Hugging Face

Hugging Face의 Gradio 워크플로우를 사용하여 AUTOMATIC1111의 핵심 기능을 73개의 노드와 11개의 미디어 파이프라인으로 재구성했습니다. 텍스트-이미지 생성부터 VLM을 이용한 이미지 분석, 자동 마스킹까지 다양한 최신 모델들을 하나의 그래프 캔버스 위에서 유연하게 연결하여 실행할 수 있습니다.

IBM이 상업적 활용이 용이한 Apache 2.0 라이선스의 시계열 파운데이션 모델인 'Granite Time Series PatchTST-FM-r2'를 공개했습니다. 이 모델은 약 3억 8,500만 개의 파라미터를 보유하며, 별도의 재학습 없이도 수요, 가격, 에너지 부하 등 다양한 시계열 데이터에 대해 뛰어난 제로샷 예측 성능을 제공합니다.

본 기사는 LLM의 안전성 학습이 주제 전체를 거부하는 대신, 주제 내의 유효한 정보와 유해한 의도를 구분하여 '유해한 하위 집합'만을 정밀하게 타격해야 한다고 주장합니다. 연구팀은 정치적 선동은 거부하되 사실적 정보는 허용하는 경계 인식 자기 증류(Self-Distillation) 기법을 통해 모델의 과잉 거부 문제를 해결하는 방안을 제시합니다.

NeoMHE는 260M 및 800M 규모의 멀티모달 인코더로, 텍스트와 이미지 패치를 하나의 트랜스포머 내에서 동일한 경로로 처리합니다. 기존 생성형 VLM의 오버헤드를 제거하여 문서 검색 성능을 유지하면서도 처리 속도를 2배 높이고 임베딩 저장 용량을 획기적으로 줄였습니다.

코딩 에이전트가 작업 중 남긴 흔적을 인덱싱하여 지속 가능한 기억으로 변환해주는 'funes'가 출시되었습니다. 이 도구는 로컬 환경에서 작동하며, 에이전트가 과거의 결정과 논리를 스스로 검색할 수 있게 하여 에이전트 간의 지식 단절 문제를 해결합니다.

이 기사는 코딩 모델이 p5.js 라이브러리를 활용해 수채화 스타일의 그림을 그리도록 훈련하는 오픈소스 프로젝트의 구현 과정을 다룹니다. 정답이 명확한 수학이나 코드 검증 대신, 미적 선호도라는 주관적 보상을 활용한 강화학습(RL) 기법을 통해 예술적 가치를 학습시키는 방법론을 설명합니다.

LiquidAI는 350M 파라미터의 소형 모델(LFM2.5-350M)을 GRPO 알고리즘을 통해 미세 조정하여 JSON, YAML 등 구조화된 데이터 출력 성능을 개선하는 저비용·고효율 레시피를 공개했습니다. 단 500개의 샘플과 100번의 학습 단계만으로도 성능 향상을 이끌어낼 수 있음을 입증했습니다.

IBM의 시계열 파운데이션 모델(TSFM)이 Confluent Cloud에 통합되어 실시간 데이터 스트림 내에서 즉각적인 예측과 이상 탐지를 가능하게 합니다. 이를 통해 기업은 복잡한 모델 구축 과정 없이도 데이터가 흐르는 지점에서 즉시 비즈니스 의사결정을 자동화하고 생산성을 높일 수 있습니다.

AI2가 개발한 BenchMIRT는 다차원 문항반응이론(MIRT)을 활용해 LLM 벤치마크 내의 개별 프롬프트가 실제로 어떤 능력을 측정하는지 분석하는 새로운 방법론입니다. 이 연구는 기존 벤치마크 점수가 추론 능력과 안전성 등 서로 다른 지표가 뒤섞여 있을 수 있음을 증명하며, 벤치마크의 정확한 성능 평가를 위한 새로운 기준을 제시합니다.

Hugging Face는 브라우저 내 AI 추론 속도를 높이기 위해 207개의 WebGPU 커널을 포함한 @huggingface/kernels 라이브러리를 공개했습니다. 이 라이브러리는 각 커널을 개별 버전화된 패키지로 관리하며, 'Fleet'이라는 브라우저 기반 벤치마킹 도구를 통해 실시간 하드웨어 최적화 데이터를 수집합니다.

Open ASR 리더보드가 인도 영어와 힌디어를 포함한 첫 번째 '글로벌 사우스' 언어 세트를 도입했습니다. 이번 'Monsoon' 데이터셋은 지리, 연령, 기기, 음향 환경 등 9가지 축을 기반으로 설계되어, 기존 ASR 모델이 가진 사회적 편향성을 정밀하게 측정할 수 있도록 돕습니다.

Sentence Transformers v6.0에 추가된 MultiVectorEncoder를 사용하여 ColBERT 방식의 정밀한 검색 모델을 훈련하고 미효 조정하는 기술적 가이드를 제공합니다. 이 방식은 토큰 단위의 매칭을 통해 도메인 특화된 미세한 신호를 보존하며, 긴 문서 처리 문제도 해결할 수 있습니다.

IBM의 Granite 4.2는 추론(Reasoning)에 특화된 새로운 LLM 제품군으로, 3B부터 30B까지 세 가지 크기로 제공됩니다. 이 모델들은 Chain-of-Thought와 에연틱 강화학습(RL)을 통해 도구 사용 및 복잡한 작업 수행 능력을 갖추었으며, Apache 2.0 라이선스로 공개되었습니다.

기존의 모델 경량화 방식은 압축 과정에서 발생하는 성능 손실을 복구하는 데 한계가 있었으나, 새로운 QAH 기술은 압축 전 원본 모델을 교사로 삼아 직접 지식을 증류합니다. 이를 통해 4비트로 압축된 60B 모델이 원본 bfloat16 버전보다 9개 벤치마크 중 7개에서 더 높은 성능을 기록하는 혁신적인 결과를 보여주었습니다.

Gradio의 신기능인 gr.Workflow는 AI 모델들을 노드 기반의 그래프로 연결하여 시각적으로 관리할 수 있게 해줍니다. 사용자는 드래그 앤 드롭 방식으로 파이프라인을 구축할 수 있으며, 구축된 워크플로우는 별도의 추가 작업 없이도 즉시 API로 활용하거나 Hugging Face Spaces에 배포할 수 있습니다.

최근 연구에 따르면 일부 고성능 ASR 모델들이 실제 오디오 내용과 무관하게 벤기마크의 오류가 포함된 텍스트를 그대로 출력하는 '벤치마크 최적화' 현상을 보이고 있습니다. 이는 모델이 음성 정보를 정확히 해석하기보다 특정 데이터셋의 패턴이나 미세한 음향적 단서를 통해 정답을 예측하고 있음을 시사합니다.

허깅페이스는 키워드 검색과 벡터 검색을 결합한 하이브리드 검색 시스템을 통해 Papers with Code의 검색 정확도를 높였습니다. 이를 위해 오프라인 임베딩 생성은 Jobs로, 데이터 저장 및 전달은 Buckets로, 실시간 쿼리 임베딩은 Inference Endpoints로 분리하여 효율적인 파이프라인을 구축했습니다.

LiquidAI는 LFM2.5 모델 시리즈를 위한 DSpark 드래프트 모델 체크포인트를 공개하며, 경량 모델을 활용한 추론 가속 기술을 선보였습니다. 이 기술은 메모리 사용량을 최소화하면서도 GPU와 온디바이스 환경에서 최대 3.2배의 처리량 향상을 달성하고 함수 호출 지연 시간을 대폭 단축합니다.

LiquidAI는 고정밀 교사 모델의 지식을 양자화된 학생 모델로 전이하는 QAD 기술을 통해, 4비트(Q4_0) 모델에서도 BF16 대비 약 97% 수준의 정확도를 유지하는 LFM2.5 체크포인트를 출시했습니다. 이 모델들은 기존 방식보다 훨씬 빠른 추론 속도와 낮은 메모리 점유율을 제공하여 모바일 및 에지 기기에서의 효율적인 AI 실행을 가능하게 합니다.

IBM 리서치는 AI 에이전트에게 제공하는 과거 경험 기반의 가이드라인 양이 모델의 체급에 따라 달라져야 함을 증명했습니다. 강력한 모델은 전체 가이드라인을 수용할 때 성능이 오르지만, 작은 모델은 핵심 요약과 태스크별 검색(Retrieval) 방식을 사용할 때 가장 높은 효율을 보입니다.

Sentence Transformers v6.0 업데이트를 통해 ColBERT 스타일의 멀동 벡터(Late Interaction) 모델 지원이 추가되었습니다. 이 방식은 텍스트를 하나의 벡터로 압축하는 대신 토큰별 벡터를 유지하여 검색 정확도를 높이며, OCR 없이 이미지 기반 문서 검색까지 가능하게 합니다.

본 기사는 기존 FIFO(선입선출) 방식의 GPU 스케줄러가 가진 자원 낭비 문제를 지적하며, 제약 조건 인식형(constraint-aware) 할당기를 통한 최적화 사례를 소개합니다. 하드웨어 증설 없이도 작업 할당 순서를 조정하는 것만으로 실시간 추론과 배치 작업이 혼재된 클러스터의 효율을 극대화할 수 있음을 보여줍니다.

Hugging Face 생태계는 급격히 성장하고 있으나 다운로드 분포는 소수 상위 모델에 극도로 집중되어 있습니다. 중국은 트릴리언 단위의 초거대 모델로 프론티어 경계를 확장하는 반면, 미국은 NVIDIA와 AMD 등 하드웨어 기업들이 최적화 및 배포 레이어를 장악하며 생태계의 중심축으로 부상했습니다.

AWS의 오픈소스 SDK인 Strands Robots와 Hugging Face의 새로운 스토리지 기술을 활용해 로봇 학습 데이터의 수집, 학습, 배포를 하나의 연속적인 루프로 연결하는 방법을 설명합니다. 특히 대용량 데이터를 매번 다운로드하지 않고 스트리밍 방식으로 처리하여 비용과 효율성을 극대화한 것이 핵심입니다.