NVIDIA Vera Rubin을 위한 쿠버네티스의 AI 준비: 첫날부터
NVIDIA Vera Rubin과 같은 새로운 GPU 하드웨어에 맞게 쿠버네티스를 구성하고 최적화하는 작업은 복잡하며 오류가 발생하기 쉽습니다. 드라이버, 커널, 런타임, 네트워킹,...
AI NEWS JOURNAL
AI 뉴스 검색
제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.
Crawl4AI로 Amazon Bedrock 지식 베이스용 웹 콘텐츠 준비
이 게시글에서는 오픈소스 웹 크롤러인 Crawl4AI를 사용하여 Amazon S3 데이터 소스에 도달하기 전에 JavaScript 렌더링 처리, 선택적 추출 및 맞춤형 메타데이터 보강을 통해 Amazon Bedrock 지식 베이스의 콘텐츠 준비 계층으로 활용하는 방법을 설명합니다.
Amazon SageMaker AI에서 지식 증류를 활용한 효율적인 에이전트 구축
최첨단 모델을 기반으로 구축된 에이전틱 어시스턴트는 다중 단계 툴 루프를 실행하며, 모든 단계마다 최첨단 가격을 지불하는 것은 프로덕션 규모에서 지속하기 어렵습니다. 이 게시글에서는 시퀀스 수준 지식 증류(SeqKD)를 사용하여 최첨단 트레이너의 에이전틱 행동을 Amazon SageMaker AI의 소규모 저비용 학생 모델로 전달하는 방법을 보여줍니다.
Circle K가 Amazon Bedrock을 활용하여 DevOps 인시던트 트리아지 시간을 15분 미만으로 단축한 방법
Circle K의 DevOps 팀은 Amazon Bedrock 기반 에이전트형 트리아지 시스템을 구축함으로써 인시던트 트리아지 시간을 45~60분에서 15분 미만으로 단축했습니다. 이 게시글에서는 아키텍처, 초기 Amazon Bedrock Flows 구현, Amazon Bedrock AgentCore로의 마이그레이션, 그리고 확장 과정에서 얻은 교훈을 자세히 설명합니다.
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.
코딩 에이전트가 Amazon Bedrock AgentCore 런타임을 사용해 웹 애플리케이션을 구축하는 동안, 실시간으로 미리보기를 확인하세요.
Amazon Bedrock AgentCore 세션 엔드포인트는 각 런타임 세션에 인증된 URL을 제공하며, 이 URL은 사용자가 허용한 포트로 HTTP 메서드, 경로 및 WebSocket 연결을 전달합니다. 이번 글에서는 세션 내에서 Vite 기반 웹사이트를 계속 실행하는 코딩 에이전트를 배포한 뒤, 에이전트가 파일을 수정할 때마다 브라우저에서 실시간으로 사이트가 업데이트되는 모습을 확인합니다.
NVIDIA Dynamo를 위한 검증된 Kubernetes 런타임 구축
AI 애플리케이션을 개발하는 팀들은 모델 구성에서 실제 작동하는 추론 엔드포인트에 이르는 반복 가능한 경로가 필요합니다. NVIDIA Dynamo는 분산형 추론...
몇 가지 명령어만으로 엣지 애플리케이션 개발을 위한 AI 모델을 실행하세요
개발자들이 엣지에서 작동하는 차세대 에이전트를 구축하면서, AI는 데이터센터를 넘어 확장되고 있습니다: 운전자 주의와 실내 환경을 모니터링하고,...
n8n · n8n@1.123.91
## [1.123.91](https://github.com/n8n-io/n8n/compare/n8n@1.123.90...n8n@1.123.91) (2026-10-30) ### 버그 수정 * **core:** 레거시 코드 노드 출력에 대해 $('Node') 표현식이 null을 반환하는 문제를 수정([#42249](https://github.com/n8n-io/n8n/issues/42249)) ([18c89cd](https://github.com/n8n-io/n8n/commit/18c89cdf2eda635fbb892730189a2de1a48b46da))
[AINews] AIE CODE 구축: 최고의 코딩 에이전트 컨퍼런스
Mistral의 오픈 웨이트 릴리스, 프론티어 모니터링, 그리고 그날의 AI 트위터와 레딧 요약.
공정한 딥페이크 탐지를 위한 교차성 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 된다. 기존의 공정성 지향 방법들은 모델 출력을 제한하여 집단별 예측을 균등화하는 방식으로 이 문제를 해결하지만, 근본적인 특징 수준의 편향에는 대응하지 못한다. 그 결과, 모델들이 여전히 피부 질감과 같은 인구통계학적 특성을 조작된 콘텐츠를 탐지하는 간접적 단서로 활용할 가능성이 남아 있다. 이러한 문제를 해결하기 위해 우리는 모델 출력 조정에 그치지 않고 특징 학습 자체를 개선하는 프레임워크인 교차적 불변 학습(IIL)을 제안한다. IIL은 가장 도전적인 인구통계학적 하위 집단을 식별하는 과정을 반복적으로 수행하며…
아티팩트 증류: 프런티어 언어 모델에서 소규모 언어 모델로의 학습 없이 전이
arXiv:2610.37680v1 발표 유형: 신규 초록: 최첨단 언어 모델과 소규모 언어 모델 간의 격차를 좁히는 방법으로는 일반적으로 디스틸레이션 기법이 사용됩니다. 이는 소규모 모델(학생)을 최첨단 모델(교사)의 출력에 대해 미세조정함으로써, 전이 과정이 학습용 컴퓨팅 자원에 의존하게 만들고 전달된 지식은 상당히 투명하지 않은 상태로 남게 합니다. 우리는 아티팩트 디스틸레이션을 제안합니다. 교사는 학습 사례를 해결하고 그 문제 해결 절차를 아티팩트 은행에 외부화하며, 학생은 추론 시 해당 은행을 조회하여 이를 활용합니다. 이 과정에서는 파라미터 업데이트가 전혀 발생하지 않습니다. LiveBench의 네 가지 과제에서, Claude Opus 4.5가 작성한 은행을 사용하면 Claude Haiku 4.5가 공간 추론에서 비지원 Claude Sonnet 4.5보다 60%의 비용으로 더 높은 성능(0.707 대 0.647)을 보이며, 테이블 조인 작업에서는 Sonnet 4.5 수준에 도달하는 데 89%의 비용만 들입니다. 동일한 원시 은행은
네모트론-할로윈
네모트론-할로윈
Kiro를 사용하여 반복 가능한 PHP에서 Java로의 마이그레이션 엔진을 구축하세요
Kiro를 통해 한 번의 무모한 시도에 그치던 PHP에서 Java로의 마이그레이션을 측정 가능하고 반복 가능한 프로세스로 전환해 보세요. 이 글에서는 재사용 가능한 엔진, 즉 기계식 발견 스캐너와 원본 PHP 애플리케이션을 명세로 간주하고 패리티 하니스로 Java 포트를 검증하는 8단계의 패리티 우선 워크플로우를 단계별로 안내합니다.
v5.22.0: Mistral Large 4 (Le Chonk)
## 새로운 모델 ### Mistral Large 4 (Le Chonk) Mistral Large 4는 현재까지 Mistral이 개발한 모델 중 가장 크고 가장 강력한 모델로, 1조 개의 파라미터를 갖춘 네이티브 다중모달 전문가 혼합 모델이며, 토큰당 490억 개의 활성 파라미터(임베딩 및 출력층 포함 시 520억 개)를 가지고 있습니다. 이 모델은 유럽에 위치한 Mistral의 자체 데이터센터에서 NVIDIA Grace Blackwell GPU 3,800개를 사용하여 처음부터 학습되었습니다. Mistral Large 4는 지시사항 준수, 추론, 코딩 및 에이전트 기반 워크플로우를 단일 가중치 세트로 통합합니다. 범용 모델이지만 특히 사이버보안, 금융, 법률 등 다양한 작업 부하에서 뛰어난 성능을 보이며, 이미지 기반 언어 이해에서도 최첨단 폐쇄형 모델들을 능가합니다. 또한 유럽연합의 모든 공식 언어를 포함해 160여 개 이상의 언어에 대해 원활한 구사 능력을 갖추고 있습니다. #### 주요 특징 Mistral Large
Le Chonk: 코더를 위해 설계되었으며, 보안 전문가들의 신뢰를 받습니다.
Mistral Large 4 (Le Chonk)의 가중치가 이제 공개되었습니다. 1조 개의 파라미터를 갖춘 다중 모달 모델로, 코딩 분야에서 가장 우수한 오픈 가중치 모델이며 유럽에서 훈련되었습니다.
인피니-AI-랩, AI 에이전트를 위한 오픈소스 하네스 어댑터 프레임워크 ‘허밋’ 출시
인피니-AI-랩은 작업 피드백을 기반으로 외부 계층의 명령, 기술, 메모리 및 도구를 학습시키는 아파치 2.0 라이선스의 하네스 어댑터 프레임워크 ‘허밋’을 공개했습니다. 이 글은 ‘인피니-AI-랩, AI 에이전트를 위한 오픈소스 하네스 어댑터 프레임워크 ‘허밋’ 출시’라는 제목으로 MarkTechPost에 처음 게재되었습니다.
b11979
sycl : 재정렬 레이아웃의 디퀀타이제이션 스토어(vectorize) (Q4_0, K-쿼트, IQ3, MXFP4) (#30976) * sycl : 재정렬된 Q4_0 디퀀타이제이션 스토어를 확장 The 재정렬 레이아웃 Q4_0 변환 커널은 작업 항목당 하나의 qs 바이트를 처리하며, 두 개의 스칼라 스토어를 통해 16개의 요소 간격으로 배치되었습니다. #30775에서 Q8_0 커널에 적용된 것과 동일한 방식을 적용합니다: 하나의 32요소 블록 내에서 작업 항목당 네 개의 qs 바이트(8개의 출력)를 처리하는 평면형 sycl::range<1> 런치와 두 개의 벡터 스토어를 사용합니다. 스칼라 커널과 동일한 부동소수점 연산 및 반올림 방식을 사용하며, 출력은 비트 수준에서 동일합니다. 기존 k % QK4_0 == 0 확인 조건은 전체 32요소 블록을 보장하므로, k/8 런치는 각 행을 정확히 모두 다룹니다. 이제 더 이상 참조되지 않는 스칼라 재정렬 커널은 제거됩니다. Arc Pro B70, 프리필이 준비된 상태(재정렬이 설치된 텐서에서 디코딩 후 프리필): +6.4% ~ +7.3%
[AINews] Gemini 4 Carbon, 리더보드 정상에 오르며 사이버 방어자들을 위한 출시를 시작
구글의 새로운 프론티어 모델이 독립 평가에서 선두를 달리고 있으며, 초기 접근 권한은 신뢰받는 방어자들에게만 제한됩니다.
해석하기 전에 감지하기: LLM에서의 페르투베이션 기반 입력 모호성 감지
arXiv:2610.36353v1 발표 유형: 신규 초록: 대규모 언어 모델(LLM)은 종종 모호한 입력에 대해 하나의 의도된 의미만 있는 것처럼 답변합니다. 이는 문제가 되는데, 입력의 모호성은 불확실성의 상류 원천이기 때문입니다. 즉, 프롬프트가 여러 가지 타당한 해석을 허용할 때, 핵심 질문은 모델이 과연 직접 답변을 해야 하는지 여부입니다. 기존의 입력 불확실성 처리 방법들은 종종 LLM이 생성한 문장이나 명확화에 의존하지만, 이러한 변환 과정 자체가 모호성을 측정하기 전에 이미 입력을 해석해 버릴 수 있습니다. 우리는 입력 모호성 감지를 위한 라벨 보존형 페르투베이션 프레임워크를 제안하며, 이 프레임워크에서는 페르투베이션이 원래 입력에 가까운 상태로 유지되면서 동시에 해당 입력의 라벨을 보존합니다. 우리는 이 원칙을 두 가지 감지기로 구현했습니다: 블랙박스 기반 규칙 기반 페르투베이션 라이브러리와