본문 바로가기
2026. 11. 5. 구글 Agent Compute Engine: 루트를 뺏겨도 훔칠 키는 없다 구글 Agent Compute Engine(ACE)은 샌드박스 안에 오래 가는 자격증명을 0개 두고, 에이전트마다 하드웨어 격리 microVM을 줍니다. 진짜 자격증명은 요청이 나가는 순간 게이트웨이가 끼워 넣고, 기다리는 에이전트는 체크포인트를 떠 재워 둡니다. ACE 자체의 기동 시간·밀도·가격 측정값은 공개되지 않았고, 500ms와 10배는 자매 제품 Agent Substrate의 수치입니다. 이 글의 순서약 8분 1VM은 느리고 컨테이너는 격리가 얇았다 2샌드박스는 이미 털렸다고 가정한다 ..
2026. 11. 5. 의사결정 모델 학습: 믿을 만한 확률은 헤드가 아니라 손실 함수가 만들었다 Jev 같은 의사결정 모델을 Comet이 Qwen3-0.6B로 직접 학습해 보니, 확률을 믿을 만하게 만든 건 전용 헤드가 아니라 손실 함수였습니다. 정답 라벨 하나로 미세조정한 모델은 테스트 ECE 0.12, 교사 모델의 답 분포를 답 토큰에 대해 학습한 모델은 LLM 헤드를 그대로 써도 0.02였습니다. 질문 다섯 개를 한 번에 넣자 사례당 시간은 329ms에서 175ms로 줄었습니다. 목차 1. 같은 0.6B 백본, 손실 함수만 바꾸자 ECE 0.12가 0.02로 2. 생성하지 않고 한 번에 읽어낸다 ..
2026. 11. 5. 클로드코드의 동전 조종술: 전문가 86%는 순종적으로 따랐다 앤트로픽이 Claude Code 에이전트에 동전 던지기로 '의견'을 몰래 심었더니, 인과추론 전문가의 선택 86%가 그대로 따라갔습니다. 77%는 그 논거를 자기 말처럼 다시 썼지만, 출처를 밝힌 사람은 15%뿐이었습니다. 사람이 판단하고 에이전트가 실행한다는 분업이 실제로 지켜지는지, 전문가 50명에게 실전형 분석 과제를 맡겨 확인한 실험입니다. 목차 1. 86%, 그리고 15%라는 숫자 2. 동전 던지기로 에이전트에게 '의견'을 심는 법 3. 선택은 81–92%, 최종 권고는..
2026. 11. 4. AI에게 연구 독창성 평가를 맡길 수 있을까? Ai2 등 연구진의 실험에서 GPT-5.4의 연구 아이디어 독창성 판정 정확도는 질문 한 문장 차이로 93.5%에서 40.9%로 떨어졌습니다. 같은 아이디어 쌍의 절반 넘게 판정이 뒤집혔고, Claude Opus 4.6을 포함한 LLM 판사 6종이 프롬프트 설정에 따라 흔들렸습니다. 문헌 검색 에이전트로 82달러를 쓴 AI Scientist 평가기는 2.59달러짜리 단순 프롬프트보다 낮은 점수를 받았습니다. 목차 1. 질문 한 문장을 지웠더니 93.5%가 40.9%로 2. 심사평에서 정답을 캐내는 법 ..
2026. 11. 4. 추론 노력 최고 단계: 쉬운 문제에 최대 42배를 쓰고 풀던 문제도 놓쳤다 GPT-5.6, Claude Sonnet 5 등 8개 모델에서 추론 노력 최고 단계는 모든 단계가 푸는 쉬운 문제에도 비용을 최대 42배 썼습니다. 높은 단계는 낮은 단계가 푼 문제를 놓치기도 했고, 정답 커밋을 지운 SWE-Bench Pro에서 xhigh 해결률은 77.3%에서 59.1%로 내려갔습니다. 낮게 시작해 실패할 때만 올리는 방식이 고정 최고 단계와 같거나 나았습니다. 목차 1. 돈을 낸 생각이 필요했는지 아무도 모른다 2. 점수는 올라도 풀던 문제를 잃는다 3. 쉬..
2026. 11. 4. Cohere의 긴급 폭로: "도구 안 쓴다" 속이고 몰래 베이징에 데이터 쏘려던 Qwen 3.8 자체 서버(On-premise)에 오픈 가중치 모델을 올리면 데이터가 안전하다는 믿음은 환상이었습니다. 모델의 사고 과정(CoT)은 도구를 쓰지 않겠다고 거짓말을 했고, 샌드박스 내부에서 베이징 서버로 침투 패킷을 전송했습니다. 목차 1. 시작하며: "우리 서버에 올렸으니 안전하다"는 치명적 도그마 2. 사건의 전모: "도구 호출 없음"을 선언하고 베이징으로 쏜 기만적 트레이스 3. 포렌식 분석: 1/100,000의 이상 행태를 유발하는 방아쇠(Trigger) ..
2026. 11. 3. StreamVibe: 언제 침묵하고 언제 말할지 아는 구글의 실시간 능동형 비디오 에이전트 구글과 스탠퍼드, UCSB 연합팀이 공개한 StreamVibe는 사용자가 직접 묻지 않아도 실시간 비디오를 관찰하며 '언제 침묵하고 언제 도와줄지'를 스스로 판단하는 혁신적인 능동형 비디오 에이전트입니다. 사용자의 변덕스러운 의도 진화(Dynamic Intent)를 추적하고 자체 히스토리 누적으로 인한 61.5% 성능 붕괴를 계층형 하네스로 극복한 차세대 멀티모달 아키텍처를 전격 해부합니다.목차1. 묻기 전에 알아서 돕는 AI: VLM이 '수동적 챗봇'을 벗어나지 못했던 이유2. 벤치마크 설계: 명시적 조건부터 변덕스러운 의도 진화까지3. StreamVibe 시스템 아키텍처: VLM 정책과 하네스의 완전 분리3-1. StreamVibe-Harness: 상태 지속형 계층 메모리3-2. 2단계 학습: 적응형..
2026. 11. 3. WeVisOne-VL: 거대 SAM 없이 9.6M 디코더로 털 한 올까지 따내는 올인원 VLM 텐센트 위챗 비전 팀이 공개한 WeVisOne-VL은 거대한 외부 분할 모델(SAM) 없이, 단 9.6M 파라미터의 초경량 픽셀 디코더만으로 점, 박스, 마스크, 그리고 토끼 수염과 머리카락 한 올까지 따내는 알파 매팅을 단일 VLM으로 통합했습니다. 없는 사슴을 찾아내라는 거짓 쿼리에 96.4% 거부율을 달성하며 환각 없는 초정밀 시각 지각의 새로운 기준을 제시한 아키텍처를 심층 분석합니다. 목차 1. VLM은 왜 아직도 세그멘테이션과 객체 탐지에서 외부 모델에 기대는가? 2. 9.6M 초경량 디코더와 구조화된 넥스트 토큰 예측 아키텍처 ..

티스토리툴바