Is AI causing a repeat of Frontend's Lost Decade?
Mauro Bieg는 지금 AI가 프로그래밍에 일으키는 변화가 지난 10년 프론트엔드의 ‘잃어버린 10년’과 닮았다고 본다. 탈숙련화·누수 많은 추상화·Stack Overflow 복붙의 연장이라는 세 렌즈로 현 국면을 진단하고, 바우하우스 운동에서 응답의 단서를 찾는다.
LLM
【Skill 배포 있음】 중간 표기 패턴(MNP)에 관하여 — 어떤 도구든 간단·초고속·안정적으로 AI화하는 내부 구현 방법
일본 디자이너 なつ(@Dia_Nexus)가 정리한 ‘중간 표기 패턴(MNP)’ — AI에게 GUI를 조작시키는 대신, GUI 상태를 표현하는 텍스트 DSL을 두고 그 DSL을 양방향으로 다루게 하는 도구 설계 패턴.
아웃소싱 + LocalAI가 프론티어 랩의 가격에 천장을 씌운다
프론티어 랩의 토큰 가격이 빠르게 오르는 동안 DeepSeek 같은 OSS 모델은 30분의 1 수준에 머문다. SignalBloom AI는 저렴한 국가의 엔지니어 한 명 + LocalAI 조합이 곧 프론티어 추론 단독보다 경제적이 되는 임계가 다가오고 있으며, 이 동학이 프론티어 가격에 천장을 씌운다고 진단한다.
Claude Code Korean outputs use slang verb "bakda" at 18× baseline frequency — a morpheme-level investigation
Kiwi morpheme analysis across 114.9M output tokens reveals that Claude Code’s Korean outputs use the informal verb “박다” (bakda) at 18× the baseline rate after version 2.1.132, with a self-contamination feedback loop amplifying the tendency in under one week.
A Bitter Lesson for Data Filtering
컴퓨트가 충분히 크면 데이터 필터링은 오히려 손해다 — Stanford 연구진이 Common Crawl과 5개 표준 필터를 비교하여, 큰 모델이 ‘저품질’ 데이터에서도 이득을 본다는 증거를 제시한다.
SkillOpt: Executive Strategy for Self-Evolving Skills of Frozen LLM Agents
Microsoft가 공개한 SkillOpt는 모델 가중치를 동결한 채 자연어 기술 문서 한 장을 딥러닝 옵티마이저처럼 반복 학습하여 LLM 에이전트의 성능을 끌어올리는 텍스트 공간 최적화 프레임워크다. 채점 가능한 태스크에 한정되며, 6개 벤치마크 52/52 셀에서 최고 또는 공동 최고를 기록했다.
Microsoft reports are exposing AI's real cost problem
Fortune이 마이크로소프트의 Claude Code 라이선스 회수와 Uber의 4개월 AI 예산 소진을 짚으며, 토큰 단가 하락에도 총비용은 오히려 오르는 패러독스를 보도했다. HedgieMarkets는 이 패러독스가 결국 OpenAI·Anthropic의 18-24개월 IPO 타임라인이 강요하는 가격 전가라고 해석한다.
Persuading Large Language Models to Comply with Objectionable Requests
Cialdini의 일곱 설득 원칙을 프롬프트에 넣으면 LLM의 규제 약물 합성 요청 컴플라이언스가 35.3%에서 51.3%로 상승한다. PNAS 2026, 세 프런티어 모델 대상 126,000회 통제 실험.
A Geometric Calculator Inside a Neural Network
Goodfire가 Llama 3.1 8B의 레이어 18에서 발견한 범용 덧셈 모듈. 숫자를 푸리에 기반 원형으로 표현하고, 산술·요일·월 과제에서 같은 회로를 공유하며, steering으로 인과적 역할을 검증했다.
Lorem Ipsum Makes LLMs Smarter. No, Seriously.
GRPO RL 훈련의 zero-advantage 문제를, 어려운 문제 앞에 Lorem Ipsum을 덧붙여 재샘플링하는 LoPE로 해결한 연구를 정리한다. Qwen3-4B-Base에서 MATH-500 +4.8p, AMC +22%(상대) 향상이 보고되었다.