총 2533건 중 2497-2520건
Firecrawl은 첫 Launch Week 3일 차에 단일 URL을 웹사이트 전체 URL 목록으로 빠르게 확장해 주는 Alpha 단계의 Map Endpoint를 공개했다.
Firecrawl은 첫 Launch Week 둘째 날 모든 요금제의 /scrape 엔드포인트 요청 한도를 두 배로 늘렸다고 발표했습니다.
오픈 아랍어 LLM 리더보드 2는 기존 평가의 번역 편향·포화·검증 오류를 바로잡고, 아랍어 고유 특성과 실제 활용을 반영한 원어·인간 검수 벤치마크와 생성형 평가를 확대한 개편판이다.
고해상도 이미지·영상 생성에서 큰 메모리를 차지하는 가변 오토인코더 디코딩을 원격 추론 엔드포인트에 맡겨 소비자용 그래픽 처리 장치의 부담을 줄이고 생성과 디코딩을 병렬화하는 실험적 기능을 소개한다.
이 글은 Sentence Transformers로 정적 임베딩 모델을 현대식 대조학습과 Matryoshka Representation Learning으로 학습해 CPU 추론 속도를 기존 주요 임베딩 모델보다 100~400배 높이면서도 여러 벤치마크에서 성능의 상당 부분을 유지하는 방법을 소개한다.
Gamma는 Firecrawl을 활용해 웹페이지, 블로그 글, Notion 페이지 등 URL 기반 콘텐츠를 깨끗한 마크다운으로 가져오고, 이를 Gamma Sites와 AI 발표자료 생성 기능의 입력으로 전환한다.
Firecrawl은 외부 스크래핑 서비스의 실패와 속도 문제를 해결하기 위해 자체 기본 백엔드인 Fire Engine을 도입했다고 발표했다.
Firecrawl은 2024년 7월 업데이트에서 YC 런치, scrape·crawl 성능과 대시보드 개선, 새 템플릿과 커뮤니티 사례, 채용 소식을 발표했다.
앤드리슨 호로위츠의 마크 앤드리슨과 벤 호로위츠는 스타트업을 뜻하는 ‘리틀 테크’를 미국 기술·경제·군사 우위의 핵심으로 보고, 정부의 반스타트업 정책과 대기업의 규제 포획에 맞서 정치적으로 방어하겠다고 선언한다.
Firecrawl의 2024년 6월 업데이트는 Gamma, Dify, Praison, Flowise 연동, 새 대시보드, 플랫폼 기능 개선, 신규 튜토리얼 공개를 중심으로 진행됐다.
이 글은 Airflow 워크플로에서 Modal을 이용해 GPU 기반 AI/ML 작업을 더 간단히 실행하는 두 가지 방법, 즉 배포된 Modal Function 호출과 Modal Sandbox 기반 커스텀 Operator 구성을 설명한다.
Stripe는 MongoDB Community 기반의 자체 DBaaS인 DocDB와 데이터 이동 플랫폼을 구축해 초당 500만 건 이상의 쿼리를 처리하면서도, 데이터 정합성과 원본 샤드 성능을 보존하는 클라이언트 투명형 무중단 마이그레이션을 구현했다.
Epoch AI는 프런티어 AI 모델의 최종 훈련 비용이 2016년 이후 연 2~3배 수준으로 빠르게 증가해 왔으며, 현재 추세가 이어지면 2027년 최대 규모 훈련 실행은 10억 달러를 넘을 수 있다고 분석한다.
Epoch AI는 최신 데이터 확장을 바탕으로, 프런티어 AI 모델의 학습 컴퓨트가 최근 연간 약 4~5배 속도로 증가해 왔다고 결론짓는다.
이 글은 소프트웨어 연구개발의 수익률이 1을 넘을 경우 AI가 자기 연구개발을 자동화하면서 초쌍곡적 성장, 즉 소프트웨어 특이점으로 이어질 수 있는지 이론과 제한적 실증 자료로 검토한다.
Stripe Billing의 테스트 시계는 실제 운영 로직을 그대로 사용하면서 의미 있는 결제 이벤트로 시간을 빠르게 이동시켜, 장기간의 구독·청구 시나리오를 짧은 시간 안에 검증하게 해준다.
SyGra Studio는 합성 데이터 생성 흐름을 시각적으로 구성하고, 생성되는 설정과 실행 상태·비용·결과를 한 화면에서 확인할 수 있게 만든 대화형 작업 환경이다.
Epoch AI는 사전학습 언어모델에서 같은 성능에 필요한 컴퓨트가 약 8개월마다 절반으로 줄었지만, 지난 10년의 성능 향상은 알고리즘 혁신보다 컴퓨트와 데이터 확장의 영향이 더 컸다고 분석한다.
DPO는 인간 선호 데이터를 이용해 보상 모델과 강화학습 단계를 거치지 않고도 언어 모델을 직접 선호 방향으로 미세조정하는 방법이다.
임베딩젬마는 3억 800만 개 매개변수와 2,048토큰 문맥 길이, 100개 이상 언어 지원, 차원 축소 기능을 결합해 일상적인 기기에서도 고품질 다국어 임베딩을 생성하도록 설계된 구글의 소형 모델이다.
이 글은 Sentence Transformers로 희소 임베딩 모델을 미세조정하는 이유와 기본 구성요소를 설명하며, SPLADE 계열 모델의 해석 가능성·확장 방식·도메인 적응 필요성을 실용 예제로 보여준다.
라이거의 청크 단위 손실 계산을 TRL의 그룹 상대 정책 최적화에 통합해 모델 품질을 유지하면서 최대 GPU 메모리를 40% 줄이고, 분산 학습과 매개변수 효율적 미세 조정 및 고속 생성 서버 연계까지 지원한 결과를 소개한다.
TRL의 co located vLLM은 GRPO의 학습과 생성을 동일한 GPU·분산 프로세스 그룹에서 번갈아 실행해 유휴 시간과 통신 비용을 줄이며, 모델 크기와 텐서 병렬화 설정에 따라 최대 1.73배의 처리량 향상을 보였다.
Epoch AI는 AI 자동화 예측 문헌을 검토하며, 기존 방법들이 기술적 자동화 가능성에 치우쳐 실제 배포·비용·노동시장 변화를 충분히 설명하지 못한다고 지적한다.
