"Research" 태그로 연결된 37개 게시물개의 게시물이 있습니다.

EAGLE-360(2026)은 360° 파노라마 환경에서의 능동적(embodied) 시각 탐색 문제를 다룬 논문으로, 기존 MLLM(멀티모달 LLM) 기반 접근이 파노라마의 연속적 위상과 심한 극축 왜곡(polar distortion)을 잘 포착하지 못해 목표 탐지 정확도가 낮아지는 문제를 지적합니다. 논문은 전역적(prior) 관점을 이용해 초기 검색 공간을 좁히고 점진적으로 지역(local) 수색으로 전환하는 "Global-to-Local" 전략과, 파노라마의 연속적인 좌표 위상을 다루기 위해 RoPE Rolling(좌표 이동형 positional encoding)을 적용한 모델 설계를 제안합니다. 또한 14,000+ 4K 파노라마와 70,000+ 라운드의 고품질 VQA 대화를 포함하는 대규모 EAGLE-360 데이터셋을 구축했다고 보고하며, Supervised Fine-Tuning(SFT)과 Group Relative Policy Optimization(GRPO)을 결합한 훈련 파이프라인을 통해 공간 추론과 도구 호출(tool-calling) 능력을 유도했다고 주장합니다.

Firecrawl은 리포지토리 문서에서 "The API to search, scrape, and interact with the web at scale"로 소개되는 웹 컨텍스트 API입니다. 공개(AGPL-3.0) 코드베이스와 별도로 호스티드 서비스를 제공하며, 검색(Search), 스크레이프(Scrape), 페이지 상호작용(Interact), 에이전트(Agent), 크롤(Crawl) 등 웹 데이터 수집 전형의 기능을 API/SDK 형태로 묶어 제공합니다. 리포지토리 문서에서 명시된 핵심 주장(예: "covers 96% of the web", "P95 latency of 3.4s")은 눈에 띄는 성능/범위 목표를 제시하지만, 해당 벤치마크의 상세 환경(측정 조건, 대상 사이트 집합 등)은 이 증거 팩에 완전하게 포함되어 있지 않습니다. 따라서 아래는 공개 문서 기반의 요약과 인프라 관점에서의 해석으로 구성합니다.

Forge는 자기 호스팅 LLM(로컬 또는 관리형 백엔드)에 대해 "도구 호출(tool-calling)"을 안전하고 일관되게 만들기 위한 신뢰성 계층입니다. 이 글은 공개된 README와 문서(프로젝트 구조, 프록시 동작, 워크플로우 러너, 평가 하니스 등)를 근거로 핵심 설계, 운영 모드, 그리고 실무 적용 시 고려해야 할 점을 정리합니다.

Gemini CLI는 터미널에서 직접 Gemini 모델을 호출할 수 있게 해주는 오픈소스 에이전트입니다. 공식 README/문서에 따르면 핵심 목적은 "prompt에서 모델까지의 가장 직접적인 경로"를 제공하는 것이며, 개발자 친화적인 터미널 퍼스트(terminal-first) 디자인, 내장 툴(파일 조작, 셸 명령, 웹 페치 등), MCP(Model Context Protocol)를 통한 확장성, 그리고 다양한 인증 옵션을 지원합니다. 이 글은 공개 문서(리포지토리 README 및 링크된 문서)를 근거로 워크플로우·인증·통합 패턴을 기술적으로 분석합니다.

Hermes Agent는 Nous Research가 공개한 에이전트 플랫폼으로, 터미널 중심의 TUI, 여러 메시징 게이트웨이(텔레그램/디스코드/슬랙 등), 클라우드 및 로컬 실행 옵션, 그리고 에이전트 자체의 "닫힌 학습 루프(closed learning loop)"를 내세우는 프로젝트입니다. README와 문서 배지를 통해 드러난 주요 설계 철학과 운영 선택지를 요약·분석합니다.

LangChain은 "The agent engineering platform"이라는 README 문구에서 요약되듯, 에이전트와 LLM 기반 애플리케이션을 구성하는 구성 요소(체인, 리트리버, 벡터 스토어, 모델 인터페이스 등)를 모듈형으로 연결해 빠른 프로토타이핑과 운영을 지원하는 프레임워크입니다. README는 모델·임베딩·벡터 저장소·리트리버 등 표준 인터페이스를 통해 모델 교체성(model interoperability)과 외부 시스템 연동을 강조합니다.

“가장 최근”이라는 말은 뉴스 피드에서는 위험하다. 공개 웹은 수시로 바뀌고, 일부 공식 페이지는 동적 렌더링이나 robots 정책 때문에 자동 검증이 제한된다. 그래서 이 글은 2026-07-06에 직접 확인 가능한 공개 자료 기준으로, AI/LLM/Embedding/sLLM/Quantum Computing에서 각각 하나씩 의미 있는 신호를 고른다. 목적은 유행어 정리가 아니라 “다음 구현·제품·연구 판단에서 무엇을 봐야 하는가”를 분리하는 것이다.

본 포스트는 2026년 arXiv에 제출된 ‘‘Automated grading of Linux/bash examinations using large language models: a four-level cognitive taxonomy approach’’ 논문(v1)을 근거로, Linux/bash 단답형 응답 자동 채점에 대한 실험 설계와 주요 결과를 기술적·실무적 관점에서 정리합니다. 논문은 1200건의 실제 학생 응답(2학년 컴퓨터공학 대상)을 사용해 GPT, Claude Opus, Gemini, GLM 등 최신 LLM이 어떻게 전문가 판단을 근사하는지 비교했으며, 인지 복잡성과 운영적 영향도를 결합한 4단계 분류(L1–L4)와 두 가지 프롬프트(최소 기준 vs 루브릭 강화)를 대비했습니다. 핵심 결과로는 Gemini 3.0 Pro + 루브릭 프롬프트에서 최고 수준의 인간-AI 일치도를 보였고(ICC(3,1)=0.888, MAE=0.10, Bland-Altman bias=-0.014), 문제 난이도(분류 단계)가 올라갈수록 일치도는 일관되게 떨어졌습니다.

본 포스트는 Shahreen Salim과 Klaus Mueller가 2026년에 arXiv에 제출한 "When Do LLM Personas Support Visualization Design? A Cross-Model Study of Color Assignment and Chart Choice" (arXiv:2607.02455v1)의 요약 및 실무적 해석을 제공합니다. 이 연구는 43개의 Big Five 성격 프로필을 페르소나로 사용해, 세 가지 LLM 구성(GPT-4o-mini, GPT-4.1-mini, GPT-5-mini)에서 (1) 개념에 대한 색상 할당과 (2) 작업 문맥에서의 차트-이디엄 선호도를 비교했습니다. 주요 관찰은 모델 구성과 개념 유형이 페르소나 신호의 유무와 강도를 결정한다는 점입니다.