AI 뉴스 검색

2026년 10월에 발표한 최신 AI 뉴스

다음은 2026년 10월의 Google 최신 AI 업데이트입니다

엔비디아, AI 에이전트 SQL을 기반으로 하는 개방형 시맨틱 계층인 Auto Ontology 출시

엔비디아는 엔터프라이즈 메타데이터로부터 시맨틱 계층을 생성하는 Apache 2.0 라이브러리인 Auto Ontology를 공개했습니다. 이는 인증된 정의를 바탕으로 에이전트 SQL을 구체화하며, MCP, CLI 및 API를 통해 컨텍스트를 제공합니다. 해당 게시물 ‘엔비디아, AI 에이전트 SQL을 기반으로 하는 개방형 시맨틱 계층인 Auto Ontology 출시’는 MarkTechPost에 처음 게재되었습니다.

애플이 Qwen을 선택했고, 알리바바 AI는 큰 성과를 거두었다

오늘 아침에 일어나 애플 공식 웹사이트를 열었는데, 새로 나온 아이패드 미니를 좀 살펴볼 생각이었습니다. 그때는 조금 의아하기도 했어요. 이렇게 비싼데, 애플 펜슬도 없고 고주사율도 없으니 말이죠. 그런데 스크롤을 내리다 보니, 애플이 오늘 아침에 막 발표한 소식이 보였습니다. 애플은 이렇게 말했습니다....

국내 출시된 애플 스마트폰의 베타 테스트가 4일 앞으로 다가왔습니다! 알리바바가 공식 발표했으며, Qwen이 전면적으로 통합되었습니다.

지둥시(공식 계정: zhidxcom) 저자 | 리수이칭 편집 | 신위안 지둥시 10월 31일 소식에 따르면, 알리바바는 최근 애플과 협력을 발표하고, 천문(Qwen)을 애플 인텔리전스(Apple Intelligence)에 통합할 예정이라고 밝혔다. 중국 사용자들은 시리(Siri), 글쓰기 도구 및 비전 인텔리전스에서 천문의 텍스트 및 이미지 이해, 콘텐츠 생성 등 기능을 직접 활용할 수 있다. 이들 기능은 11월 4일부터 최신 iOS 개발자 베타 버전을 통해 베타 테스트를 시작하며, ...

인스타그램은 네이티브 AI 아키텍처를 도입해 사용자 인터페이스를 현대화하고, 토큰 비용을 33% 절감했습니다.

인스타그램 다이렉트는 안드로이드 사용자 인터페이스를 기존의 안드로이드 뷰 시스템에서 젯팩 컴포즈로 전환함으로써, AI 네이티브 사용자 인터페이스 코드베이스를 구축하여 AI 코딩 에이전트가 이를 더 쉽게 이해하고 수정하며 유지보수할 수 있도록 했습니다.

우리가 디자인 에이전트를 어떻게 구축했는지

LangChain이 Slack에서 브랜드에 맞는 동영상, 그래픽 및 프레젠테이션을 제작하는 오픈소스 디자인 에이전트인 Content Studio와 이를 구동하는 하네스를 어떻게 구축했는지.

증거를 통한 직관: 다중 모달 에이전트를 위한 적응형 이중 메모리

arXiv:2610.33019v1 발표 유형: 신규 초록: 다모달 에이전트가 지속적인 상호작용을 수행할 때, 장기 기억은 세밀한 증거 회수와 전반적 이해를 위한 내재화된 해석이라는 두 가지 서로 다르지만 상호 보완적인 기능을 수행한다. 비록 일화 기억과 잠재 기억이 각각 명시적 역사 기록과 내재화된 경험을 통해 이러한 요구를 충족하긴 하지만, 일화 기억의 증거 범위와 통합에 대한 한계, 그리고 잠재 기억의 사실적 근거 마련에 대한 한계로 인해, 이 두 패러다임만으로는 과제 간의 다양한 기억 특성들을 모두 포괄하기 어렵다. 이러한 격차를 해소하기 위해 우리는 모델 고유의 잠재 기억을 직관적인 사전으로 활용하고, 검색 조건에 따라 공동 정렬을 통해 정확한 증거 재구성을 가능하게 하는 다중 인덱스 방식의 일화 기억을 결합한 이중 기억 프레임워크를 제안한다. At i

접두사 키와 값의 중요성은 늦게 드러난다: 루프형 언어 모델에서 자기-추론적 디코딩을 위한 RIPE 캐싱

arXiv:2610.34436v1 발표 유형: 신규 초록: 루프형 언어 모델은 토큰당 레이어 블록을 $R$번 실행하므로, 해당 모델의 키-값(KV) 캐시는 각 반복 레이어마다 $R$개의 평면을 저장하며, 자기-투기적 디코딩(몇 개의 루프로 초안을 생성하고 $R$개 모두로 검증)에서는 이 모든 평면을 읽어들입니다. 우리는 접두사 키와 값이 후반부에서 중요한 역할을 한다는 점을 발견했습니다. 동일한 섭동 크기에서도, 루프 25~32는 루프 2~9에 비해 $e^{15.0}$(Huginn-0125) 및 $e^{12.8}$(Raven-Llama) 배 더 민감하며, 각 루프마다 평면들은 기하급수적으로 마지막 평면에 접근하여, 각각 0.88과 0.81에 도달합니다. 이때 가장 깊은 평면 하나만으로 충분한지 여부는 후반부 평면들이 얼마나 성숙했는지에 따라 달라집니다. Raven에서는 이를 저장하는 것만으로도 bf16에서 fp32로 변경한 경우와 구별되지 않으며, Huginn에서는 전체 오차의 74%를 단 1%의 위치가 차지합니다. 우리는 이를 RIPE로 발전시켰으며, RIPE는 가장 깊은

$\Psi$-0.6: 통합된 비전-언어 세계 모델에서의 적응형 사고 흐름

arXiv:2610.32177v1 발표 유형: 신규 초록: 인간은 문제의 전개 과정에서 다양한 추론 방식을 유연하게 결합함으로써 물리적 세계에 대해 추론합니다. 이러한 유연성을 구현하는 것은 AI 분야의 주요한 미해결 과제로, 기능들이 종종 각각의 전문 모델들로 분리되어 있어 이를 어떻게 조합하고 특정 작업에 맞춰 공동으로 적응시킬 수 있는지에 대한 한계가 존재합니다. 우리는 $\Psi$-0.6을 제안하며, 이는 시각과 언어를 통합한 세계 모델로서, 사고 흐름이라 부르는 공유된 추론 프로세스 내에서 지각, 언어, 기하학 및 시뮬레이션을 적응적으로 구성합니다. 이러한 사고 흐름들은 이미지, 텍스트, 그리고 기하학과 운동에 대한 명시적 표현을 서로 교차하여 처리하며, 모든 요소는 공유된 토큰 인터페이스를 통해 모델이 생성하고 해석할 수 있습니다. $\Psi$-0.6은 다중 뷰 공간 문제에 대해 제로샷 성능에서 선도적인 오픈 웨이트 모델들을 능가합니다.

물리학 기반 최적화를 위한 엔드투엔드 미분 가능한 확산 조건부 학습

arXiv:2610.31721v1 발표 유형: 신규 초록: 비용이 많이 드는 평가와 복잡한 제약 조건 하에서 고차원 물리 시스템을 최적화하는 문제는 과학과 공학 분야의 핵심 과제입니다. 오프라인 모델 기반 최적화(MBO)에서는, 테스트 시간에 실제 목적 함수에 접근할 수 없으며 고정된 데이터 세트만을 사용하여 설계를 개선해야 합니다. 그러나 기존 방법들은 일반적으로 보수성, 제약 없는 대리모델 활용, 또는 정밀한 물리적 목표에 맞춰 후보를 정교하게 개선하지 못하는 정적인 추론 시점 샘플러로 작동하는 등의 한계를 지니고 있습니다. 본 논문에서는 오프라인 MBO를 위한 미분 가능한 확산 조건부 학습(D2C)을 제안합니다. 이 방법은 결정론적 샘플링이 역 노이즈 체인을 조건부 신호에 대해 미분 가능하게 만든다는 점을 활용합니다. D2C는 …

TaxoSAE: 분류학적 논리를 통한 희소 자동부호기의 재고

arXiv:2610.31894v1 발표 유형: 신규 요약: 최근의 희소 자동부호기(SAE)는 대규모 언어 모델(LLM)의 표현을 해석 가능한 특징으로 분해하여, 인코딩된 지식을 정밀하게 읽어내고 제어할 수 있도록 합니다. 그러나 기존 SAE는 각 특징을 독립적인 단위로 취급하는 반면, 실제 세계의 지식은 종종 계층적으로 분류되어 있습니다. 그 결과, 읽어내기 과정에서는 분류학적 일관성이 보장되지 않으며, 제어 또한 수정 범위를 구체적으로 지정할 만큼 세분화되지 못합니다. 이에 우리는 TaxoSAE를 제안합니다. TaxoSAE는 is-a(상위-하위 관계)를 기반으로 한 분류학적 정보를 SAE의 특징 공간에 명시적으로 인코딩합니다. TaxoSAE는 각 분류 수준마다 하나씩 구성된 여러 개의 SAE로 이루어진 계층적 구조를 모사하며, 특정 개념이 활성화될 때마다 해당 개념이 작동하도록 학습시키는 분류학적 정렬 손실을 도입합니다.

마이크로소프트가 Agensh를 오픈소스로 공개: 1024개의 자율 협업 AI 코딩 에이전트를 지원하는 분산형 프레임워크

마이크로소프트 연구소는 2026년 10월 25일, 중앙 조정자를 필요로 하지 않는 다중 에이전트 런타임 프레임워크인 Agensh를 오픈소스로 공개했습니다. 이 프레임워크는 ProgramBench에서 1개부터 1,024개까지의 LLM 기반 코딩 에이전트가 자율적으로 협업하도록 지원합니다. 시스템은 Gitea, Mattermost 및 DeLM 스타일의 공유 보드를 기반으로 탈중앙화된 조정을 구현하며, 모든 에이전트는 동일한 프롬프트 기반 5단계 순환을 실행합니다. 또한 Linux와 Docker 환경에서 확장성을 검증했습니다.

추천 이유：이 성과는 다중 에이전트 시스템 아키텍처의 중요한 발전을 나타냅니다—전통적인 ‘주제어 에이전트’ 패러다임을 탈피하고, 프롬프트 엔지니어링과 경량 서비스의 조합을 통해 대규모 자조직화를 구현합니다. ProgramBench에서 확보한 실증 데이터(예: 128개의 에이전트를 사용할 때 5개의 작업에 대한 평균 성능 향상이 49%에 달함)는 분산형 AI 엔지니어링의 새로운 기준점을 제시합니다. MIT 라이선스로 오픈소스화되어 있으며 Copilot CLI 등 주요 단일 에이전트 도구와도 호환되므로, 실제 개발에서의 참고 가치를 갖습니다.

적응형 병렬 추론: 효율적인 추론 확장의 다음 패러다임

적응형 병렬 추론 개요. 만약 추론 모델이 스스로 독립적인 하위 작업을 언제 분해하고 병렬화할지, 얼마나 많은 동시 스레드를 생성할지, 그리고 문제 상황에 따라 이를 어떻게 조율할지를 결정할 수 있다면 어떨까요? 우리는 병렬 추론 분야, 특히 적응형 병렬 추론에서의 최근 진전에 대해 상세히 분석합니다. 공개 사항: 이 글은 풍경 조사의 일환과 동시에 적응형 병렬 추론에 대한 관점입니다. 저자 중 한 명인 토니 리안은 아래에서 논의될 방법들 중 하나인 ThreadWeaver(리안 외, 2025)를 공동 주도했습니다. 저자들은 각 접근법을 그 자체의 맥락에서 제시하는 것을 목표로 합니다. 동기 부여: LLM의 추론 능력에 대한 최근의 발전은 데이터 및 파라미터 확장 외에도 주로 추론 시점의 확장에 의해 크게 촉진되어 왔습니다(OpenAI 외, 20

모든 것은 각도에 달려 있습니다: 당신의 사진, 재구성된

생성형 AI