rea — AI 에이전트로 앱부터 네이티브 바이너리까지 리버스 엔지니어링
· #AI #LLM #트렌드 #기술블로그
arXiv 논문
CheckerBench: Can Long-Horizon Agents Synthesize Static-Analysis Checkers?
기존 코딩 에이전트 벤치마크는 단편적인 작업에 집중하는 한계가 있었습니다. 이를 극복하기 위해 ‘CheckerBench’는 AI 에이전트가 정적 분석 체커를 처음부터 끝까지 개발하는 복잡하고 장기적인 능력을 평가하는 새로운 벤치마크를 제안합니다. 이 벤치마크는 결함 명세를 해석하고, 코드를 검사하며, 반복적인 컴파일과 피드백을 통해 체커를 완성하는 전 과정을 측정합니다.
UNREAL: Unifying Retrieval and Long-Context with a Single Model
긴 컨텍스트 처리와 검색 증강 생성(RAG)은 서로 다른 규모에서 정보를 찾는 방식이지만, ‘UNREAL’은 이 두 가지를 단일 모델로 통합하는 새로운 프레임워크를 제시합니다. 이 모델은 방대한 외부 문서 검색과 긴 프롬프트 내 정보 선택을 하나의 내부 메커니즘으로 처리하여 효율성을 높입니다.
AGO AI Quality Gate: Evidence-First Release Decisions for Retrieval-Augmented Generation
기업이 검색 증강 생성(RAG) 시스템을 운영할 때 새 버전의 출시 여부를 결정하는 것은 어려운 문제입니다. ‘AGO AI Quality Gate’는 불완전한 데이터와 LLM 평가의 오류 가능성을 명시적으로 다루어, RAG 시스템의 버전을 승격, 수정 또는 차단할지 체계적으로 결정하도록 돕는 증거 기반 품질 관리 프레임워크입니다.
Questioning the Questions: Sustaining Self-Evolution in Reasoning Models
스스로 생성한 질문으로 학습하는 추론 모델은 반복적인 훈련 과정에서 성능이 저하되는 문제를 겪습니다. 이 연구는 성능 저하의 원인이 유효하지 않거나 반복적인 질문이 누적되기 때문임을 밝혀내고, 이러한 품질 낮은 질문을 걸러내어 자기 발전 능력을 지속시키는 방법을 제안합니다.
TRIAGE: Direction-Aware Mismatch Stabilization of Native NVFP4 Reinforcement Learning
저정밀도 연산은 대규모 언어 모델의 강화학습(RL) 속도를 높이지만, 학습기와 샘플러 간의 불일치로 인해 정책 최적화가 불안정해질 수 있습니다. 이 논문은 단순한 불일치 크기가 아닌 정책 업데이트 방향성의 상호작용을 분석하고, 이를 안정화하는 ‘TRIAGE’ 기법을 제안하여 NVFP4 같은 저정밀도 환경에서도 안정적인 학습을 가능하게 합니다.
Hugging Face Blog
SGF+: Decoupling Gradient Flows for Autoregressive Video Generation
자기회귀(Autoregressive) 비디오 생성 모델은 현재 프레임을 디노이징하는 동시에 미래 예측을 위한 컨텍스트를 작성하는데, 두 역할의 그래디언트가 충돌하여 최적화를 저해합니다. SGF+는 컨텍스트 작성과 디노이징에 별도의 파라미터를 할당하여 이 문제를 해결함으로써, 생성되는 비디오의 시각적 품질과 시간적 일관성을 모두 향상시킵니다.
Mechanics of Long-Context Hybrid Models Part 1.1: From Hybrid Attention to Hybrid Position
최근 대규모 언어 모델(LLM)은 긴 컨텍스트를 효율적으로 처리하기 위해 여러 어텐션 모듈을 결합한 하이브리드 모델로 발전하고 있습니다. 이 연구는 하이브리드 모델의 작동 원리를 규명하고 더 나은 설계 방법을 제안하는 시리즈의 첫 파트로서, 풀 어텐션과 슬라이딩 윈도우 어텐션(SWA)의 결합을 분석합니다.
Identity-Duplication Auditing in National-Scale Neuroimaging Repositories
국가 규모의 대규모 MRI 데이터 저장소는 여러 출처의 데이터를 통합하는 과정에서 동일인이 여러 식별자를 갖게 되는 ‘신원 중복’ 문제가 발생할 수 있습니다. 이러한 중복은 훈련 데이터와 테스트 데이터 간 정보 유출을 일으켜 모델 성능을 왜곡할 수 있으므로, 본 연구는 신원 중복을 감사하고 식별하는 방법을 다룹니다.
GitHub Trending
morluto/rea
AI 에이전트를 활용하여 모든 것을 리버스 엔지니어링하는 도구입니다. 앱의 동작 방식 분석부터 네이티브 바이너리 수준의 깊이 있는 분석까지 자동으로 수행하여 복잡한 시스템의 내부를 파악할 수 있도록 돕습니다.
mattpocock/skills
실제 엔지니어가 사용하는 AI 에이전트용 스킬셋을 모아놓은 저장소입니다. 저자의 개인 .agents 디렉토리에서 직접 가져온 실용적인 기술들로 구성되어 있어 현업에 바로 적용 가능한 예제를 제공합니다.
cathrynlavery/diagram-design
Claude Code, GitHub Copilot 등 AI 코딩 도구를 위해 제작된 42가지 유형의 다이어그램 디자인 모음입니다. 그림자 효과 없이 깔끔하며, 단일 HTML+SVG 파일로 제공되어 어디서든 쉽게 사용할 수 있는 고품질 시각 자료를 제공합니다.
addyosmani/agent-skills
AI 코딩 에이전트를 위한 프로덕션 수준의 엔지니어링 기술들을 모아놓은 프로젝트입니다. 실제 상용 서비스를 개발하고 운영하는 데 필요한 고품질의 실용적인 스킬들을 제공하여 에이전트의 개발 능력을 향상시킵니다.
thedotmack/claude-mem
AI 에이전트가 여러 세션에 걸쳐 대화 내용을 기억하게 해주는 영구 메모리 시스템입니다. 에이전트의 모든 활동을 기록하고 AI로 압축한 뒤, 다음 대화에서 관련성 높은 맥락을 자동으로 주입하여 연속성 있는 작업을 가능하게 합니다.
오늘의 키워드
Agent Benchmark RAG Prompt LLM Eval Reasoning Alignment Claude Claude Code