화, 탐색 규칙, 복구 정책 및 평가 예산을 고정한 상태에서 실행 증거를 추가하면 테스트 정확도가 향상됩니다. 우리의 결과는 진화적 에이전트 설계에 있어 부모별 실행 증거의 가치를 뒷받침합니다.

AI 게이트웨이에서 Decision-1.1을 이제 사용할 수 있습니다

Microsoft의 의사결정 모델 개선 버전인 Decision-1.1이 AI 게이트웨이에서 제공되며, 정확도가 향상되고 보정이 더 잘 되며 성능이 빨라졌습니다. 이 모델은 지원 요청 라우팅, 모델 선택, 워크플로 단계 또는 AI 응답 채점과 같은 작업을 위해 불리언 확률, 신뢰 점수가 포함된 선택 항목, 숫자 등급 등 구조화된 출력을 제공합니다. 하나의 요청으로 여러 질문을 처리할 수 있으며, 임계값 기반 동작을 가능하게 하기 위해 모델이 일관된 확률 추적을 유지합니다. Decision-1과 동일한 요청 형식을 사용하지만 모델 ID를 'microsoft/decision-1.1'로 업데이트해야 합니다. AI SDK, OpenAI 호환 Decisions API 또는 AI CLI를 통해 접근할 수 있으며, 로깅, 예산 추적 및 폴백 메커니즘을 지원합니다. 통합을 위한 문서와 예제가 제공됩니다.

Anthropic, Claude Opus 5.5 공식 추천: 멀티 패키지의 기본 모델로 Anthropic은 Claude Opus 5.5가 Pro, Max, Ultra 및 Team 패키지의 기본 모델이 되었으며, 연구, 분석, 글쓰기 등 지식 업무의 일상적인 주력 도구로 권장된다고 발표했습니다. 이는 AI 어시스턴트의 사무 분야에서의 위치가 중요한 전환점을 맞이했음을 의미합니다. 동시에 Anthropic은 5.5 및 관련 모델의 매트릭스를 정리하여 초고속 쿼리부터 심층 추론에 이르기까지 각 모델의 포지셔닝, 적용 시나리오 및 가격을 명확히 밝혀 사용자가 필요에 따라 선택할 수 있도록 지원했습니다. 방금 전 6.7K

Anthropic은 Claude Opus5.5를 Pro, Max, Ultra 및 Team 플랜의 기본 모델로 설정하고, 연구, 분석, 글쓰기 등 지식 작업을 처리하는 주력 도구로 권장한다고 발표했습니다. Opus5.5는 문서 생성, 재무 분석, 시각적 이해 등에서 뛰어난 성능을 보이며, 명령을 정확히 따르고 환상률이 낮으며 문체가 명확하고 강력한 추론 능력을 갖추고 있습니다. 공식적으로 사용자에게 프롬프트 습관을 조정하여 완성된 파일을 직접 요청하고, 시각적 이해 능력을 활용하며, 업무 시스템에 연동하고, 노력 수준을 높여 출력 효과를 최적화할 것을 권장합니다.

언어 모델의 응답 다양성에 대한 조건부 상호 정보 분석

arXiv:2611.03836v1 발표 유형: 신규 초록: 대형 언어 모델은 추론(생성) 시 다양한 응답을 제공하며, 이는 전통적으로 온도 파라미터에 의존합니다. 조건부 상호정보 접근법을 사용하여 응답 다양성에 대한 양적이고 엔트로피 기반의 분석을 제시합니다. 무에서 최대 상호정보에 이르는 세 가지 한계 행동을 정의합니다: 중재자, (조건부) 독립, 그리고 중립(결정론적). 각 행동에 대한 예시를 제시하고, 이를 온도 분석, 언어 분석, 프롬프트 압축 및 지식 그래프에 적용할 수 있도록 제안합니다.

Vercel MCP가 이제 클라이언트 ID 메타데이터 문서를 지원합니다

Vercel MCP는 이제 클라이언트 ID 메타데이터 문서(CIMD)를 게시하여 모든 클라이언트가 연결할 수 있도록 하여 수동 검토의 필요성을 없앴습니다. 클라이언트는 JSON 파일의 HTTPS URL을 OAuth client_id로 사용하며, 투명성을 위해 동의 화면에 클라이언트의 이름, 로고 및 호스트 이름이 표시됩니다. 확인된 배지는 CIMD 클라이언트에게 부여되지 않으므로 사용자는 접근을 승인할 때 호스트 이름을 신뢰해야 합니다. 기존 등록 앱은 영향을 받지 않습니다.

공정한 딥페이크 탐지를 위한 교차적 불변 학습

arXiv:2610.37881v1 발표 유형: 신규 초록: 딥페이크 탐지 모델은 전반적인 정확도는 높지만, 인구통계학적 집단 간 성능 격차가 크기 때문에 일부 집단에서는 다른 집단에 비해 훨씬 높은 거짓양성률을 경험하게 됩니다. 기존의 공정성 지향 방법들은 모델 출력을 제한하여 집단별 예측을 균등화하는 방식으로 이 문제를 해결하려 하지만, 근본적인 특징 수준의 편향에는 대응하지 못합니다. 그 결과, 모델들이 여전히 피부 질감과 같은 인구통계학적 특성을 조작된 콘텐츠를 탐지하는 간접적 단서로 활용할 수 있는 상황이 발생합니다. 이러한 문제를 해결하기 위해 우리는 모델 출력만을 조정하는 것이 아니라 특징 학습 자체를 개선하는 프레임워크인 교차적 불변 학습(IIL)을 제안합니다. IIL은 가장 어려운 인구통계학적 하위 집단을 식별하는 과정을 반복적으로 수행하며

진행 상황 및 관련 보도

모델 교정을 위한 변환된 국소화된 사후 추론: 해양 난류 폐쇄 모델에의 응용

arXiv:2610.37731v1 발표 유형: 신규 초록: 모델의 불일치로 인해 단일 교정 파라미터만으로는 전체 맥락 영역에서 물리적 반응을 재현할 수 없을 수 있습니다. 또한 관측값과 맥락의 불확실성은 교정에 영향을 미치며, 이를 반드시 고려하고 정량화해야 합니다. 우리는 목표 맥락에 대한 근접성에 따라 관측 가능성을 가중하는 방식으로 일련의 국소화된 사후 분포를 구성합니다. 가우시안 국소화 가중치는 공분산 확장을 통해 맥락 불확실성을 반영하며, 도메인 경계에서는 반사를 적용하고, 맥락 표본 채취가 고르지 않은 경우에 대비한 선택적 보정도 제공합니다. 조건부 정규화 흐름을 이용하여 변환된 변분 추론을 통해 이들 사후 분포의 집합을 근사합니다. 규정된 맥락 측도 하에 국소화된 사후 분포들을 통합하면

진행 상황 및 관련 보도

LLM 정렬을 위한 리스트와이즈 선호도의 랭크 인식 차분적 개인 정보 보호 공개

arXiv:2610.37682v1 발표 유형: 신규 초록: 리스트와이즈 선호도 피드백은 쌍대비교보다 대규모 언어 모델(LLMs) 정렬을 위한 더 풍부한 감독 정보를 제공하지만, 전체 순위는 더욱 민감한 사용자 선호까지 드러냅니다. 기존의 개인정보 보호형 정렬 방법들은 주로 쌍대비교 피드백에 집중해 왔으며, 로컬 차분적 개인 정보 보호(LDP) 하에서의 리스트와이즈 정렬은 아직 미탐구 상태입니다. LDP를 이러한 리스트와이즈 영역으로 확장하는 데에는 중대한 과제가 따릅니다: 전체 순위 공간의 높은 민감성으로 인해 과도한 노이즈가 발생하여 리스트와이즈 감독의 이점이 무력화될 수 있기 때문입니다. 이 문제를 해결하기 위해 우리는 하위 단계 학습에서 감독의 세분화 정도와 개인정보 보호 노이즈 간의 상호작용을 분석하고, 리스트와이즈 선호도를 개인화하는 랭크 인식 지수 메커니즘을 도입합니다.

진행 상황 및 관련 보도

시퀀싱 프로토콜 이해를 위한 AI 에이전트 평가 및 개선

arXiv:2610.37851v1 발표 유형: 신규 초록: 기존의 과학적 에이전트 벤치마크는 에이전트가 시퀀싱 프로토콜에서 명시된 정확한 분자 구조와 생성 워크플로를 재구성할 수 있는지에 대해 거의 평가하지 않으며, 이는 맞춤형 시퀀싱 분석을 수행하는 데 매우 중요한 역량입니다. 우리는 시퀀싱 라이브러리 구조와 분자 워크플로를 재구성하기 위한 문서 기반 벤치마크인 LibStructBench를 제안합니다. 우리의 실험 결과에 따르면, 최첨단 에이전트들은 대체로 대략적인 재구성을 수행하긴 하지만, 특히 분자 상태 표현과 워크플로 연결성 측면에서 정확한 재구성에는 여전히 신뢰성이 부족한 것으로 나타났습니다. 또한, 기본 언어 모델을 변경하는 것이 에이전트 하네스를 교체하는 것보다 평균 성능 차이를 더 크게 발생시켰으며, 이는 통계적으로 유의미한 차이였습니다.

진행 상황 및 관련 보도

FlatCake: LLM 서비스를 위한 평면형 KV캐시 저장 아키텍처

arXiv:2610.38355v1 발표 유형: 신규 초록: KV 캐시 재사용은 LLM 서비스를 가속화하지만, 기존 시스템들은 호스트 DRAM과 NVMe SSD를 계층적 하위 구조로 관리하며, DRAM을 중간 캐시로 활용합니다. 그러나 실제 생산 환경의 LLM 워크로드는 이러한 계층 구조의 두 가지 전제 조건을 모두 무너뜨립니다. 첫째, 이중 모드 재사용 방식은 DRAM의 시간적 필터링 기능을 무력화합니다. 왜냐하면 워크로드는 재사용 거리가 긴 일회성 블록이나 DRAM 용량을 초과하는 수기가바이트 규모의 에이전트 세션으로 구성되어 있어 SSD가 핵심 읽기 경로에 위치하게 되기 때문입니다. 둘째, DRAM의 스테이징과 제거 순서에 따른 배치 방식은 SSD 복원 과정을 병목으로 만듭니다. 인-플라이트 프리픽스를 위해 호스트 스테이징 버퍼를 유지하면 부하 상황에서 컨텐션을 유발해 프리페치 작업이 중단되며, 증분식 제거는 세션의 블록들을 SSD 전체에 분산시켜 대규모 연속 읽기를 방해합니다. 우리는 p

진행 상황 및 관련 보도

해설을 읽지 않고도 점수를 매기는 방법: 자동 해석 가능성 평가 데이터의 구조적 단축법

arXiv:2610.37676v1 발표 유형: 신규 요약: 자동 해석 가능성은 스파스-오토인코더(SAE) 특성에 대한 설명을 평가하기 위해, 모델에게 평가 예시들에서 해당 특성이 활성화되는 위치를 토큰별로 예측하도록 하거나, 표시된 토큰들이 그 특성에 부합하는지를 판단하도록 요청합니다. 우리는 평가 데이터의 표준 파이프라인이 생성한 결과를 설명을 읽지 않고도 점수 매길 수 있음을 발견했습니다. Neuronpedia에 저장된 GPT-2 소형 특성 500개에 대한 무작위 퍼징 실행 결과에 따르면, 활성화된 예시 중 91.3%가 중심 토큰에 최대값이 위치하도록 잘려 있으며, 중심 토큰이 표시되어 있을 때 “예”라고 판단하는 규칙은 저장된 LLM 점수 매기기 도구들(파이프라인 코드로부터 재구성된 표시 기반 판정 결과를 바탕으로 재산출)의 정확도 0.838에 비해 0.979의 균형 잡힌 정확도를 달성합니다. 또한 표시 개수만을 기준으로 판단하는 규칙은 0.969의 정확도를 보입니다. T

진행 상황 및 관련 보도

와비, 소비자 지향형 인공지능 비서를 위해 5,500만 달러 유치

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.

진행 상황 및 관련 보도

3, 7, 14, 17, 42: 지도 조정이 언어 모델의 숫자 선택 휴리스틱을 설치하고 날카롭게 만든다

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

진행 상황 및 관련 보도

듣는 기계 만들기

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

新闻源配图 · MIT News AI
진행 상황 및 관련 보도

토큰 신뢰도는 과연 체인 길이에 불과한가? 추론 흔적에 대한 신호처리 분석

arXiv:2610.36709v1 발표 유형: 신규 초록: 추론 언어 모델은 수학 문제를 풀 때 긴 사고 체인을 작성하며, 문제당 여러 개의 체인을 샘플링한 뒤 다수결을 통해 정답을 도출하면 생성된 텍스트의 양이 크게 증가하는 대신 정확도가 향상된다. 이 비용을 줄이는 인기 있는 방법으로는, 모델이 각 토큰을 작성할 때 갖는 신뢰도를 기준으로 각 체인을 점수화하는 방식이 있다. 여기서 토큰은 단어 또는 단어의 일부를 의미한다. 이 방법에서는 2048개의 토큰으로 구성된 이동 평균 창을 사용해 해당 신뢰도를 평균화하고, 가장 낮은 평균값을 기준으로 체인을 유지하거나 중단한다. 우리는 토큰별로 기록된 이러한 신뢰도를 오디오나 라디오 신호의 맥락에서 하나의 신호로 간주하고, 스펙트럼 분석 및 갑작스러운 변화를 탐지하기 위한 통계적 검정 등 표준 신호처리 도구를 활용해 이 방법을 검토하였다. 우리는 다음과 같은 문제들로부터 각각 500개의 문제에 대해 16개의 체인을 샘플링했다.

진행 상황 및 관련 보도

프론티어 대규모 언어 모델에서의 애쉬 동조에 대한 정량적 접근

arXiv:2610.36668v1 발표 유형: 신규 초록: 애쉬 동조 실험은 최근 대규모 언어 모델(LLM)에서의 동조를 측정하는 방법으로 상당한 주목을 받고 있습니다. 기존 연구들이 LLM에서의 동조를 입증하는 데 집중해 왔다면, 우리 연구는 이 접근법에 추가적인 정량적 층을 더합니다. 우리는 프론티어 LLM을 여러 질문 세트에 대해 샘플링하는 대신, 단일 질문을 반복적으로 샘플링하여 LLM의 확률적 특성을 활용해 답변 분포를 생성합니다. 이를 통해 모델에 가공된 합의가 제시되기 전후의 답변 분포를 비교할 수 있습니다. 우리의 실험은 프론티어 LLM이 실제로 동조를 보임을 확인하며, 기존 문헌을 뒷받침하고, 분포 간 비교를 통해 추가적인 정보를 제공합니다.

진행 상황 및 관련 보도