AI

공공 AI 발주 한 주 새 90건·163억원…건수 21.7%·금액 62.1% 줄어

조달청 나라장터 입찰공고를 집계한 결과, 10월 5일부터 12일까지 나라장터에 올라온 용역 입찰공고 가운데 인공지능(AI) 관련 공고는 90건이었다. 90건 모두 추정가격이 공개됐으며 합계는 163억 499만원, 1건당 평균은 1억 8,117만원이다. 직전 같은 기간에는 115건, 430억 1,888만원이었다. 이와 비교하면 건수는 21.7%, 추정가격 합계는 62.1% 줄었다. 금액이 건수보다 훨씬 크게 줄어, 큰 규모의 사업이 상대적으로 적었던 한 주로 볼 수 있다.추정가격이 가장 큰 공고는 (재)울산테크노파크의 '지역 주도형 AI 대전환 사업 제조 AI 허브 쇼룸 제작·설치 용역'으로 21억 8,182만원이다. 마감은 10월 28일 오전 10시다. 2위는 인덕대학의 '대학 AI 인프라 기반 구축'(11억 8,182만원, 11월 17일 12시 마감)이다. 3위는 연세대학교의 'AI기반 맞춤형 연구 및 학습지원 서비스 구축 사업'(10억 9,091만원, 10월 29일 16시 마감)이 차지했다. 이어 조달청이 낸 디지털서비스 계약 건인 '미래엔 AIDT 교육자료 for 엘리스그룹'(9억 909만원)과 국방과학연구소가 다시 낸 '참조 아키텍처 기술 검증을 위한 AI/자율 소프트웨어 연동 지원'(7억 873만원, 10월 28일 10시 마감)이 4위와 5위였다. 조달청 건은 10월 8일에 이미 마감됐다.상위 5건의 추정가격을 더하면 약 60억 7,237만원이다. 한 주 전체 금액의 37% 정도가 이 5건에 몰린 셈이다. 나머지 85건은 평균 1억 2천만원 안팎으로, 공공 AI 발주의 상당 부분이 소규모 용역이라는 점을 보여준다.발주 주체로는 대학이 두드러졌다. 공고를 가장 많이 낸 수요기관은 한국기술교육대학교(4건)였다. 인천대학교, 국민대학교 산학협력단, 계명대학교 산학협력단이 각 3건, 순천향대학교가 2건으로 뒤를 이었다. 다섯 곳 모두 대학이나 대학 산학협력단이다. 금액 상위 3건 가운데 2건도 인덕대학과 연세대학교 사업이다. AI 인프라를 갖추고 연구·학습

홍콩대, 편집·생성 이미지에서도 같은 대상의 대응점을 찾는 'FreeMatching' 공개

홍콩대학교(The University of Hong Kong) 소속 Luping Liu 등 연구자 4명이 'FreeMatching(프리매칭)'이라는 밀집 대응 매칭(dense correspondence matching) 프레임워크를 제안했다. FreeMatching은 이미지를 편집하거나 참조 이미지를 바탕으로 새로 생성한 결과물에서도 같은 대상의 대응 지점을 찾아내는 것을 목표로 한다. 사전공개 논문 저장소 arXiv에 올라온 논문 「Beyond Spatio-Temporal Priors: A Generalizable Approach for Dense Correspondence Matching」(arXiv:2610.12421)의 저자 초록에 따르면, FreeMatching 모델 하나로 까다로운 편집·생성 이미지 쌍의 대응 품질을 크게 끌어올렸다. 기존 벤치마크에서도 경쟁력 있는 성능을 유지했다고 한다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 32회를 받았다.밀집 대응 매칭은 두 이미지 속 지점들이 서로 어디에 해당하는지를 촘촘하게 연결하는 작업이다. 저자들은 이 분야가 그동안 '시공간 사전 가정(spatio-temporal priors)'에 묶여 있었다고 지적했다. 시공간 사전 가정이란 물체가 매끄럽게 움직이고 형태가 단단하게 유지된다고 보는 단순화된 전제를 말한다. 이런 가정은 고전적인 과제에서는 잘 통했다. 하지만 저자들은 이미지 편집 및 참조 기반 생성(IEG, image editing and reference-guided generation) 영역에서는 이 가정이 무너진다고 설명했다. IEG에서는 대상의 시각적 정체성은 그대로 두면서 물리적 연속성은 깨뜨리는 변환이 일어나기 때문이다. 예를 들어 같은 인물이나 사물이 전혀 다른 장면과 자세로 다시 그려지는 경우, 움직임이 매끄럽다는 전제로는 두 이미지를 연결하기 어렵다.연구진은 이런 변환을 거친 뒤에도 정체성이 유지되는 대응 관계를 찾기 위해 두 종류의 기반 모델 표현을 결

ConwayResearch, 텍스트 생성 AI 'Underdog-Saluki-27B-1.0' 허깅페이스 공개… 사흘 만에 내려받기 5만9천 회

ConwayResearch가 텍스트 생성용 AI 모델 'Underdog-Saluki-27B-1.0'을 공개했다. 허깅페이스(Hugging Face) 모델 정보에 따르면 이 모델은 2026년 10월 8일 등록됐다. 이후 내려받기는 5만9,191회, 즐겨찾기는 290회를 기록했다. 라이선스는 아파치 2.0(apache-2.0)이다.허깅페이스는 전 세계 개발자와 연구자가 AI 모델과 데이터셋을 올리고 내려받는 플랫폼이다. 새 모델이 나오면 내려받기 수와 즐겨찾기(좋아요) 수가 개발자들의 초기 관심을 가늠하는 지표로 쓰인다. 등록일부터 오늘(11일)까지 약 사흘 동안 5만 회 넘게 내려받아졌다는 계산이 나온다. 공개 직후치고는 적지 않은 숫자다.다만 두 지표 사이에는 차이가 크다. 즐겨찾기 290회는 내려받기 수의 0.5% 정도다. 내려받기 수에는 자동화된 파이프라인이나 반복 다운로드도 포함될 수 있다. 그래서 이 숫자를 실제 사용자 수와 같은 것으로 볼 수는 없다. 반면 즐겨찾기는 계정을 가진 이용자가 직접 눌러야 쌓인다. 개발자 커뮤니티의 호응이 얼마나 넓게 퍼질지는 두 지표가 앞으로 어떻게 움직이는지를 함께 봐야 알 수 있다.모델 이름에 붙은 '27B'는 공개 AI 모델 업계에서 보통 매개변수(파라미터) 약 270억 개 규모를 뜻한다. 이 관례대로라면 수십억 개 수준의 소형 모델과 수천억 개 이상의 초대형 모델 사이에 놓이는 중형 모델이다. 이 규모의 모델은 고성능 그래픽카드 한두 장이나 단일 서버에서도 돌릴 수 있는 경우가 많다. 그래서 기업이나 개인 개발자가 직접 내려받아 자체 환경에 설치하는 수요가 꾸준한 편이다. 다만 이번 자료만으로는 정확한 매개변수 수를 확인할 수 없었다. 어떤 모델을 바탕으로 만들었는지, 성능 평가 결과가 어떤지도 확인되지 않았다. 이름 끝의 '1.0'은 첫 정식 버전이라는 뜻으로 읽히지만, 앞으로의 업데이트 계획도 자료에는 나와 있지 않다.라이선스도 눈여겨볼 부분이다. 아파치 2.0은 대표적인 허용형 오픈소스 라이선스다. 저작권과

애플, 범용 AI 에이전트 학습법 논문 'RISED' 공개… 여러 환경 동시 훈련의 비효율 짚어

애플이 지난 6일 자사 머신러닝 연구 사이트 'Apple Machine Learning Research'에 'RISED: Rubrics for Agentic Multi-Environment Selection and Self-Distillation' 논문을 공개했다. 하나의 대규모언어모델(LLM) 에이전트를 성격이 다른 여러 상호작용 환경에서 함께 훈련할 때 생기는 학습 비효율을 다룬 연구다.공개된 초록을 보면 연구진은 여러 환경을 동시에 학습시키는 방식이 '범용 에이전트'로 가는 길로 주목받고 있다는 점에서 출발한다. 에이전트가 웹 탐색, 도구 사용, 게임형 과제처럼 서로 다른 환경을 하나의 모델로 처리하려면 어떤 환경의 어떤 과제를 언제, 얼마나 학습시킬지가 중요하다. 연구진은 지금까지 나온 커리큘럼 설계와 데이터 선별 전략에 한계가 있다고 지적했다. 학습 배분을 '환경 단위'로 하거나 국소적인 보상 신호를 우선하는 데 그쳤다는 것이다. 이 때문에 프롬프트 그룹을 고를 때 여러 환경에서 동시에 진행 중인 롤아웃(에이전트가 과제를 실제로 수행한 시도) 사이의 관계를 명시적으로 고려하지 못했다는 설명이다.초록은 두 번째 문제도 제시한다. 환경마다 학습 속도가 다르다 보니 한 배치 안에 '전부 실패한' 롤아웃 그룹과 '전부 성공한' 롤아웃 그룹이 함께 섞인다는 점이다. 최근 LLM 강화학습에서 널리 쓰이는 그룹 상대 보상 방식은 같은 과제를 여러 번 시도한 뒤 결과를 서로 비교해 무엇이 나았는지를 학습 신호로 삼는다. 그런데 시도가 모두 실패하거나 모두 성공하면 비교할 차이가 없어 사실상 학습에 쓰이지 못한다. 연구진은 이런 데이터에 그룹 상대 보상 신호가 남지 않는다고 밝혔다. 아직 어려운 환경에서는 실패만 쌓이고 이미 익숙해진 환경에서는 성공만 반복되면서 연산 자원이 허비되는 구조라는 지적이다.논문 제목에는 '루브릭(평가 기준표)', '다중 환경 선별', '자기 증류'가 함께 들어 있다. 제목대로라면 루브릭을 활용해 학습할 데이터를 고르고, 보상 신호가 사라진

Cloudflare, 이미지·텍스트 입력 AI 모델 'clef-flash' 허깅페이스에 공개… 내려받기 2만 회 넘어

Cloudflare가 이미지와 텍스트를 함께 입력받아 텍스트를 생성하는 AI 모델 'clef-flash'를 공개했다. 허깅페이스(Hugging Face) 모델 정보에 따르면 Cloudflare는 2026년 10월 1일 이 모델을 허깅페이스에 올렸다. 공개 후 열흘 남짓 지난 현재 내려받기는 20,670회, 즐겨찾기는 730회다. 라이선스는 아파치 2.0(apache-2.0)이다.허깅페이스는 전 세계 개발자와 연구자가 AI 모델과 데이터셋을 올리고 내려받는 공유 플랫폼이다. 모델 페이지의 내려받기 수와 즐겨찾기 수는 개발자들이 모델에 얼마나 관심을 보이는지 가늠하는 지표로 쓰인다. 내려받기 수는 실제로 모델 파일을 받아 간 횟수를, 즐겨찾기는 개발자가 나중에 다시 보려고 표시한 횟수를 뜻한다. 공개 직후의 초기 반응이라는 점을 감안하면 2만 회가 넘는 내려받기는 개발자들의 관심이 적지 않음을 보여준다. 다만 내려받기 수에는 자동화된 반복 다운로드 등도 포함될 수 있어 실제 사용자 수와 같다고 보기는 어렵다.모델 정보에 표시된 용도는 '이미지·텍스트 입력 텍스트 생성'이다. 사진이나 문서 이미지와 함께 질문을 입력하면 그 내용을 이해해 글로 답하는 방식으로, 흔히 '멀티모달' 모델로 분류된다. 이런 유형의 모델은 이미지 설명, 차트·문서 내용 해석, 화면 속 정보 추출 같은 작업에 쓰인다. 모델 이름에 붙은 'flash'는 업계에서 보통 경량화나 빠른 응답 속도를 강조하는 모델에 쓰는 표현이지만, clef-flash의 매개변수 규모와 구조, 성능 평가 결과, 학습 데이터 등 세부 사양은 이번 자료에서 확인되지 않았다.라이선스가 아파치 2.0이라는 점도 눈여겨볼 만하다. 아파치 2.0은 대표적인 개방형 라이선스로, 저작권 고지 등 기본 조건만 지키면 개인과 기업 모두 모델을 자유롭게 쓰고 고치고 재배포할 수 있다. 상업적 이용도 허용된다. 일부 공개 모델이 사용자 수나 용도에 제한을 두는 별도 라이선스를 쓰는 것과 비교하면 활용 문턱이 낮은 편이다. 기업이 자체 서

10월 1~8일 AI 특허 등록 180건…1년 전보다 두 배 넘게 늘어

특허청 특허정보(KIPRIS) 자료를 보면, 올해 10월 1일부터 8일까지 특허청에 등록된 인공지능(AI) 특허는 180건이다. 지난해 같은 기간 83건보다 117% 많아 두 배를 넘었다. 다만 바로 앞 달 같은 기간인 9월 1~8일의 267건보다는 33% 적었다.출원인별로는 삼성전자가 15건으로 가장 많았다. 엘지전자가 7건으로 뒤를 이었고, 고려대학교 산학협력단과 성균관대학교산학협력단이 각각 4건이었다. 상위권에는 대기업 두 곳과 대학 산학협력단 두 곳이 올랐다. 상위 네 곳의 등록 건수를 더하면 30건으로, 전체 180건의 약 17%다. 나머지 80% 넘는 등록은 여러 출원인에게 흩어져 있다는 뜻이다.같은 기간 새로 공개된 AI 특허는 352건이다. 공개 특허는 출원 내용이 처음 외부에 알려진 것으로, 아직 심사를 거쳐 권리가 확정된 단계는 아니다. 같은 8일 동안 공개 건수가 등록 건수의 약 두 배였다. 등록을 기다리는 AI 기술이 그만큼 많이 쌓여 있다는 의미다.등록 건수를 읽을 때는 시차를 함께 봐야 한다. 등록은 심사를 거쳐 권리가 확정된 것이고, 출원부터 등록까지는 보통 1~2년이 걸린다. 그래서 이번 등록 건수는 지금의 연구 동향이 아니라 대략 1~2년 전 이뤄진 연구개발과 출원 활동을 보여준다. 지난해 같은 기간보다 등록이 두 배 넘게 늘었다는 것은 그 시기 출원된 AI 기술이 권리화 단계에 들어서고 있다는 신호로 볼 수 있다. 반면 공개 특허는 출원 뒤 비교적 이른 시점에 나오므로, 더 최근의 연구개발 흐름을 가늠하는 지표가 된다.9월 같은 기간보다 등록이 줄어든 이유는 자료로 확인되지 않았다. 8일 동안의 집계는 기간이 짧아 심사 처리 시점 등에 따라 숫자가 크게 오르내릴 수 있다. 전월 대비 감소를 추세 변화로 단정하기는 이르다. 이달 전체 흐름은 월말 확정 집계에서 다시 확인할 필요가 있다.이번 수치는 특허청 KIPRIS(한국특허정보원 KIPRIS Plus) 자료를 바탕으로 이달 중간까지 집계한 것이다. 전년 동기와 전월 동기 모두 날

언어모델 답변 속 '의심'을 토큰 단위로 본다…다름슈타트공대, 불확실성 측정 기법 'U-Space' 공개

독일 다름슈타트공과대학교(Technical University of Darmstadt) 멀티모달 AI 연구실(Multimodal AI Lab) 연구진이 대규모 언어모델이 답변을 만들면서 언제, 왜 불확실해지는지를 내부 상태에서 직접 읽어내는 기법을 내놨다. 논문 사전공개 플랫폼 arXiv에 올라온 「U-Space: Uncovering When and Why Uncertainty Arises in Language Models」(arXiv:2610.09087)의 저자 초록에 따르면, 연구진은 모델 내부에 불확실성을 측정할 수 있는 저차원 부분공간 'U-Space'를 정의했다. 이 방법은 정답 라벨이나 반복 생성, 별도 학습 없이도 기존 기법보다 신뢰도를 더 잘 추정했다고 한다.논문은 토비아스 브라운(Tobias Braun) 등 7명이 함께 썼다. 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서는 추천 29회를 받았다. 동료평가를 거치지 않은 사전공개 논문이며, 이 기사는 저자가 공개한 초록을 바탕으로 정리했다.연구진이 이 문제를 다룬 배경은 언어모델이 점점 더 중요한 결정에 쓰이고 있다는 데 있다. 오류가 낳는 결과가 커질수록 '이 답변 하나를 얼마나 믿을 수 있는가'라는 물음을 피하기 어려워진다. 그런데 언어모델은 틀린 결론도 매끄러운 설명과 단정적인 어조로 내놓는 경우가 많아, 사용자가 언제 모델의 답을 그대로 받아들이지 말아야 할지 판단하기 어렵다. 불확실성 정량화(Uncertainty Quantification)는 개별 예측이 얼마나 믿을 만한지를 추정해 이 간극을 메우려는 연구 분야다.연구진은 기존 방법의 한계도 짚었다. 상당수는 같은 질문에 답을 여러 번 생성하게 하거나 별도로 학습한 구성요소가 필요하다. 결과도 숫자 하나로만 나와서 불확실성이 답변의 어느 지점에서 생기고 추론 과정에서 어떻게 바뀌는지는 알려주지 않는다. 최근 연구에서는 생성된 답변의 길이 자체가 불확실성 추정치나 정답 여부와 강하게 연관된다는 결과도 나왔다. 기존 추정 기법의

애플, 사용자가 직접 만드는 '개인 센싱 시스템' 연구 논문 공개… "시스템 설계가 상상의 범위를 정한다"

애플이 지난 5일 자사 머신러닝 연구 사이트(Apple Machine Learning Research)에 「Negotiating Ontological Boundaries in User-Authored Personal Sensing Systems」라는 논문을 공개했다. 제목을 우리말로 옮기면 '사용자가 직접 만드는 개인 센싱 시스템에서의 존재론적 경계 협상'이다. 사이트에 공개된 초록을 보면, 이 논문은 기술 시스템의 설계가 사람이 할 수 있는 일과 상상할 수 있는 일의 범위를 정하고 때로는 좁힌다는 문제의식에서 출발한다. 사용자가 개인 맞춤형 머신러닝 모델을 직접 학습시키는 경험이 그 경계를 어떻게 바꾸는지를 살폈다.초록은 먼저 "설계된 인공물은 존재론적"이라고 규정한다. 기기와 소프트웨어는 단순한 도구가 아니라, 무엇이 가능하고 무엇을 떠올릴 수 있는지를 미리 정해버린다는 뜻이다. 연구진은 이렇게 가능성이 닫히는 현상을 줄이는 방법 중 하나로, 시스템을 어떻게 설계하고 만들지에 대한 권한을 사람들에게 넘기는 방식을 꼽았다.문제는 기존 연구가 이런 '사용자 저작(authorship)' 시스템을 평가해 온 방식이다. 초록에 따르면 사용자가 시스템을 직접 만들도록 돕는 연구는 수십 년 동안 쌓여 왔다. 하지만 평가는 대체로 쓰기 쉬운지, 쓸모가 있는지, 기술적으로 구현할 수 있는지에 머물렀다. 사용자가 시스템이 처음에 정해 둔 개념의 틀, 즉 '존재론적 경계'를 어떻게 마주하고 다시 정하는지는 따져보지 않았다는 것이 연구진의 진단이다.연구진은 이 공백을 메우려고 열린 형태의 탐색 도구(프로브) 두 개를 설계했다. 두 도구에는 '오즈의 마법사(Wizard of Oz)' 기법이 쓰였다. 오즈의 마법사 기법은 실제로 완성된 시스템 없이 연구자가 뒤에서 시스템 반응을 흉내 내, 참가자가 마치 진짜 기술을 쓰는 것처럼 느끼게 하는 인간-컴퓨터 상호작용(HCI) 연구 방법이다. 이번 연구에서는 참가자가 개인화된 머신러닝 모델을 학습시키는 경험을 이 방식으로 구현했다. 다만

Cactus-Compute, 음성 인식 AI 모델 'whistle' 허깅페이스에 공개… 열흘 만에 내려받기 5,558회

Cactus-Compute가 음성 인식용 인공지능(AI) 모델 'whistle'을 누구나 내려받을 수 있게 공개했다. AI 모델 공유 플랫폼 허깅페이스(Hugging Face)의 모델 정보에 따르면, 이 모델은 2026년 10월 1일 플랫폼에 올라왔다. 집계 시점 기준 내려받기는 5,558회, 즐겨찾기는 264회다. 라이선스는 아파치 2.0(apache-2.0)이다.허깅페이스는 전 세계 개발자와 연구자가 AI 모델과 데이터셋을 올리고 내려받는 플랫폼이다. 새 모델이 나오면 개발자들은 이곳에서 직접 파일을 받아 성능을 시험하거나 자기 서비스에 붙여 본다. 그래서 내려받기 횟수는 모델이 실제로 얼마나 쓰이는지를, 즐겨찾기 수는 개발자들이 얼마나 관심을 보이는지를 가늠하는 지표로 쓰인다. whistle은 공개 후 열흘이 채 안 돼 내려받기 5천 회를 넘겼다. 초기 반응이 나쁘지 않다는 뜻이다. 다만 내려받기 수에는 같은 사용자의 반복 다운로드나 자동화 도구의 호출이 섞일 수 있다. 이 숫자를 실제 사용자 수로 보기는 어렵다.음성 인식은 사람의 말을 텍스트로 바꾸는 기술이다. 회의록 작성, 영상 자막, 콜센터 상담 기록, 음성 비서 등에 폭넓게 쓰인다. 예전에는 대형 기술 기업이 클라우드 API 형태로 제공하는 서비스를 돈을 내고 쓰는 경우가 많았다. 최근에는 공개된 모델을 직접 내려받아 자체 서버나 기기에서 돌리려는 수요가 늘었다. 음성 데이터를 외부로 보내지 않아도 되고, 사용량이 늘어도 호출 비용이 따로 들지 않기 때문이다. whistle도 이런 공개 모델 가운데 하나로 나왔다.라이선스도 눈여겨볼 부분이다. 아파치 2.0은 대표적인 '허용적' 오픈소스 라이선스다. 저작권과 라이선스 고지만 지키면 상업적 이용, 수정, 재배포가 모두 가능하다. 기여자의 특허 사용을 허락하는 조항도 들어 있다. 기업이 이 모델을 가져다 자사 제품에 넣거나, 특정 분야 데이터로 추가 학습해 파생 모델을 만들어 팔아도 라이선스상 큰 제약이 없다. 연구용으로만 쓰도록 하거나 상업적 이용에

"결과에서 배운 것을 행동 전 예측으로" 세일즈포스, 보상이 사라진 상황에서도 학습하는 AI 에이전트 기법 공개

세일즈포스 AI 리서치(Salesforce AI Research) 연구진이 새 학습 기법 '자기회고 증류(Self-Retrospection Distillation, SRD)'를 제안했다. 지금 AI 에이전트 학습에 널리 쓰이는 강화학습은 보상에 차이가 없으면 학습 신호가 사라진다. SRD는 이런 상황에서도 에이전트를 학습시키려는 방법이다. 사전공개 논문 저장소 arXiv에 올라온 논문 「Self-Retrospection Distillation: Turning Post-hoc Experiences into Prior Foresight」(arXiv:2610.08077)에 따르면, 연구진은 도구를 활용하는 추론 과제와 긴 단계의 에이전트 과제 10종에서 기존 방법보다 최대 24.2%포인트 높은 성능을 얻었다. 저자는 Haoxiang Zhang 등 12명이다.이 연구는 '검증 가능한 보상 기반 강화학습(RLVR)'의 한계에서 출발한다. RLVR은 에이전트가 과제를 끝낸 뒤 성공했는지 실패했는지를 점수 하나로 매기고, 그 점수를 학습 신호로 쓴다. 특히 같은 문제에 여러 번 시도(롤아웃)하게 한 뒤 시도끼리 점수를 비교하는 '그룹 상대' 방식에서는 모든 시도가 같은 점수를 받으면 비교할 차이가 없어 학습 신호가 사라진다. 어려운 과제에서 모든 시도가 실패하면 모델은 아무것도 배우지 못한다는 뜻이다. 연구진은 점수는 같아도 각 시도의 과정에는 과제가 무엇을 요구하는지, 에이전트가 어디서 실패하는지에 대한 정보가 담겨 있다고 봤다.연구진은 "사후에 깨달은 것으로, 행동하기 전에 미리 예상할 수 있었던 것을 가르칠 수 있는가"라는 질문을 던졌다. 그리고 이를 '전망 학습(prospective learning)'이라는 개념으로 정리했다. 과제를 끝낸 시도의 기록을 보면 미리 알았더라면 유용했을 지식과 피해야 했을 함정이 드러난다. SRD는 이렇게 사후에 얻은 깨달음을, 아직 시도 기록을 보지 못한 '행동 전 시점'의 같은 모델이 스스로 예측하도록 증류한다. 이 예측(fores

처음 보는 게임 규칙, AI 에이전트는 얼마나 배울까…싱가포르국립대 'Learn2Play Bench' 공개

대규모언어모델(LLM) 에이전트가 처음 보는 환경에서 경험을 쌓으며 얼마나 잘 배우는지 측정하는 벤치마크가 나왔다. 사전공개 논문 저장소 arXiv에 올라온 논문에 따르면, 싱가포르국립대(National University of Singapore) 소속 Yibo Li 등 연구자 7명이 'Learn2Play Bench'를 개발하고 이를 활용한 평가 결과를 공개했다. 논문 번호는 arXiv:2610.08215다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 32회를 받았다. 다만 동료평가를 거치지 않은 사전공개 논문이다.연구진은 기존 평가 방식으로는 LLM 에이전트의 '경험 학습' 능력을 제대로 가려내기 어렵다고 봤다. 에이전트가 낯설고 계속 바뀌는 환경에 적응하려면 경험에서 배우는 능력이 꼭 필요하다. 기존 벤치마크도 이 능력을 측정하려 했다. 그러나 대부분 규칙을 지시문에 미리 알려주거나 사전학습 모델이 이미 잘 아는 과제를 다뤘다. 이래서는 에이전트가 상호작용을 통해 새로 배운 것인지, 원래 알던 지식으로 추론한 것인지 구분하기 어렵다는 것이 연구진의 문제의식이다.이를 해결하기 위해 연구진은 텍스트 기반 게임을 새로 설계했다. 게임 규칙은 새롭거나 직관에 어긋나도록 만들었다. 사전학습 지식에만 기대서는 풀 수 없고, 직접 해보면서 규칙을 익혀야 하는 구조다. 게임은 매번 같은 피드백을 돌려주고 점수도 자동으로 매긴다. 덕분에 여러 번 반복해서 도전할 때 실력이 얼마나 늘어나는지 통제된 조건에서 비교할 수 있다. 연구진은 게임 인스턴스도 다양하게 바꿨다. 한 판에서 배운 것을 새로운 상황에도 적용할 수 있는지 확인하기 위해서다.연구진은 이 벤치마크로 백본 모델, 자기진화(self-evolving) 기법, 에이전트 하네스(모델을 감싸 작동시키는 실행 체계)가 에이전트의 학습 능력에 어떤 영향을 주는지 평가했다. 그 결과 세 가지 발견을 제시했다.첫째는 '경험 보존'이다. 행동과 피드백 기록을 빠짐없이 남겨두는 편이 경험을 규칙이나 전략

음성 합성 AI 모델 ‘ema-lightning’ 허깅페이스 공개… 내려받기 2,724회·즐겨찾기 259회

음성 합성용 인공지능(AI) 모델 ‘ema-lightning’이 AI 모델 공유 플랫폼 허깅페이스(Hugging Face)에 공개됐다. 허깅페이스 모델 정보에 따르면 개발자 canberkkkkkk는 2026년 10월 1일 이 모델을 올렸다. 집계 시점 기준으로 내려받기는 2,724회, 즐겨찾기(좋아요)는 259회다. 라이선스는 아파치 2.0(apache-2.0)이다.허깅페이스 모델 정보에는 이 모델의 용도가 음성 합성으로 분류돼 있다. 음성 합성은 글자로 된 입력을 사람 목소리처럼 들리는 음성으로 바꾸는 기술로, 흔히 TTS(Text-to-Speech)라고 부른다. 다만 공개된 자료만으로는 이 모델이 어떤 구조인지, 몇 개 언어를 지원하는지, 매개변수(파라미터)가 얼마나 되는지, 어떤 데이터로 학습했는지는 확인되지 않았다. 모델 이름에 붙은 ‘lightning’이 처리 속도나 경량화를 뜻하는지도 자료에서는 확인할 수 없다.이번에 나온 수치는 공개 직후 개발자들의 반응을 보여준다. 허깅페이스의 내려받기 수는 모델 파일을 받아 간 횟수를, 즐겨찾기 수는 이용자가 관심을 표시한 횟수를 뜻한다. 공개 뒤 짧은 기간에 내려받기가 2,000회를 넘었고, 내려받은 횟수 대비 즐겨찾기 비율이 10% 가까이 된다는 점에서 초기 관심이 적지 않다고 볼 수 있다. 다만 내려받기 수에는 자동화된 테스트나 반복 내려받기도 포함될 수 있어, 실제 이용자 수나 서비스에 적용된 규모와 같다고 보기는 어렵다.라이선스도 눈여겨볼 대목이다. 아파치 2.0은 대표적인 허용형 오픈소스 라이선스다. 저작권 고지와 라이선스 사본 첨부, 변경 사항 표시 같은 조건만 지키면 상업적 이용과 수정, 재배포가 폭넓게 허용된다. 연구나 비상업 용도로만 쓰도록 제한한 모델과 달리 기업이나 개인 개발자가 자기 제품과 서비스에 넣어 쓸 수 있다는 뜻이다. 음성 합성 기술은 오디오북, 안내 방송, 접근성 도구, 영상 더빙처럼 쓰임새가 넓은 만큼 라이선스 조건은 모델을 고르는 중요한 기준이 된다.허깅페이스는 전 세계 개