오래 전 했던 ‘미래에 대한 상상’
한 때 - 보통 어렸을 때일 텐데요 - 상상해 봤던 미래가 지금 도래했는지, 예전에 했던 생각을 돌아보는 건 항상 신기하고 재미있는 일이죠.
밑의 그림은, ‘심술통’으로 유명한 만화가, ‘이정문 화백’님이 1965년 그리신 ‘서기 2000년대 생활의 이모저모’라는 상상도라고 합니다. 그 때 기준으로 보면, “앞으로 35년 후에 우리 생활이 어떻게 될까?” 생각해 본 한 장의 그림이죠.
어떠세요? 그림이 나와 있는 2000년대의 생활 모습, 지금하고 비슷한가요?

이정문 화백의 2000년대 생활에 대한 상상도. Image Credit: 전자신문
지금 우리는 AI의 시대를 살고 있다고 해도 과언이 아닌데요. 예전에는, 소위 ‘지식 기계’가 어떤 모습일 거라고 상상했을까요? AI라는게 거의 도표, 그림, SF 등에만 존재하던 시절, 우리의 학교, 사무실, 도시는 어떻게 그려졌을까요?
자, 그럼 지난 한 세기에 걸쳐서 ‘디지털의 미래’라는걸 사람들이 어떻게 상상해 왔는지 한 번 쭉 추적을 해 볼까요? - 스포일러를 하자면, 과거에 우리가 지금 만들어가고 있는 세상을 놀라울 정도로 잘 예측한 걸로 보입니다!

Facetime with style, 1920s
미국의 발명가이자 엔지니아, Vannevar Bush의 Memex부터 시작해 보죠. 1945년에 Vannevar Bush가 고안한 ‘전자기계식 책상’이 Memex인데요, 마이크로필름으로 문서를 불러오고, 생각하는 것만큼 빠른 속도로 각종 아이디어를 연결할 수 있는 개념의 책상입니다. 부피도 꽤 크고, 아날로그식 기계였지만, 그 핵심에 있는 생각들 - 하이퍼텍스트, 개인의 지식 베이스, 정보의 흐름을 요약하고 연결하는데 사용하는 AI 등 - 은 놀랍게도 오늘날 우리가 사용하는 시스템들과 닮아 있습니다.

Memex.
1950년대 상상했던 미래는 ‘버튼’과 함께 찾아왔습니다.
1958년부터 1963년까지, 만화가 Arthur Radebaugh의 ‘Closer Than We Think’는 순수하게 미래를 상상해 본 내용을 그린 일요 만화였습니다. 초기의 만화 중에, 교실에서 학생들은 콘솔형 책상을 앞에 놓고 방송으로 중계되는 선생님의 강의를 보면서, 책상에 부착된 푸시 버튼, 카메라 등으로 소통하는 모습이 등장하는데요. 이 ‘Push-Button School of Tomorrow’는 다소 키치하게 보일지는 모르지만 그 밑바닥의 전제 - 개인화된, 기계가 보조해 주는 학습 - 는 오늘 우리가 여전히 추구하는 에듀테크와 지능형 튜터링 시스템의 핵심이죠. 어때요? 섬뜩할 정도로 비슷한 구석이 있지 않나요?

‘Closer Than We Think’의 초기 만화, Push-Button School of Tomorrow.
그 다음, ‘세계 박람회’와 함께 찾아온 1960년대는 대중에게 ‘대화형 컴퓨팅’이라는 개념을 제시했습니다. ‘자동 튜터 (Auto-Tutor)’, ‘손으로 눌러서 하는 쇼핑’, ‘원격 학습 및 화상 통화용 콘솔’ 등이 그것들이죠. 1968년 스탠리 큐브릭의 영화 ‘2001: 스페이스 오딧세이’에서는 신체는 없는 AI 시스템, HAL 9000을 데뷔시켰습니다 - 이 개념은 여전히 우리가 어시스턴트 기술에 대해 생각할 때 떠올리는 개념이기도 하죠. 이런 문화적 아티팩트나 개념, 소설의 소재 뒤에는 J.C.R. Licklider 같은 진지한 사상가들이 있었는데, 이 사람들은 대부분의 가정에 TV 리모컨조차 없었을 때 ‘Man-Computer Symbiosis’ 같은 논문과 개념을 구상했습니다.

Auto-Tutor 이미지. 미드저니로 그린 거 아닙니다 ^.^
1970년대에 이르러서, Xerox PARC는 다이나북 (Dynabook)을 설계하고 있었는데, 이건 아이들이 배우고, 뭔가 창작하고, 이리저리 사용하면서 탐험해 볼 수 있는 초기의 태블릿이라고 할 수 있습니다. 실제로 출시된 제품은 아니었지만, 이후 아이패드, 노트북, 디지털 교실의 프로토타입 정도라고 할 수 있을 거예요. Alan Kay가 쓴 ‘A Personal Computer for Children of All Ages’라는 논문에서, 이런 장치가 어떻게 작동되는지 자세히 구상하기도 했습니다.

Xerox가 설계한 Dynabook
1980년대에, 드디어 애플이 Knowledge Navigator 비디오를 공개했죠 — 나비넥타이를 맨 대화형 AI가 탑재된, 접이식 태블릿인데, 교수의 강의 준비를 도와줄 정도로 똑똑했어요. 음성 인식, 터치 입력, 그리고 영상 통화 기능도 갖고 있었구요. 그 당시에는 엄청나게 환상적으로 보였겠지만, 물론 지금 보면 어찌보면 우스꽝스럽기도 한 수준이기는 합니다.
1990년대 초에는, 미국의 통신사 AT&T이 했던, 상징적인 캠페인 “You Will”이 있습니다. 기업의 미래를 세련되고 영화같은 감성으로 포장한 캠페인인데, 소위 ‘보이지 않는 기술과 지능’으로 구현하는 미래적인 삶의 모습들이 단편적으로 등장합니다. 1,000마일 떨어진 곳에서 책을 빌린다든지, 길을 누군가에게 물어볼 필요없이 알아서 전국을 횡단한다든지, 차를 운전하다가 멈추지 않고서 통행료를 낸다든지, 해변에서도 팩스를 보낸다든지 하는 것들이요. 그저 일상을 사는 사람들이, 네트워크로 연결된 지능을 사용하는 모습을 보여주면서 ‘앞으로 그렇게 될 것이다 (You Will)’이라고 이야기한 겁니다. 이 캠페인은, 전자책, GPS, 원격의료, 영상통화, 스마트워치, 이런 모든 것이 등장하기 훨씬 전에 그려진 그림이예요.
2000년대 초반에 이르러, Ambient Intelligence 개념이 등장하게 됩니다. 이 시기는 스마트 홈, 디지털 도시, 그리고 지능형 광고판의 시대라고 해도 과언이 아닌데요. MIT의 Project Oxygen은, 그 이름이 상징하듯이, AI라는 걸 ‘자유롭게 이용 가능하고 항상 켜져 있는 무언가’로 설명했습니다 – 마치 산소 자체처럼 말이죠. 이 개념과 함께, ‘지능’이 ‘전면 (책상, 장비, 화면 등)’에서 ‘배경’으로 숨어 ‘환경 그 자체’가 되었습니다.
미래, 이어지는 우리들의 ‘상상’으로부터 구성, 재구성, 실현된다
오래 전부터 상상해 온 ‘미래에 대한 비전’을 살펴보면, 확실하게 두드러지는 점은, 상당히 많은 핵심적인 개념과 아이디어는 변하지 않고 그대로 이어져 왔다는 점이예요. 인터페이스는 변했습니다. 크기는 작아졌죠. 하지만 그 목표 - 인간의 기억력을 보조해서 더 강화한다, 지식 기반 작업을 더 쉽게 하게끔 한다, 환경 자체가 사람의 필요에 반응하게 한다 등 - 는 변함없이 유지되고 있습니다.
물론, 아직까지도 실현되지 않은 아이디어들도 많죠. 완전히 자동화된 교사 없는 교실? 여전히 교육학적으로 복잡하고 어려운 주제죠. 도시에 거주하는 모든 사람들의 니즈에 맞춤화하면서 반응하는 지능형 도시? 역시 진행 중인 - 그것도 초기라고 해야 할 - 작업이죠. 뭔가 요청하기도 전에 뭐가 필요한지 예측하고 미리 준비해주는 디지털 집사? 애플한테 언제쯤 되냐고 물어봐야 할까요? ^.^
이런 ‘오래된 꿈’을 잊지 않고 들여다보는 건 생각보다 중요합니다 - 과거의 사람들이 우리가 만들어가는 것들의 세부 사항들을 맞췄기 때문이 아니라, ‘사람’의 입장에서 ‘디지털 어시스턴트’라는게 뭘 의미하는 걸까를 과감하게 상상했던 것이기 때문이예요. 그 상상들이 결국 디자이너, 엔지니어, 연구자들에게 목표로 삼을만한 뭔가를 제공한 거죠 - 바로 ‘가능성’이요.
1950년대부터 2000년대까지, 우리보다 먼저 이 세상에 살았던 많은 사람들이 상상해 온 그 미래, Push-Button이 가득 찬 교실, 나비넥타이를 맨 에이전트의 상상도를 보면서, 그 시대 사람들의 상상에 대한 존경, 그리고 애정이 섞인 감정이 들었습니다. 우리가 상상하는 미래로부터 진짜 미래가 구성, 재구성되어가면서 점점 세련된 모습으로 또 바뀌어가고 만들어지게 될 겁니다. 역사, 바로 그게 우리 모두의 끝없는 영감의 원천일 거라는 생각이 드네요.
저와 Ksenia는, 우리가 알지 못하는 사이에 우리 주변을 둘러싸고 우리를 위해서 일하고, 우리와 함께 살아가는 ‘Ambient Intelligence’를 더욱 더 많이 상상하고 경험해 보고 싶습니다. 그 때야말로 진짜 우리가 이야기했던 ‘AI가 우리 주변에 전기처럼 퍼져있는 때’일 것 같다고 생각해요.
지금부터 30년 지난 미래의 사람들은, 우리의 상상을 돌이켜보면서 어떤 이야기를 나누게 될까요?
트위터 라이브러리 (Twitter Library) 🐦
트랜스포머 기반의 알고리즘이 어떻게 작동하는지에 대해서 알려면, RoPE (Rotary Position Embedding; 회전 위치 임베딩)를 잘 이해하는게 도움이 됩니다 - 트랜스포머가 텍스트를 이해하는데 있어서 ‘토큰의 순서’가 큰 의미가 있으니까, RoPE는 ‘토큰의 위치’에 따라서 토큰 임베딩을 ‘회전’시켜서 이걸 인코딩하게 합니다. 이런 방식으로, 모델이 어떤 토큰이 첫 번째, 두 번째 등의 순서로 오는지 판단 할 수 있게 하는 거죠.
아래에 서로 다른 경우에 적용되는 8가지 종류의 RoPE 기법을 정리해 봤습니다:
*아직 튜링 포스트 코리아 구독 안 하셨나요? 구독해 주시면 매주 중요한 AI 뉴스를 정리한 다이제스트를 받으실 수 있습니다!
금주의 주목할 만한 업계 동향 📰
오픈AI, 차세대 음성모델 출시
오픈AI가 음성-텍스트 간 변환하는 차세대의 오디오 모델을 출시했습니다. 현재 오픈AI의 API를 통해서 사용할 수 있는데요. 특히 소음이 있는 환경, 억양이 심한 발음, 말의 속도가 빠를 때도 높은 정확도로 음성을 텍스트로 변환해 줍니다. 또, 개발자들이 AI 음성에 다양한 톤과 말투를 쉽게 입힐 수도 있게 되어서, 앞으로 나올 음성 에이전트들은 훨씬 더 자연스러우면서도 개성을 가진 에이전트가 되지 않을까 기대해 봅니다.
Claude에 ‘잠깐 멈춰서 생각하기 (Pause)’ 기능 추가
AI가 점점 똑똑해지고 있지만, 정말 중요한 순간에 ‘잠깐 멈춰서 생각할 수 있는 능력’을 갖춘 적은 없는데요. 앤쓰로픽이 최신 모델인 Claude 3.7에 ‘think’ 도구라는 이름으로 추론 중간에 일시적으로 멈춰서 생각의 과정을 재평가한 다음 더 나은 결정을 내리도록 하는 기능을 추가했습니다. 마치 사람이 글을 쓰다가 말고 ‘이게 맞나?’ 생각하면서 다시 한 번 고민하고 내용을 점검하는 것과 비슷하죠.
효과는 꽤 괜찮은 모양입니다. 앤쓰로픽이 진행한 테스트 결과, 항공 산업 같은 고위험 분야에서 ‘think’ 도구 적용 전후 정확도가 0.370에서 0.570으로 54% 상승했다고 합니다. 실제 작업 현장에서 AI가 실수를 줄이고, 논리적으로 사고할 수 있는 하나의 도구로 사용될 수 있다는 증거 아닌가 싶습니다.
AI 에이전트를 개발하는 경우에는, 실시간으로 스스로 판단을 재검토하고 조정할 줄 아는 에이전트를 만들 수 있겠네요.
Anthropic just announced their new "think" tool which extends the capabilities of agentic workflows through various applications (including the Claude Desktop App, Cursor, Windsurf, etc..)
You can even use this "think" tool as an MCP server, which I've added to mine already and
— Brandon Charleson (@b_charleson)
3:04 PM • Mar 22, 2025
xAI, ‘DeeperSearch’로 Grok을 업그레이드
일론 머스크의 xAI는 ‘속도보다 신뢰성을 중시하는, DeepSearch의 더 세련되고 우수한 버전, DeeperSearch를 출시했습니다. 그리고 또, 프롬프트로 사용하는 포토샵 정도라고 이해하면 될, 텍스트 기반 이미지 편집기도 선보였네요. 다음 단계는 뭘까요? EvenMoreDeeperSearch? ^.^
카이푸 리, DeepSeek처럼 ‘오픈소스’ 전략으로 선회
중국의 AI 구루라고 해야 할까요? 카이푸 리 (Kai-fu Lee), 01.ai를 이끌고 있는데요. DeepSeek이 촉발한 오픈소스로의 거대한 흐름에 올라타면서, ‘모델 개발사’에서 ‘기업의 문제를 해결하는 솔루션 공급사’ 쪽으로도 방향을 틀고 있습니다.
지난 1월 DeepSeek 사태 이후 꽤 많은 중국 AI 스타트업들이 생성형 AI에서 두각을 나타내고 있는 가운데, 카이푸 리는 자사의 전략적 변화가 “벽에 글 쓰듯이 자명한 변화”라고 이야기했습니다. 01.ai도 DeepSeek이 일으킨 파도 위에 올라타서 금융, 법률, 게임 등의 산업 고객에게 AI 솔루션을 공급하고 있습니다.
카이푸 리가 이끄는 01.ai에 대해 튜링 포스트 코리아에서 작년 9월에 커버한 글이 있는데, 그 글도 한 번 살펴보시면 좋겠습니다:
GPU를 무기로 펼치는 엔비디아의 투자 전략
엔비디아의 벤처 부문 NVentures는 계속해서 - 최근에는 더 공격적인데요 - 컴퓨팅 자원을 필요로하는 스타트업들에게 투자하면서 AI의 미래를 그려가고 있습니다. 지난 달에는, 전 딥마인드 연구원 Pete Florence의 로보틱스 회사인 Generalist AI에 투자했고, 합성 데이터 스타트업 Gretel을 3억 2천만 달러에 인수했습니다. Generalist AI는 범용 로봇을 개발하고 있는 회사고, Gretel은 현실의 데이터가 부족할 때 필요한 합성 데이터를 만듭니다. 이 두 회사는 NVIDIA가 하드웨어부터 학습 데이터까지 AI 파이프라인의 수직 통합 구조를 구축하고 있다는 걸 극명하게 보여주는 투자 및 인수 사례죠. 이 외에도 수많은 엔비디아의 투자 포트폴리오들 - 휴머노이드 로봇을 만드는 Figure, 검색 엔진 Perplexity, 정밀 공학 기반의 로보틱스 회사 Moon Surgical 등, 이 모든 회사들은 단순히 GPU를 사용하는게 아니라 GPU를 끝간데까지 쥐어짜내면서 활용하고 그 한계를 시험하는 회사들입니다. 당연히 이 회사들의 제품과 서비스가 CUDA, Omniverse, TensorRT, NeMo, Isaac 등 엔비디아의 전체 인프라 곳곳에 연결되어 있죠.
아무래도 전통적인 VC는 투자의 트렌드를 따라 순환하면서 투자를 할 수 밖에 없는 측면이 있지만, 엔비디아와 NVentures는 컴퓨팅 파워 그 자체가 엔진인 생성형 AI, 로보틱스, 바이오테크 등의 분야에 장기적으로 베팅하고 있습니다. 위에서 이야기한 스타트업들은, 다음 세대의 AI 컴퓨팅 파워의 수요를 만들어낼 일종의 ‘파워 유저’들이죠. 이 파워 유저들과 함께, 엔비디아는 자사 생태계의 영향력을 계속해서 확장하면서 컴퓨팅, 데이터, 자본으로 미래의 AI 방향을 조종하고 있습니다.
이게 바로 엔비디아의 ‘GPU 외교’라고 해야 할까요? GPU 칩을 통해 전략을 이끌고, 거대한 자금을 바탕으로 밑에서부터 영향력을 구축합니다.
엔비디아, ‘ASIC의 위협’에 공격적으로 대응하다
우리나라도 그렇고 해외도 그렇고, 엔비디아의 범용 GPU 중심의 반도체 시장에 출사표를 던진 ASIC 스타트업들이 많습니다. 예전부터 과연 이런 스타트업들이 장기적으로 생존, 성장할 수 있는가에 대해서 갑론을박이 많았죠.
이번 GTC 2025에서, 엔비디아가 블랙웰 GPU, Vera Rubin 아키텍처, Dynami 등의 고도화된 소프트웨어 등을 발표하면서, ASIC의 위협에 공격적으로 대응하겠다는 방향이 명확해졌습니다. 범용 GPU 중심으로 이끌어온 엔비디아의 우위를, 유연성, 에너지 효율성을 높이고, 추론 기반 AI 모델의 성장에 적극적으로 대응하면서 우위를 유지하겠다는 의지를 보였습니다. 자세한 분석은 SemiAnalysis를 한 번 확인해 보세요.
튜링 포스트 코리아팀이 읽고 있는 것들
보시다시피, 제목도 어렵고 그 내용도 어렵더라구요 ^.^; 현대적인 AI 시스템, 특히 LLM의 의식, 자아라는 것에 대해서 철학적으로 탐구한 논문인데요. LLM을 일종의 ‘비신체화된 (Disembodied)’ 의식과 자아라고 봤을 때, 이 개념을 어떻게 이해하면 좋을지 고민하고, LLM의 자아는 파편적이라서 통합된 하나의 자아로 보기는 어렵다는 주장을 개진합니다. AI의 의식 - 이 있다면 - 을 탐구하는 과정을 통해서, 인간의 의식, 자아에 대해서 새로운 통찰을 얻고자 하는 시도라고 하면 될 것 같습니다.
넷플릭스에서 개발한, 사용자에게 더 훌륭한 개인화 컨텐츠를 추천하기 위한 시스템 이야기인데요. 애초에 수많은 추천 모델을 사용하다보니 아무래도 유지 보수가 어려워지기도 하고, 결국은 LLM에서 힌트를 얻어서 하나의 거대 모델로 고객의 취향과 시청 데이터에 기반한 종합적인 추천을 하기 위한 시도를 한 기록입니다. 사용자의 넷플릭스에서의 상호작용 그 자체, 하나 하나를 ‘토큰'으로서 적용하고 Sparse Attention 등의 개념을 적용해서 효과적으로 개인화할 수 있는 추천 엔진을 개발했다고 하네요. 콜드 스타트 등의 문제는 여전히 해결해야 할 문제이긴 한가 봅니다. 개인적으로는, 최근에 주목받는 ‘디퓨젼 모델’과 ‘트랜스포머 모델’을 섞어서 추천 엔진을 만들면 어떨까 생각이 드네요.

동일한 작품에 대한 사용자의 상호작용을 ‘토큰화’해서 모델이 개인화된 예측을 하도록 개발.
Image Credit: 넷플릭스
오픈AI의 CEO인 샘 알트만과의 대담입니다. 지금에까지 이르게 된 샘 알트만의 개인적인 여정, 오픈AI를 소비자용 기술 및 제품 회사로 만들어간다는 것에 대한 그의 생각과 동기, 향후의 방향 등을 이야기하네요. AI, 그리고 혁신의 역사에 이정표를 찍은 AI 모델을 만든 것보다, 10억명이 사용하는 서비스를 만들게 된 게 더 의미있는 거라는 말에서 그의 생각 일부를 엿볼 수 있습니다. 광고 모델로의 전환에는 관심이 없고, 구독 및 커머스 연계 모델에 관심을 가지고 있다고 하구요. 기타 자라나는 청소년에게 주는 조언, 철학적인 질문에 대한 답변 등도 있으니, 꼭 한 번 보시기를 권합니다.
Managing Frontier Model Training Organizations (or Teams) by Nathan Lambert
일반적인 생각과는 달리, 선도 AI 연구소들이 AI 모델을 트레이닝하는 팀의 구성은 꽤 ‘비밀스럽게’ 유지되니다. ‘조직도가 제품을 결정한다’는 말이 있는데, AI 모델의 훈련에도 적용되는 셈이죠. 결국, 조직 구조를 분석하면 해당 조직의 연구 확장 방향, 연구의 규모와 상한선, 가장 많은 컴퓨팅 자원을 사용하는 주체 등을 파악할 수 있는 셈이죠.
팀의 규모, 운영 방향 전반과 AI 모델의 훈련과 관련해서 얻을 수 있는 인사이트와 시사점 등을 살펴볼 수 있으니, 일독하시길 권합니다.
새로 나온, 주목할 만한 연구 논문
‘주목할 만한 최신의 AI 모델’을 먼저 소개하고, 각 영역별로 ‘Top Pick’은 해당 논문 앞에 별표(🌟)로 표시했습니다!
주목할 만한 최신 AI 모델
Microsoft’s KBLaM은 Rectangular Attention을 사용해서 구조화된 지식을 LLM에 통합, 지연 시간이 짧고 환각을 잘 일으키지 않도록 해 줍니다.
Fin-R1은 CoT (Chain of Thought)와 강화학습을 기반으로 금융업에 특화된 LLM을 훈련시켜서, 추론 벤치마크에서 더 큰 사이즈의 모델보다 뛰어난 성능을 발휘합니다.
NVIDIA’s Cosmos-Reason1은 물리적 추론을 할 수 있는 LLM을 구축해서, 실체화된 에이전트 간의 시공간 관계 및 인과관계를 모델링합니다.
NVIDIA’s Cosmos-Transfer1은 멀티모달 디퓨젼, 그리고 시공간 입력값을 사용해서, 잘 제어할 수 있는 시뮬레이션 세계를 생성합니다.
M3는 3D 가우시안 스플래팅을 파운데이션 모델과 결합해서 멀티모달 메모리와 렌더링을 구현합니다.
Roblox’ Cube는 다이나믹하게 상호작용을 하는 환경에서 Text-to-Shape 작업과 장면을 생성하는 작업을 위해서 3D 지오메트리를 토큰화합니다.
Tencent’s T1은 중국의 LLM 경쟁에서 앞서나가기 위해서, 속도도 빠르고 환각이 적은 추론 모델을 출시했습니다.
LLM 아키텍처와 효율성 개선
Rwkv-7 "Goose" by EleutherAI and Tsinghua University는 다이나믹한 상태 진화, 그리고 Constant-Memory 훈련 기법을 통해서 RNN 기반의 LLM 성능을 개선합니다.
ϕ-Decoding by Shanghai AI Lab and collaborators는 추론 시간 (Inference Time)에 ‘탐색’ 작업과 (이미 알고 있는 전략의) ‘활용’ 작업 간의 균형을 맞추기 위해서, ‘특정한 작업의 컴비네이션을 실행’했을 때 미래에 어떤 결과가 나올지를 시뮬레이션합니다.
Frac-connections by ByteDance Seed는 MoE 모델에서 은닉 상태를 복제하는 대신 분할해서 중복성을 줄여 줍니다.
Xattention by MIT, Tsinghua University, SJTU, and NVIDIA는 Block-Sparse 어텐션 메커니즘과 Antidiagonal Scoring으로 추론 속도를 높여줍니다.
Inside-Out by Technion and Google Research는 내부에 존재하는 LLM의 지식이 실제로 생성되는 것보다 꽤 많은 경우에 더 뛰어나다는 것을 밝혀냅니다.
추론 (Reasoning), 강화학습, 파인튜닝 기법
Dapo by ByteDance & Tsinghua University는 오픈소스 도구들을 사용해서 수학 과제를 해결하기 위해서 강화학습으로 LLM을 파인튜닝합니다.
Reinforcement learning for reasoning in small LLMs by VNU University of Science는 최소한의 컴퓨팅 파워를 사용해서 GRPO로 작은 LLM을 훈련시켜서, 더 큰 모델보다 뛰어난 성능을 발휘하게 합니다.
MetaLadder by Shanghai AI Lab은 수학적 추론 성능을 향상시키기 위해서 ‘유추적인 문제를 해결하는 패턴’을 전이 (Transfer)합니다.
읽어주셔서 감사합니다. 프리미엄 구독자가 되어주시면 튜링 포스트 코리아의 제작에 큰 도움이 됩니다!



