[AI] Mid-Harness: 터미널 에이전트의 다음 한 수를 실행 전에 검증하는 법

NVIDIA 연구진의 Mid-Harness는 모델과 하네스 사이에서 후보 행동 N개를 샘플링하고 검증기가 하나만 골라 실행한다. 약한 검증기는 소용없고 강한 검증기는 TerminalBench-Lite Pass@1을 50.00%에서 68.03%로 올렸으며, 증류 결과와 궤적 스케일링 대비 비용, 한계까지 정리한다.

[AI] Jev와 jgrep: 텍스트를 쓰지 않는 결정 전용 모델로 테스트를 고르다

TypeSafe AI의 Jev는 문장을 생성하지 않고 정해진 스키마의 확률값만 반환하는 System One Model이다. 작동 방식, 13개 검증기 비교에서의 위치, 이를 엔진으로 쓰는 jgrep의 3단계 테스트 선택과 Anthropic의 이력 기반 방식과의 대비, 도입 판단 기준을 정리한다.

Cpp Optimization

[Cpp] mold 링커로 Node.js 링킹 2.5초를 0.11초로

Lemire가 160MB짜리 Node.js 실행 파일을 링크해 보니 GNU ld 2.52초, gold 1.46초, mold 0.11초였다. 링커가 하는 일과 mold가 빠른 이유, -fuse-ld=mold와 mold -run 적용법, 벤치마크를 읽을 때의 한계를 정리한다.

[ML] RIDE: 교사가 도달한 곳이 아니라 움직인 방향을 증류하다

On-policy distillation에서 교사를 넘어서려는 출력공간 외삽은 노이즈와 출력층 감쇠로 불안정하다. RIDE는 RL 전후 hidden state 잔차를 표현공간에서 외삽해 네 쌍 모두 교사를 넘었다. 원리와 한계를 정리한다.

[ML] 출제자와 풀이자가 같은 오답에 합의할 때: CrossFit과 Co-Cheating

자기진화형 검색 에이전트에서 proposer와 solver가 같은 오류에 점점 합의해 내부 보상만 오르는 co-cheating을 짚고, 소스 문서를 둘로 나눠 교차 채점하는 CrossFit의 원리와 수치, 한계를 정리한다.

[ML] DPO 손실의 절반을 차지하는 69개 토큰: Frequency-Hard DPO

DPO는 응답 토큰 전체의 로그확률 비율로 선호를 학습한다. 응답 토큰의 55.1%를 차지하는 69종의 고빈도 토큰을 손실에서 마스킹해 신호를 선명하게 만드는 Frequency-Hard DPO의 원리와 한계를 정리한다.

[Git] walgit: 오브젝트 스토리지가 저장소가 되는 Git 서버

Tobi Lütke의 walgit은 S3·GCS 버킷의 write-ahead log를 진실의 원천으로 두고 서버를 일회용 캐시로 취급한다. Cursor Continuity 설계를 따라 push·read·확장 방식과 한계를 정리한다.

[AI] Nvidia OpenShell·Sentry: 에이전트 감시를 DPU로 옮긴 이유

Nvidia가 2026-09-28 발표한 Open Agent Safety Platform은 커널 샌드박스 OpenShell과 BlueField-4 DPU 기반 워치독 Sentry를 쌓은 2계층 구조다. 설계 원리, 적용 기준, 한계를 정리한다.

[AI] Zero-Token Confidence: 텍스트 생성 없이 모델의 자기 확신을 읽는 법

VIDRAFT가 2026-09-20 FINAL-Bench에 공개한 Zero-Token Confidence(ZTC)는 모델이 답을 만든 마지막 은닉 상태만 읽어 정답 여부를 가린다. 토큰 재생성 없이 26배 빠르게 자기평가 AUC를 최대 0.225 끌어올렸지만, 독립 재현과 한계도 함께 짚는다.

Cpp Optimization

[Cpp] 압축 JSON을 40 GB/s로 파싱하기: simdjson과 프레임 분할

gzip은 중간부터 풀 수 없어 64스레드로도 2.5 GB/s에 그쳤지만, 256 KiB 독립 프레임으로 나눈 zstd는 40 GB/s가 나왔다. Lemire의 측정을 바탕으로 병렬 압축 해제의 원리와 압축률 6% 트레이드오프를 정리한다.