AI Tech - 2026-05-25
· #AI #LLM #트렌드 #기술블로그
arXiv 논문
DelTA: Discriminative Token Credit Assignment for Reinforcement Learning from Verifiable Rewards
검증 가능한 보상 기반 강화학습(RLVR)이 LLM의 추론 능력을 향상시키지만, 응답 수준의 보상이 어떻게 토큰 수준의 확률 변화로 이어지는지는 불분명했습니다. 이 연구는 RLVR 업데이트를 판별자(discriminator) 관점에서 분석하여, 정책 업데이트가 특정 토큰의 기여도를 판단하고 확률을 조정하는 원리를 명확히 규명합니다.
TransitLM: A Large-Scale Dataset and Benchmark for Map-Free Transit Route Generation
기존 대중교통 경로 탐색은 구조화된 지도 데이터에 의존했으나, 이 연구는 지도 없이 경로 생성을 훈련하기 위한 대규모 데이터셋 ‘TransitLM’을 공개했습니다. TransitLM은 중국 4개 도시의 1,300만 개 이상 경로 기록을 담고 있어, LLM이 출발지와 목적지만으로 최적의 경로를 생성하는 능력을 평가하고 발전시키는 기준을 제공합니다.
Perception or Prejudice: Can MLLMs Go Beyond First Impressions of Personality?
멀티모달 LLM(MLLM)이 사람의 성격을 제대로 인식하는지, 아니면 피상적인 특징으로 편견을 갖는지 평가하기 어려웠습니다. 이 연구는 모델이 특정 행동에 근거하여 성격 판단의 이유를 설명해야 하는 ‘근거 기반 성격 추론(GPR)’이라는 새로운 과제를 제시하여, 단순한 점수 예측을 넘어선 깊이 있는 이해 능력을 측정하고자 합니다.
π-Bench: Evaluating Proactive Personal Assistant Agents in Long-Horizon Workflows
개인 비서 AI 에이전트의 핵심은 사용자가 명시적으로 말하지 않은 요구를 먼저 파악하고 돕는 선제적 지원 능력이지만, 기존 벤치마크는 이를 제대로 평가하지 못했습니다. 이 연구는 장기적이고 복잡한 작업 속에서 에이전트가 숨겨진 의도를 파악하고 행동하는 능력을 측정하는 새로운 벤치마크 ‘π-Bench’를 제안합니다.
Full Attention Strikes Back: Transferring Full Attention into Sparse within Hundred Training Steps
LLM에서 긴 글을 처리할 때 풀 어텐션(full attention)의 연산 비용은 큰 부담이며, 기존 희소 어텐션(sparse attention) 방식은 정확도나 훈련 비용에서 단점이 있었습니다. 이 연구는 사전 훈련된 풀 어텐션 모델이 이미 내재적으로 희소한 특성을 가짐을 발견하고, 아주 적은 추가 훈련만으로 이를 고효율의 희소 모델로 전환하는 방법을 제시합니다.
Hugging Face Blog
Sensor2Sensor: Cross-Embodiment Sensor Conversion for Autonomous Driving
자율주행 시스템(ADS)의 훈련 데이터 한계를 극복하기 위해, ‘Sensor2Sensor’는 대중적인 대시캠 영상을 특정 차량의 고품질 센서 데이터로 변환하는 기술을 제안합니다. 이를 통해 희귀한 ‘롱테일’ 시나리오를 포함한 방대하고 다양한 데이터를 확보하여, 더 안전하고 견고한 자율주행 모델 개발을 가능하게 합니다.
Gated DeltaNet-2: Decoupling Erase and Write in Linear Attention
‘Gated DeltaNet-2’는 리니어 어텐션의 메모리 편집 방식을 개선한 아키텍처로, 기존 정보를 삭제하는 과정과 새로운 정보를 쓰는 과정을 분리한 것이 특징입니다. 이 분리된 게이트 구조 덕분에 정보 간의 불필요한 간섭을 최소화하여 더 정교하고 효율적인 메모리 업데이트가 가능해집니다.
DecQ: Detail-Condensing Queries for Enhanced Reconstruction and Generation in Representation Autoencoders
‘DecQ’는 사전 훈련된 비전 모델을 사용하는 표현 오토인코더(RAE)가 이미지의 세부 디테일을 잘 복원하지 못하는 문제를 해결하는 기술입니다. 이 방법은 모델의 뛰어난 의미론적 표현 능력은 그대로 유지하면서, 디테일 압축 쿼리를 통해 이미지의 정교한 복원 및 생성 능력을 크게 향상시킵니다.
GitHub Trending
Lum1104/Understand-Anything
이 프로젝트는 어떤 코드든 탐색, 검색, 질문이 가능한 대화형 지식 그래프로 변환해 줍니다. 단순히 시각적으로 멋진 그래프가 아닌, 코드 이해를 돕는 실용적인 학습 도구로 설계되었으며 Claude, Copilot 등 다양한 AI 도구와 연동됩니다.
rohitg00/ai-engineering-from-scratch
AI 엔지니어링의 기초부터 학습하고, 직접 시스템을 구축하며, 최종적으로 다른 사람들이 사용할 수 있도록 배포하는 전 과정을 다루는 자료입니다. 이론에만 머무르지 않고 실제 제품을 만들어 출시하는 실용적인 접근법을 강조합니다.
anthropics/claude-plugins-official
앤트로픽(Anthropic)이 직접 관리하는 공식 클로드(Claude) 코드 플러그인 디렉토리입니다. 이곳에서는 앤트로픽이 품질을 보증하는 우수한 플러그인들을 찾아 클로드의 기능을 확장할 수 있습니다.
anthropics/knowledge-work-plugins
이 오픈소스 저장소는 주로 지식 노동자들이 ‘클로드 코워크(Claude Cowork)’ 환경에서 사용할 수 있는 플러그인들을 모아 놓은 곳입니다. 문서 작업, 데이터 분석 등 지식 노동자의 생산성을 높이는 데 초점을 맞춘 다양한 도구들을 제공합니다.
multica-ai/andrej-karpathy-skills
이 프로젝트는 안드레이 카파시(Andrej Karpathy)가 발견한 LLM 코딩의 문제점들을 바탕으로 클로드(Claude)의 코드 작성 능력을 향상시키기 위한 단일 마크다운 파일입니다. 이 CLAUDE.md 파일을 통해 사용자는 클로드에게 더 정확하고 효율적인 코드를 생성하도록 유도할 수 있습니다.
오늘의 키워드
Reasoning LLM Eval Agent Inference RAG Vision Fine-tuning Claude Knowledge Graph