오늘의 AI뉴스 — 2026년 07월 20일

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

실수로 차단되었다고 생각되는 경우 아래 티켓을 제출해 주시면 조사해 드리겠습니다.

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

실수로 차단되었다고 생각되는 경우 아래 티켓을 제출해 주시면 조사해 드리겠습니다.

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

LLM 애플리케이션을 구축할 때 더 이상 오케스트레이션 코드를 직접 연결할 필요가 없습니다. 이제 오픈 소스 플랫폼 클래스가 시각적 캔버스, 웹 UI 및 일반 영어 프롬프트를 통해 검색, 에이전트 및 워크플로를 공개합니다. 이러한 도구를 사용하면 개발자는 몇 분 만에 프로토타입을 제작하고 데이터 제어를 위한 자체 호스트를 수행할 수 있습니다.

이 기사에서는 LLM 앱 구축, RAG 시스템 구축, AI 에이전트 구축이라는 세 가지 작업에 걸쳐 10개의 오픈 소스 프로젝트를 검토합니다. 각 항목에는 도구의 기능, 핵심 기능, 적합한 대상, 검증된 라이선스 및 저장소가 포함되어 있습니다.

AutoAgent는 홍콩대학교 Data Intelligence Lab의 제로 코드 에이전트 프레임워크입니다. 자연어로 목표를 설명합니다. 그런 다음 시스템은 수동 코딩 없이 도구, 에이전트 및 다중 에이전트 워크플로를 구성합니다. 에이전트 편집기, 워크플로 편집기 및 즉시 사용 가능한 연구 보조 모드가 제공됩니다.

이 프로젝트는 연구 지원을 받습니다. 해당 논문에서는 에이전트 프레임워크가 프로그래머가 아닌 사람을 배제한다고 주장하며 GAIA 벤치마크에 대한 강력한 오픈 소스 결과를 보고합니다. AutoAgent는 호스팅된 Deep Research 제품에 대한 개방형 대안으로도 작동합니다. DeepSeek, Grok 및 Gemini를 포함한 대부분의 주요 LLM과 작동하며 Docker 기반 CLI를 통해 실행됩니다.

최적의 대상: 프레임워크 뒤에 있는 논문과 벤치마크를 사용하여 자연어를 바탕으로 에이전트와 Deep Research 스타일 보조자를 가동하려는 연구원 및 실무자.

AnythingLLM은 RAG, 상담원 및 문서 채팅을 위한 올인원 자체 호스팅 플랫폼입니다. 데스크톱 앱 또는 Docker 컨테이너로 실행됩니다. 이 디자인은 개인 정보 보호 우선, 로컬 우선 자세를 유지하면서 기술 지식이 없는 사용자를 대상으로 합니다. 코드가 없는 에이전트 흐름 빌더는 스크립팅 없이 에이전트 로직을 처리합니다.

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

이 튜토리얼에서는 Google Colab에서 엔드투엔드NVIDIA NeMo AutoModel 워크플로를 구축하고 단일 GPU를 사용하여 분산 다중 GPU 환경으로 확장되는 동일한 구성 기반 교육 아키텍처를 탐색합니다. 사용 가능한 CUDA 하드웨어 및 정밀도 지원을 확인하고, 소스 저장소에서 직접 NeMo AutoModel을 설치하고, 공식 Qwen3-0.6B LoRA 미세 조정 레시피를 로드하고, 제한된 Colab 런타임에 맞게 정밀도, 배치 크기, 체크포인트 및 스케줄러 설정을 프로그래밍 방식으로 조정합니다. 그런 다음 자동 모델 명령줄 인터페이스를 통해 매개변수 효율적인 미세 조정을 시작하고, 생성된 LoRA 체크포인트를 찾아 다시 로드하고, 원본 모델과 미세 조정된 모델의 출력을 비교합니다. 마지막으로 Python API를 통해 NeMoAutoModelForCausalLM을 사용하여 NeMo AutoModel이 친숙한 Hugging Face 모델 인터페이스를 유지하면서 NVIDIA에 최적화된 실행 경로를 통합하는 방법을 보여줍니다.

파일 처리, 프로세스 실행, 경로 관리 및 형식화된 출력에 필요한 핵심 Python 라이브러리를 가져옵니다. 워크플로우 전반에 걸쳐 사용되는 저장소, 작업 및 체크포인트 디렉터리를 정의합니다. 또한 명령 출력을 스트리밍하고 실행이 실패할 때 오류를 발생시키는 재사용 가능한 셸 명령 함수를 만듭니다.

sh(f”git clone –깊이 1 https://github. com/NVIDIA-NeMo/Automodel. git {REPO_DIR}”)

Colab 런타임이 CUDA 지원 GPU를 제공하는지 확인하고 이름, 메모리 용량, bfloat16 지원을 검사합니다. 아직 사용할 수 없는 경우 NVIDIA NeMo AutoModel 저장소를 복제하고 소스에서 직접 패키지를 설치합니다. 그런 다음 지원하는 YAML 및 PEFT 라이브러리를 설치하고 NeMo AutoModel 패키지가 올바르게 가져오는지 확인합니다.

공식 PEFT 레시피를 찾아 YAML 구성을 로드하고 원래 교육 설정을 검사합니다. 원래 구조를 유지하면서 단일 Colab GPU의 레시피에 맞게 정밀도 및 배치 크기 매개변수를 반복적으로 조정합니다. 또한 훈련 기간을 제한하고, 체크포인트 출력을 구성하고, 패치된 레시피를 저장하고, Hugging Face 모델 식별자를 추출합니다.

NeMo AutoModel 명령줄 인터페이스를 통해 HellaSwag 데이터 세트에서 Qwen3-0.6B LoRA 미세 조정을 시작합니다. Colab 실행을 더욱 예측 가능하게 유지하기 위해 불필요한 Hugging Face 전송 및 토크나이저 병렬 처리 기능을 끕니다. 또한 기본 호출이 실패할 경우 이전 NeMo AutoModel CLI 구문을 지원하는 대체 명령도 포함되어 있습니다.

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

그들은 또한 276B(12B 활성) 모델인 Inkling-Small을 약속하고 있지만 아직 테스트 중이며 무게는 “작업이 완료되면” 공개될 것입니다.

> Thinking Machines Lab이 AI 서비스를 개발하기 위해 사용하는 데이터 세트에는 공개 도메인에 있는 콘텐츠뿐만 아니라 지적 재산권 보호 대상이 될 수 있는 콘텐츠가 포함됩니다.

> Thinking Machines Lab의 서비스는 개방형 인터넷과 공개적으로 접근 가능한 데이터 저장소에서 얻은 공개적으로 이용 가능한 콘텐츠를 사용하여 개발되었습니다. 특정 데이터세트도 제3자로부터 획득했습니다.

Thinking Machines가 인정한 바에 따르면 이는 개척자 모델이 아닙니다. 대신 자체 Tinker 교육 플랫폼을 사용하여 미세 조정을 위한 강력한 기본 모델로 사용되었습니다.

> Inkling은 개방형이든 폐쇄형이든 현재 사용할 수 있는 전체 모델 중 가장 강력한 모델은 아닙니다. 대신 품질의 조합은 다중 모드 기능, 효율적인 사고 및 미세 조정을 위한 Tinker의 가용성과 같은 사용자 정의를 위한 좋은 개방형 가중치 기반을 만듭니다.

이번 릴리스에는 마음에 드는 점이 많습니다. Apache-2.0 라이센스가 있으며 중국에서 출시되는 오픈 웨이트 모델과 경쟁할 것으로 보입니다. 미국 오픈 웨이트 생태계가 NVIDIA Nemotron 및 Gemma 4에 합류할 수 있는 새로운 경쟁자를 확보하는 것을 보는 것은 좋은 일입니다.

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

이 테스트에서는 16개 모델에 걸쳐 200개 사례를 실행하고 이를 방사선 전문의 패널과 비교했습니다. 인간 전문가들은 2,000점 만점에 988.7점을 받았습니다. 최고의 AI 모델이 758을 맞았다.

인간 방사선 전문의는 정확성과 각 답변의 신뢰도 수준을 결합한 기본 측정 항목에서 테스트된 모든 AI 모델을 능가했습니다. | 이미지: 크래시 랩

채점 시스템은 정직성을 보상하고 과신을 처벌합니다. 높은 자신감을 갖고 올바르게 수행하면 만점을 얻을 수 있습니다. 높은 신뢰도를 주장하다가 잘못하면 일치하는 숫자를 잃게 됩니다. “모르겠어요”라고 대답하면 점수는 0이지만 아무것도 잃지 않습니다. 원적중률이 괜찮아 보여도 자신있게 순위 하락을 추측하는 모델.

이 연구는 많이 인용되는 논문에서 최근 제기한 요점을 다룹니다. 즉, 벤치마크가 정확성만을 보상하는 한 AI 모델은 추측하도록 훈련됩니다. 의학에서는 확신에 찬 오진이 불확실성을 솔직하게 인정하는 것보다 훨씬 더 위험합니다.

종합 승자는 없습니다. Anthropic의 Claude Fable 5는 신뢰할 수 있고 안전한 답변에서 최고의 성과를 거두며 기본 지표를 주도했습니다. Google의 Gemini 3 Pro는 원시 정확도가 가장 높았습니다.

순전히 적중률로만 측정하면 가장 강력한 프론티어 모델이 인간의 성능을 거의 따라잡고 있습니다. | 이미지: 크래시 랩

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

GenCeption이라는 Google Deepmind의 새로운 모델은 사전 훈련된 비디오 생성 모델을 고전적인 컴퓨터 비전 작업의 기초로 사용합니다. 훈련 데이터가 거의 필요하지 않으면서 깊이 추정, 분할 및 3D 포즈 추정에서 최첨단 성능을 달성합니다.

언어 모델은 거의 다음 단어를 예측하는 학습의 부산물로서 다양한 처리 시스템이 되었습니다. 해당 작업에는 훈련 중에 문법, 세계 지식 및 상황별 관계를 흡수하는 모델이 필요한 것으로 보입니다. 이는 대규모 언어 모델의 새로운 기능에 대한 일반적인 설명입니다.

컴퓨터 비전에는 아직 동등한 훈련 방법이 부족합니다. 분할을 위한 “Segment Anything”과 깊이 추정을 위한 “Depth Anything”을 포함하여 전문화된 모델이 이 분야를 지배합니다. 각각은 자체 아키텍처를 사용합니다.

GenCeption은 텍스트 프롬프트를 기반으로 동일한 비디오에서 깊이 맵, 표면 법선, 분할 마스크 및 포즈 추정을 생성합니다. 주로 합성 데이터에 대한 훈련에도 불구하고 훈련 중에 한 번도 접한 적이 없는 실제 장면과 개체 클래스에서 작동합니다. | 이미지: 구글 딥마인드

새로운 논문에서 Deepmind 연구원들은 대규모 텍스트-비디오 모델이 이러한 격차를 해소할 수 있다고 주장합니다. 사실적인 비디오를 생성하려면 장면의 공간적 기하학, 객체가 움직이는 방식 및 기본 물리학을 이해해야 합니다. 또한 이러한 모델은 학습 중에 언어를 시각적 콘텐츠에 연결하는 텍스트 설명을 사용합니다. 데이터에 라벨을 붙이는 비용이 상대적으로 저렴하기 때문에 방대한 데이터 세트를 학습할 수 있습니다.

GenCeption은 Alibaba의 오픈 소스 Wan2.1 비디오 모델을 기반으로 구축되었습니다. 주요 변경 사항은 더욱 단순한 아키텍처입니다. 확산 모델은 일반적으로 여러 작은 단계를 거쳐 소음으로부터 비디오를 생성합니다. 대신 GenCeption은 한 번의 정방향 패스로 예측을 생성하여 실제 컴퓨터 비전 작업에 충분히 빠르게 만듭니다.

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

개인정보 보호센터에 대한 정보를 입력하신 후 ‘제출’을 눌러주세요. 1-877-241-4999로 전화하여 이 요청을 제출할 수도 있습니다. 이 정보는 이 요청을 처리하는 것 이외의 다른 목적으로 사용되거나 공개되지 않습니다.

당사는 타겟 광고 목적으로 귀하의 개인정보를 제3자에게 전송하거나 공유할 수 있습니다. 당사의 개인정보 보호정책에서 이러한 목적으로 사용되는 정보에 대해 자세히 알아볼 수 있습니다.

이 회사는 작년에 캘리포니아와 뉴욕에서 획기적인 AI 투명성 법률을 승인했지만 미국 주 및 지역 정책 책임자는 해당 법률이 이미 시대에 뒤떨어졌을 수 있다고 말합니다.

Anthropic의 주 정부 관계 책임자인 Cesar Fernandez. 사진 일러스트: WIRED Staff; 인류학의 의례

Anthropic은 트럼프 행정부의 은혜를 다시 받기 위해 새로운 보안 조치를 추가했습니다.

정부는 Anthropic의 Fable 5 및 Mythos 5 AI 모델에 대한 제한을 제거했지만 거기에는 끈이 붙어 있었습니다.