태그 · #machine-learning

MuonGS, 그람-슈미트 프로젝션으로 LLM 사전 학습 효율성 향상

읽어야 하는 이유 개발자는 엄격한 노름 제어의 탐색 한계를 피하는 MuonGS로 전환하여 더 빠른 수렴과 더 나은 최종 손실을 달성할 수 있습니다.

새로운 MuonGS 옵티마이저는 그람-슈미트 프로젝션을 적용해 가중치 노름 제약을 완화하고, 대규모 언어 모델의 검증 퍼플렉시티와 학습 속도를 개선합니다.

작업 모델 유도: 컴퓨터 추적 데이터에서 교차된 워크플로우 복원

읽어야 하는 이유 데스크탑 에이전트를 구축하는 AI 엔지니어는 TMI를 사용하여 원시 상호작용 데이터에서 실제 워크플로우를 학습하고, 더 견고하고 감사 가능한 작업 실행을 가능하게 할 수 있습니다.

새로운 TMI 방법은 수동 컴퓨터 사용 추적 데이터에서 구조화된 작업 모델을 추출하여 기존 기준선 대비 에이전트 정확도를 크게 향상시킵니다.

AV 데이터 플라이휠 비교 — 테슬라의 양 대 웨이모의 질과 AI 훈련 경쟁

테슬라는 수십억 마일의 감독 주행 데이터를 보유하고, 웨이모는 수천만 마일의 완전 무인 주행 데이터를 보유한다. AI 훈련 경쟁을 제패하는 것은 어느 쪽인가?

AV 데이터 플라이휠 — Tesla 600만대 vs Waymo 완전 무인 주행 품질 우위

Tesla는 양을 수집하고, Waymo는 질을 추구한다. 2028년까지 더 나은 자율주행 시스템을 구축하는 데이터 플라이휠은 어느 쪽인가? AV 투자자 필독 구조적 경쟁력 비교.

피지컬 AI vs 전통 AI — 로봇 만들기가 챗봇보다 어려운 이유

모라벡의 역설, 시뮬레이션-투-리얼 격차, LLM 스케일링 법칙이 로봇과 자율주행에 적용되지 않는 이유를 분석.

자율주행 소프트웨어 스택 & OTA 파이프라인 지수 — 현장에서 가장 빠르게 개선되는 곳은? (2026년 중반)

OTA 업데이트 주기·시뮬레이션 깊이·현장 데이터 플라이휠 — 테슬라·Waymo·바이두의 실제 개선 속도를 결정하는 세 가지 핵심 요소.