AI 뉴스
QFireNet: Sentinel-2 이미지를 통한 산불 분할을 위한 양자 강화 U-Net
이 논문에서는 산불 탐지를 위한 위성 이미지의 의미론적 이미지 분할 문제를 다룬다. U-Net 모델을 기반으로 하여 Sen2Fire 데이터셋의 고차원 스펙트럼 특성 공간을 더 효과적으로 모델링하기 위해 양자 하이브리드 솔루션을 개발하였다. U-Net의 병목 부분에 변분 양자 회로를 주입하고, QB-Net과 QuFeX 안자츠를 사용하였다. 실험 결과, QB-Net의 $F_1$ 점수는 31.18, QuFeX는 30.79로, 전통적인 U-Net의 28.71을 초과하였다. 또한, 데이터 혼합이 지리적으로 분리된 훈련 및 테스트 세트 간의 도메인 이동을 제거하여 전통적인 FPN의 $F_1$ 점수를 39.76으로 향상시켰다. 이 아키텍처는 캘리포니아 화재 지역 데이터셋을 통해 검증되었다.
QB-Net과 QuFeX는 각각 $F_1$ 점수 31.18과 30.79를 기록하여 기존 U-Net 모델보다 성능이 향상되었다.
Just Keep Prompting: VLM의 반복적 소크라틱 프롬프트 평가
Vision-Language Models (VLMs)의 실제 배포는 강력한 시각적 추론과 지속적인 대화 압력에 대한 안정성이 필요하다. 'Just Keep Prompting (JKP)'라는 다중 턴 평가 프레임워크가 도입되었으며, 이는 사용자가 모델의 답변을 반복적으로 도전, 질문 또는 반박할 때 VLM의 인식 안정성을 측정한다. JKP는 최대 10회의 후속 턴을 세 가지 전략으로 탐색한다: Adversarial Negation, Pure Socratic Interrogation, Context-Aware Socratic Summarization. GPT-4o, Gemini 2.5 Pro, Qwen3-VL-30B를 STAR 벤치마크의 하위 집합에서 720회의 다중 턴 실행으로 평가한 결과, 정답의 정확도는 턴 0에서 턴 10까지 약간 변화했지만, 모델의 불안정성이 드러났다. Qwen3-VL-30B는 최종 정확도가 가장 높지만 직접적인 반박 시 잘못된 확신을 가지며, Gemini 2.5 Pro는 비교적 안정적이지만 토큰 비용이 높고, GPT-4o는 가장 취약하고 진동성이 크다.
JKP 프레임워크는 VLM의 인식 안정성을 평가하는 새로운 방법론을 제공하며, 모델의 시각적 기초, 보정 및 대화적 준수 간의 균형을 이해하는 데 기여한다.
CARPRT: 클래스 인식 제로샷 프롬프트 재가중 기법
CARPRT는 클래스 레이블에 따라 프롬프트의 가중치를 조정하여 제로샷 이미지 분류의 정확성을 높이는 방법이다. 기존의 방법은 모든 클래스에 대해 동일한 가중치 벡터를 사용하지만, CARPRT는 각 클래스에 대해 프롬프트의 클래스 특정 관련성을 반영하여 가중치를 조정한다. 이 방법은 이미지-텍스트 관련성 점수를 평균내어 클래스별 가중치를 도출하며, 표준 이미지 분류 벤치마크에서 기존 방법보다 우수한 성능을 보인다.
CARPRT는 프롬프트-클래스 의존성을 모델링하여 제로샷 예측의 효과성을 높인다.
SPINE: 에이전틱 AI를 통한 사이버-물리적 통합
SPINE(Scalable Physical Integration with ageNtic Expertise)는 최소한의 로봇 공학 전문 지식으로 이인용 로봇을 체계적으로 디버깅하고 배포하기 위한 에이전틱 프레임워크이다. SPINE의 하네스는 로봇 특화 컨텍스트를 생성하는 프로파일 빌더와 진단, 수리, 검증을 반복하는 디버거로 구성된 두 개의 다중 에이전트 워크플로우로 이루어져 있다. SPINE을 사용한 로봇 공학 초보자는 동일한 자료를 사용한 인간 운영자보다 75%에서 100%로 운영화 성공률을 개선하고, 원격 조작까지의 평균 시간을 16분 45초에서 13분 47초로 단축했다. AgileX PiPER에서 SPINE은 10개의 버그를 모두 해결했으며, 전문가 기준은 10개 중 9개를 해결했다.
언어 모델 에이전트 간 잠재적 커뮤니케이션: 채널, 정렬 및 텍스트의 한계
다중 에이전트 시스템(MAS)은 명확한 텍스트 메시지 전송을 통해 상호 통신을 수행한다. 연구에 따르면, 대형 언어 모델(LLM) 에이전트가 텍스트를 통해 소통할 때 정보 손실이 발생하며, 이는 희소 오토인코더(SAE) 기능 분석을 통해 정량화되었다. SAE-희소 채널은 밀집 잠재 채널에 비해 28배 압축 시 99.4%의 탐지 정확도를 유지하는 반면, 텍스트 채널은 80.4%에 그쳤다. 또한, Procrustes 정렬을 사용한 경우 Llama와 Mistral 간의 92%의 상위 1회 검색률을 보였다. 텍스트 직렬화는 88%의 SAE 기능을 파괴하며, 이는 정체성 교체로 인한 손실로 분석되었다. 잠재 채널은 교차 언어 개념 작업에서 텍스트 채널과 일치하지만 초과하지는 않았다.
SAE-희소 채널은 28배 압축 시 99.4%의 탐지 정확도를 유지하여, 텍스트 채널보다 우수한 정보 전달 능력을 보여준다.
대형 언어 모델의 전제 의존성 테스트를 위한 개입적 기초 감사
대형 언어 모델은 논리적으로 타당해 보이는 사고 과정을 생성하지만, 실제로는 명시된 전제에 의존하지 않을 수 있다. 본 연구에서는 개입적 기초 감사를 도입하여, 단일 전제를 새 기호로 대체하고 모델을 재실행하여 각 추론 단계의 정규화된 결론이 변화하는지를 확인하는 블랙박스 테스트를 수행한다. GPT-4o를 사용하여 50개의 ProntoQA 문제를 평가한 결과, 증명 트리 의존성을 감지하는 데 F1 = 0.806을 달성하였고, 이는 자가 일관성 기준선(F1 = 0.343)을 크게 초과하는 성과이다. 또한, 66%의 올바르게 해결된 문제는 직접적인 증명 트리 의존성에 민감하지 않은 정렬된 단계를 포함하고 있음을 확인하였다.
GPT-4o를 사용한 평가에서 F1 = 0.806의 성과를 달성하여, 대형 언어 모델의 전제 의존성 분석에 대한 새로운 접근 방식을 제시한다.
UniSAGE: 정적 및 동적 속성을 통합하는 하이퍼 구조
UniSAGE는 정적 속성과 동적 기록을 결합한 계층적 정보를 모델링하기 위한 통합 프레임워크이다. 이 프레임워크는 전역 속성 그래프를 구성하여 계층적 및 시간적 관계를 통합된 구조로 표현하며, 정적 집계와 동적 추론을 지원하는 두 개의 직교 매개변수 서브스페이스를 도입한다. UniSAGE는 경량 하이퍼 구조 메커니즘을 통해 정적 및 동적 속성 간의 작업별 상호작용을 가능하게 하며, 자동화되어 진화하는 데이터 스키마에 강건하고 복잡한 속성 간 의존성을 포착할 수 있다. 여러 공개 벤치마크와 실제 금융 행동 데이터셋에 대한 실험에서 UniSAGE는 기존 방법보다 10% 이상의 성능 향상을 보여주었다.
UniSAGE는 정적 및 동적 속성을 통합하여 데이터 모델링의 복잡성을 줄이고, 성능을 10% 이상 향상시킬 수 있다.
LiDAR 기반 지형 정보를 활용한 위성 지상국 위치 선정 위한 해석 가능한 지리공간 AI
대표적인 혼잡 높이(Representative Clutter Height, RCH)는 무선 전파 및 간섭 분석에서 중요한 매개변수로, 지역 장애물의 주요 높이를 포착한다. 기존의 방법은 고정된 혼잡 높이를 사용하지만, 이는 클래스 내 변동성을 놓치고 저지구 궤도 지상국 위치 선정에 부정적인 영향을 미칠 수 있다. 본 연구에서는 개방형 지리공간 데이터를 활용한 RCH 예측을 위한 해석 가능한 머신러닝 프레임워크를 제시하며, 모델은 미국 지질조사국의 LiDAR 기반 레이블을 사용하여 훈련되었다. 최종 모델은 평균 절대 오차 1.79m와 R^2=0.765를 달성하며, ITU 기준에 비해 60% 이상 절대 오차를 줄였다. 주요 예측 변수로는 나무 캐노피 커버, 토지 피복 의미론, 스펙트럼 반사율이 확인되었다.
최종 모델은 평균 절대 오차 1.79m를 달성하여 ITU 기준 대비 60% 이상의 절대 오차 감소를 보여준다.
Kimi K3 2.8T-A50B: 가장 큰 오픈 모델 출시
Moonshot AI가 Kimi K3를 2.8T의 총 파라미터와 1M 토큰 컨텍스트를 갖춘 오픈 모델로 출시했다. Kimi K3는 Kimi Delta Attention(KDA)와 Attention Residuals 기능을 포함하며, 2026년 7월 27일까지 오픈 가중치가 제공될 예정이다. Kimi K3는 Frontend Code Arena에서 1679점을 기록하며 1위를 차지했고, Text Arena에서는 9위에 올랐다.
Kimi K3는 2.8T의 총 파라미터를 가지고 있으며, 이는 현재 출시된 오픈 모델 중 가장 큰 규모이다.
GLM-5.2의 753B 파라미터와 1M 컨텍스트의 현실
GLM-5.2는 753B 파라미터와 1M 컨텍스트를 제공하며 MIT 라이센스를 적용받고 있다. 그러나 이러한 대규모 모델은 일반 사용자들이 자가 호스팅하기에는 현실적으로 불가능하며, 대부분의 사용자는 API를 통해 접근해야 한다. 이로 인해 자가 호스팅에 대한 관심이 줄어들고 있다는 의견이 제기되었다.
GLM-5.2의 753B 파라미터는 자가 호스팅이 아닌 클라우드 서비스 이용을 강제하는 경향이 있다.
VICIS: 이미지 세트에서 시각 개념 추론하기
Vision-language models (VLMs)는 복잡한 텍스트 지시를 따를 수 있지만, 순수한 시각적 맥락에서 추론하는 데 어려움을 겪는다. 현재 모델은 예시 이미지 세트에서 공유 개념을 추론하고 이를 새로운 입력에 적용하는 데 실패한다. 이에 따라 Visual Concept Inference from Sets (VICIS)라는 작업이 도입되었으며, 이는 모델이 개념을 정의한 맥락을 유지하면서 쿼리 이미지와 일치하는 새로운 이미지를 생성해야 하는 능력을 평가한다. 최신 VLM들이 이 작업에서 성능이 저조하다는 결과를 보여준다.
VICIS는 VLM의 시각적 맥락 이해 능력을 평가하는 새로운 기준을 제시한다.
Slack에서 Cursor의 개선 사항
Slack의 Cursor는 작업 시작 전에 계획을 공유하고, 다중 저장소 환경에서 작동하며, 채널과 스레드 간에 작업을 수행할 수 있습니다. Cursor는 작업 중 상태를 업데이트하여 각 단계를 따라갈 수 있도록 하며, 메시지 내 버튼 대신 간결한 바닥글 링크로 응답 형식을 개선했습니다. 또한, 다중 저장소 환경 지원으로 Cursor는 명명된 다중 저장소 환경에서 시작할 수 있으며, 작업 중 다른 저장소가 필요할 경우 사용자가 저장소를 전환할 수 있도록 안내합니다. 마지막으로, Cursor는 다른 Slack 채널과 스레드에서 메시지를 읽고 보낼 수 있습니다.
Cursor는 다중 저장소 환경을 지원하여 프론트엔드, 백엔드, 공유 코드가 별도의 저장소에 있는 경우에도 효율적으로 작업할 수 있게 합니다.
데이터 프라이버시 문제 해결을 위한 모델의 특정 데이터 포인트 제거 방법
머신러닝에서 데이터 프라이버시 문제에 대한 우려가 커짐에 따라, 훈련된 모델에서 특정 데이터 포인트를 제거하는 'unlearning' 능력이 중요해지고 있다. 기존의 최첨단 unlearning 방법들은 잊혀질 데이터 집합의 모든 포인트를 동등하게 취급하지만, 이 연구에서는 모델 학습에 미치는 영향이 미미한 포인트를 제거할 필요가 있는지를 질문한다. 언어 및 비전 작업에서의 영향 함수 비교 분석을 통해 모델 출력에 미미한 영향을 미치는 훈련 데이터의 하위 집합을 식별하였다.
Puter가 WebAssembly로 컴파일한 Firefox
Puter는 Firefox를 WebAssembly로 컴파일하여 다른 브라우저에서 실행할 수 있도록 했다. 이 프로젝트는 약 25,000달러 상당의 Claude Opus와 Fable 토큰을 사용했으며, Claude Max 구독 계획을 통해 실제 비용은 줄였다. 데모는 모든 트래픽을 WebSocket 프로토콜(Wisp 프로토콜)을 통해 Puter의 서버로 전달하며, 이 과정에서 HTTPS 사이트로의 트래픽은 암호화되고 일반 HTTP 요청은 평문으로 전송된다.
중국 AI 스타트업 Moonshot AI, Kimi K3 모델 공개
중국 AI 스타트업 Moonshot AI가 Kimi K3 모델을 발표했다. 이 모델은 2.8조 개의 파라미터를 포함하고 있으며, 1백만 토큰의 컨텍스트 윈도우를 제공하여 대량의 텍스트를 동시에 처리할 수 있다. Kimi K3는 AI 평가 기관 Arena의 블라인드 테스트에서 Anthropic의 Fable 5와 OpenAI의 GPT-5.6 Sol을 포함한 모든 미국 모델보다 우수한 성능을 보였다. Kimi는 가격이 저렴하여 미국의 프리미엄 모델과의 경쟁을 촉발하고 있다.
Kimi K3는 2.8조 개의 파라미터를 가지고 있어, 미국의 기존 AI 모델들과의 경쟁에서 중요한 요소가 될 수 있다.
Amazon Bedrock Managed Knowledge Base로 기업 검색 구축하기
Amazon Bedrock은 이제 Managed Knowledge Base를 일반 제공하며, 이는 기업 데이터에 대한 에이전트 검색 솔루션을 완전 관리한다. 이 서비스는 데이터 소스를 연결하고, 문서 접근 제어를 관리하며, 고속 검색을 지원한다. 사용자는 AWS Management Console을 통해 모델 선택 없이 간편하게 설정할 수 있으며, 기본 설정으로 몇 분 안에 첫 검색을 시작할 수 있다. Managed Knowledge Base는 Amazon S3, Microsoft SharePoint, Atlassian Confluence, Google Drive, Microsoft OneDrive와 같은 여섯 개의 네이티브 커넥터를 포함하고 있으며, 실시간 접근 제어 리스트(ACL) 체크를 통해 보안을 강화한다.
Managed Knowledge Base는 복잡한 데이터 파이프라인을 간소화하여 기업이 신속하게 검색 솔루션을 구축할 수 있도록 지원한다.
챗GPT SOL 5.6로 유튜브 영상 편집 시간 절약하기
챗GPT의 SOL 5.6 버전을 사용하여 유튜브 영상 편집 시간을 최소 5시간 이상 절약한 경험을 공유하며, 영상 편집 튜토리얼을 제공한다. 챗GPT를 유료로 사용하면 무료로 컷편집과 하이라이트 클립 작업이 가능하다. 영상 편집을 위한 준비물과 튜토리얼이 포함되어 있다.
챗GPT를 활용하면 영상 편집 시간을 획기적으로 단축할 수 있다.
EU, 구글에 검색 데이터 공유 및 AI 플랫폼 개방 강제
유럽연합은 디지털 시장법(DMA)에 따라 구글이 안드로이드와 검색 분야에서 상호 운용성과 경쟁을 지원하도록 강제하는 새로운 조치를 발표했다. 이로 인해 구글은 경쟁 AI 플랫폼에 대한 접근을 개방해야 하며, 현재 구글의 Gemini가 시스템에 우선 접근하고 있다. Gemini는 모든 구글 인증 안드로이드 폰에 사전 탑재되어 있으며, '헤이 구글'이라는 핫워드에 반응하여 작동한다.
구글은 안드로이드에서 경쟁 AI 플랫폼에 대한 접근을 개방해야 하며, 이는 AI 생태계의 경쟁을 촉진할 수 있다.
Moonshot AI, Kimi K3 모델 발표 및 성능
Moonshot AI가 Kimi K3 모델을 발표했다. 이 모델은 2.8조 개의 파라미터를 가지고 있으며, 현재 웹사이트와 API를 통해 이용 가능하다. Kimi K3는 '오픈 3T 클래스 모델'로 불리며, DeepSeek의 1.6T v4 Pro보다 성능이 우수하다. K3의 작업당 비용은 $0.94로, GPT-5.6 Sol의 $1.04와 비슷하며, Opus 4.8의 $1.80보다 낮다. K3는 Arena.ai의 Frontend Code arena에서 가장 높은 성능을 기록하고 있다.
Kimi K3는 2.8조 개의 파라미터를 가진 모델로, 현재까지 발표된 중국 AI 연구소의 모델 중 가장 비싼 가격인 $3/백만 입력 토큰과 $15/백만 출력 토큰을 적용받는다.
현대차 공장에서 휴머노이드 로봇 도입에 반발하는 노조 파업 시작
수천 명의 현대차 노조원이 휴머노이드 로봇 도입 계획에 대한 협상이 결렬되자 파업에 들어갔다. 이는 휴머노이드 로봇을 다룬 자동차 산업 최초의 공장 중단으로, 울산의 현대차 생산 복합단지에서 발생했다. 7월 13일부터 15일까지 근무 시간은 2시간 단축되었고, 7월 20일부터 22일까지는 4시간 파업을 계획하고 있다. 이번 사태는 현대차 그룹이 보스턴 다이내믹스의 Atlas 휴머노이드 로봇을 공개한 이후 시작되었다.
Atlas는 6피트 이상의 키와 100파운드 이상의 하중을 들어올릴 수 있는 로봇이다.
Amazon Bedrock에서 일반 제공되는 xAI의 Grok 4.3
xAI의 Grok 4.3가 Amazon Bedrock에서 일반 제공되며, 긴 입력에 대해 신뢰성 있는 추론을 제공하는 모델이다. Grok 4.3는 구성 가능한 추론 노력을 제공하고, 텍스트 및 이미지 입력을 수용하며, 100만 토큰의 컨텍스트 창을 가진다. 이 모델은 Mantle이라는 차세대 추론 엔진에서 실행된다. Grok 4.3는 고객 지원 시나리오에서 도구 호출 및 문서 이해를 위한 벤치마크에서 1위를 기록했다.
Grok 4.3는 100만 토큰의 컨텍스트 창을 제공하여 긴 문서와 다중 턴 세션을 처리할 수 있다.
리누스 토발즈, 리눅스에서 AI 코딩 도구 사용 지지
AI 기반 코딩 도구의 도입이 진행됨에 따라, 리눅스 커널의 창시자 리누스 토발즈는 AI 도구 사용을 지지한다고 밝혔다. 그는 리눅스가 반AI 프로젝트가 아니며, 이에 불만이 있는 사람은 오픈 소스 방식으로 포크하거나 떠날 수 있다고 말했다. 또한, Sashiko라는 리눅스 커널 코드 리뷰 시스템이 테스트에서 53.6%의 버그를 독립적으로 찾아낼 수 있다고 주장했지만, 20%의 비율로 잘못된 버그 보고도 발생할 수 있다고 덧붙였다.
Sashiko는 테스트에서 53.6%의 버그를 찾아낼 수 있는 기능을 가지고 있다.
AI 인프라 투자 증가와 경제적 가시성 부족
107개 기업을 대상으로 한 조사에서 AI 인프라 지출이 증가하고 있지만, 기업들은 그 경제성을 제대로 파악하지 못하고 있다. 현재 21%의 기업만이 AI를 대규모로 운영하고 있으며, 76%는 실험 중이거나 일부 작업만 운영하고 있다. GPU 활용률은 50% 이하인 경우가 83%에 달하며, 44%의 기업만이 AI 컴퓨팅 비용을 철저히 추적하고 있다. 64%의 기업이 12개월 이내에 인프라 공급자를 변경하거나 추가할 계획이다.
AI 전문 클라우드에 대한 기업의 평가 계획이 45%로 가장 높아, 향후 AI 인프라 투자 방향에 영향을 미칠 수 있다.
54%의 기업이 AI 에이전트 보안 사건을 경험하고 있음
107개 기업을 대상으로 한 조사에서 54%가 AI 에이전트 보안 사건(18%는 확인된 사건, 36%는 근접 사건)을 경험한 것으로 나타났다. 대부분의 에이전트가 자격 증명을 공유하고 있으며, 단지 32%만이 각 에이전트에 대해 관리되는 고유의 신원을 부여하고 있다. 기업들은 보안 예산의 작은 부분만을 AI 에이전트 보안에 할당하고 있으며, 30%만이 고위험 에이전트를 샌드박스에서 격리하고 있다.
54%의 기업이 AI 에이전트 보안 사건을 경험했으며, 이는 기업들이 에이전트에 대한 보안 통제를 강화할 필요가 있음을 시사한다.