Live · 오후 6:00 슬롯
2026년 5월 2일 토,
frontline 정리.
AI 3건 · 일반 2건
전체 슬롯발행 5월 2일 PM 06:18
AI · Models
18일 전
LLM 시대의 에이전트 RL 재정의
전통적인 강화학습은 좁게 정의된 환경에서 보상함수를 최적화하는 데 머물렀다. 이 논문은 LLM 기반 에이전트가 등장하면서 RL이 자율적 목표 설정·장기 계획·동적 전략 적응으로 확장되는 흐름을 정리한 서베이다. 메타 추론과 자기 성찰, 다단계 의사결정을 학습 루프 안에 직접 끼워 넣는 것이 핵심 변화로 꼽힌다. 개념적 기반, 방법론 혁신, 미해결 과제까지 묶어둔 카탈로그 성격의 논문.
왜 지금Claude Code·Cursor 같은 에이전트 도구가 일상화된 지금, 이런 시스템을 어떻게 학습시키는지 큰 그림을 잡아둘 시점이다.
써먹기사이드 프로젝트의 작업 자동화 에이전트를 설계할 때 보상·자기 성찰 루프를 어떻게 구성할지 참고용 카탈로그로 쓸 수 있다.
AI · Models
18일 전
LLM 에이전트의 ‘불안 곡선’ 만들기
임상 환경에 투입된 LLM 에이전트는 보통 임계값을 넘는 순간 급격하게 행동이 바뀌어, 위험이 쌓이는 과정을 사람이 들여다보기 어렵다. 이 논문은 메모리 없는 risk encoder에 1·2차 동역학을 씌워 ‘연속적인 우려 압력 신호’를 만든다. 2차 동역학을 적용하면 임계점 직전까지의 우려가 매끄럽게 누적되는 trajectory가 드러나, 의사가 개입할 시간을 번다. 임상에 한정되지 않고, 임계값 행동을 보이는 에이전트 시스템 일반에 옮길 수 있는 아이디어다.
왜 지금AI 안전 논의가 ‘문턱을 넘었나/안 넘었나’에서 ‘얼마나 오래 위험이 누적됐나’로 이동하는 신호.
써먹기에이전트의 의사결정 로그에 1·2차 적분형 위험 점수를 같이 찍어두면 사후 디버깅과 알람 튜닝이 한결 쉬워진다.
AI · Models
18일 전
14개 억양 콜센터 ASR 데이터셋
공개된 영어 ASR 평가 코퍼스는 대부분 짧게 잘려 있거나 낭독체이거나 방언 라벨이 없어, 다양한 사용자 환경의 강건성을 측정하기 어려웠다. AppTek은 14개 영어 억양과 16개 서비스 시나리오의 즉흥 롤플레이 대화로 구성된 콜센터 코퍼스를 평가 전용으로 새로 제작했다. 데이터가 사전학습 코퍼스에 들어가 있을 가능성이 낮아 오염 없는 평가가 가능하다. 오픈소스 ASR 시스템들을 돌려본 결과, 미국 영어에서 잘 작동하던 모델이 다른 억양으로는 그대로 이어지지 않는다는 점이 다시 확인됐다.
왜 지금음성 에이전트·콜봇 빌드가 늘어나는데, 영어 ASR 벤치마크가 미국 억양에 과적합돼 있다는 사실이 다시 드러난다.
써먹기음성 입력을 받는 사이드 프로젝트라면 사용자 억양 분포를 먼저 가정하고, 그 분포에 맞춰 ASR 모델을 평가·선택해야 한다.
Dev · Tools
17일 전
Brainfuck로 짠 ChaCha20
ChaCha20 스트림 사이퍼를 Brainfuck로 직접 구현한 결과물 + 회고. 14만 줄 가까운 Brainfuck 명령으로 quarter-round 20라운드를 돌리며, 가장 느린 부분은 octet 단위로 자리올림을 수동 처리해야 하는 덧셈이라고 설명한다. ARX 사이퍼라 ‘CPU 친화적’이라 불리지만, byte 단위 증감만 가진 Brainfuck에는 그 친화성이 닿지 않는다. ‘튜링 완전이 곧 실용은 아니다’라는 결론이 본문 전체의 톤을 잡는다.
왜 지금암호 알고리즘을 깊이 이해하는 가장 빠른 길은 표현력이 가장 모자란 언어로 구현해보는 것이라는 오래된 명제의 새 사례.
써먹기AI 보조로 알고리즘을 짜는 시대일수록, ‘왜 이 연산이 빠른가/느린가’를 한 번은 직접 추적해 보는 게 디버깅 직관에 도움이 된다.