Mistral AI, 물리 AI 기업 Emmi AI 인수에 합의
Mistral AI가 오스트리아 출신 물리 AI 기업 Emmi AI를 인수하는 데 합의했다. 산업 분야에서 회사의 입지를 강화하려는 목적이다. Emmi AI의 연구자·엔지니어 30명 이상은 5월에 Mistral AI의 Science 팀과 Applied AI 팀에 합류할 예정이며, 양사의 모델을 결합해 엔지니어용 에이전트를 개발할 계획이라고 밝혔다.
#데이터·학습
#데이터·학습
오늘 1건Mistral AI NewsAI 점수4848
Google DeepMind BlogAI 점수2828 Co-Scientist로 세포 노화 역전으로 이어지는 유전자 탐색 가속화
Google DeepMind의 Co-Scientist는 노화 연구에서 세포를 젊은 상태에 가깝게 만드는 유전자 후보를 찾는 데 활용되고 있다. 수만 건의 문헌을 검토해 참신하면서도 타당한 유전자 인자를 20개 이상 제안했으며, 그중 몇 가지 가설은 실험에서 세포를 젊은 상태로 전환시키고 기능을 개선하는 것으로 확인됐다. 또한 대규모 스크리닝 결과와 문헌을 대조하는 작업은 최장 6개월이 걸리던 것이 며칠로 단축됐다고 한다.
Google Research BlogAI 점수3535 Google Research, 국제 협력과 오픈 리소스로 과학적 영향력 확대
Google Research는 오픈소스 도구와 오픈 액세스 데이터셋을 공개하고, 전 세계 과학 커뮤니티와 협력해 연구의 재현과 발전을 지원하고 있다. 게놈 분석 도구 DeepVariant 등은 25만 명이 넘는 연구자와 개발자로 이루어진 생태계에서 활용되고 있다. 의료 분야에서는 HAI-DEF의 다운로드 건수가 480만 건을 넘었으며, OHS는 10개국 이상에 도입되어 6,500만 명이 넘는 수혜자에게 도달했다.
Google Research BlogAI 점수4343 ReasoningBank: 경험으로부터 학습하는 에이전트 구조
Google Research는 성공과 실패 경험 모두에서 지식을 추출해 축적하는 에이전트용 메모리 프레임워크 「ReasoningBank」를 제안했다. Gemini-2.5-Flash로 평가한 결과, 스케일링을 적용하지 않은 ReasoningBank는 메모리를 쓰지 않는 에이전트보다 WebArena에서 성공률이 8.3%, SWE-Bench-Verified에서 4.6% 높았다. 또한 SWE-Bench-Verified에서는 태스크당 실행 단계가 약 3단계 줄었다.
Google Research BlogAI 점수4141 Google Research, 추론 우선 합성 데이터 생성 프레임워크 「Simula」 소개
Google Research는 추론 우선 합성 데이터 생성 프레임워크 「Simula」를 소개했다. 데이터셋 전체를 메커니즘 설계로 다루며, 시드 데이터에 의존하지 않고 데이터를 생성한다. Gemini 2.5 Flash를 교사 모델, Gemma-3 4B를 학생 모델로 하여 5개 영역에서 평가했으며, 각 영역에서 최대 512K개의 데이터 포인트를 생성했다. 모든 영역에서 Simula는 단순한 베이스라인보다 높은 성능을 보였고, 더 적은 샘플 수로도 하위 태스크의 성능을 웃돌았다.
Google Research BlogAI 점수3737 Google Research, AI 생성 합성 뉴런으로 뇌 매핑 가속화
Google Research는 합성 뉴런 형상을 생성하는 AI 모델 「MoGen」을 개발해, 뇌의 신경 연결 지도를 만드는 AI 재구성 모델 PATHFINDER의 학습 데이터에 추가했다. 합성 데이터를 10% 섞어 학습시킨 PATHFINDER는 보류해 둔 마우스 축삭의 재구성 오류율을 4.4%p 줄였으며, 그 개선의 상당 부분은 병합 오류(merge error) 감소에 따른 것이다. 마우스 전뇌 규모에서는 수작업 교정 157인년 분량을 줄이는 효과가 있는 것으로 알려졌다. MoGen은 오픈소스 모델로 공개됐다.
Google Research BlogAI 점수3838 ConvApparel, 사용자 시뮬레이터의 리얼리즘 격차 측정 및 축소
Google Research는 LLM 기반 사용자 시뮬레이터와 실제 사용자 간의 차이(리얼리즘 격차)를 측정하기 위한 데이터셋 'ConvApparel'을 소개했다. 의류 쇼핑 분야에서 4,000건이 넘는 사람과 AI의 다턴 대화(약 15,000턴)를 수집했으며, 참가자는 'Good'과 의도적으로 비협조적으로 행동하는 'Bad'라는 두 종류의 에이전트에 무작위로 배정되었다.
LG AI연구원 뉴스AI 점수2222 LG Aimers 8기, EXAONE 4.0 1.2B 경량화 해커톤 개최
LG AI연구원이 개최한 LG Aimers 8기 해커톤에서 27개 팀 94명의 청년 인재가 EXAONE 4.0 1.2B 모델 경량화에 도전했다. 대상을 받은 '핸드크림 바른 쥐' 팀은 W8A8 양자화 기법으로 원본 모델 대비 성능 손실을 최소화하며 메모리 효율을 극대화했고, 2위 '미쿠짱' 팀은 DPO를 도입해 다양한 방법론을 실험했다.
Google Research BlogAI 점수4040 Google Research, AI 벤치마크에 필요한 평가자 수 검증
Google Research는 AI 평가에서 항목 수와 항목별 평가자 수 중 어느 쪽을 우선해야 하는지 검증했다. 다수결과의 일치를 살펴볼 때는 항목 수를 늘리는 편이 효과적이며, 의견의 폭을 포착하려면 평가자 수를 늘려야 한다. 기존의 1~5명이라는 기준은 불충분한 경우가 많으며, 총 약 1,000건 규모의 어노테이션이라도 적절히 배분하면 재현성이 높은 결과를 얻을 수 있다고 밝혔다.
Mistral AI NewsAI 점수3939 Mistral AI, 기업 고유 지식으로 학습하는 AI 모델 구축 시스템 “Forge” 발표
Mistral AI는 기업이 사내 고유 데이터를 기반으로 프론티어급 AI 모델을 구축할 수 있는 시스템 “Forge”를 발표했다. 사내 문서, 코드베이스, 구조화된 데이터를 활용해 사전 학습, 사후 학습, 강화 학습을 수행할 수 있으며, dense형과 MoE 아키텍처를 모두 지원한다. Mistral Vibe와 같은 에이전트가 파인튜닝, 하이퍼파라미터 탐색, 평가용 합성 데이터 생성을 자율적으로 수행하고, 벤치마크 성능 저하도 모니터링한다.
LG AI연구원 뉴스AI 점수2222 AX 시대를 이끌, LG AI대학원이 그리는 미래
LG AI대학원이 2025년 박사 과정 교육을 마치고 지난 2월 3일 학위수여식을 열어 졸업생들에게 박사 학위장을 전달했다. 2022년 3월 개원한 박사 과정은 SCI(E)급 논문 게재 또는 세계 정상급 학술대회 발표를 필수 졸업 요건으로 설정했다. 최근 석사 과정에 이어 박사 과정까지 국내 1호로 교육부 공식 인가를 받았다.
Mistral AI NewsAI 점수4141 Mistral AI, OCR 모델 「Mistral OCR 3」 발표
Mistral AI가 신규 OCR 모델 「Mistral OCR 3」을 발표했다. 사내 벤치마크에서 양식, 스캔 문서, 복잡한 표, 손글씨 영역 전반에 걸쳐 Mistral OCR 2 대비 전체 74%의 승률을 기록했다고 밝혔다. 요금은 1,000페이지당 $2이며, Batch API의 50% 할인을 적용하면 $1이 된다. API의 mistral-ocr-2512와 Mistral AI Studio의 Document AI Playground에서 이용할 수 있다.
LG AI연구원 뉴스AI 점수2222 AI 혁신 여정: LG AI Expert Course 성과 공유회
LG AI연구원이 LG AI Expert Course 수료생 11명의 12주 과정 성과를 공유하는 성과공유회를 11월 27일 열고 우수 과제 3건을 선정했다. 1위는 LG디스플레이 김지영 님의 OLED 공동(Cavity) 예측 연구, 2위는 LG전자 임정선 님의 나이 추론 모델 성능 향상 연구, 3위는 LG전자 심규동 님의 자연어를 SQL 쿼리로 변환하는 데이터 추출 Agent 연구다. 선정은 멘토 심사 점수와 전 그룹사 임직원 선호도 투표를 합산해 이뤄졌다.
Mistral AI NewsAI 점수2727 Pixtral-12B 파인튜닝으로 위성 이미지 분류 성능을 높이는 방법
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.