AI

[AI] 추론 트레이스 탈취: 프론티어 LLM 3사 암호화 사고 사슬의 구조적 결함

arXiv 논문이 실증한 Anthropic·OpenAI·Google API의 암호화된 추론 블록 상호호환 결함을 정리했다. 약한 모델을 복호화 오라클로 써 31만 건 중 크리덴셜 182건·PII 367건을 복구한 경위와 제안된 방어책을 다룬다.

AI Machine-Learning

[AI] 모델은 의도적으로 더 멍청해지고 있다 — 추론과 사실 지식의 트레이드오프

GLM-5.2는 AIME 2026에서 99.2%를 받지만 SimpleQA 사실 회상에서는 하위권이다. 파라미터당 2비트 지식 용량 연구와 Qwen3.5·Phi-4 사례로, 소형 모델이 사실 지식 대신 추론에 파라미터를 몰아주는 이유와 그 트레이드오프의 한계를 짚는다.

AI

[Claude Code] 도구 스키마 과적합: 최신 모델이 서드파티 도구에 약한 이유

Armin Ronacher가 CLI 에이전트 Pi에서 발견한 현상 — Claude Opus 4.8·Sonnet 5가 구형 모델보다 서드파티 도구 스키마에서 더 자주 실패하는 이유와, Claude Code 특화 학습의 대가, Anthropic의 공식 해법인 Strict Tool Use를 정리했다.

Embedded Distributed-Systems

[Embedded] Hot Path 최적화가 틀렸다 — 로그만으로 Critical Path 찾는 법

hot path를 최적화해도 체감 지연은 그대로일 수 있다. 지연을 결정하는 건 critical path이기 때문이다. 계측을 새로 심을 수 없는 임베디드 멀티 데몬 시스템에서 Mystery Machine·lprof부터 Canopy·Google CPT까지 로그만으로 인과관계를 재구성해온 연구를 정리한다.

AI

[AI] dcg: AI 코딩 에이전트의 rm -rf를 막는 파괴적 명령 차단 후크

dcg(Destructive Command Guard)가 Claude Code·Codex 등 AI 코딩 에이전트의 git reset --hard, rm -rf 같은 파괴적 명령을 실행 직전 차단하는 3단계 아키텍처와 50개 이상 보안 팩, 설치법, 한계를 정리했다.

AI Machine-Learning

[AI] LLM 로그 근본원인분석(RCA): 왜 원본 로그를 그대로 안 넣는가

장애 원인을 찾을 때 로그 전체를 LLM에 그대로 넣으면 컨텍스트 초과와 환각이 뒤따른다. Drain 파싱, LogBERT 이상탐지, RAG 검색으로 후보를 좁힌 뒤 LLM이 최종 판단만 내리는 3단계 파이프라인과 Microsoft·Meta의 프로덕션 실측 수치를 정리한다.

AI

[Claude Code] Auto Mode 기본값 전환: 사람의 승인은 왜 못 미더운가

2026-08-14부터 Claude Code 기본값이 된 Auto Mode의 근거 실험(수동 승인 13.6%·분류기 89% 차단율)과 Apollo Research·Trajectory Labs 레드팀 결과, Simon Willison의 prompt injection 우려를 정리했다.

Git Workflow

[Git] worktree로 지저분한 브랜치에서 파일 하나만 격리 커밋하기

작업 브랜치가 무관한 WIP로 지저분할 때 git worktree로 별도 작업 디렉터리를 만들어 파일 하나만 깨끗하게 커밋·PR로 올리는 방법을 실제 PR 사례로 정리한다. stash보다 안전한 이유와 브랜치 충돌 복구 응용까지 다룬다.

Programming Distributed-Systems

[Programming] TLA+ 형식 검증 — 코드를 짜기 전에 버그부터 찾는 법

테스트와 리뷰를 통과한 버그가 프로덕션에서 터지는 건 그 상태 조합을 아무도 실행해본 적이 없어서다. AWS 7개 팀과 MongoDB가 TLA+ 모델체킹으로 잡아낸 경쟁 상태 사례와 PlusCal 코드로, 형식 검증과 property-based testing을 언제 쓸지 정리한다.

AI Machine-Learning

[AI] Fused Linear Cross-Entropy: LLM 학습 logits 메모리 병목 없애기

긴 컨텍스트·대형 vocabulary LLM 학습에서 cross-entropy가 만드는 거대한 logits 텐서 메모리 병목을, Fused Linear Cross-Entropy(FLCE)가 청크 단위 계산으로 없애는 원리를 Liger Kernel 구현과 실측 벤치마크(최대 84% 절감)로 설명한다.