로우코드 및 노코드 AI 플랫폼은 프롬프트를 사용해 작동하는 앱, 에이전트 또는 모델로 변환합니다. 이 가이드는 21개의 도구를 비교하며, 각 도구의 공식 사이트 링크도 포함되어 있습니다.
UIUC와 Chroma가 개발한 Harness-1은 20억 매개변수로 구성된 검색 서브 에이전트로, 강화 학습을 통해 훈련되었습니다. 이 시스템은 검색과 검증을 효율적으로 관리합니다.
이 튜토리얼에서는 NVIDIA garak을 사용하여 방어적 LLM 레드팀 워크플로우를 구축하는 방법을 안내합니다. 설정, 플러그인 탐색, 실제 모델 스캔 등을 포함한 전체 과정이 설명됩니다.
문샷 AI가 TypeScript로 작성된 오픈소스 터미널 코딩 에이전트 Kimi Code CLI를 출시했습니다. 이 에이전트는 서브 에이전트와 MCP 구성 기능을 갖추고 있습니다.
Miso Labs가 오픈 웨이트를 기반으로 한 8B 텍스트 음성 변환 모델 MisoTTS를 출시했습니다. 이 모델은 텍스트와 오디오 맥락을 기반으로 화자의 톤에 맞춰 반응합니다.
이 튜토리얼에서는 SkillNet을 활용하여 재사용 가능한 AI 스킬을 발견하고 설치하며 평가 및 조직하는 방법을 다룹니다.
헤르메스 에이전트가 MCP의 컨텍스트 부풀림 문제를 해결하기 위해 툴 검색 기능을 추가했습니다. 이 기능은 BM25 점진적 스키마 공개를 활용하여 정확도를 49%에서 74%까지 향상시킵니다.
Perplexity AI가 재작성한 유니그램 토크나이저를 오픈 소스로 공개했습니다. 이 토크나이저는 재랭커의 지연 시간을 줄이고 CPU 사용량을 5-6배 감소시킵니다.
이 튜토리얼에서는 NVIDIA FLARE를 사용하여 비대칭 CIFAR-10 환경에서 FedAvg와 FedProx를 비교하는 연합 학습 실험을 진행합니다. 클라이언트 데이터는 디리클레 분포를 사용해 불균형한 레이블을 시뮬레이션합니다.
2026년, AI 에이전트와 MCP 서버의 인증이 중요한 인프라 결정으로 떠오르고 있다. 이 가이드는 WorkOS, Stytch, Auth0, Composio 등 8개 주요 플랫폼을 평가한다.
상하이에 본사를 둔 AI 연구소 스텝펀이 2026년 5월, 완전 맞춤형 페르소나 기능을 갖춘 실시간 음성 대형 언어 모델인 StepAudio 2.5 Realtime을 출시했습니다.
마이크로소프트 리서치가 Fara1.5를 출시했습니다. 이 에이전트는 4B, 9B, 27B 크기로 제공되며, Fara1.5-27B는 Online-Mind2Web에서 72%의 성과를 기록했습니다.
알리바바의 Qwen 팀이 2026 알리바바 클라우드 서밋에서 Qwen3.7-Max를 발표했습니다. 이 모델은 100만 토큰의 컨텍스트 윈도우와 확장된 사고 모드를 특징으로 하며, 코딩 및 디버깅 등 장기 작업에 최적화되어 있습니다.
Turbovec는 구글 리서치의 TurboQuant 알고리즘을 활용하여 벡터 검색을 지원하며, 16배 압축과 코드북 훈련이 필요 없는 RAG 파이프라인을 제공합니다.
2026년 기업용 에이전틱 AI가 파일럿 단계를 넘어 실제 운영에 들어갔습니다. 이 가이드는 Salesforce Agentforce, Microsoft Copilot Studio 등 10대 플랫폼을 가격과 도입 데이터를 기반으로 평가합니다.
BerriAI가 개발한 LiteLLM 에이전트 플랫폼은 AI 에이전트를 안정적으로 운영할 수 있는 솔루션으로, 격리된 환경에서의 세션 관리 기능을 제공합니다.
Poetiq의 메타 시스템이 Gemini 3.1 Pro를 사용해 LiveCodeBench Pro를 위한 모델 비의존적 추론 하네스를 자동으로 구축하고 최적화했습니다. 이 하네스는 다른 모델에도 적용되어 모두 성능이 향상되었습니다.
이 튜토리얼에서는 그래프 기반의 마이크로 세분화 환경을 모델링하여 동적 제로 트러스트 네트워크 시뮬레이션을 구축하는 방법을 소개합니다. 지속적인 검증을 통해 접근 권한을 부여하는 방식입니다.
현대의 대형 언어 모델은 단순히 인터넷 텍스트만으로 훈련되지 않습니다. 기업들은 강력한 ‘교사’ 모델을 활용해 더 작고 효율적인 ‘학생’ 모델을 훈련하는 기법을 사용하고 있습니다.
벡터 데이터베이스는 RAG 및 에이전틱 AI의 핵심 검색 인프라로 자리잡고 있습니다. 이 가이드는 아키텍처, 가격, 확장성 측면에서 9개의 주요 시스템을 비교합니다.
이 튜토리얼에서는 NadirClaw를 활용하여 프롬프트를 간단한 것과 복잡한 것으로 분류한 후, 가장 적합한 모델로 전송하는 지능형 라우팅 시스템을 구축하는 방법을 소개합니다.
앤트로픽이 클로드의 내부 활성화를 인간이 이해할 수 있는 텍스트로 변환하는 자연어 오토인코더를 발표했습니다. 이 기술은 모델의 ‘사고’ 과정을 더 쉽게 이해할 수 있도록 돕습니다.
라이트시크 재단이 에이전틱 코딩 시스템의 성능을 높이기 위해 오픈소스 LLM 추론 엔진 ‘토큰스피드’를 발표했다. 이 엔진은 TensorRT-LLM 수준의 성능을 목표로 하고 있다.
Zyphra가 760M의 활성 파라미터를 가진 추론 Mixture of Experts 모델 ZAYA1-8B를 출시했다. 이 모델은 수학 및 코딩 벤치마크에서 기존의 대형 모델들을 능가하며, 새로운 지능 밀도를 제시하고 있다.
구글이 제미니 API에 이벤트 기반 웹훅을 추가하여 배치 API, 딥 리서치, 비디오 생성 작업에서 폴링을 제거했습니다. 이 시스템은 보안과 재시도 보장을 갖추고 있습니다.
이 튜토리얼에서는 설문 데이터의 편향을 수정하는 전체 워크플로우를 소개합니다. 샘플링 편향을 의도적으로 도입한 후, 여러 재가중치 기법을 적용하여 편향 없는 추정치를 회복하는 방법을 설명합니다.
Zyphra가 텐서 및 시퀀스 병렬 처리(TSP) 기술을 소개했다. 이 기술은 GPU 축을 따라 파라미터와 활성화 메모리를 줄이는 전략으로, 기존 TP+SP 기준 대비 2.6배의 처리량을 제공한다.
개발자들은 프롬프트 작성을 종종 간과하지만, 신뢰성이 중요한 상황에서는 일관된 결과를 얻기 위한 체계적인 접근이 필요하다. 이 글에서는 프롬프트의 중요성과 이를 위한 방법론을 소개한다.
모델이 한 순간에는 완벽하게 작동하다가도 다음 순간에는 성능이 저하될 수 있습니다. 이러한 현상의 원인은 종종 입력 데이터의 토큰화 방식에 있습니다.
Mistral AI가 새로운 128B 모델과 비동기 클라우드 기반 코딩 세션을 도입하며, 개발자들이 AI 에이전트를 활용할 수 있는 새로운 작업 모드를 제공한다.
이번 튜토리얼에서는 lambda/hermes-agent-reasoning-traces 데이터셋을 활용해 에이전트 기반 모델의 사고 방식과 도구 사용, 다중 대화에서의 응답 생성 과정을 탐구합니다.
이 튜토리얼에서는 ParseBench 데이터셋을 사용하여 문서 파싱 시스템을 평가하는 방법을 알아봅니다. Hugging Face에서 데이터셋을 로드하고, 텍스트, 표, 차트, 레이아웃 등 다양한 차원을 분석합니다.
이 튜토리얼에서는 강화 학습을 활용한 에이전트를 구축하여 장기 기억 데이터베이스에서 관련 기억을 검색하는 방법을 배웁니다. 이를 통해 정확한 질문 응답을 위한 기초를 다집니다.
RAG 시스템의 대부분은 검색 과정에서 문제가 발생합니다. 전통적인 방식은 벡터 유사성에 의존하지만, 이는 실제로 필요한 관련성을 보장하지 못합니다. PageIndex는 이러한 문제를 해결하기 위해 추론 기반 검색 방식을 제안합니다.
Abhigyan Patwari의 GitNexus가 19,000개의 GitHub 스타를 기록하며, AI 지원 개발자들이 겪는 코드 편집 문제를 해결하고 있습니다.
이 튜토리얼에서는 Magika의 딥러닝 기반 파일 유형 탐지와 OpenAI의 언어 지능을 결합하여 실용적인 분석 파이프라인을 구축하는 방법을 소개합니다.
이 튜토리얼에서는 Redis에 의존하지 않고 Huey를 사용하여 완전한 백그라운드 작업 처리 시스템을 구축하는 방법을 설명합니다. SQLite를 기반으로 한 Huey 인스턴스를 설정하고, 고급 작업 패턴을 구현하는 방법을 다룹니다.
MIT, NVIDIA, 저장대학교 연구팀이 긴 체인 추론을 위한 KV 캐시 압축 방법인 TriAttention을 제안했습니다. 이 방법은 전체 주의 메커니즘과 동일한 성능을 유지하면서도 2.5배 더 높은 처리량을 자랑합니다.
구글 AI 연구팀이 연구 논문 작성을 자동화하는 다중 에이전트 프레임워크인 PaperOrchestra를 소개했다. 이 시스템은 연구자들이 실험 결과를 정리하고 논문을 작성하는 과정을 간소화하는 데 도움을 줄 것으로 기대된다.
AI 에이전트가 컴퓨터를 실제로 사용할 수 있도록 훈련하는 것은 현대 AI의 가장 어려운 인프라 문제 중 하나입니다. OSGym은 이러한 문제를 해결하기 위한 새로운 OS 인프라 프레임워크입니다.
Hugging Face가 TRL(Transformer Reinforcement Learning) v1.0을 공식 출시했습니다. 이 버전은 연구 중심의 라이브러리에서 안정적인 프로덕션 준비 프레임워크로의 전환을 의미합니다.
