최신 뉴스부터 나에게 맞는 도구까지.
Open DesignOpenDesign은 오픈소스 설계 워크스페이스로, 로컬 프로그래밍 에이전트와 연동하거나 자체 모델 키를 사용하거나 클라우드 기반 모델을 활용하여 디자인 시스템을 중심으로 프로토타입, 웹페이지, 프레젠테이션 및 그래픽을 생성하고 편집할 수 있습니다. 로컬 소프트웨어는 무료이며, 모델 서비스 비용은 별도로 구분됩니다.
分类推荐榜首H
House of Esse웹 기반 3D 의상 디자인 및 실시간 시각화 플랫폼。
待评分 · 分类列表推荐C
Cat's EyeCat's Eye는 음성 및 시각 입력을 분석하여 폭력을 감지하고 경고를 보내는 고급 반따돌이 시스템으로, 학교에서 더 안전한 환경을 만들고자 합니다.
待评分 · 分类列表推荐N
NapkinNapkin AI는 입력하거나 가져온 텍스트를 플로우차트, 마인드맵, 인포그래픽 및 데이터 차트로 변환한 뒤, 색상, 글꼴 및 레이아웃을 조정하여 프레젠테이션, 보고서 및 문서에 활용할 수 있습니다. 다양한 내보내기 형식과 브랜드 기능은 각 요금제에 따라 제공됩니다.
待评分 · 分类列表推荐NNBot.ai는 사용자가 관심 있는 주제를 추적할 수 있도록 도와주는 도구로, 소음 필터링을 통해 가치 있는 정보를 발견할 수 있습니다.
待评分 · 分类列表推荐H
HideMyAIHideMyAI는 AI가 생성한 콘텐츠를 감지되지 않도록 만들고 인간 스타일로 변환하는 도구입니다.
待评分 · 分类列表推荐D
Dify지능형 워크플로우를 위한 애플리케이션 개발 플랫폼。
分类推荐榜首S
StudydriveStudydrive는 무료 대학 학습 노트와 요약을 제공하며, AI를 활용한 플래시카드 생성을 지원하여 사용자가 학습을 더 효율적으로 수행하고 우수한 성적을 얻을 수 있도록 도와줍니다.
待评分 · 分类列表推荐O
OpenCodeOpenCode는 오픈소스 프로그래밍 인텔리전트 에이전트로, 터미널, 데스크톱 및 에디터를 통해 다양한 모델에 연결되어 코드의 읽기·쓰기와 실행을 지원합니다. 이 도구 자체는 무료로 사용할 수 있으며, 외부 모델이나 기존 구독에 대한 비용과 할당량은 각각 별도로 산정됩니다.
分类推荐榜首T
TalkatooTalkatoo는 대화를 완전하고 정확한 의료 기록으로 변환하여 진료소의 운영을 더 효율적으로 만듭니다.
待评分 · 分类列表推荐지둥시(공식 계정: zhidxcom) 저자 | 리수이칭 편집 | 신위안 지둥시 10월 31일 소식에 따르면, 알리바바는 방금 애플과 협력을 체결해 Qwen을 애플 인텔리전스에 통합한다고 발표했습니다. 중국 사용자들은 시리, 글쓰기 도구 및 비전 인텔리전스에서 Qwen의 텍스트 및 이미지 이해, 콘텐츠 생성 등 기능을 직접 활용할 수 있게 됩니다. 이들 기능은 11월 4일부터 최신 iOS 개발자 베타 버전과 함께 테스트를 시작하며...
AI 산업이 메모리 및 기타 부품을 대량으로 소비하면서 PC 가격이 상승하고 있는 가운데, 인텔은 PC 판매 부진으로 타격을 받고 있다.
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 […]
자율 에이전트를 구축하려면 모델, 하네스 및 도메인 특화 도구가 필요합니다. 에이전트를 보다 안전하게 배포하기 위해 개발자는 정책을 강제하는 런타임 환경과 함께...
AI 에이전트를 생산 환경에 도입하려는 기업들은 모델 선택보다 역할 기반 접근 제어가 그 에이전트를 신뢰할 수 있는지 여부를 결정한다는 사실을 점차 깨닫고 있다. 증가하는 추론 비용, 개인정보 보호 우려, 그리고 주권 요구 등도 더 많은 AI 워크로드를 기업 내 데이터 센터로 다시 이전하도록 만들고 있다. 이러한 변화는 수년간 민감한 데이터를 관리해 온 기업들에게 유리하게 작용한다. 해당 게시물 ‘AI 에이전트를 배치하려는 경쟁, 데이터 접근에서 익숙한 장애물 마주’는 SiliconANGLE에 처음 게재되었다.
AI 덕분에 우리는 훨씬 더 많은 일을 할 수 있게 되었지만, 저는 예전보다 훨씬 더 피곤함을 느낍니다. 동시에 진행되는 수많은 일들을 관리하고, 생성된 방대한 양의 텍스트를 읽어야 하기 때문입니다.
## [2.46.3](https://github.com/n8n-io/n8n/compare/n8n@2.46.2...n8n@2.46.3) (2026-10-30) ### 버그 수정 * **core:** 마이그레이션 소유자 알림 재전송 전에 쿨다운 시간을 추가 ([#42567](https://github.com/n8n-io/n8n/issues/42567)) ([724efc3](https://github.com/n8n-io/n8n/commit/724efc352f51a52910924789b79cf66770807e09)) * **core:** 활성화 후 IMAP 트리거 표현식을 해결 ([#42612](https://github.com/n8n-io/n8n/issues/42612)) ([17594a7](https://github.com/n8n-io/n8n/commit/17594a7eefa42bc37f532af35c4f38eb1986bbc5)) * **core:** 표현식에서 사용자 데이터를 __isError 키와 함께 반환 ([#42490](https://github.com/n8n-io/n8n/issues/42490)) ([9fe595e](https://github.com/n8n-io/n8n/commit/9fe595e1b83179b54ac5768d03c5f90f9c409f16)) * **editor:** 워크플로우 프로젝트를 해당 이름으로 표시
GitHub은 2026년 10월 28일에 Copilot Fusion 정식 버전을 발표하며, 동시에 실험적인 로컬 모델 라우팅 기능도 함께 선보였습니다. 이 기능은 Windows 장치에서 MAI Code 1.1 Flash와 같은 로컬 모델을 자동으로 호출하고, VS Code, CLI 및 Copilot 앱에서 지능형 라우팅을 활성화할 수 있도록 지원합니다. 이 시스템은 Standard/High/Max 세 가지 노력 수준을 통해 클라우드 모델(예: OpenAI, Anthropic, Google)을 자동으로 선택하고 조합하여 작업을 수행하며, 코딩 평가에서 Claude Code에 근접한 성능을 구현하면서 비용은 절반으로 줄였습니다.
엔비디아가 새로운 음성 텍스트 변환 거대 모델 Nemotron 3.5 Transcribe를 공식 오픈소스로 제공했습니다. 이 모델은 전문적인 음성 처리를 목표로 하며, 다국어 텍스트 변환 정확도, 장시간 오디오 처리, 다중 화자 분리 등 핵심 지표에서 업계 최고 수준을 자랑합니다. 혼합 전문가(MoE) 아키텍처를 채택한 이 모델의 총 파라미터 수는 약 340억 개로, 매번 전방향 전파 시 일부 파라미터만 활성화되어 효율성을 높입니다. 전체적으로 볼 때, 전문 음성 텍스트 변환 분야에 있어 새로운 오픈소스 옵션을 제공합니다.
최근 뉴럴링크는 중대한 돌파구를 마련해 AI 모델인 그록을 인간의 뇌에 직접 연결함으로써, 뇌-컴퓨터 인터페이스가 ‘생각으로 커서를 움직이는’ 단계에서 ‘생각으로 AI를 제어하는’ 시대로 한 걸음 더 나아갔다. 8가지 주요 기능 개발을 위해 핵심 엔지니어들은 피실험자의 집에 머물며 72시간 동안 극한의 고강도 실전 개발을 진행했다. 본 기사는 이러한 진전과 함께 팀이 ‘폭풍 같은 노력을 기울이며’ 개발한 과정의 이면을 집중적으로 조명한다.
IT之家 10월 30일 보도에 따르면, 사용자 수가 적은 언어를 사용하는 경우 AI 서비스 이용 시 영어 및 기타 주요 언어 사용자보다 더 높은 비용을 부담할 수 있다고 합니다. 현지 시간으로 28일, 외신 Rest of World의 보도에 따르면, 인공지능 언어 공정성 연구 연합이 지난달 발표한 연구에서 AI 모델이 서로 다른 언어를 처리할 때 소모되는 토큰(단어 단위) 수가 매우 큰 차이를 보일 수 있다는 사실이 밝혀졌습니다. 토큰은 AI 모델이 텍스트와 같은 데이터를 처리하는 데 사용되는 기본 단위입니다...
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
arXiv:2610.38355v1 발표 유형: 신규 초록: KV 캐시 재사용은 LLM 서비스를 가속화하지만, 기존 시스템들은 호스트 DRAM과 NVMe SSD를 계층적 하위 구조로 관리하며, DRAM을 중간 캐시로 활용합니다. 그러나 실제 생산 환경의 LLM 워크로드는 이러한 계층 구조의 두 가지 전제 조건을 모두 무너뜨립니다. 첫째, 이중 모드 재사용 방식은 DRAM의 시간적 필터링 기능을 무력화합니다. 왜냐하면 워크로드는 재사용 거리가 긴 일회성 블록이나 DRAM 용량을 초과하는 수기가바이트 규모의 에이전트 세션으로 구성되어 있어 SSD가 핵심 읽기 경로에 위치하게 되기 때문입니다. 둘째, DRAM의 스테이징과 제거 순서에 따른 배치 방식은 SSD 복원 과정을 병목으로 만듭니다. 인-플라이트 프리픽스를 위해 호스트 스테이징 버퍼를 유지하면 부하 상황에서 컨텐션을 유발해 프리페치 작업이 중단되며, 증분식 제거는 세션의 블록들을 SSD 전체에 분산시켜 대규모 연속 읽기를 방해합니다. 우리는 p
arXiv:2610.37851v1 발표 유형: 신규 초록: 기존의 과학적 에이전트 벤치마크는 에이전트가 시퀀싱 프로토콜에서 명시된 정확한 분자 구조와 생성 워크플로를 재구성할 수 있는지에 대해 거의 평가하지 않으며, 이는 맞춤형 시퀀싱 분석을 수행하는 데 매우 중요한 역량입니다. 우리는 시퀀싱 라이브러리 구조와 분자 워크플로를 재구성하기 위한 문서 기반 벤치마크인 LibStructBench를 제안합니다. 우리의 실험 결과에 따르면, 최첨단 에이전트들은 대체로 대략적인 재구성을 수행하긴 하지만, 특히 분자 상태 표현과 워크플로 연결성 측면에서 정확한 재구성에는 여전히 신뢰성이 부족한 것으로 나타났습니다. 또한, 기본 언어 모델을 변경하는 것이 에이전트 하네스를 교체하는 것보다 평균 성능 차이를 더 크게 발생시켰으며, 이는 통계적으로 유의미한 차이였습니다.
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
arXiv:2610.37819v1 발표 유형: 신규 초록: 양자 기계 학습(QML)은 의료 분류 작업에서 점점 더 활발히 탐구되고 있지만, 하위 집단을 고려한 공정성 기준 하에서의 성과는 아직 충분히 연구되지 않았다. 우리는 QML이 본질적으로 공정하지 않다는 가정 하에, 의료 영상 분석을 위한 클래식 및 양자 분류기의 실증적 공정성 감사를 제시한다. 두 가지 시나리오를 평가하며, DDI 데이터를 이용한 피부병변 분석(민감 속성: 피츠패트릭 피부 타입)과 CheXpert에서 파생된 데이터를 활용한 흉부 X선 이미지 분석(민감 속성: 연령대)을 포함한다. ResNet-18 임베딩을 사용하여, 기본 설정과 세 가지 완화 조치 설정—미분 가능한 Equalized Odds (EO) 정규화, Gradient Reversal Learning (GRL), 그리고 이 두 가지를 결합한 방식—하에 SVM, MLP, QSVM 및 QCNN을 학습시킨다. 또한 기초 모델들(PanDerm, EVA-X)은 외부 기준으로 활용된다.
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
arXiv:2610.39017v1 발표 유형: 신규 초록: 분산 합의 및 일관성 프로토콜은 이해하기 어렵지만 클라우드의 기반이 되므로, 배포 전에 종종 엄격한 증명과 형식 검증 과정을 거칩니다. 그러나 프로토콜 수정에는 이러한 수준의 엄밀성이 거의 적용되지 않으며, 생산 환경에서는 이러한 수정이 빈번히 발생해 안전성을 위협합니다. 본 논문에서는 수동 수정으로 인한 안전성 위반 위험을 제거하기 위해, 분산 프로토콜을 위한 자동 최적화 도구인 DistOptimize를 제안합니다. DistOptimize는 학술용 언어에서 개발된 처리량 최적화 기법을 실제 운영 환경에서 사용되는 프레임워크에 적용하고, Rocq 언어를 통해 재작성의 정확성을 검증하며, 교정과 ILP 기반 탐색을 결합하여 이를 자동으로 적용합니다.
arXiv:2610.37681v1 발표 유형: 신규 요약: 최근 대규모 추론 모델들은 복잡한 과제를 해결하는 데 있어 뛰어난 성능을 보여왔으며, 이는 긴 사고 체인 데이터에 대한 지도학습微調(SFT)이 그들의 추론 능력을 발현하고 향상시키는 데 핵심적인 기반이 되었기 때문입니다. 추론 중심의 SFT를 개선하고 분석하는 데 있어 빠른 진전에도 불구하고, 이 분야에는 아직도 급속히 증가하는 관련 문헌을 통합적으로 정리한 체계적인 조사가 부족한 실정입니다. 이러한 공백을 메우기 위해 우리는 추론을 위한 SFT의 최근 발전상을 포괄적으로 검토하며, 방법론적 설계와 분석적 탐구라는 두 가지 관점에서 문헌을 살펴봅니다. 먼저, SFT 전반에 걸친 방법론적 개선 사항들을 검토하고 이를 데이터 중심 접근과 알고리즘 중심 접근으로 구분합니다.
호기심에 방향을 더하고 매일의 읽기에 가치를 더하세요.
