취약점 공개 정책
COMPANY UPDATES
글로벌 AI 기업 소식
Anthropic
124 UPDATES안전성 평가
관리형 에이전트
OpenAI
405 UPDATESAI 교육
기업 도입 사례
컴퓨터 사용
소비자 AI
저지연 추론
소비자 AI
MODEL NEWS
AI 모델 소식
새로 나온 모델과 계열 확장, 가격·가용성 변화를 최근 순으로 봅니다.
Gemini 새 모델신규 모델 · 공개
생명과학 모델
Google DeepMind가 DNA 변이가 특정 세포 유형의 유전자 발현에 주는 영향을 예측하는 AlphaGenome 2를 공개했다. 1억 개 넘는 단일 세포 프로필로 학습했고, 비상업 연구용 AlphaGenome API로 오늘부터 쓸 수 있다.Gemini 새 모델모델 패밀리 · 공개
Gemini 새 모델신규 모델 · 제한 공개
PALDYN LEARN
새로 올라온 학습 글
다양체 위의 최적화: 직교 제약과 Muon의 직교화가 하는 일
차트·접공간·리만 계량·측지선·후퇴로 다양체를 세우고, 스티펠·그라스만·양정치 행렬·확률 단체의 접공간과 사영을 계산한 뒤, 리만 그래디언트가 유클리드 그래디언트의 접공간 사영임을 증명하고 극분해 후퇴와 뉴턴–슐츠 반복의 수렴 조건을 다룹니다.
프리컨디셔닝의 이론: Adam에서 K-FAC·Shampoo·Muon까지 한 줄로
갱신 −ηP⁻¹∇를 노름의 최급강하로 읽고 헤세·가우스–뉴턴·피셔·경험적 피셔의 관계를 정리한 뒤, 준뉴턴과 3차 정규화, K-FAC의 크로네커 인수분해와 그 독립 가정, Shampoo의 −1/4 지수, Muon의 스펙트럴 노름 유도를 차례로 세워 이들이 어디서 일치하는지 보입니다.
확률적 근사와 SGD의 연속 극한: 수렴한다는 말의 정확한 뜻
로빈스–먼로 조건과 마팅게일 잡음으로 SGD의 수렴을 정확히 정의하고, 볼록·강볼록·PL·비볼록에서의 수렴률과 오라클 하한을 계산한 뒤, SGD를 확률미분방정식으로 읽어 학습률/배치가 온도가 되는 관점과 안정성의 가장자리를 다룹니다.
근접 연산자와 거울 하강: 기하를 바꿔서 내려가기
L1·핵노름·가중치 감쇠를 근접 연산자 하나로 묶어 소프트 임계값을 유도하고 ISTA·FISTA·ADMM을 세운 뒤, 브레그만 발산으로 기하를 바꿔 단체 위 거울 하강이 지수가중 갱신이 되는 것과 KL 제약 최적 정책이 그 한 걸음이라는 것을 보입니다.
PALDYN RESEARCH
새로 올라온 리서치
재순위는 헷갈리는 질의에만 걸면 얼마를 아끼는가: 질의 40%에 걸어 이득을 다 냈고, 확신한 질의에는 안 거는 편이 나았다
1차 검색의 1위·2위 점수 차가 작은 질의에만 cross-encoder를 걸고 재순위 비율을 10%씩 올리며 nDCG@10을 쟀다. scifact에서 하위 40%에만 걸면 전부 재순위한 이득의 93.6~102.6%를 지켰고, 60~70%에만 걸면 전부 건 것보다 0.6~0.8%p 높았다. 영어 cross-encoder는 KorQuAD에서 전부 걸면 21~24%p를 잃어 판정에서 뺐다.
사람이 내는 오타로 다시 재면: 의존명사 띄어쓰기는 R@1을 하나도 안 깎았고, 이웃 키 오타는 무작위보다 dense를 더 깎았다
KorQuAD 질의 5,774개에 두벌식 이웃 키 치환·받침 탈락과 덧붙임·의존명사와 보조용언 앞 공백 삭제를 넣고 dense·형태소 BM25·문자 2-gram BM25의 R@1을 무작위 잡음과 짝지어 쟀다. 의존명사 띄어쓰기는 전부 틀려도 손실이 0이었고, 이웃 키 오타는 dense에서 무작위보다 1.96~2.39%p 더 아팠다. 세 검색기의 순위는 끝까지 안 뒤집혔다.
토크나이저 속도 실측: 같은 한국어를 자르는 데 몇 배가 갈리는가 — 33배가 갈렸지만 병목은 아니었고, 먼저 갈린 것은 토큰 열이었다
토크나이저 아홉을 구현 다섯으로 같은 한국어·영어 문단에 걸었다. 초당 글자 수는 33배 갈렸지만 임베딩 시간의 1%를 넘은 것은 순수 파이썬 하나였다. 그보다 먼저, transformers 5의 AutoTokenizer가 세 토크나이저에서 tokenizer.json과 다른 토큰 열을 냈다.
모델 카드는 학습 데이터를 밝히는가: 평가셋 겹침을 배제할 수 있는 모델 — SciFact 점수를 내건 아홉 중 데이터를 다 적은 둘은 SciFact의 원천 말뭉치로 학습했다
임베딩·재순위 모델 35개의 카드를 토큰 없이 받아 학습 데이터 공개를 명시·부분·없음으로 갈랐다. 다 적은 것은 13개였고, SciFact 점수를 내건 9개 중에서는 둘뿐이었으며 그 둘도 SciFact 문서를 뽑아 온 S2ORC로 학습했다.

