이 태그와 연결된 문서를 한곳에서 모아보고, 함께 자주 등장하는 연관 태그까지 이어서 탐색할 수 있습니다.
연관 태그
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.
이 글은 웹이 발전해 온 ‘합법적으로 접근 가능한 정보를 읽고, 분석하고, 그 위에 구축할 자유’를 AI 시대에도 지켜야 하며, 출판자의 통제권과 이용자의 학습 자유를 시장·기술 표준·공공정책으로 균형 있게 조정해야 한다고 주장한다.
GPT 5.3 Codex는 코딩·도구 사용·컴퓨터 작업·전문 지식 업무를 더 빠르고 상호작용적으로 수행하도록 개선된 Codex용 에이전트 모델이다.
Google Research는 2025년에 생성형 AI의 효율성·사실성·다언어성, 양자컴퓨팅, AI 기반 과학 도구, 생명과학·뇌과학, Earth AI까지 연구 성과를 제품·과학·사회적 영향으로 연결했다고 정리했다.
OpenAI는 GPT 5.2를 전문 지식 업무에 가장 강한 모델 시리즈로 소개하며, GPT 5.2 Thinking이 벤치마크·장문 추론·코딩·비전·도구 사용에서 이전 모델 대비 큰 성능 향상을 보였다고 설명한다.
허깅페이스와 구글 클라우드는 기업이 개방형 모델로 자체 AI를 더 빠르고 안전하게 구축·배포할 수 있도록 서비스 통합, 전송 인프라, 가속기 지원, 보안을 아우르는 전략적 협력을 확대한다.
AWS와 OpenAI는 향후 7년에 걸쳐 380억 달러 규모의 전략적 파트너십을 맺고, OpenAI의 핵심 인공지능 서비스와 차세대 모델을 위한 대규모 컴퓨팅 인프라를 즉시 구축·확대한다.
FFASR 리더보드는 실제 공간의 잔향·소음·마이크 거리로 발생하는 원거리 음성인식 성능 저하를 14개 시뮬레이션 공간과 실측 검증, 정확도·속도 지표를 통해 공개적으로 비교하는 벤치마크다.
mmBERT는 1,833개 언어와 3조 개 이상의 토큰으로 학습해 XLM R을 넘어서는 다국어 성능, 최대 8,192토큰의 문맥 처리, 기존 다국어 인코더 대비 2~4배의 효율을 함께 달성한 ModernBERT 기반 인코더 모델이다.
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.
트래키오는 로컬 대시보드, 허깅페이스 스페이스 공유, 기존 wandb 호환 API를 결합한 무료 오픈소스 실험 추적 파이썬 라이브러리다.
CUDA 커널 개발 지식을 에이전트 스킬로 구조화해 Claude와 Codex가 실제 diffusers·transformers 대상의 커널, PyTorch 바인딩, 빌드 구성, 벤치마크까지 완성하도록 한 사례다.
SmolLM3는 공개 데이터와 학습 도구로 구축한 30억 매개변수 모델로, 11조 개가 넘는 토큰의 단계별 사전학습과 장문·추론 중간학습을 결합해 다국어, 최대 128K 문맥, 추론·비추론 이중 모드를 지원한다.
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.
Dell Enterprise Hub의 새 버전은 Dell AI 서버와 AI PC에서 모델, 애플리케이션, 온디바이스 AI, SDK/CLI를 온프레미스로 빠르게 배포하도록 묶은 엔터프라이즈 AI 툴킷으로 소개된다.
오픈AI는 유럽이 인공지능의 경제·사회적 이익을 널리 실현하려면 핵심 기반 확충, 규제 정비, 전 사회적 도입, 유럽 가치에 부합하는 책임 있는 개발을 함께 추진해야 한다고 제안한다.
이 글은 Hugging Face 도구를 이용해 DeepSeek R1 계열 모델을 여러 환경에 배포하는 방법과 모델별 하드웨어 구성, 현재 지원되는 기능과 아직 준비 중인 미지원 영역을 정리한 실무 가이드다.
전문가 혼합 모델은 토큰마다 일부 전문가만 활성화해 전체 모델 용량과 실제 계산량을 분리하며, Transformers는 이를 효율적으로 지원하기 위해 가중치 로딩·실행 백엔드·전문가 병렬화 구조를 재설계했다.
허깅페이스는 팔, 리플리케이트, 삼바노바, 투게더 에이아이의 서버리스 추론을 허브 모델 페이지와 파이썬·자바스크립트 SDK, HTTP 라우터에 통합하고, 자체 제공자 키와 허깅페이스 경유 방식 중 하나를 선택할 수 있게 했다.
Hugging Face는 TGI를 단일 프런트엔드로 유지하면서 TensorRT LLM, vLLM, llama.cpp 등 다양한 추론 엔진을 백엔드로 연결할 수 있는 멀티 백엔드 아키텍처를 소개했다.
OpenAI는 인공지능 발전에 필요한 막대한 자본을 조달하면서 비영리 조직의 지속 가능성과 인류 전체에 이익이 되는 범용인공지능이라는 사명을 강화하기 위해, 영리 조직을 델라웨어 공익목적법인으로 전환하는 방안을 검토하고 있다.
Diffusers와 PEFT의 LoRA 핫스와핑, torch.compile, FP8 양자화, Flash Attention 3를 조합해 Flux.1 Dev의 재컴파일 문제를 피하고 고성능 GPU에서 약 2.23배, RTX 4090에서 약 2.04배 빠른 LoRA 추론을 구현한 최적화 방법을 설명한다.
Bamba 9B는 KV cache 병목을 줄이기 위해 Mamba2와 트랜스포머를 결합한 9B급 하이브리드 모델로, 공개 데이터로 학습되고 주요 오픈소스 추론·학습 생태계에서 바로 실험할 수 있도록 공개된 모델이다.
