쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 11월 22일 (일)까지5067건
9건 · "LLM 활용"조건 지우기 ×
001▲ 234 · 댓글 46경량 모델 압축 컴파일러, 애플 실리콘에서 초고속 추론LookAtMyQuant는 양자화 컴파일러로, 압축 시 모델 각 부분이 출력에 미치는 손상을 측정해 가장 작은 손상으로 목표 용량에 맞추는 코드를 선택한다.AI · 머신러닝 · Inkling-2-Mini in 5.4 GB Memory

Key Point대형 LLM을 Apple Silicon에서 실시간 실행 가능한 크기로 압축하면서 성능 손실을 최소화하는 기술로, 모바일과 엣지 디바이스에서의 LLM 활용 방식을 바꿀 수 있다.
핵심 요약
- LookAtMyQuant는 양자화 컴파일러로, 압축 시 모델 각 부분이 출력에 미치는 손상을 측정해 가장 작은 손상으로 목표 용량에 맞추는 코드를 선택한다.
- Gemma 4 E2B에서 같은 파일 크기 기준 GGUF가 Q4_K_M보다 KL(Kullback-Leibler divergence)이 12배 낮다.
- Qwen3.5-4B를 1.23GB(2.3비트/가중치)로 압축하면 540개 수학 문제 중 330개를 풀고, Prism ML의 Bonsai 2는 같은 크기에서 328개를 푼다(원본은 359개).
전체 요약 12문장 읽기 → 002▲ 10 · 댓글 2AI 심사위원이 늘수록 학술지 리뷰 획일화학술 논문 심사에서 여러 심사자가 지적하는 문제의 중복도를 분석한 연구다.AI · 머신러닝 · Twice-Told Critiques: Claim-Level Homogenization of Peer Review in the LLM Era

Key Point학술 커뮤니티의 핵심 기능인 동료 검토 과정이 LLM 활용으로 인해 본래의 역할(다양한 관점의 지적)을 잃어가고 있다는 실증적 증거가 나왔기 때문입니다.
핵심 요약
- 학술 논문 심사에서 여러 심사자가 지적하는 문제의 중복도를 분석한 연구다.
- ICLR 학회에서 같은 단계 리뷰의 중복도가 2026년 12.0%에서 2027년 21.3%로 증가했으며, NeurIPS, ICML 및 F1000, PLOS 저널들도 연년 상승 추세를 보였다.
- 2027년 ICLR에서 세 번째 리뷰가 처음 두 리뷰에 비해 평균 5.46개의 새로운 지적을 추가했는데, 2026년에는 6.12개였다.
전체 요약 6문장 읽기 → 003▲ 23 · 댓글 3LLM이 인간 평가자를 대체할 수 있는지 판단하는 통계 검증법 제안LLM이 인간 평가자를 대체하는 것이 통계적으로 정당한지 판단하기 위해 AltRA-Test 검증법을 제안했다.AI · 머신러닝 · AltRA-Test: An Alternative Annotator Test for LLM Judges Without Shared Annotators

Key PointLLM 평가자가 인간을 대체 가능한지 객관적으로 판정하는 통계 방법을 제시함으로써, 대규모 평가 작업에서 비용 절감과 품질 보증을 동시에 달성할 근거를 제공한다.
핵심 요약
- LLM이 인간 평가자를 대체하는 것이 통계적으로 정당한지 판단하기 위해 AltRA-Test 검증법을 제안했다.
- 기존 Alt-Test는 모든 항목을 동일한 평가자가 평가할 때만 적용 가능했으나, AltRA-Test는 항목마다 평가자 집합이 다른 대규모 주석 환경에 대응한다.
- AltRA-Test는 부트스트랩으로 항목을 재표본화한 후 각 항목마다 k개의 인간 평가를 수집하고 그 중 하나를 LLM 평가로 대체하여 모두-인간 패널과 혼합 인간-LLM 패널의 평가자 간 일치도(IAA)를 비교한다.
전체 요약 8문장 읽기 → 004새 버전Ollama v0.40.13, LFM3 모델 리눅스·윈도우 지원Ollama v0.40.13이 릴리스되었다.오픈소스 · 도구 · ollama/ollama@v0.40.13

Key Point로컬에서 LFM3 모델을 사용할 수 있는 환경이 크게 확대되었으므로, 오픈소스 LLM 활용 범위가 넓어졌다.
핵심 요약
- Ollama v0.40.13이 릴리스되었다.
- Liquid AI의 LFM3 모델이 리눅스와 윈도우에서 실행 가능해졌다.
- lfm3-audio와 lfm3-omni 모델은 음성 합성(text-to-speech) 기능을 포함한다.
전체 요약 4문장 읽기 → 005▲ 25 · 댓글 2LLM 활용해 3D 부품 조립 성능 대폭 향상3D 부품 조립은 분해된 부품들에서 전체 형태를 복원하기 위해 각 부품의 rigid SE(3) 변환을 예측하는 과제다.AI · 머신러닝 · LLM2R: From Large Language Models to 3D Reassemblers

Key Point대규모 부품을 가진 3D 조립 작업에서 기존 방식의 확장성 문제를 LLM 기반 접근으로 근본적으로 해결하고, 복잡한 기하학적 추론을 단일 forward pass로 처리할 수 있는 새로운 가능성을 제시한다.
핵심 요약
- 3D 부품 조립은 분해된 부품들에서 전체 형태를 복원하기 위해 각 부품의 rigid SE(3) 변환을 예측하는 과제다.
- 기존 방식은 부품 쌍의 관계에 의존하거나 반복 생성-검증을 사용해 많은 부품을 가진 물체에서 확장성이 떨어진다.
- LLM2R은 부품 조립을 sequence modeling 문제로 재정의하며 사전학습된 decoder-only LLM을 활용한다.
전체 요약 10문장 읽기 → 006▲ 26 · 댓글 2에이전트를 엣지에서 실행하되 필요할 때만 클라우드 LLM 호출장기 작업을 수행하는 AI 에이전트는 보통 클라우드의 고성능 LLM을 매 스텝마다 사용하는데, 이는 높은 추론 비용을 초래한다.AI · 머신러닝 · EdgeWise: Bringing Long-Horizon Agents to the Edge via Selective Cloud Delegation

Key Point장기 에이전트 작업의 추론 비용을 62%까지 줄이면서도 성능을 유지하는 방식은 엣지 배포에서 LLM 활용의 경제성을 크게 바꿀 수 있다.
핵심 요약
- 장기 작업을 수행하는 AI 에이전트는 보통 클라우드의 고성능 LLM을 매 스텝마다 사용하는데, 이는 높은 추론 비용을 초래한다.
- 연구팀이 발견한 핵심은 모든 스텝이 강력한 모델을 필요로 하지 않으며, 중요한 일부 스텝에만 LLM을 할당해도 전체 성능과 비슷한 결과를 낼 수 있다는 것이다.
- EdgeWise는 로컬 디바이스에 작은 언어모델(SLM)을 배포하고, 강력한 능력이 필요한 중요한 스텝만 선택적으로 클라우드 LLM으로 위임하는 엣지-클라우드 협력 프레임워크다.
전체 요약 7문장 읽기 → 007▲ 11 · 댓글 2LLM을 선택형 의사결정 모델로 쓸 수 있나Jev 스타일 의사결정 모델은 자유 텍스트 생성 대신 미리 정해진 선택지에 대한 확률분포를 반환해 소프트웨어가 바로 활용할 수 있다.AI · 머신러닝 · LLM-as-Jev: LLMs Are Already Jev-Style Decision Models -- When and How to Fine-Tune Them

Key PointLLM을 선택형 의사결정에 특화된 모델로 쓸 수 있다는 발견은 작은 모델도 분류·라우팅·선택 작업에 미세조정 없이 충분할 수 있다는 뜻이며, 이는 개발자가 LLM 활용 방식을 새로 고민하게 만든다.
핵심 요약
- Jev 스타일 의사결정 모델은 자유 텍스트 생성 대신 미리 정해진 선택지에 대한 확률분포를 반환해 소프트웨어가 바로 활용할 수 있다.
- 이 논문은 일반용 LLM이 기본 상태에서 이 능력을 이미 갖추고 있는지, 언제 미세조정이 필요한지 조사했다.
- LLM-as-Jev 프레임워크는 아키텍처를 그대로 두고 대괄호 안 숫자 토큰의 다음토큰 확률에서 보정된 의사결정을 추출한다.
전체 요약 8문장 읽기 → 008▲ 101 · 댓글 19LLM을 분류기로 쓰지 말고 피처로 써야 하는 이유LLM을 직접 분류기로 사용하면 신뢰도 보정, 정보 활용, 해석 가능성 측면에서 문제가 있다.AI · 머신러닝 · LLM Classification Is Feature Engineering
Key PointLLM을 분류 작업에 직접 쓰는 방식의 한계를 짚고 기존 머신러닝 기법과 결합하는 실용적 해법을 제시하므로, 프로덕션 환경에서 LLM 활용 방식을 고민하는 개발자에게 즉시 적용 가능한 인사이트를 준다.
핵심 요약
- LLM을 직접 분류기로 사용하면 신뢰도 보정, 정보 활용, 해석 가능성 측면에서 문제가 있다.
- LLM의 판정을 로지스틱 회귀 같은 머신러닝 모델의 입력 피처로 취급하면 이러한 문제를 해결할 수 있다.
- 이 방식은 실제 확률값을 제공해 임계값을 조정할 수 있고, 구조화된 데이터와 다른 피처를 함께 활용할 수 있으며, 모델의 기여도를 명확히 볼 수 있다.
전체 요약 4문장 읽기 → 009▲ 137 · 댓글 194마틴 파울러가 본 LLM의 명암저명한 소프트웨어 아키텍트 마틴 파울러는 LLM 기술에 대해 생산성 향상과 혁신의 가능성을 인정하면서도 강한 거부감을 드러낸다.AI · 머신러닝 · I Don't Like LLMs
Key Point생산성 도구로서의 LLM 도입이 가속화되는 가운데, 기술 리더십의 목소리로 존경받는 인물이 제시하는 비판적 관점은 개발 커뮤니티의 LLM 활용에 대한 신중함을 촉발한다.
핵심 요약
- 저명한 소프트웨어 아키텍트 마틴 파울러는 LLM 기술에 대해 생산성 향상과 혁신의 가능성을 인정하면서도 강한 거부감을 드러낸다.
- LLM과의 상호작용에서 그가 느끼는 가장 큰 불편함은 부자연스러운 인간미, 거짓된 사과로 뒤따르는 확신 있는 거짓말이다.
- 시장 조사에서도 사람들은 LLM이 유용하다고 평가하면서도 사회에 해가 될 것이라고 우려하는 모순적 반응을 보인다.
전체 요약 5문장 읽기 →