최신 뉴스부터 나에게 맞는 도구까지.
JAX모델과 인프라JAX는 가속기 기반의 Python 수치 계산 라이브러리로, 고성능 배열 계산과 대규모 머신러닝을 위해 설계되었으며, CPU, GPU, TPU 등 다양한 하드웨어 백엔드에서 동일한 코드를 효율적으로 실행할 수 있도록 지원합니다.
分类推荐榜首M
MemoAI음악과 오디오MemoAI는 AI 기반 음성 및 영상 텍스트 변환 도구로, 데이터를 업로드할 필요 없이 로컬 처리를 지원하여 개인정보 보호를 확보합니다. YouTube 동영상, 팟캐스트는 물론 MP4, MP3, AAC, M4A 등 다양한 로컬 오디오·비디오 파일을 효율적으로 텍스트로 전환하며, 다국어 번역, 화자 분리, 실시간 자막, 플로팅 노트 등 핵심 기능을 제공해 회의록 작성, 인터뷰 정리, 콘텐츠 학습 등의 다양한场景에 적합합니다.
分类推荐榜首K
Kiro코딩과 개발Kiro는 개발자를 위한 AI 엔지니어링 도구로, 요구사항을 사양, 아키텍처 및 작업으로 정리하고, 인텔리전트 에이전트를 통해 코드를 생성하며, 속성 테스트, 실행 메모리 및 개발 도구 통합을 통해 기획부터 코드 리뷰까지의 전 과정을 지원합니다.
分类推荐榜首O
Open Design디자인과 3DOpenDesign은 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A
AI Short글쓰기와 콘텐츠AIS ALERT 관리 및 공유 플랫폼, 여러 시나리오의 빠른 명령
分类推荐榜首E
EvoMap에이전트와 자동화EvoMap은 AI 에이전트의 경험 재사용을 위한 인프라로, GEP 프로토콜을 통해 재사용 가능한 전략과 검증 기록이 포함된 복구 자산을 구성하고, 시장 및 품질 기준에 따라 정렬하여 다양한 에이전트가 기존 역량을 발견·평가·승계할 수 있도록 지원합니다.
分类推荐榜首M
My Glow Up AI일상과 개인My Glow Up AI는 등록 없이 무료로 제공되는 자拍照 분석을 통해 맞춤형 머리스타일 제안과 미용 계획을 제공합니다.
待评分 · 分类列表推荐AAssemblyAI는 개발자용 음성 AI 플랫폼으로, 사전 녹음, 실시간 및 짧은 클립 동기화 전사 API를 제공하며, 화자, 감정, 장 및 요약 분석과 함께 음성 인텔리전스 에이전트, 받아쓰기, 민감 정보 처리 등의 기능을 통해 음성 애플리케이션을 구축할 수 있도록 지원합니다.
待评分 · 分类列表推荐ZZoom Workplace는 Zoom의 팀 협업 플랫폼으로, 화상 회의, 채팅, 일정 및 문서 작업 등을 하나로 연결하며, 내장된 AI를 통해 논의 정리, 메시지 초안 작성 및 후속 조치를 지원합니다.
待评分 · 分类列表推荐C
ClipDrop이미지 생성과 편집Clipdrop은 배경 제거, 부분 정리, 이미지 확장, 확대, 조명 재조정, 텍스트 제거 및 배경 교체 기능을 포함하는 AI 이미지 생성 및 편집 도구 모음으로, 웹 페이지에서 이미지를 처리할 수 있으며 개발자용 이미지 처리 API도 제공합니다.
待评分 · 分类列表推荐기술 매체 gigazine은 개발자 @0x_Osprey가 웹 기반 CVE Tracker를 출시했다고 보도했다. 이 도구는 CVE 번호를 부여받은 취약점 수의 변화를 시각화된 그래프로 제공하며, 2026년 이후 곡선이 거의 수직으로 상승하고 있음을 보여준다. CVE는 전 세계적으로 통용되는 취약점 식별 체계로, 보안 연구원과 제조사, 기업들이 이를 통해 결함을 추적하고 공지하며 수정한다. 해당 도구는 공개된 기록을 정리해 트렌드 차트로 표시하고, 주요 AI 모델의 출시 시점까지 겹쳐 표시함으로써 취약점 증가와 AI 출시 간의 관계를 직관적으로 비교할 수 있도록 한다.
10월 28일, ‘科创板日报’는 바이두가 최근 ‘세계 모델’ 연구개발의 진전과 획기적 성과를 공식적으로 발표할 계획이라고 단독 보도했다. 이 분야는 전 세계 AI에서 가장 뜨거운 최첨단 영역 중 하나로, 핵심 기술은 실제 물리 환경에 대한 정밀한 동적 모델링과 미래 예측이다. 업계 관계자들은 해당 기술이 자율주행에 먼저 적용된다면, 복잡한 도로 상황에서도 무인차의 시나리오 예측 및 지능형 의사결정 수준을 크게 향상시킬 것으로 내다보고 있다.
## [3.0.1](https://github.com/n8n-io/n8n/compare/n8n@3.0.0...n8n@3.0.1) (2026-10-28) ### 버그 수정 핵심: 축소된 빌드에서 ExpressionError 이름을 유지합니다 (https://github.com/n8n-io/n8n/issues/42309) ([b3192c6](https://github.com/n8n-io/n8n/commit/b3192c6d151125c76c88fe8a421e027b4242a3f9)) 핵심: QuickJS 표현식 결과에서 미정의 값을 유지합니다 (https://github.com/n8n-io/n8n/issues/42264) ([532f645](https://github.com/n8n-io/n8n/commit/532f645f21c99e178a09448caf37ebd77d24b56a)) 편집기: 분할 버튼 내 캐럿 정렬을 개선합니다 (https://github.com/n8n-io/n8n/issues/42203) ([61cbfea](https://github.com/n8n-io/n8n/commit/61cbfeafa267b5c769b345c50ccbd4fc504b0e69)) 편집기: 첫 로드 속도를 향상시킵니다 (https://github.com/n8n-io/n8n/issues/41987) ([8b6bdbb](https://github.com/n8n-io/n8n/commit/8b6bdbbe874b
최근 리퀴드 AI는 차세대 기반 모델 패밀리인 LFM3을 정식으로 출시했습니다. 첫 번째 버전에는 약 2B 파라미터 규모의 모델 여섯 가지가 포함되며, 텍스트, 비전, 오디오, 옴니모달 및 의사결정 등 다양한 영역을 포괄합니다. 이들 모두는 LFM3-1.7B-Base를 기반으로 하며, 사전훈련 단계에서 최대 22T 토큰의 처리량을 달성했습니다. 해당 시리즈는 새로운 트라이하이브리드 레이어 아키텍처를 채택해 게이트 기반의 짧은 컨볼루션과 슬라이딩 창 메커니즘 등을 융합함으로써, 더 적은 파라미터와 높은 효율성을 특징으로 합니다.
10월 28일, 텐센트 워크버디에 ‘원격 제어’ 기능이 도입되었으며, 텐센트 엣지 원 팀의 지원을 받았습니다. 모바일 앱에서 한 번의 클릭으로 컴퓨터와 연결되어 데스크톱 화면을 실시간으로 확인하고 직접 제어할 수 있습니다. 화면은 작은 창 형태로 홈 화면이나 대화창 상단에 팝업되며, 입력란도 사용 가능하고 작업이 잘못 진행될 경우 바로 수정할 수 있습니다. 전체 화면으로 전환해 가로 모드로 바꾸면 손가락으로 원하는 위치를 탭하면 컴퓨터 화면의 해당 지점이 클릭됩니다. 오른쪽에는 ‘조작’, ‘키보드’, ‘마우스’ 도구가 배치되어 있으며, ‘조작’에서는 창을 정렬하거나 데스크톱으로 복귀하거나 화면을 전환하는 등의 작업을 수행할 수 있습니다.
## [2.45.5](https://github.com/n8n-io/n8n/compare/n8n@2.45.4...n8n@2.45.5) (2026-10-28) ### 버그 수정 * **core:** 축소된 빌드에서 ExpressionError 이름을 유지합니다([#42309](https://github.com/n8n-io/n8n/issues/42309)) ([b3192c6](https://github.com/n8n-io/n8n/commit/b3192c6d151125c76c88fe8a421e027b4242a3f9)) * **core:** QuickJS 표현식 결과에서 미정의 값을 유지합니다([#42264](https://github.com/n8n-io/n8n/issues/42264)) ([532f645](https://github.com/n8n-io/n8n/commit/532f645f21c99e178a09448caf37ebd77d24b56a)) * **editor:** 분할 버튼 내 캐럿 정렬을 개선합니다([#42203](https://github.com/n8n-io/n8n/issues/42203)) ([61cbfea](https://github.com/n8n-io/n8n/commit/61cbfeafa267b5c769b345c50ccbd4fc504b0e69)) * **editor:** 첫 로드 속도를 향상시킵니다([#41987](https://github.com/n8n-io/n8n/issues/4
10월 28일 소식에 따르면, 네티즌들이 DeepSeek가 다시 한 번 대규모 모델의 지문을 변경한 것을 발견해, 곧 강력한 신모델을 발표할 것이라는 추측을 불러일으켰다. DeepSeek Harness 공식 코드 저장소에는 이미 DeepSeek-V5, V5-open 및 V5-next 등의 코드가 등장했다. 현재 V5 관련 내용은 주로 자리표시자에 불과하지만, 새로운 모델 출시를 위한 준비가 이미 갖춰졌음을 시사한다.
복잡성이 증가하고 일정이 더욱 촉박해지며, 실수의 대가가 그 어느 때보다 높아지고 있는 아날로그 및 혼합 신호 설계 분야에서 AI의 역할이 점차 확대되고 있습니다. “아날로그 설계를 위한 AI 활용” 글은 Semiconductor Engineering에 처음 게재되었습니다.
RF 설계를 위한 에이전틱 솔루션. “RF EDA에서의 AI 설계 여정 계획”이라는 글은 Semiconductor Engineering에 처음 게재되었습니다.
앤트로픽의 채용 매니저이자 Claude 관련 제품 엔지니어링 책임자인 펠릭스 리제베르크는 자사 채용에서 전통적인 프로그래밍 문제를 활용한 면접을 폐지했으며, “프로그래밍 면접은 이미 사라졌다. 적어도 내 팀에서는 그렇다”고 단언했다. 그는 Claude와 같은 AI가 소규모 React 도전 과제는 물론 저수준 어셈블리 문제까지 손쉽게 해결할 수 있기 때문에, 전통적인 프로그래밍 문제로는 후보자의 진정한 엔지니어링 역량을 구분하기 어렵고, 면접 결과가 후보자의 실력보다는 AI 도구의 성능을 더 잘 반영할 수 있다고 보았다.
arXiv:2610.36083v1 발표 유형: 신규 초록: 생성형 AI의 최근 발전은 사후 학습된 금융 전용 대규모 언어 모델(LLMs)을 통해 금융 감성 분석을 크게 향상시켰습니다. 그러나 기존 접근법들은 각 기사의 감성을 개별적으로 예측하는 데에 그치고, 흑백 상자와 같은 방식으로 작동하여 맥락 이해를 제한하고 고위험 금융 의사결정에의 적용을 저해합니다. 이에 따라 우리는 FinLLM-KG를 제안합니다. 이는 모델에 독립적인 프레임워크로, 인과적 LLM과 금융 지식 그래프를 결합하여, 모델 가중치를 업데이트하지 않고도 추론 시 SEC 10-K 서류로부터 시간적 근거를 갖춘 기업 수준의 지식을 주입할 수 있도록 설계되었습니다. FinLLM-KG 내에서는 맥락이 자연어로 작성된 기업 프로필 또는 소규모 관계 집합의 형태로 제공됩니다.
arXiv:2610.36523v1 발표 유형: 신규 초록: 에이전트들이 더 긴 작업을 협업하는 과정에서, 작업이 완료되기 전에 책임이 모델 간에 이양될 수 있습니다. 수신 모델은 남아 있는 요구사항을 해결하면서, 이전의 결정, 관찰 및 행동을 바탕으로 작업을 이어가야 합니다. 이러한 전환 과정을 평가하려면, 인수 이전에 보존된 정보와 수신 모델이 어떻게 작업을 계속해 나가는지 사이의 관계를 연결해야 하며, 이는 단순히 작업 성공률과 기억 유지 점수만으로는 포착할 수 없습니다. 우리는 인수 이행 상태 연속성 벤치마크(HSC-Bench)를 도입하며, 이는 작업 인수의 두 가지 상호보완적인 측면을 평가하는 1,039개의 과제로 구성되어 있습니다: 관련 저장소 증거를 복구하고, 이미 설정된 대화, 도구 및 파일 작업 상태에서 계속 진행하는 능력입니다. 여섯 개의 수신 모델 간 비교 결과에 따르면, 구조적…
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
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
arXiv:2502.02727v4 발표 유형: replace-cross 초록: 클라이언트 드리프트 보상 방법은 연합 학습(FL)에서 데이터 이질성의 영향을 완화합니다. 드리프트 교정은 확률적 경사 하강법(SGD) 기반 연합 학습에서는 잘 연구되어 왔지만, 적응형 클라이언트 최적화 알고리즘과의 상호작용에 대해서는 아직 충분히 이해되지 않았습니다. Adam과 같은 적응형 최적화 알고리즘은 과거 기울기의 이동평균을 기반으로 각 업데이트를 구성하므로, 최종 업데이트 방향만을 교정하면 이러한 평균과 그 안에 포함된 드리프트는 그대로 유지됩니다. 우리는 이러한 이동평균에 들어가기 전에 각 기울기를 먼저 교정하는 연합 적응형 기울기 교정({\tt FA-GC})을 제안하고, 이를 최종 방향에 교정을 추가하는 연합 적응형 단순 추적({\tt FA-NT})과 비교합니다. 우리는 실험을 통해, 이상적인
arXiv:2610.36339v1 발표 유형: 신규 초록: 전문가 병렬 혼합-전문가(MoE) 서비스에서 디스패치는 토큰을 해당 토큰이 선택한 전문가를 호스팅하는 가속기로 이동시키고, 결합은 각 토큰의 소유자에게 전문가 출력을 다시 모아줍니다. 두 작업 모두 핵심 경로에 위치해 다노드 배포 환경에서 MoE 레이어의 지연 시간을 주도할 수 있습니다. 우리는 INC-MoE를 제안합니다. 이는 디스패치와 결합 작업을 네트워크 스위치로 오프로드하고, 두 집단 수렴을 서로 및 전문가 계산과 겹치도록 설계된 전문가 병렬 MoE 레이어입니다. 디스패치는 스위치 측 멀티캐스트를 통해 네트워크 내 AllGather를 사용하며, 결합은 스위치 측 감축을 통해 네트워크 내 ReduceScatter를 사용합니다. 두 집단 수렴 모두 최종 호스트와 스위치 간의 메시지 세미틱을 활용합니다. 네트워크 내 집단 수렴은 서로 반대 방향으로 로드되기 때문에
arXiv:2610.36191v1 발표 유형: 신규 초록: 대규모 언어 모델(LLM)은 흔히 유창하지만 사실과는 맞지 않는 응답을 생성하여 그 신뢰성에 대한 우려를 불러일으킵니다. 최근의 환각 탐지기들은 점점 더 내부 표현을 활용하고 있지만, 고차원의 숨은 상태에서 유의미한 신호를 추출하는 것은 여전히 어려운 과제입니다. 기존 접근법들은 종종 선택된 활성화 값이나 풀링 기반 압축에 의존하는데, 이로 인해 트랜스포머 계층, 특징 모드 및 토큰 전반에 걸쳐 분산된 판별적 정보를 놓칠 수 있습니다. 우리는 LOTUS(Low-rank Order-statistic TUcker-based Subspace learning)를 제안합니다. 이는 환각 탐지를 위한 다중선형 저랭크 분해 프레임워크로서, LLM의 숨은 상태로부터 컴팩트한 표현을 추출하면서도 레이블에 대한 의존성을 줄여줍니다.
arXiv:2610.36432v1 발표 유형: 신규 초록: 동형 문자 및 보이지 않는 문자 워터마킹은 편집 기반 워터마킹입니다. 모델이 텍스트를 생성하는 방식을 변경하는 대신, 텍스트가 작성된 후에 그 안에 신호를 숨기는 방식입니다. 이들은 외관상 같거나 매우 유사하지만 서로 다른 유니코드 코드 포인트를 갖는 동형 문자로 일부 문자를 교체하거나, 표시되지 않는 문자를 삽입함으로써, 해당 텍스트를 작성한 모델에 대한 접근 권한 없이도 작동합니다. 생성 시점 워터마킹은 토크나이저가 텍스트를 분할하는 방식 때문에 자원이 부족한 언어에서는 성능이 떨어집니다. 개별 문자 단위로 작동하기 때문에 이러한 워터마킹은 토크나이저에 전혀 영향을 미치지 않으며, 따라서 이 격차를 피할 수 있는지 여부를 검토합니다. 24개의 문자 체계에 속한 40개의 언어 변종을 대상으로, 각 문자가 숨길 수 있는 비트 수(용량)와 그 비율을 측정하였습니다.
arXiv:2610.36582v1 발표 유형: 신규 요약: 랜드마크 기반 경로 안내를 생성하기 위해서는 모델이 지도의 기하학적 구조와 인간의 랜드마크 선호도를 모두 이해해야 합니다. 대규모 언어 모델(LLM)은 언어 처리 과제에서 뛰어난 성능을 보여주지만, 이러한 모델을 위해 지도 데이터를 구조화하는 최적의 방법은 아직 확립되지 않았습니다. 본 논문에서는 경로 탐색 시 랜드마크 선택 작업을 위한 구조화된 텍스트 표현 방식을 제안하며, SVG 형식을 이용해 공간적 특징을 인코딩합니다. 이 구조화된 텍스트는 렌더링된 지도 이미지와 기하학적 연결성을 유지하여, 언어 모델이 공간적 및 의미적 데이터에 직접 접근할 수 있도록 합니다. 인간이 작성한 경로 설명과 OpenStreetMap 데이터를 바탕으로 생성된 새로운 데이터셋을 사용하여, 우리는 회전 지점에서의 랜드마크 선택과 목적지 주변 랜드마크 선택이라는 두 가지 과제에 대해 모델을 평가합니다.
파리스 스마라그디스 교수는 음성 인식, 음악 이해, 환경 모니터링 등 다양한 분야에 활용될 초인간 수준의 청력을 갖춘 컴퓨터를 개발하고 있습니다.
호기심에 방향을 더하고 매일의 읽기에 가치를 더하세요.
