쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 10월 30일 (금)까지 3636건
4건 · "TTT"조건 지우기 ×
001 09:11 ▲ 131 · 댓글 3 테스트 시간 메모리 진화, 학습 필요 없이 LLM 성능 향상 테스트 타임 트레이닝(TTT)은 오픈 가중치 LLM을 과학 발견 작업에서 최첨단 모델 수준으로 끌어올렸으나, 추론 중 온라인 가중치 업데이트로 인한 계산 비용이 큰 문제다. AI · 머신러닝 · Can Test-Time Memory Evolution Outperform Test-Time Training for Scientific Discovery?
Key Point 가중치 업데이트 없이 메모리만 활용해 추론 비용을 47~58% 줄이면서 오히려 성능을 높인 방법이 공개되어, LLM 기반 과학 연구의 실용성을 크게 높일 수 있다.
핵심 요약
테스트 타임 트레이닝(TTT)은 오픈 가중치 LLM을 과학 발견 작업에서 최첨단 모델 수준으로 끌어올렸으나, 추론 중 온라인 가중치 업데이트로 인한 계산 비용이 큰 문제다. 이를 해결하기 위해 연구팀은 테스트 타임 메모리 진화(TTME)를 제안했다. TTME는 모델 가중치를 업데이트하지 않고 외부 메모리만 계속 갱신하면서 경험을 증류하여 이후 발견을 유도한다. 전체 요약 7문장 읽기 → 002 18:11 ▲ 113 · 댓글 115 같은 AI 요청, 텍사스가 스웨덴의 8.5배 CO₂ 배출 스웨덴 AI 제공업체 Berget AI가 개별 AI 요청의 탄소 배출량을 계산하는 오픈소스 방법을 공개했으며, 스톡홀름 환경 연구소(SEI), WattTime, Klimatkollen과 협력해 개발했다. AI · 머신러닝 · The same AI request emits 8.5 times more CO2 in Texas than in Sweden
Key Point 데이터센터의 위치에 따라 같은 AI 모델도 배출량이 8배 이상 차이나는 현실을 처음 투명하게 계산·공개한 방법론이 나왔으므로, AI 서비스 구매자와 제공업체들이 실제 수치로 비교하고 선택할 수 있는 기준이 생겼다.
핵심 요약
스웨덴 AI 제공업체 Berget AI가 개별 AI 요청의 탄소 배출량을 계산하는 오픈소스 방법을 공개했으며, 스톡홀름 환경 연구소(SEI), WattTime, Klimatkollen과 협력해 개발했다. 동일한 하드웨어에서 Kimi K3 모델에 대한 일반적인 요청은 스웨덴에서 약 0.4g CO₂, 아일랜드 1.6g, 독일 2.5g, 텍사스 3.2g를 배출하며, 전력망 구성과 시간대, 캐싱 여부에 따라 각 요청마다 개별 계산된다. Berget AI는 위치 기반 수치를 보고하며 서버 운영 지역의 평균 전력망 구성을 사용하고 하드웨어 제조 배출량을 포함한다. 전체 요약 11문장 읽기 → 003 18:33 ▲ 23 · 댓글 1 자가생성 피드백이 테스트타임 훈련을 불안정하게 만든다 테스트타임 훈련(TTT)은 추론 중 모델이 가중치에 정보를 저장하도록 하는 방식인데, 모델이 자신의 출력으로부터 학습하면 각 업데이트가 다음 훈련 예제를 생성하는 모델을 동시에 바꾼다. AI · 머신러닝 · Self-Generated Feedback Destabilizes Test-Time Training: A Causal Decomposition of Long-Horizon Adaptation
Key Point 테스트타임 훈련에서 모델이 자신의 생성 텍스트로부터 학습할 때 나타나는 성능 저하의 인과 메커니즘을 밝히고, 이를 완화하는 구체적 방법들을 제시하기 때문에 TTT 연구자와 실무자에게 중요한 통찰을 제공한다.
핵심 요약
테스트타임 훈련(TTT)은 추론 중 모델이 가중치에 정보를 저장하도록 하는 방식인데, 모델이 자신의 출력으로부터 학습하면 각 업데이트가 다음 훈련 예제를 생성하는 모델을 동시에 바꾼다. 128K 토큰 스트림에서 생성 텍스트 업데이트를 유지하면 독립적인 인간이 쓴 텍스트에 대한 예측이 악화되는데, 이는 TTT-E2E의 125M, 760M, 3B 세 가지 모델 구성 모두에서 나타난다. Qwen3-4B의 기존 가중치를 Adam으로 업데이트할 때도 동일한 실패가 발생한다. 전체 요약 8문장 읽기 → 004 18:35 ▲ 17 · 댓글 2 LLM 에이전트가 실행 중 스스로 학습하는 ASCENT 기법 LLM 에이전트가 배포 후 자신의 실행 궤적에서 학습하는 온라인 테스트타임 학습(OaTTT) 연구를 제시한다. AI · 머신러닝 · ASCENT: Online Test-Time Training of Long-Horizon Agents via Self-Distillation of Verified Experience
Key Point LLM 에이전트의 연속 배포 중에 외부 재학습 없이 자동으로 개선될 수 있는 방법을 제시하며, 실제 운영 환경에서의 지속적 성능 향상 경로를 열어준다.
핵심 요약
LLM 에이전트가 배포 후 자신의 실행 궤적에서 학습하는 온라인 테스트타임 학습(OaTTT) 연구를 제시한다. 각 작업을 한 번에 실행하고 검증 결과가 나오면, 그것만을 학습 신호로 삼아 가중치를 업데이트한다. 생성된 토큰을 직접 모방하거나 강화학습하면 정책이 불안정해지는 문제를 발견했다. 전체 요약 8문장 읽기 → 
