Daily Briefing

November 9, 2026
2026-11-08
29 articles

Anthropic files S-1 with the SEC for proposed initial public offering

AI 기업 Anthropic이 미국 증권거래위원회(SEC)에 클래스 A 보통주 기업공개(IPO)를 위한 증권신고서(Form S-1)를 제출했습니다.

  • Anthropic이 나스닥 글로벌 셀렉트 마켓(Nasdaq Global Select Market)에 종목 코드 'ANT'로 상장을 추진합니다.
  • 공모 주식 수와 공모 희망가 범위는 아직 결정되지 않았습니다.
  • 증권신고서가 제출되었으나 아직 효력이 발생하지 않아 효력 발생 전까지는 증권 매매가 불가능합니다.
Notable Quotes & Details
  • 티커 심볼: ANT
  • 상장 시장: Nasdaq Global Select Market
  • 제출 서식: Form S-1

AI 산업 투자자, 금융 및 주식 시장 관계자, 테크 기업 분석가

AI for Science expands to foundations and research institutions

Anthropic이 고영향 과학 연구를 지원하기 위해 20개 글로벌 과학 재단 및 연구 기관과 협력하여 'AI for Science' 프로그램을 확대하고 무료 Claude 크레딧을 제공합니다.

  • 2025년 5월 시작된 'AI for Science' 프로그램을 개별 과학자 지원에서 20개 연구 기관 및 재단과의 글로벌 파트너십으로 확장
  • HHMI Janelia Research Campus와의 실험실 장비 제어 규격(Model Hardware Standard) 개발, Allen Institute의 AI 에이전트 데이터 분석 지원 등 협력 진행
  • 선정된 파트너 기관들을 통해 연구자들에게 Claude 크레딧을 분배하며 오픈 데이터셋, 오픈소스 소프트웨어 등 공공재 창출 목표
Notable Quotes & Details
  • 20 scientific foundations, institutions, and research groups
  • May 2025
  • Model Hardware Standard (MHS)
  • The institute is building teams of AI agents to analyze that data, turning months of manual analysis into hours.

과학 연구자, 과학 학술 및 연구 기관 관계자, AI 기반 과학 연구에 관심 있는 개발자

Expanding our partnership with GSA to bring Claude to all levels of government

Anthropic이 미국 연방조달청(GSA)과의 파트너십을 확대하여 연방 및 지방 정부 기관에 Claude 전 제품군을 40% 할인된 가격으로 공급하고 도입을 지원한다.

  • 미국 연방조달청(GSA)과의 신규 계약을 통해 Claude Enterprise, Claude for Government, Claude API에 대해 40% 할인을 제공하며, 정부는 약 10억 달러의 예산을 절감할 것으로 예상된다.
  • 약 500개 미국 정부 기관이 이미 Claude를 도입했으며, 2월 이후 주간 활성 사용자가 약 8배 증가하는 등 공공 부문 수요가 급성장하고 있다.
  • 유타주 개발자 생산성 향상, 랜섬웨어 8분 내 대응, 레거시 코드 현대화 등 공공 부문 전반에서 보안 및 업무 효율화 성과를 입증하고 있다.
Notable Quotes & Details
  • 40% discount on Claude Enterprise, Claude for Government, and the Claude API
  • estimated to save the government $1 billion
  • Approximately 500 US federal, state, and local government organizations now use Claude
  • Weekly Claude for Government active users are up about eightfold since February, and usage across federal civilian agencies has grown about 20-fold in a year
  • September 30

정부 및 공공 부문 IT 의사결정자, 클라우드 조달 담당자, 엔터프라이즈 AI 솔루션에 관심 있는 엔지니어

Donating Agent Skills to the Agentic AI Foundation

Anthropic이 AI 에이전트에게 전문 지식과 워크플로우를 제공하는 개방형 표준인 Agent Skills를 리눅스 재단 산하 Agentic AI Foundation(AAIF)에 기부했습니다.

  • Anthropic은 ChatGPT, Cursor, GitHub Copilot 등 70개 이상의 에이전트 플랫폼에서 통합된 Agent Skills 표준을 벤더 중립적이고 커뮤니티 주도적인 생태계 유지를 위해 AAIF에 기부했습니다.
  • Agent Skills 이름, 로고, GitHub 조직, agentskills.io 도메인이 기부되며, AAIF에 가입하지 않고도 누구나 표준을 사용하고 기여할 수 있습니다.
  • Anthropic, Google, OpenAI 등의 엔지니어들이 개인 자격으로 유지 관리에 참여하며 버전별 릴리스, 공식 제안 프로세스, 보안 가이드라인 등을 포함한 로드맵을 추진할 예정입니다.
Notable Quotes & Details
  • 70개 이상의 에이전트 플랫폼(ChatGPT, Cursor, GitHub Copilot, VS Code 등) 통합
  • December 2025: 표준 공개
  • October 2025: 출시
  • 현재까지 100만 개(1 million)의 스킬이 게시되었고, 약 2억 8천만 회(nearly 280 million) 설치됨
  • David Soria Parra 및 Mahesh Murag가 리드 메인테이너(Lead Maintainers)로 참여

AI 에이전트 개발자, 플랫폼 엔지니어 및 오픈소스 커뮤니티

Open call for guest investigators in the life sciences

Anthropic이 생명과학 분야 연구자들을 대상으로 Claude를 활용한 8~12주간의 공동 연구 프로젝트 지원자를 공개 모집한다.

  • 학계, 비영리단체, 정부 연구소의 수석 연구자 및 연구 그룹을 대상으로 신약 개발, 분자생물학 등 생명과학 과제 제안서를 접수한다.
  • 선정된 연구자는 Anthropic 연구진과 8~12주간 직접 협력하며, 모델 및 실행 환경을 무료로 지원받고 데이터에 대한 권리와 독립적 후속 연구 권리를 전적으로 보유한다.
  • 산출물은 공동 출판 및 오픈소스로 공개될 예정이며, 지원 기간은 약 14일간 진행된다.
Notable Quotes & Details
  • 8–12 weeks
  • approximately 14 days
  • Our team will run our models and harnesses at no cost to them.
  • Guest investigators retain the rights to their data at every step during their project.

생명과학, 신약 개발, 분자생물학 분야 학계 및 공공 연구자, AI 기반 과학 연구에 관심 있는 연구 그룹

Le Chonk brings the brains. Studio puts it to work.

Mistral AI가 향상된 코딩 및 문서 추론 성능을 갖춘 Mistral Large 4(Le Chonk)와 기업용 AI 에이전트 및 워크플로 구축 플랫폼인 Mistral Studio의 신규 기능을 공개했습니다.

  • Mistral Large 4(별칭 Le Chonk)는 고급 코딩, 방어적 사이버 보안, 복잡한 문서 추론 기능을 지원하는 새로운 오픈 모델입니다.
  • Mistral Studio는 클라우드, VPC, 온프레미스 환경 전반에서 관리형 에이전트, 워크플로, 엔터프라이즈 컨텍스트를 구축·배포할 수 있는 통합 엔터프라이즈 AI 플랫폼입니다.
  • 새로운 Mistral MCP 서버와 샌드박스, 하위 에이전트 기능 등을 통해 개발자가 기존 코딩 환경에서 단일 명령으로 에이전트를 테스트하고 Studio에 배포할 수 있습니다.
Notable Quotes & Details
  • Mistral Large 4 (Le Chonk)
  • ABANCA, Accenture, Alten, BNP Paribas, Capgemini, CMA CGM, Tata Consultancy Services

엔터프라이즈 AI 솔루션을 구축 및 도입하려는 기업 개발자, IT 의사결정권자, 시스템 아키텍트

Le Chonk: Built for Coders, Trusted by Defenders.

Mistral이 코딩과 사이버 보안 방어 및 추론 효율성을 대폭 개선한 1조 개 파라미터 규모의 완전 오픈 웨이트 모델인 Mistral Large 4(Le Chonk)의 가중치를 공개했습니다.

  • Mistral Large 4는 강화학습 고도화를 통해 코딩 에이전트 성능과 방어적 사이버 보안 역량을 크게 향상시키며 오픈 웨이트 벤치마크 선두에 올랐습니다.
  • 성능과 비용의 균형을 맞출 수 있도록 3단계 추론 모드를 지원하며, 더 적은 토큰 사용량으로 뛰어난 추론 효율성을 제공합니다.
  • 유럽 인프라에서 처음부터 학습된 오픈 모델로서 기업과 기관이 자체 호스팅을 통해 주권 AI(Sovereign AI)를 구축할 수 있도록 지원합니다.
Notable Quotes & Details
  • 1-trillion-parameter
  • FrontierCode 2.0 벤치마크 19.7% 점수로 선두 기록
  • Artificial Analysis Coding Agent Index 48% 기록 (GLM-5.3 대비 작업당 평균 47% 적은 토큰 사용)
  • Terminal-Bench 4.0에서 공개 프리뷰 대비 13%p 향상된 41% 기록 (출력 토큰 30% 감소)

AI 개발자, 소프트웨어 엔지니어, 사이버 보안 전문가, 엔터프라이즈 AI 아키텍트

Mistral Advances AI for Engineering with NVIDIA

Mistral과 NVIDIA가 협력하여 Mistral의 AI 모델과 NVIDIA 가속 컴퓨팅을 결합함으로써 차세대 엔지니어링 시뮬레이션 및 에이전트 AI 표준 벤치마크 구축에 나섭니다.

  • Mistral Large 4 모델과 물리 모델링 파이프라인을 NVIDIA CUDA-X 및 Warp와 결합하여 시뮬레이션 속도를 높이고 설계 전 과정을 연결하는 폐루프 워크플로우를 구현합니다.
  • NVIDIA Omniverse 라이브러리와 연동해 GPU 가속 기반의 3D 장면 생성 및 SimReady 에셋 제작을 지원합니다.
  • 항공우주, 자동차, 반도체 분야의 CAE 및 EDA 작업을 위한 공개 벤치마크와 데이터셋을 개발하여 물리 및 에이전트 AI 평가 표준을 확립합니다.
Notable Quotes & Details
  • Neil Ashton (Mistral 계산공학 부사장): "For too long, the pace of engineering has been set by the pace of simulation. With Mistral's open-weight models and physics AI capabilities, combined with NVIDIA’s accelerated computing stack, we’re giving engineers faster simulation cycles, as well as open benchmarks rigorous enough to validate agents on real CAE and EDA work."
  • Tim Costa (NVIDIA 산업 및 계산공학 부사장 겸 총괄매니저): "The next wave of engineering breakthroughs will come from exploring ideas that were once too complex or time-consuming to test."

산업 엔지니어링(CAE/EDA) 연구원, 시뮬레이션 소프트웨어 개발자 및 AI 솔루션 도입을 검토하는 산업 엔지니어

Voxtral 3

미스트랄 AI가 실시간 다단계 음성 대화 및 도구 연동을 지원하는 최첨단 음성 에이전트 SDK 및 음성 모델 제품군인 Voxtral 3를 발표했습니다.

  • 듣기(STT), 추론, 도구 호출, 말하기(TTS)를 단일 실시간 스트리밍 파이프라인으로 통합한 Voxtral 3 음성 에이전트 제품군 출시
  • 50개 이상의 언어 지원, 화자 분리(diarization), 컨텍스트 편향 기반 전사 정확도 향상 및 발화 종료 감지(end-of-turn detection) 기능 제공
  • EU 호스팅 API 또는 자체 인프라 배포 옵션을 통해 엄격한 데이터 주권 및 보안 통제권 보장
Notable Quotes & Details
  • 50+ languages
  • Voxtral Small Transcribe 3
  • Mistral’s EU-hosted API

실시간 음성 고객센터 솔루션, 가상 비서, 핸즈프리 코파일럿을 구축하려는 개발자 및 기업 엔지니어

Introducing Timestral

Mistral이 최대 209M 매개변수 규모로 주요 벤치마크 1위를 달성한 첫 번째 시계열 파운데이션 모델 제품군 Timestral을 공개했습니다.

  • Mistral의 첫 시계열 파운데이션 모델 Timestral은 5M부터 209M 매개변수까지 총 4개 크기로 제공되며, 확률론적 및 다변량 예측과 공변량을 지원합니다.
  • 가장 큰 209M 모델은 기존 SOTA 대비 3분의 2 수준의 매개변수로 GIFT-Eval, TIME, fev-bench 등 주요 공개 벤치마크에서 1위를 차지했습니다.
  • 합성 사전 훈련과 공변량 인지 어텐션을 결합해 CPU에서도 효율적으로 실행되며 미학습 데이터 대상의 제로샷 예측에 뛰어납니다.
Notable Quotes & Details
  • 209M parameters
  • GIFT-Eval, TIME, fev-bench
  • 5M, 28M, 123M and 209M parameters
  • ranks first on all three of the field's main public benchmarks

시계열 데이터를 다루는 데이터 사이언티스트, 머신러닝 연구자 및 센서/금융/공급망 분석 담당 엔지니어

Google AI Releases Elephant-Goldfish Model Plugin for Spec-First Coding

Google이 AI 코딩 에이전트가 코드를 작성하기 전 사양서를 먼저 작성하고 독립된 하위 에이전트들이 이를 검증하도록 하는 Elephant-Goldfish Model(EGM) 플러그인을 오픈소스로 공개했습니다.

  • EGM은 긴 맥락을 유지하며 사양서를 작성하는 'Elephant'와 이전 대화 기록 없이 사양서만을 독립적으로 검증하는 무상태 하위 에이전트 'Goldfish'의 협업 워크플로우를 제공합니다.
  • 브레인스토밍(/egm-brainstorm), 사양서 작성(/egm-draft), 5단계 심층 리뷰(/egm-review), 사양 대비 코드 드리프트 리포트(/egm-drift-report)의 핵심 루프로 구성되어 있습니다.
  • 새로운 언어 모델 가중치가 아닌 Apache 2.0 라이선스 플러그인 형태로, Antigravity, Claude Code, Codex 등 독립된 하위 에이전트를 생성할 수 있는 다양한 에이전트 환경을 지원합니다.
Notable Quotes & Details
  • Size: 7 skills, 9 reviewer personas, 6 brainstorm lenses, 5 review stages
  • Codex 0.163.0 completed 15 native fresh-context reviewers in order. 2 live tests passed in 573.13s
  • The README states it is not an officially supported Google product
  • Issue #237 reports AGENTS.md leaking into Codex reviewers

AI 코딩 에이전트를 활용하여 소프트웨어 개발 생산성을 높이고 설계 오류나 맥락 붕괴를 사전에 방지하려는 소프트웨어 엔지니어 및 개발팀

Which Routing Does Each MoE Model Use? DeepSeek, Qwen, Mixtral, Llama 4, gpt-oss Compared

주요 오픈소스 MoE(Mixture-of-Experts) 모델들의 토큰 라우팅 아키텍처와 로드 밸런싱 방식의 차이점을 비교 분석한 기사이다.

  • 오픈소스 MoE 모델들은 모두 토큰 선택형 라우팅 방식을 채택하고 있으나 전문가 수(8~384개), 토큰당 할당 전문가 수(Top-k 1~8), 공유 전문가 유무, 점수화 함수, 부하 분산 기법 등 5가지 핵심 요소에서 큰 차이를 보인다.
  • DeepSeek-V3와 V4는 보조 손실 없이 편향(bias)을 활용하는 noaux_tc 방식을 적용하며, DeepSeek-V4는 상위 3개 레이어에 고정 해시 라우팅을 도입하고 sqrtsoftplus 채점 함수를 사용한다.
  • Kimi K2의 경우 희소도(sparsity) 48 구성이 동일 검증 손실 기준 희소도 8 대비 1.69배 적은 FLOPs를 소모하는 등 높은 효율성을 보였으나, Llama 4 Maverick 및 gpt-oss 등 일부 모델은 게이팅이나 밸런싱 세부 정보를 공개하지 않았다.
Notable Quotes & Details
  • Qwen3.6-35B-A3B(35B total, 3B active)부터 DeepSeek-V4-Pro(1.6T total, 49B active)까지 10개 모델 비교
  • 라우팅 희소성(Routed sparsity)은 Mixtral의 4배(8개 전문가, top-2)에서 Llama 4 Maverick의 128배(128개 전문가, top-1)까지 다양함
  • Kimi K2는 동일한 검증 손실에서 희소도 48이 희소도 8에 비해 FLOPs를 1.69배 적게 소모함
  • DeepSeek-V4-Pro는 전문가 수를 384개로 늘리고 top-k를 6으로 낮췄으며 최초 3개 MoE 레이어에 해시 라우팅 적용

LLM 아키텍처 및 MoE 라우팅 최적화 기법에 관심 있는 AI 엔지니어, 연구원 및 개발자

MoE Routing Strategies Explained: Top-K, Expert-Choice, Sigmoid Gating and Dynamic Routing (2026 Guide)

주요 오픈소스 MoE 언어 모델에서 활용되는 다양한 라우팅 전략의 원리와 장단점 및 적용 사례를 설명한 기술 가이드이다.

  • MoE 모델은 라우터를 통해 각 토큰을 처리할 소수의 전문가(Expert)를 선택하며, 이는 서빙 비용과 로드 밸런싱에 큰 영향을 미친다.
  • Softmax Top-K, Top-1 스위치, 공유 및 라우팅 전문가 결합, 보조 손실 없는 시그모이드 게이팅 등 다양한 프로덕션 라우팅 기법이 활용된다.
  • 2026년 기준 시그모이드 점수 측정과 편향(bias) 기반 무손실 밸런싱이 주요 프론티어 오픈 MoE 모델의 지배적인 방식으로 자리 잡았다.
Notable Quotes & Details
  • Routers choose from 8 experts (Mixtral) to 384 (DeepSeek-V4-Pro), activating 1 to 8 per token.
  • Loss-free balancing cut MaxVio from 0.72 to 0.04 at 1B, with lower perplexity.
  • DeepSeek-V3 uses 1 shared and 256 routed experts, activating 8.
  • Mixtral 8x7B gives each token access to 47B parameters but uses 13B active parameters.

LLM 아키텍처 및 분산 서빙 인프라를 연구·개발하는 머신러닝 엔지니어 및 연구원

Nous Research Releases Arete-27B that Cuts Qwen3.8-27B Propaganda From 22% to 0.9%

노우스 리서치(Nous Research)가 알리바바의 Qwen3.8-27B에서 중국 정부 편향 프레임을 대폭 제거한 미세조정 오픈 모델 'Arete-27B'를 공개했습니다.

  • 지도 학습 미세조정(SFT)만 적용하여 기본 Qwen 모델의 성능 저하 없이 프로파간다 포함 응답 비율을 기존 22%에서 0.9%로 크게 낮췄습니다.
  • 씽킹 머신스(Thinking Machines)의 오픈 모델 'Inkling'을 교사 모델로 활용하여 5,280만 토큰 및 64k 컨텍스트 길이로 학습을 진행했습니다.
  • 모델 가중치(BF16 및 24GB VRAM 지원 양자화 버전), 803개 프롬프트 기반 평가 세트, 34,878개 학습 데이터 쌍을 모두 오픈소스로 공개했습니다.
Notable Quotes & Details
  • Propaganda rate 0.9%, down from 22% for base Qwen3.8-27B
  • BF16 weights are 53.81 GB. A community Q4_K_M quant is 17.20 GB, sized for 24 GB consumer GPUs.
  • Fact mean rose from 2.32 to 2.98 of 5
  • The released arete-data-pairs set holds 34,878 prompts across 7 topics.

중국 정부 편향이나 검열 없이 Qwen급 고성능 에이전트 기능을 로컬 또는 프라이빗 환경에서 활용하려는 AI 개발자 및 연구자

Show GN: Boxdawn guard - Claude Code가 위험한 명령을 실행하기 전에 판정하는 플러그인

Claude Code가 위험한 Bash 및 PowerShell 명령어를 실행하기 전에 차단하거나 확인을 요구하도록 돕는 보안 플러그인 Boxdawn guard를 소개합니다.

  • 프로젝트 디렉터리 외부 삭제 및 덮어쓰기, Git force push, reset --hard, 조건절 없는 DROP/DELETE, terraform destroy, kubectl delete 등 위험 명령어 차단 및 확인 기능 제공
  • .env 및 SSH 키 같은 비밀 파일이 이름으로 접근될 때 확인을 요구하고 외부 유출을 거부하며, grep -r 검색 대상에서 제외
  • 위험 명령 외 일반 작업은 Claude Code 기본 권한 설정에 맡겨 개발 흐름 방해 최소화
Notable Quotes & Details
  • rm -rf tests/patches/plan/ ~/ → 거부 「rm: 프로젝트 밖까지 닿습니다: ~/」

Claude Code를 사용하는 개발자 및 시스템 엔지니어

Show GN: 라플라스의 가위 - LLM을 재학습하지 않고, 출력 가중치만 안전하게 수정.

LLM을 재학습하지 않고 출력 가중치의 방향을 조절해 기존 성능을 보존하며 답변을 수정하는 도구 '라플라스의 가위'를 소개합니다.

  • 모델 재학습 없이 출력 가중치 방향 조절만으로 원하는 답변 유도 가능
  • 기존의 정상적인 정답 능력을 안전하게 보존 유지
  • 모델 자체는 고정한 채 하네스를 스스로 수정하는 Self-Evolving Agent Harness 관련 기술 공유
Notable Quotes & Details
  • 2026-11-08

LLM 모델 미세 조정 및 에이전트 시스템을 개발하는 연구자 및 엔지니어

`free-router 실사용 후기 — 무료 AI 모델을 코딩 에이전트에 붙여 며칠 써보며 겪은 것`

NVIDIA NIM 및 OpenRouter의 무료 AI 모델을 핑 테스트 기반으로 선별하여 코딩 에이전트에 연동해주는 CLI 도구 free-router의 실제 사용 후기입니다.

  • free-router는 무료 모델의 지연 시간을 실시간 측정해 OpenCode, OpenClaw, Hermes Agent 등의 코딩 에이전트에 공급하는 도구입니다.
  • Claude Code는 지원하지 않아 주요 개발 작업보다는 가벼운 사이드 작업용으로 적합합니다.
  • 모델 티어(Tier) 등급은 고정되어 있으나 실제 가동률과 부하 상태는 실시간으로 크게 변동됩니다.
Notable Quotes & Details
  • S+ 모델 가동률 83%→74% 하락 (Normal→Overloaded)
  • 가동률 100%(Perfect)였던 모델이 90%(Overloaded)로 변동

무료 AI 모델을 활용해 코딩 에이전트를 구성하려는 개발자 및 엔지니어

Claude와 작별하고 Pi로

1년 이상 Claude Code를 사용하던 개발자가 여러 불편과 제약으로 인해 주력 코딩 도구를 Pi로 전환한 경험을 공유합니다.

  • CLAUDE.md와 AGENTS.md 간의 복사 및 심볼릭 링크 관리, VSCode에서 단일 세션만 연결 가능한 점 등 기존 작업 흐름의 제약이 발생함
  • 공식 VSCode GUI 확장의 슬래시 명령 미지원, 커스텀 상태 표시줄 부재, 뒤섞이는 서브에이전트 출력 등 사용성 문제가 존재함
  • 작성 시점 기준 올해 244회 릴리스 중 4분의 3 이상에서 시스템 프롬프트나 도구 설명이 변경되는 등 잦은 변화에 따른 피로도가 누적됨
Notable Quotes & Details
  • 올해 244회 릴리스 중 4분의 3 이상에서 시스템 프롬프트나 도구 설명이 바뀜

AI 코딩 도구를 활용하는 소프트웨어 개발자

Notes: 내용 불완전

Memorilla: LLM을 위한 잠재 의미 메모리

전체 문서 임베딩에서 필요한 정보를 16개의 메모리 토큰으로 압축해 고정된 LLM에 전달함으로써 추론 속도와 성능을 대폭 개선한 잠재 의미 메모리 시스템 Memorilla 소개

  • 문서를 한 번 인코딩하여 재사용하며, 학습 가능한 메모리 모듈이 질의에 맞춰 전체 문서 임베딩에 어텐션을 적용하고 16개 메모리 토큰으로 LLM에 전달함
  • 개인화, 장문 이해, 지식 집약적 질의응답 벤치마크에서 Mem0 및 MemoRAG 등 기존 비교군 대비 가장 높은 평균 성능을 기록함
  • 단일 H100 GPU 환경에서 512개 문서를 처리할 때 응답 생성 시간을 기존 19.9초에서 0.74초로 단축하여 약 27배 빠른 속도를 달성함
Notable Quotes & Details
  • 16개 메모리 토큰
  • 단일 H100에서 문서 512개를 처리한 실험에서 전체 응답 생성 시간이 19.9초에서 0.74초로 단축 (약 27분의 1 수준)
  • Mem0, MemoRAG

LLM 메모리 아키텍처 및 긴 문맥 처리 최적화에 관심 있는 AI 연구자 및 엔지니어

What if diffusion models generates Neural Network weights? Gen AI generate Gen AI [R]

이미지의 픽셀 대신 신경망의 가중치(weights)를 직접 생성하는 확산 모델(Diffusion Model) 아이디어와 개념 증명(PoC) 프로젝트를 소개하는 글입니다.

  • 자연어 프롬프트로부터 픽셀 행렬 대신 신경망 가중치 행렬을 직접 생성하는 생성형 AI 개념을 제안했습니다.
  • z.ai zcode와 GLM 모델의 도움을 받아 GitHub에 소규모 실험용 PoC 구현체(nngen) 및 테스트 웹앱을 공개했습니다.
  • 노트북 CPU를 이용해 3,000/4,000 스텝 훈련을 진행 중이며, 커뮤니티에 유사 연구 논문 공유 및 기여를 요청하고 있습니다.
Notable Quotes & Details
  • https://github.com/vagrillo/nngen
  • 3000/4000 steps

머신러닝 연구자 및 신경망 가중치 생성 기법에 관심 있는 AI 엔지니어

Locally trained VLA model with minimal attention based vision encoder. [p]

대규모 순환 상태 행렬과 최소한의 어텐션 기반 비전 인코더를 결합하여 로컬 환경에서 직접 학습시킨 VLA(Vision-Language-Action) 에이전트 프로젝트의 구현 및 실험 과정 공유.

  • RNN 스타일의 연속적 상태 유지를 선호하여 768x768 크기의 대규모 재귀 상태 행렬과 셀 단위 LSTM 유사 게이트를 적용한 2,556만 파라미터 규모의 모델을 설계함.
  • 초기 언어 모델링 학습 체크포인트를 기반으로 시각 및 행동을 처리하는 VLA 작업으로 전환하여 텍스트 프롬프트에 맞춰 대상을 식별하는 에이전트로 학습시킴.
  • 총 파라미터 중 절반가량(1,297만 개)이 기존 49k 어휘 디코더에 할당되어 있으며, 현재는 텍스트 생성 능력 대신 최소한의 텍스트 지시 수행 기능만 유지함.
Notable Quotes & Details
  • 총 모델 파라미터 수: 25,561,354
  • 레거시 49k 어휘 디코더 파라미터 수: 12,976,128
  • 재귀 상태 행렬 크기: 768x768
  • 초기 언어 모델 학습: 배치 수 8, 에피소드당 160 토큰, 약 150k 스텝 동안 약 200m 토큰 학습
  • 데이터셋 구성 중 약 10%가 4chan 데이터로 포함됨

로보틱스, VLA 아키텍처 및 RNN 기반 대안 신경망 구조에 관심 있는 AI/ML 연구자 및 개발자

[R] Pre-registered replication of "Dreaming neural networks" (Hopfield unlearning, Fachechi et al. 2019) — submitted to ReScience C, code + data + pre-registrations public [R]

Fachechi 등의 2019년 홉필드 신경망 비학습(꿈) 커널 논문을 사전 등록 방식으로 재현하고 추가 대조군 실험을 진행한 연구 결과가 공개되었습니다.

  • Fachechi 등의 홉필드 비학습 커널을 NumPy로 재구현하여 t = 10 조건에서 실증 용량이 약 3.86배, 상관 패턴에서는 9.06배 증가함을 확인했습니다.
  • 원 논문에는 없던 균일 축소 대조군(uniform-shrink control)을 추가하여 단순 결합 축소 효과와 꿈(dreaming) 메커니즘의 고유 효과를 분리 검증했습니다.
  • 실험 설계와 코드를 사전에 깃 태그로 고정해 투명성을 확보했으며, 결과는 ReScience C 저널에 제출되어 오픈소스로 공유되었습니다.
Notable Quotes & Details
  • N = 1 000, 조건당 10 seeds
  • t = 10에서 실증 용량 3.86배 증가 [3.79, 3.93]
  • 상관 패턴(ancestor overlap 0.15)에서 용량 9.06배 증가
  • github.com/hypneum-lab/rescience-nh01 (태그 submission-20261031)

인공신경망 이론, 홉필드 네트워크, 재현성 연구 및 머신러닝 기초 과학에 관심 있는 연구자 및 개발자

I trained a playable diffusion world model of Pokémon Red, plus a game agent harness on the same System 1/2 split as Krafton's PUBG Ally. Can this be ICLR-workshop worthy? [P]

플레이 가능한 포켓몬스터 레드 디퓨전 월드 모델과 크래프톤 PUBG Ally 스타일의 System 1/2 게임 에이전트 하네스를 구축한 개인 연구 프로젝트 소개.

  • DIAMOND 스타일 EDM U-Net(16.7M 파라미터)을 활용해 이전 4개 화면과 키 입력을 바탕으로 다음 화면을 생성하는 포켓몬스터 레드 디퓨전 월드 모델을 학습함
  • 크래프톤의 PUBG Ally 구조와 유사하게 RAM 분석 및 목표 설정을 맡는 느린 사고 레이어(System 2)와 월드 모델 상상 속에서만 학습된 빠른 반응형 이동 정책(System 1)으로 에이전트 하네스를 분리 구현함
  • 단일 가정용 RTX 4090 GPU로 50.0시간 동안 학습하여 실제 게임 환경에서 30회 시도 중 30회 모두 첫 번째 체육관 배지를 획득하는 데 성공함
Notable Quotes & Details
  • 16.7M parameters, 72×80 greyscale, DIAMOND-style EDM U-Net
  • 5 of the 6 local LLMs I tested got the badge 10/10; the best one needed a median 7,144.5 button presses vs 8,779.5 for my hand-written rules
  • 50.0 GPU-hours of training on one RTX 4090 at home
  • wins the first gym badge in the real game 30/30 runs
  • upsampler (72×80 → 144×160, 0.72M params) and a per-pixel colorizer (1.91M params, 99.27% colour accuracy on held-out frames)

월드 모델, 강화학습 및 게임 AI 에이전트에 관심 있는 AI 연구자 및 개발자

Advice needed regarding classical ML conference submission [D]

전통적 머신러닝 연구 결과를 주요 학회에 투고하는 과정에서 겪는 어려움과 이에 대한 조언을 구하는 글입니다.

  • 작성자는 박사 과정 중 SVM 및 로지스틱 회귀(LR)와 관련된 독창적인 고전적 ML 연구 성과를 도출함
  • 리뷰어들은 연구의 혁신성을 인정했으나, AC(에어리어 체어)는 이미 끝난 주제라며 논문을 기각함
  • 최상위 학회에서 딥러닝과 LLM 연구만 수용되는지 의문을 표하며 저널 투고나 아카이브(arXiv) 공개 등 대안을 고민함
Notable Quotes & Details
  • this is a done and dusted topic

머신러닝 연구자, 대학원생, AI 학회 투고를 준비하는 연구 인력

과학자들은 AI를 어떻게 쓸까…앤트로픽 "데이터 분석 1위, 가설 생성 4%"

앤트로픽의 대규모 조사 결과, 과학자들은 AI를 데이터 분석과 논문 작성에 주로 활용하며 가장 중요하게 여기는 가설 생성에는 거의 쓰지 않는 것으로 나타났습니다.

  • 앤트로픽이 클로드 연구 세션 20만7049건과 과학자 528명 설문을 분석한 결과, 연구자들의 AI 활용은 데이터 분석(33.7%)과 글쓰기·소통(32.0%)에 약 66%가 집중되어 있었습니다.
  • 과학자들은 가설 생성을 가장 중요한 연구 활동(100점 만점 중 35.6점)으로 꼽았으나, 실제 AI를 가설 생성에 활용하는 비중은 클로드 4.2%, 클로드 코드 2.1%에 불과했습니다.
  • 전문 연구 도구와 과학 데이터베이스를 연동한 '클로드 사이언스' 환경에서는 가설 생성 비중이 8%로 증가하여 일반 클로드 대비 2배 수준을 보였습니다.
Notable Quotes & Details
  • 8월2일부터 9월30일까지 과학 연구 관련 세션 20만7049건 분석 및 과학자 528명 설문조사
  • 일반 클로드 연구 업무 비중: 데이터 분석 33.7%, 글쓰기·소통 32.0%, 가설 생성 4.2%
  • 클로드 코드 데이터 분석 비중: 48.1%, 가설 생성 2.1%
  • 연구 중요도 배분 평가: 가설 생성이 35.6점으로 1위
  • 전문 도구 연동 '클로드 사이언스'의 가설 생성 비중: 8%

과학 연구자, AI 연구개발자, 학술·연구 기관 관계자

앤트그룹, '링 3.2 플래시' 공개…시각 이해 평가서 클로드 오퍼스 5 앞서

중국 앤트그룹이 시각 이해와 웹 제작 평가에서 우수한 성적을 거두고 가격 경쟁력을 갖춘 기업용 멀티모달 AI 모델 '링 3.2 플래시'를 공개했다.

  • 총 5600억 개의 매개변수 중 250억 개만 활성화하는 MoE 구조를 채택해 연산 부담을 줄이고 최대 100만 토큰의 문맥 처리를 지원한다.
  • 옴니독벤치 1.5, 제로벤치, 비전투웹 등 시각 및 문서 이해 평가에서 클로드 오퍼스 5를 앞섰으며, 디자인아레나 웹 제작 부문 10위를 기록했다.
  • 입력 100만 토큰당 0.30달러, 출력 100만 토큰당 0.90달러의 저렴한 비용과 기존 오픈AI·앤트로픽 API 형식 호환성을 바탕으로 기업용 에이전트 시장을 공략한다.
Notable Quotes & Details
  • 총 5600억개 매개변수 중 추론 시 250억개(약 4.5%) 활성화하는 MoE 구조
  • 최대 100만토큰 문맥 처리
  • 옴니독벤치 1.5(OmniDocBench 1.5) 92.21점 (클로드 오퍼스 5: 90.56점)
  • 디자인아레나(DesignArena) Elo 점수 1238점으로 10위 기록
  • 가격: 입력 1M 토큰당 $0.30, 출력 1M 토큰당 $0.90, 출시 후 2주간 API 무료 제공

AI 에이전트 및 멀티모달 솔루션을 구축하는 개발자와 기업 IT 의사결정권자

오픈AI, '이미지 2.6' 프롬프트 가이드 공개…"바꿀 것과 유지할 것 구분하라"

오픈AI가 이미지 생성 및 정밀 편집의 정확도를 극대화하기 위한 '이미지 2.6' 공식 프롬프트 작성 가이드를 공개했습니다.

  • 이미지 생성 시 용도·구도·제약 조건을 구체적으로 명시하고, 편집 시에는 변경할 부분과 유지할 요소를 명확히 분리해 지정할 것을 권장함
  • API 모델은 속도에 맞춘 경량 모델 '플레어(Flare)'와 정밀 작업용 기본 모델 '선버스트(Sunburst)'로 나뉘며, 사전 계획 수준인 '복잡도'와 세부 묘사인 '화질' 설정을 작업 성격에 맞게 분리 조절 가능
  • 투명 마스크 이미지를 활용한 부분 수정, 반복 재생을 고려한 GIF 동작 설계, 텍스트의 정확한 표기 및 도표 정보 검증 원칙 제시
Notable Quotes & Details
  • 7일(현지시간)
  • GPT-Image-2.6
  • 플레어(Flare)
  • 선버스트(Sunburst)

생성형 AI 기반 이미지 제작자, 프롬프트 엔지니어, 개발자

AI도 가성비 시대…카페24, '토큰 비용' 관리 나선다

AI 토큰 비용 급증에 대응해 작업 난이도와 비용에 맞춰 최적의 모델을 자동 분배하고 관리하는 '모델 라우팅' 서비스가 국내 기업들을 중심으로 확산되고 있습니다.

  • AI 토큰 처리량 증가로 비용 관리의 중요성이 커지면서 작업 성격에 맞게 최적의 AI 모델을 동적으로 연결하는 모델 라우팅 기술이 부상하고 있습니다.
  • 카페24는 단일 API로 270여 종의 모델을 연결하고 최적 경로 자동 선택 및 장애 시 우회 기능을 제공하는 'LLM 라우터'를 선보였습니다.
  • KT(토큰팩토리), 래블업(컨티넘 엔터프라이즈) 등 통신 및 AI 인프라 기업들도 다중 AI 모델 통합 관리 및 비용 통제 솔루션 공급에 적극 나서고 있습니다.
Notable Quotes & Details
  • 오픈라우터 주간 토큰 처리량: 지난해 10월 4조 8900억 개에서 지난달 172조 개로 1년 만에 약 35배 증가
  • IT 운영 및 엔지니어링 전문가 2050명 중 55%가 AI 비용을 정확히 통제하지 못한다고 응답 (2026 스플렁크 보고서)
  • IDC 전망: 2028년까지 AI 활용 선도기업의 70%가 다중 AI 모델 동적 연결·관리 아키텍처 활용 전망
  • 카페24 LLM 라우터 지원 모델 수: 초기 120여 개에서 최근 270여 종으로 확대
  • "AI 활용이 늘어날수록 업무 특성에 맞는 모델 선택과 사용량·비용을 통합 관리하는 역량이 기업의 중요한 경쟁력이 될 것" - 카페24 관계자

생성형 AI 도입 및 운영 비용 최적화에 관심 있는 IT 개발자, 엔지니어, 인프라 관리자 및 기업 의사결정권자

챗GPT, 한국서 1800만명 넘게 쓴다…이용시간도 2배 급증

국내 챗GPT 모바일 앱 월간 활성 이용자가 1800만 명을 돌파하고 사용시간이 2배 이상 급증한 가운데, 클로드의 가파른 성장세와 기타 서비스의 희비가 엇갈리고 있습니다.

  • 챗GPT 모바일 앱의 지난달 국내 MAU가 1876만 명을 넘어서며 전년 대비 43.8% 증가했고, 총사용시간은 113.9% 급증했습니다.
  • 앤트로픽 '클로드'는 MAU가 1년 전 대비 약 15배 늘어난 210만 명을 기록하며 국내 AI 앱 이용자 순위 2위로 부상했습니다.
  • 반면 SK텔레콤 '에이닷'과 '퍼플렉시티'는 전년 대비 MAU가 각각 42.5%, 30.9% 감소세를 보였습니다.
Notable Quotes & Details
  • 챗GPT 앱 지난달 MAU 1876만 2276명 (전년 동월 대비 43.8% 증가)
  • 챗GPT 앱 총사용시간 약 5098만 시간 (전년 동월 대비 113.9% 증가)
  • AI 앱 이용자 중 챗GPT 점유율 약 91%
  • 클로드 앱 MAU 약 210만 명 (전년 동월 약 14만 명 대비 15배 증가)
  • 에이닷 MAU 전년 동월 대비 42.5% 감소(약 107만 명), 퍼플렉시티 30.9% 감소(약 57만 명)

국내 생성형 AI 시장 동향 및 모바일 앱 이용 트렌드에 관심 있는 IT·비즈니스 관계자 및 일반 이용자

Jooojub
System S/W engineer
Explore Tags
Series
    Recent Post
    © 2026. jooojub. All right reserved.