Google은 Trusted Execution Environments(TEE)를 활용한 차세대 연합학습(FL) 시스템을 발표했다. 데이터 익명화의 보장을 제3자가 검증·감사할 수 있는 형태로 제공한다. Gboard는 이미 새 시스템을 채택했으며, 기존 FL 시스템에 비해 계산 시간이 크게 단축되었다고 한다. 각 기기가 사전에 승인하는 접근 정책은 Rekor라는 공개 투명성 로그에 게재되어 외부 감사자가 추적할 수 있다.
ServiceNow CoreAI가 엔터프라이즈용 AI 에이전트의 학습 데이터를 생성하는 「AutoSynthData」를 개발했다고 밝혔다. 대상 모델의 실패와 더 강력한 교사 모델의 성공 사례를 바탕으로 다음에 학습해야 할 능력을 찾아내며, 실행 가능하고 현실적이면서도 아직 안정적으로 풀지 못하는 과제를 생성하고 검증한다. EnterpriseOps Gym을 활용한 예시가 제시되어 있으며, 공개된 데이터셋도 함께 사용됐다.
Google DeepMind는 단백질의 생물학적 기능을 유지한 채 서명을 삽입할 수 있는 워터마크 기술 'SynthID Bio'를 발표했다. 표적 단백질 3종을 사용한 습식 실험에서 워터마크가 삽입된 단백질 결합 분자는 워터마크가 없는 버전과 동등한 적중률, 결합 친화도, 서열 다양성을 보였다. AlphaFold 3에서는 모델 가중치에 워터마크를 넣어 예측 정확도를 유지하면서 탐지 가능성을 높였다고 밝혔다.
Jack Clark의 뉴스레터 Import AI 474는 Michael Levin의 '마음은 플라톤적 공간의 패턴이다'라는 논문, 로봇을 위한 범용 포스트트레이닝 제안, Google의 Project Suncatcher, Zhipu AI가 GLM-5.3을 활용한 인프라 개발 등을 다뤘다. Zhipu의 사례에서는 GLM-5.3-Flash가 2주도 채 안 되어 실제 운영 가능한 수준에 도달했으며, 엔드투엔드 처리량이 초기 기준선의 3배가 되었다고 한다.
Hugging Face Hub에 RL 환경(RL Environments)용 필터가 추가되었다. rl-environment 태그가 붙은 데이터셋 리포지토리가 목록에 표시되며, Harbor, Verifiers, OpenEnv, NeMo Gym 등 4개 프레임워크의 태그도 등록되었다. 새로운 리포지토리 유형이나 레지스트리, 회원 가입은 필요 없다.
선정 이유: 기존 데이터셋 저장소에 태그만 붙이면 여러 프레임워크에서 공통으로 사용할 수 있는 설계가 제시되어 있어, 환경 공개 절차를 구체적으로 파악할 수 있다.
Google Research가 중거리 물류(middle-mile logistics) 문제를 위한 현실적인 벤치마크를 만드는 C++ 기반 인스턴스 생성 도구 「MilleMiglia」를 발표했다. 물류 기업들이 네트워크 구성과 수요량을 기밀로 취급해 왔기 때문에 공개 데이터가 부족했으나, 이 도구는 프라이버시를 고려한 데이터를 생성할 수 있다. 소스 코드와 문서는 GitHub에서 공개되어 있다.
유엔 시스템이 각 기관의 통계를 하나의 검색 가능한 지식 그래프로 통합한 오픈소스 플랫폼 「UN System Data Commons」를 출범했다. Google의 Data Commons를 기반으로 하며, Google.org가 유엔재단을 통해 지원한다. 자연어 검색으로 지표와 시각화를 얻을 수 있으며, Model Context Protocol(MCP)을 지원하는 AI 에이전트가 공식 통계를 가져와 그래프와 보고서를 작성할 수 있다. 2027년까지 유엔 시스템의 통계 데이터셋 80%를 수록하는 목표가 제시되었다.
LG AI연구원이 'LG AI 토크콘서트 2026' 둘째 날 행사에서 EXAONE 기반 업무용 프로덕트와 전문가 AI 솔루션을 소개했다. 사내 워크 에이전트 ChatEXAONE은 노트북 환경에서 문서 작성, RAG 기반 사내 데이터 검색, 코드 생성 및 데이터 분석을 돕는 서비스로 소개됐다. 데이터 자동 생성·평가 플랫폼 EXAONE Data Foundry는 LG에너지솔루션, 식품의약품안전처와 협업해 성능을 고도화하고 있다.
Google Research는 오프라인 강화학습으로 검색 쿼리 팬아웃(분해)을 학습하고 이를 경량 확산 리트리버로 증류하는 「Retrieve-for-Train」을 발표했다. 추론 시에는 사고 토큰을 사용하지 않고 한 번의 패스로 관련 쿼리 집합을 생성할 수 있다. 확산 리트리버는 53.9M 파라미터이며, Gemma3-4B와 Qwen3-4B를 집합 단위 보상으로 학습했다.
Google의 기술과 제품은 300개 이상의 언어로 일상적인 소통을 지원하고 있으며, 이 언어를 사용하는 사람은 70억 명 이상으로 전 세계 인구의 86%에 해당한다. 실시간 음성 번역 기능인 Gemini 3.5 Live Translate는 70개 언어, 2,000개 이상의 언어 쌍을 지원한다. 경량 오픈 번역 모델 TranslateGemma는 55개 언어로 학습되었으며 기기에서 효율적으로 작동하기 때문에, 클라우드나 인터넷 연결 없이도 고품질 번역이 가능해진다고 밝혔다.
Google Research가 도구 사용 체인을 먼저 생성한 뒤 사용자 쿼리를 붙이는 answer-first 방식의 데이터 생성 기법 ToolGrad를 제안했다. ToolGrad-500으로 미세 조정한 Gemma-3 12B 모델(ToolGrad-12B)은 BFCL에서 83.1점을 기록해 gemini-2.5-pro(83.2)에 근접했으며, claude-4.5 Opus(82.8)와 gpt-5(74.4)를 앞섰다. 데이터 생성에는 gemini-2.5-flash-lite를 사용했으며, 거의 100%에 가까운 통과율을 보였다고 밝혔다.
Cloudera와 Mistral이 제휴해 Mistral의 모델을 Cloudera의 하이브리드 데이터 플랫폼에 통합한다고 밝혔다. 기업은 온프레미스, 프라이빗·퍼블릭 클라우드, 완전한 에어갭 환경에 AI 모델을 배포하면서도 관리 권한을 유지할 수 있다. 관리된 환경 안에서 자사 고유 데이터로 커스텀 모델을 학습시킬 수도 있으며, 데이터와 학습 결과의 소유권은 기업 측에 남는다고 밝혔다.
Google DeepMind는 인간 게놈에서 발생할 수 있는 약 90억 개의 단일염기 변이가 분자 수준에서 미칠 영향을 예측한 결과를 정리한 AlphaGenome Atlas를 공개했다. AlphaGenome과 AlphaMissense의 예측을 하나의 수치로 묶은 AVI 점수도 함께 제공한다. 학술 연구 목적이라면 웹 포털에서 무료로 이용할 수 있으며, AlphaGenome API와 Google Antigravity의 스킬로도 사용할 수 있다.
Mistral AI가 시리즈D 자금 30억 유로 조달을 발표했다. 조달 후 기업가치는 210억 유로를 넘어, 유럽 기술기업의 지분 조달 사상 최대 규모가 된다. Samsung Electronics가 주도했으며, EQT 산하 Scaleup Europe Fund와 기존 투자자 PSG Equity가 공동 주도했다. 자금은 프론티어 연구와 컴퓨트 확장, 인프라 및 상업화 가속에 투입된다.
UK Biobank의 유럽계 데이터를 활용해 Biobank Japan의 일본인 집단을 위한 PRS를 학습시키는 방법을 8개 임상 형질에 걸쳐 비교했다. 대상 집단의 표본 수가 1만 5000건 이상이면 대상 집단 전용 모델이 더 우수했고, 5000건처럼 극히 적은 경우에는 유럽계 데이터를 함께 사용하는 것이 효과적이었다. 유전적 상관이 높은 형질일수록 유럽계 데이터의 이점이 더 큰 표본 수까지 유지되었으며, 지질(HDL, LDL)과 혈당 수치에서는 그 이점이 작았다.
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.
Hugging Face와 Voice Arena는 Open ASR Leaderboard에 Monsoon en-IN과 Monsoon hi-IN 두 개의 평가 세트를 추가했다. Hindi는 지금까지 유럽 언어만 있던 다국어 탭에서 처음으로 인도계 언어가 된다. 네 개의 분할에는 총 4,888명의 화자가 포함되며, 각 화자에게 12개의 속성이 기록되어 있다.
Google은 Earth AI의 실험적 연구 기능인 「planetary prediction engine(PPE)」을 발표했다. 데이터 탐색부터 모델 학습까지의 지리공간 모델링을 자율적으로 수행하며, 기존에 수 주가 걸리던 작업을 수 분으로 줄인다고 밝혔다. 미국 CDC의 21개 건강 지표에서는 평균 R²가 수동 전문가 파이프라인의 60.0%인 데 비해 76.8%를 기록했다. 콩고민주공화국의 에볼라 유행 예측에서는 Recall@10이 83.3%로, 공개된 베이즈 모델의 약 73%를 10.3%포인트 웃돌았다.
Google Research는 연속혈당측정(CGM) 데이터를 위한 자기지도 학습 기반 모델 「GlucoFM」을 발표했다. 4개 코호트와 7개 임상 예측 과제(총 14개 평가)에서 PR-AUC 평균은 58.8로, 같은 데이터로 재학습한 최강의 CGM 전용 베이스라인 54.7보다 4.1포인트 높았다. 라벨이 없는 CGM 데이터 109,066시간으로 사전 학습했으며, 식후 혈당 반응(PPGR) 예측에서도 같은 조건에서 MAE가 가장 낮았다.
METR의 조사에 따르면 AI에 의한 과학기술 가속은 분야별로 편차가 있다. 사이버 취약점에서는 큰 폭의 가속이 나타나고, 수학에서는 소폭의 가속, AI 연구에서는 측정 가능한 가속이 보이지 않는다. 여러 대학의 연구자들이 개발한 SPADE는 환경 설계자 역할과 추론 에이전트 역할을 대규모 언어 모델(LLM)이 번갈아 맡는 자기 대결 프레임워크다. Qwen3-30B-A3B에서는 게임 환경 스위트 평균이 58.3이 되어 베이스라인보다 8.1포인트 높았다.
Google Research는 집계·익명화된 이동 데이터를 언어 모델의 장소 표현에 통합하는 「ME-POIs」 프레임워크를 소개했다. 학습 시 보지 못한 장소를 대상으로 한 평가에서 방문 의도 예측은 최대 81.9%의 상대적 향상을, 가격대 분류는 75.1%의 개선을, 혼잡도 추정 정확도는 24.7%의 향상을 보였다. 이동 데이터는 공개 벤치마크 데이터셋에서 가져왔으며, 자기지도 학습을 통해 텍스트 설명과 통합된다.
Hugging Face는 음성 인식(ASR) 모델이 공개 벤치마크 고유의 패턴에 최적화되어 있는지를 측정하는 3가지 테스트를 제안했다. 오픈소스 ASR 모델 11개를 평가한 결과, 점수 상위의 여러 모델이 음성과 어긋나는 경우에도 VoxPopuli와 LibriSpeech의 참조 전사문을 그대로 재현했다. Open ASR Leaderboard에는 「Benchmark fitting」 탭이 추가되었다.
AI 에이전트에 주는 메모리 양은 모델의 능력에 맞춰 조정할 필요가 있다. ALTK-Evolve는 에이전트가 과거 시도에서 추출한 가이드라인을 추론 시점에 주입하는 방식으로, 가중치는 업데이트하지 않는다. 강한 모델인 DeepSeek-V3.2(671B MoE)는 가이드라인을 전부 제공했을 때 작업 완료율(TGC)이 +9.5포인트 향상됐다. 반면 gpt-oss-120b(117B MoE)는 엄선한 검색형 주입으로 +16.1포인트 향상됐으며, 토큰 증가는 +5%에 그쳤다. GLM-5에서는 측정 가능한 개선이 나타나지 않았다.
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.
ALTK-Evolve는 에이전트의 과거 궤적에서 얻은 교훈을 ACE처럼 전부 주입하지 않고 태스크마다 골라서 전달하는 방식으로, AppWorld에서 ACE보다 적은 토큰으로 높은 정확도를 보였다. DeepSeek-V3.2에서는 TGC 89.3, SGC 80.4로 ACE의 TGC 80.4, SGC 73.2를 웃돌았으며, 토큰 수는 263K와 634K였다. gpt-oss-120b에서는 TGC 56.0 대 54.8로 거의 동등했고, 토큰 수는 116K와 777K이다.
교사 모델의 Top-K logits를 사전에 오프라인으로 계산해 캐시하고, 어휘 전체×시퀀스 길이 행렬을 만들지 않는 융합 청크 방식 KL 손실과 결합함으로써 지식 증류의 학습 비용을 줄이는 기법이 제시되었다. gpt-oss-120b(어휘 201,088개), 시퀀스 길이 32K, 배치 크기 4인 경우 기존 Dense KL은 학습 이터레이션 1회당 피크 VRAM이 약 250GB 필요한 반면, 융합 청크 KL은 약 128GB로 억제된다. 이를 통해 단일 GPU에서 장문 컨텍스트 회복(healing)이 가능해진다.
Microsoft 연구팀은 장애나 정체성 등 공통된 경험을 가진 커뮤니티가 AI가 생성한 이미지에서 자신들이 어떻게 묘사되는지를 스스로 정의할 수 있는 기반 「Community Library Creator」를 개발했다고 밝혔다. 각 라이브러리는 약 400장의 실제 이미지와 설명문으로 구성되며, 생성된 이미지에 대한 커뮤니티의 평가가 피드백으로 활용된다. 데이터는 옹호 단체가 소유하며, Hugging Face 등에서의 공유 여부와 이용 제한도 단체가 정한다.
Hugging Face는 Pollen Robotics가 개발한 손에 쥐는 그리퍼형 조작 데이터 기록 시스템 Grabette를 공개했다. 로봇 없이 사람의 손 시연을 기록할 수 있으며, 브라우저에서 처리되어 LeRobot 형식의 데이터셋으로 변환된다. 하드웨어 CAD 및 제작 파일, 소프트웨어, 처리 파이프라인은 모두 오픈소스다.
Google Research가 라벨 없는 웨어러블 데이터로 학습하는 대규모 센서 기반 모델 SensorFM을 발표했다. 500만 명의 1조 개가 넘는 센서 신호로 사전 학습했으며, 35개 건강 과제 중 34개에서 엔지니어링 특징량 기반의 지도 학습 기준선을 웃돌았다. AI 에이전트를 활용한 예측 헤드의 자동 설계와 Personal Health Agent에 대한 통합도 검증하고 있다.
LG AI연구원이 ICML 2026에서 엑사원의 산업 현장 성과 사례를 공개하고 논문 14편을 발표했다. 발표한 신소재 생성 AI 기술은 글로벌 벤치마크 LeMat-GenBench에서 글로벌 2위를 기록했다. 엑사원 데이터 파운드리는 데이터 생산성을 최소 1,000배 이상 높이고 품질을 평균 20% 이상 개선했다고 밝혔다.
Google Research는 표 형식 데이터의 분류와 회귀를 제로샷으로 수행하는 기반 모델 TabFM을 발표했다. 문맥 내 학습을 통해 모델 학습, 하이퍼파라미터 조정, 특성 엔지니어링 없이 한 번의 순전파로 예측할 수 있다. Hugging Face와 GitHub에서 공개되었으며, Google Cloud BigQuery에서도 이용할 수 있다.
선정 이유: 표 형식 데이터의 예측을 문맥 내 학습(in-context learning)으로 다루는 설계와, 합성 데이터만으로 사전 학습한 점이 정리되어 있어 기존 트리 계열 기법과의 차이를 파악하기 쉽다.
LG AI연구원과 디앤디파마텍이 AI 기반 차세대 펩타이드 신약 공동 개발 본계약을 체결했다. LG AI연구원은 AI 모델로 후보물질을 설계하고, 디앤디파마텍은 후보물질의 검증과 임상 개발을 맡는다. 양사는 개발 기간과 비용 절감, 임상 성공률 제고를 기대하고 있다.
Google은 Earth AI를 활용해 잉글랜드의 생울타리, 돌담, 소규모 숲 등 미세한 수목 지형지물을 고해상도로 탐지하고, 이를 지도화한 벡터 데이터셋을 공개했다고 밝혔다. 이 모델은 3억 장이 넘는 위성 이미지로 사전 학습된 Remote Sensing Foundations(RSF)의 Vision Transformer(ViT) 백본을 기반으로 하며, 약 247km²의 주석 데이터로 파인튜닝되었다. 수관과 지표면의 경계를 이중 층으로 라벨링했으며, Polsby–Popper compactness score가 0.5 미만인 가늘고 긴 형태를 선형 수목 지형지물로 분류했다.
Google Research는 기계학습 언러닝을 감사하는 새로운 프레임워크 「Regularized f-Divergence Kernel Tests」를 발표했다. AISTATS 2026에서 발표된 기법으로, 언러닝 후의 모델이 재학습 모델과 원래 모델 중 어느 쪽에 분포적으로 더 가까운지를 판정한다. 이론적으로는 샘플 수와 관계없이 위양성을 억제할 수 있으며, 데이터 수가 늘어날수록 위음성의 위험이 0으로 수렴한다고 알려져 있다.
Google은 AI 기반 홍수 예측을 위한 수문 모델 프레임워크를 GitHub에 오픈소스로 공개했다. Google Flood Hub의 하천 예측과 같은 아키텍처와 유사한 학습 데이터를 사용하며, 각국의 기상·수문 기관과 예보 담당자가 모델을 학습시킬 수 있다. 새 모델은 기존 버전에 비해 관측 지점이 있는 유역에서는 예측 가능 기간이 6일, 관측이 없는 유역에서는 1일 늘어난 것으로 알려졌다.
Mistral은 AI Now Summit 2026에서 Airbus, BMW, ASML과 함께 만든 산업 엔지니어링용 AI 스택 「Mistral for Industrial Engineering」을 발표했다. 동시에 장시간 여러 단계에 걸친 작업을 맡는 에이전트 「Vibe」를 하나로 통합해 제공한다. 프랑스 Les Ulis 거점에는 10 MW 규모의 추론용 데이터센터를 2026년 3분기에 개소할 예정이다.
Mistral은 물리 AI(physics AI)를 기업용 솔루션의 새로운 핵심 기능으로 내세우며, 이를 위해 Emmi AI를 Mistral에 영입했다고 밝혔다. 물리 AI는 형상과 경계 조건으로부터 물리장 전체를 단일 GPU에서 한 번의 순전파로 초 단위에 예측하는 모델이며, 파트너로는 ASML, Airbus, Safran, Siemens Energy가 거론됐다.
Mistral은 Emmi AI 인수를 거쳐 항공우주, 자동차, 반도체, 에너지 등을 대상으로 한 산업용 Physics AI 연구를 진행하고 있으며, 관련 연구 성과를 공개했다. 2025년 12월 1일에는 천음속 영역의 3D 날개를 대상으로 한 CFD 시뮬레이션 데이터셋을 공개했으며, 약 30,000개 샘플의 체적장과 표면장을 포함한다고 밝혔다. AB-UPT는 리메시 없이 단일 GPU에서 표면 9M, 체적 140M 셀을 처리한다.
