tailscale/tailcat — netcat처럼 Tailscale 데이터 플레인에서 사용
· #AI #LLM #트렌드 #기술블로그
arXiv 논문
VGI-Bench: Probing Visual Intelligence in Video Generation Models
최근 비디오 생성 모델이 시각적 추론 능력을 보이고 있지만 이를 안정적으로 평가하기는 어렵습니다. 본 연구는 기존 평가 방식의 한계를 지적하며, 모델의 시각적 사전 지식에 부합하고 과정의 타당성까지 평가하는 새로운 벤치마크 ‘VGI-bench’를 제안합니다. VGI-bench는 27개의 태스크와 810개의 인스턴스를 통해 비디오 생성 모델의 시각적 지능을 심도 있게 측정합니다.
VoiceMem: Streaming Dual-Brain Memory for Real-Time Interaction
실시간 대화형 AI 시스템은 인간과 같은 상호작용을 위해 스트리밍 방식의 정확하고 공감 능력 있는 메모리 시스템이 필수적입니다. 이를 위해 본 연구는 정보 중심의 좌뇌와 감성 중심의 우뇌로 구성된 병렬적 메모리 아키텍처 ‘VoiceMem’을 제안합니다. VoiceMem은 메모리 기반 SLM 훈련부터 배포까지 완전한 파이프라인을 구축하여 실제 환경에서 그 효과를 입증했습니다.
WarpSAC: Towards the Pinnacle of Scalable Off-policy RL by Rethinking Exploration and Exploitation
대규모 병렬 시뮬레이션 환경은 기존의 오프-폴리시 강화학습(RL) 안정화 기법들이 오히려 성능을 저해하는 새로운 도전 과제를 제시합니다. 본 연구는 데이터가 풍부한 환경에서는 파라미터 정규화나 클리핑된 Q-함수 같은 기법들이 학습을 방해할 수 있음을 실험적으로 보입니다. 이를 바탕으로 탐험과 활용의 균형을 재고하여 확장 가능한 RL의 정점을 목표로 하는 새로운 접근법 ‘WarpSAC’을 제시합니다.
Agentic Game Development as a Verifiable Trajectory Data Engine for Scaling World Models
월드 모델을 확장하기 위해 단순히 더 많은 비디오 데이터를 학습시키는 전략은 비효율적이며, 신뢰할 수 있는 보상 신호를 제공하는 데이터 엔진이 필요합니다. 본 연구는 에이전트가 직접 게임을 개발하는 과정을 검증 가능한 궤적 데이터 엔진으로 활용하는 새로운 패러다임을 제안합니다. 이를 통해 월드 모델 확장에 필요한 고품질의 보상 신호를 생성할 수 있습니다.
JIT-Agent: Scaling Harness Intelligence via Just-in-Time Harness Evolution
에이전트의 성능은 기반 모델뿐만 아니라 메모리, 계획, 도구 사용 등을 포함하는 ‘하네스’에 크게 좌우되지만, 현재 하네스 설계는 수동적이고 확장성이 떨어집니다. 본 연구는 주어진 태스크에 맞춰 최적의 에이전트 하네스를 실시간으로 자동 생성하는 ‘JIT-Agent’를 제안합니다. 이 ‘하네스 인텔리전스’ 모델은 범용 LLM 에이전트를 위해 적응형 하네스를 즉시 합성하여 에이전트 시스템의 확장성을 획기적으로 개선합니다.
Hugging Face Blog
UrbanGround: From Local Perception to Spatial Agency in a Real-Scale City
멀티모달 대규모 언어 모델(MLLM)이 거리 풍경을 이해하는 능력을 실제 도시 환경에서 어떻게 행동으로 연결할 수 있는지 연구합니다. 이를 위해 실제 홍콩의 3D 공간 데이터를 기반으로 구축된 ‘UrbanGround’라는 시뮬레이션 환경을 제안하며, 이를 통해 에이전트의 공간 지각 능력과 행동 신뢰도를 테스트합니다.
TTPO: Test-Time Policy Optimization
대규모 언어 모델의 수학적 추론 능력을 향상시키는 기존 후속 학습 방식은 정답 레이블이 필요하여 테스트 시점에는 적용하기 어렵다는 한계가 있습니다. 이 논문은 이러한 문제를 해결하기 위해 정답 없이도 테스트 중에 모델 정책을 최적화하는 ‘TTPO(Test-Time Policy Optimization)’라는 새로운 기법을 제안합니다.
WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution
AI 에이전트가 상호작용을 통해 새로운 기술을 습득할 때, 그 과정에서 얻는 경험적 지식이 체계적으로 재사용되지 못하고 흩어지는 문제가 있습니다. ‘WikiSkill’은 에이전트의 경험을 영구적인 지식 베이스로 구축하여 기술을 공동으로 발전시키는 프레임워크로, 이를 통해 기술을 더욱 체계적으로 발전시킬 수 있습니다.
GitHub Trending
tt-a1i/archify
아키텍처, 워크플로우, 시퀀스 다이어그램 등을 아름답고 검증 가능하게 만들어주는 AI 에이전트 기술입니다. 생성된 다이어그램은 애니메이션 효과가 포함된 단일 HTML 파일로 제공되며, 선명한 품질로 내보낼 수도 있습니다.
K-Dense-AI/scientific-agent-skills
모든 AI 에이전트를 AI 과학자로 변신시켜주는 과학 분야 최고의 에이전트 스킬 라이브러리입니다. 생물학, 화학, 의학 등 다양한 분야를 아우르는 165개의 검증된 스킬과 100개 이상의 과학 데이터베이스를 즉시 사용할 수 있습니다.
tailscale/tailcat
netcat과 유사한 기능을 제공하지만, Tailscale의 컨트롤 플레인을 거치지 않고 데이터 플레인을 통해 직접 통신하는 도구입니다. 이를 통해 Tailscale 네트워크 내에서 더 직접적이고 간결한 데이터 전송이 가능해집니다.
THU-MAIC/OpenMAIC
단 한 번의 클릭으로 몰입감 넘치는 다중 에이전트 학습 경험을 제공하는 오픈소스 대화형 교실 프로젝트입니다. 여러 AI 에이전트가 상호작용하는 환경을 손쉽게 구축하여 학습 효과를 극대화할 수 있습니다.
p-e-w/heretic
언어 모델(LLM)에 적용된 검열을 완전 자동으로 제거하는 것을 목표로 하는 도구입니다. 이 프로젝트를 통해 모델의 응답에 가해진 제약을 해제하여 더 자유로운 결과물을 얻을 수 있습니다.
오늘의 키워드
Reasoning Eval SLM LoRA RAG Benchmark LLM Agent Distillation AI Agent