에이전위키 뉴스레터의 첫 호입니다. 지난 기간 동안 정리한 가이드들을 다시 훑어보니, 하나의 흐름이 보입니다. 모델을 더 크게 만드는 이야기보다, 모델이 실제로 무엇을 하고 있는지를 들여다보는 이야기가 많아졌다는 점입니다. 이번 호에서는 최근 발행한 여덟 편을 주제별로 짚어보며, 각 글이 어떤 질문에 답하려 했는지 간단히 소개합니다.
연구를 읽는 새로운 렌즈
과학은 홀로 태어나지 않습니다. 과학 아이디어의 계보 추론과 계보 기반 아이디어 생성 평가는 아이디어가 어디에서 왔는지를 모델이 추적하게 하고, 그 계보를 근거로 새 아이디어의 질을 평가할 수 있는지를 묻습니다. 생성보다 '출처의 이해'를 평가 축으로 삼는다는 점이 눈길을 끕니다.
학습 현장의 데이터
고등교육 AI 학습 도우미의 실제 이용 행태는 7만여 명의 로그를 분석해, 학생들이 AI 조교를 실제로 어떻게 쓰는지를 관찰합니다. 설계자의 기대와 실제 사용 사이의 간극을 보여주는 자료로, 교육용 도구를 만드는 사람이라면 한 번쯤 참고할 만합니다.
학습 기법을 다시 단순하게
SLORR: 학습 중 저계수 정규화를 단순하게는 복잡한 정규화 장치 대신 저계수 구조를 학습 과정에 가볍게 얹는 접근을 정리합니다. '더 단순한 쪽이 유지보수와 이해 모두에 낫다'는 관점을 실험으로 뒷받침하려는 시도입니다.
추론을 다른 양식으로 옮기다
OpenCoF: 프레임 연쇄로 영상 생성 모델에 추론 학습은 텍스트에서 익숙해진 사고의 연쇄(chain-of-thought) 개념을 영상 프레임의 연쇄로 옮겨봅니다. 생성 모델이 프레임을 이어가며 '추론하듯' 장면을 전개할 수 있는지를 탐구합니다.
겉보기와 실제의 차이
양자화된 LLM의 겉보기 동일성은 정확도 지표가 같아 보여도 양자화 전후의 행동이 달라질 수 있음을 지적합니다. 벤치마크 점수만으로 '동일한 모델'이라 결론짓는 관행에 조심스러운 물음표를 던지는 글입니다.
워크플로를 지식으로
LLM 워크플로를 지식 객체로 다루기는 한 번 쓰고 버리는 프롬프트 사슬 대신, 워크플로 자체를 의미가 유지되는 지식 객체로 보관하자는 제안을 다룹니다. 재사용과 축적의 관점에서 실무자에게 시사점이 많습니다.
평가와 이해의 도구들
마지막 두 편은 '보는 방법'에 관한 이야기입니다. 대시캠 사고 이해를 위한 비전-언어 모델 평가 벤치마크는 사고 영상을 모델이 얼마나 정확히 읽어내는지를 측정할 벤치마크를 제시하고, UMAP의 내부 kNN 그래프를 활용한 고차원 데이터 이해는 UMAP이 내부적으로 쓰는 kNN 그래프를 시각화가 아닌 분석 대상으로 되살려 고차원 데이터를 읽는 또 다른 방법을 소개합니다.
이번 호의 공통된 결은 '결과 이전에 과정을, 점수 이전에 행동을 본다'는 태도였습니다. 다음 호에서 다시 찾아뵙겠습니다. 관심 있는 주제나 다뤘으면 하는 연구가 있다면 언제든 알려주세요.