Google 검색의 AI 모드는 마라톤 등 레이스 준비에 도움이 된다. 훈련 계획은 +메뉴에서 Canvas 도구를 선택해 만들 수 있으며, 교차 훈련과 근력 훈련을 포함한 계획을 작성할 수 있다. YouTube Music 계정을 연동하면 러닝용 맞춤 플레이리스트를 만들 수 있고, Shopping Graph의 600억 건이 넘는 상품 정보를 바탕으로 와이드 풋용 신발이나 80달러 미만의 하이드레이션 베스트 등을 비교하며, 재고 현황과 매장 재고도 확인할 수 있다.
TRL v1.14의 AsyncGRPOTrainer는 LoRA 어댑터만 학습해 vLLM에 동기화할 수 있게 되었으며, 학습과 추론을 서로 다른 Hugging Face Jobs로 나누어 실행하는 구성을 보여준다. 랭크 1 어댑터는 크기가 수 MB에 불과해 1.5B 모델 전체(약 3GB)보다 훨씬 작으므로, Storage Bucket을 공유 파일 시스템으로 사용하면 NCCL 없이 동기화할 수 있다. 5회 실행 결과, 동일한 레시피로 500스텝을 학습하는 시간이 3시간 27분에서 53분으로 줄었다.
Hugging Face가 AUTOMATIC1111의 stable-diffusion-webui 기능 대부분을 단일 워크플로 캔버스에서 재현한 'Workflow1111'을 소개했다. 11개의 파이프라인과 73개의 노드로 구성되며, text-to-image, FLUX.1-Kontext를 활용한 hi-resolution fix, prompt matrix, PNG Info 등을 포함한다. 이용하려면 Hugging Face 계정으로 로그인하거나 액세스 토큰이 필요하며, 모델 호출은 이용자 본인의 할당량을 소비한다.
Google은 Gemini를 운전면허증 갱신, 세무 신고, 행정 서비스 신청 등 행정 절차에 활용하는 4가지 방법을 소개했다. Google의 AI & Economy ATLAS v1.0 조사에 따르면, 이런 잡무에 관한 AI와의 대화 약 절반은 일반 영업시간 외에 이뤄졌다. Gemini로 생활과 관련된 용무를 처리하는 사람의 약 40%는 서류 용어나 절차 순서에 대해 상담했다.
Mistral는 유럽의 한 에너지 사업자가 보유한 Fortran 77 기반 저류층 시뮬레이터 4만 줄을 C++로 옮긴 사례를 바탕으로, AI 에이전트를 활용한 레거시 코드 현대화 진행 방식을 소개했다. 수치 일치를 확인하는 검증 기반을 먼저 구축하고, 문서를 정비하며, 사람의 검토를 포함한 구조화된 워크플로를 교훈으로 제시했다. 첫 스프린트의 대상은 30만 줄 가운데 4만 줄이다.
Hugging Face 블로그가 Surya Narreddi의 수채화 생성 기법을 TRL과 OpenEnv로 재현했으며, 데이터셋, RL 환경, 학습 스크립트, 학습된 모델을 모두 공개했다고 밝혔다. Qwen/Qwen3.5-35B-A3B에게 p5.brush용 JavaScript를 작성하게 하고, 심사 모델과 미적 평가 모델의 보상으로 학습시켰다. 세 가지 보상 배분 방식 모두에서 보상이 상승했다.
선정 이유: 보상 설계에서 실패한 실험과 비용까지 구체적인 수치로 정리되어 있어, 선호도를 보상으로 삼는 RL을 직접 재현할 때 판단 근거로 활용할 수 있다.
LFM2.5-350M을 TRL의 Group Relative Policy Optimization(GRPO)으로 약 500개 샘플, 100스텝 학습해 IFStruct 벤치마크 점수를 22.6%에서 29.7%로 끌어올리는 절차를 공개했다. 학습은 무료 등급의 Colab과 Kaggle GPU에서 실행할 수 있으며, 노트북은 GitHub에서 공개되어 있다. 평가는 llama.cpp를 사용해 MacBook에서 로컬로 진행했고, 베이스라인은 22.6%로 IFStruct 공식 블로그가 보고한 21.1%에 가까운 결과였다.
Sentence Transformers v6.0에 새로 추가된 모델 타입 MultiVectorEncoder를 사용해 ColBERT 방식의 레이트 인터랙션 검색용 멀티벡터 모델을 파인튜닝하는 절차가 소개된다.
Gradio의 새 기능 gr.Workflow는 타입이 지정된 노드의 그래프로 AI 파이프라인을 정의하며, 드래그 앤 드롭으로 실행할 수 있는 캔버스로 제공된다. 같은 그래프는 REST API로도 공개되며, 명령어 한 줄로 Hugging Face Spaces에 배포할 수 있다. 이미지 편집, 이미지 생성에서 이어지는 배경 제거와 음성 합성, ZeroGPU를 이용한 GPU 모델 실행 등의 데모가 Hugging Face Spaces에서 공개되어 있다.
Papers with Code 검색은 PostgreSQL 전문 검색과 pgvector 벡터 검색을 RRF로 통합한 하이브리드 검색으로 구축되었다. 논문 임베딩은 Hugging Face Jobs의 L4 GPU에서 오프라인으로 생성하며, arXiv와 Daily Papers의 11만 건이 넘는 현행 논문을 대상으로 한다. 온라인에서는 쿼리 임베딩만 Inference Endpoints에서 처리하고, 엔드포인트가 중지되거나 혼잡할 경우 전문 검색으로 전환한다.
Sentence Transformers v6.0에 ColBERT 방식의 Late Interaction 검색을 지원하는 새 모델 유형 「MultiVectorEncoder」가 추가됐다. PyLate와 Stanford-NLP의 ColBERT 체크포인트, colpali-engine 모델을 불러올 수 있으며, 토큰마다 벡터를 보관하고 MaxSim으로 점수를 매긴다. 단일 벡터 모델보다 검색 정확도가 높은 대신 인덱스 크기는 커진다.
Strands Robots의 에이전트 루프로 로봇 데모 기록, Hub에서 직접 스트리밍하는 학습, 정책의 하드웨어 재배포를 하나의 데이터 루프로 실행하는 방법을 설명한다. 데이터는 LeRobot 형식 그대로 Storage Bucket에 동기화되며, 동기화할 때마다 변경된 바이트만 업로드된다. 학습 시에는 `stream_dataset(repo_type="bucket")`으로 다운로드하지 않고 읽어 들이며, 배포는 `mode="real"` 인자를 바꾸는 방식으로 이루어진다.
Microsoft Copilot을 이용해 코드를 작성하지 않고 AI 에이전트를 만드는 5단계 절차를 설명하는 가이드다. Copilot Chat의 「Agents」에서 「New Agent」를 선택하고 평이한 말로 내용을 전달하면 에이전트 초안이 생성된다. 과제 정의, 기존 에이전트 확인, 지식과 출력 형식 설정, 테스트와 공유까지 공유 수신함 대응과 주간 보고서 작성을 예로 들어 설명한다.
Hugging Face 블로그 연재 「Profiling in PyTorch」 3회에서는 Attention을 단순하게 구현한 모듈을 프로파일러로 분석한다. out-of-place인 masked_fill을 in-place인 masked_fill_로 바꾸면 GPU에서 Memcpy 커널이 사라지고, forward를 한 번 실행할 때마다 커널이 하나씩 줄어든다고 설명한다.
Google은 생성형 AI로 여러 AI 아바타와 대화하는 환경을 만들어 미래형 역량을 평가하는 연구 실험 「Vantage」를 발표했다. 뉴욕대학교와의 공동 연구에서는 18~25세 피험자 188명이 갈등 해결과 프로젝트 관리 과제에 임했으며, AI Evaluator의 채점은 인간 전문가끼리의 일치도와 비슷한 수준이었다. 영어 버전은 Google Labs에서 사용 등록을 받고 있다.
Mistral AI는 Rails 소스 파일을 읽어 RSpec 테스트를 생성·개선하고, 스타일 규칙과 커버리지 목표로 검증하는 에이전트를 구축했다고 발표했다. CI/CD 파이프라인 안에서 사람의 개입 없이 동작하며, 여러 인스턴스가 서로 다른 파일을 병렬로 처리한다.
Mistral은 Pixtral-12B를 위성 이미지로 파인튜닝하면 기본 모델보다 큰 폭의 성능 향상을 얻을 수 있다고 밝혔다. 평가에는 Aerial Image Dataset(AID)을 사용했으며, 이를 학습 데이터 8,000건과 테스트 데이터 2,000건으로 나누었다. 프롬프트만으로는 모호한 클래스를 구분하기 어렵고, 존재하지 않는 클래스 이름을 출력하는 문제가 있었다.
Mistral AI는 LLM as a Judge 방식으로 RAG 시스템을 평가하는 방법을 해설하고, 평가 프레임워크로 RAG Triad(Context Relevance, Groundedness, Answer Relevance)를 제시했다고 밝혔다. RAG Triad는 검색된 문서와 답변을 모두 평가할 수 있어, 검색과 생성을 종단간(end-to-end)으로 평가하는 데 도움이 된다고 설명된다. 같은 회사 API의 커스텀 structured outputs를 사용하면 평가 기준과 스키마를 정의해 기계가 읽을 수 있는 형식으로 점수를 출력할 수 있다.
