Today’s frontier report
Research Pool → Multi-Scout → Editor → Edition
3qk7 · AI LOCAL LABS TECHNICAL SCOUTING

AI FRONTIER

Signals worth understanding before they become obvious.

2026-11-13
01
testdeveloperopen source unlock

LLMON: LLM 네이티브 마크업 언어, Granite 4.1 3B와 8B에 적용

IBM이 Granite 4.1 기반 모델에서 파생된 실험적 프리뷰 모델 granite-4.1-3b-LLMON-preview와 granite-4.1-8b-LLMON-preview를 공개했다. 이 모델들은 LLMON 마크업 텍스트를 읽고 생성하도록 훈련되었으며, 명시적 명령/데이터 분리로 간접 프롬프트 인젝션에 대응한다.

  • OPI 벤치마크에서 LLMON 모델은 테스트한 최고 프런티어 모델보다 47% 더 많은 공격을, 최고 오픈소스 모델보다 95% 더 많은 공격을 회피했다.
  • LLMON은 6개의 구분자를 정의하며, 이들은 예약된 단일 토큰으로 토크나이저에 설치된다.
  • 훈련은 5단계 연속 GRPO 이후 모델 자체 응답으로 만든 1,000개의 온폴리시 선호 쌍에 대한 DPO 단계로 이어진다.
  • 모델은 실험적 프리뷰로 탐색과 평가용이며 프로덕션용이 아니다.

RAG나 도구 호출 에이전트를 만드는 개발자는 Granite 4.1 Instruct와 비슷한 성능을 유지하면서 인젝션 저항을 높이기 위해 LLMON 프리뷰로 교체할 수 있다.

Hugging Face Blog
02
testcreativeincremental

TRELLIS.2 3D 생성 모델 파인튜닝 가이드: LoRA 어댑터와 컨테이너

Hugging Face가 TRELLIS.2용 파인튜닝 스크립트와 컨테이너를 공개했으며, LoRA로 sparse-structure flow DiT와 shape flow DiT만 학습해 GSO 신발 188개에서 밑창 형상 정확도를 개선한다.

  • 실험은 GSO의 1,030개 객체 중 188개 신발 객체를 사용한다.
  • 두 대상 DiT에 총 약 930만 개 어댑터 파라미터를 학습한다: sparse-structure flow DiT는 attention과 MLP 레이어에 rank 8, shape flow DiT는 attention 레이어에 rank 16을 사용한다.
  • 전처리 컨테이너는 Blender로 각 객체를 16개 뷰로 렌더링하며, 188개 객체 실행은 a100-large(80 GB)에서 약 1시간 걸렸다.
  • 학습 컨테이너는 ss와 shape 두 설정을 제공하고, 예시는 max_steps=3000, i_save=500을 설정하며 어댑터 체크포인트를 Hub에 업로드할 수 있다.

소규모 3D 데이터셋에서는 texture flow DiT를 동결하고 형상 관련 DiT에만 LoRA를 적용하면 제한된 연산으로 기하 결함을 표적 수정할 수 있다.

Hugging Face Blog
03
watchresearchcapability unlock

Google Research, 웨어러블 기반 CKM 위험 프로파일링과 개인 맞춤 코칭 프레임워크 공개

Google Research는 수동적 웨어러블 신호를 변화 가능한 건강 나이로 변환하고, 행동 조건부 월드 모델로 개인화된 12주 ‘가정’ 습관 궤적을 시뮬레이션하며, 일상 혈액 바이오마커로 확장해 심혈관-신장-대사(CKM) 건강을 추적하는 연구용 머신러닝 프레임워크를 제안했다.

  • SensorWM 월드 모델은 동의한 약 10만 명의 Fitbit 사용자로부터 얻은 228만 인주 이상의 비식별 데이터로 사전 학습되어, 2주 기준 데이터를 바탕으로 20개 생리 지표가 향후 12주간 어떻게 변할지 예측한다.
  • All of Us 코호트(n = 22,748, 68,000인년 이상 추적)에서 기준 시점에 건강 나이가 역연령보다 높았던 건강한 참가자는 이후 8년간 고혈압, 심혈관 질환 또는 2형 당뇨병 발생 가능성이 유의하게 더 높았다.
  • 49개 참가자 프로필에 대한 총 490건의 짝지은 평가를 포함한 눈가림 비교에서 생활습관 코치는 71.4%의 평가에서 반사실 기반 계획을 최고의 종합 계획으로 선택했다(p < 0.001).
  • 의사들은 반사실 계획의 99.2%를 안전한 운동 강도 범위 내로, 97.6%를 생리학적 주장이 정확하다고 평가했다.

AI 빌더에게 이 사례는 월드 모델로 반사실 궤적을 생성하고 언어 모델로 실행 가능한 조언으로 전환하는 폐루프 설계와, 전문가 눈가림 평가 및 임상 안전 지표로 정량 검증하는 방식을 보여준다.

Google Research
04
watchagentscapability unlock

Google Antigravity, 클라우드에서 AI 에이전트가 작업하는 '원격 에이전트' 기능 탑재

Google Antigravity가 '원격 에이전트' 기능을 탑재해 AI 에이전트가 클라우드에서 실행되며 근무 시간 외에도 계속 작업한다.

  • 기능 이름은 '원격 에이전트'이며 AI 에이전트는 클라우드에서 실행된다.
  • Publickey 보도에 따르면 AI 에이전트는 근무 시간 외에도 계속 작업한다.

빌더에게는 에이전트 실행이 단일 세션 밖으로 확장된다는 의미이므로, 무인 실행을 전제로 한 인계와 모니터링 설계가 필요하다.

Publickey
05
watchresearchbenchmark jump

연구: AI가 취약점 탐색을 9개월에서 90시간으로 단축

All About SECURITY가 보도한 연구에 따르면 AI가 취약점 탐색 시간을 9개월에서 90시간으로 단축했다.

  • 보도에서는 취약점 탐색이 9개월에서 90시간으로 단축되었다고 전한다.
  • 출처: All About SECURITY.

AI 빌더에게 이 보도된 단축은 AI 지원 취약점 탐색이 보안 연구 기간을 크게 줄일 수 있음을 시사한다.

All About SECURITY