Ai Research

Sebastian Raschka가 GPT-6 Astra, looped transformers, hidden reasoning을 분석했다. 반복 깊이는 성능을 올리지만 비용, 벤치마크, 감사 가능성의 기준을 흔든다.

반복 깊이와 숨은 추론은 모델이 더 적은 외부 토큰으로 더 많은 계산을 하는 방향이다. 이는 사용자 경험을 좋게 만들 수 있지만, 운영자는 내부 계산량과 실패 경로를 더 보기 어렵게 된다.

GPT-5.5 Pro 추론 1%를 넣자 Qwen3.8 A95B의 답변 겹침이 16.79%에서 34.97%로 뛰었다. 오픈 모델 경쟁은 성능보다 출처와 검증의 싸움이 되고 있다.

추론 프리필 실험은 성능 점수보다 모델 계보와 데이터 출처를 묻는 실험이다. 오픈 모델이 빨라질수록 기업은 성능표와 함께 재현 가능한 provenance 검증을 요구하게 된다.

연속 확산 언어모델 논의가 다시 살아났다. 자기회귀 LLM 독주 속에서 병렬 생성, 편집, 추론 비용을 둘러싼 대안 연구가 제품 전략 변수로 떠오른다.

확산 언어모델은 당장 챗봇 시장을 바꾸기보다 추론 지연, 부분 편집, 병렬 생성이라는 병목을 다시 질문하게 만든다. 연구의 가치는 대체보다 압력에 있다.

Princeton 연구진의 RFIC 자동 설계 흐름은 강화학습, 역설계, 확산모델을 결합한다. 반도체 EDA와 한국 팹리스에 주는 의미를 분석한다.

RFIC 자동 설계는 LLM 코딩보다 느리게 보이지만 산업 파급은 더 깊다. 숙련자의 직관을 대체하기보다 설계 공간 탐색의 단위를 바꾸는 흐름이다.

Age of Empires II 논문은 LLM을 사람처럼 해석하는 연구 관행에 측정 기준의 빈틈이 있음을 드러낸다. AI 평가와 제품 문구 모두에 영향을 준다.

LLM의 이해와 의도를 말하려면 먼저 무엇을 어떻게 측정했는지 밝혀야 한다. 그렇지 않으면 모델 성능이 아니라 관찰자의 해석을 평가하게 된다.