이 태그와 연결된 문서를 한곳에서 모아보고, 함께 자주 등장하는 연관 태그까지 이어서 탐색할 수 있습니다.
Alias / 동의어
연관 태그
헨릭 워델린은 AI 에이전트 시대에도 오래가는 사업의 출발점은 유행 기술이 아니라 특정 고객을 깊이 이해하고 창업자 자신과 맞는 고객을 섬기는 데 있다고 말한다.
Project Suncatcher는 태양광 위성 군집에 Google TPU와 자유공간 광통신 링크를 탑재해 우주에서 대규모 머신러닝 연산 인프라를 확장할 수 있는지를 검토하는 Google의 연구 문샷이다.
AWS와 OpenAI는 향후 7년에 걸쳐 380억 달러 규모의 전략적 파트너십을 맺고, OpenAI의 핵심 인공지능 서비스와 차세대 모델을 위한 대규모 컴퓨팅 인프라를 즉시 구축·확대한다.
OpenAI는 한국이 반도체·디지털 인프라·인재·정부 지원을 기반으로 주권형 AI 역량과 최첨단 AI 개발사와의 전략적 협력을 병행해 안전하고 포용적인 경제 성장을 이룰 수 있다고 제안한다.
오픈AI는 영국 법무부의 챗지피티 엔터프라이즈 도입과 영국 내 데이터 저장 옵션을 통해 공공 부문의 인공지능 활용과 영국의 주권형 인공지능 역량 확대를 지원한다.
RedNote의 30억 매개변수 OCR 모델 dots.ocr를 단일 이미지 처리에 맞게 단순화하고, 비전 인코더를 Core ML로 변환해 PyTorch와 유사한 출력까지 검증한 온디바이스 구현 기록이다.
Google은 Snapseed iOS의 Object Brush에 온디바이스 Interactive Segmenter를 적용해, 사용자가 탭이나 선 긋기만으로 객체를 빠르게 선택하고 선택 편집할 수 있게 했습니다.
OpenAI·Oracle·SoftBank은 미국 내 스타게이트 AI 데이터센터 5곳을 새로 확정하며, 2025년 말까지 5,000억 달러 투자와 10기가와트 용량을 확보한다는 목표에 예정보다 빠르게 접근하고 있다.
이 글은 NVIDIA Isaac for Healthcare의 SO ARM 스타터 워크플로를 통해 시뮬레이션 데이터 수집, GR00T N1.5 후학습, Isaac Lab 평가, 실제 SO ARM101 하드웨어 배포까지 이어지는 의료 로봇 개발 과정을 설명한다.
NVIDIA Isaac for Healthcare의 SO ARM 스타터 워크플로는 시뮬레이션 데이터 수집, 혼합 학습, 평가, 실제 하드웨어 배포까지 이어지는 의료 로봇 개발 과정을 하나의 실습형 파이프라인으로 제시한다.
LeRobotDataset v3.0은 여러 로봇 에피소드를 하나의 데이터·영상 파일로 묶고 관계형 메타데이터로 개별 에피소드를 찾아내는 구조를 도입해, 대규모 데이터셋의 파일 시스템 부담을 줄이고 스트리밍 처리를 지원합니다.
YouTube는 대형 생성 모델의 효과를 지식 증류로 작고 빠른 학생 모델에 옮기고 MediaPipe 기반 온디바이스 파이프라인으로 최적화해 Shorts에서 실시간 생성형 AI 효과를 구현했다.
이 글은 RGB 이미지를 회색조로 변환하는 CUDA 커널을 예제로 삼아 구현, PyTorch 네이티브 연산자 등록, 재현 가능한 빌드, 다중 환경 컴파일, Hugging Face Hub 배포까지의 전체 과정을 설명한다.
TRL은 비전 언어 모델 정렬을 기존 SFT·DPO에서 MPO·GRPO·GSPO와 RLOO·Online DPO까지 확장해, 멀티모달 선호 학습과 강화학습을 더 유연하게 적용할 수 있도록 지원한다.
Accelerate와 Axolotl은 데이터·완전 샤딩 데이터·텐서·컨텍스트 병렬화를 조합해 대규모 모델의 메모리 사용량, 계산량, 장치 간 통신 비용을 균형 있게 설계하도록 지원한다.
OpenAI는 노르웨이 나르비크에 재생에너지 기반의 대규모 AI 데이터센터를 조성해 유럽의 컴퓨팅 역량과 지역 AI 생태계를 확대하는 ‘스타게이트 노르웨이’ 계획을 발표했다.
트래키오는 로컬 대시보드, 허깅페이스 스페이스 공유, 기존 wandb 호환 API를 결합한 무료 오픈소스 실험 추적 파이썬 라이브러리다.
멀티모달 학습의 GPU 유휴 시간과 과도한 패딩을 줄이기 위해, 데이터셋 분석부터 토큰·이미지 제약을 함께 고려하는 균형 잡힌 배낭식 배치 구성까지 단계적으로 개선한 사례다.
Gradio의 MCP 지원을 활용하면 Hugging Face Spaces의 다양한 AI 도구를 Cursor 같은 LLM 클라이언트에 연결해 이미지 편집, 영상 전사, OCR, 음성 합성 등의 새로운 기능을 부여할 수 있습니다.
이 글은 Sentence Transformers로 reranker 또는 Cross Encoder 모델을 도메인 데이터에 맞게 학습·파인튜닝하는 구성요소, 데이터 형식, hard negative mining의 중요성을 설명하고, 저자가 학습한 ModernBERT 기반 reranker가 자신의 평가 데이터에서 기존 공개 모델들을 앞섰다고 소개한다.
Hugging Face Hub가 Hyperbolic, Nebius AI Studio, Novita를 새 서버리스 추론 제공자로 추가해 모델 페이지와 JS·Python SDK에서 여러 모델을 더 쉽게 선택해 사용할 수 있게 했다.
허깅페이스 허브의 Inference Providers에 Featherless AI가 추가되어, 다양한 텍스트·대화형 오픈소스 모델을 서버리스 방식으로 선택해 사용할 수 있게 되었다.
Hugging Face와 NVIDIA는 연구기관과 기업이 필요한 시점·규모·기간에 맞춰 대규모 GPU 클러스터를 요청하고 학습 작업에 활용할 수 있는 Training Cluster as a Service를 발표했다.
FLUX.1 dev의 트랜스포머를 4비트로 양자화하고 LoRA, 8비트 옵티마이저, 체크포인팅, 잠재 표현·텍스트 임베딩 캐시를 결합해 단일 GPU에서 약 10GB 미만의 VRAM으로 미세 조정하는 방법을 설명한다.
