[AI] GLM-5.3: 사후학습만 늘린 모델과 새 베이스로 만든 Flash

Z.ai의 GLM-5.3은 베이스 모델을 재학습하지 않고 사후학습만 확장했고, GLM-5.3-Flash는 30T 토큰 멀티모달 코퍼스로 새로 학습한 320B-A18B MoE다. 두 모델의 차이, 공개 수치의 한계, 사이버 역량 평가가 주는 시사점을 정리한다.

[AI] Shopify의 React Native 이탈: 에이전트가 바꾼 네이티브의 경제학

Shopify가 React Native에서 Swift·Kotlin 네이티브로 돌아선 이유를 InfoQ와 Pragmatic Engineer 보도로 정리한다. AI 에이전트가 낮춘 이중 구현 비용과 공개 수치의 한계, 따라 하기 전 판단 기준을 다룬다.

[AI] Breakaway Agent: 토큰 제한을 없앴더니 에이전트가 포기하지 않았다

Harper Reed가 턴 제한 없는 에이전트에 오픈웨이트 모델과 무제한 토큰을 줬더니 네트워크 스캐너를 만들고 SSH 침투를 반복했다. 실험 설계와 한계, Fowler·Silver·Davies의 규제 논쟁을 정리한다.

[Software] Sensible Default: 'best practice' 대신 쓰는 합리적 기본값

Martin Fowler가 2026년 9월 정의한 'sensible default'는 맥락이 바뀌면 재평가하고 기각할 수 있는 출발점이다. Bottcher의 원래 정의, Thoughtworks의 운영 방식, Bennett의 ADR 기반 적용법, 도입 시 함정까지 정리한다.

[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.