요약

일본 제조 기업들이 제품 자체가 아니라 그 제품이 만들어내는 ‘운영’을 파는 방향으로 이동하고 있다는 관찰. 미츠비시중공업, 다이킨, 히타치 사례를 통해 제조업이 시스템 제공자와 고객으로 양극화되는 그림을 그린다.

질문 뒤에 점(…..)을 수백 개 찍어주면 최첨단 LLM이 더 똑똑해진다. 출력에는 아무 단서도 없는 이 ‘숨은 계산’을, 저자들은 residual stream을 열어 라벨도 학습도 없이 80~95% 정확도로 읽어냈다. 불투명하다고 감사 불가능한 것은 아니다.

「그 자리에서 손을 흔든다」 같은 텍스트를 넣으면 AI가 VRM 캐릭터의 모션을 만들어 브라우저 안에서 재생하고 .vrma 파일로 저장하는 웹앱. 개발자가 내세운 「낮은 VRAM으로도 돌아간다」는 주장을 코드에서 확인해 보니, VRAM 병목이 어디였는지 정확히 짚어 그 한 덩어리만 CPU로 옮긴 결과였다.

AirLLM은 트랜스포머 레이어를 한 장씩만 GPU에 올리는 방식으로 671B 모델을 12GB 카드에 얹는다. 필요 VRAM을 총 파라미터가 아니라 레이어 크기로 바꾸는 영리한 트릭이지만, 그 대가로 토큰마다 모델 전체를 디스크에서 다시 읽는다.

Cerebras가 하루 15,000건의 질문을 받는 사내 지식베이스를 만든 방법. 모든 것을 한 플랫폼에 모으는 단일 진실 공급원을 포기하고, 데이터가 이미 사는 곳에서 끌어와 단일 Postgres 임베딩 테이블에 착지시켰다.

Perceptron이 로봇과 에고센트릭 비디오를 정책 학습용 감독 데이터로 자동 변환하는 API를 공개했다. 사람 라벨링보다 10~15배 싸고, 지시문을 줄 때 기존 SOTA 대비 end-to-end F1을 77% 끌어올렸다고 밝혔다.

구글 리서치의 TurboQuant 양자화 알고리즘을 Rust로 구현한 벡터 인덱스. 학습 단계 없이 벡터를 16배로 압축하고, 손수 짠 SIMD 커널로 FAISS보다 빠르게 검색한다.

“배포해줘~” 한마디로 보안 점검 후 사내망에 배포되는 시스템을 완성한 subicura(조성일)가 회고한, 퍼플아이오의 1년간 전사 AX 여정. 세 번의 실험이 공통으로 가리킨 결론은 AI 성능이 아니라 요구사항 정의와 조직의 맥락(Context)이었다.

Thinking Machines Lab이 처음부터 학습한 첫 오픈웨이트 모델 Inkling을 공개했다. 975B 파라미터(41B 활성)의 MoE 멀티모달 모델로, 최강 성능보다 파인튜닝하기 좋은 베이스라는 자리를 노린다.

구글이 공개한 3D 통계 인체 모델 생태계 GNM. 첫 릴리스인 GNM Head는 3D 스캔 데이터로 학습한 고정밀 얼굴·머리 파라메트릭 모델로, 정체성·표정·포즈를 분리 제어하고 눈·치아·혀 같은 내부 구조까지 다룬다.