본문으로 건너뛰기
AI NEWS JOURNAL
AI, IN PERSPECTIVE

AI 뉴스 검색

제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.

발행 시간순

Copilot에 Supabase, Box, Calendly 등을 연결하세요

이제 공개 프리뷰에서 사용할 수 있는 GitHub 인증 MCP 서버 또는 커넥터를 통해 Copilot에 여덟 가지 서비스를 더 연결할 수 있습니다. 연결할 수 있는 새로운 서비스는 다음과 같습니다: Box: 콘텐츠를 검색하고 관리하며… 글의 원문: Supabase, Box, Calendly 등과 Copilot을 연결하세요는 The GitHub Blog에 처음 게재되었습니다.

팀에 맞게 GitHub Copilot을 사용자 지정하세요

이제 팀에서 의존하는 GitHub Copilot 플러그인을 공유할 수 있으며, 모든 구성원에게 동일한 설정을 반복하도록 요청하지 않아도 됩니다. 팀 맞춤 설정은 조직 팀을 대상으로 일반 제공됩니다. 팀… 원문: Customize GitHub Copilot for your team는 The GitHub Blog에 처음 게시되었습니다.

AI 게이트웨이에서 Decision-1.1을 이제 사용할 수 있습니다

Microsoft의 의사결정 모델 개선 버전인 Decision-1.1이 AI 게이트웨이에서 제공되며, 정확도가 향상되고 보정이 더 잘 되며 성능이 빨라졌습니다. 이 모델은 지원 요청 라우팅, 모델 선택, 워크플로 단계 또는 AI 응답 채점과 같은 작업을 위해 불리언 확률, 신뢰 점수가 포함된 선택 항목, 숫자 등급 등 구조화된 출력을 제공합니다. 하나의 요청으로 여러 질문을 처리할 수 있으며, 임계값 기반 동작을 가능하게 하기 위해 모델이 일관된 확률 추적을 유지합니다. Decision-1과 동일한 요청 형식을 사용하지만 모델 ID를 'microsoft/decision-1.1'로 업데이트해야 합니다. AI SDK, OpenAI 호환 Decisions API 또는 AI CLI를 통해 접근할 수 있으며, 로깅, 예산 추적 및 폴백 메커니즘을 지원합니다. 통합을 위한 문서와 예제가 제공됩니다.

Show HN: 스킬셋: 에이전트 스킬 컬렉션을 손쉽게 큐레이션하고 설치하세요

안녕하세요 여러분! ~/.agents 또는 ~/.claude에 글로벌하게 스킬을 설치하면 컨텍스트를 너무 많이 소모하지만, 모든 프로젝트마다 특정 스킬을 수동으로 설치하는 것은 번거롭습니다. 프로그래밍, 백엔드 아키텍처 또는 그래픽 디자인 관련 스킬들을 컬렉션으로 묶어 두었다가 필요할 때만 단 한 줄의 명령어로 설치할 수 있다면 더 좋지 않을까요? 이를 해결하기 위해 저는 Skillset을 만들었습니다. 이는 Vercel Skill CLI를 래핑한 도구로, 하나의 JSON 파일을 사용해 여러 소스에서 스킬 세트를 일괄적으로 설치합니다. 말 그대로 스킬용 npm과도 같습니다! 비슷한 도구들이 존재하지만 대부분 처음부터 새로 개발된 경우가 많아 호환성에 대한 우려가 있습니다. Vercel의 Skill CLI는 이미 사실상 표준(제 생각에는요!)이므로, Skillset은 이를 기본 라이브러리로 직접 활용합니다. 따라서 팀이 Skillset을 사용하든 표준 Vercel CLI를 사용하든 관계없이 원활한 호환성을 보장합니다. 댓글 URL: https://news.ycombinator.com/item?id=50511761 포인트: 3 # 댓글: 0

Show HN: 화면을 깨워 두세요

기사 URL: https://screenon.app/ 댓글 URL: https://news.ycombinator.com/item?id=50506253 포인트: 1 # 댓글: 0

SetPrint: 응답 변화의 집합적 대응을 통한 블랙박스 LLM 지문 추적

arXiv:2611.12950v1 발표 유형: 신규 초록: 블랙박스 LLM 지문 분석은 입력 쿼리에 대한 출력 응답만 관찰 가능한 상황에서 대상 모델이 소스 모델로부터 파생되었는지 여부를 판단하는 것을 목표로 합니다. 이러한 관계를 밝혀내는 한 가지 방법은 각 쿼리를 변형하고 두 모델의 결과 응답을 관찰하여 두 개의 상응하는 응답 변동 집합을 생성하는 것입니다. 이들 집합은 두 가지 상호 보완적인 정보원을 제공합니다: 각 집합 내 응답 변화 간의 관계와 두 집합 간 응답 변화의 대응성입니다. 그러나 기존 접근법들은 이 두 가지를 완전히 활용하지 못했습니다. 우리는 \textbf{SetPrint}을 제안하며, 이는 집합 내 관계와 집합 간 대응성을 동시에 포착하는 학습 불필요 방법입니다. SetPrint은 각 응답 변화를 해당 집합의 평균 변화에 대해 상대적으로 표현한 다음, 동일한 변형으로 유도된 두 모델의 변화를 비교합니다. LeaFBench에서 SetPrint은 기존의 학습 불필요 블랙박스 지문 분석 방법들을 일관되게 능가합니다. 추가 분석에 따르면 이러한 성과는 집합 내 관계와 집합 간 대응성 모두에 기인합니다.

Vercel Container Registry가 이제 압축된 이미지 레이어 2GB를 지원합니다

Vercel Container Registry는 이제 각 이미지 레이어를 최대 2GB까지 압축할 수 있도록 지원하며, 전체 이미지 크기 제한은 15GB로 유지됩니다. docker push, docker pull, docker tag와 같은 표준 Docker 워크플로를 지원하며, 푸시 시 저장소를 자동으로 생성합니다. 대시보드 또는 CLI를 통해 이미지를 공개하거나 최대 100개의 팀과 공유할 수 있습니다. Vercel CLI v58.3.0 이상 버전을 사용하면 저장소, 이미지 및 태그를 관리할 수 있으며, GitHub Actions 통합은 장기간 유효한 자격 증명 없이 안전한 CI 로깅을 위해 GitHub OIDC를 사용합니다. 백그라운드 최적화 실패 시 대시보드에 오류 상태가 표시되며, 재푸시 시 재시도 옵션이 제공됩니다.

v0.13.2

Open WebUI v0.13.2는 일반 HTTP를 통해 채팅을 로드하고 댓글이나 Markdown 파일을 편집하는 데 발생하던 문제를 해결하고, 'crypto.randomUUID is not a function' 오류를 수정하며, 사이드 채팅 권한 스위치가 임시 채팅 설정과 독립적으로 표시되도록 합니다.

SDK 키를 공유하지 않고 다른 프로젝트에서 Vercel Flags를 평가하세요.

Project Connections를 사용하면 SDK 키를 관리할 필요 없이 동일한 팀 내의 다른 Vercel 프로젝트에서 플래그를 평가할 수 있으며, 인증을 위해 배포 ID를 사용합니다. 액세스는 Connections 페이지 또는 CLI를 통해 관리되며, 모든 환경에 대해 읽기 전용 권한을 부여하고 재배포 없이 권한을 취소할 수 있습니다. CLI 관리를 위해서는 @flags-sdk/vercel 1.6.0 이상 또는 @vercel/flags-core 1.11.0 이상, 그리고 Vercel CLI 63.0.0 이상이 필요합니다.

드라이브가 포함된 Vercel Sandbox가 이제 최대 2.4배 더 빠르게 시작됩니다

Vercel은 Drives를 사용하는 샌드박스의 시작 속도를 개선하여 중앙값 생성 시간을 1.7초에서 0.7초로, p95 시간을 2.2초에서 1.6초로 단축했습니다. 이 개선 사항은 Drives를 사용하는 모든 샌드박스에 자동으로 적용되며 SDK 업데이트나 구성 변경이 필요 없고, 가격은 변동되지 않습니다.

AI 분야의 최고 기업들이 데이터 수집을 거부하는 새로운 방식을 지지하고 있습니다

OpenAI, Google, Microsoft, 그리고 Anthropic은 출판사들이 AI에 의해 데이터를 수집되는 것을 거부할 수 있는 새로운 표준을 채택할 것이라고 밝혔습니다. 이는 앞서 Search Engine Roundtable에서 보도된 바와 같습니다. 이러한 제어 기능을 통해 출판사들은 개별적으로 설정해야 했던 AI 학습 선호 사항을 여러 AI 기업에 걸쳐 일괄적으로 적용할 수 있게 됩니다. 공유된 “정책 토큰” 신호는 […]

新闻源配图 · The Verge · AI
진행 상황 및 관련 보도

공정한 딥페이크 탐지를 위한 교차적 불변 학습

arXiv:2610.37881v1 발표 유형: 신규 초록: 딥페이크 탐지 모델은 전반적인 정확도는 높지만, 인구통계학적 집단 간 성능 격차가 크기 때문에 일부 집단에서는 다른 집단에 비해 훨씬 높은 거짓양성률을 경험하게 됩니다. 기존의 공정성 지향 방법들은 모델 출력을 제한하여 집단별 예측을 균등화하는 방식으로 이 문제를 해결하려 하지만, 근본적인 특징 수준의 편향에는 대응하지 못합니다. 그 결과, 모델들이 여전히 피부 질감과 같은 인구통계학적 특성을 조작된 콘텐츠를 탐지하는 간접적 단서로 활용할 수 있는 상황이 발생합니다. 이러한 문제를 해결하기 위해 우리는 모델 출력만을 조정하는 것이 아니라 특징 학습 자체를 개선하는 프레임워크인 교차적 불변 학습(IIL)을 제안합니다. IIL은 가장 어려운 인구통계학적 하위 집단을 식별하는 과정을 반복적으로 수행하며

진행 상황 및 관련 보도

모델 교정을 위한 변환된 국소화된 사후 추론: 해양 난류 폐쇄 모델에의 응용

arXiv:2610.37731v1 발표 유형: 신규 초록: 모델의 불일치로 인해 단일 교정 파라미터만으로는 전체 맥락 영역에서 물리적 반응을 재현할 수 없을 수 있습니다. 또한 관측값과 맥락의 불확실성은 교정에 영향을 미치며, 이를 반드시 고려하고 정량화해야 합니다. 우리는 목표 맥락에 대한 근접성에 따라 관측 가능성을 가중하는 방식으로 일련의 국소화된 사후 분포를 구성합니다. 가우시안 국소화 가중치는 공분산 확장을 통해 맥락 불확실성을 반영하며, 도메인 경계에서는 반사를 적용하고, 맥락 표본 채취가 고르지 않은 경우에 대비한 선택적 보정도 제공합니다. 조건부 정규화 흐름을 이용하여 변환된 변분 추론을 통해 이들 사후 분포의 집합을 근사합니다. 규정된 맥락 측도 하에 국소화된 사후 분포들을 통합하면

진행 상황 및 관련 보도

음식 유사성은 무엇을 구성하는가? 인도 요리에서의 시각적 표현과 검색

arXiv:2610.37867v1 발표 유형: 신규 초록: 음식 유사성은 검색, 추천, 대체 등 다양한 음식 컴퓨팅 작업의 기반이 되지만, 일반적으로 음식 표현은 동일성 유지 여부를 기준으로 평가된다. 우리는 동일성 외에 음식 유사성이 어떻게 변화하는지에 대해 질문한다: 서로 다른 시각적 표현들이 음식들을 관계적 이웃으로 어떻게 정렬하며, 이러한 이웃이 어떤 요리적 관계를 드러내거나 숨기는지, 그리고 이러한 구조가 여러 표현들 간에 얼마나 일관되게 나타나는지를 살펴본다. 인도 요리는 시각적으로 유사한 음식들이 서로 다른 요리적 정체성을 가질 수 있는 동시에, 하나의 요리 계통 내에서도 외형이 크게 다를 수 있는 도전적인 환경을 제공한다. 확장된 Khana 데이터셋과 컨볼루션, 트랜스포머를 아우르는 일곱 가지 사전 훈련된 시각적 표현을 활용하여

진행 상황 및 관련 보도

LLM 정렬을 위한 리스트와이즈 선호도의 랭크 인식 차분적 개인 정보 보호 공개

arXiv:2610.37682v1 발표 유형: 신규 초록: 리스트와이즈 선호도 피드백은 쌍대비교보다 대규모 언어 모델(LLMs) 정렬을 위한 더 풍부한 감독 정보를 제공하지만, 전체 순위는 더욱 민감한 사용자 선호까지 드러냅니다. 기존의 개인정보 보호형 정렬 방법들은 주로 쌍대비교 피드백에 집중해 왔으며, 로컬 차분적 개인 정보 보호(LDP) 하에서의 리스트와이즈 정렬은 아직 미탐구 상태입니다. LDP를 이러한 리스트와이즈 영역으로 확장하는 데에는 중대한 과제가 따릅니다: 전체 순위 공간의 높은 민감성으로 인해 과도한 노이즈가 발생하여 리스트와이즈 감독의 이점이 무력화될 수 있기 때문입니다. 이 문제를 해결하기 위해 우리는 하위 단계 학습에서 감독의 세분화 정도와 개인정보 보호 노이즈 간의 상호작용을 분석하고, 리스트와이즈 선호도를 개인화하는 랭크 인식 지수 메커니즘을 도입합니다.

진행 상황 및 관련 보도

노출은 약속이 아니다: 도구 사용 에이전트를 위한 잠재적 모니터의 이중 계층 평가

arXiv:2610.37679v1 발표 유형: 신규 요약: 도구를 사용하는 언어 에이전트는 간접적인 프롬프트 주입에 취약하며, 점점 늘어나는 연구들은 모델 내부를 분석하여 안전하지 않은 행동이 실행되기 전에 이를 포착하려고 시도하고 있지만, 그 결과는 매우 상반됩니다. 우리는 이러한 갈등의 대부분이 평가 과정에서 발생하는 오류 때문이라고 주장하며, 평가와 학습 집단 모두에서 주입 노출과 행동적 약속을 분리하는 이중 계층화 프로토콜을 제안합니다. 주요 Qwen AgentDojo 그리드에서, 무지한 상태로 불안전한 행동과 나머지 행동을 혼합한 대조를 기반으로 학습된 모니터들은 대부분 노출을 인식하는 방식으로 학습됩니다. 즉, 에이전트가 실제로 행동을 따르든 아니든 노출된 경로를 표시하며, 어떤 경우에 안전하지 않은 행동으로 이어지는지 거의 예측하지 못합니다. 노출된 사례들만을 대상으로 재학습한 동일한 탐지 계열은 모델 자체가 수행하는 안전하지 않은 도구 호출을 최대 2초 전까지 예측할 수 있습니다.

진행 상황 및 관련 보도

아트팩트 증류: 프런티어 모델에서 소형 언어 모델로의 학습 없이 이전하기

arXiv:2610.37680v1 발표 유형: 신규 요약: 프런티어 모델과 소형 언어 모델 간의 격차를 해소하는 일반적인 접근법은 증류입니다. 즉, 소형 모델(학생)을 프런티어 모델(교사)의 출력에 대해 미세 조정함으로써 이전 작업을 학습 계산에 의존하게 만들고, 전달된 지식을 상당히 불투명하게 만듭니다. 우리는 아트팩트 증류를 제안합니다. 교사가 학습 사례를 해결하고 그 문제 해결 절차를 외부화하여 아트팩트 은행으로 저장하며, 학생은 추론 시 해당 은행을 조회합니다. 이 과정에서는 파라미터 업데이트가 전혀 발생하지 않습니다. 네 가지 LiveBench 과제에서, Claude Opus 4.5가 작성한 은행을 사용하면 Claude Haiku 4.5는 공간 추론에서 무보조 Claude Sonnet 4.5보다 60%의 비용으로 더 높은 점수(0.707 대 0.647)를 기록하며, 테이블 조인에서도 Sonnet 4.5 수준에 도달하는데 그 비용은 89%에 불과합니다. 동일한 원시 은행은

진행 상황 및 관련 보도