AI 뉴스

Kimi K3 모델, AI 비즈니스 모델에 위협

중국 스타트업 Moonshot의 Kimi K3 AI 모델은 2.8조 개의 파라미터를 가진 최신 오픈 웨이트 모델로, Nvidia GPU 클러스터가 필요하며 수백만 달러의 비용이 들 수 있다. 미국의 프론티어 연구소들은 Kimi 모델이 최전선에서 성능을 발휘하고 있어 우려하고 있으며, 미국 정부는 AI 모델의 시장 출시를 한 달간 보류 요청하고 있다. 이는 미국 기업들이 모델을 비공식적으로 비밀리에 유지하고 소프트웨어 사업을 구축하는 방향으로 나아갈 수 있음을 시사한다.

Kimi K3는 2.8조 개의 파라미터를 가진 모델로, 이를 운영하기 위해서는 수백만 달러의 Nvidia GPU 클러스터가 필요하다.

Amazon Quick의 모바일 레이아웃 기능 소개

Amazon Quick Free Form 대시보드에 모바일 레이아웃 기능이 추가되어, 작은 화면에서도 대시보드를 자동으로 단일 열 형식으로 최적화하여 표시한다. 이 기능은 사용자가 대시보드를 핀치하거나 확대할 필요 없이 즉시 데이터에 접근할 수 있게 하며, 기존의 대시보드에 별도의 변경 없이 적용된다. 모바일 레이아웃은 화면 크기에 따라 활성화되며, 연속 스크롤 방식으로 시각적 요소가 화면 너비를 채우도록 설계되었다.

모바일 레이아웃은 Amazon Quick의 Free Form 대시보드에서 사용자가 모바일 기기에서도 원활하게 데이터를 확인할 수 있도록 하여, 업무 효율성을 높인다.

AI와 나노기술이 변화시키는 생물학 연구의 미래

AI 전문가들은 지난 10년간 자신의 지식이 발전을 방해한다는 쓴 교훈을 배웠다. 생물학 분야에서도 유사한 교훈이 적용되고 있으며, 새로운 약물은 정교한 가설이 아닌 방대한 데이터셋의 분석에서 출발하고 있다. AI와 나노기술을 활용한 새로운 과학적 방법들이 인체 생물학의 다양한 측면을 측정할 수 있게 하며, AI 모델은 자동화된 실험실에서 실험을 수행하고 결과를 분석하여 새로운 실험을 제안할 것이다. 또한, Mark Zuckerberg가 지원하는 Biohub는 AI 기반의 단백질 생물학 모델을 공개하였고, Nvidia는 과학적 발견을 가속화하기 위한 BioNeMo 툴킷을 발표했다.

Nvidia의 BioNeMo는 과학적 발견을 가속화하기 위한 도구로, AI의 활용이 생물학 연구에 큰 변화를 가져올 수 있음을 보여준다.

IBM 메인프레임 판매 감소와 AI의 영향

IBM의 주가는 역사상 최악의 하루를 기록했으며, 메인프레임 컴퓨터의 판매와 이를 운영하는 소프트웨어가 감소하고 있다. IBM 경영진은 AI 지출을 원인으로 지목했지만, AI가 구식 기술에서 운영되는 필수 백엔드 프로그램을 포팅할 수 있는 능력이 진정한 문제라고 분석되었다.

IBM의 메인프레임 판매 감소는 AI 기술이 기존 시스템에 미치는 영향을 보여준다.

코드 작성 비용 변화와 회의의 중요성

작은 기능 요청의 가장 비싼 부분이 코드 작성에서 회의로 변화했다. 엔지니어들은 작은 요청이 실제로는 테스트, 롤아웃 계획, 엣지 케이스 고려 등을 필요로 한다는 것을 배우며, 이로 인해 두 시간의 변경이 두 주의 방해가 될 수 있다. AI를 활용하면 첫 번째 패치를 생성하는 데 드는 비용이 낮아지지만, 인간이 결과를 검토하고 소유하는 데 드는 비용은 여전히 중요하다. 따라서 작은 변경 요청에 대해 실제 패치를 생성하고 이를 검토하는 과정이 필요하다.

AI는 후보 코드 생산 비용을 낮추지만, 결과를 검토하고 소유하는 비용을 낮추지는 않는다.

Smartsheet, AWS에서 원격 MCP 서버 구축

Smartsheet는 AWS에서 원격 모델 컨텍스트 프로토콜(MCP) 서버를 구축하여 AI 클라이언트가 Smartsheet의 데이터와 기능에 직접 접근할 수 있도록 했다. 이 서버는 내부 및 외부 AI 에이전트가 동일한 인프라에서 작동하도록 설계되었으며, Amazon Quick과 같은 AI 도우미가 자연어를 통해 Smartsheet의 기능을 활용할 수 있게 한다. Smartsheet는 이 최적화를 통해 30억 개 이상의 토큰을 절약했다.

MCP 서버는 Smartsheet의 기존 API와 중앙 지능 계층에 연결되어 AI 최적화 인터페이스를 제공한다.

샌프란시스코, 애플과 구글에 누디피케이션 앱 삭제 요구

샌프란시스코의 검찰총장 데이비드 치우는 애플과 구글에 13개의 누디피케이션 앱을 앱 스토어에서 제거하라는 중단 명령서를 보냈다. 누디피케이션 앱은 일반 사진을 쉽게 노골적인 이미지로 변환할 수 있게 해주며, 악용될 경우 의복을 제거하거나 인물의 특징을 변경하고, 성적 포즈로 배치하거나 피해자의 얼굴을 다른 사람의 나체에 합성하는 등의 기능을 제공한다. 치우는 이러한 앱들이 '딥페이크 포르노그래피 생성을 금지하는 캘리포니아 법률'을 위반하고 있다고 경고했다.

누디피케이션 앱은 개인의 사진을 악용할 수 있는 기능을 제공하여 법적 문제를 야기할 수 있다.

NVIDIA Vera Rubin, 포스트 트레이닝 작업의 비용 대비 지능 극대화

NVIDIA는 에이전틱 AI의 포스트 트레이닝에서 지능을 극대화하기 위해 새로운 컴퓨팅 패턴을 도입했다. 포스트 트레이닝은 모델이 환경 변화에 적응하고 문제를 해결하는 과정으로, 지속적인 학습 사이클에서 모든 전방 및 후방 패스의 수익을 극대화하는 것이 목표이다. NVIDIA Nemotron 3 Ultra는 5500억 개의 파라미터를 가진 모델로, 실제 소프트웨어 버그의 약 70%를 수정하는 성과를 보였다. Vera Rubin 플랫폼은 블랙웰 세대의 4분의 1의 GPU로 가장 큰 모델을 훈련할 수 있도록 설계되었다.

NVIDIA Nemotron 3 Ultra는 71.7%의 성과를 기록하며, 포스트 트레이닝의 효율성을 높이는 데 기여한다.

Xi Jinping의 AI 관련 연설 요약

Xi Jinping은 AI의 발전과 그로 인한 기회 및 도전에 대해 언급하며, AI가 인간과 기계의 협력, 산업 통합 등을 통해 큰 변화를 가져올 것이라고 강조했다. 그는 AI 기술이 전 세계적으로 긍정적인 방향으로 발전해야 하며, 이에 대한 국제 사회의 진지한 논의가 필요하다고 말했다. 또한, AI의 윤리적 문제와 알고리즘의 결정 과정에서의 안전성 확보에 대한 질문을 제기했다.

Xi Jinping의 연설은 AI의 글로벌 발전 방향과 관련된 중요한 정책 논의의 기초를 제공한다.

LLM cliché highlighter 도구 소개

LLM cliché highlighter는 LLM 생성 글쓰기에서 자주 나타나는 10가지 패턴을 강조하는 웹 도구이다. 사용자는 URL을 입력하고 'Load URL' 버튼을 클릭하여 텍스트를 분석할 수 있으며, 분석 결과로 플래그가 지정된 문장과 패턴 일치를 확인할 수 있다.

이 도구는 LLM 생성 콘텐츠에서 흔히 사용되는 클리셰를 식별하여 글쓰기 품질을 개선하는 데 도움을 줄 수 있다.

Amjad Masad, Replit의 창립자와 소프트웨어의 미래에 대한 대화

Replit의 창립자이자 CEO인 Amjad Masad는 New Media Summit에서 Erik Torenberg과의 대화에서 Replit의 10년 여정을 회고하고, 비전을 전달하는 것이 실행만큼 중요하다고 강조했다. 그는 특히 시장보다 앞서 야심찬 제품을 만드는 창립자들에게 매력적인 이야기를 전달하는 것이 인재, 자본, 초기 지지자를 끌어오는 데 필요하다고 주장했다. 대화는 소셜 미디어, 진정성, 공개 커뮤니케이션, 회사 구축에 대한 내용도 포함되어 있다.

Replit의 창립자 Amjad Masad는 비전 전달의 중요성을 강조하며, 이는 인재와 자본을 유치하는 데 필수적이다.

Kimi K3 팀의 정직한 제품 출시 접근 방식

Kimi K3 팀은 제품 출시 포스트의 시작 부분에서 K3가 가장 강력한 독점 모델에 비해 여전히 뒤처져 있음을 솔직하게 인정했다. 이러한 정직함은 AI 출시에서 드물며, 과장된 주장이나 선택적 스토리텔링 없이 독자에 대한 신뢰와 투명성을 보여준다.

Kimi K3의 정직한 접근 방식은 AI 제품 출시에서 신뢰를 구축하는 데 중요한 요소가 될 수 있다.

기상 데이터 조작 위험 증가

항공사, 전력망 운영자, 농부들은 기상 예보를 바탕으로 중요한 결정을 내린다. 최근 파리 샤를 드골 공항의 기상 관측소에서 온도 조작 사건이 발생했으며, 이는 예측 시장에서 큰 손실을 초래할 수 있는 위험을 나타낸다. AI 기반의 기상 예측이 증가하면서 데이터의 정확성이 더욱 중요해지고 있으며, 조작의 가능성이 커지고 있다. 예를 들어, ECMWF는 원시 관측 데이터로부터 직접 고품질 기상 예보를 생성하는 방법을 연구하고 있다.

AI 기반 기상 예측은 데이터의 정확성에 더욱 의존하게 되며, 이는 기상 관측소의 신뢰성을 위협할 수 있다.

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.

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.

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.

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.

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.

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.

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.

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.

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.