연구·오픈소스
총 13건
Ai2, GPU 배분 방식 바꿔 대기 시간 단축…점유율은 98% 유지
AI 연구소 Ai2는 연구팀별로 그래픽처리장치(GPU) 사용 몫을 정하는 새 배분 방식을 도입했습니다. 연구소가 공개한 운영 결과에서 짧은 시험 작업의 대기 시간은 2시간에서 30초로 줄었고, 전체 장비 점유율은 98%를 유지했습니다.
국내 연구진, 반도체 결정이 자라는 위치와 개수 제어
국내 공동연구팀이 2차원 반도체 결정의 시작 위치를 정하고 하나의 결정으로 자라도록 유도하는 기술을 개발했습니다. 연구팀은 실험 패턴 400개 중 99% 이상에서 중앙에 단일 결정을 형성했다고 밝혔습니다.
엔비디아, 수학·정보 올림피아드 금메달 기준 넘은 Nemotron 결과 공개
엔비디아 연구진은 Nemotron 모델을 대회에 맞게 학습하고 후보 답안을 만들고 검토·개선하는 방식을 적용해 2026년 국제정보올림피아드와 국제수학올림피아드에서 금메달 기준을 넘는 점수를 얻었다고 밝혔습니다. 이번 결과는 엔비디아가 제시한 자체 실험이며, 대회 문제와 평가 기준에 따른 성과입니다.
구글, 글·코드·이미지·영상·음성 함께 찾는 임베딩 모델 공개
구글 딥마인드가 글뿐 아니라 코드, 이미지, 영상, 음성을 공통된 표현 공간에서 다루는 임베딩 모델 EmbeddingGemma 2를 공개했습니다. 회사는 코드 검색 평가에서 이전 모델보다 9.92점 높은 결과를 냈다고 밝혔습니다.
llama.cpp ‘최대 42배’ 최적화, 빨라진 처리 단계를 살펴봅니다
개발자가 공개한 최적화는 AI의 다음 출력 후보를 찾는 내부 처리 시간을 줄인 결과입니다. 전체 답변 속도가 42배 빨라졌다는 뜻은 아니며, 후속 개선에서는 같은 내부 단계에 최대 140배라는 수치도 제시됐습니다.
마이크로소프트, 업무 처리 결과로 AI 에이전트 평가하는 도구 공개
마이크로소프트의 ThinkingBox는 AI 에이전트가 내놓은 문장보다 실제 업무 시스템에 남긴 결과를 확인하는 평가 환경입니다. 507개 업무 과제를 각각 20회 실행해 성공 여부와 반복 일관성을 살피며, 허깅페이스에서 공개됐습니다.
Ai2, 대규모 MoE 훈련 인프라 ‘Olmo-core 3’ 공개
Ai2는 대규모 전문가 혼합(MoE) 모델 훈련을 겨냥한 오픈 인프라 Olmo-core 3를 공개했다. 회사 측 벤치마크에서 전문가 수를 늘린 설정의 처리량 감소는 5% 미만이었고, 47B 모델의 처리량은 기존 구현보다 약 2.7배 높았다고 밝혔다.
Google DeepMind, 단백질 기능 유지하는 생물학 설계 워터마크 ‘SynthID Bio’ 공개
SynthID Bio는 AI가 만든 단백질 서열이나 예측 구조에 검증 가능한 신호를 넣는 워터마킹 기술이다. DeepMind는 실험실 시험에서 표적 단백질 세 종류의 결합체가 워터마크 적용 전과 비슷한 기능을 보였다고 밝혔다.
구글 딥마인드, 단백질 기능 유지하는 AI 생물학 워터마크 ‘SynthID Bio’ 공개
구글 딥마인드는 AI가 설계한 단백질 서열과 예측 구조에 검증 가능한 신호를 넣는 워터마킹 기술 SynthID Bio를 소개했다. 회사는 실험에서 워터마크가 단백질 기능을 저해하지 않았다고 밝혔으며, 고의적 변조에 대한 내구성 강화는 과제로 꼽았다.
MCP 에이전트 답변의 ‘출처 혼동’ 검증하는 ProvenanceGuard 공개
Multiverse Computing 연구진은 MCP 에이전트 답변의 각 주장이 실제로 어떤 도구 출력에 근거했는지 확인하는 ProvenanceGuard를 소개했다. 의료 에이전트 시험에서 미지원 주장 139개 중 138개를 차단했지만, 유사한 출처 사이에서 정확한 출처를 찾는 성능은 50.3%였다.
허깅페이스, 다국어 음성합성·음성 복제 평가 리더보드 공개
허깅페이스가 공개 음성합성 모델을 대상으로 명료도, 추론 속도, 화자 유사도 등을 비교하는 Open TTS Leaderboard를 소개했다. 사람의 선호도 평가를 대체하는 것이 아니라 보완하며, 자연스러움과 표현력은 직접 측정하지 않는다고 밝혔다.
ServiceNow CoreAI, 기업 에이전트용 학습 과제 생성 시스템 AutoSynthData 공개
ServiceNow CoreAI는 에이전트의 실패 사례에서 역량 공백을 찾아 새 학습 과제를 만들고 검증하는 AutoSynthData를 소개했다. EnterpriseOps Gym을 활용한 설명에서는 실행 가능성·현실성·난이도와 검증기의 정확성을 과제 선별 기준으로 제시했다.
Ai2, 대규모 MoE 학습 프레임워크 ‘Olmo-core 3’ 공개
Ai2는 2026년 10월 1일 대규모 전문가 혼합(MoE) 모델의 학습을 지원하는 오픈 프레임워크 Olmo-core 3를 공개했다. 자체 벤치마크에서 1조 2천억 파라미터 모델 구성과 기존 구현 대비 처리량 향상을 보고했지만, 일부 결과는 무작위 라우팅을 이용한 시스템 성능 측정이며 학습된 모델의 품질을 보여주지는 않는다.