이 작성자와 연결된 문서를 한곳에서 모아보고, 관련 태그를 따라 같은 맥락의 문서를 이어서 탐색할 수 있습니다.
자주 함께 등장한 태그
이번 글은 AI 규제의 균형 필요성을 논한 뒤, 알리바바 Qwen3.7 Max의 성능·폐쇄화 흐름과 WhaleSpotter가 열화상 AI로 선박 고래 충돌을 줄이는 사례를 정리한다.
원문은 AI FDE보다 폭넓은 AI 엔지니어 수요가 더 커질 것이라고 전망하고, 고성능·고가격화된 Gemini 3.5 Flash와 EU AI Act 일부 유예·완화 흐름을 함께 다룬다.
원문은 하버드의 A 학점 제한을 비판하며 교육의 목적을 ‘판정’보다 ‘성공 지원’에 두어야 한다고 주장하고, 이어 Hermes Agent의 OpenClaw 추격과 실시간 상호작용형 멀티모달 모델 TML Interaction Small을 소개한다.
글은 최신 AI 모델 사용법 교육 안내를 시작으로, GPT 5.5의 높은 벤치마크 성과와 환각 문제, 대형 AI 기업의 데이터센터 확장으로 흔들리는 탄소 감축 약속, 그리고 오픈 가중치 모델 Kimi K2.6의 경쟁력을 함께 다룬다.
본문은 코딩 에이전트가 프론트엔드에는 큰 가속을 주지만 백엔드·인프라·연구로 갈수록 한계가 커진다는 판단과, 장시간 자율 작업을 지향하는 GLM 5.1 및 초기 산업 현장의 휴머노이드 로봇 배치를 다룬다.
원문은 AI 네이티브 소프트웨어 팀에서 역할과 병목이 재편되는 흐름을 설명한 뒤, Meta의 폐쇄형 멀티모달 모델 Muse Spark와 Eli Lilly·Insilico의 AI 신약개발 협력을 다룬다.
원문은 음성 UI가 AI 애플리케이션의 중요한 인터페이스가 될 것이라는 전망을 중심으로, Claude Code 소스 유출이 드러낸 에이전트 구조와 OpenAI의 Sora 종료 계획을 함께 다룬다.
이 글은 코딩 에이전트가 서로 배움을 공유하는 chub 비전에서 출발해 GPT 5.4의 성능·가격, 모바일 AI 앱의 급성장, AI 데이터센터 전력 확보 흐름을 차례로 정리한다.
원문은 DeepLearning.AI의 Skill Builder 소개로 시작해 Gemini 3.1 Pro Preview의 벤치마크 우위, 뉴델리 AI Impact Summit의 낙관적 기조, 그리고 에이전트형 AI가 SaaS 기업 가치에 준 충격을 다룹니다.
DeepSeek R1의 공개는 중국 생성 AI의 추격, 오픈 웨이트 모델의 공급망 중요성, 기반 모델 가격 하락, 그리고 강화학습 기반 추론 모델·컴퓨터 사용 에이전트의 부상을 동시에 부각시켰다.
DeepSeek R1은 긴 추론 과정을 거쳐 답을 내는 공개 모델로, OpenAI o1과 경쟁할 성능을 보이면서도 자유로운 사용·수정과 낮은 API 비용을 내세운다.
DeepSeek V3는 MoE 구조와 여러 학습 최적화를 바탕으로 주요 벤치마크에서 강한 성능을 보이면서도 매우 낮은 학습 비용을 제시해, 기초 모델 개발의 경제성을 다시 생각하게 만든다.
DeepSeek R1은 OpenAI o1처럼 추론에 더 많은 계산을 쓰는 모델이지만, 추론 과정을 공개한다는 점에서 더 투명한 경쟁자로 제시됐다.
LLM 토큰 가격은 오픈웨이트 모델 경쟁, 하드웨어 혁신, 추론 기술 개선으로 빠르게 하락하고 있으며, AI 기업은 비용 최적화보다 유용한 애플리케이션 구축과 주기적 모델 전환 검토에 집중해야 한다.
DPO는 인간 선호 데이터를 이용해 보상 모델과 강화학습 단계를 거치지 않고도 언어 모델을 직접 선호 방향으로 미세조정하는 방법이다.
바이든 행정부의 AI 행정명령은 국방·비상권한에 근거해 일부 기초 모델의 보고·시험을 요구하고, 연방기관이 안전·프라이버시·차별·경쟁력·국제표준 관련 기준을 마련하도록 지시한 조치다.
강화학습은 지도학습이 과거에 겪었던 것처럼 하이퍼파라미터에 매우 민감하지만, 실세계 벤치마크와 재현성의 어려움 때문에 더 견고한 발전 경로를 만들기 어렵다는 문제를 안고 있다.
