AI 뉴스
Protege의 Engy Ziedan, 의료 AI의 평가 필요성 논의
Engy Ziedan은 의료 AI가 측정 문제를 겪고 있으며, 벤치마크에서 좋은 점수를 받는 것이 모델이 병원에 적합하다는 것을 의미하지 않는다고 설명했다. 그는 의료 AI가 정적 시험을 넘어 실제 임상 워크플로우에서 모델의 성능을 측정하는 독립적인 평가가 필요하다고 강조했다. 또한, 데이터 오염이 벤치마크를 저해할 수 있으며, 의료 AI의 미래는 간헐적인 테스트가 아닌 지속적인 모니터링을 요구할 것이라고 언급했다.
Protege는 의료 AI의 독립적인 평가자로서, 지속적인 모니터링을 통해 AI 모델의 실제 성능을 평가할 필요성을 제기하고 있다.
Canonical, C 코드베이스를 Rust로 변환하는 AI 연구 프로젝트 지원
Canonical은 C 코드베이스를 Rust로 변환하는 가능성을 탐구하는 3년짜리 박사 과정 프로젝트를 지원하고 있다. 이 프로젝트는 브리스톨 대학교의 프로그래밍 언어 연구 그룹에서 진행되며, LLM을 사용해 수십만 줄의 C 프로그램을 작은 구성 요소로 분해하고 이를 안전하고 유지보수 가능한 Rust 코드로 변환하는 방법을 연구할 예정이다. 프로젝트는 Canonical과 영국 연구 혁신 기관이 공동으로 후원하며, Jon Seager가 감독한다.
이 프로젝트는 LLM을 활용하여 C 코드베이스를 Rust로 변환하는 방법을 연구함으로써, 코드 변환의 효율성을 높일 수 있는 가능성을 탐구하고 있다.
아이들이 AI보다 언어 학습에서 더 효율적인 이유
인간 아동은 100,000년 이상 대화해왔으며, 최근 ChatGPT와 같은 LLM이 등장한 이후에도 아이들이 여전히 언어 학습에서 기계보다 우수한 이유는 '데이터 효율성 격차'에 있다. LLM은 15조 개의 토큰으로 훈련되지만, 언어가 풍부한 환경에서 자란 아동은 약 1억 개의 단어를 듣고, 20세까지 3억 개로 늘릴 수 있다. 이는 LLM이 사용하는 데이터 양과 비교할 때 현저히 적다. 연구자들은 아동의 학습 방식을 역설계하여 더 데이터 효율적인 AI 모델을 개발하려고 한다.
LLM은 15조 개의 토큰으로 훈련되지만, 아동은 1억 개의 단어로 언어를 배운다. 이는 AI 모델의 데이터 효율성을 높이는 연구에 중요한 통찰을 제공할 수 있다.
소프트웨어 신뢰성을 다룬 Software Should Work 2026 컨퍼런스
Software Should Work 2026는 소프트웨어 신뢰성에 대한 다양한 주제를 다룬 13개의 비디오로 구성되어 있다. Richard Feldman은 1996, 2006, 2026년의 웹 스택을 비교하며 추상화와 의존성의 증가를 보여주는 그래프를 제시하고, SQLite의 창시자 Richard Hipp는 코드베이스가 테스트 방법의 변화에 어떻게 반응하는지를 개인적인 여정을 통해 설명한다. 이 컨퍼런스는 소프트웨어 신뢰성의 문화와 그 의미를 탐구하며, 상업적 압력이 실무자와 고객 모두에게 미치는 영향을 논의한다.
Software Should Work 2026는 소프트웨어 신뢰성의 중요성을 강조하며, 다양한 전문가들이 경험과 의견을 공유함으로써 신뢰성에 대한 통찰을 제공한다.
선형 판별 트리 앙상블을 통한 해석 가능한 다중 모달 분류
다중 모달 감정 및 행동 분류기를 위한 새로운 프레임워크가 개발되었다. 이 프레임워크는 텍스트, 오디오, 비주얼 스트림을 통합하여 정확성과 해석 가능성을 동시에 달성하는 것을 목표로 한다. 제안된 선형 판별 트리(LDT), 선형 판별 포레스트(LDF), 선형 판별 아다부스트(LDAB) 모델은 Multimodal Transformer보다 F1-mod에서 4.3% 향상되었고, 해석 가능한 다중 모달 기준인 Interpretable Multimodal Routing(IMR)보다 3.0% 높은 정확도를 기록하였다. 또한, 제안된 다중 모달 특징 중요도는 인간 주석자 간의 합의 점수가 기존 방법보다 크게 향상되었다.
제안된 선형 판별 트리 앙상블은 다중 모달 특징 중요도를 개선하여 신뢰가 중요한 응용 분야에서의 활용 가능성을 높인다.
Tinycloud의 다중 모달 비디오 에이전트에서 기술 발견 및 라우팅 연구
Tinycloud는 사용자의 작업에 가장 적합한 기술을 선택하고 순위를 매기기 위해 두 가지 기술 표현을 사용한다. 첫 번째는 단일 외부 API나 시스템 도구를 감싸는 tool-skill이며, 두 번째는 tool-skill 호출과 템플릿 렌더링을 조율하여 하나의 명명된 결과물을 생성하는 workflow-skill이다. 이 기술들은 시스템 프롬프트의 두 가지 표면을 통해 노출되며, 전면 노출이 모든 작업에서 최적의 기술을 선택하는 반면, 부분 노출은 잘못된 선택을 초래할 수 있다.
Tinycloud의 기술 표현 방식은 사용자의 작업에 대한 적절한 기술 선택에 영향을 미치며, 이는 기술 라우팅의 효율성을 높이는 데 중요한 요소이다.
다중 모달리티 에이전트 프레임워크의 기초와 응용에 대한 조사
대형 언어 모델(LLMs)의 발전은 에이전시 연구를 촉진시켰으며, 이는 인지, 기억, 의사결정을 조율하는 에이전트 프레임워크를 생성했다. 대형 다중 모달 모델(LMMs)의 등장으로 이미지, 오디오, 비디오 등 다양한 모달리티를 처리하고 통합할 수 있게 되어 실제 적용 가능성이 향상되었다. 이 조사에서는 에이전트 프레임워크의 핵심 기능 모듈인 인지, 추론, 계획, 기억, 행동에서 다중 모달리티의 영향을 분석하고, 텍스트 중심 에이전트에서 다중 모달 프레임워크로의 진화를 추적한다. 또한, 로봇공학, GUI 및 웹 탐색, 멀티미디어 콘텐츠 생성 및 편집, 장기 비디오 이해 및 검색 등 다양한 응용 분야에서 다중 모달 에이전트 시스템을 검토하고 성능과 효율성에 대한 논의를 포함한다.
다중 모달 모델을 통해 에이전트 프레임워크의 인지 및 추론 능력을 향상시킬 수 있다.
Internalized Visual Thinking(IVT) 도입으로 비디오 추론 최적화
다중 모달 대형 언어 모델은 공간적, 시간적, 구체적 환경에 대한 추론을 위해 시각적 사고 체인(Visual CoT)을 점점 더 많이 사용하고 있다. Visual CoT는 중간 추론 이미지를 생성하여 시각적 예측을 위한 직관적인 메커니즘을 제공하지만, 이는 상당한 추론 오버헤드를 초래하여 비디오 추론에 문제를 일으킨다. 본 연구에서는 모델이 훈련 중 시각적으로 사고하도록 학습할 수 있는지 여부를 탐구하며, 텍스트 예측과 비디오 추론을 동시에 최적화하는 Internalized Visual Thinking(IVT)이라는 포스트 훈련 프레임워크를 소개한다.
Internalized Visual Thinking(IVT)은 비디오 추론의 효율성을 높일 수 있는 새로운 방법론을 제시한다.
AI가 물리학 난제를 해결하고 보안 취약점을 발견하다
AI 모델 클로드가 조르조 파리시와 프란체스코 참포니 교수의 10년 묵은 난제인 재밍 전이의 핵심 임계지수 항등식을 수학적으로 증명하는 데 기여했다. 연구진은 클로드와 40차례 대화를 통해 해석적 증명을 유도했으며, 이 과정은 오픈 리포지토리 제노도에 공개됐다. 또한, AI 모델 GLM-5.3이 개발 도구 커서의 보안 취약점을 발견하고 이를 비공식적으로 전달한 사례도 있다. 이로 인해 AI의 역할이 코드 작성 보조를 넘어 고난도 보안 감사로 확장되고 있음을 보여준다.
AI 모델 클로드가 10년 묵은 물리학 문제를 해결한 사례는 AI가 과학 연구에 실질적인 기여를 할 수 있음을 나타낸다.
Anthropic의 연간 수익 증가와 모델 사용 현황
Anthropic의 7월 연간 수익은 650억 달러로, 5월의 470억 달러에서 증가했다. Q3는 이익을 낼 것으로 예상되며, 6,000명의 고객이 연간 10만 달러 이상을 지출하고 있다. OpenAI의 연간 수익은 40억 달러를 넘어섰고, GPT 5.6의 출시가 성과에 기여했다. Ramp AI 지수에 따르면, 2026년 7월 Anthropic 모델 지출 비율은 Opus 4.8이 28.0%로 가장 높았다.
Anthropic의 모델 사용 현황은 Opus 4.8이 28.0%로 가장 높은 점유율을 기록하며, 이는 모델 선택에 있어 가격이 중요한 요소임을 시사한다.
GLM-Air에서 MTP 기능 사용 가능
GLM-4.5-Air에서 MTP 기능을 활성화하면 성능 향상을 경험할 수 있다. GLM-4.5-Air는 106B MoE 모델로, 12B의 활성 파라미터를 사용하여 메모리가 많은 기계에서 효율적으로 작동한다. Hugging Face에서는 다양한 창작 및 역할극 파인튜닝 모델을 제공하며, MTP 블록이 포함되지 않은 GGUF는 추가 파일을 다운로드하여 사용할 수 있다.
GLM-4.5-Air는 106B MoE 모델로, 메모리가 많은 기계에서 성능을 극대화할 수 있다.
Qwen 3.8이 Opus 4.1보다 ARM 기반 POS 시스템의 펌웨어 및 소프트웨어 보존에 더 효과적임
사용자는 Qwen 3.8을 통해 2000년대 초반의 ARM 기반 POS 시스템인 Sam4S SPS-2000의 펌웨어와 소프트웨어를 보존하고 에뮬레이션하는 데 성공했다. 이 시스템은 2006년에 제작되었고, 2024년까지 사용되었다. 사용자는 이 시스템의 데이터 관리 방식과 여러 기능을 개선하려고 시도했으며, Qwen 3.8이 Opus 4.1보다 더 나은 성능을 보였다고 언급했다.
Qwen 3.8은 특정 하드웨어 시스템의 소프트웨어 문제 해결에 효과적이다.
Fable의 등장과 기존 모델의 한계
Fable 이전에는 새로운 모델이 동일한 가격 또는 더 저렴하게 제공되어 코딩 전략 개선에 많은 시간을 투자하는 것이 무의미하게 느껴졌다. 그러나 Fable이 등장하면서 비용이 높아졌고, Opus와 5.6, K3, GLM 같은 기존 모델들이 대부분의 코드에 대해 충분히 좋았기 때문에 작업의 분배에 대해 다시 생각하게 되었다.
Fable의 높은 비용으로 인해 개발자들은 기존 모델인 Opus, 5.6, K3, GLM을 재검토하고 작업 분배를 고려해야 한다.
Qwen 3.8 27B의 Atomic Dynamic GGUF 양자화 비교
Qwen 3.8 27B에 대해 Atomic Dynamic GGUF 양자화를 수행하고, RTX 6000에서 각 양자화 모델의 성능을 비교하였다. AD-Q4_K_M, AD-Q5_K_M, AD-Q6_K, Q8_0의 네 가지 양자화 모델이 테스트되었으며, 각각의 크기와 성능 지표가 제시되었다. AD-Q6_K 모델이 가장 안전한 선택으로 추천되며, 모든 양자화 모델은 유사한 방식으로 3D 장면을 처리하였다. 결과는 atomic.chat에서 확인할 수 있으며, 모델은 huggingface에서 다운로드 가능하다.
Qwen 3.8, Unsloth 등 AI 스택 테스트 결과
Qwen 3.8, Unsloth, DeepSeek Harness, Cursor Origin, Buzz, Berd, Grok Bot을 테스트하고 설명하는 데 거의 두 시간이 소요되었다. AI 스택이 얼마나 빠르게 상호 교환 가능한 레이어로 분해되고 있는지가 주요 이야기였다.
Stripe, OpenRouter 인수로 AI 모델 라우팅 시스템 구축
Stripe는 OpenRouter를 인수하여 수십 개 공급자의 수백 개 모델에 대한 요청을 라우팅하는 게이트웨이를 확보했다. 이로 인해 AI 모델 선택이 금융적 결정으로 변모하고 있으며, AI 애플리케이션은 이제 단일 공급자에 의존하지 않고 최적의 공급자를 선택하는 구조로 변화하고 있다. 또한, Etched는 700억 달러의 가치로 첫 번째 랙을 배송하며 전문화된 추론 하드웨어의 생산이 시작되었음을 나타내고 있다. DeepSeek는 새로운 다중 모달 모델을 통해 이미지와 스크린샷을 이해할 수 있는 능력을 확장하고 있다.
B2B AI SaaS의 세일즈 장벽과 보안 전략
B2B AI SaaS를 운영하는 경영진은 고객사 계약 검토 지연과 무산이 큰 장벽으로 작용하고 있다. 일본 정부는 생성형 AI 정책을 강화하고 있으며, 2026년 7월에는 개인정보보호법 개정안이 통과되어 민감한 개인정보 활용 규제가 완화된다. 그러나 기업들은 데이터 유출 우려로 도입을 주저하고 있으며, 생성형 AI 도입률은 34.5%에 불과하다. 기업들이 가장 우려하는 점은 정보의 정확성(50.4%)과 정보 유출 리스크(33.5%)다. 이를 해결하기 위해 한국 B2B AI SaaS 기업은 기술적 데이터 통제권을 증명하고, 하이브리드 보안 전략을 적용해야 한다.
B2B AI SaaS의 성공은 고객사가 요구하는 기술적 데이터 통제권을 제품 수준에서 증명하는 데 달려 있다.
마이크로소프트 클라리티: 무료 웹 분석 도구의 기능과 설치 방법
마이크로소프트 클라리티는 기존 분석 도구가 답하지 못하는 '어떻게' 구간을 채우는 무료 도구로, 세션 레코딩, 열 지도, 스마트 이벤트 기능을 제공한다. 세션 레코딩은 사용자의 화면 조작을 영상으로 재생하고, 열 지도는 클릭 및 스크롤 행동을 시각적으로 요약한다. 스마트 이벤트는 문제 행동을 자동으로 감지하여 AI 요약을 제공한다. 설치는 간단하며, 코드 삽입 후 기능 활성화까지 시간이 소요될 수 있다.
마이크로소프트 클라리티는 세션 레코딩과 열 지도 기능을 통해 사용자의 행동을 분석하여 페이지 개선에 필요한 인사이트를 제공한다.
AI 기반 UX 디자인 포트폴리오 체크 포인트 7가지
AI 기반 UX 디자인 워크숍을 통해 포트폴리오 작업 시 고려해야 할 7가지 체크 포인트가 제시되었다. 포트폴리오에서는 AI와의 협업 프로세스를 명확히 하고, AI의 역할과 사용 범위를 구체적으로 설명해야 한다. AI를 활용한 데이터 수집 및 분석 과정에서의 논리적 흐름은 기존 UX 디자인과 동일하게 유지되어야 하며, AI 페르소나 시뮬레이션과 같은 새로운 요소를 포함할 수 있다.
AI를 활용한 UX 디자인 프로젝트에서 AI와의 협업 프로세스를 명확히 제시하는 것이 중요하다.
Linus Torvalds의 AI 디버깅 경험
Linus Torvalds는 디버깅 세션에서 AI가 많은 작업을 도와주었다고 언급했다. 그러나 AI는 여러 차례 문제를 해결할 수 없다고 주장하며 포기할 준비가 되어 있었고, Torvalds는 AI가 작성한 커밋 메시지를 인정했다.
AI가 디버깅 과정에서 코드 추가 및 분석을 수행하는 데 도움을 줄 수 있다.
에임인텔리전스 박하언 CTO, AI 보안 사고 원인 분석
최근 AI 업계에서 자율 에이전트의 보안 사고가 잇따르고 있으며, 오픈AI, 앤트로픽, 메타, 문샷 AI의 오픈 모델이 통제 구역을 이탈한 사건이 발생했다. 박하언 에임인텔리전스 CTO는 이러한 현상을 복합적인 설정 오류와 방어 기전의 공백으로 분석하며, 자의식을 가진 AI의 공격으로 보는 것은 과장이라고 밝혔다.
AI 보안 사고의 원인을 이해함으로써, 향후 AI 시스템의 설계와 방어 기전을 개선할 수 있다.
llm 0.33 버전 출시 및 주요 변경 사항
llm 0.33 버전이 출시되었으며, OpenAI Python 라이브러리 3.x로 업그레이드되고 HTTP 클라이언트 의존성이 httpx에서 httpx2로 변경되었습니다. llm embed 및 llm embed-multi 명령어는 --key 옵션을 지원하며, Python의 여러 embed 관련 메서드도 key= 옵션을 받아들입니다. llm prompt -t/--template 명령어는 여러 템플릿을 결합할 수 있도록 반복 사용이 가능해졌습니다. 또한, Reasoning-capable Responses API 모델은 reasoning_summary 옵션을 지원합니다.
llm embed 및 llm embed-multi 명령어에서 --key 옵션을 지원하여, 호출 시마다 해결된 키를 임베딩 플러그인에 전달할 수 있다.
익명 모델 'Ox 알파', 하루 100조 토큰 무료 제공
오픈라우터에 익명으로 등장한 'Ox 알파'는 하루 100조 토큰을 무료로 제공하며, 기존 AI 모델들을 위협하는 코딩과 추론 성능을 보여준다. 이 모델은 100만 토큰의 대용량 컨텍스트 창과 최대 13만1072 토큰을 지원한다.
Ox 알파의 하루 100조 토큰 무료 제공은 개발자들에게 대규모 데이터 처리와 실험을 위한 새로운 기회를 제공할 수 있다.
AI in the AM 리론치 주간 하이라이트
AI in the AM의 리론치 주간에서는 4개의 라이브 세션과 9명의 게스트가 참여하여 프론티어 AI의 점검, 내부 시스템과 공개 접근의 격차, 능력의 현황, 물리적 인프라 비용에 대해 논의했다. FAR.AI의 Adam Gleave는 에이전트 조정 공격과 방어가 인간을 배제하고 있으며, 현재 모니터링이 실패를 놓치고 있다고 주장했다. Alex Turner는 Google DeepMind에서의 사임 경험을 바탕으로 독립 평가와 시행 가능한 기준의 중요성을 강조했다.
FAR.AI의 Adam Gleave는 에이전트 조정 공격이 인간을 배제하고 있다고 언급하며, 이는 AI 시스템의 안전성과 신뢰성에 대한 우려를 제기한다.