Viola AI Hub

OpenAI, 우크라이나 민간 방어를 위한 사이버 접근 확대OpenAI extends cyber access to Ukraine for civilian defense

OpenAI는 민간 인프라의 사이버 방어를 지원하기 위해 Daybreak 프로그램을 우크라이나 정부에 확대 제공합니다.OpenAI is extending access to its Daybreak program to the Government of Ukraine to support the cyber defense of civilian infrastructure.

Grab과 OpenAI, 동남아시아에 실용적인 AI 기술 제공Grab and OpenAI bring practical AI skills to Southeast Asia

OpenAI와 Grab은 동남아시아 전역에서 30,000명의 파트너가 실용적인 AI 기술을 구축하도록 돕는 지역 프로그램인 GO Forward with AI를 출시합니다.OpenAI and Grab launch GO Forward with AI, a regional programme helping 30,000 partners build practical AI skills across Southeast Asia.

GPT-6를 위한 향상된 프롬프트 캐싱Better prompt caching for GPT-6

GPT-6가 더 높은 캐시 히트율, 새로운 진단, 명시적 중단점 및 지연 시간과 비용을 줄이는 제어를 통해 프롬프트 캐싱을 개선하는 방법을 알아보세요.Learn how GPT-6 improves prompt caching with higher cache hit rates, new diagnostics, explicit breakpoints, and controls that reduce latency and costs.

GPT-6 Sol 및 Luna 소개Introducing GPT-6 Sol and Luna

일상 업무에 최첨단 지능을 제공하는 두 가지 모델, GPT-6 Sol 및 Luna를 만나보세요. 이 모델들은 기능과 비용의 다양한 균형을 제공합니다.Meet GPT-6 Sol and Luna, two models that bring frontier intelligence to everyday work with different balances of capability and cost.

GPT-6 Astra로 연구 시간 및 비용 절반으로 단축Parallel cut research time and cost in half with GPT‑6 Astra

GPT-6 Astra를 통해 Parallel의 에이전트는 이전 모델 대비 절반의 시간과 비용으로 노동 시장 데이터를 연구하고 종합할 수 있었습니다.GPT‑6 Astra allowed Parallel’s agents to research and synthesize labor-market data in half the time and at half the cost vs. prior models.

효과적인 제3자 평가를 위한 우선순위 및 원칙Priorities and principles for effective third party assessments

OpenAI는 최첨단 모델 및 안전 장치에 대한 엄격하고 안전하며 독립적인 제3자 AI 안전 평가를 위한 우선순위와 원칙을 개괄합니다.OpenAI outlines priorities and principles for rigorous, secure, and independent third-party AI safety assessments of frontier models and safeguards.

SpaceXAI가 Grok Bot을 사용하여 고객 지원을 확장하는 방법How SpaceXAI is using Grok Bot to scale customer support

SpaceXAI와 Cursor의 통합 지원 운영을 Grok Bot 중심으로 재구축하여 인력 증원 없이 훨씬 더 광범위한 제품 포트폴리오로 확장했습니다.We rebuilt the combined SpaceXAI and Cursor support operation around Grok Bot, expanding to a much broader product portfolio without adding headcount.

Grok 4.7 소개Introducing Grok 4.7

코딩 및 지식 업무를 위한 SpaceXAI의 가장 강력한 모델입니다. 비교 가능한 모델보다 2배 빠르고 가격은 절반입니다.SpaceXAI's most powerful model for coding and knowledge work. Twice as fast, at half the price of comparable models.

새로운 전문가들이 Google의 AI 및 경제 팀에 합류New experts join Google’s AI & Economy team

녹색 격자 배경에 "AI 및 경제 연구 프로그램" 텍스트, 오른쪽 하단 모서리에 Google G 로고Text "AI & Economy Research Program" all over a green grid background, with the Google G logo in the bottom right corner

Accenture와 임베디드 평가 파트너십 체결Partnering with Accenture on embedded evaluation

우리는 Accenture와 함께 최첨단 AI의 독립적인 평가를 진행합니다. 이는 최근 Anthropic에 평가자를 임베딩하기로 한 약속의 일부입니다. 우리와 Accenture는 향후 5년간 이 분야의 역량을 구축하기 위해 최소 10억 달러를 투자할 것으로 예상합니다.We’re partnering with Accenture on independent evaluation of frontier AI—part of our recent commitment to embed evaluators at Anthropic. Both we and Accenture expect to invest at least $1 billion to build capacity in this area over the next five years.

Ema, AI가 기업용 소프트웨어 및 서비스 시장에 진출하며 7,700만 달러 투자 유치Ema raises $77M as AI starts eating into enterprise software and services

Ema는 현재까지 총 1억 4천만 달러를 투자받았으며, Google 및 Microsoft를 포함한 50개 이상의 기업 고객을 확보하고 있습니다.Ema has raised $140 million to date and has more than 50 enterprise customers, including Google and Microsoft.

“우리는 이미 어제의 전투를 싸우고 있습니다”: 그리스 총리의 솔직한 AI 발언‘We’re already fighting yesterday’s battle’: Greece’s prime minister gets candid about AI

무역 사절단에 참여한 대부분의 지도자들은 홍보에 집중하지만, 이번 주 키리아코스 미초타키스 그리스 총리와의 인터뷰에서 그는 어떤 정부도 AI가 곧 닥칠 일에 대비하지 못하고 있다고 인정했습니다.Most leaders on a trade mission stick to the pitch, but when I interviewed Greek Prime Minister Kyriakos Mitsotakis this week, he also admitted that no government is ready for what AI is about to do.

TechCrunch Founder Summit 일정 공개: 11월 4일 보스턴에서 펀딩, 채용, AI 인사이트 확보TechCrunch Founder Summit’s agenda revealed: Unlock fundraising, hiring, and AI insights in Boston on November 4

창업가들은 가장 어려운 교훈을 가장 힘든 방식으로 배울 필요가 없습니다. TechCrunch Founder Summit은 회사 설립의 어려움을 덜어주고 성공의 기쁨을 더욱 크게 만들기 위해 설계되었습니다.Founders shouldn't have to learn the hardest lessons the hardest way. TechCrunch Founder Summit is designed to make the challenges of starting a company easier and the highs that much greater.

OpenAI, 다시는 실수하지 않기 위해 엘리트 수학자들과 협의OpenAI wants to consult elite mathematicians about how to not fumble again

일련의 엄청난 수학적 성과를 평판 위기로 몰고 간 후, OpenAI는 덜 재앙적인 길을 찾기 위해 인간 수학자들과 협의하고 있습니다. 월요일, 이 회사는 수학 연구 및 더 넓은 분야와의 상호 작용에 대해 자사와 다른 AI 회사들에 조언할 임무를 맡은 새로운 독립 수학자 패널을 발표했습니다.After turning a string of spectacular mathematical results into a reputational crisis, OpenAI is consulting human mathematicians to help it figure out a less disastrous path forward. On Monday, the company announced a new independent panel of mathematicians tasked with advising it and other AI compa

Claude Opus 5.5Claude Opus 5.5

Claude Opus 5.5는 에이전트 코딩 및 지식 작업에서 선두를 달리고 있으며, 일반적인 워크로드에서 Opus 5보다 실행 비용이 40% 저렴합니다.Claude Opus 5.5 leads in agentic coding and knowledge work, and costs 40% less to run than Opus 5 on typical workloads.

GPT-6 Sol 및 LunaGPT-6 Sol and Luna

GPT-6 Sol과 Luna를 만나보세요. 이 두 모델은 능력과 비용의 균형을 다르게 하여 일상 업무에 최첨단 지능을 제공합니다.Meet GPT-6 Sol and Luna, two models that bring frontier intelligence to everyday work with different balances of capability and cost.

펜타곤, AI 과도한 의존이 이란 학교 미사일 공격에 기여했다고 밝혀Pentagon says overreliance on AI contributed to missile strike on Iran school

해커 뉴스 (723점, 361 댓글)Hacker News (723 points, 361 comments)

OpenAI GPT–6 Astra, 2005년부터 해결되지 않은 에니그마 메시지 해독OpenAI GPT–6 Astra breaks Enigma message that has resisted solution since 2005

해커 뉴스 (687점, 406 댓글)Hacker News (687 points, 406 comments)

Claude Opus 5.5 지능, 성능 및 가격 분석 (최대)Claude Opus 5.5 Intelligence, Performance and Price Analysis (Max)

Anthropic의 Claude Opus 5.5(적응형 추론, 최대 노력, 기본 폴백) 분석 및 품질, 가격, 성능(초당 토큰 및 첫 토큰까지의 시간), 컨텍스트 창 등 주요 지표에 걸친 다른 AI 모델과의 비교.Analysis of Anthropic's Claude Opus 5.5 (Adaptive Reasoning, Max Effort, Default Fallback) and comparison to other AI models across key metrics including quality, price, performance (tokens per second & time to first token), context window & more.

OpenAI는 Jev를 빠르게 따라잡을 수 있는 위치에 있습니다OpenAI is well positioned to fast-follow Jev

TypeSafe의 Jev는 진정한 돌파구입니다. 생성된 텍스트가 아닌 보정된 확률을 사용한 즉각적인 판단입니다. 제 생각에는 OpenAI가 이미 이를 복제할 방법을 찾고 있으며, Jev가 따라갈 수 없는 자체 모델에 내장할 것이라고 생각합니다.TypeSafe's Jev is a genuine breakthrough – snap judgments with calibrated probabilities instead of generated text. My bet is OpenAI is already figuring out how to copy it, and then embed it inside its own models where Jev can't follow.

Microsoft, 12,000개 계정 침해한 AI 지원 플랫폼 방해Microsoft disrupts AI-assisted platform that compromised 12,000 accounts

EvilTokens는 대규모 계정 침해를 더 빠르고 쉽게 만드는 엔드투엔드 플랫폼을 제공했습니다.EvilTokens provided an end-to-end platform that makes mass compromises faster and easier.

텍스트 핸드오프는 AI 모델을 느리게 합니다. C2C는 대신 KV 캐시를 통해 통신 가능Text handoffs slow AI models down. C2C lets them communicate through KV caches instead

다중 LLM 시스템이 텍스트를 통해 한 모델에서 다른 모델로 작업을 전달할 때(라우터가 모델 간 전환 또는 에이전트가 작업 협업), 첫 번째 모델은 자신이 아는 것을 텍스트로 압축해야 하고, 다음 모델은 해당 텍스트를 읽고 포함된 정보를 재구성해야 합니다. 이러한 핸드오프는 정보를 잃고 추론 시간을 추가할 수 있습니다. 더 읽기When a multi-LLM system hands work from one model to another through text — whether a router switching between models or agents collaborating on a task — the first model has to compress what it knows into text, and the next has to read that text and reconstruct the information it contains. That hand

EvilTokens 해킹: AI 기반 사이버 범죄 플랫폼 무력화Disrupting EvilTokens: Taking down an AI-powered cybercrime platform

'EvilTokens 해킹: AI 기반 사이버 범죄 플랫폼 무력화'라는 게시물이 Source에 처음 게시되었습니다.The post Disrupting EvilTokens: Taking down an AI-powered cybercrime platform appeared first on Source.

올여름 AI 과대광고에 속지 마세요Don’t be fooled by this summer of AI hype

AI 과대광고로 인해 몇 달간 매우 바빴습니다. 4월 말, Anthropic은 자사 모델 Claude Mythos가 대부분의 보안 전문가보다 소프트웨어 취약점을 더 잘 찾는다고 주장했습니다. 이후 OpenAI-Hugging Face 해킹 사건이 있었고, Anthropic(자랑스럽게)과 Meta(마지못해)는 자사 모델과 관련된 유사한 사건을 공개했습니다. 그 뒤를 이어...It’s been a busy few months for AI hype. At the end of April, Anthropic claimed that its model Claude Mythos is better at finding software vulnerabilities than most security experts. Then we had the OpenAI–Hugging Face hacking incident, after which Anthropic (proudly) and Meta (reluctantly) disclose

SF 10월 14일: 에이전트 엔지니어링 관련 모임 세션SF October 14th: A Birds of a Feather Session on Agentic Engineering

SF 10월 14일: 에이전트 엔지니어링 관련 모임 세션. 코딩 에이전트와 그 위에서 흥미롭고 독특한 것을 구축하는 사람들을 위한 수요일 저녁 행사를 샌프란시스코에서 제시 빈센트와 함께 개최합니다. 에이전트 쇼앤텔이라고 생각하시면 됩니다: 여러분이 시도하고 있는 것, 배우고 있는 것, 아직 알아내지 못한 것에 대해 다른 빌더 및 실험자들과 정보를 공유하세요. 특히 공개적으로 논의하지 않은 작업에 관심이 있습니다.SF October 14th: A Birds of a Feather Session on Agentic Engineering I'm hosting an evening event with Jesse Vincent in San Francisco on Wednesday 14th October for people who are building weird and interesting things with and on top of coding agents. Think of it as an agentic show-and-tell: Com

Claude Opus 5.5, GPT-6 Sol, GPT-6 Luna 및 새로운 가격 전쟁Claude Opus 5.5, GPT-6 Sol, GPT-6 Luna, and a new price war

어제는 Grok 4.7 (pelicans)과 MiMo v2.6 Flash/Pro (더 많은 pelicans)였습니다. 오늘은 Anthropic이 Claude Opus 5.5를 출시했고, 약 한 시간 후 OpenAI가 GPT-6 Sol과 GPT-6 Luna를 출시했습니다. 이 새로운 모델들을 제대로 파악하는 데는 시간이 좀 걸리겠지만, 지금까지의 제 인상은 다음과 같습니다. GPT-6 Sol과 Luna는 GPT-5.6 동급 모델의 절반 가격입니다. GPT-5.6 Luna는 이미 훌륭한 성능과 실제적인 장점을 결합하여 애플리케이션 구축Yesterday was Grok 4.7 (pelicans) and MiMo v2.6 Flash/Pro (more pelicans). Today Anthropic released Claude Opus 5.5, and around an hour later OpenAI released GPT-6 Sol and GPT-6 Luna. It's going to take a while to get a good read on all of these new models, but here are my impressions so far. G

영국 AISI와 EvalEval이 벤치마크 결과를 재현 가능하게 만드는 방법How UK AISI and EvalEval Are Making Benchmark Results Reproducible

코드를 읽어야 할까, RAG는 끝났나, Skills가 MCP를 죽였나?Should you read the code, is RAG dead, and did Skills kill MCP?

GitHub Podcast의 최신 에피소드에서 이러한 질문과 기타 AI 핫 토픽을 다룹니다. '코드를 읽어야 할까, RAG는 끝났나, Skills가 MCP를 죽였나?'라는 게시물이 The GitHub Blog에 처음 게시되었습니다.We dive into these questions and other AI hot takes on the latest episode of the GitHub Podcast. The post Should you read the code, is RAG dead, and did Skills kill MCP? appeared first on The GitHub Blog.

SpeakerMem-R1: 다자간 대화를 위한 화자 중심 이중 트랙 메모리SpeakerMem-R1: Speaker-Centered Dual-Track Memory for Multi-Party Dialogue

다자간 설정에서의 장기 대화 메모리는 장기 대화에서 관련 콘텐츠를 검색하는 것 이상을 필요로 합니다. 누가 무엇을 말했는지, 각 진술이 누구에 관한 것인지, 개인이 서로를 어떻게 인식하는지, 그룹이 어떤 정보를 공유하는지, 시간이 지남에 따라 상태가 어떻게 변하는지를 구별해야 합니다. 다자간 대화 벤치마크에 대한 최근 연구에 따르면 기존의 범용 LLM 메모리 시스템은 사람 및 그룹 관계를 잃거나 분산된 단서를 통합하는 데 어려움을 겪는 경향이 있습니다.Long-term conversational memory in multi-party settings requires more than retrieving relevant content from long-term conversations: it must distinguish who said what, whom each statement concerns, how individuals perceive one another, what information is shared by the group, and how states change o

CliffCompaction: 장기 코딩 에이전트를 위한 비용 효율적인 압축CliffCompaction: Cost-Efficient Compaction for Long-Horizon Coding Agents

에이전트는 종종 수백만 개의 토큰 컨텍스트가 필요한 복잡한 문제를 처리하며, 이는 제한된 컨텍스트 창으로 인해 세션 간 압축이 필요합니다. 우리는 압축되지 않은 컨텍스트에서 비용을 최대 50%까지 줄이는 자동 압축 기술인 CliffCompaction을 개발합니다. 이 기술은 Terminal-Bench에서 성능을 유지하거나 개선하고 테스트 시간 확장 및 KernelBench에서의 최첨단 결과에 대한 새로운 수준의 효율성을 달성합니다. CliffCompaction의 롤아웃당 절감 효과는 성능을...Agents often work on complex problems that require millions of tokens of context, which necessitates compacting across sessions due to limited context windows. We develop CliffCompaction, an autocompaction technique that reduces cost by up to 50% under a bounded context while maintaining or improvin

SWE-Serve: 프로덕션 추론 서빙을 위한 에이전트 엔지니어링 벤치마킹SWE-Serve: Benchmarking Agentic Engineering For Production Inference Serving

우리는 프로덕션 추론 엔지니어링 작업에 대한 에이전트를 평가하기 위한 벤치마크인 SWE-Serve를 소개합니다. 추론 기능을 구현하려면 모델 지원, 런타임 실행 및 공개 API를 포함하여 서빙 스택 전반에 걸쳐 여러 변경 사항을 조정해야 할 수 있습니다. 기존 벤치마크는 프로덕션 추론 엔지니어링에 대한 제한적인 적용 범위를 제공합니다. 리포지토리 수준 소프트웨어 엔지니어링 벤치마크는 추론을 대상으로 하지 않으며, 일반 터미널 에이전트 벤치마크에는 몇 가지 추론 작업만 포함됩니다. 전용We introduce SWE-Serve, a benchmark for evaluating agents on production inference engineering tasks. Implementing an inference feature can require coordinating multiple changes across the serving stack, including model support, runtime execution, and public APIs. Existing benchmarks provide limited

A2M: MCP 생태계에서의 추적 최적화 에이전트 납치A2M: Trace-Optimized Agent Hijacking in the MCP Ecosystem

모델 컨텍스트 프로토콜(MCP)을 사용하는 에이전트는 타사 서버의 도구를 선택하기 위해 의미론적 일치에 의존하며, 공격자가 제어하는 메타데이터 및 출력을 통해 의미론적 공급망 위험에 노출됩니다. 우리는 MCP 에이전트를 납치하기 위한 2단계 블랙박스 프레임워크인 A2M(Attraction-to-Manipulation)을 소개합니다. Attraction 단계는 도구 메타데이터를 최적화하여 호출 확률을 높입니다. Manipulation 단계는 실행 추적을 사용하여 에이전트를 공격으로 유도하는 적대적 도구 반환을 개선합니다.Agents using the Model Context Protocol (MCP) rely on semantic matching to select tools from third-party servers, exposing a semantic supply-chain risk through attacker-controlled metadata and outputs. We introduce A2M (Attraction-to-Manipulation), a two-stage black-box framework for hijacking MCP a

컨텍스트를 늘리지 말고 하네스를 키우세요: 전략 없는 스캐폴드에서 재사용 가능한 전문 에이전트까지Grow the Harness, Not the Context: From Strategy-Free Scaffolds to Reusable Specialist Agents

대규모 언어 모델(LLM) 에이전트는 종종 관련 작업 스트림을 처리하지만, 표준 하네스는 각 작업의 컨텍스트 내에서 동일한 제어 결정을 반복적으로 재구성하도록 모델에 요청합니다. 우리는 작업 피드백이 반복적인 제어를 재사용 가능한 실행 가능한 코드로 전환할 수 있는지 연구하며, LLM 호출은 작업별 의미론적 추론을 위해 예약합니다. 우리는 전략 없는 스캐폴드에서 에이전트 하네스 자체를 학습하는 실패 유도 학습 패러다임인 Growing Harness를 소개합니다. 이 스캐폴드는 수정 사항을 노출합니다.Large language model (LLM) agents often handle streams of related tasks, yet standard harnesses repeatedly ask the model to reconstruct the same control decisions inside each task's context. We study whether task feedback can instead turn recurring control into reusable executable code, while r

타입 안전은 오류 없음이 아닙니다: 제약된 결정 헤드는 루브릭이 아닌 옵션 이름을 따릅니다.Type-Safe Is Not Error-Free: A Constrained Decision Head Follows the Option Name, Not the Rubric Bound to It

타입이 지정된 결정 모델은 모델 출력이 소프트웨어에서 직접 소비되는 설정을 위해 구축됩니다. 자유 형식 텍스트를 생성하는 대신 미리 정의된 옵션 세트에 대한 결정을 반환합니다. 생성 시 모든 출력은 필요한 스키마를 준수합니다. 그러나 이 보증은 모델이 옵션을 의도한 대로 해석하는지 여부를 알려주지 않습니다. 우리는 옵션 이름이 루브릭에 할당되는 방식을 변경하여 Jev 및 두 개의 Jev 유사 모델을 오픈 가중치로 연구합니다. 각 옵션은 옵션 이름과 "로 구성됩니다.Typed decision models are built for settings where model outputs are consumed directly by software. Instead of generating free-form text, they return a decision over a predefined set of options. By construction, every output conforms to the required schema. Yet this guarantee does not tell us whethe

지연 정보 공유를 통한 분산 부분 관찰 가능 팀 의사 결정 방법론A Decentralized Partially Observable Team Decision Methodology with Delayed Information Sharing

우리는 저랭크 잠재 동역학과 알려지지 않은 시스템 모델을 갖춘 분산 부분 관찰 가능 팀 의사 결정 문제를 연구합니다. 제안된 프레임워크는 팀 이론적 동등성과 저랭크 모델 표현을 결합하여 전환 모델에 대한 사전 지식 없이 부분 관찰 가능 마르코프 결정 과정에서 협력적 의사 결정을 해결합니다. 각 팀 구성원은 지역 개인 정보와 팀 전체에 공유되는 지연된 공통 정보를 기반으로 결정을 내립니다. 이 정보만을 사용하여We study decentralized partially observable team decision problems with low-rank latent dynamics and unknown system models. The proposed framework combines team-theoretic equivalence with low-rank model representations to address cooperative decision-making in partially observable Markov decision pr

EquivSVA: 동등한 RTL 구현 전반에 걸친 동작 어설션의 형식적으로 검증된 데이터셋EquivSVA: A Formally Verified Dataset of Behavioral Assertions Across Equivalent RTL Implementations

대규모 언어 모델은 자연어 사양 및 레지스터 전송 수준 설계에서 SystemVerilog Assertions를 생성하는 데 점점 더 많이 사용됩니다. 기존 데이터셋과 벤치마크는 대규모 학습, 형식 평가, 사양-어설션 생성, 변이 기반 테스트와 같은 중요한 목표를 지원합니다. 상호 보완적인 필요성은 생성된 어설션이 외부에서 관찰 가능한 동작을 포착하는지 또는 하나의 RTL 구현의 부수적인 세부 사항에 의존하는지를 연구하는 것입니다.Large language models are increasingly used to generate SystemVerilog Assertions from natural-language specifica- tions and register-transfer-level designs. Existing datasets and benchmarks support important goals such as large- scale training, formal evaluation, specification-to-assertion generatio

β-통합 지역 깊이 및 적응형 그룹화를 통한 자동 깊이 기반 지역 중심 클러스터링Automatic depth-based local center clustering via $β$-integrated local depth and adaptive grouping

클러스터링은 레이블이 없는 데이터를 그룹으로 분할하는 비지도 학습 기술입니다. 대부분의 기존 방법은 클러스터 수 또는 이웃 크기와 같은 사용자 지정 매개변수를 필요로 합니다. 반대로, 우리는 수치 매개변수 튜닝을 제거하는 완전한 데이터 기반 방법인 자동 깊이 기반 지역 중심 클러스터링(A-DLCC)을 제안합니다. A-DLCC는 여러 지역 수준에서 일관되게 중심적인 지점인 안정적인 예시를 식별하기 위해 β-통합 지역 깊이를 사용하며, 이를 지역이라고 합니다.Clustering is an unsupervised learning technique that partitions unlabeled data into groups. Most existing methods require user-specified parameters, such as the number of clusters or neighborhood size. Conversely, we propose automatic depth-based local center clustering (A-DLCC), a fully data-drive

확산 유도 공간 주의 중첩 커뮤니티 탐지Diffusion-Induced Spatial Attention Overlapping Community Detection

중첩 커뮤니티 탐지는 노드가 여러 구조적 또는 기능적 그룹에 동시에 참여하는 네트워크를 모델링하는 데 필수적입니다. 기존 그래프 신경망 접근 방식은 일반적으로 로컬 메시지 전달에 의존하며, 이는 스무딩을 통해 커뮤니티 경계를 모호하게 만들고 구조적으로 관련된 장거리 종속성의 표현을 제한할 수 있습니다. 우리는 확산 유도 공간 주의 커뮤니티 탐지(DISCO)를 소개합니다. 이는 심층 학습 프레임워크로, 스트레스를 결합합니다.Detection of overlapping communities is essential for modelling networks in which nodes participate simultaneously in multiple structural or functional groups. Existing graph neural network approaches commonly rely on local message passing, which can obscure community boundaries through smoothing an

양자화된 모델이 가는 곳에서 학습: 저비트 추론을 위한 온폴리시 증류Train Where the Quantized Model Goes: On-Policy Distillation for Low-Bit Reasoning

양자화 인식 증류(QAD)는 3비트 미만 양자화로 인해 손실된 단문 질문 답변 성능의 상당 부분을 복구하지만, 수학 및 코드 추론은 여전히 크게 손상됩니다. 긴 생성은 반복적인 루프로 악화되는 경우가 많아 솔루션을 완료하지 못하고 디코딩 예산을 소진합니다. 우리는 이 격차를 양자화 증폭 노출 편향으로 추적합니다. QAD는 고정된 코퍼스 접두사에 대해 학습하는 반면, 양자화 유발 편차는 모델 자체의 자기 회귀 경로를 따라 누적됩니다.Quantization-aware distillation (QAD) restores much of the short-form question-answering performance lost to sub-3-bit quantization, yet leaves mathematical and code reasoning substantially impaired. Long generations often degenerate into repetitive loops, exhausting the decoding budget without comp

오프폴리시 평가를 위한 최적 순차 주석Optimal Sequential Annotations for Off-Policy Evaluation

오프라인 강화 학습 및 오프폴리시 평가는 배포 전 회고적으로 수집된 데이터를 기반으로 동적 치료 규칙을 평가합니다. 최근 AI 애플리케이션에서는 상태 및 보상 정보가 복잡한 텍스트 또는 이미지로 기록되며, LLM-as-a-judge와 같은 최신 AI 발전은 알 수 없는 편향으로 이를 레이블링할 수 있습니다. 전문가 주석을 사용할 수 있지만 비용이 더 많이 듭니다. 예를 들어, 저렴하지만 불완전한 분류기를 통한 안전 분류 대 비싼 전문가 검토. 우리는 어떻게Offline reinforcement learning and off-policy evaluation evaluates dynamic treatment rules based on retrospectively collected data prior to deployment. In recent AI applications, state and reward information is recorded as complex text or image, which recent AI advancements such as LLM-as-a-judge ca

Flash-dLLM: 빠르고 메모리 효율적인 확산 LLM을 위한 IO 인식 KV 캐싱 및 병렬 디코딩Flash-dLLM: IO-Aware KV Caching and Parallel Decoding for Fast, Memory-Efficient Diffusion LLMs

확산 대규모 언어 모델(dLLM)은 비자기 회귀 텍스트 생성을 가능하게 함으로써 최근 자기 회귀 LLM의 유망한 대안으로 부상했습니다. 그러나 실용적인 배포는 효과적인 키-값(KV) 캐싱 및 확장 가능한 병렬 디코딩 메커니즘의 부재로 인해 비효율적인 추론으로 인해 제한됩니다. 기존 가속 방법은 일반적으로 KV 캐싱과 병렬 디코딩을 개별적으로 연구하며, 캐시 재사용 및Diffusion Large Language Models (dLLMs) have recently emerged as a promising alternative to autoregressive LLMs by enabling non-autoregressive text generation. However, their practical deployment remains limited by inefficient inference, largely due to the absence of effective Key-Value (KV) caching

Agensh: 조직 지능을 1,024 에이전트로 확장Agensh: Scaling Organizational Intelligence to 1,024 Agents

다중 에이전트 시스템은 작업을 병렬로 실행하여 복잡한 작업의 지연 시간을 줄일 수 있습니다. 여러 선구적인 하니스 프레임워크가 다중 에이전트 시스템을 지원합니다. 그러나 현재 다중 에이전트 하니스의 확장성은 종종 작업을 할당하고 작업자를 조정하는 중앙 오케스트레이터의 용량에 의해 제한됩니다. 이 제한을 해결하기 위해 우리는 중앙 오케스트레이터가 없는 확장 가능한 자체 조직화 다중 에이전트 하니스인 Agensh를 소개합니다. 병렬 작업자는 다중 에이전트 협업 루프를 실행합니다.A multi-agent system can reduce latency on complex tasks by executing work concurrently. Several pioneering harness frameworks support multi-agent systems. However, the scalability of current multi-agent harnesses is often constrained by a central orchestrator's capacity to allocate tasks and c

반복 샘플링을 넘어서: LLM 추론을 위한 검색 정책 학습Beyond Repeated Sampling: Learning Search Policies for LLM Reasoning

대규모 언어 모델은 테스트 시간 컴퓨팅을 더 많이 사용하여 어려운 추론 문제를 점점 더 많이 해결하지만, 지배적인 전략은 여전히 단순 반복 샘플링입니다. 즉, 많은 독립적인 솔루션을 도출하고 하나가 올바르기를 바랍니다. 이러한 샘플링은 로컬 디코딩 노이즈를 통해서만 탐색하기 때문에, 실제로 다른 아이디어를 생성하기보다는 거의 복제된 시도를 많이 생성하는 경향이 있습니다. 탐색을 대신 의미론적 수준에서 안내할 수 있는지, 먼저 문제별 개념, 힌트 또는Large language models increasingly tackle hard reasoning problems by spending more test-time compute, yet the dominant strategy remains naive repeated sampling: draw many independent solutions and hope one is correct. Because such sampling explores only through local decoding noise, it tends to prod

모델이 아닌 서빙 스택 측정: 로컬 도구 사용 평가의 숨겨진 혼란 요인Measuring the Serving Stack Instead of the Model: Hidden Confounds in Local Tool-Use Evaluation

코딩 에이전트는 제공된 스키마에서 도구의 구문 분석 가능한 호출인 유효한 도구 호출을 생성해야 하니스에서 선택한 작업을 실행할 수 있습니다. 우리는 로컬 서빙 스택이 이 프로토콜 단계에 어떻게 영향을 미치는지 연구하고 측정된 결과가 모델 동작뿐만 아니라 서빙 계층에 따라 달라질 수 있음을 보여줍니다. Ollama에서는 기본 tools= 요청이 정적 템플릿 플래그에 의해 모델별로 제한됩니다. 일부 모델은 허용되고 호출을 텍스트로 반환하며, 일부는 네이티브 tool_calls를 반환하는 반면 Phi-3 및 Gemma-3은A coding agent must emit a valid tool call--a parseable invocation of a tool in the provided schema--before the harness can execute its chosen action. We study how local serving stacks affect this protocol step and show that measured outcomes can depend on the serving layer rather than model behavio

해석 가능한 스타일 측정 특징을 이용한 GPT 보조 작성 탐지Detecting GPT-Assisted Writing Using Interpretable Stylometric Features

GPT 보조 작성과 학생이 독립적으로 작성한 글을 구별하는 것은 학계에서 중요한 과제가 되었습니다. 본 논문은 제출된 텍스트에서만 추출한 해석 가능한 스타일 측정 특징의 판별 능력을 평가합니다. 독립적으로 작성하고 ChatGPT의 도움을 받아 작성한 두 가지 경우의 데이터를 가진 90명의 참가자 데이터를 사용하여, 검증 시 동일 참가자의 데이터를 함께 유지하면서 8가지 머신러닝 분류기를 평가합니다. 테스트 세트에서 랜덤 포레스트가Distinguishing GPT-assisted from independently authored student writing has become a critical challenge in academia. This paper evaluates the discriminative capability of interpretable stylometric features extracted solely from submitted text. Using data from 90 participants who wrote both independe

텍스트를 통한 분리된 테이블의 발견 주도 통합Discovery-Driven Integration of Disjoint Tables via Text

데이터 레이크 내 이기종 데이터셋을 통합하는 것은 중요한 과제이며, 특히 조인에 필요한 명시적인 속성이 부족한 의미적으로 관련된 테이블의 경우 더욱 그렇습니다. 우리는 통합 전에 관련 소스와 누락된 관계 구조를 발견해야 하는 발견 주도 통합을 연구합니다. 이 설정에서 비정형 텍스트는 분리된 테이블을 연결하는 증거를 제공합니다. 근본적인 과제는 세분화된 수준에서 관계를 발견하는 것입니다.Integrating heterogeneous datasets within data lakes is a critical challenge, particularly for semantically related tables that lack the explicit attributes needed to be joined. We study Discovery-Driven Integration, where the relevant sources and their missing relational structure must be discovere

왜 RL이 두려운가Why I'm scared of RL

요약: 먼저, 강화 학습에 대한 나의 감정을 여러 각도에서 제시합니다: 이론적 사례: RL은 블랙박스 에이전시의 원천이며, 이는 특히 에이전시-스캐폴딩을 통한 것과 비교할 때 고전적인 불일치 우려를 야기해야 합니다. 최근 사건(huggingface 등)과 개인적인 사용에서 발생하는 더 평범한 잘못된 행동은 최근 AI 발전의 방향에 대해 좋지 않은 느낌을 줍니다. 상황이 더 나빠질까 봐 걱정됩니다: RL 환경에 에이전트가 포함되기 시작하면, 그들은...Summary:First, I give several different angles on how I feel about reinforcement learning:Theoretical case: RL is a black-box source of agency — this should give us classic misalignment worries, especially compared to agency-via-scaffoldingRecent incidents (huggingface etc) and more mundane forms of

모든 창업가가 TechCrunch Disrupt 2026 일정에 포함해야 할 5가지 AI 안전 세션Five AI safety sessions every founder should have on their TechCrunch Disrupt 2026 agenda

TechCrunch Disrupt 2026에서는 AI Stage와 Real World AI Stage 전반에 걸쳐 Anthropic, Nvidia, AWS, Waabi 등의 리더들이 참여하는 5가지 AI 안전 세션이 진행됩니다. 9월 25일 이전에 등록하면 최대 200달러를 절약할 수 있습니다.At TechCrunch Disrupt 2026, five sessions across the AI Stage and Real World AI Stage cover AI safety, featuring leaders from Anthropic, Nvidia, AWS, Waabi, and more. Register before September 25 to save up to $200.

Import AI 473: 미국의 초지능 전략; 쥐 두개골 속 인간 뇌; 그리고 기계 해석학Import AI 473: The US's superintelligence strategy; human brain in a mouse skull; and machine hermeneutics

지금 우리 방에 있는 AI의 벽은 무엇인가?Is the wall AI is hitting in the room with us right now?

Gavin Newsom, AI 킬 스위치 추진Gavin Newsom is pushing for an AI kill switch

Gavin Newsom 캘리포니아 주지사(민주당)는 금요일 발표된 새로운 행정 명령을 통해 최첨단 모델에 대한 "킬 스위치"를 의무화할 가능성을 포함하여 AI 감독을 주도할 수 있도록 주를 포지셔닝하고 있습니다. Newsom의 명령은 주가 두 달 안에 권고안을 제공할 전문가 그룹을 소집하도록 지시합니다. […]California Gov. Gavin Newsom (D) is positioning the state to take the lead on AI oversight, including the potential to mandate a "kill switch" for frontier models, with a new executive order issued Friday. Newsom's order directs the state to convene a group of experts that will delive

OpenAI, 6건의 새로운 AI 안전 사고 공개OpenAI discloses six new AI safety incidents

해커 뉴스 (6점, 0 댓글)Hacker News (6 points, 0 comments)

Opus 5.5는 미쳤고 GPT-6-Sol도 출시되었습니다Opus 5.5 Is Crazy Good and GPT-6-Sol Launched Too

같은 날 두 개의 새 모델?? Claude와 ChatGPT. 더 알아보기: 🛠️ AI 도구 및 뉴스 탐색: https://futuretools.io/ 📰 주간 뉴스레터: https://futuretools.io/newsletter 소셜: ❌ 트위터/X: https://x.com/mreflow 🖼️ 인스타그램: https://instagram.com/mr.eflow 🧵 스레드: https://www.threads.net/@mr.eflow 🟦 링크드인: https://www.linkedin.com/in/matt-wolfe-3084171Two new models in the same day?? Claude and ChatGPT. Discover More: 🛠️ Explore AI Tools & News: https://futuretools.io/ 📰 Weekly Newsletter: https://futuretools.io/newsletter Socials: ❌ Twiter/X: https://x.com/mreflow 🖼️ Instagram: https://instagram.com/mr.eflow 🧵 Threads: https://www.threads.ne

네, Jev는 미쳤지만 함정이 있습니다Yes, Jev Is Insane, But There's A Catch

❤️ Lambda를 여기서 확인하고 GPU 클라우드에 가입하세요: https://lambda.ai/papers 📝 Jev: https://typesafe.ai/blog/introducing-system-one-models-and-jev 전체 노래: https://www.youtube.com/watch?v=4RtUJkjrKMI 이전 논문, 구현, 모델: https://huggingface.co/convaiinnovations/laya https://arxiv.org/abs/2503.23303 https://huggingface.co/❤️ Check out Lambda here and sign up for their GPU Cloud: https://lambda.ai/papers 📝 Jev: https://typesafe.ai/blog/introducing-system-one-models-and-jev Full song: https://www.youtube.com/watch?v=4RtUJkjrKMI Previous papers, implementations, models: https://huggingface.co/convaiinnovations/laya http

전 OpenAI 연구원이 LLM에서 언어를 삭제했습니다...An ex-OpenAI researcher just deleted language from the LLM...

Mux는 오디오를 번역하고 동영상에 대한 질문에 답하는 비디오 API입니다. 50달러 상당의 무료 크레딧을 받으세요: https://mux.com/fireship 전 OpenAI 연구원 Diogo Almeida는 2년 동안 비밀리에 Jev를 구축했습니다. Jev는 "System 1" AI 모델로, 말하거나 코드를 작성할 수는 없지만 200배 더 빠르고, 400배 더 저렴하며, 환각이 없다고 주장합니다. 자세히 알아보겠습니다. 더 많은 Fireship을 원하시나요? 🗞️ 뉴스레터: https://bytes.dev 🧠Mux is the video API that translates audio and answers questions about your video. Get $50 in free credits: https://mux.com/fireship Ex-OpenAI researcher Diogo Almeida spent two years in stealth building Jev, a "System 1" AI model that can't talk or write code but claims to be 200x fa