LLM 뉴스
키워드 LLM 결과입니다.
-
새 소식
X, For You 알고리듬 공개 범위 확대 - 랭킹 가중치와 노출 제한 시스템까지
X가 2026년 1월 공개 한 For You 추천 알고리듬 저장소 를 대폭 확장해, 실제 노출에 영향을 주는 설정과 필터링 시스템까지 추가 공개함 기존 공개는 Thunder/Phoenix 기반 후보 수집과 Transformer 랭킹 구조가 중심이었지만, 이번에는 실제 점수 계산에 쓰이는 주요 가중치와 설정값 이 포함됨 X는 저장소의 기본 설정값을 주요 production 값에 맞춰 주기적으로 갱신하며, 트래픽의 10% 이상에 적용되는 주요 실험 도 공개하는 것을 목표로 함 Phoenix는 기존 데모 모델에서 실제 For You 모델의 학습/실행 코드 로 교체되고, 합성 데이터로 학습 PoC를 실행할 수 있는 코드도 추가됨 비팔로우 계정 게시물을 찾는 후보 소스로 기존 Phoenix Retrieval에 SimClusters 가 추가됨 가장 큰 변화는 게시물이 추천에서 제외되거나 경고 화면 뒤에 표시되는 과정을 결정하는 Visibility Filtering 코드 공개임 visibility-filtering 은 게시물마다 ALLOW / INTERSTITIAL / DROP 을 결정하며, 계정 차단/뮤트/국가/설정과 각종 콘텐츠·계정 라벨을 함께 사용함 라벨을 만드는 botmaker / scarecrow , 계정 신호를 분석하는 agatha / bdsm / user-cred-v2 , 이미지·영상 분석 시스템 등도 함께 공개됨 abuse-enforcement-service 가 모델 점수와 규칙을 바탕으로 계정이나 게시물에 라벨을 적용하거나 추가 조치를 수행하는 과정도 확인 가능함 다만 시스템 악용을 막기 위해 Grox의 구체적인 LLM 프롬프트와 일부 botmaker 규칙은 여전히 비공개 임 코드 공개와 함께 Under the Hood 를 파일럿으로 제공해, 사용자가 자신의 계정과 게시물에 어떤 노출 제한 라벨이 적용됐는지 확인할 수 있게 함 최근 한 달간 10회 이상 게시한 계정 중 생성 1년 이상 된 일부 사용자를 대상으로 먼저 제공하며, 라벨 데이터 다운로드도 지원함 이번 업데이트는 기존 오픈소스에서 빠져 있던 실제 랭킹 설정과 노출 제한 판단 경로를 추가로 공개한 것 X 오픈 소스 계정의 공개 관련 트윗 Open-sourcing the For You timeline
ICELLM구조ISIT -
새 소식
AI한테 시험을 냈는데 출제자가 5번 틀렸다 - LLM 파이프라인 검증기
OCI Distribution/Image Specification을 중심으로 설계된 오픈소스 컨테이너 이미지·아티팩트 레지스트리 정적으로 빌드된 단일 Go 바이너리 로 실행되며, 기본 구성에서는 PostgreSQL이나 Redis 같은 별도 서비스를 준비할 필요가 없음 모든 기능이 포함된 Full 빌드와 핵심 Registry 기능만 포함한 Minimal 빌드를 제공하고, 부가 기능은 extension 형태로 필요한 것만 활성화할 수 있음 작은 환경에서는 매우 단순하게 로컬 filesystem 하나만 지정하면 단일 zot 프로세스만으로 Registry를 구성할 수 있습니다. Garbage Collection, deduplication, retention policy, scrub 같은 기본적인 storage 관리 기능도 자체 제공하며, TLS 인증서와 private key를 직접 지정할 수 있어 단순한 구성에서는 TLS termination을 위한 별도 reverse proxy도 필수적이지 않습니다. Basic Auth, LDAP, OIDC/OAuth2, mTLS와 repository path 단위 authorization도 지원합니다. 필요하면 object storage로 확장 이미지 저장소로 로컬 filesystem뿐 아니라 다음과 같은 object storage를 직접 사용할 수 있습니다. AWS S3 / S3-compatible storage Google Cloud Storage Azure Blob Storage 따라서 MinIO 같은 온프레미스 S3-compatible storage와 조합하는 것도 가능합니다. remote storage를 사용할 때는 blob 다운로드를 signed URL로 redirect할 수도 있어, 대용량 image layer를 zot 프로세스가 직접 중계하지 않고 object storage가 클라이언트에 바로 전달하도록 구성할 수 있습니다. 단일 인스턴스에서 HA/scale-out까지 작게 사용할 때는 별도의 외부 DB 없이 단일 인스턴스로 운영할 수 있지만, 규모가 커지면 동일한 zot을 여러 인스턴스로 확장할 수도 있습니다. 여러 zot 인스턴스가 동일한 remote storage와 Redis 또는 DynamoDB 기반의 shared metadata/cache backend를 사용하도록 구성하면, 일반적인 load balancer 뒤에 여러 Registry 인스턴스를 배치하는 scale-out 구성이 가능합니다. 즉 처음부터 복잡한 클러스터를 구성할 필요 없이, 단일 zot + local disk 에서 시작해서 필요해지면 Load Balancer + 여러 zot + S3-compatible storage + shared metadata backend 형태로 확장할 수 있습니다. compute만 확장하거나 compute와 storage를 함께 확장하는 구성도 공식적으로 지원합니다. Registry proxy/cache로도 사용 가능 sync extension을 사용하면 다른 OCI Registry를 주기적으로 mirror하거나 on-demand pull-through cache 로 사용할 수 있습니다. 예를 들어 Docker Hub를 upstream으로 지정하면 최초 pull 시에만 이미지를 받아와 zot에 저장하고, 이후 요청은 로컬 Registry에서 처리하도록 구성할 수 있습니다. 외부 Registry 접근을 줄이고 싶거나 사내 CI/CD에서 Docker Hub rate limit과 외부 네트워크 의존성을 줄이고 싶은 경우에도 유용합니다. 필요한 기능만 추가 UI, GraphQL 검색, Prometheus metrics, Cosign/Notation signature verification, Trivy 기반 vulnerability scanning 같은 기능도 제공하지만 필요하지 않다면 활성화하지 않아도 됩니다. Harbor처럼 replication, scanner, 프로젝트 관리 등 여러 기능을 적극적으로 사용하는 환경이라면 Harbor 같은 통합형 Registry가 더 적합할 수 있습니다. 반대로 “이미지를 Push/Pull하고, 필요하면 외부 Registry의 proxy cache로 사용하고 싶다” 정도가 목적이라면 여러 서비스와 DB를 함께 운영할 필요가 없는 zot이 상당히 매력적인 선택지입니다.
IMALLMAI성에IS -
새 소식
SEO 버리고 답변 엔진 최적화 구축한 이유
카톡 주문 메시지를 상품 코드로 바꿔주는 LLM 파이프라인을 만들기 전에, 테스트 29개(정답지·채점기 포함)부터 만들었습니다. 결과는 두 모델 모두 치명 오류 0건 통과. 그런데 그 과정에서 제가 쓴 정답지가 3번, 채점기가 2번 틀렸습니다. 헷갈리게 심어둔 함정에 출제자인 제가 빠졌고, 모델이 "확인 필요"라고 되물은 게 정답이었습니다. 애매한 문제의 정답은 확정이 아니라 "확인 필요"로 두는 규칙 데이터에 함정 심는 법 (같은 이름 상품 2종, 비슷한 규격 5종) 잘린 JSON 복구, 판정 필드 우선 채점 같은 채점기 버그 2건 싼 모델(Haiku 4.5)과 3배 비싼 모델(Sonnet 5)의 차이는 딱 1문제 직접 만들며 겪은 기록이라 자작글로 올립니다. AI 검증을 하려다 검증당한 이야기입니다.
LLMAI함정 -
새 소식
goshot - 코드 스크린샷 생성기
주문 메시지를 읽는 LLM 파이프라인을 검증하려고 테스트 29개를 만들었는데, 그 중 정상 케이스는 4개뿐입니다. 나머지는 전부 함정입니다. 제일 많은 그룹은 "주문이 아닌 것" 6개. 상품명과 숫자가 다 있는 단순 문의를 주문으로 잡으면 안 시킨 물건이 출고됩니다 문제만 어렵게 내지 않고 대조할 상품 데이터에도 함정을 심었습니다. 폭만 다른 투명테이프 2종, 같은 숫자로 시작하는 상품 5종, 제각각인 박스 입수. 깨끗한 데이터로 시험보면 전부 통과하고 실전에서 무너집니다 가장 놓치기 쉬운 건 "학습이 쌓인 뒤"의 동작입니다. 테이프=48mm로 학습된 상태에서 "테이프 60 2박스"가 오면 명시 규격이 학습을 이겨야 합니다. 카탈로그 기능이 사고 기능이 되는 지점입니다 테스트 케이스 29개와 함정 심은 상품 목록은 전부 공개해 두었습니다. https://github.com/ramses203/llm-test-harness
ESSLLM사고ITGo -
새 소식
Ask GN: Fable 5가 걍 반쪽짜리 뇌임
AI 코딩 어시스턴트가 만드는 뻔한 디자인을 피하기 위해, 타이포/색상/레이아웃/모션/인터랙션에 걸친 안티 슬롭(anti-AI-slop) 규칙 을 하나로 묶은 디자인 스킬 페이지 생성 시 먼저 매크로구조 를 정하고 테마를 입히는 순서로 동작, 직전 3개 구조 반복을 거부 해 매번 다른 형태의 결과물 작성 기본 1개 + 추가 3개, 총 네 가지 액션 제공 Default : UI 생성. 브리프/프로젝트 토큰/프레임워크를 읽고 매크로구조→테마→보강 순으로 생성, 마지막에 슬롭 테스트 실행 Audit : 페이지 문제점을 안티패턴 카탈로그 기준으로 점수화한 순위형 펀치 리스트 제공. 수정 없이 진단만 함 Redesign : 카피/IA/브랜드는 유지하고 구조적인 것들만 버려 새 섹션 리듬/제목 배치로 재구축 Study : 참고할 디자인을 스크린샷/URL로 넣으면 픽셀이 아니라 구조를 읽어 DNA 를 추출하고 이식형 design.md 생성 LLM이 기본적으로 만드는 5가지 슬롭 패턴 들에 대한 대안 제시 보라색 그라디언트 히어로 → 앵커 색상 하나 + 강조색 하나, 히어로 그라디언트 배경 금지. 무채색에 색조 더하기 디스플레이로 쓴 Inter → 개성 있는 디스플레이 폰트 + 정제된 본문 폰트, 최소 두 개의 폰트페이스를 사용 모든 것 가운데 정렬 → 여백을 한쪽으로 몰아 대칭을 한 번은 깨기 아이콘 타일 피처 카드 → 크기/정렬 다양화하거나 아이콘 빼고 타이포로 시작하는 등 비대칭적 디자인 AI 내비게이션 → 페이지 장르에 맞는 내비 아키타입(신문 마스트헤드, 터미널 명령바 등) 선택 모든 테마를 관통하는 8가지 기초 규칙 내장 (Type/Colour/Space/Motion/Voice/Layout/Hierarchy/Restraint) OKLCH 팔레트에 강조색은 5% 미만, 4의 배수 간격에 17px 같은 임의 패딩 금지, 모든 애니메이션에 reduced-motion 대안 제공 "나쁜 무언가보다 아무것도 없는 편이 낫다"는 절제(Restraint) 원칙 설치 npx skills add nutlope/hallmark (Claude Code, Cursor, Codex 지원) 데모 보기 : https://www.usehallmark.com/
ICE디자인LLMAI구조 -
새 소식
LLM은 PCB 배선을 어디까지 할 수 있을까? 숙련자와 Net 단위로 비교해봤습니다
비주얼 에디터/콘텐츠 엔진/퍼블리셔를 단일 Bun 서버 하나에 담아 셀프호스팅으로 운영. SQLite/Postgres를 백엔드로 사용 헤드리스 CMS/프레임워크/호스트/폼 서비스/애널리틱스/이미지 CDN을 각각 조합하던 방식 대신 하나의 서버가 캔버스 에디터/콘텐츠/미디어/인증/폼/플러그인 등을 모두 포함 최종 출력물은 시맨틱 HTML과 압축 CSS 로, 프레임워크 런타임/빌더 속성/div 남발 없음 에디터는 미리보기가 별도로 있는 게 아닌 실제 캔버스 여러 브레이크포인트 프레임을 나란히 두고 함께 편집하며 데스크톱 변경 시 모바일 프레임이 같은 화면에서 반응 실제 페이지 작업을 원하면 라이브 모드로 전환해 전체 크기 페이지를 그 자리에서 편집 디자인 토큰 엔진 Core Framework 가 코어 시스템으로 내장 브랜드 색 하나로 틴트/셰이드 자동 생성, 유동적 타입 스케일, 스페이싱 스케일, 유틸리티 클래스 생성 지원 AI 에이전트 가 설명만으로 캔버스에 실제 편집 가능한 노드를 구축 구조는 시맨틱 HTML/스타일은 CSS로 작성 (Claude, OpenAI, OpenRouter, 로컬 Ollama 중 자신의 키/모델 사용) 플러그인은 QuickJS-WASM 샌드박스 에서 실행됨 게시된 페이지는 대부분 디스크에 놓인 파일이라 프레임워크 부팅/하이드레이션/DB 왕복이 없어서 매우 빠름 MIT 라이선스
AI 에이전트에이전트디자인LLMAI -
새 소식
ARTICLE
LLM은 아직 숙련된 HW 엔지니어처럼 PCB를 설계하지 못합니다. Fable 5까지 사용해봤지만, 결론은 크게 달라지지 않았습니다. 개인 프로젝트로 PCB부터 기구, 펌웨어, 모바일 앱, 백엔드(+LLM)까지 직접 만들어보고 있습니다. 그 과정에서 21mm 원형 4층 PCB(nRF54L15 + ICM-42688-P)의 배선도 LLM 에이전트에게 맡겨봤습니다. 처음에는 나름 그럴듯한 결과가 나왔다고 생각했지만, HW 엔지니어 동료에게 리뷰를 받자 바로 여러 문제를 지적받았습니다. 결국 외부 HW 엔지니어에게 설계를 의뢰했습니다. LLM이 만든 PCB를 시작점으로 전달했고, 두 차례의 피드백과 수정 작업을 거쳐 최종 설계를 완성했습니다. 여기서 끝내지 않고, LLM이 만든 기판과 숙련된 엔지니어가 수정한 기판을 Net 단위로 비교해봤습니다. 어떤 배선을 어떻게 바꿨는지, 왜 그렇게 변경했는지 정리하고, 외주 엔지니어의 피드백까지 합쳐 PCB Routing Rule/Skill 형태로 만들었습니다. 그리고 그 Skill을 다시 LLM에 적용해 동일한 PCB 설계를 재시도했습니다. 결과는 이전보다 분명 나아졌지만, 여전히 숙련된 HW 엔지니어의 결과물에는 미치지 못했습니다. 대신 이번 과정에서 얻은 것은 단순히 “PCB 한 장을 완성했다”는 것보다, LLM이 PCB 설계에서 구체적으로 어디까지 할 수 있고 어디서부터 실패하는지에 대한 목록이었습니다. 외주 엔지니어와 두 라운드를 돌며 산 것은 어쩌면 배선 작업 자체가 아니라, 그 실패 패턴과 판단 기준이었고, 이 목록은 이번 기판보다 더 오래 활용할 수 있을 것 같습니다. LLM이 만든 PCB → 숙련자의 수정 → Net 단위 비교 → Rule/Skill 추출 → LLM 재시도 과정을 정리해봤습니다. 자세한 내용은 아래 글에 적었습니다. https://edgelog.dev/ko/blog/llm-pcb-routing-human-taught/ 감사합니다.
에이전트LLMSK -
새 소식
Solar Pro 4 - 에이전트 작업 특화 LLM
Upstage가 공개한 에이전트향 LLM으로, 문서 읽기·도구 호출·코드 실행을 거쳐 Excel 분석 자료, Word 보고서, PPT 슬라이드 같은 실제 파일을 만들어내는 업무 흐름에 맞춰 설계 Artificial Analysis 측정 기준 Terminal-Bench v2.1 57점, GDPval-AA v2 39점, τ³-Banking 23점, AA-LCR 71점 Hy3, MiMo-V2.5, GLM-5.1, Qwen 3.6 Mini 등 에이전트 용도로 널리 쓰이는 모델들과 비교하면 실무 산출물 평가(GDPval-AA)에서 가장 높고, 멀티턴 도구 사용(τ³-Banking)은 Hy3와 공동 최고 수준 가격은 1M 토큰당 입력 $0.30, 캐시 입력 $0.06, 출력 $1.20으로, 문서 읽기·도구 호출·재시도로 호출이 쌓이는 에이전트 워크로드의 상시 운영을 겨냥한 구성 512K 컨텍스트와 최대 128K 출력 토큰을 지원하며, 영어·한국어·일본어를 입출력 모두 처리함 기본으로 추론(reasoning)을 수행하고 응답에 reasoning trace가 포함됨. reasoning effort 파라미터로 추론 깊이와 응답 속도를 조절 가능 OpenAI 호환 API로 base_url과 모델명(solar-pro4)만 바꾸면 기존 코드에서 동작함 현재 Hermes Agent에서 8월 18일까지 무료로 쓸 수 있고, Upstage Console과 OpenRouter에서는 9월 10일까지 90% 할인 중
에이전트CIAAPILLMAI -
새 소식
Retrieval as Reasoning - LLM Wiki가 RAG보다 나은 이유에 대한 실증 벤치마크
문서를 청크 단위로 잘라 벡터로 검색하는 RAG 방식이 아닌, 서로 링크된 마크다운 위키로 만들고 에이전트가 네비게이션하는 LLM Wiki 방식이 나은 이유에 대해 실증한 논문입니다. 논문이 풀어본 문제 청크 검색은 문서를 잘게 잘라 비슷한 조각 몇 개만 꺼내 붙임. 여러 문서를 이어야 답이 나오는 멀티홉 질문에서 약함 조각으로 자르는 순간 조각들 사이의 관계가 사라짐 . 이것이 근본적인 한계 논문은 검색을 '조각 꺼내기'가 아니라 '추론' 으로 접근. 위키를 미리 구성해 두고, 읽고 → 링크 따라가고 → 모자라면 다시 검색하며 여러 번 되짚어 답을 맞춰 감 핵심 요약 컴파일 : 원문서를 양방향 링크가 걸린 위키 페이지로 변환 (검색하는 단위가 청크가 아니라 링크된 페이지) 세 가지 도구 : 검색(search)·읽기(read)·링크 따라가기(link)를 표준 도구로 정의 Error Book : 위키의 구조·의미 오류를 계속 스스로 고침 자가 진화 : 쓸수록 위키 자체가 나아짐 벤치마크 결과 멀티홉 QA 세 종류에서 기준 모델들보다 2.0~8.1 F1 앞섬 별도 벤치마크 AuthTrace에서도 정확도 1위. 특히 여러 문서를 엮는 질문에서 강함 가장 주목할 대목 — Ablation (F1 손실, HotpotQA / MuSiQue / 2Wiki) 순회를 뺐을 때 : −11.7 / −13.8 / −12.2 (가장 치명적) 위키 구조를 뺐을 때 : −6.1 / −7.0 / −6.7 Error Book을 뺐을 때 : −3.8 / −4.0 / −3.4 순서로 보면 순회 > 구조 > 교정. 순회가 구조보다 두 배쯤 중요함 관련 오픈소스 프로젝트 출발은 Karpathy가 제시한 'LLM Wiki' 개념을 구현하되 마크다운 위키 형태로 지식을 축적하고 관리하는 지식 팩토리를 Claude Code 기반으로 운영 중 : https://news.hada.io/topic?id=31691 본 논문을 구현한 것은 아님 . 논문은 나중에 알게 됨 논문에 비춰보니 위키 '구조'엔 오랜 시간 공들였는데, 정작 ablation이 제일 중요하다는 '순회'(에이전트가 쓰기 전에 뭘 얼마나 읽느냐)는 지침 딱 한 줄 이었음 추가한 것 — 읽기 사다리(GROUND Ladder) 에이전트가 위키 페이지를 쓰기 전에 얼마나 읽을지를 다섯 단계로 나눔: ① 페이지가 적어둔 의존성 → ② 인덱스 → ③ 빌드가 미리 계산해둔 링크 → ④ 콘텐츠 검색 → ⑤ 위키 전체 위 단계로 올라가는 건 순서대로가 아님. '지금 근거가 모자란다'는 신호가 있을 때만 그 신호가 가리키는 칸으로 바로 감 논문은 순회를 '답 만들 때' 썼지만, 오픈소스 프로젝트에서는 '읽어 들일 때' 지키는 규칙으로 가져옴 자세한 설명: https://github.com/alfadur7/llm-wiki-newsroom/… 아직 부족한 점 읽기 사다리는 이제 막 구현하였고 효과를 아직 측정하기 전 . 읽기 단계를 올라가다 멈추는 기준도 잠정 수치고 두세 번 돌려 데이터가 쌓이면 기준을 다듬을 예정 링크 논문 (arXiv:2605.25480): https://arxiv.org/abs/2605.25480 오픈소스 레포: https://github.com/alfadur7/llm-wiki-newsroom 규칙 원문(SoT): https://github.com/alfadur7/llm-wiki-newsroom/…
에이전트LLM구조IT가지 -
아직 공개된 뉴스가 없습니다.
새 기사가 준비되는 대로 이곳에 표시됩니다.