Gemini 기반 무신사 QA 테스트 케이스 자동화 시행착오
· #AI #LLM #트렌드 #기술블로그
arXiv 논문
ClawGUI: A Unified Framework for Training, Evaluating, and Deploying GUI Agents
시각적 인터페이스를 통해 다양한 소프트웨어를 조작하는 GUI 에이전트를 위한 통합 프레임워크를 제안합니다. 기존에 부족했던 학습, 평가, 배포 환경을 하나로 묶어 에이전트의 안정적인 강화학습과 일관된 성능 평가를 돕습니다.
The Past Is Not Past: Memory-Enhanced Dynamic Reward Shaping
LLM 강화학습 과정에서 동일한 오류 패턴을 반복하는 문제를 해결하기 위해 과거의 행동 기록을 활용하는 MEDS 프레임워크를 소개합니다. 단순한 무작위성 유도를 넘어 과거의 실패 패턴을 기억해 보상 설계에 반영함으로써 더 다양하고 정확한 결과를 생성하도록 돕습니다.
KnowRL: Boosting LLM Reasoning via Reinforcement Learning with Minimal-Sufficient Knowledge Guidance
복잡한 문제에서 LLM의 추론 능력을 높이기 위해 최소한의 필수 지식만을 힌트로 제공하는 KnowRL 강화학습 프레임워크를 제안합니다. 불필요한 토큰을 대량으로 추가해 비효율이 발생하던 기존 방식과 달리, 학습 과정을 최적화하고 일관된 성능 향상을 이끌어냅니다.
Rethinking On-Policy Distillation of Large Language Models: Phenomenology, Mechanism, and Recipe
LLM 사후 학습의 핵심 기술인 On-Policy Distillation의 작동 원리와 성공 조건을 체계적으로 분석한 논문입니다. 학생 모델과 교사 모델 간의 사고 패턴 호환성이 필수적이며, 교사 모델이 실질적으로 새로운 능력을 제공해야만 효과적인 지식 전달이 가능함을 밝혔습니다.
Audio-Omni: Extending Multi-modal Understanding to Versatile Audio Generation and Editing
오디오의 이해, 생성, 편집 등 세 가지 주요 작업을 하나의 시스템으로 매끄럽게 통합한 Audio-Omni 모델을 소개합니다. 특정 영역에만 머물러 있던 기존 멀티모달 기술의 한계를 넘어 더욱 다재다능한 오디오 처리가 가능해졌습니다.
Hugging Face Blog
Rethinking On-Policy Distillation of Large Language Models: Phenomenology, Mechanism, and Recipe
LLM 사후 학습에 쓰이는 On-Policy Distillation 기술의 원리와 성공 조건을 깊이 있게 분석한 연구입니다. 성공적인 지식 증류를 위해서는 두 모델 간의 사고 패턴이 잘 맞아야 하며, 교사 모델이 명확하게 새로운 능력을 전수할 수 있어야 한다는 점을 강조합니다.
Yaxuan Li, Yuxin Zuo, Bingxiang He
Toward Autonomous Long-Horizon Engineering for ML Research
머신러닝 연구 과정에서 필요한 환경 설정, 구현, 디버깅 등의 장기적인 작업을 자동화하는 AiScientist 시스템을 소개합니다. 복잡하고 긴 엔지니어링 문제를 해결하기 위해 체계적인 작업 관리와 안정적인 상태 유지 기능을 갖춘 것이 특징입니다.
Guoxin Chen, Jie Chen, Lei Chen
Lyra 2.0: Explorable Generative 3D Worlds
비디오 생성 기술을 활용해 실시간 렌더링과 탐색이 가능한 3D 가상 세계를 구축하는 Lyra 2.0을 제안합니다. 긴 카메라 동선에서도 3D의 시각적 일관성을 유지하며 복잡하고 거대한 환경을 빠르고 창의적으로 만들어냅니다.
Tianchang Shen, Sherwin Bahmani, Kai He
무신사 기술블로그
Gemini 기반 테스트 케이스 자동화 실패와 성공기
무신사 QA 팀이 수작업으로 진행하던 테스트 케이스(TC) 작성 업무를 AI 도구인 Gemini를 활용해 자동화한 경험담을 담았습니다. AI 도입 과정에서의 다양한 시행착오와 이를 극복해 QA 업무 효율을 크게 높인 실무적인 노하우를 친근하게 공유합니다.
Jangmi Lee
GitHub Trending
forrestchang/andrej-karpathy-skills
Andrej Karpathy가 관찰한 LLM 코딩의 흔한 실수들을 바탕으로 만들어진 설정 파일 리포지토리입니다. 이 단일 파일 하나를 적용하는 것만으로도 Claude Code의 코드 작성 품질과 동작 방식을 더욱 효과적으로 개선할 수 있습니다.
thedotmack/claude-mem
코딩 세션 중 일어나는 모든 작업을 자동으로 기록하고 기억하는 Claude Code용 플러그인입니다. 캡처된 정보는 AI를 통해 압축되며, 이후 세션에서 필요한 문맥을 자동으로 다시 주입해주어 연속성 있는 개발 환경을 제공합니다.
Lordog/dive-into-llms
LLM의 기초 원리부터 응용까지 직접 코딩하며 배울 수 있는 실무 중심의 튜토리얼 시리즈입니다. 대규모 언어 모델을 깊이 있게 이해하고 실제로 구현해보며 AI 개발 역량을 키우고 싶은 분들에게 추천합니다.
virattt/ai-hedge-fund
다양한 역할을 수행하는 여러 AI 에이전트들로 구성된 가상의 헤지펀드 팀 운영 프로젝트입니다. 여러 AI가 상호 협업하여 금융 시장을 분석하고 투자 전략을 세우는 흥미로운 아키텍처를 엿볼 수 있습니다.
google/magika
구글에서 오픈소스로 공개한 빠르고 정확한 AI 기반 파일 타입 감지 도구입니다. 가벼운 딥러닝 모델을 활용해 파일의 내용을 분석함으로써 기존 방식보다 훨씬 정밀하게 파일의 종류를 판별해냅니다.
오늘의 키워드
Agent Eval RAG LLM Distillation Multimodal LoRA Gemini Claude Code Claude