본문으로 건너뛰기
AI NEWS JOURNAL
AI, IN PERSPECTIVE

AI 뉴스 검색

제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.

발행 시간순

Microsoft Agent 365를 통해 GitHub Copilot 활동 모니터링

기업은 이제 GitHub Copilot 에이전트 활동을 Microsoft Agent 365에 직접 스트리밍할 수 있습니다. 이를 통해 GitHub Copilot 클라이언트 전반의 감사 데이터를 Microsoft의 에이전트 제어 플레인으로 가져올 수 있으며, 여기서… 본 게시글 ‘Microsoft Agent 365를 통해 GitHub Copilot 활동 모니터링’은 The GitHub Blog에 처음 게재되었습니다.

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

n8n@2.47.6

n8n 2.47.6 업데이트에는 Redis 캐시 처리, 프롬프트 캐싱, 레거시 데이터 읽기, JSON 강조 표시 및 Pinecone Vector Store 통합에 대한 버그 수정이 포함되어 있습니다. 새로운 기능으로는 게이트웨이 크레딧 프로모션이 편집기에 표시될 수 있게 되었습니다. 성능 개선은 런타임 번들 크기 축소와 표현식 평가 최적화에 중점을 두고 있습니다.

n8n@2.48.3

n8n 2.48.3 업데이트는 Redis 캐싱, 프롬프트 캐싱, 레거시 데이터 처리 및 UI 가시성과 관련된 여러 버그를 해결하고, 편집기에서 Gateway 크레딧 프로모션을 표시하는 새로운 기능을 도입하며, 문자 맵 포함을 최적화하고 표현식 런타임의 항목별 설정을 줄여 성능을 향상시킵니다.

AtariBench: Atari 게임 플레이에서 비전-언어 모델의 시공간 추론 평가

arXiv:2611.08755v1 발표 유형: 신규 초록: 비전-언어 모델(VLM)은 정적인 시각 이해 벤치마크에서 우수한 성능을 달성했지만, 동적 환경에서의 행동 능력에 대해서는 아직 잘 이해되지 않고 있습니다. 우리는 AtariBench를 제안하며, 이는 20개의 Atari 2600 게임을 대상으로 VLM을 평가하는 통제된 벤치마크로, 모델들이 고시간 해상도의 게임플레이 스트림에서 순차적 결정을 내려야 합니다. 게임 내 빠른 동역학과 실제 경과 시간 기반 추론 속도를 분리함으로써, AtariBench는 모델들이 급격한 시각적 상태 변화를 인지하고, 시공간적 동역학을 추론하며, 현재 관찰 결과에 기반하여 행동을 수행할 수 있는지를 중점적으로 평가합니다. 우리의 실험 결과는 최신 VLM들에 상당한 한계가 있음을 보여줍니다. 모델들은 종종 객체의 움직임과 방향을 추론하지 못하고, 취약한 순차적 의사결정을 보이며, 새로 추가된 시각적 피드백에도 불구하고 텍스트 상호작용 이력을 지나치게 의존하는 것으로 나타났습니다. 또한 우리는 모델 역량의 신뢰할 수 있는 신호를 제공하는 게임 내 점수가 무엇인지 파악하기 위해 분리 가능성 분석을 도입하고, 벤치마크를 활용하여 메모리 설계와 프롬프팅 전략이 성능에 미치는 영향을 연구합니다. 전반적으로 AtariBench는 수동적 시각 인식과 능동적 의사결정 사이에 여전히 존재하는 격차를 드러내며, 동적 환경에서 추론하고 행동할 수 있는 VLM 개발을 위한 가볍고 엄밀한 테스트베드를 제공합니다.

언어 모델의 응답 다양성에 대한 조건부 상호 정보 분석

arXiv:2611.03836v1 발표 유형: 신규 초록: 대형 언어 모델은 추론(생성) 시 다양한 응답을 제공하며, 이는 전통적으로 온도 파라미터에 의존합니다. 조건부 상호정보 접근법을 사용하여 응답 다양성에 대한 양적이고 엔트로피 기반의 분석을 제시합니다. 무에서 최대 상호정보에 이르는 세 가지 한계 행동을 정의합니다: 중재자, (조건부) 독립, 그리고 중립(결정론적). 각 행동에 대한 예시를 제시하고, 이를 온도 분석, 언어 분석, 프롬프트 압축 및 지식 그래프에 적용할 수 있도록 제안합니다.

vercel doctor로 Vercel CLI 설정 문제 진단하기

Vercel CLI에 이제 vercel doctor 명령어가 포함되어 있으며, 이 명령어는 CLI 버전 및 설치 여부, 로그인 상태, 팀 소속, 프로젝트 연결, vercel.json 구성, 그리고 Vercel 상태 페이지의 활성 인시던트를 확인하여 설정 문제를 진단합니다. 결과는 OK, Warning, Failed 또는 Skipped로 표시되며, 구체적인 해결 명령어도 제공합니다. 이 도구는 로그인이나 프로젝트 연결 없이 실행되며, 코딩 에이전트와의 통합을 위해 --json 옵션을 통해 JSON 출력을 지원합니다.

오버라이드 공유를 더 쉽게 하도록 플래그스 익스플로러가 재설계되었습니다

Vercel은 기능 플래그의 가시성과 공유를 개선하기 위해 Vercel 툴바의 플래그 탐색기를 재설계했으며, 이제 오버라이드, 브랜치 추천 및 관련 작업을 한 곳에 모아 제공합니다. 브랜치에 오버라이드가 있는 경우 배포를 확인하는 팀원들에게 해당 설정을 권장하는 대화 상자가 표시됩니다. 이 도구는 모든 요금제에서 사용할 수 있으며, 시작 방법에 대한 문서도 제공됩니다.

LongCat 2.5가 이제 AI 게이트웨이에서 사용 가능합니다

Meituan의 LongCat 2.5가 이제 AI Gateway를 통해 이용 가능하며, 향상된 시각적 이해력, 코딩 기능 및 복잡한 코드베이스와 프로젝트 관리 작업을 위한 다단계 도구 사용을 제공합니다. 이 모델은 1M 토큰 컨텍스트 창으로 텍스트와 이미지 입력을 지원하여 엔지니어링 작업에서 확장된 워크플로를 가능하게 합니다. Vercel CLI를 설정한 후 Claude Code, Codex 및 Cursor와 같은 도구와 함께 사용할 수 있습니다. AI Gateway는 마크업이나 플랫폼 수수료 없이 통합 API 액세스, 사용량 추적, 비용 모니터링 및 성능 최적화를 제공합니다.

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

오픈 언어 모델의 모든 학습 단계에서 아첨 행동 탐지

arXiv:2610.37788v1 발표 유형: 신규 초록: 언어 모델 기반 비서는 사용자가 잘못된 답변을 제시하면 때때로 올바른 답변을 수정하기도 한다. 이러한 행동은 ‘아첨’으로 불리며, 일반적으로 선호 기반 사후 학습에 기인한다고 여겨지지만, 초기 측정에서는 사전 훈련된 모델에서도 발견되었다. 우리는 이 현상이 어디에서 발생하는지 파악하기 위해 학습의 모든 가능한 단계에서 이를 측정하였다: 기본 모델부터 감독 학습, 선호도 최적화를 거쳐 출시에 이르기까지, 5개 계열의 오픈 체크포인트 13개를 대상으로 분석했다. 또한, 주입된 주장이 모델의 답변을 얼마나 변화시키는지와 답변이 얼마나 견고하게 유지되었는지를 구분하고, 주장의 주체와 그 신뢰도, 그리고 주장의 강도를 다양하게 설정하여 실험을 진행했다. 그 결과, 서로 다른 기원을 가진 두 가지 아첨 행동이 나타났으며, 이 두 행동 모두 다양한 데이터셋에서 재현되었다. 주장에 대한 복종은 i

진행 상황 및 관련 보도

이제 Gemini 채팅에서 Google 문서 파일을 직접 생성하고 편집할 수 있습니다.

이제 PDF, Google 문서, Google 스프레드시트, 프레젠테이션 자료, Markdown 파일, TXT 파일 및 코드를 Google Gemini 내에서 직접 생성하고 미리 보고 편집할 수 있습니다. 새로운 파일 편집 기능은 오늘부터 모든 Gemini 사용자에게 제공되며, PDF 미리 보기와 편집은 웹과 모바일 모두에서 지원되지만 다른 모든 파일 형식은 현재 웹 버전에서만 이용 가능합니다.

STK255_Google_Gemini_B_474198
진행 상황 및 관련 보도

GitHub Copilot Fusion으로 모델을 라우팅하고 오케스트레이션하세요

GitHub Copilot Fusion이 일반에 공개되었습니다. 각 작업마다 개별 모델을 선택하는 대신, Copilot Fusion을 선택하면 Copilot이 지능적으로 어떤 모델을 사용할지 라우팅하고 오케스트레이션해 줍니다.… 글 ‘GitHub Copilot Fusion으로 모델을 라우팅하고 오케스트레이션하세요’는 The GitHub Blog에 처음 게재되었습니다.

新闻源配图 · GitHub Copilot changelog
진행 상황 및 관련 보도

GitHub Copilot 앱용 보안 확장 기능

이제 GitHub Copilot 앱을 떠나지 않고도 리포지토리의 GitHub 코드 스캐닝 알림을 처리할 수 있습니다. 현재 공개 미리보기 중인 새로운 GitHub 보안 확장 기능을 통해 가장 중요한 알림을 찾고, Copilot에 이를 설명하거나 수정을 도와달라고 요청할 수 있습니다. 이 글은 GitHub 보안 확장 기능이 처음으로 게시된 GitHub 블로그의 내용입니다.

新闻源配图 · GitHub Copilot changelog
진행 상황 및 관련 보도

3, 7, 14, 17, 42: 지도 조정이 언어 모델의 숫자 선택 휴리스틱을 설치하고 날카롭게 만든다

arXiv:2610.36178v1 발표 유형: 신규 초록: 우리는 임의의 숫자를 요청받았을 때 언어 모델이 1부터 N까지의 각 정수에 부여하는 확률을 표본 오차 없이 측정한다. 고정된 프롬프트 하에서 모델은 하나의 확률 벡터를 정의하며, 이는 표본 추출로 추정하는 방식이 아니라 각 정수의 점수화된 표현을 모두 합산하여 계산함으로써 기존 연구들[1, 4]에서 제한되던 노이즈를 제거한다. 우리는 두 개의 추론 스택에서 N = 100까지의 다섯 가지 범위에 걸쳐 18개의 오픈 웨이트 모델 라인을 29가지 디코딩 구성하에 평가하였으며, 그 중 15개 모델은 사용 가능한 답변을 제공하는 기본 체크포인트와 지도 조정 체크포인트가 모두 일치하였다. 지도 조정은 이 15쌍 모두에서 분포를 보다 균일하지 않게 만들며, 하나의 휴리스틱인 ‘둥근 수 회피’를 도입하고 또 다른 휴리스틱인 ‘종점 회피’를 더욱 명확히 한다. 기본 체크포인트

진행 상황 및 관련 보도

해석하기 전에 감지하기: LLM에서의 페르투베이션 기반 입력 모호성 감지

arXiv:2610.36353v1 발표 유형: 신규 초록: 대규모 언어 모델(LLM)은 종종 모호한 입력에 대해 하나의 의도된 의미만 있는 것처럼 답변합니다. 이는 문제가 되는데, 입력의 모호성은 불확실성의 상류 원천이기 때문입니다. 즉, 프롬프트가 여러 가지 타당한 해석을 허용할 때, 핵심 질문은 모델이 과연 직접 답변을 해야 하는지 여부입니다. 기존의 입력 불확실성 처리 방법들은 종종 LLM이 생성한 문장이나 명확화에 의존하지만, 이러한 변환 과정 자체가 모호성을 측정하기 전에 이미 입력을 해석해 버릴 수 있습니다. 우리는 입력 모호성 감지를 위한 라벨 보존형 페르투베이션 프레임워크를 제안하며, 이 프레임워크에서는 페르투베이션이 원래 입력에 가까운 상태로 유지되면서 동시에 해당 입력의 라벨을 보존합니다. 우리는 이 원칙을 두 가지 감지기로 구현했습니다: 블랙박스 기반 규칙 기반 페르투베이션 라이브러리와

진행 상황 및 관련 보도