Google은 AI 에이전트가 LLM의 사후 학습을 자율적으로 반복 실행하는 「autofinetune」을 개발했다고 밝혔다. Tunix, Gemma, Cloud TPU를 Antigravity CLI 및 Gemini Flash 3.7과 통합한 구성이다. SFT의 FunctionGemma 실험에서는 TPU v5e-1에서 약 2시간 동안 20회의 자동 실험을 수행해 함수 호출 생성의 정확도를 높였다. GRPO로 Gemma 3 1B를 학습시킨 실험에서는 40회의 실험을 2~3일에 걸쳐 진행했고, 총 보상이 약 10% 향상됐다.
Google 팀이 Ai2의 Olmo 3 7B를 MaxText 기반 Google Cloud TPU에서 1단계 사전학습과 2단계 mid-training annealing까지 재현했다. 홀드아웃 C4 손실과 8개 태스크 정확도는 Ai2의 참조 실행과 거의 동등했으며, 실행 간 노이즈 범위 내라고 보고했다. Ironwood에서는 44.5% MFU, v5p에서는 57.4% MFU를 기록했다.
Ropedia W0는 인간과 로봇의 데이터를 통일된 운동학 표현으로 다루는 크로스 엠바디먼트 방식의 이동·조작용 세계 기반 모델로, DreamDojo, Ψ_0, ω-HOME, Xp-Teleop, AgiBot 등 5개 벤치마크에서 최고 수준의 성능을 보였다고 한다. 학습에는 1만 시간 분량의 1인칭 시점 인간 데이터와 3천 시간 분량의 로봇 데이터로 구성된 Xp-Data가 사용됐다. 증류 이후에는 실시간으로 분 단위의 롤아웃을 처리할 수 있어 라이브 VR 상호작용이 가능해졌다.
WildAWM은 대화를 통해 범용 컴퓨터 조작 에이전트를 훈련하기 위한, 제어 가능한 환경과 과제를 합성하는 파이프라인이다. GUI, Model Context Protocol(MCP) 서비스, CLI를 동시에 다룰 수 있는 실행 가능한 환경을 오픈소스 모델만으로 구축한다.
NTL HEALTHCARE는 AI 자궁경부 영상 분석 시스템 CerviCARE AI의 온프레미스 버전 「CerviCARE AI AT」를 글로벌로 출시했다. 의료기관 내 로컬 PC에 설치해 작동하며, 전용 서버나 클라우드 기반은 필요하지 않다. 기존 SaaS 버전의 핵심 기능은 그대로 유지하면서, 영상과 관련 정보를 DICOM 파일로 변환하는 기능이 새로 추가되었다.
데이터센터 업계가 어린이용 그림책과 학교 사회과 현장학습을 통해 긍정적인 이미지를 심으려 하고 있다. 비영리단체 7x24 Exchange International은 그림책과 색칠공부책을 추천했고, AFCOM의 Potomac 지부는 Virginia주 Loudoun County의 1학년 학생 3,100명에게 깃발 만들기 키트를 나눠 주었다. WIRED가 집계한 바에 따르면 2025년 이후 최소 11개 기업·업계단체가 학생들의 견학을 진행했다.
CoworkEnv는 AI 코워커를 위한 실행 가능한 학습 환경을 워크플로에 맞춘 과제 구성과 프로그램 기반 검증으로 합성하는 프레임워크다. Qwen3-VL-8B-Instruct를 기반으로 한 소형 PocketWorker 모델은 SFT를 통해 Claw-Eval 평균 점수가 46.6에서 64.1로 향상됐으며, 다중 턴 과제에서는 31.9포인트 상승했다.
Meta가 AI 학습을 위해 뉴스 사이트 등에서 콘텐츠를 스크레이핑할 수 있다고 해석될 수 있는 문구를 상업용 약관 페이지에서 삭제했다. Cornell 대학의 James Grimmelmann 교수 등은 이를 robots.txt의 차단 지시를 덮어쓸 수 있는 권리를 요구하는 것으로 받아들였다. 홍보 담당자 Daniel Roberts는 통합된 크롤링 약관은 광고 및 비즈니스 제품에만 적용되며, Meta 웹 크롤러의 사용 방식은 바뀌지 않았고 robots.txt를 통한 사이트 운영자의 의사 표시도 여전히 유효하다고 설명했다.
Evo 2, Genos, Google DeepMind의 AlphaGenome 같은 게놈 기반 모델은 기존 사례에서 상관관계를 학습해 염기서열 차이의 영향을 예측하지만, 게놈의 조절 메커니즘을 풀기에 충분한 데이터는 아직 없다. 인간 게놈에서 유전자가 차지하는 비율은 약 2%에 불과하며, 유전자의 켜짐과 꺼짐을 제어하는 조절 기작이 이해의 핵심이다. 연구자들 사이에서는 블랙박스 방식으로는 진정한 이해에 이를 수 없다는 시각도 나오고 있다.
LayerEditor는 지시 기반 이미지 편집과 재사용 가능한 RGBA 레이어 생성을 통합한 프레임워크다. 편집 후의 캔버스와 RGBA 레이어 열을 하나의 토큰 열로 다루며, 사전 학습된 모델의 편집 사전 분포를 증류해 편집 능력을 유지한다. 실험에서는 편집의 충실도를 유지하면서 정확한 RGBA 레이어를 생성했고, 레이어 단위 조작과 다층 분해를 지원함을 보였다.
Meta는 10월 30일 상업용 약관을 개정해, 비즈니스 계정이 링크된 웹사이트의 콘텐츠를 크롤링하고 학습에 활용하도록 허용한다고 밝혔다. 옵트아웃은 할 수 없으며, 동의하지 않을 경우 서비스 이용을 중단하라고 안내하고 있다. Meta는 이번 변경이 약관을 정리한 것에 불과하며 robots.txt의 처리 방식도 달라지지 않는다고 설명했지만, 법률 전문가들은 뉴스 출판사의 라이선스 료에 영향을 미칠 수 있다고 경고했다.
Meta는 10월 30일 시행된 새 약관에서 자사 플랫폼을 이용하는 사업자와 관련된 웹사이트를 크롤링해, 그 콘텐츠를 AI 제품 개발과 학습에 활용할 수 있다고 명시했다. Nieman Lab 보도에 따르면 언론사 사이트도 대상이 될 수 있다. Meta는 크롤러 사용 방식에는 변화가 없다며 반박했다.
NVIDIA와 IIT 마드라스의 AI4Bharat은 인도 헌법이 정한 22개 언어에 걸친 약 2.8조 토큰 규모의 Nemotron-pretraining-Indic-v1을 근일 공개한다고 발표했다. 데이터 생성에 사용한 GPU 가속 파이프라인과 함께 공개하며, 프롬프트, LLM 워크플로, 품질 검사까지 포함한 생성 레시피를 개방한다. Nemotron 3.5 Super VL의 Indic 지속 사전 학습에서는 보고된 5개 Indic 벤치마크 모두에서 점수가 상승했다.
RAP는 기계학습 분야 주요 학회에서 2022년부터 2026년까지 발표된 논문과 포스터의 검증된 쌍 25K 이상을 담은, 논문으로부터 포스터를 생성하기 위한 데이터셋 및 벤치마크이다. 각 포스터는 타입이 지정되고 교체 가능한 슬롯을 가진 HTML/CSS로 자동 변환되며, 원본 포스터와의 렌더링 비교를 통해 검증할 수 있다. 학습이 필요 없는 다중 에이전트 기법 PosterRAG는 기존 포스터를 검색하여 레이아웃과 스타일을 바꾸지 않고 슬롯을 채운다. 같은 데이터로 SFT와 RL을 통해 학습한 전용 모델도 함께 제시되었다.
YouTube Music은 생성형 AI로 전부 제작되었거나 크게 가공된 음악에 AI 라벨을 붙인다. 라벨은 앱과 웹사이트에서 순차적으로 적용되고 있으며, 재생 화면에 표시되고 탭하면 상세 메뉴가 열린다. 판별에는 파트너와의 연계와 Google 자체 감지 도구를 사용하며, 게시자는 업로드 시 생성형 AI 사용 정도(완전 생성형 AI, 일부 생성형 AI, 생성형 AI 미사용)를 선택적으로 지정할 수 있다.
Mistral AI가 시계열 기반 모델 패밀리 「Timestral」을 공개했다. 가장 큰 209M 파라미터 모델은 GIFT-Eval, TIME, fev-bench 등 3대 주요 벤치마크에서 1위를 차지했으며, 기존 최첨단 모델보다 파라미터 수를 3분의 2 적게 쓰고도 성능에서 앞섰다. 5M부터 209M까지 4가지 크기로 제공되며, 추론에 GPU는 필요하지 않다. 표준 서버 CPU(8스레드) 기준으로 하루 뒤 예측에 5M 모델은 10ms, 209M 모델은 140ms가 소요되는 것으로 알려졌다.
Mistral AI@MistralAIAI 점수3232
NVIDIA는 유럽연합 집행위원회가 더블린에서 시작한 AI in Science Enablers Initiative에 참여해 유럽 연구자들을 위한 오픈 모델, 학습 자료, 컴퓨팅 자원 접근을 넓힌다고 발표했다. 현재 250개 이상의 오픈 모델과 250개의 오픈 데이터셋을 공개하고 있으며, NVIDIA Deep Learning Institute는 무료 오픈소스 교육 자료 허브를 열었다. 유럽에서는 35대의 슈퍼컴퓨터가 개발 중이며, 300만 명이 넘는 연구자가 이를 이용할 수 있게 된다.
MRTPO는 다중 보상 강화학습에서 각 보상의 advantage를 해당 검증기가 확인하는 토큰에만 할당하는 기법이다. 보상마다 정책이 자신의 응답을 검증기 정보가 있는 경우와 없는 경우로 다시 생성하고, 다음 토큰 분포의 Jensen-Shannon 거리로 각 토큰의 관련도를 측정한다. 보조 모델이나 토큰 단위 주석은 필요하지 않으며, text-to-SQL, 복수 제약 지시 따르기, 도구 호출에서 기존 기법보다 빠르게 수렴하고 높은 성능을 보였다.
Latent Space가 Leash Bio의 Ian Quigley와 나눈 팟캐스트 에피소드를 공개했다. DNA 인코디드 라이브러리(DEL)에서 재현성 높은 데이터를 얻는 방법, Kaggle 대회, 모델 Hermes 등을 다룬다. 녹음 이후 만들어진 에이전트용 과학적 추론 환경 Minos의 프리프린트, 블로그, 오픈 데이터셋도 같은 날 공개됐다.
통합 멀티모달 모델은 생성 학습에서 이미지만으로 주어진 새로운 사실을 텍스트 질의응답에서 일부만 활용할 수 있는 것으로 Knowledge Transfer Probing(KTP) 검증을 통해 드러났다. 3개 모델과 7개 지식 범주를 조사한 결과, 모델은 생성 이미지 안에서는 사실을 재현할 수 있었지만 언어로 표현하는 데는 서툴렀다. 인터리브형 이미지·텍스트 정렬은 QA 교사 데이터가 없는 엔터티를 포함해 평균 QA 정확도를 높였으며, 텍스트만의 정렬을 웃돌았다.
MLExpert는 계층적 에이전트형 SFT와 Windowed Interaction RL(WIRL)을 결합한 사후 학습으로, 장기간에 걸친 머신러닝 엔지니어링(MLE) 최적화를 자율적으로 수행하도록 훈련된 35B Mixture-of-Experts 에이전트 모델이다.
Data World는 명시적 메커니즘으로부터 환경·태스크·채점 기준을 합성하는 멀티 에이전트 엔진이며, 이를 이용해 Qwen3.6-35B-A3B로부터 DataWorld-35B-A3B를 궤적 증류 없이 RL-zero 학습으로 만들었다.
MJev-Spatial은 공간 추론 과제를 단일 패스 분류 프레임워크로 통합한 멀티모달 판단 모델로, Qwen3.5-4B를 기반으로 학습되었다. 테스트한 8개 모델 가운데 종합 점수 65.64%를 달성했으며, 12개 벤치마크 중 7개에서 1위를 차지했다. 수정하지 않은 자기회귀 베이스 모델은 12개 전부에서 뒤처졌고, 가장 빠른 자기회귀 베이스라인보다 2.5배, 베이스 모델보다 5.6배 빠르게 동작한다.
연구자들은 AI 기반 단백질 설계 도구를 사용해 두 종류의 프로테아제에서 촉매 코어만 남기고 나머지 부분을 모두 교체한 효소를 만들었다. 이 효소는 특정 단백질을 절반으로 자르도록 조정할 수 있으며, 신경 질환과 관련된 단백질의 절단에서 효과가 확인되었다.
연구팀은 사전 학습된 음성 인코더의 언어 선택적 은닉 상태 차원을 활용해, 음성에서 직접 코드스위칭(발화 중 언어가 전환되는 현상)을 검출하는 경량 기법을 제안했다. CS-FLEURS의 14개 언어 쌍 실험에서 Whisper-small 인코더는 평균 F1 0.798을 기록해, CNN의 0.776과 단일 언어 식별용으로 학습한 HuBERT 선형 베이스라인의 0.751을 웃돌았다. 이 결과는 사전 학습된 음성 인코더가 코드스위칭 발화를 식별하는 데 필요한 정보를 이미 부호화하고 있음을 시사한다.
Apple 연구진이 텍스트, 이미지-텍스트 쌍, 음성-텍스트 쌍으로 사전 학습한 최초의 세 모달리티 Masked Diffusion Models(MDM)를 발표하고 그 설계 공간을 체계적으로 분석했다고 밝혔다. 예비 모델은 3B 규모에 6.4T 토큰으로 학습했으며, 텍스트 생성, T2I, T2S 각 과제에서 강력한 결과를 얻었다고 한다. 또한 물리적 배치 크기와 논리적 배치 크기를 분리하는 SDE 기반 재매개변수화를 적용해 최적 배치 크기를 조정할 필요를 없앴다고 보고했다.
Interlock은 과제를 타입이 지정된 완료 그래프로 표현하고, 구성 요소 간 제약을 지키면서 장기 과제용 학습 데이터를 합성하는 프레임워크다. 검증을 통과한 궤적으로 Qwen3.6의 두 가지 백본을 미세 조정한 결과, AutomationBench의 합격률은 4.00~4.50포인트, JobBench의 가중 점수는 3.20~6.64포인트, Harvey LAB의 기준 합격률은 3.89~4.16포인트 향상됐다.
PrismaCoder는 루브릭 기반 파이프라인으로 멀티모달 코드 데이터를 합성·선별해, 시각적 코딩 과제에서 독점 모델에 필적하는 오픈 모델을 구현했다고 밝혔다. 학습용 데이터로 논문이 최대 규모라고 밝힌 오픈 데이터셋 'PrismaCoder-2M'을 구축했으며, PrismaCoder-9B와 PrismaCoder-35B를 학습해 공개했다. 동일한 루브릭은 데이터 필터링과 시각적 코딩 과제의 강화학습 보상에 함께 사용된다.
GitHub는 secret scanning을 위해 정규표현식으로 후보를 추출한 뒤, 파인튜닝한 ModernBERT 분류기로 문맥을 보고 실제 시크릿인지 판정하는 2단계 파이프라인을 도입했다. 기존 LLM 기반 파이프라인과 비교하면 post-push 스캔의 실행 시간 중앙값은 86% 단축되었고, 제공 비용은 98% 이상 절감되었으며, 오너 가중 알림 정밀도 기준 수락률은 11.5% 향상되었다. 처리 속도가 빨라지면서 범용 시크릿 탐지를 push protection에도 확대 적용할 수 있게 되었다.
CarryOn은 장기 작업을 수행하는 AI 에이전트가 대화 이력을 반복해서 압축하는 대신, 재사용 가능한 작업 진행 상황으로부터 작업을 재개할 수 있도록 하는 객체지향 컨텍스트 런타임이다. OSWorld 2.0과 BrowseComp-Plus에서 성능은 각각 5.8포인트, 7.0포인트 향상됐다. 동시에 총 토큰 사용량은 각각 51.9%, 22.9% 줄었다.
AI 연구소 등이 폐업하는 스타트업의 코드와 Slack, 이메일 등 업무 데이터를 사들여 학습에 활용하는 움직임이 확산되고 있다. SimpleClosure의 Asset Hub는 150건이 넘는 거래를 취급하고 있으며, 2026년 말까지 1,000만 달러 이상을 스타트업에 환원할 전망이다. 한편 개인정보 보호와 직원에 대한 환원을 둘러싼 우려도 제기되고 있다.
Socratic Skill Learning(SSL)은 전문가의 지도와 학습자의 실습을 번갈아 결합해 에이전트가 재사용할 수 있는 스킬을 학습하는 기법이다. 주요 평가 세트(22개 패밀리·155개 케이스)에서 Fixed-Window SSL은 효용 0.801을 기록해, 스킬이 없는 경우의 0.723, Trace2Skill(궤적 증류)의 0.761, SKILL-KD(대조 증류)의 0.751을 웃돌았다.
Qwen@Alibaba_QwenAI 점수3434
Elorian과 Scale AI가 시각적 장면이 암시하는 정보를 추론하는 능력을 측정하는 벤치마크 "Humanity's Sixth Sense"를 공개했다. 인간의 pass@1 점수는 93.1인 반면, 최고 성능 모델인 GPT 6 Astra는 53.6, GLM-5.3-flash는 26.8, Kimi K3는 25.5를 기록했다. 이 밖에도 우주에서의 AI 우위를 논한 AI Frontiers 기사와 AI의 연구 감각을 측정하는 TasteVal을 함께 다룬다.
Google DeepMind의 Pushmeet Kohli와 Biohub의 Sal Candido가 Brandon Anderson의 사회로 AlphaFold가 단백질 폴딩 문제를 해결하지 못한 이유를 논의한다. 논의 주제에는 단백질 동역학, 무질서 영역, 정적 구조 예측의 한계가 포함된다. 연산 자원이나 데이터를 늘리는 것만으로는 생물학 문제를 풀 수 없으며, 적절한 스케일링 법칙을 찾는 것이 중요하다고 한다.
Nathan Lambert는 AI 에이전트 덕분에 인프라와 엔지니어링이 몇 년 안에 크게 가속화되겠지만, 모델의 본질이 극적으로 바뀌지는 않으며 범용 초지능으로 이어지지도 않을 것이라고 전망하고 있다. 추론 비용은 몇 년에 걸쳐 거의 지수함수적으로 떨어지고, 아키텍처와 데이터 선택에 관한 사전 학습 연구의 자동화도 2~3년 안에 현실화될 것으로 본다. RL 환경의 품질 개선도 단기적으로 여지가 큰 분야로 꼽았다.
Apple의 연구팀이 확산 모델의 각 역방향 단계를 엄밀한 우도로 학습할 수 있는 조건부 Normalizing Flow로 표현하는 Normalizing Trajectory Models(NTM)를 제안했다. 자기 증류를 통해 4단계만으로 고품질 샘플을 생성할 수 있다. 텍스트-이미지 벤치마크에서는 강력한 이미지 생성 베이스라인과 같거나 그 이상의 성능을 4단계 생성만으로 보였다고 한다.
Google Research는 Google Earth AI의 인구동태 기반 모델(PDFM)이 생성하는 장소 임베딩 표현을 다섯 가지 공중보건 과제로 평가했다. PDFM은 검색 동향, 사람의 이동, 건물 밀도, 기상·대기질 등을 통합한 임베딩으로, 과제별 미세조정 없이도 기존 입력과 같거나 그 이상의 결과를 보였다. 미국·캐나다 국경의 146개 카운티에서는 MMR 백신 접종의 설명 분산이 상대적으로 36% 향상됐고, 콜레라 발생 예측에서는 4주 앞의 AUPRC가 9.7% 개선됐다.
MemPilot은 강화학습을 통해 질의에 따라 멀티모달 에이전트 메모리의 정리 방식을 동적으로 선택하는 프레임워크다. 질의와 무관한 메모리 검색과 원시 멀티모달 이력의 정리를 LLM·VLM에 위임하는 처리를 전환하며, 성능, 비용, 지연 시간 사이의 트레이드오프를 조정한다. 5개의 멀티모달 에이전트 메모리 벤치마크에서 평가되었으며, 선호도를 바꿨을 때 트레이드오프 프런티어가 기존의 트레이드오프 고려형 베이스라인보다 넓은 것으로 나타났다.