K-Dense-AI/scientific-agent-skills, AI 에이전트를 과학자로 만드는 스킬 라이브러리
· #AI #LLM #트렌드 #기술블로그
arXiv 논문
Jeva: System One Models from First Principles
현재의 시스템 1 모델은 단순히 텍스트에서 답을 예측하는 방식 때문에 의사결정 문제의 구조를 제대로 반영하지 못하는 한계가 있습니다. 이 논문은 정답이 없는 경우를 인지하고, 선택지 순서에 영향을 받지 않으며, 후보군이 늘어나도 확장 가능해야 한다는 새로운 구조적 원칙을 제시하여 모델 설계를 개선하고자 합니다.
Agent-Reflex: Teaching Language Agents to Act Reflectively
대규모 언어 모델(LLM)이 장기 추론이 가능한 에이전트로 발전했지만, 실제 환경에서 발생하는 불완전한 피드백이나 사용자 수정에 효과적으로 대응하지 못하는 문제가 있습니다. 이를 해결하기 위해 ‘Agent-Reflex’라는 새로운 학습 프레임워크를 제안하며, 이는 에이전트가 실패로부터 회복하고 스스로 성찰하는 능력을 갖추도록 유도합니다.
Urbex: Agentic Spatial Grounding for City-Scale 3D Scenes
도시 규모의 대형 3D 장면에서 특정 대상을 찾는 기존 방식은 미리 계산된 후보 중에서 순위를 매기는 방식이라 비효율적이었습니다. ‘Urbex’는 VLM 에이전트가 3D 환경을 직접 탐색하며 랜드마크를 찾고 특정 지역을 확대하는 등 능동적인 공간 탐색을 통해 대상을 찾는 새로운 에이전트 기반 프레임워크를 제안합니다.
GreenWAM: A World Foundation Model for Robotics
로봇은 행동 결과를 예측하는 ‘월드 모델’과 행동을 선택하는 ‘정책’이 필요하지만, 이 둘은 보통 별개로 개발되며 로봇마다 데이터 형식이 다릅니다. 이 논문은 다양한 로봇에 범용적으로 적용 가능한 월드 파운데이션 모델 ‘GreenWAM’을 제시하며, 공통된 행동 공간을 통해 하나의 모델이 예측과 정책 결정 역할을 모두 수행할 수 있는 가능성을 탐구합니다.
Last Secure Code Benchmark: Is the Code You Vibe Secure?
AI 코딩 에이전트가 작성하는 코드가 늘어나고 있지만, 그 코드의 보안 안정성은 아직 명확하게 검증되지 않았습니다. 이를 위해 ‘Last Secure Code Benchmark’라는 새로운 벤치마크를 공개하며, 이는 7개 프로그래밍 언어에 걸쳐 실제 취약점 150개를 기반으로 AI가 생성한 코드의 보안성을 종합적으로 평가합니다.
Hugging Face Blog
RT-J: Large-Scale Pretraining of Relational Transformers for Context-Efficient Predictions
RT-J는 수백 개 이하의 적은 인-컨텍스트 예시만으로도 정확한 예측을 수행하는 새로운 8500만 파라미터 관계형 파운데이션 모델(RFM)입니다. 이 모델은 ‘the Join’이라는 대규모 웹 크롤링 데이터베이스 모음으로 사전 훈련되어, 기존 모델이 새로운 데이터셋에 적응하기 위해 수만 개의 예시가 필요했던 한계를 극복했습니다.
PN-Mix: Pair-Norm Guided Mixed-Precision Key Cache Quantization for Efficient Long-Output LLM Inference
PN-Mix는 긴 출력을 생성하는 LLM의 KV 캐시 메모리 병목 현상을 해결하는 새로운 혼합 정밀도 양자화 기법입니다. 기존 방식과 달리 RoPE 채널 쌍 수준에서 중요도를 정밀하게 분석하여 핵심 키 채널에만 높은 정밀도를 할당함으로써, 모델 정확도 저하를 최소화하면서 효율적인 추론을 가능하게 합니다.
Pack Light, CarryOn: Building Object-Oriented Context for Long-Horizon Agents
CarryOn은 장기 목표를 수행하는 에이전트의 컨텍스트 관리 방식을 혁신하는 객체 지향 런타임입니다. 전체 상호작용 이력을 반복 처리하는 대신, 재사용 가능한 ‘작업 객체’를 중심으로 컨텍스트를 구성하여 에이전트가 과거 과정이 아닌 축적된 결과물에 집중하게 함으로써 효율성을 극대화합니다.
토스 기술블로그
Spark Connect on Kubernetes #2: Operator로 만드는 Control Plane
토스는 쿠버네티스 환경에서 스파크 서버를 안정적으로 운영하기 위해 직접 ‘스파크 테넌트 오퍼레이터’를 개발한 과정을 공유합니다. 이 오퍼레이터는 단일 서버의 기동과 복구부터 여러 서버의 세션을 유지하며 교체하는 복잡한 제어 로직을 자동화하여 컨트롤 플레인(Control Plane)의 핵심 역할을 수행합니다.
GitHub Trending
morluto/rea
‘rea’는 AI 에이전트를 활용하여 리버스 엔지니어링을 수행하는 프로젝트입니다. 이 도구를 사용하면 애플리케이션의 동작 방식부터 네이티브 바이너리 수준까지 깊이 있는 분석이 가능합니다.
mksglu/context-mode
‘context-mode’는 AI 코딩 에이전트의 컨텍스트 창을 최적화하는 기술입니다. 도구의 출력 결과를 샌드박스 환경에서 처리하여 크기를 크게 줄이고 세션 메모리를 유지하며 여러 플랫폼 간의 라우팅을 효율적으로 관리합니다.
K-Dense-AI/scientific-agent-skills
‘scientific-agent-skills’는 모든 AI 에이전트를 AI 과학자로 만들어주는 에이전트 스킬 라이브러리입니다. 생물학, 화학, 의학 등 과학 분야에 특화된 177개의 검증된 스킬과 100개 이상의 데이터베이스를 제공하여 복잡한 과학 연구를 돕습니다.
ifixai-ai/iFixAi
‘iFixAi’는 AI 에이전트가 의도된 작업을 제대로 수행하는지 독립적으로 감사하는 도구입니다. 사람 또는 에이전트 자신이 직접 감사를 실행하여 120초 이내에 신뢰성 검증 결과를 얻을 수 있습니다.
vxcontrol/pentagi
‘pentagi’는 복잡한 모의 해킹(penetration testing) 작업을 수행할 수 있는 완전 자율 AI 에이전트 시스템입니다. 여러 AI 에이전트가 협력하여 스스로 보안 취약점을 분석하고 테스트를 진행하도록 설계되었습니다.
오늘의 키워드
Vision Agent Grounding Eval AI Coding Transformer LLM Quantization Inference Claude