AI 뉴스 검색

Show HN: Velorki - 휴대폰만으로 작동하는 오픈소스 자전거 내비게이션

기사 URL: https://velorki.com 댓글 URL: https://news.ycombinator.com/item?id=50419025 포인트: 3 # 댓글: 0

AI 분야의 최고 기업들이 데이터 수집을 거부하는 새로운 방식을 지지하고 있습니다

OpenAI, Google, Microsoft, 그리고 Anthropic은 출판사들이 AI에 의해 데이터를 수집되는 것을 거부할 수 있는 새로운 표준을 채택할 것이라고 밝혔습니다. 이는 앞서 Search Engine Roundtable에서 보도된 바와 같습니다. 이러한 제어 기능을 통해 출판사들은 개별적으로 설정해야 했던 AI 학습 선호 사항을 여러 AI 기업에 걸쳐 일괄적으로 적용할 수 있게 됩니다. 공유된 “정책 토큰” 신호는 […]

GitHub Copilot Fusion, 지능형 모델 오케스트레이션과 로컬 모델 라우팅의 이중 기능 출시

GitHub은 2026년 10월 28일에 Copilot Fusion 정식 버전을 발표하며, 동시에 실험적인 로컬 모델 라우팅 기능도 함께 선보였습니다. 이 기능은 Windows 장치에서 MAI Code 1.1 Flash와 같은 로컬 모델을 자동으로 호출하고, VS Code, CLI 및 Copilot 앱에서 지능형 라우팅을 활성화할 수 있도록 지원합니다. 이 시스템은 Standard/High/Max 세 가지 노력 수준을 통해 클라우드 모델(예: OpenAI, Anthropic, Google)을 자동으로 선택하고 조합하여 작업을 수행하며, 코딩 평가에서 Claude Code에 근접한 성능을 구현하면서 비용은 절반으로 줄였습니다.

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

음식 유사성은 무엇을 구성하는가? 인도 요리에서의 시각적 표현과 검색

arXiv:2610.37867v1 발표 유형: 신규 초록: 음식 유사성은 검색, 추천, 대체 등 다양한 음식 컴퓨팅 작업의 기반이 되지만, 일반적으로 음식 표현은 동일성 유지 여부를 기준으로 평가된다. 우리는 동일성 외에 음식 유사성이 어떻게 변화하는지에 대해 질문한다: 서로 다른 시각적 표현들이 음식들을 관계적 이웃으로 어떻게 정렬하며, 이러한 이웃이 어떤 요리적 관계를 드러내거나 숨기는지, 그리고 이러한 구조가 여러 표현들 간에 얼마나 일관되게 나타나는지를 살펴본다. 인도 요리는 시각적으로 유사한 음식들이 서로 다른 요리적 정체성을 가질 수 있는 동시에, 하나의 요리 계통 내에서도 외형이 크게 다를 수 있는 도전적인 환경을 제공한다. 확장된 Khana 데이터셋과 컨볼루션, 트랜스포머를 아우르는 일곱 가지 사전 훈련된 시각적 표현을 활용하여

FilingLoop: 기업 공시 검토 및 수정을 위한 LLM 에이전트 평가 및 진화

arXiv:2610.37905v1 발표 유형: 신규 초록: SEC EDGAR와 같은 공시 저장소는 기업 공시에 대한 웹 접근을 통해 정보에 기반한 투자를 지원합니다. 이러한 문서의 검토를 언어 모델 기반 에이전트로 지원하려면, 관련 문서들 간의 미표명된 결함을 발견하고, 누락된 회사 정보를 확보하며, 요청된 수정 사항이 증거에 근거한 요구사항을 충족하는지 검증해야 합니다. 기존의 재무 관련 질문-답변 평가는 이러한 상호작용 능력에 대해 제한적인 근거만 제공합니다. 우리는 기업 공시 검토 및 수정을 위한 대화형 벤치마크이자 자체 진화형 에이전트 프레임워크인 \textbf{FilingLoop}을 소개합니다. FilingLoop은 미국 증권거래위원회의 역사적 서신을 바탕으로, 96개 기업의 주로 IPO 검토 과제 380개를 재구성합니다.

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.

노출은 약속이 아니다: 도구 사용 에이전트를 위한 잠재적 모니터의 이중 계층 평가

arXiv:2610.37679v1 발표 유형: 신규 요약: 도구를 사용하는 언어 에이전트는 간접적인 프롬프트 주입에 취약하며, 점점 늘어나는 연구들은 모델 내부를 분석하여 안전하지 않은 행동이 실행되기 전에 이를 포착하려고 시도하고 있지만, 그 결과는 매우 상반됩니다. 우리는 이러한 갈등의 대부분이 평가 과정에서 발생하는 오류 때문이라고 주장하며, 평가와 학습 집단 모두에서 주입 노출과 행동적 약속을 분리하는 이중 계층화 프로토콜을 제안합니다. 주요 Qwen AgentDojo 그리드에서, 무지한 상태로 불안전한 행동과 나머지 행동을 혼합한 대조를 기반으로 학습된 모니터들은 대부분 노출을 인식하는 방식으로 학습됩니다. 즉, 에이전트가 실제로 행동을 따르든 아니든 노출된 경로를 표시하며, 어떤 경우에 안전하지 않은 행동으로 이어지는지 거의 예측하지 못합니다. 노출된 사례들만을 대상으로 재학습한 동일한 탐지 계열은 모델 자체가 수행하는 안전하지 않은 도구 호출을 최대 2초 전까지 예측할 수 있습니다.

아트팩트 증류: 프런티어 모델에서 소형 언어 모델로의 학습 없이 이전하기

arXiv:2610.37680v1 발표 유형: 신규 요약: 프런티어 모델과 소형 언어 모델 간의 격차를 해소하는 일반적인 접근법은 증류입니다. 즉, 소형 모델(학생)을 프런티어 모델(교사)의 출력에 대해 미세 조정함으로써 이전 작업을 학습 계산에 의존하게 만들고, 전달된 지식을 상당히 불투명하게 만듭니다. 우리는 아트팩트 증류를 제안합니다. 교사가 학습 사례를 해결하고 그 문제 해결 절차를 외부화하여 아트팩트 은행으로 저장하며, 학생은 추론 시 해당 은행을 조회합니다. 이 과정에서는 파라미터 업데이트가 전혀 발생하지 않습니다. 네 가지 LiveBench 과제에서, Claude Opus 4.5가 작성한 은행을 사용하면 Claude Haiku 4.5는 공간 추론에서 무보조 Claude Sonnet 4.5보다 60%의 비용으로 더 높은 점수(0.707 대 0.647)를 기록하며, 테이블 조인에서도 Sonnet 4.5 수준에 도달하는데 그 비용은 89%에 불과합니다. 동일한 원시 은행은

오픈 언어 모델의 모든 학습 단계에서 아첨 행동 탐지

arXiv:2610.37788v1 발표 유형: 신규 초록: 언어 모델 기반 비서는 사용자가 잘못된 답변을 제시하면 때때로 올바른 답변을 수정하기도 한다. 이러한 행동은 ‘아첨’으로 불리며, 일반적으로 선호 기반 사후 학습에 기인한다고 여겨지지만, 초기 측정에서는 사전 훈련된 모델에서도 발견되었다. 우리는 이 현상이 어디에서 발생하는지 파악하기 위해 학습의 모든 가능한 단계에서 이를 측정하였다: 기본 모델부터 감독 학습, 선호도 최적화를 거쳐 출시에 이르기까지, 5개 계열의 오픈 체크포인트 13개를 대상으로 분석했다. 또한, 주입된 주장이 모델의 답변을 얼마나 변화시키는지와 답변이 얼마나 견고하게 유지되었는지를 구분하고, 주장의 주체와 그 신뢰도, 그리고 주장의 강도를 다양하게 설정하여 실험을 진행했다. 그 결과, 서로 다른 기원을 가진 두 가지 아첨 행동이 나타났으며, 이 두 행동 모두 다양한 데이터셋에서 재현되었다. 주장에 대한 복종은 i

의료 영상 분야를 위한 책임 있는 양자 기계 학습: 민감한 하위 집단 전반에 걸친 공정성 감사

arXiv:2610.37819v1 발표 유형: 신규 초록: 양자 기계 학습(QML)은 의료 분류 작업에서 점점 더 활발히 탐구되고 있지만, 하위 집단을 고려한 공정성 기준 하에서의 성과는 아직 충분히 연구되지 않았다. 우리는 QML이 본질적으로 공정하지 않다는 가정 하에, 의료 영상 분석을 위한 클래식 및 양자 분류기의 실증적 공정성 감사를 제시한다. 두 가지 시나리오를 평가하며, DDI 데이터를 이용한 피부병변 분석(민감 속성: 피츠패트릭 피부 타입)과 CheXpert에서 파생된 데이터를 활용한 흉부 X선 이미지 분석(민감 속성: 연령대)을 포함한다. ResNet-18 임베딩을 사용하여, 기본 설정과 세 가지 완화 조치 설정—미분 가능한 Equalized Odds (EO) 정규화, Gradient Reversal Learning (GRL), 그리고 이 두 가지를 결합한 방식—하에 SVM, MLP, QSVM 및 QCNN을 학습시킨다. 또한 기초 모델들(PanDerm, EVA-X)은 외부 기준으로 활용된다.

저역 통과 동역학을 넘어서: 공명 뉴런을 갖춘 주파수 선택적 스파이킹 저수지

arXiv:2610.37906v1 발표 유형: 신규 초록: 스파이킹 저수지 컴퓨팅은 고정된 재귀형 저수지의 학습 효율성과, 매 테이프스텝마다 밀집하여 연산을 수행하는 대신 희소한 스파이크에 의해 연산이 촉발되는 이벤트 기반 추론의 에너지 효율성을 결합한다. 그러나 기존의 스파이킹 저수지는 거의 대부분 누설 통합-화재(LIF) 뉴런에 의존하며, 이 뉴런들의 저역 통과 동역학은 서로 다른 시간 주파수로 부호화된 정보를 구분하는 능력을 제한한다. 우리는 HRF-Res를 제안하는데, 이는 LIF 뉴런을 조화 공명-화재(HRF) 뉴런의 이질적인 집단으로 대체한 액체 상태 머신이다. 이러한 뉴런들은 내재된 진동 동역학을 보이며 입력 주파수에 선택적으로 반응하여, 저수지가 주파수

TRACEs: 분산 과학 워크플로우를 위한 세밀한 임베디드 퍼베넌스

arXiv:2610.39981v1 발표 유형: 신규 초록: 대규모 과학 워크플로우는 분산된 HPC 자원에서 실행되므로, 과학 데이터 산출물이 어떻게 생성되는지와 왜 동일한 워크플로우 실행에서도 매우 다른 결과가 나올 수 있는지를 설명하기가 어렵습니다. 기존 시스템은 주로 분산 워크플로우 실행 또는 퍼베넌스 관리에만 집중하며, 세밀한 수준의 퍼베넌스를 분산 과학 데이터 아티팩트의 본질적 속성으로 다루는 경우는 드뭅니다. 우리는 TRACEs(고급 컨테이너화 실행을 위한 추적 가능한 런타임)를 제안합니다. 이는 분산된 컨테이너화된 과학 워크플로우를 위한 퍼베넌스 아키텍처로서, 생성된 모든 데이터 아티팩트에 데이터 계보와 실행 컨텍스트를 직접 내장합니다. 퍼베넌스를 워크플로우 오케스트레이션과 분리함으로써, TRACEs는 아티팩트 중심의 퍼베넌스를 일반화합니다.

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.

AI가 신입 사원들을 고객 업무로 더 많이 내몰면서, 인튜잇은 회계 교육을 새롭게 재편하고 있다

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 Fusion을 발표하며 다중 모델 자동 오케스트레이션으로 코딩 효율성과 가성비를 향상

GitHub는 Universe 2026에서 Copilot Fusion 지능형 오케스트레이션 계층을 공개했으며, OpenAI, Anthropic, Google 등 다양한 모델을 자동으로 라우팅하고 조합하여 코딩 작업을 완료할 수 있도록 지원합니다. 개발자는 별도로 모델을 선택할 필요가 없습니다. 이 기능은 기존의 자동 모델 선택 기술과 지난 9월 연구에서 선보인 Project HydraFusion의 다중 모델 오케스트레이션 기능을 통합한 것입니다.

메타, 논란이 된 새로운 상업 약관 시행을 또다시 연기

메타는 출판사들의 AI 학습 약관에 대한 강력한 반발에 직면해, 당초 2026년 10월 30일에서 11월 20일로 연기된 새로운 상업 약관의 시행 시점을 추가로 연기할 가능성이 있다고 밝혔다. 회사는 업계 단체 및 주요 인사들과의 포괄적 협의를 완료한 뒤에야 정책 변경을 추진하겠다고 강조했다.

추천 이유：이 소식은 2026년 10월 28일 The Verge가 보도한 권위 있는 기술 기사에 근거하며, 메타 측 공식 입장을 담고 있다(앤디 스톤의 X 플랫폼 성명), 명확한 일정 변경 사항(당초 10월 30일에서 11월 20일로 연기)과 구체적인 논란의 핵심(인공지능 모델 학습 관련 권리)을 포함하고 있으며, ‘학습’ 관련 표현을 삭제하는 등 이미 확정된 정책 수정 조치까지 언급되어 있어 정보의 맥락과 신뢰성이 모두 갖춰져 있다.

GitHub Copilot Fusion으로 모델을 라우팅하고 오케스트레이션하세요

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.

FinLLM-KG: 알고리즘 트레이딩에서의 금융 감성 분석을 위한 지식 그래프 강화형 LLM

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.

저랭크 다중선형 분해를 통한 LLM 환각 탐지

arXiv:2610.36191v1 발표 유형: 신규 초록: 대규모 언어 모델(LLM)은 흔히 유창하지만 사실과는 맞지 않는 응답을 생성하여 그 신뢰성에 대한 우려를 불러일으킵니다. 최근의 환각 탐지기들은 점점 더 내부 표현을 활용하고 있지만, 고차원의 숨은 상태에서 유의미한 신호를 추출하는 것은 여전히 어려운 과제입니다. 기존 접근법들은 종종 선택된 활성화 값이나 풀링 기반 압축에 의존하는데, 이로 인해 트랜스포머 계층, 특징 모드 및 토큰 전반에 걸쳐 분산된 판별적 정보를 놓칠 수 있습니다. 우리는 LOTUS(Low-rank Order-statistic TUcker-based Subspace learning)를 제안합니다. 이는 환각 탐지를 위한 다중선형 저랭크 분해 프레임워크로서, LLM의 숨은 상태로부터 컴팩트한 표현을 추출하면서도 레이블에 대한 의존성을 줄여줍니다.