FEEDON
AI NEWS
-
FLUX 3와 공개 코드 데이터가 함께 커진 이유
latent.space 2026-07-24 호를 바탕으로 FLUX 3, The Stack v3, Qwen-Audio-3.0-TTS, Etched, 오스트리아 정부 플랫폼을 정리합니다. The Stack v3의 114 TB 원시 데이터와 5T 토큰이 왜 중요한지도 봅니다.
-
AgentCore Identity에 Private Key JWT가 붙었습니다
AWS AgentCore Identity의 Private Key JWT 지원을 정리합니다. KMS 비대칭 키, RS256·PS256·ES256, 3가지 grant flow, 공개 키 형식 차이와 실무 점검 항목까지 함께 확인할 수 있습니다.
-
자연어로 Grafana 장애 원인을 좁히는 SRELens
LY Corporation Home SRE 팀이 Grafana용 SRELens를 만든 이유와 구조를 정리합니다. 메트릭·로그·트레이스를 자연어로 묶고, 라벨 분리와 프롬프트 레이어로 운영 제어를 강화했습니다. 원문은 한도 초과 시 HTTP 429를 반환합니다.
OPEN SOURCE
-
Kimi K3를 AWS에 배포할 때 먼저 확인할 조건
AWS의 Deploying Kimi K3 on AWS를 바탕으로 Kimi K3의 2.8 trillion 파라미터 MoE 구조, 104 billion 활성 파라미터, ml.p6-b300.48xlarge 예약 용량 요구와 SageMaker HyperPod·Amazon EKS 경로를 정리합니다.
-
FLUX-dev 메모리를 줄인 Diffusers 양자화 비교
Diffusers가 FLUX-dev에서 bitsandbytes 4-bit·8-bit와 BF16을 비교한 수치를 정리합니다. BF16은 31.447 GB였고, 4-bit는 12.584 GB, 8-bit는 19.273 GB였습니다. 측정은 1x NVIDIA H100 80GB GPU에서 이뤄졌습니다.
-
pkgxray는 설치 전을 검사합니다
GitHub의 pkgxray가 npm 패키지와 MCP 서버를 설치 전 정적 분석하는 방식, [email protected]의 SAFE A+ 99/100 판정, 15/16 파일 일치, 그리고 실무에서 설치와 연결 앞단에 둘 점검 지점을 정리합니다.
RESEARCH
-
PipelineRL이 대규모 RL의 지연을 줄인 방식
PipelineRL이 추론 처리량과 정책 일치 데이터 수집의 충돌을 실행 중 가중치 갱신으로 줄인 방식을 정리합니다. 7B 실험은 2개 노드에서 ~3.5일이었고, 배치 크기 4096·학습률 1e-6·최대 생성 토큰 수 8192를 같은 설정으로 썼습니다.
-
하네스 설정 두 개가 ARC-AGI-3 점수를 바꿨다
OpenAI가 공개한 ARC-AGI-3 분석을 바탕으로, GPT-5.6 Sol의 점수가 7.8%에서 38.3%로 달라진 이유를 정리합니다. 하네스 설정, 유지된 추론, 175,000 문맥 한계, 출력 토큰 6x 감소, 공개 집합 수치도 함께 읽습니다.
-
Lean 증명에서 92.2%를 만든 TTRL 검색
huggingface.co의 Kimina-Prover 글을 바탕으로 miniF2F-test에서 pass@1 63.9, pass@32 84.0, 최종 92.2%가 나온 구조와 오류 수정·lemma 재사용의 실무 포인트를 정리합니다.
AUTOMATION
-
Amazon Quick로 이탈 고객 대응을 분 단위로 바꾼 흐름
aws.amazon.com 글을 바탕으로 Amazon Quick가 five days 걸리던 이탈 대응을 minutes로 줄이는 흐름을 정리합니다. CSAT 1–5 점수, 12% 손실, 2 이하 기준과 S3 자동화까지 확인할 수 있습니다.
-
사내 GPU에서 검증된 코드 보조기를 운영하는 구조
developer.nvidia.com의 「How to Self-Host a Validated AI Coding Assistant with NVIDIA NeMo Guardrails」를 바탕으로, 24 GB GPU 요건과 9101 포트 지표 수집, H100/H200 파일럿 조건, CI 검증의 의미를 정리합니다.
-
Yorishiro는 AI 에이전트를 터미널에 들인다
github.com의 Yorishiro가 터미널 안에 AI 에이전트를 들이는 방식과, React 19와 TypeScript 5.8, macOS 대상, Homebrew cask 설치, API 키 미사용, 서명 검증 업데이트까지 원문 수치로 정리합니다.
전체 글
-
pkgxray는 설치 전을 검사합니다
GitHub의 pkgxray가 npm 패키지와 MCP 서버를 설치 전 정적 분석하는 방식, [email protected]의 SAFE A+ 99/100 판정, 15/16 파일 일치, 그리고 실무에서 설치와 연결 앞단에 둘 점검 지점을 정리합니다.
-
Fly.io가 스프라이트에 베팅하며 대표를 바꾼 이유
fly.io가 공개한 대표 교체와 Sprites 재편 배경을 분석합니다. 각 Sprite의 영구 디스크는 100GB이며, 회사가 에이전트 중심 전략으로 방향을 바꾼 이유를 정리합니다.
-
Lean 증명에서 92.2%를 만든 TTRL 검색
huggingface.co의 Kimina-Prover 글을 바탕으로 miniF2F-test에서 pass@1 63.9, pass@32 84.0, 최종 92.2%가 나온 구조와 오류 수정·lemma 재사용의 실무 포인트를 정리합니다.
-
SmolLM3가 3B급에서 앞선 이유
Hugging Face가 공개한 SmolLM3의 핵심을 정리합니다. 3B 모델이 Llama-3.2-3B와 Qwen2.5-3B를 앞선 이유, 128k 문맥, 384 H100, 24일 학습 수치와 GQA·NoPE의 역할을 함께 봅니다.
-
끊지 않고 Hub를 Xet로 옮긴 운영 설계
Hugging Face의 Xet Team은 Git LFS를 한 번에 끊지 않고 Hub를 옮겼습니다. 배포 직후 약 6%의 Hub 다운로드가 새 인프라를 탔고, 6개월 동안 500,000개 저장소와 20 PB가 이동했습니다. 실무에서는 호환성 경로, 배경 이전, 배치 기준, 피크 처리량을 따로 점검해야 합니다. huggingface.co의 「Migrating the Hub from Git LFS to Xet」는 Hub의 저장소 체계를 Git LFS에서 Xet로…
-
Yorishiro는 AI 에이전트를 터미널에 들인다
github.com의 Yorishiro가 터미널 안에 AI 에이전트를 들이는 방식과, React 19와 TypeScript 5.8, macOS 대상, Homebrew cask 설치, API 키 미사용, 서명 검증 업데이트까지 원문 수치로 정리합니다.
-
gpt-oss가 보여준 transformers 최적화의 실전 단서
Hugging Face의 gpt-oss 최적화 글을 바탕으로 transformers의 커널 허브, MXFP4, Flash Attention 3를 정리합니다. torch.compile은 2–10× 향상을 언급합니다.
-
주피터 노트북을 작은 모델 학습 데이터로 바꾼 이유
huggingface.co의 Jupyter Agents 글을 바탕으로 DABStep에서 Claude 4 Sonnet이 20%에도 못 미친 이유, 44.4%→59.7% 개선, 2TB→250GB 정제 과정을 정리합니다. 작은 모델과 노트북 기반 에이전트의 병목을 실무 기준으로 봅니다.
-
OpenAI GPT OSS가 보여준 공개 모델 기준
OpenAI의 GPT OSS 공개를 해석합니다. gpt-oss-120b와 gpt-oss-20b 두 모델, 117B 파라미터, 4비트 MXFP4, 단일 H100 GPU, 16GB 메모리 조건이 실무 배포에 주는 뜻을 정리합니다.
-
Lean 4 정리 증명 학습 파이프라인을 공개했습니다
Hugging Face의 Kimina-Prover-RL이 공개한 Lean 4 정리 증명 학습 파이프라인을 정리합니다. 1.7B 모델의 76.63% Pass@32와 0.6B 모델의 의미, 그리고 검증 흐름 점검 포인트를 함께 봅니다.