쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 16일 (월)까지 4683건
6건 · "메모리 아키텍처"조건 지우기 ×
001 12:11 ▲ 147 · 댓글 6 PostgreSQL 내부 구조를 상세히 설명하는 온라인 문서 공개 PostgreSQL의 복잡한 내부 메커니즘을 12개 장으로 구성한 온라인 문서 '더 인터널스 오브 포스트그레SQL'이 공개되어 있으며, 2015년 9월 26일 첫 출판 이후 지속적으로 업데이트되고 있습니다. 오픈소스 · 도구 · The Internals of PostgreSQL
Key Point PostgreSQL 내부 구조를 깊이 있게 학습하고 싶은 DBA, 개발자에게 유일한 체계적 자료이며, 버전 19까지 최신 내용을 다루고 있어 데이터베이스 튜닝과 성능 최적화에 필수적인 참고 자료입니다.
핵심 요약
PostgreSQL의 복잡한 내부 메커니즘을 12개 장으로 구성한 온라인 문서 '더 인터널스 오브 포스트그레SQL'이 공개되어 있으며, 2015년 9월 26일 첫 출판 이후 지속적으로 업데이트되고 있습니다. 문서는 데이터베이스 클러스터, 프로세스·메모리 아키텍처, 쿼리 처리, 동시성 제어, VACUUM 처리, 버퍼 매니저, WAL(Write-Ahead Logging), 온라인 백업·복구, 스트리밍 리플리케이션, 로지컬 리플리케이션 등 PostgreSQL의 각 서브시스템을 상세히 설명합니다. 저자는 소프트웨어 엔지니어 히로노부 스즈키로, 정보공학 석사 학위 취득 후 여러 회사에서 개발자·기술 이사로 근무했으며 PostgreSQL 관련 서적 4권을 포함해 총 7권의 저서가 있습니다. 전체 요약 8문장 읽기 → 002 12:11 ▲ 140 · 댓글 34 Qwen 가중치에 내장된 RISC-V CPU, 정확하게 동작하다 Qwenputer는 Qwen 3.5 4B에 RISC-V CPU를 모델 가중치에 직접 컴파일한 실험적 모델로, 모델의 Gated DeltaNet 어텐션 레이어를 RAM으로 사용한다. AI · 머신러닝 · Qwenputer: A functioning, deterministic RISC-V CPU inside Qwen3.5
Key Point 언어 모델이 외부 도구 없이 정확한 산술 계산과 파일 저장을 수행할 수 있다는 새로운 가능성을 보여주며, AI 안전성 연구와 해석가능성 측면에서도 중요한 아키텍처 실험이다.
핵심 요약
Qwenputer는 Qwen 3.5 4B에 RISC-V CPU를 모델 가중치에 직접 컴파일한 실험적 모델로, 모델의 Gated DeltaNet 어텐션 레이어를 RAM으로 사용한다. Gated DeltaNet 레이어의 게이트를 1로, 쓰기 강도를 1로, 원-핫 키 인코딩을 사용하면 정확한 주소 지정이 가능한 RAM이 되며, 이는 일반 어텐션의 KV 캐시보다 메모리 효율이 높다. CPU는 32비트 RISC-V 코어(RV32IM 명령어 세트)로 모델의 처음 11개 레이어를 차지하며, 컴파일러가 회로 설명을 트랜스포머 레이어의 어텐션 헤드와 피드포워드 유닛으로 변환한다. 전체 요약 11문장 읽기 → 003 15:11 ▲ 157 · 댓글 5 에이전트 메모리의 숨은 대가를 파헤치다 장기 작업을 수행하는 에이전트에서 메모리 시스템의 실제 가치를 검토한 연구를 발표했다. AI · 머신러닝 · Memory Tax: Dissecting the Net Value of Agent Memory
Key Point 에이전트 시스템에서 흔히 사용되는 메모리 메커니즘이 실제로는 직접 검색보다 떨어질 수 있다는 점을 실증적으로 보여주기 때문에, 현재의 메모리 아키텍처 설계 방향을 재검토해야 한다.
핵심 요약
장기 작업을 수행하는 에이전트에서 메모리 시스템의 실제 가치를 검토한 연구를 발표했다. 여러 벤치마크와 모델을 대상으로 대규모 평가한 결과, 많은 전용 메모리 시스템이 단순한 RAG 방식을 하회하는 성능을 보였다. 메모리의 순 가치를 '메모리 이득'과 '메모리 세금'으로 구분했으며, 이는 생 히스토리에서 직접 조회했을 때와의 차이에서 비롯된다. 전체 요약 7문장 읽기 → 004 18:11 ▲ 22 · 댓글 8 단순한 RAG가 복잡한 에이전트 메모리보다 우수하다 LLM의 장기 대화 이해를 위해 사용되는 메모리 시스템은 흔히 변형·구조화·학습 기반 검색 등 복잡한 연산을 적용한다. AI · 머신러닝 · Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought
Key Point LLM 기반 대화 시스템에서 고도의 메모리 아키텍처가 반드시 필요하지 않을 수 있다는 점이 개발자의 시스템 설계 선택을 바꿀 수 있기 때문이다.
핵심 요약
LLM의 장기 대화 이해를 위해 사용되는 메모리 시스템은 흔히 변형·구조화·학습 기반 검색 등 복잡한 연산을 적용한다. 이 논문은 Raw-RAG라는 단순한 RAG 베이스라인을 제안했다: 원본 대화 이력에 대해 밀집 벡터 검색과 재정렬만 수행한 후 증거를 LLM에 제공하는 방식이다. LoCoMo, LongMemEval, MEME, MemoryAgentBench 4개 벤치마크에서 Raw-RAG는 7개 벤치마크-모델 조합 중 6개에서 1위를 차지했으며, 가장 강력한 에이전트 메모리 시스템 대비 0.13~5.53점 높은 성능을 보였다. 전체 요약 7문장 읽기 → 005 22:26 ▲ 102 · 댓글 33 LLM 거부 응답을 영구 손상 없이 우회하는 Engram 기법 기존 가중치 절제(weight abliteration)는 모델 가중치를 영구적으로 변경해 거부 방향을 제거하지만 비거부 작업 성능도 저하시킨다. AI · 머신러닝 · Dynamic Abliteration: Non-Destructive Refusal Suppression via Engram Steering
Key Point LLM의 안전장치를 영구 손상 없이 우회하는 기술이 공개됨에 따라 오픈 소스 모델의 거부 메커니즘 견고성 문제가 현실화되고 있다.
핵심 요약
기존 가중치 절제(weight abliteration)는 모델 가중치를 영구적으로 변경해 거부 방향을 제거하지만 비거부 작업 성능도 저하시킨다. 이 글은 Qwen3-4B 모델을 예로 PyTorch 포워드 훅으로 런타임 중간 잔차 스트림에 개입해 가중치는 완전히 고정한 채 거부 행동을 억제하는 동적 절제(Dynamic Abliteration) 기법을 제시한다. 단일 레이어 벡터 뺄셈은 다운스트림 레이어가 거부 행동을 재구성하므로 작동하지 않음을 시연했다. 전체 요약 10문장 읽기 → 006 03:11 ▲ 26 · 댓글 2 System One/Two 인지로 AI 에이전트 메모리 최적화 Jev-Mem은 인간의 빠른 사고(System One)와 느린 추론(System Two)을 모방한 AI 에이전트 메모리 아키텍처다. AI · 머신러닝 · Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents
Key Point 장시간 작업을 처리하는 AI 에이전트의 성능과 속도가 메모리 관리 효율성에 달려있고, 이 논문이 기존의 비싼 LLM 기반 메모리 시스템을 크게 개선하는 구조를 제시한다.
핵심 요약
Jev-Mem은 인간의 빠른 사고(System One)와 느린 추론(System Two)을 모방한 AI 에이전트 메모리 아키텍처다. System One 제어부가 메모리 타입 지정, 관계 조직화, 쿼리 라우팅, 검색 예산 할당, 그래프 순회, 후보 점수 매김, 적응형 중단을 담당한다. System Two는 복잡한 추론과 답변 종합이 필요할 때만 호출되어 LLM 생성 비용을 줄인다. 전체 요약 5문장 읽기 →