422개의 게시물
쿼리를 서버에 저장하지 않는 Venice AI가 Dragonfly 주도 Series A로 유니콘 밸류에이션을 달성했습니다. 200+ 모델 통합 단일 인터페이스, 연매출 $70M 돌파. 프라이버시 AI가 비즈니스 모델로 작동할 수 있음을 수치로 증명한 첫 사례입니다.
LLM 에이전트 메모리를 '얼마나 많은 히스토리가 들어가는가'가 아니라 '어느 레이어가 결정을 바꾸는가'로 측정하는 게임 테스트베드. Slay the Spire 2 위에서 5층 타입 메모리 계약을 구현하고 298개 궤적을 공개합니다.
Anthropic이 언어모델 내부에서 인간의 의식 접근(access consciousness)과 유사한 기능을 하는 신경 표상 집합을 발견했습니다. J-space라 이름 붙인 이 표상은 Claude가 무엇을 생각하고 있는지 겉으로 드러나지 않는 순간에도 읽어낼 수 있게 해주며, 안전성 모니터링에도 실제로 활용되고 있습니다.
OpenAI가 미국 정부에 5% 지분을 내놓겠다고 제안했습니다. 알래스카 영구기금 모델을 참고한 AI 수익 분배 구상인데, 좋은 취지와 복잡한 속내가 함께 들어 있습니다.
Microsoft가 $2.5B를 투자해 Frontier Company를 출범했습니다. Palantir가 원조인 FDE(Forward Deployed Engineering) 모델로, 6,000명의 엔지니어를 기업 고객 안에 심어 AI 파일럿의 90% 실패율을 정면으로 돌파하려는 시도입니다.
PD 분리(Prefill-Decode 분리) 환경에서 MoE 모델의 decode 지연을 5.9-13.9% 줄이는 ELDR을 제안합니다. Prefill 단계의 전문가 활성화 패턴(서명)을 활용해, 이미 해당 전문가 가중치를 캐시한 워커로 decode 요청을 라우팅합니다.
에이전트 메모리 시스템이 저장된 사용자 기억에 무조건 동조하는 '메모리 아첨' 현상을 처음으로 체계화하고, 언제 기억을 무시·제약·활용해야 하는지 판단력을 평가하는 5-태스크 벤치마크 MemSyco-Bench를 제안합니다.
자연어로 명세한 함수를 경량 LoRA 어댑터로 컴파일해 로컬 실행하는 퍼지 함수 프로그래밍 패러다임. 0.6B 인터프리터가 Qwen3-32B를 메모리 50분의 1로 뛰어넘습니다.
Aramco·NVIDIA·Vista·General Catalyst 주도 $8억 시리즈C로 Together AI가 $8.3B 밸류에이션에 도달했습니다. 연간 예약 $11.5억, 500MW 컴퓨트 약정 확보. 오픈웨이트 모델 기반 AI 추론 인프라가 클로즈드 API를 대체하는 구도입니다.
Anthropic이 Sonnet 5를 전면 출시 — SWE-bench Pro 63.2%, OSWorld 83.4% 등 Opus 4.8에 근접하는 에이전틱 성능을 Sonnet 가격에 제공하지만 에이전틱 작업 시 토큰 소모가 기존 대비 더 많아 '저렴한 에이전트'라는 말을 액면 그대로 받아들이기 어렵습니다.
Newsom 주지사, 캘리포니아 전 주정부 기관에 Claude 50% 할인 도입 발표. DMV 고객서비스, Medicaid 워크플로우, CDT·CalOES 사이버보안(Claude Security + Claude Code)까지 전 분야에 걸친 미국 최초 규모의 주정부 AI 계약입니다.
Shanghai AI Lab의 Agents-A1은 35B MoE 모델로 트릴리언 파라미터급 에이전트 성능을 달성합니다. 파라미터가 아닌 지평선을 스케일링하는 KAG 인프라와 다중 교사 증류로 SEAL-0, IFBench 등 5개 주요 벤치마크에서 1위를 기록합니다.
LLM 에이전트가 '지금 멈춰야 할 때'를 아는지 측정하는 첫 체계적 벤치마크. 웹·터미널·QA 3개 환경 28K 샘플로 평가한 결과, 대부분의 모델은 너무 늦게, 혹은 전혀 멈추지 않는다는 사실이 드러났습니다.
Transformer 공동저자 Noam Shazeer와 노벨상 수상자 John Jumper가 동시에 Google을 떠났습니다. 계산 자원 배분 갈등과 기초연구 우선순위 하락 속에서, Anthropic과 OpenAI가 명확한 장기 비전으로 AI 최상 인재를 확보하며 업계 권력이 재편되고 있습니다.
언어 모델이 학습한 데이터가 어느 시점까지인지를 가리키는 한계. 그 이후의 사건이나 정보는 모델이 알지 못합니다.
단일 Transformer로 오디오·영상·텍스트를 동시에 처리하는 실시간 풀-듀플렉스 대화 모델 — 캐스케이드 파이프라인 없이 모델 측 200ms 지연과 25fps 영상 출력을 달성합니다.
단일 에이전트 경험 학습의 구조적 결함인 Self-Confirmation Trap을 공식화하고, 이종 병렬 실행·제3자 증류·합의 기반 검증의 EDV 프레임워크로 해결합니다.
자기회귀 없이 완전 양방향 어텐션으로 LLM을 처음부터 학습하는 마스크드 확산 언어 모델 iLLaDA — 12T 토큰 사전학습과 25B 지시문 미세조정으로 Base 성능에서 Qwen2.5 7B를 처음으로 따라잡습니다.
Berkeley가 공개한 경량 KV 캐시 관리자. Mooncake보다 단순한 시간 기반 프리페칭으로 GPU-CPU-NVMe 스왑을 자동화해, 128K 컨텍스트에서 90% 레이턴시 증가만으로 OOM을 회피합니다.
PyTorch의 define-by-run 방식을 유지하면서 바이트코드를 추적해 그래프를 정적화하는 JIT 컴파일러. TorchInductor·ONNX·TensorRT 백엔드로 컴파일해 ResNet-50 25%, ViT 42% 속도 향상을 보입니다.
여러 GPU 커널을 하나로 융합해 중간 결과를 VRAM 왕복 없이 shared memory에 머물게 하는 기법. FlashAttention이 대표 사례이며, 디코드 단계 배치가 작을수록 오버헤드 절감 효과가 커집니다.
Microsoft가 공개한 분산 KV 캐시 시스템. GPU-CPU-NVMe 3단 계층에 어텐션 패턴을 학습해 자동으로 스왑, 압축 없이 GPU 메모리 사용량을 40~50% 줄이고 256K 컨텍스트까지 처리 가능하게 합니다.
AI 추론 인프라 스타트업 Baseten이 2026년 6월 22일 15억 달러 시리즈 F 펀딩을 완료했습니다. 기업가치 최대 130억 달러. 하루 10억 건 이상의 추론 호출을 처리하는 이 회사가 왜 지금 이 규모의 투자를 받았는지 들여다봅니다.
OpenAI가 GPT-5.6 계열 세 모델을 발표했습니다. Sol(플래그십), Terra(범용), Luna(경량) 구성으로 가격 전략과 에이전트 기능 모두 이전 세대와 다른 방향을 가리킵니다. 미국 정부 게이팅이라는 전례 없는 출시 방식도 주목됩니다.
중국 상하이의 AI 연구 기관. 복단대 OpenMOSS 그룹과 연계해 대형 언어 모델과 구현 AI를 연구합니다.
LLM 생성의 시퀀셜 병목을 우회하는 두 기법을 비교합니다. 작은 모델이 추측하고 큰 모델이 검증하는 Speculative Decoding(2~3배 가속, 추가 모델 필요)과, 여러 토큰을 동시에 예측하도록 재학습하는 MTP(3~4배 이론적 가속, 정확도 트레이드오프)입니다.
Microsoft가 공개한 분산 KV 캐시 시스템. GPU-CPU-NVMe 3단 계층에 어텐션 패턴을 학습해 자동으로 스왑, 압축 없이 GPU 메모리 사용량을 40~50% 줄이고 256K 컨텍스트까지 처리 가능하게 합니다.
투기적 디코딩의 스케일링 한계를 해결합니다. 드래프트 예산을 늘릴수록 속도가 오르려면 수락률은 높고 드래프팅 비용은 낮아야 하는데, JetSpec은 트리-인과 어텐션 마스크 하나로 두 조건을 동시에 만족해 MATH-500에서 9.64배 가속을 달성합니다.
처리량이 목표인 prefill과 레이턴시가 목표인 decode를 서로 다른 GPU 그룹에 분리 배치하는 서빙 아키텍처. vLLM 적용 시 혼합 워크로드 기준 1.5~2배 처리량 향상을 보입니다.
ByteDance Seed와 NUS가 제안한 on-policy 생성 필드 증류 프레임워크. 하나의 flow-matching 학생 모델에 T2I, 로컬 편집, 글로벌 편집 능력을 충돌 없이 합성하는 세 가지 설계 원칙을 제시합니다.
Google DeepMind가 6월 22일 공개한 Gemini 2.5 Pro의 확장 추론 모드. GPQA Diamond 82.4%로 박사급 과학 벤치마크에서 상위권을 기록했으며, 추론 토큰 예산을 늘릴수록 정확도가 올라가는 구조입니다.
전 Google DeepMind 연구자 Misha Laskin과 Ioannis Antonoglou가 2024년 공동 창업한 미국 오픈소스 프런티어 AI 연구소. DeepSeek에 대항하는 미국의 오픈 AI 허브를 표방하며 기업가치 250억 달러에 이릅니다.
Ed Zitron이 쓴 에세이를 중심으로, AI가 느려지고 있다는 주장이 실제로 무엇을 뜻하는지 살펴봅니다. 기술적 둔화가 아니라 경제적 지속가능성 문제입니다.
SpaceX가 오픈소스 AI 스타트업 Reflection AI에 컴퓨트 인프라를 제공하는 최대 63억 달러 규모 계약을 체결했습니다. SpaceX의 Colossus 데이터센터가 상업용 AI 컴퓨트 플랫폼으로 자리잡아가는 과정입니다.
청화대·절강대·홍콩중문대가 공동 제안한 에이전틱 RL 프레임워크. GRPO의 희박한 결과 보상을 보완하기 위해 완료된 온-폴리시 궤적에서 에피소드·스텝 두 계층의 스킬을 추출하고, 이를 token-level 자기 증류 신호로 변환합니다. 추론 시에는 외부 스킬 라이브러리가 필요 없습니다.
Nature 계열 학술지 논문 90편에서 추출한 과학 태스크 벤치마크. 최강 모델도 17.8%만 SOTA를 넘었고, 성공의 절반 가까이는 과학적 발견이 아닌 지도학습 문제 변환에 기댄 것으로 드러났습니다.
Qwen 팀이 코딩 에이전트 보상 설계의 실전 경험을 정리한 논문. 테스트 통과, 시각 판정, 사용자 피드백, 에이전트 평가자 네 가지 방식을 분석하고, 어떤 단일 검증 함수도 모델이 강해질수록 결국 부족해진다고 주장합니다.
Washington Post가 Dartmouth·Stanford 연구진과 함께 주요 AI 챗봇 6종의 정치 편향을 대규모로 테스트했습니다. ChatGPT는 80% 이상 좌편향 응답, Grok은 보수 마케팅과 달리 좌편향, Gemini는 93% 균형이라는 결과가 나왔습니다.
Qwen 팀이 7개 에이전트 도메인을 단일 모델로 시뮬레이션하는 언어 세계 모델 Qwen-AgentWorld를 공개했습니다. 환경을 예측하는 세계 모델 훈련이 에이전트 강화학습의 새 축이 될 수 있음을 실험으로 보입니다.
SJTU·Tsinghua·MemTensor 팀이 LLM 에이전트 메모리 시스템 12종을 데이터 관리 관점에서 체계적으로 비교했습니다. 단일 만능 구조는 없으며, 효과는 워크로드에 맞는 추상화 수준에 달려 있음을 9가지 발견으로 정리합니다.
DeepSeek OCR 디코더의 모든 어텐션을 R-SWA로 교체해 KV 캐시를 상수로 유지. 단일 forward pass로 수십 페이지 문서를 파싱하고 OmniDocBench v1.6 SOTA 93.92% 달성.
Sensor Tower 보고서에 따르면 2026년 3월 ChatGPT의 AI 앱 시장점유율이 46.4%로 하락했습니다. 출시 이후 처음으로 50% 아래로 떨어진 것이며, Gemini 27.7%, Claude 10.3%가 뒤를 잇습니다.
1,665개 도구 생태계에서 LLM 에이전트의 장기 계획 능력을 측정하는 대규모 벤치마크. GPT-5.4는 도구 차단 조건에서 51.9%에서 11.36%로 붕괴하며, 실패의 핵심은 검색 부족이 아니라 이미 가진 도구를 제대로 고르지 못하는 선택 실패였습니다.
여러 프런티어 모델을 동적으로 지휘하는 Sakana AI의 멀티에이전트 오케스트레이션 모델 Fugu를 정리합니다
교사를 그래디언트가 아닌 프롬프트 안에 가두는 소형 VLM 포스트 트레이닝 방법론 ZPPO. 지식 증류가 OOD 일반화를 훼손하는 반면 ZPPO는 0.8B 학생에서 VLM 벤치마크 +9.3pp를 달성하면서 동시에 훈련 외 도메인도 개선합니다.
확산 LLM(dLLM)에 온폴리시 자기증류를 처음 적용한 d-OPSD. 모델이 스스로 완성한 미래 답변을 suffix로 조건화해 RLVR 대비 약 10% 최적화 스텝으로 동급 성능을 달성합니다.
파라미터를 공유하는 단일 트랜스포머 블록을 반복 적용해 환경 상태를 정제하는 세계 모델. 1B 파라미터로 claude-opus-4-6-max 대비 ScienceWorld EM +21.2%p를 달성하며, 잠재 깊이를 새로운 스케일링 축으로 제안합니다.
파라미터 공유 트랜스포머 블록을 병렬로 여러 번 돌리는 PLT 아키텍처에서, 루프를 딱 두 번만 돌릴 때 SWE-bench Verified 43.0% → 64.4%로 최적 성능이 나옵니다. 세 번째 루프부터는 오히려 퇴보합니다.
2026년 6월, 미국 상무부가 Anthropic의 Fable 5와 Mythos 5 모델 접근을 외국 국적자에게 전면 금지했습니다. 사상 첫 AI 모델 수출 통제 집행 사례입니다.
알파폴드2로 2024년 노벨 화학상을 받은 존 점퍼(John Jumper)가 구글 DeepMind를 떠나 Anthropic에 합류합니다.
2026년 6월 프랑스 에비앙에서 열린 G7 정상회의에서 AI 거버넌스가 의제를 차지했습니다. 히로시마 AI 프로세스 3년 후 어디까지 왔는지 정리합니다.
AI 에이전트의 기억은 하나가 아닙니다. 대화형·의미형·에피소딕·절차형·엔티티·작업형·요약형까지 7가지 유형을 구분하고, LLM Wiki가 그 중 어디에 해당하는지, mem0 같은 도구가 무엇을 해결하는지 정리합니다.
HyGRAG는 청크 기반 벡터 검색과 엔티티 기반 그래프 검색을 통합한 하이브리드 GraphRAG 프레임워크입니다. 멀티홉 추론 정확도를 평균 9.7% 향상시켰고, 단순 유사도 검색이 놓치는 관계 맥락을 어떻게 보완하는지 설명합니다. 논문 리뷰는 별도 포스트를 참고하세요.
에이전트 하나에 좋은 프롬프트를 넣는 시대는 끝나가고 있습니다. 여러 에이전트를 루프로 묶어 돌리는 오케스트레이션 엔지니어링, 그 여섯 단계와 다섯 프롬프트, 그리고 한 개의 파일을 정리합니다.
LLM Wiki, GraphRAG, Ontology, Agent Memory까지. 수많은 지식 관리 시스템 중 무엇을 써야 할까요? 개인·팀·조직 규모, 도메인 안정성, 자동화 필요도를 기준으로 선택 기준을 정리합니다.
같은 모델 같은 프롬프트인데 응답이 매번 다른 이유를, 모델이 아니라 추론 인프라 쪽에서 설명합니다.
Sina Weibo의 9인 연구팀이 3B 파라미터만으로 DeepSeek V3.2(671B), Kimi K2.5(1T) 수준의 수학 추론 성능을 달성한 방법. Spectrum-to-Signal Principle 기반 5단계 포스트트레이닝 레시피와, 검증 가능한 추론이 지식 저장보다 파라미터 효율이 높다는 Parametric Compression-Coverage Hypothesis를 제안합니다.
카파시가 2026년 4월 공개한 LLM Wiki 개념을 소개합니다. 작은 마크다운 파일들을 컨텍스트로 넣어 AI가 내 도메인을 깊이 이해하게 만드는 방법, 실제 도입 사례와 한계까지 솔직하게 정리합니다.
LLM Wiki를 만들면 3일 만에 안 쓰게 된다는 말이 왜 나오는지. 인식론적 필터 부재·지식 생애주기 부재·엔트로피 역전 부재·접지 검증 부재, 4가지 구조적 결함과 각각의 대응 방법을 정리합니다.
Transformer 공동 발명자이자 Gemini 공동 리드였던 Noam Shazeer가 2026년 6월 OpenAI로 이동했습니다. Google이 2년 전 27억 달러를 들여 데려온 인물입니다.
Moonshot AI가 2026년 6월 12일 공개한 코딩 특화 오픈웨이트 모델. 1조 파라미터(활성화 32B) MoE 구조로 생각 토큰을 30% 줄이면서 자체 코딩 벤치마크에서 K2.6 대비 큰 폭의 성능 향상을 주장합니다.
Databricks가 2026년 6월 공개한 Genie Ontology는 RAG의 수동 큐레이션 한계를 PageRank 방식의 자동 지식 추출로 돌파합니다. 개인의 LLM Wiki가 팀·조직 규모로 확장될 때 어떤 구조가 필요한지를 보여주는 사례입니다.
청크 기반과 엔티티 기반 GraphRAG를 하나의 하이브리드 그래프로 통합한 HyGRAG. 두 접근이 각자 원본 텍스트에 묶여 있어 진정한 지식 융합이 안 된다는 문제를 계층적 인덱싱과 이중 검색으로 풉니다. 멀티홉 추론 정확도를 평균 9.7% 개선했습니다.
OpenAI가 신규 모델 출시 전 1.3M 익명화 실제 사용자 대화를 후보 모델로 재생해 배포 후 행동 분포를 사전 예측하는 평가 방법론을 공개했습니다. 합성 테스트 프롬프트로는 잡히지 않는 GPT-5.1의 '계산기 해킹' 같은 정렬 이탈을 출시 전에 탐지한 사례가 포함됩니다.
SpaceX 인수 이후 Cursor의 모델 선택권이 사라질 수 있다는 우려가 커지고 있습니다. Composer가 Grok에 흡수되는 구조, Anthropic이 받는 타격, 그리고 개발자들이 지금 준비해야 할 것들을 짚습니다.
MIT 라이선스 744B MoE 모델 GLM-5.2가 6월 17일 공개됐습니다. 1M 토큰 컨텍스트 창, ~40B 활성 파라미터로 Claude·GPT-5 대비 약 10배 저렴한 가격을 제시하며 중국 오픈웨이트 삼파전에 새 국면을 만들었습니다.
VLM 공간 추론 에이전트에서 어떤 도구를 쓰느냐보다 어떻게 도구를 호출하느냐가 더 중요하다. NVIDIA 연구팀이 persistent Python kernel을 활용한 SpatialClaw를 제안해 20개 벤치마크에서 기존 최고 에이전트 대비 평균 +11.2pp를 달성했습니다.
LLM 코딩 에이전트의 레포지토리 탐색이 전체 토큰의 절반을 소비하는 병목입니다. Microsoft와 SJTU 연구팀이 탐색 전용 서브에이전트 FastContext를 훈련해 SWE-bench에서 정확도를 높이면서 메인 에이전트 토큰을 최대 60% 절감했습니다.
AGI 이후의 세계를 다룬 Google DeepMind의 분석 보고서. Legg-Hutter 점수로 AGI/ASI/UAI를 형식적으로 구분하고, 네 가지 경로(스케일링·패러다임 전환·재귀적 자기 개선·멀티에이전트 집합)와 여섯 가지 병목을 체계적으로 분석합니다.
1M 토큰 컨텍스트에서 어텐션 연산량을 28.4배 줄이면서 성능 손실을 거의 없앤 MiniMax의 희소 어텐션 메커니즘. 경량 인덱서가 GQA 그룹마다 필요한 KV 블록만 선별하고, GPU 커널을 이것에 맞춰 공동 설계했다.
현실의 에이전트는 인터페이스가 바뀌고, 코드베이스가 쌓이고, 사용자 취향이 변한다. EvoArena는 이 '진화하는 환경'을 측정하는 벤치마크이고, EvoMem은 메모리가 어떻게 바뀌었는지를 패치 이력으로 남기는 가벼운 해법이다.
OpenAI가 2026년 6월 발표한 분기별 악의적 사용 보고서. 북한 IT 위장취업, 캄보디아 로맨스 스캠, 친중국 영향 공작 등 40개 이상의 네트워크를 2024년 이후 차단했다.
PEFT를 비용 절감 수단이 아닌 수백만 개의 퍼스널 모델을 운용하는 스케일링 메커니즘으로 재정의한 Mind Lab의 연구입니다. Scale Up, Scale Down, Scale Out 세 축의 의존 구조와 MinT 인프라를 제시합니다.
어텐션 출력 뒤에 헤드별 시그모이드 게이트 하나. PPL -0.2, MMLU +2점, 어텐션 싱크 소멸. NeurIPS 2025 Best Paper.
Anthropic이 공개한 81,000명 글로벌 인터뷰 연구는 희망과 두려움이 같은 사람 안에 공존한다는 사실을 발견했습니다. 조직 AI 도입 전략부터 개인의 기술 선택까지 근본적으로 재구성해야 한다는 메시지를 전달합니다.
Visa와 OpenAI가 2026년 6월 ChatGPT에 결제 기능을 직접 통합했습니다. AI 에이전트가 사용자 대신 실제 거래를 처리하는 구조와 그것이 만들어낼 변화를 정리합니다.
PPO와 GRPO가 long-tail 어휘에서 흔들리는 이유를 파헤치고, hard mask 대신 smooth regularizer로 trust region을 구현한 DRPO를 소개합니다. 6가지 실험 설정에서 일관되게 안정적인 학습을 보여주었습니다.
GPT를 만든 회사의 상장 카운트다운. OpenAI가 6월 8일 SEC에 기밀 S-1을 제출하며 2026 하반기 공모를 예고했습니다. 연 매출 $250억에도 $140억 손실을 내야 하는 구조, Anthropic과의 IPO 레이스, 투자자 희석 이슈를 한 번에 짚습니다.
추론 과정을 텍스트 대신 이미지 공간에 그려 넣는다. 수식·그래프를 시각적 스크래치패드로 쓰면 텍스트 추론과 동등한 정확도를 유지하면서 토큰을 평균 28.57% 아낄 수 있다는 논문.
유럽 AI 챔피언 Mistral이 €3B($3.5B) 신규 라운드 협상 중입니다. 성사되면 밸류에이션이 €20B으로 2025년 9월 Series C(€11.7B) 대비 두 배가 됩니다. 오픈웨이트 전략으로 미·중 사이를 비집는 유럽 AI의 생존 방정식을 짚습니다.
70개 이상 LLM을 2만 6천 개 개방형 질문으로 평가해 모델 간 출력 동질화를 실증한 NeurIPS 2025 Best Paper.
이미지·표·수식을 그래프 노드로 통합한 멀티모달 RAG 프레임워크. 장문서에서 기존 방법 대비 13포인트 이상 우위.
LLM 강화학습에서 비율 클리핑의 구조적 한계를 지적하고, 부드러운 정규화로 대체하는 DRPO(Divergence Regularized Policy Optimization) 방법론을 살펴봅니다
Fable 5가 루프 구조에서 탁월한 이유와 자가 수정, 메모리를 활용한 설계 방법
[[Claude]] 시리즈의 중간급 모델. 성능과 속도의 균형이 우수하지만 메모리 누적에는 제한적
Anthropic의 Mythos급 AI 모델 시리즈. 고급 사이버보안 능력으로 일반 공개가 제한되며, 일반용 버전은 Claude Fable로 제공된다.
[[Claude]] 4.X 시리즈의 이전 버전. Fable 5와의 성능 비교 대상
모델 ID 한 줄 바꾸면 끝일 것 같지만, Fable 5로 넘어올 때 실제로 바꿔야 하는 것들이 있습니다. 적응형 사고 강제 활성화, 안전 분류기 폴백 처리, 30일 트래픽 보관 정책까지 실무 관점으로 체크리스트 형식으로 정리합니다.
2026년 6월, Anthropic이 Mythos급 모델을 처음으로 일반에 공개했습니다. Claude Fable 5의 성능과 안전장치, 그리고 "AI가 위험해지고 있다"는 경고 직후에 나온 이 출시가 갖는 의미를 정리합니다.
Anthropic의 Mythos급 언어 모델. 자가 수정 루프와 메모리 관리에서 뛰어남
가중치와 학습데이터, 레시피까지 전부 공개한 550B(활성 55B) 하이브리드 Mamba-Attention 오픈 MoE. 1M 컨텍스트로 장기 에이전트를 노린 NVIDIA Nemotron 3 Ultra가 왜 순수 트랜스포머를 버렸는지, 미국 오픈웨이트 최강이면서도 왜 중국 모델에 뒤지는지 짚어봅니다.
긴 프롬프트를 신경망에 통째로 밀어넣지 않고 REPL 환경의 변수로 두는 추론 패러다임. 모델이 코드를 써서 컨텍스트를 들여다보고 자기 자신을 재귀 호출합니다. 컨텍스트 창을 한 자리 수 배가 아니라 10M 토큰 단위로 넘기면서도 비용은 비슷하게 유지합니다.
물리학자들이 LLM의 temperature 슬라이더를 통계물리의 상전이로 들여다본 논문입니다. 토큰 임베딩을 스핀 변수로 놓고 보면, 특정 임계온도 근처에서 출력의 질서와 무질서가 물의 끓는점처럼 급격히 바뀌는 임계 현상이 나타납니다. susceptibility 급첨두, order parameter 붕괴, 내재 차원 최소라는 세 신호가 같은 지점을 가리킵니다.
Anthropic이 2026년 6월 9일 출시한 Claude Fable 5는 내부 Mythos 등급 모델을 외부에서 처음 사용할 수 있게 만든 것이다. SWE-bench Verified 95%, 1M 토큰 컨텍스트, 적응형 사고 상시 활성.
에이전트에 기억을 붙이는 일을 정확도가 아니라 시스템 비용의 문제로 처음 해부한 논문입니다. 메모리 시스템을 네 갈래로 분류하고, 구축·검색·생성 단계별로 토큰과 GPU 에너지를 측정해 열 개 시스템을 비교합니다. 정답 하나를 만드는 데 드는 에너지가 시스템 간 수십 배 벌어지며, 그 비용 대부분이 사용자 눈에 안 보이는 기억 구축 단계에 숨어 있다는 것을 보입니다.
Apple이 Google과 함께 만든 모델로 Siri를 재구축하고, Foundation Models의 LanguageModel 프로토콜과 Core AI로 개발자가 앱에 Gemini·Claude·오픈 모델을 붙이게 연 WWDC 2026 키노트를 공식 발표와 보도를 구분해 정리합니다
추론 모델이 토해내는 길고 비선형적인 사고 트레이스를, UIUC 연구진이 8종 노드와 14종 엣지의 방향성 비순환 그래프로 파싱하는 프레임워크 ReasoningFlow를 내놨습니다. 1,260개 트레이스(24만 7천 스텝)를 분석한 결과 중 충격적인 하나. LRM이 만든 오류 스텝의 14.4%만이 실제로 틀린 최종 답에 인과적으로 기여했고, 79.6%는 아예 최종 답과 연결조차 안 됐습니다.
추론 모델을 양자화하면 정확도가 떨어지면서 chain-of-thought는 오히려 길어진다. 그 원인이 사고력이 아니라 "멈추지 못함"임을 KL 발산으로 진단하고, 과사고 마커에 학습 없이 로짓 페널티를 주는 처방을 제시한 메타 FAIR 논문을 뜯어봅니다.
저장 메모리 목록을 비동기 백그라운드 합성으로 대체한 OpenAI의 새 ChatGPT 메모리 아키텍처 Dreaming V3를 뜯어봅니다
프런티어 코딩과 1M 토큰 컨텍스트, 네이티브 멀티모달을 한 모델에 담은 첫 오픈웨이트 모델 MiniMax M3를 MSA 희소 어텐션 중심으로 뜯어봅니다
코드가 아니라 아키텍처에 집중한 오픈소스 지식 베이스 awesome-architecture를, 튜토리얼 9장과 실전 시스템 템플릿 25개를 중심으로 자세히 살펴봅니다
단일 에이전트 루프를 운영체제의 스레드 구조로 일반화하면, 비동기·병렬·격리 컨텍스트를 얻을 수 있다는 단순하고 강한 제안. ReAct 위에 Thread Control Block을 끼워 넣어, 본 스레드가 서브스레드들을 직접 관리합니다. DeepResearch Bench에서 단일 에이전트 베이스라인을 일관되게 앞서고, OS의 스레드 추상을 LLM 에이전트로 끌어온 첫 정식 정리에 가깝습니다.
LLM의 사고 과정을 organizer와 worker 두 역할로 분리하고 Fork-Join 액션으로 비동기 사고를 학습시키는 새로운 추론 패러다임. 단일 모델이 두 역할을 모두 수행하며, RL로 사고 구조 자체를 최적화합니다. 병렬 사고 대비 추론 지연 28% 감소에 수학 추론 정확도 동시 개선, 미학습 태스크로도 비동기 사고가 zero-shot 일반화됩니다. agentic organization 시대를 선언하는 Microsoft Research의 첫 정식 정리입니다.
Cursor가 공개한 코딩 에이전트 모델 Composer 2.5의 학습 방법과 벤치마크를 정리합니다
Anthropic이 SDK 자동 생성 도구 Stainless를 약 3억 달러에 인수했습니다. 단순한 도구 확보가 아니라 OpenAI, Google, Cloudflare가 공유하던 인프라를 Anthropic이 사적으로 가져간 사건입니다.
구글이 2012년 도입한 대규모 Knowledge Graph. 검색 결과 우측 정보 패널과 음성 어시스턴트 답변의 기반입니다.
실세계 개체와 관계에 의미를 입힌 그래프 형태의 지식 표현. 구글·위키데이터가 대표 사례이며, LLM 시대에 Graph RAG의 기반으로 다시 주목받고 있습니다.
W3C OWL 표준의 결정가능한 프로파일. Description Logic을 기반으로 하며 온톨로지 표현력과 추론 효율의 균형점입니다.
문서에서 추출한 엔티티·관계로 그래프를 구성한 뒤, LLM이 그래프 기반 검색으로 답변하게 만드는 RAG 변종. Microsoft GraphRAG가 2024년 대중화시켰습니다.
온톨로지의 형식 정의로부터 새로운 사실을 자동 도출하는 추론 엔진. HermiT·Pellet·FaCT++가 대표적입니다.
1차 술어 논리의 결정가능한 부분집합. 온톨로지의 형식 기반이자 OWL DL의 수학적 토대입니다.
임베딩 벡터 유사도로 문서를 검색해 LLM에 컨텍스트로 넘기는 가장 일반적인 RAG 형태. 단순하고 빠르지만 다단계 관계 질문에 약합니다.
마이크로소프트 리서치가 2024년 공개한 Graph RAG 오픈소스 구현체. LLM 기반 엔티티 추출과 커뮤니티 요약 기반 검색이 핵심입니다.
그래프, 그래프 DB, Knowledge Graph, 온톨로지, Graph RAG, Second Brain. 이름이 비슷한 개념들을 한 줄로 줄세우고, 진짜 차이가 어디에 있는지 정리합니다
사전 정의된 워크플로 그래프 위에서 sub-agent의 모델·reasoning budget·구조 선택을 컴파일 타임에 한 번에 탐색해 정확도-지연 trade-off 집합을 만들어내는 컴파일러입니다. DSPy가 프롬프트 자동화였다면, FlowCompile은 그래프 자체의 자동화로 한 칸 더 나아간 시도입니다.
같은 날 Google에서 정반대 결의 두 뉴스가 나왔습니다. Google Threat Intelligence Group이 *AI로 만들어진 첫 zero-day 익스플로잇* 을 잡았고, Google Research가 LLM의 KV cache를 *6배 압축* 하는 TurboQuant를 ICLR 2026에 공개했습니다. 한쪽은 공격 자동화, 다른 쪽은 비용 자동화입니다. AI가 양날의 검이라는 추상적 표현이 *같은 회사의 두 보도자료* 로 구체화된 하루였습니다.
UCLA 팀이 ICLR 2025의 LongMemEval을 웹 에이전트 trajectory 환경으로 확장한 후속 벤치마크입니다. 451개 수작업 문항으로 static state recall·dynamic state tracking·workflow knowledge·environment gotchas·premise awareness 다섯 메모리 능력을 측정하며, 채팅 히스토리에서 ServiceNow·WebArena의 실제 에이전트 행적으로 옮겨가 25M~115M 토큰 규모의 haystack을 다룹니다.
컴파일된 바이너리와 문서만 주고 코드를 처음부터 다시 짜라고 했더니, 평가한 9개 최신 모델이 200개 태스크 중 단 한 개도 완전히 풀지 못했습니다. 가장 잘한 [[Claude]] Opus 4.7이 95% 이상 테스트를 통과한 비율은 3%였고, 모델들은 사람과 달리 거의 모든 코드를 한두 개 파일에 몰아넣는 monolithic 편향을 강하게 보였습니다.
fine-tuning 없이 모델 외부에 safety 자산을 두는 LLM 안전 프레임워크입니다. 공격 스킬 라이브러리와 경량 보조 디펜더가 공진화하며, victim model을 바꿔도 safety 자산을 그대로 재사용할 수 있습니다.
|-
트랜스포머와 모던 옵티마이저(Adam, Muon)는 사실 같은 것의 다른 레벨이라는 주장입니다. Google Research가 NeurIPS 2025에서 발표한 Nested Learning은 모델 아키텍처와 옵티마이저를 "본인의 컨텍스트 흐름을 압축하는 연상 기억"의 중첩 시스템으로 통합합니다. 이를 토대로 만든 Hope 아키텍처는 1.3B/100B 토큰 규모에서 트랜스포머·Titans·Samba를 넘기며, 10M 컨텍스트까지 성능을 유지합니다.
Meta가 2026년 4월 Llama 오픈소스 노선을 사실상 끝내고, Meta Superintelligence Labs의 첫 사유 모델 Muse Spark를 공개했습니다. Yann LeCun이 떠나고 Alexandr Wang이 들어온 자리에서 만든 첫 결과물, Llama 4 Maverick 대비 1자릿수 이상 적은 컴퓨트로 같은 성능을 낸다고 주장하는 모델, 그리고 Apollo Research가 '관측한 모델 중 가장 evaluation awareness가 높다'고 평가한 안전성 이슈까지 전수 정리했습니다.
멀티에이전트 LLM 시스템의 chain·star·mesh 토폴로지를 추론을 돌리기 전에 단 세 개의 고윳값으로 진단하자는 제안. successor representation을 통신 그래프에 얹어 drift·consensus·robustness를 closed-form으로 풉니다.
2026년 6월 15일부터 Claude Agent SDK와 claude -p 사용량은 구독 플랜 한도에서 빠지고, 별도의 월간 크레딧으로 분리됩니다. Pro 20달러, Max 5x 100달러, Max 20x 200달러가 자동으로 충전됩니다.
옵시디언 CEO kepano가 만든 공식 옵시디언 스킬과 카파시가 제안한 LLM Wiki 패턴. 둘은 별개 프로젝트지만 합치면 'Claude가 내 옵시디언 볼트를 직접 운영하는 지식 위키'가 됩니다.
SenseTime이 Apache 2.0으로 공개한 SenseNova-U1은 VAE도 vision encoder도 들어내고 픽셀과 단어를 한 트랜스포머 안에서 같이 학습합니다. dense 8B와 30B-A3B MoE 두 변종으로 understanding-only VLM 수준 인지에 X2I 생성을 32배 압축률로 동시에 수행하는, native unified multimodal의 first-principle 결정판입니다.
Pappers MCP를 통해 클로드가 프랑스 상법 사건 페이지 분석 그리드를 그대로 출력하는 시연. 회사 데이터와 판례를 동시에 조회해, pin-cite·gap 분석·결정트리까지 변호사가 받아 쓸 수 있는 출력을 만듭니다. 자체 플러그인이 아닌 오픈 MCP 서버로 법률 버티컬을 묶은 사례입니다.
Anthropic이 'Claude for Small Business'라는 별도 플러그인을 내놨습니다. QuickBooks·PayPal·HubSpot 같은 SMB 도구에 직접 붙어 돕니다. 설치부터 커스터마이즈까지 실제 명령으로 풀었습니다.
AI가 다음 토큰을 확률적으로 예측하며 텍스트를 생성하는 근본 원리
출력이 다시 입력에 영향을 주는 순환 구조로, AI 학습의 핵심 메커니즘
임베딩된 벡터들이 이루는 고차원 의미 지도로, AI의 개념 이해가 표현되는 공간
Luma AI는 영상, 3D, 비디오, 추론 모델 라인업을 갖춘 AI 연구소입니다.
AI 에이전트 팀의 90%가 한 달 안에 무너집니다. 에이전트가 멍청해서가 아닙니다. 아무도 안 보고 있어서입니다. 살아남는 AI 팀의 세 가지 원칙과 실제 역할 구성을 정리했습니다.
모델 규모가 임계점을 넘으면 예측 불가능한 능력이 갑자기 나타나는 현상
원인이 결과를 만들고 그 결과가 다시 원인이 되는 순환 구조
Anthropic이 Claude의 내부 활성화를 사람이 읽을 수 있는 텍스트로 변환하는 Natural Language Autoencoders를 공개했습니다. Claude Opus 4.6가 안전 테스트 중 자신이 테스트받는다는 걸 알고 있었지만 말하지 않은 사례, 부정렬 모델의 숨겨진 동기 탐지 — AI 내면을 들여다보는 새로운 도구입니다.
Karpathy 연구 자동화 프레임워크부터 Microsoft AI 에이전트 코스까지, 2026년 실제로 써볼 만한 AI 관련 GitHub 저장소 10개를 정리했습니다.
Anthropic이 SpaceX Colossus 1과 계약을 맺고 Claude 한도를 즉시 올렸습니다. 하지만 이 딜은 단순한 컴퓨트 구매가 아닙니다. 일론 머스크가 Anthropic을 공개 비난하다가 갑자기 계약한 이유, Amazon·Google·Microsoft가 경쟁사에 수십 조를 넣는 이유 — 각 기업이 이 판단을 내린 배경을 분석합니다.
혼자 모든 걸 하는 창업자에게 AI 에이전트 3개가 실제로 도움이 될 수 있을까요. 리서치 에이전트, 콘텐츠 에이전트, 운영 에이전트 — 무엇이 가능하고 무엇이 과장인지 구체적으로 살펴봅니다.
숫자 시퀀스만으로 AI의 성향이 전파됩니다. 콘텐츠 필터링도, AI 교차 검사도, 인컨텍스트 학습도 잡아내지 못합니다. Subliminal Learning — AI 안전에 새로운 구조적 구멍이 생겼습니다.
복잡한 에이전틱 하네스의 성능을 실제로 끌어올리는 건 뭘까요? 이 논문은 답이 '병렬 추론 + 순차적 종합'이라는 두 단계 패턴에 있다고 봅니다. Best-of-N의 이론적 상한을 넘는 Heavy Thinking의 구조와 실험 결과를 정리합니다.
GitHub 22.6k 스타의 Beads는 AI 에이전트 기억 문제를 Git 같은 SQL로 해결하겠다고 합니다. 아이디어는 맞는데, 실제로는 어떨까요. Dolt 마이그레이션이 망가뜨린 것들, '의미 기억 감쇠'의 진짜 정체, Mem0와의 비교까지 정리합니다.
대형 Teacher 모델의 출력으로 소형 Student 모델을 학습시키는 기법. 비용 효율과 함께 모델 편향이 하위 모델로 조용히 전파되는 통로가 되기도 합니다.
$200/month 플랜에서도 한도에 걸린다면? 계획 단계부터 모델 스태킹, 도구 분리까지 — 재현 가능한 5가지 전략으로 Claude 사용 한도를 영원히 피하는 법을 정리합니다.
AI 에이전트가 외부 도구·데이터 소스와 상호작용하는 표준 인터페이스. Anthropic이 2024년 제안해 주요 에이전트 플랫폼과 에디터가 채택 중입니다.
이 블로그 하나로 AI 공부를 완결하는 순서
클로드 프로는 체험판, 맥스도 부족하다? 무조건 할당량 100%만 채우면 된다? 아닙니다. 당연히 잘 쓰는 법이 중요합니다. 클로드를 오래, 효율적으로 쓰려면 어떻게 해야 할까요? 클로드가 아닌 다른 것을 쓰면 해결될까요?
CoT가 왜 되는지 아무도 몰랐습니다. KisMATH는 추론 트레이스에서 인과 그래프를 자동으로 추출하고, 그 그래프 경로를 억제했을 때 모델이 실제로 붕괴하는지 실험으로 확인했습니다. "중간 토큰이 장식이냐 실제 계산이냐"는 질문에 처음으로 엄밀한 인과 답변을 내놓은 연구입니다.
NVIDIA가 한국에게 뭔가 보여줍니다. 한국 인구 통계를 기반으로 700만 개의 합성 페르소나를 공개했습니다. 한국어 AI 학습 데이터의 구조적 공백을 메우는 시도입니다. 활용 방법이 무궁무진합니다. 예를 들어, 사업을 하고 있다면 가상의 소비자 타겟층에게 미리 후기를 들어볼 수도 있겠네요.
Claude Code 하네스와 옵시디언을 연결해 AI가 직접 관리하는 개인 지식 위키를 만드는 법. 설정부터 자동화까지.
오픈클로 사태가 주는 교훈. Claude Code + 스킬로 외부 프레임워크 없이 나만의 AI 비서를 구축하는 실전 가이드.
AI 비서를 내 것으로 만드는 방법. Claude Code의 스킬 시스템을 한국 업무 환경에 맞게 설치하고 운용하는 실전 가이드.
AI 에이전트 하나가 작업을 받습니다. 그 에이전트가 작업을 쪼갭니다. 쪼개진 작업들을 새로운 에이전트들에게 넘깁니다. 그 에이전트들도 또 쪼갭니다. AI가 AI를 낳는다. 재귀적 멀티에이전트 시스템이 무엇이고, AI의 불편한 미래는 어디로 향하는지 정리합니다.
여러분은 시리를 자주 사용하나요? 저는 거의 사용하지 않습니다. 불편하고 멍청합니다. 수 년 동안 그랬습니다. 하지만 이제는 분위기가 조금 달라질 수도 있습니다. Apple Intelligence부터 Phi 계열까지, 모바일에서 실제로 쓸 만한 LLM의 현주소를 알아봅니다.
Claude Code의 TypeScript 소스를 직접 뜯어본 MBZUAI·UCL 연구. 핵심 루프는 while-true 한 덩이지만, 권한 시스템·컨텍스트 압축·서브에이전트가 코드의 98.4%를 차지합니다.
MCP가 등장한 지 1년, 사실상 표준이 된 흐름과 아직 남은 균열을 정리합니다
같은 AI를 써도 결과가 다른 이유는 프롬프트 때문입니다. 역할 부여, 출력 형식 지정, 예시 주기 — 입문자가 바로 쓸 수 있는 원칙들을 정리했습니다.
GPT-5.4가 처음으로 컴퓨터 사용 능력을 네이티브로 탑재했습니다. OSWorld에서 인간 전문가를 앞질렀고, 1M 토큰 컨텍스트도 공식 지원합니다. 에이전트 시대가 OpenAI 입장에서는 시작됐습니다.
MMLU는 이미 포화됐고, Cybench도 100%가 나왔습니다. AI 평가 방법론이 모델 발전 속도를 따라가지 못하고 있습니다. 벤치마크가 망가졌다면, 우리는 무엇으로 모델을 비교해야 할까요.
Anthropic이 출시하지 않은 모델로 보안을 고치는 프로그램을 시작했습니다. Project Glasswing. 가장 위험한 AI를 가장 방어적인 목적에만 씁니다. 이 역설이 어떻게 작동하는지 들여다봤습니다.
DeepSeek V4가 4월 말 출시 예정입니다. 1조 파라미터 MoE, 화웨이 Ascend 칩, CUDA 완전 배제. 중국 AI가 엔비디아 없이 프론티어를 달릴 수 있는지 실증하는 첫 사례가 될 것입니다.
둘 다 AI인데 왜 따로 쓰는 건지 궁금하셨나요. 학습 방식, 안전 철학, 실제로 잘 하는 것이 다릅니다. 스펙 비교가 아니라 쓰임새로 정리했습니다.
AI가 거짓말을 하는 게 아닙니다. 확률적으로 그럴듯한 것을 생성할 뿐입니다. 할루시네이션이 왜 생기는지 구조적으로 이해하면, 어떻게 줄일 수 있는지도 보입니다.
OpenRouter에 등장한 100B 파라미터 스텔스 모델 Elephant Alpha. 환각 억제 벤치 1위, 코딩 82%, 무료 공급. '유명한 오픈 모델 랩'의 정체를 공개하지 않은 채 강력한 성능을 내놓았습니다.
Anthropic이 2026년 4월 17일 공개한 Claude Design. Opus 4.7 비전 모델로 구동되는 AI 디자인 도구로, Figma와 Adobe의 영역에 직접 도전합니다. 발표 당일 두 회사 주가가 하락했습니다.
Anthropic이 Opus 4.6 출시 두 달 만에 4.7을 공개했습니다. SWE-bench 프로덕션 태스크 해결률 3배, 비전 해상도 3배, 새로운 xhigh 추론 레벨과 /ultrareview 커맨드까지. 그런데 여전히 'Mythos'는 금고 속에 있습니다.
Claude가 토큰을 더 많이 쓰고 성능이 떨어졌다는 체감은 기분 탓이 아닙니다. AMD 엔지니어의 6,852 세션 분석, Anthropic의 공식 인정, 그리고 원인·대응을 팩트체크로 정리합니다.
Anthropic, OpenAI, Google 세 회사의 AI 인프라를 숫자로 정리합니다. Stargate 10GW, TPU Ironwood 9,216칩 포드, Project Rainier 100만 칩 — 누가 어디서 어떤 칩으로 얼마를 쓰는지 한눈에 보는 비교.
토큰화와 단어 표현부터 어텐션 메커니즘, 셀프 어텐션까지 거슬러 올라가 2017년 트랜스포머 아키텍처가 등장한 배경과 구조를 설명합니다
앤트로픽이 알려주는 클로드 에이전트 3원칙. 클로드가 이미 아는 것을 활용하고, 불필요한 구조를 제거하고, 경계를 신중하게 설정하는 방법이 중요합니다. 클로드를 너무 자유롭게 풀어두거나, 반대로 너무 많은 것을 제약하면 곤란합니다. 대체 적절한 선은 어디일까요?
위치 임베딩, 층 정규화, 그룹 쿼리 어텐션 등 트랜스포머를 개선하는 기법과, BERT를 중심으로 한 인코더 계열 모델의 구조를 다룹니다
혼합 전문가 모델과 온도, 프롬프팅 전략으로 LLM의 응답 생성 방식을 살펴보고, KV 캐시와 PagedAttention 등 추론 최적화 기법을 다룹니다
Meta Superintelligence Labs의 첫 모델 Muse Spark. 네이티브 멀티모달 추론, 비주얼 CoT, 멀티에이전트 오케스트레이션을 갖춘 Meta의 AI 전략 전환점.
Nous Research의 Hermes Agent — 스스로 배우고 성장하는 오픈소스 AI 에이전트. 5단계 메모리, 자동 스킬 생성, 6개 실행 백엔드, 40+ 도구를 갖춘 로컬 퍼스트 에이전트 프레임워크.
Claude Code의 Ultraplan — CLI에서 시작하고 브라우저에서 검토하고 클라우드에서 실행하는 계획 모드. 터미널을 점유하지 않고 Opus급 계획을 뽑아내는 방법.
Meta의 Llama 4 Scout — 17B 파라미터 오픈소스 멀티모달 MoE 모델. 단일 H100 GPU에서 10M 토큰 컨텍스트, Gemma 3와 Gemini Flash를 능가하는 성능.
한 과제에서 학습한 지식을 다른 과제에 재사용하는 머신러닝 패러다임
대규모 비레이블 데이터로 일반적인 표현을 학습하는 LLM 훈련의 첫 번째 단계
시퀀스 내 각 위치가 같은 시퀀스의 다른 위치들과 어텐션을 수행하는 메커니즘
텍스트를 모델이 처리할 수 있는 최소 단위(토큰)로 분할하는 전처리 과정
여러 평가자들이 동일한 항목을 얼마나 일관되게 평가하는지를 측정하는 지표
인간의 선호도 피드백으로 훈련된 보상 모델을 사용해 LLM을 정렬하는 기법
LLM이 생성한 텍스트로 반복적으로 훈련할 때 출력 다양성이 점점 줄어드는 현상
순서 정보가 없는 셀프 어텐션에 토큰의 위치 정보를 추가하는 방법
LLM이 최종 답변 전에 중간 추론 단계를 명시적으로 출력하게 하는 프롬프팅 기법
이미지를 패치 단위로 분할하여 트랜스포머 인코더로 처리하는 이미지 인식 아키텍처
단어를 주변 문맥 기반으로 밀집 벡터로 표현하는 정적 임베딩 알고리즘
셀프 어텐션 기반으로 RNN을 대체하여 병렬 시퀀스 처리를 가능하게 한 신경망 아키텍처
토큰 쌍 간의 상대 위치를 회전 행렬로 어텐션에 직접 반영하는 위치 인코딩 방법
컴퓨터가 인간의 언어를 이해하고 생성할 수 있도록 하는 AI 분야
이미지와 텍스트를 동시에 처리하여 시각적 내용에 대한 자연어 질의응답을 수행하는 멀티모달 모델
외부 지식 베이스에서 관련 문서를 검색하여 LLM 프롬프트에 삽입해 응답 품질을 높이는 기법
시퀀스 내 요소들의 상관성을 가중 합으로 계산하여 중요한 정보에 집중하는 메커니즘
입력마다 전체 매개변수 중 일부 전문가만 활성화하여 연산 효율을 높이는 신경망 아키텍처
스케일링 법칙과 데이터 및 모델 병렬 처리, 플래시 어텐션과 양자화 등 LLM 사전 훈련 최적화 기법과, LoRA를 이용한 효율적 미세 조정을 다룹니다
인간 선호도로 LLM을 정렬하는 RLHF 파이프라인과 보상 모델, PPO를 이용한 정책 최적화, 그리고 대안인 DPO의 원리를 다룹니다
Anthropic의 Advisor Strategy — 큰 모델이 작은 모델에게 조언만 하고 실행은 맡기는 새로운 에이전트 아키텍처. Sonnet + Opus 조합으로 비용은 줄이고 성능은 올리는 방법.
추론 능력을 강화학습으로 확장하는 GRPO 알고리즘과 PPO의 차이, 길이 편향 문제, DeepSeek R1의 훈련 레시피를 다룹니다
지식 베이스 검색과 순위 재조정으로 구성되는 RAG 파이프라인과, 도구 호출 및 MCP를 활용한 ReAct 에이전트의 관찰과 행동 루프를 다룹니다
BLEU, ROUGE 같은 규칙 기반 지표의 한계를 짚고, LLM as a Judge의 편향과 모범 사례, 에이전트 평가와 벤치마크 설계 방법을 다룹니다
Stanford CS230 딥러닝 강의 Lecture 8. 프롬프트 엔지니어링, RAG, 에이전트 워크플로우, 멀티 에이전트 시스템을 다루는 실전 강의.
마이크로소프트는 1,500만 Copilot 좌석을 팔았다. 그런데 기업 환경은 아직 에이전틱 AI를 받아들일 준비가 안 됐다고 한다. 둘 다 맞는 말이다. 이 역설의 정체가 2026년 에이전트 AI 시장의 실체다.
강의 전체를 복습한 뒤 비전 트랜스포머와 비전 언어 모델, 확산 기반 LLM 등 모달리티 간 기술 이전과 향후 연구 방향을 정리합니다
2026년 2월, 공개 GitHub 커밋의 4%—하루 약 13만 5천 건—가 Claude Code에 의해 작성됐다. 이게 어떤 의미인지 뜯어봤다.
Google DeepMind이 Gemma 4를 공개했습니다. Gemini 3의 연구와 기술을 기반으로 만든 오픈 모델 패밀리이며, 이번엔 Apache 2.0 라이선스입니다. E2B, E4B, 26B MoE, 31B Dense 네 가지 사이즈로 나왔고, 31B 모델은 Arena AI 텍스트 리더보드에서 오픈 모델 3위, 26B MoE는 6위를 기록했습니다. 자기보다 20배 큰 모델을 이기는 파라미터 대비 지능(intelligence-per-parameter) 효율을 강조하고 있습니다. Gemma 시리즈 출시 이후 누적 다운로드 4억 회, 커뮤니티 변형 모델 10만 개라는 숫자도 인상적입니다.
심층 신경망의 학습 안정성을 책임지는 ResNet의 identity shortcut connection은 사실 너무 단순하다는 문제가 있습니다. 입력에 residual을 더하는 방식은 기울기 소실 문제는 해결했지만, 네트워크가 복잡한 상태 전이를 표현하는 데는 한계가 있었죠. 새로운 논문 Deep Delta Learning(DDL)은 이 shortcut 연결에 학습 가능한 기하학적 변환을 추가합니다. 네트워크는 층마다 그냥 넘어갈지, 특정 방향의 정보를 지울지, 완전히 반사시킬지 스스로 결정합니다.
벌써 4.5가 나온다구요? 두 달 정도밖에 안 지났습니다. 아직 4.5는 테크니컬 리포트가 없습니다. 대신 4.0 테크니컬 리포트를 가져왔습니다. 2K 해상도 이미지를 1.4~1.8초 만에 생성하며, T2I 생성과 이미지 편집 작업을 단일 모델에서 공동 학습합니다. 특히 복잡한 텍스트 렌더링, 다중 이미지 참조, 인컨텍스트 추론 생성 등 기존 모델들이 취약했던 영역에서 강점을 보입니다.
여러 개의 언어 모델을 평균화하는 방식만으로 새로운 모델을 훈련시키지 않고도 성능을 높일 수 있습니다. 단순 평균이 아니라 각 모델의 강점이 나타나는 부분을 찾아 비율을 다르게 섞는 SoCE를 제안합니다. 함수 호출 벤치마크에서 새로운 최고 성능을 달성했습니다.
교사 모델의 내부를 전혀 들여다볼 수 없는 상황에서, 어떻게 효과적으로 지식을 전달받을 수 있을까요? Microsoft Research가 제안한 GAD(Generative Adversarial Distillation)는 이 문제에 대한 신선한 해법을 제시합니다.
얀 르쿤과 바렐스트리에로의 최신 연구입니다! 자기 지도 학습(Self-Supervised Learning)에서 표현 붕괴(representation collapse)를 막기 위해 쓰던 여러 임시방편(stop-gradient, teacher-student network 등)들을 이론적으로 정당화하고 이를 단 50줄의 코드로 구현한 LeJEPA 논문입니다. 핵심은 '임베딩이 등방성 가우시안 분포를 따라야 한다'는 수학적 증명에 있습니다.
LLM의 일상화로 컨텍스트 엔지니어링이라는 개념이 떠오르고 있습니다. 많은 사람들이 이것을 최신 에이전트 시대의 산물로 생각하곤 하는데, 실은 20년 이상의 역사를 가진 분야입니다. 이 논문의 핵심 통찰은 바로 여기에 있습니다.기계가 인간의 의도를 이해하려면, 결국 정보 엔트로피를 줄여야 한다는 것이죠.
현대 트랜스포머의 약점을 개선한 새 어텐션 구조 Kimi Linear를 소개합니다. 선형 어텐션 기반으로 효율과 성능을 동시에 끌어올린 접근을 다룹니다.
최신 멀티모달 모델의 화두는 세계를 이해하고 행동하는 모델입니다. BAAI(Beijing Academy of Artificial Intelligence)가 최근 공개한 Emu3.5는 이런 흐름을 타고 비전과 언어를 동시에 예측하는 '멀티모달 월드 모델'을 표방하며 장시간 순차적 추론과 실제 로봇 조작까지 가능하게 한다고 주장합니다.
AGI를 정량화하는 체계적 프레임워크를 제시한 논문입니다. 인간 인지능력 모델(CHC 이론)로 측정해 GPT-4는 27%, GPT-5는 57%라는 AGI 점수를 내놓습니다.
긴 텍스트를 이미지로 변환해 LLM 컨텍스트를 압축하는 DeepSeek-OCR을 소개합니다. 10배 압축에서 97% 정확도를 유지하며, 광학적 컨텍스트 압축이라는 새 발상을 제시합니다.
멀티모달 LLM으로 객체 탐지에 도전한 모델입니다. Qwen과 대규모 영상 데이터로 학습해 각종 탐지 벤치마크에서 높은 성능을 보입니다.
여러분은 MCP를 자주 활용하나요? 저는 매일 사용해서 없으면 안 될 수준입니다. 가끔은 내가 필요한 MCP를 직접 만들고 싶은 때도 있죠. 그렇다면 실제로 MCP가 얼마나 유용한지, 어떤 MCP 서버가 좋은 MCP 서버인지 구별하려면 어떤 기준을 세우면 좋을까요? 이번 논문은 MCP가 실제 업무의 복잡성을 평가하는 벤치마크를 제안하고 MCP 활용 능력을 종합적으로 평가합니다.
Dragon Hatchling(BDH)은 트랜스포머와 뇌 모델 사이의 연결고리를 찾습니다. 생물학적으로 그럴듯한 그래프 기반 뉴런 네트워크로 설계되어, 헤비안 학습과 스파이킹 뉴런을 사용하면서도 GPT-2 수준의 성능을 달성했습니다. 핵심은 attention을 시냅스 가소성으로, feed-forward를 국소적 그래프 동역학으로 재해석한 것입니다.
서울과학기술대학의 VFF-Net을 소개합니다. 딥러닝은 역전파라는 방식으로 학습하는 것이 기본입니다. 역전파 알고리즘을 제안한 제프리 힌턴은 딥러닝 대부로 불리며 모든 현대 AI의 기초를 마련한 인물입니다. 제프리 힌턴은 역전파가 아닌 새로운 학습 알고리즘을 2022년에 발표했습니다. 이것이 FFN인데요, 실제 학습에 적용하기에는 복잡한 네트워크에 잘 맞지 않고, 특히 CNN과 어울리지 않았습니다. 이 문제를 한국에서 해결합니다. 방대한 계산량이 필요한 역전파 대신 FFN의 성능을 끌어올려 실제로 사용할 수 있는 알고리즘으로 만든 것입니다.
최근 이미지 생성 분야에서 Diffusion Transformer(DiT)는 픽셀 공간이 아닌 사전 학습된 오토인코더가 만든 잠재 공간(latent space)에서 확산 과정을 수행하는 것이 표준이 되었습니다. 하지만 대부분의 DiT는 여전히 원래의 VAE 인코더에 의존하고 있고, 이는 몇 가지 한계를 가지고 있습니다. 이 논문은 VAE를 사전 학습된 표현 인코더(DINO, SigLIP, MAE 등)와 학습된 디코더로 구성된 Representation Autoencoder(RAE)로 대체하는 새로운 접근을 제안합니다.
LLM의 성능 향상을 위해 강화 학습을 흔히 사용하죠. 강화 학습 훈련을 위해서는 높은 학습 비용이 필요합니다. 이 논문은 훈련 없이 프롬프트만으로 훈련 없이 강화 학습 정책을 변경합니다.
우리에게 익숙한 많은 언어 모델은 영어 중심입니다. 저처럼 글을 많이 쓰는 분이라면 언어 모델의 한국어 처리 결과를 그대로 어디에 내놓을 수 없다는 아쉬움을 공감하시리라 생각합니다. 다국어 추론 모델의 한국어 성능을 높이려면 어떻게 해야 할까요? 한글날을 맞아 우리의 멋진 연구자들이 새로이 발표한 한국어 추론 모델과 데이터셋을 소개합니다.
대한민국 KAIST에서 제안하는 추론 모델의 메타 인지(meta-awareness) 능력 향상 방법입니다. 이 논문은 모델이 예측한 메타 정보와 실제 추론 과정 사이의 정렬(alignment)을 통해 메타 인지 능력을 향상시키는 MASA(Meta-Awareness via Self-Alignment) 프레임워크를 제안합니다. Qwen3를 기반으로 외부 소스 없이 메타 인지를 학습합니다.
스스로 학습하고 발전하는 인공지능을 위한 새로운 학습 패러다임, 초기 경험(Early Experience)을 제안합니다. 보상 신호 없이도 에이전트가 자신의 행동으로 생성된 미래 상태를 학습 신호로 활용할 수 있습니다. 이제 인공지능이 정답만 보고 배우는 게 아니라 직접 시도한 경험으로 학습한다는 겁니다.
NVIDIA의 힘은 GPU가 다가 아니죠. 명실상부 LLM 선두주자의 새로운 논문입니다. 자연어 처리 모델이 토큰을 생성하는 기본적인 방법인 자기회귀(AR)의 한계를 극복하는 병렬 텍스트 생성 모델입니다. 적은 토큰으로도 파인 튜닝이 가능하고 500배 적은 학습 데이터로 기존 Dream 모델과 동일한 성능을 달성합니다.
삼성에서 한 건 했습니다. LLM 추론 방식에 대한 근본적인 의문을 제시하고 Claude 3.7, GPT의 o3-mini, Gemini 2.5 Pro, Deepseek R1을 능가하는 추론 성능을 달성합니다. 심지어 0.01%에 불과한 파라미터로 말이죠. 삼성 SAIL AI 연구소가 제안한 TRM을 소개합니다.
더 효율적인 멀티모달 LLM을 위한 다양한 시도가 이어집니다. 이미지와 텍스트를 동시에 다루는 모델은 이미지 처리에서 계산 비용이 많이 들어갑니다. 이 문제를 해결하기 위해 시각 토큰을 압축하는 방법이 중요합니다. 효율적인 시각 토큰 압축을 위한 학습 프레임워크를 제안한 논문을 소개합니다.
저는 예전부터 데이터 시각화가 어려웠습니다. 함수 이름이랑 파라미터도 잘 안 외워지고 어떤 그래프가 가장 효과적인가 판단하는 것이 쉽지 않습니다. 구글에서 시각화 시스템을 제안한 논문을 발표한 것은 굉장히 재밌습니다. 아마 Opal과 관련이 있지 않을까요?
대형 언어 모델(LLM)의 추론 능력은 Chain-of-Thought(CoT) 기법을 통해 크게 향상되었지만, 기존의 discrete token 기반 접근법은 여러 추론 경로를 동시에 탐색하는 데 한계가 있습니다. 이러한 한계를 극복하기 위해 continuous token을 사용한 새로운 강화학습 기반 훈련 방법을 제안합니다.
텐센트의 Hunyuan3D Studio 논문을 요약합니다. 단일 이미지나 텍스트에서 게임 엔진에 바로 사용할 수 있는 3D 에셋을 생성하는 7단계 AI 파이프라인을 설명합니다. 지오메트리 생성, UV 언래핑, 텍스처링, 애니메이션까지 전 과정을 자동화한 기술을 다룹니다.
LG AI Research의 EXAONE 4.0 논문을 요약합니다. 빠른 응답의 'Non-reasoning' 모드와 깊은 사고의 'Reasoning' 모드를 통합한 하이브리드 아키텍처가 특징입니다. 모델 구조, 훈련 데이터, 혁신적인 AGAPO 강화학습 알고리즘을 중심으로 설명합니다.
Fudan University 박사과정 연구자. VLA 모델·구현 AI·대형 언어 모델 연구. OpenMOSS 멤버.
Anysphere의 AI 코드 에디터, 바이브 코딩 시대의 대표 IDE
Google DeepMind 공동창업자·Chief AGI Scientist. Marcus Hutter와 함께 Legg-Hutter 보편 지능 측도를 개발한 AGI 이론가.
CUHK Shenzhen 연구조교·Qiyuan.Tech CTO. LLM 에이전트와 의료 AI를 넘나드는 오픈소스 기여자.
Anthropic의 공식 에이전트 SDK, Python·TypeScript로 Claude 기반 자동화·에이전트를 만들 때 쓰는 라이브러리
Recursive Language Models 1저자, MIT CSAIL 박사과정, 언어모델이 비효율적으로 쓰이는 지점을 파고드는 연구자
Alibaba Qwen2.5 시리즈의 대규모 멀티모달 비전-언어 모델
NVIDIA Research Taiwan Staff Research Scientist. Vision+X 멀티모달 AI 전문가로 SpatialClaw 논문의 시니어 저자.
바이브 코딩이라는 용어를 만든 AI 교육자로, 22개월의 창업 챕터를 접고 2026년 5월 Anthropic에 합류해 Claude 사전학습팀을 이끈다
Elon Musk가 2023년 설립한 미국 AI 기업, Grok 시리즈와 Colossus 클러스터 운영
Google DeepMind의 멀티모달 대규모 언어 모델, 장문맥·추론 강화
CUHK Shenzhen 데이터과학부 조교수. LLM 평가·생성 연구 전문가로 Tencent Rhino-bird 프로그램 선정자.
싱가포르국립대학교 NExT++ 연구소 공동 디렉터. 멀티모달 기반 모델, 추천 시스템, 신뢰 가능한 AI 분야 석학.
트랜스포머 논문 공동저자, 전 Google Brain 연구원. Essential AI 공동창업자
ELLIS 튀빙겐 PI, 막스 플랑크 지능 시스템 연구소 그룹 리더. 희소성(sparsity)과 저랭크(low-rank) 근사를 활용한 대형 모델 효율 훈련·추론 연구.
EleutherAI 소속 다국어 NLP·토크나이저 연구자, UC San Diego 언어학 PhD
희소 부호화·대규모 비지도 학습·다언어 기계 번역을 잇는 이탈리아 출신 연구자, Google DeepMind 시니어 연구자
UC 버클리 박사과정 연구자. OOD 탐지·LLM 추론·에이전트 신뢰성 연구. ALE 제1저자.
상하이 인공지능 연구소(SAIL) 포스닥. 멀티모달 LLM 평가 전문. MMBench·VLMEvalKit·RNG-Bench 주요 저자.
Google Research의 KV cache 6× 압축 알고리즘, ICLR 2026 발표, 학습 없이 3-bit 양자화에 정확도 손실 zero
베이징대 컴퓨터과학부 박사 4년차. Zhifang Sui 교수 지도, Microsoft Research Asia에서 Li Dong과 Furu Wei 멘토 아래 인컨텍스트 학습과 추론 라인을 연구
Brain Investing Limited와 Stellaris AI Limited(홍콩) 소속의 산업계 연구자. The Deterministic Horizon 공저자.
Meta의 오픈 웨이트 LLM 시리즈, 오픈소스 LLM 생태계의 사실상 표준
Tencent Hunyuan 수석 연구과학자. 멀티모달 RL 테크리드. 생성 모델·강화학습·신뢰할 수 있는 AI 전문가.
Anthropic 공동 창립자이자 사장, 비즈니스 운영 총괄
GPT-3 논문 제1저자, Anthropic 공동 창립자이자 수석 컴퓨트 책임자
수학 LLM·자동 증명 분야 핵심 연구자, CMU LTI 조교수, DARPA expMath PI
MiniMax LLM 팀장. MiniMax-Text-01부터 M3까지 MiniMax 언어 모델 시리즈 전체를 총괄한 수석 연구자.
Prometheus 시리즈로 LLM-as-a-Judge 분야를 연 KAIST 출신 CMU 박사과정 연구자
UIUC 교수, ConvAI Lab 공동창립자. 대화 AI·음성 NLP·LLM 에이전트 전공. Amazon Alexa·Google·Microsoft Research 출신.
27억 달러 딜로 Google에 복귀해 Gemini를 공동 리드하다가 2년도 안 돼 OpenAI로 떠난 트랜스포머 공동 발명자. 샘 올트먼은 영입에 10년 걸렸다고 말했다
OpenAI CEO. ChatGPT는 출시 5일 만에 100만 사용자를 넘겼고, 2026년 4월 그의 자택에는 화염병이 투척되었다
mindlab.ltd 소속 AI 연구 집단. LoRA 기반 퍼스널 모델 인프라 MinT와 PEFT 스케일링 프레임워크를 개발.
한국어 LLM 평가 인프라(KMMLU·HAE-RAE·BiGGen Bench·SOOHAK)를 주도한 연구자, OnelineAI 공동창업자
OpenAI 전 수석 과학자. 지금 이끄는 SSI는 제품도 매출도 없이 기업가치 320억 달러를 인정받았다
중국 최대 검색 기업, ERNIE 모델과 자율주행 Apollo 개발
Tsinghua University Shenzhen International Graduate School 연구자. LLM 에이전트 자기진화·경험 학습 전문
Sina Weibo AI 시니어 연구원. VibeThinker 시리즈 co-correspondence author. WeiboAI 팀의 연구 방향을 이끄는 리더.
윈도우·애저·OpenAI 파트너십으로 AI 시장에 깊이 관여하는 미국 빅테크
Fudan University 컴퓨터과학부 교수. 대형 언어 모델·NLP·구현 AI 연구. MOSS 오픈소스 LLM 개발 주도.
OpenAI의 대화형 AI 서비스, GPT 모델 기반 챗봇 제품
골드만삭스 트레이더 출신, 전 Google Brain 연구원. 일본 도쿄 Sakana AI 공동창업자 겸 CEO
CMU LTI 부교수, NeuLab 리드, All Hands AI 공동창업자, 다국어 NLP·코드 생성 분야 대형 연구자
UCLA CS Associate Professor, Amazon Scholar, VisualBERT·GLIP 등 비전-언어 모델과 NLP 편향 연구로 알려짐
Codeium이 개발한 AI 에디터, Cascade 에이전트 모드로 Cursor와 경쟁
01.AI의 LLM 시리즈, 카이푸 리(李开复)가 창업한 중국 모델 가족
Microsoft Research Distinguished Scientist 겸 부사장. MSR Asia의 Chief Scientist이자 GenAI 그룹 총괄. NLP, 음성, 멀티모달, foundation model 전반을 지휘
대만 국립성공대(NCKU) 컴퓨터과학과 석좌교수. 지능형 정보검색(IIR) 연구실을 이끌며 AI·바이오인포매틱스·자연어처리를 연구합니다.
CUHK 박사과정·FaceMind Research Asia 공동창업자. NLP·세계 모델 연구자.
ColBERT·DSPy 저자, 신경망 검색·LM 프로그래밍 분야 대표 연구자, MIT 조교수
UC 버클리 CS 교수. AI 보안·에이전트 분야 선구자. MacArthur Fellowship 수상자.
Stanford HAI 교수, NVIDIA 수석 연구 과학자, 상식 추론 및 LLM 동질화 연구자, 2022 맥아더 펠로우
절강대학교 조교수(ZJU-100 Young Professor). G-Retriever 저자. Graph RAG와 GNN 파인튜닝 전문.
양방향 트랜스포머 인코더로 NLP 전반을 끌어올린 구글의 사전학습 언어 모델
스웨덴 스타트업의 자연어 풀스택 앱 빌더, GPT Engineer의 후신
Xiaomi LLM-Core 팀의 시니어 멤버로, MiMo 시리즈(MiMo-7B, MiMo-VL, MiMo-V2-Flash)의 핵심 기여자이자 학계와의 협업을 이끄는 코레스폰딩 저자
중국과학원 ICT 박사과정 + ModelBest 소속. Xueqi Cheng·Huawei Shen 그룹에서 retrieval-augmented LLM과 agentic search를 연구하며 Self-Manager의 1저자
Scale AI 창립자 출신 Meta 수석 AI 책임자
홍콩 이공대학교 NLP 교수. 텍스트 요약·질의응답·다중 문서 추론 연구로 H-Index 52, 인용 13,000회+를 쌓은 시니어 연구자.
UC San Diego 조교수. LLM 서빙 시스템 연구자. vLLM 공동 개발자, LMSYS Org 공동창립자.
Meta가 2026년 4월 공개한 첫 사유 AI 모델, Llama 라인업을 대체하는 Meta Superintelligence Labs의 첫 결과물
중국인민대학교 고링 인공지능학원 교수. NLP·추천 시스템·LLM 분야 대형 서베이 논문으로 널리 알려진 연구자.
Alibaba의 오픈 웨이트 LLM 시리즈, 다국어와 풀라인업 사이즈가 특징
BrainChip Inc. 연구원. 트랜스포머 어텐션 메커니즘 효율화 및 뉴로모픽 추론 연구자.
Princeton 전기컴퓨터공학과 교수, 강화학습 이론과 LLM 에이전트 학습 연구
Alaya Lab(Shanda AI Research Tokyo) 수석연구원. 게임용 월드 모델, 멀티모달 LLM 연구자. 이전 상하이 AI 연구소.
Alibaba Qwen 시리즈의 경량 언어 모델, 명령어 튜닝 버전
트랜스포머 논문 공동저자, 전 Google Brain 연구원. 일본 도쿄 Sakana AI 공동창업자 겸 CTO
도쿄에 본사를 둔 일본 AI 기업, 진화·집단지능 기반 AI 연구로 알려짐
중국인민대학교 고링 인공지능학원 부교수. 생성 모델·확산 모델·베이즈 딥러닝 전문가. LLaDA·iLLaDA 교신저자
OpenAI의 생성형 사전학습 트랜스포머 언어 모델 시리즈
Group Relative Policy Optimization. 가치 함수 없이 그룹 내 상대 보상으로 정책을 갱신하는 강화학습 기법
2021년 설립된 중국 AI 스타트업. MiniMax-Text-01, M1, M2, M3 등 대형 멀티모달 언어 모델과 1M 토큰 장문 컨텍스트 기술로 알려져 있습니다.
Google DeepMind 디스팅귀시드 리서치 사이언티스트. TrueSkill 개발자, AlphaGo 공저자. 2025년 복귀 후 post-AGI 미래 팀을 이끌고 있습니다.
칭화대 AIR 원장·AI과학 석좌교수. 전 바이두 사장, 전 Microsoft Research Asia 초대 원장. 중국공정원 원사.
Microsoft Research Scientist. 코딩 에이전트의 레포지토리 탐색 효율화 연구를 이끄는 FastContext 공동 제1저자.
Microsoft Research 교신 저자. LLM 기반 소프트웨어 엔지니어링 에이전트 연구 그룹 리더.
Moonshot AI 공동 창업자 겸 CEO, Transformer-XL·XLNet 제1저자, Kimi 시리즈 총괄
NVIDIA Research Taiwan 연구원, VLM 효율화 전문. 소형 VLM 강화학습·지식 이전 연구 프로젝트 리드.
UIUC CS 조교수. LLM 추론, 코드 에이전트, 대규모 훈련 효율화 연구. Crafter 교신저자.
미국 일리노이대 어배너섐페인(UIUC) 컴퓨터과학 박사과정. 추론의 의미론과 뉴로심볼릭 추론을 연구하며 Julia Hockenmaier가 지도합니다.
Alibaba DAMO Algorithm Expert, Qwen 핵심 기여자, NLP/LLM 사전학습 연구자
프랑스 파리에 본사를 둔 AI 기업, 유럽을 대표하는 LLM 개발사
Noam Shazeer와 Daniel De Freitas가 2021년 창업한 대화형 캐릭터 챗봇 서비스
텍스트나 이미지 같은 입력을 의미가 보존된 고차원 실수 벡터로 변환한 표현
UC San Diego 박사과정. LLM 추론 가속·투기적 디코딩 연구. hao-ai-lab 소속.
ByteDance(틱톡 모회사)가 개발하는 LLM 시리즈, 중국 내 최대 사용자 챗봇
베이징대학교 지능과학기술학원 석사과정. 장문 컨텍스트 효율화와 희소 어텐션 연구자. MiniMax Sparse Attention 1저자.
블록체인 사용자는 결국 AI 에이전트라고 말하는 트랜스포머 공동저자, 블록체인으로 전향해 NEAR Foundation CEO가 됐다
Microsoft Research GenAI 그룹 연구원. BIT 박사(2024) 후 정규 합류, 다국어 인코더와 멀티모달에서 agentic LLM으로 라인을 옮겨 Era of Agentic Organization 1저자
ChatGPT와 GPT 시리즈를 만든 미국 AI 기업, 현 LLM 시장의 선두주자
비틀즈 노래를 패러디한 제목의 트랜스포머 논문 1저자로 인용 21만 건을 넘겼고, Adept 이후 Essential AI를 다시 창업했다
NUS PhD 연구원. LLM 추론 및 에이전트 벤치마크 전문. EvoArena, LogicReward 저자.
BrainChip Inc. 수석 연구과학자. 뉴로모픽 AI 및 트랜스포머 경량화 팀 리드.
상하이 AI 연구소 연구원이자 상하이교통대 소속. AI 안전·보안과 설명가능 AI를 연구
Anthropic의 공식 터미널·IDE 기반 코딩 에이전트, Claude 모델을 셸과 코드 컨텍스트에 연결하는 CLI
HKU HKUDS Lab 박사과정, LightRAG·RAG-Anything 1저자, 그래프 기반 RAG 연구자
Anthropic 공동 창립자이자 수석 과학자, 스케일링 법칙 핵심 저자
AI 모델 효율성·공정성 연구로 알려진 컴퓨터 과학자, Cohere For AI 전 VP, Adaption Labs 공동 창업자 겸 CEO
AI 안전성을 핵심 가치로 내세우는 미국 AI 기업, Claude 시리즈 개발사
대규모 언어 모델, 거대한 텍스트 데이터로 학습한 트랜스포머 기반 신경망
상하이교통대학(SJTU) 연구원, Microsoft CoreAI 프로젝트 참여. FastContext 공동 제1저자.
University of Arizona 소속 연구자. Predictive Maps of Multi-Agent Reasoning의 1저자로 successor representation을 LLM 멀티에이전트 통신 그래프로 옮긴 분석을 주도.
스탠퍼드 연구자. LLM 에이전트 메모리를 시스템 관점에서 특성화한 Agent Memory 논문의 공동 1저자
Princeton 전기컴퓨터공학과 박사후연구원, Gen-Verse 리더, 확산 모델과 에이전트 RL 연구
Alibaba Wan Team 핵심 연구자. Wan 영상 생성 모델 및 Wan-Streamer 공동 제1저자
AI 연구자. 전 Salesforce AI Research SVP, 현 Recursive Superintelligence 공동창업자.
OpenAI 전 CTO Mira Murati가 2025년 설립한 AI 연구소, LLM 추론 비결정성 규명으로 알려짐
Chinese University of Hong Kong 교수. NLP·딥러닝 연구자. EvoPolicyGym 교신저자.
스마트폰·IoT 중심의 중국 전자기업, AI 모델 개발 확대
난징대 조교수, NJU-LINK 랩을 이끄는 LLM 연구자. 추론·에이전트·게임 평가가 전문
UIUC 교수, BLENDER Lab 창립자. 정보 추출·지식 증강 LLM·다국어 NLP 전공. Amazon Scholar 겸임.
홍콩대학교 컴퓨터 과학과 조교수, HKUDS Lab 디렉터, LightRAG·RAG-Anything 저자, 그래프 신경망 및 RAG 연구자
칭화대 CS 박사과정. TsinghuaNLP 소속. 데이터 중심 NLP, LLM 할루시네이션 연구. Crafter 공동 1저자.
전 Alibaba Qwen 팀 테크 리드, OFA(ICML 2022) 및 Qwen 시리즈 주도, 멀티모달 사전학습 연구자
기업용 LLM에 특화한 캐나다 AI 기업, 트랜스포머 공저자가 창업
Google DeepMind의 멀티모달 네이티브 AI 모델 시리즈
사전 학습된 모델을 특정 태스크나 도메인에 맞게 추가 학습하는 방법
Facebook·Instagram·WhatsApp·Threads·Quest의 모회사, Llama 오픈소스 노선을 끝내고 Muse Spark로 사유 AI 경쟁에 본격 진입
모델 가중치의 정밀도를 낮춰 크기와 속도를 개선하는 압축 기법
절강대학교(ZJU) 컴퓨터과학기술학부 교수. 그래프 기초 모델과 LLM-그래프 연계 연구를 이끄는 중국 그래프 AI 분야 핵심 PI.
Anthropic 공동 창립자, 신경망 해석가능성 분야 선구적 연구자
HKUST(GZ) Information Hub 학장, ACM·IEEE 펠로우. 데이터베이스·GNN 훈련 효율화 분야의 세계적 권위자로 VLDB Endowment 의장(2026-27).
프린스턴 대학교 컴퓨터과학 박사과정, Princeton AI Lab Fellow, LLM 아키텍처 및 추론 연구
싱가포르국립대(NUS) 연구원. LLM 강화학습의 trust region 문제 전문가. DPPO 제안자.
Moonshot AI의 LLM 시리즈, 긴 컨텍스트와 추론 모델 K1.5·K2로 알려진 중국 모델
Tencent의 자체 LLM 시리즈, MoE 기반 대규모 모델로 텐센트 제품군에 통합
홍콩 이공대학교 NLP 그룹 박사 연구원. 멀티모달 추론 효율화를 주제로 연구하며 Optical Reasoning(2026)의 제1저자.
중국 DeepSeek의 LLM 시리즈, 효율적 학습과 R1 추론 모델로 주목받음
Brown University 컴퓨터과학과 조교수. 딥러닝의 이론적 기초, 세계 모델, 자기 지도 학습 전문. Yann LeCun과 LeJEPA를 공동 저술
LLM이 한 번의 추론에서 동시에 처리 가능한 토큰의 최대 길이
JD.COM VP이자 JD Explore Academy Vision and Multimodal Lab 디렉터. 마이크로소프트 리서치 아시아 NLP 그룹 시니어 프린시펄 리서처, StepFun Technical Fellow를 거쳐 합류. NLP·코드 인텔리전스·멀티모달 파운데이션 모델·AI 에이전트 분야 시니어 저자.
MBZUAI 머신러닝학과 조교수, VILA Lab 공동 운영. 효율적 딥러닝, 지식 증류, 에이전트 시스템 설계 연구
University of Washington 박사과정(Yejin Choi 지도), AI 안전성 및 가치 정렬 연구자, NeurIPS 2025 Best Paper Award 수상
대만 국립성공대(NCKU) 지능형 정보검색 연구실 소속 연구자. LLM 에이전트의 자기 교정과 채팅 템플릿 역할 효과를 연구합니다.
Tianjin University 연구자. LLM 강화학습 훈련 안정성과 off-policy RFT 전문.
Self-RAG 저자, RAG·검색 보강 LM 분야 대표 연구자, University of Washington NLP PhD
쌍둥이 형제와 함께 스탠퍼드 CME295 강의를 가르치는 Google DeepMind 엔지니어. CS229·CS230 치트시트로 학습자 수백만 명에게 알려졌다
SenseTime·NEO·EVE 계열을 이끈 encoder-free vision-language 모델 연구자. SenseNova-U1의 Project Lead.
Tianjin University 부연구원. Deep RL 불안정성(plasticity loss, policy churn) 연구자.
SenseTime Senior Research Manager. LLMC·QDrop 등 LLM·VLM 경량화·양자화 라인을 이끕니다.
프랑스 Mistral AI의 오픈 웨이트·상업용 LLM 시리즈
Google과 DeepMind가 합쳐진 AI 연구 조직, Gemini 시리즈 개발 주체
Vercel의 AI UI 생성 도구, 자연어 프롬프트로 React 컴포넌트와 풀스택 앱 생성
Google DeepMind 리서치 사이언티스트. 정보이론 기반 유계 합리성·메타러닝 전문가. "From AGI to ASI" 1저자.
Anthropic 공동 창립자이자 수석 아키텍트, 스케일링 법칙 공동 연구자
베이징대학교 EECS 학과 교수이자 MOE 전산언어학 핵심실험실(Key Lab of Computational Linguistics)에서 NLP·문서 이해·LLM 연구를 이끄는 그룹의 책임자
SJTU 텐처트랙 조교수. AI4Data·에이전트 메모리 전문. SIGMOD 2025 Jim Gray 수상 (중국 본토 최초)
Alibaba DAMO Academy 알고리즘 전문가. Qwen 팀 강화학습 리드. NLP·RL 연구자
UC Merced 조교수, UC Merced NLP Lab 디렉터. 신뢰성 있는 LLM 제어와 멀티모달 추론을 다루며 Self-Manager의 시니어 저자
홍콩대(HKU) 박사과정 최종학년. LLM 추론의 아키텍처적 한계를 증명하고 그 한계를 우회하는 시스템을 짓는 연구자. Betty Guo로도 알려져 있습니다.
MIT CSAIL 연구원, Gated Delta Networks(ICLR 2025) 주저자, 선형 어텐션과 상태 공간 모델 연구자
논리학 박사 출신 트랜스포머 공동저자로, OpenAI 이적 후 최초의 추론 모델 o1 개발을 이끈 리서치 리드가 됐다
칭화대학교 조교수. THUNLP 소속 NLP·LLM 정렬 연구자. NatureBench 교신저자
UCLA CS Associate Professor, PLUSLAB 디렉터, controllable·creative natural language generation 분야 NSF CAREER 수상자
위챗·게임으로 알려진 중국 빅테크, Hunyuan 모델 개발
Tsinghua 교수. ACM·IEEE Fellow. LLM 데이터 관리 및 데이터베이스 시스템 전문
Zhipu AI(智谱)의 LLM 시리즈, 칭화대 스핀오프가 개발하는 중국 모델
대만 국립성공대(NCKU) 컴퓨터과학정보공학과 박사과정. 생성모델·의료 AI·공정성 AI를 연구하며 현재 하버드 의대 바이오의료정보학과에서 인턴 중입니다.
Google DeepMind AGI and Society 리드. AI 가치 정렬·윤리 전문가. 정치철학 배경의 AI 안전 연구자.
천진대학교 교수. Deep Reinforcement Learning Lab 주재. 다중 에이전트·LLM RL 연구.
전자상거래에서 출발한 중국 빅테크, Qwen 모델 시리즈 개발
Alibaba Cloud CTO 겸 그룹 수석 과학자. Qwen·Wan 모델 총괄. ACM Fellow 2024, IEEE Fellow 2019
Anthropic의 팀 협업·자동화 워크스페이스, Claude 모델을 위키·문서·플러그인 워크플로우와 묶는 진입점
스탠퍼드 CME295 트랜스포머와 LLM 강의 공동 강사
워털루대학교 컴퓨터과학과 조교수. NLP·ML 연구자. Im2LaTeX, WildChat 개발자. Reading to Learn Lab 설립자.
2025년 Mark Zuckerberg가 Meta 내부에 신설한 AI 연구 조직, Alexandr Wang이 이끌며 Muse Spark가 첫 결과물
Cornell 박사과정 + Google Research NYC 인턴, Titans·Atlas·Miras·Hope 연쇄 논문의 1저자
NUS 컴퓨팅학부 조교수. 그래프 이상 탐지, 사기 탐지, LLM 에이전트 연구.
StackBlitz의 브라우저 기반 풀스택 앱 빌더, WebContainer 위에서 실시간 실행
여러 프런티어 모델을 동적으로 지휘하는 Sakana AI의 멀티에이전트 오케스트레이션 시스템
SenseTime Research 디렉터. InternVL·SenseNova 라인의 멀티모달 시스템 엔지니어링을 이끕니다.
칭화대학교 Huiyan 석좌교수. Frontis.AI 창업자. IBM Watson 수석과학자 출신
위키피디아를 최소로 압축하면 최대 50만 유로를 주는 허터상을 만든 AIXI 창시자. 계산 불가능한 이론상 최적 에이전트로 지능을 정의했다
CMU 언어기술연구소 조교수, AI2 AI 안전 수석 연구 과학자, 소셜 NLP 및 AI 편향 연구자, 2025 Packard Fellow
천진대학교 특별채용 부교수. RL, 구현 AI, LLM 에이전트 연구. 60편 이상의 주요 학회 논문.
MiniMax 사전학습 리드. MiniMax-M2를 포함한 MiniMax LLM 시리즈의 사전학습 파이프라인 총괄.
만 20세 학부 인턴으로 트랜스포머 논문 최연소 저자가 됐고, 창업한 Cohere는 기업가치 70억 달러로 IPO를 준비 중이다
Anthropic CEO. 미 국방부의 대규모 감시·자율무기 활용 요청을 거부해 정부의 Claude 사용이 한때 중단되기도 했다
OpenAI의 멀티모달 대규모 언어 모델, 텍스트·이미지·음성 이해 능력 제공
Sina Weibo AI 연구원. VibeThinker 시리즈(1.5B, 3B) 1저자. 소형 언어 모델의 검증 가능한 추론 한계를 탐구하는 Spectrum-to-Signal Principle 설계자.
NUS/MIT 연구원. LLM 대화 시스템·다중 에이전트 인지 연구. EvoArena 공저자.
검색·광고에서 출발해 AI 연구를 선도하는 미국 빅테크, 알파벳 자회사
Microsoft Research Asia의 시니어 NLP 연구자. UniLM 시리즈와 MiniLM, InfoXLM, Kosmos 시리즈를 주도한 인물로 MSR 차세대 인재 라인의 핵심 멘토
Elon Musk의 xAI가 개발하는 LLM, X 데이터와 통합된 챗봇
HKU-NLP 박사과정 연구자로 멀티모달 LLM(MiMo-VL 등)과 LLM-as-a-Judge·In-context Learning 메커니즘 연구를 수행하며 EMNLP 2023 Best Paper 수상자
Qwen Team(Alibaba) 연구원, Gated Attention(NeurIPS 2025 Best Paper) 공동 1저자, LLM 어텐션 메커니즘 연구자
RNA를 생물학적 소프트웨어로 보고 창업한 Inceptive가 2026년 Alnylam과 최대 20억 달러 계약을 맺은, 생명과학으로 전향한 유일한 트랜스포머 저자
BrainChip Inc. 선임 연구원. 뉴로모픽 칩 기반 엣지 AI 추론을 위한 트랜스포머 경량화 연구자.
Palantir Foundry 위에 얹는 AI 운영 평면. LLM·에이전트·평가·자동화를 온톨로지·액션과 묶어 운영