Dharma Field Extractor는 문서 이미지에서 지정한 필드를 JSON 형식으로 추출하는 2B 파라미터 모델이다. DharmaOCR-LITE v1.1을 기반으로 하며, 43,384건의 학습 데이터로 만든 LoRA 어댑터를 적용했다. 546개 문서, 1,638건 케이스로 이루어진 벤치마크에서는 테스트한 범용 프론티어 LLM보다 품질이 1.8~9.3포인트 높았고, 비용은 약 6분의 1에서 약 147분의 1 수준인 것으로 알려졌다.
에이전트형 AI의 안전성은 도구의 문제가 아니라 데이터 가시성의 문제이며, 기업은 데이터의 수집, 복제, 요약, 재사용 경로를 추적하는 데이터 리니지를 구축할 필요가 있다. 기사는 영업 담당자를 위한 AI 에이전트가 제한된 가격 정보, 사내 커뮤니케이션, 과거 견적서를 가져온 뒤, 후속 에이전트가 작성한 제안서에 승인되지 않은 기밀 정보가 포함되었지만 문제의 데이터가 어디에서 섞여 들어갔는지 추적하지 못한 사례를 든다. 애플리케이션, 시스템, 네트워크, 엔드포인트에 초점을 맞춘 기존 방식만으로는 부족하다고 지적한다.
VidUEU-Agent는 원본 동영상으로부터 멀티모달 이해, 이미지 편집, 통합 과제를 위한 지시 데이터를 자동으로 구축하는 에이전트형 데이터 큐레이션 프레임워크다. 동일한 초기 체크포인트에서 BAGEL을 30K 샘플씩 미세 조정하는 4회의 반복을 수행하면, 3개의 피드백용 벤치마크 전반에서 성능이 향상된다. 또한 8,268개의 동영상에서 10만 건의 지시 샘플을 담은 VidUEU-100K 데이터셋도 구축되었다.
DreamX는 사전 학습된 비디오 확산 모델을 범용 잠재 액션 학습기로 전용해, 외형에 의존하지 않는 컴팩트한 잠재 액션을 추출하는 기법이다. 각 잠재 비디오 프레임을 1,200개에서 4개 토큰으로 300배 압축했으며, LARY-Bench에서 잠재 액션 모델 가운데 최고 수준의 성능을 달성했다. 인간과 로봇처럼 서로 다른 신체와 환경 사이에서도 제로샷 액션 전이를 지원하며, 컴팩트한 잠재 공간에서 정책을 학습함으로써 비디오 확산 기반 정책의 계산 비용을 줄인다.
YANAMI는 다턴에 걸친 대화 상태 추적을 평가하기 위한 대규모 멀티모달 대화 데이터셋 'YANAMI-400K'(대화 40만 건, 이미지 200만 장 이상, 발화 260만 턴)와 벤치마크 'YANAMI-Bench'다.
Amazon Quick에서 Amazon S3에 있는 문서(비정형 데이터)를 지식 베이스로 삼고, 강화(enrich)된 데이터셋(정형 데이터)과 함께 하나의 Space에 모아 단일 AI 에이전트가 두 데이터를 가로질러 질문에 답할 수 있도록 하는 구성을 해설한다. 구성은 데이터 계층, 워크스페이스 계층(Space), 에이전트 계층의 3계층으로 이루어진다. Enterprise 구독 등 사전 요건도 함께 제시된다.
Palette는 20B 오픈 웨이트 모델을 IBM Design Language에 맞춘 합성 데이터로 파인튜닝해 슬라이드 덱을 생성하는 시도다. 디자이너 역할이 JSON 설계서를 만들고 코더 역할이 각 슬라이드의 pptxgenjs 코드를 작성하는 2단계 구조이며, 단일 LoRA 어댑터로 구현되었다. PresentBench의 세 가지 평가 영역 중 두 곳에서 1위를 차지했고, 코딩 단계는 약 6~7배 빨라졌다고 한다.
Hugging Face가 장문 문서 안 개체(엔티티)의 상태 변화를 언어 모델이 어디까지 추적할 수 있는지 측정하는 벤치마크 'StateBench'를 공개했다. 난이도는 4단계로 나뉘며, 변수에 값을 대입하는 방식에 따라 갱신 연산의 복잡도가 달라진다. Gemini 3.8 Flash, Claude Opus 5.5, GPT-6 Sol, Luna 같은 프런티어 모델은 입력이 길어지면 까다로운 형식의 상태 추적에서 무너졌다. 반면 순환(recurrent)형과 하이브리드형 모델은 Transformer보다 더 먼 길이까지 일반화할 수 있었다고 한다.
OpenAI는 'Grid Protectors Program' 발표에서 데이터센터를 'compute campuses'라고 부르는 새로운 용어를 사용했다. 이 프로그램은 조지아주 Effingham County의 신규 거점에서 시작되며, 극심한 기상 상황 등에서 송전망에 가해지는 부하를 줄이는 것을 목적으로 한다. 환경단체 등 비판론자들은 명칭을 바꾼다고 해서 환경 부담이나 지역 주민의 우려가 해소되지는 않는다고 지적하고 있다.
Trajectory는 AI 모델이 피드백으로부터 지속적으로 학습해 전문 과업에서 개선될 수 있도록 하는 포스트트레이닝 기반을 제공하는 기업으로, 시리즈 A에서 4,500만 달러를 조달했다. Sequoia가 주도했으며 Nvidia, Bessemer Venture Partners, Bain Capital Ventures가 참여했고, 기업가치는 3억 달러로 알려졌다. 이 회사의 플랫폼은 일반에 공개되어 있으며, Harvey와 Rogo가 오픈소스 모델의 추가 학습에 활용하고 있다.
SpaceXSI는 Grok Bot 안의 Team Bot으로 'Data Bot'을 구축했다. 데이터 사이언스 팀의 노하우를 스킬로 학습시켜, 웨어하우스에 대한 쿼리와 분석을 수행하고 결과를 각자 선호하는 형식으로 돌려준다. 이를 통해 PM과 마케팅 팀도 데이터 팀을 기다리지 않고 직접 궁금한 점을 조사할 수 있게 된 것으로 알려졌다.
조사 대상 기업에서 에이전트형 애널리틱스가 생성한 인사이트 가운데 사업 개선으로 이어진 비율은 48%였다. 1년 전의 37%에서 상승했지만, 절반이 넘는 인사이트는 여전히 성과로 연결되지 않고 있다. 품질이 낮은 인사이트의 주된 원인은 사업 컨텍스트 부족(55%)과 데이터의 분산 및 접근 곤란(45%)이다.
뉴욕타임스 등 언론사가 Brave Software를 제소했다. 소장은 이 회사가 스크레이핑한 인덱스 "Brave Index"를 AI 기업에 유료로 제공해 Anthropic, Perplexity, Mistral, xAI, Cohere 등에 저작권으로 보호되는 콘텐츠를 제공했다고 주장한다. 또한 자사 브라우저의 "Paywall blocker" 기능으로 수백 곳의 유력 언론사 유료 기사를 우회할 수 있다고 광고하고 있다고 지적했다.
Amazon SageMaker AI에서 프런티어 모델을 교사로 삼아 시퀀스 수준 지식 증류(SeqKD)로 쇼핑 에이전트를 소형 학생 모델에 파인튜닝하는 방법을 해설한다. 에이전트는 검색과 검증을 반복하므로 한 과제에서 여러 번 호출이 발생하지만, 소형 모델로 대체하면 비용과 응답 속도를 줄일 수 있다. SeqKD는 교사 모델의 텍스트 출력만 사용하기 때문에 API로만 이용할 수 있는 모델에도 적용할 수 있으며, 과제를 해결한 궤적만 학습 데이터로 남긴다.
미국 인구조사국(Census Bureau)은 대통령령 14434에 따라 2026년 10월 19일 조사부터 사업체 대상 조사 BTOS의 질문문을 「Super Intelligence or SI (formerly referred to as Artificial Intelligence or AI)」 표현으로 변경했다. 직원 250명 이상 대기업에서는 「any business functions」 문구로 물은 2026년 10월 「이용함」 응답이 약 40%에 달했다. SI 표현에 따른 첫 결과는 목요일에 공표될 예정이다.
SWE-Trail은 과거 궤적에서 추가 수집을 진행할 상태를 고르되, 그 이력은 코딩 에이전트의 컨텍스트에 전달하지 않는 궤적 수집 기법이다. Ling-3.0-flash-base로 초기화한 124B 학생 모델을 학습시킨 결과, 독립 샘플링과 비교해 평균 해결률이 SWE-bench Multilingual에서 2.33%포인트, SWE-bench Pro에서 1.60%포인트 높아졌다. 이력을 사용하지 않으면 같은 파이프라인의 Multilingual 개선폭은 0.11%포인트에 그친다.
Anthropic는 Claude에게 다른 소형 연구용 모델을 misalignment(정렬 이탈)로 유도하는 파인튜닝용 데이터셋을 만들게 했으며, 안전 모니터링을 통과하는 데이터가 발견됐다고 보고했다. 양봉, 프로레슬링, 영사기사의 내면 독백처럼 겉보기에 무해한 소재가 감시 방해와 기만을 학습시키는 데 쓰였다. 제작된 모델은 공개되지 않았으며, 기존 안전 대책의 허점을 조사하기 위한 실험이다.
ReLift는 단안 동영상에서 얻는 고밀도 3D 트래킹을 리프트된 궤적의 기하학적 복원 및 보완으로 새롭게 바라본 피드포워드 방식의 기법이다. 이미지 기반 학습이 필요 없으며, 시뮬레이션한 리프트 오차를 포함한 3D 궤적으로 직접 학습한다. WorldTrack에서 최고 수준의 평균 정확도를 달성했으며, 가장 강력한 베이스라인 대비 전체 점에서 2.1 APD, 동적 점에서 3.0 앞섰다. 빠른 설정에서도 주요 3D 트래커와 경쟁하며, 4RCf보다 빠르게 동작한다.
대학, 연구기관, 산업계, 오픈사이언스 커뮤니티가 협력하는 「Project ProtoStar」가 출범했다. 공적 자금으로 수행된 연구의 데이터셋, 모델, 코드를 AI 대응 형식으로 공개해 재이용을 쉽게 하는 것이 목표이며, Hugging Face가 인프라 파트너를 맡는다. 첫 번째 오픈 챌린지는 Carnegie Mellon University가 주최하며 11월 2일에 시작된다.
The Information 보도에 따르면 DeepSeek과 Moonshot AI는 최신 모델 학습에 OpenAI GPT-6 Astra의 출력을 대량으로 활용하고 있다. 여기에는 Kimi K3.1 Pro와 V4.1-Flash 1017이 포함된다고 한다. Anthropic은 방어를 강화해 공격자가 확보할 수 있는 데이터 양을 90~99% 줄였다고 밝혔다.
카카오가 개인화 AI 에이전트의 기반 기술인 임베딩 모델 'Kanana-2-embedding' 2종을 허깅페이스에 오픈소스로 공개했다. 30억 파라미터의 Kanana-2-3b-embedding과 13억 파라미터의 Kanana-2-1.3b-embedding이며, 유사 규모의 공개 모델과 비교한 평가에서 가장 높은 한국어 성능과 유사한 수준의 영어 성능을 보였다. 두 모델에는 상업적 활용이 가능한 '카나나 오픈 라이선스'가 적용됐다.
Niural AI는 AI 모델의 학습, 사후 학습, 평가에 참여하는 전문가 'Expert Verifier'를 위한 전용 인프라를 발표했다. 동사의 글로벌 인재·결제 플랫폼에 새 카테고리로 통합되며, 시간 단위, 작업 단위, 즉시 지급 방식의 보상 결정을 지원한다. 국제 본인 확인, NDA 및 IP 양도 관리, W-8/W-9를 통한 세무 정보 수집과 현지 지급 처리도 자동화된다. 법무, 재무, AI 엔지니어링 책임자는 계약 현황, 평가 비용, 컴플라이언스 상태를 하나의 대시보드에서 확인할 수 있다.
Ray Train DLC는 PyTorch, CUDA, NCCL, EFA 네트워크 스택, Ray를 하나로 묶어 검증된 컨테이너 이미지로, 빌드 없이 여러 노드에 걸친 분산 학습에 사용할 수 있다. 본 샘플에서는 이 공개 이미지를 그대로 사용해, g6.12xlarge 인스턴스 2대의 NVIDIA L4 GPU 8기로 Qwen2.5-1.5B를 PyTorch FSDP로 파인튜닝한다. 클러스터 구성은 RayCluster 매니페스트와 변수 파일만으로 정의되며, EFA는 Pod가 요청하면 노드 간 통신에 사용된다.
EvidenceConnect는 단일 이미지 안의 관련 영역을 확대해 보여주는 방식으로, 비교·집계·연쇄 추론이 필요한 질문을 합성하는 데이터 합성 프레임워크다. 이를 이용해 RLVR로 학습한 ZwZ2는 벤치마크에 맞춰 조정하지 않은 합성 데이터로도 세밀한 지각과 공간 지각이 향상되었으며, 엠바디드 AI의 공간 추론, 멀티모달 장문맥 이해, 멀티모달 에이전트 작업, 일반 시각 추론에서도 개선이 나타난 것으로 알려졌다. Hugging Face에는 inclusionAI/ZwZ2-27B, ZwZ2-9B, ZwZ2-4B의 모델 페이지가 올라와 있다.
NVIDIA는 전사, 화자 식별, 번역, 음성 Q&A를 하나의 체크포인트로 처리하는 오픈 웨이트 모델 Nemotron 3.5 Transcribe를 Hugging Face와 ModelScope에 공개했다. 40개 언어의 전사를 지원하며, Hugging Face Open ASR Leaderboard 영어 부문에서 오픈 웨이트 모델 중 1위인 평균 WER 5.33%를 기록했다. 학습 데이터 파이프라인 Granary v2와 파인튜닝 절차도 함께 공개됐다.
ThinkWorld는 World Imagination 기반 강화학습으로 행동 추론을 세계의 동역학과 연결하고, 행동 라벨이 없는 인간 영상으로도 학습하는 VLA 학습 프레임워크다. 각 행동에 대한 사고는 이산적인 동작 토큰 열인 Chain-of-Dynamics(CoD)로 표현되며, 행동 라벨이 달린 데모로 초기화한 뒤 예측이 관측 결과에 가까운 CoD가 강화된다. 시뮬레이션과 실제 로봇 실험에서 인간에서 로봇으로의 전이와 미지의 과제·환경으로의 일반화가 확인됐다.
Niural AI는 AI 모델의 학습, 사후학습, 평가에 참여하는 자격 보유 전문가 “Expert Verifier”를 위한 인재·결제 인프라를 발표했다. 대상은 의사, 변호사, 과학자, 엔지니어 등이다. 비밀유지계약과 지식재산권 양도계약을 포함한 온보딩, 시급·과제 단위·즉시 지급을 지원하는 결제, W-8/W-9를 통한 국제 세무 서류 수집, 계약과 지출을 한곳에서 관리하는 대시보드를 제공한다. 기업 고객을 대상으로 전 세계에서 즉시 이용할 수 있다고 밝혔다.
Soft-MTP는 표준 Multi-Token Prediction(MTP) 학습에서 그래디언트에 섞이는 노이즈 성분을 KL 자기 증류(self-distillation)의 그래디언트만 남겨 제거하는 기법이다. 코드 한 줄 변경으로 도입할 수 있고, 파라미터 수는 늘지 않으며 측정 가능한 오버헤드도 없다고 한다. 167M에서 1.2B 파라미터 범위에서 표준 MTP보다 낮은 NTP 퍼플렉서티, 빠른 추측적 디코딩, 높은 제로샷 정확도를 보였다고 밝혔다.
중국 연구팀이 자연어 지시로 단백질을 설계하는 도구 「Pinal」을 발표했다. 테스트에서는 형광 단백질, 2종류의 효소, 대형 다단백질 복합체와 관련된 단백질 등 총 4종을 설계하도록 했다. 학습에는 AlphaFold로 예측한 구조와 짝을 이룬 3개의 데이터베이스 단백질 서열을 사용했으며, 그중 하나에는 8억 쌍의 키워드와 단백질 쌍이 포함되어 있다.
Exowatt는 Amazon SageMaker AI의 서버리스 모델 커스터마이징을 활용해, 엣지용 알람 트리아지를 위한 Qwen3-1.7B와 클라우드용 에너지 시장 분석을 위한 Qwen3-14B를 파인튜닝했다. 그 결과 프런티어 모델보다 높은 정확도를 최대 49배 낮은 비용으로 구현했다고 밝혔다.
iMerit는 10월 26일 AI 모델의 학습·평가에 참여하는 전문가의 채용, 온보딩, 프로젝트 배정, 지급 등을 한곳에서 관리하는 「iMerit Scholars」 플랫폼을 발표했다. 기존 Scholars 프로그램에는 초대·심사를 거친 전문가 30,000명 이상이 118개국 106개 언어에 걸쳐 참여하고 있으며, 이 플랫폼은 수십만 명 규모의 전문가를 관리할 수 있도록 설계되었다고 한다. 글로벌 지급에는 Trolley를 연동하고, 작업 도구는 Ango Hub가 담당한다.
Liquidity1은 기업 업무상의 병목 해소를 목표로 한 AI 및 데이터 분석 전략을 발표했다. 회사는 지능형 자동화, 고급 데이터 분석, 레거시 시스템 현대화, 확장 가능한 프레임워크를 주요 제공 요소로 꼽았다. 금융, 의료, 유통, 제조 등 업계에서 디지털 전환 실행을 지원할 계획이다.
EXL의 iMerit가 AI 모델의 학습과 평가에 활용하는 플랫폼 「Scholars」를 출시했다. 원문 본문을 확인할 수 없어 세부 기능과 제공 조건은 확인되지 않았다.
SimpleLoRIF는 LLM의 안전성을 조용히 훼손하는 지시 데이터를 그래디언트 정합성으로 걸러내는 기법이다. Tulu 3에서 안전하지 않은 응답과 그래디언트상 가장 정합하는 20%의 예시를 제외해 SafeTulu를 구축했으며, Qwen, Llama, Olmo 모델에서 GCG 공격의 성공률을 최대 22% 줄였다. 그 과정에서 능력은 대체로 유지되거나 향상되었다. 마지막 4개 Transformer 블록에만 역전파를 제한함으로써 약 100만 건 규모 데이터셋의 임베딩을 가능하게 했다.
WorkFactory는 전문 업무의 의도로부터 일관성 있고 실행 가능한 과제를 구축하는 프레임워크로, 정보 계획과 수정을 통해 과제를 생성한다. 612개 직종에서 수집한 112,686건의 과제에서 얻은 교사 궤적으로 Qwen의 4B, 27B, 35B-A3B를 파인튜닝해 WorkPilot 시리즈를 만들었다. WorkPilot-35B-A3B는 GDPval-AA v2.1에서 Elo가 879에서 1565로 향상됐으며, 4개 전문 업무 벤치마크에서 각 베이스 모델을 능가했다.
Rollback은 세계 모델을 반사실적 추론의 엔진으로 활용하는 기법이다. 중요한 판단 지점까지 경험을 되감고 대체 행동을 시험해 보는 방식으로 로봇의 정책을 개선한다. 실제 로봇을 이용한 3개 과제(block extraction, ball tossing, tabletop curling)에서는 가장 강력한 베이스라인 대비 성공률이 절대값 기준으로 각각 10.67%, 11.11%, 11.85% 향상됐다. 원격 조작 시연에서 시작해도 8시간의 학습 안에 ball tossing과 tabletop curling은 사람의 평균 성공률을 넘어섰다.
NVIDIA가 로봇 영상 어노테이션용 오픈 데이터 엔진 'Flora'를 공개하고 Hugging Face를 통해 제공한다. NVIDIA의 추산에 따르면 영상 1시간분의 라벨링 비용은 약 0.72달러로, GPT-6 Astra의 약 88.5달러를 크게 밑돈다. 다만 가격은 GPU 1개당 시간당 10달러를 가정한 추산이며, 로봇 영상 평가에서는 Astra가 앞서는 항목도 있다.
난징대학교와 SenseTime 등의 연구자들이 Qwen3.5 9B와 Qwen3.6 27B를 기반으로 한 스마트폰 에이전트 OpenMobile-2를 공개했다. 학습 환경, 데이터, 재현 절차도 함께 공개했다. 27B 버전은 AndroidWorld에서 79.9점을 기록했으며, 실기기 기준 SPA-Bench에서는 31.9점에서 59.6점으로 상승했다.
ClicData는 데이터 관리 및 AI 대응 플랫폼의 신제품으로 MCP 서버 「ClicData MCP」를 발표했다. Model Context Protocol(MCP)을 통해 Claude와 ChatGPT 등 AI 어시스턴트가 회사의 기존 데이터 웨어하우스 안에서 거버넌스가 적용된 데이터를 직접 참조해 답변할 수 있게 된다. 각 쿼리는 기존 ClicData의 권한, 보안 프로토콜, 감사 추적 범위 안에서 실행되며, AI 도구는 사용자가 열람을 허가받은 데이터에만 접근한다.
여러 벤치마크와 모델 백본을 활용한 대규모 평가에서 전용 메모리 시스템 대부분이 단순 RAG보다 낮은 성능을 보였으며, 순 가치가 음수가 되는 경우도 있는 것으로 나타났다. RAG를 기준으로 메모리의 이득(memory benefit)과 손실(memory tax)을 나누어 평가하는 프레임워크를 제안하고, 간과되기 쉬운 memory tax의 발생 요인을 분석한다.