반응형 data-analysis7 ChatGPT는 출처를 어떻게 고르나 — 네트워크 트래픽을 읽은 연구, 그리고 2주 만에 절반이 바뀐 이야기 Suganthan Mohanadasan이 ChatGPT의 답변이 아니라 브라우저로 오는 JSON을 읽어서 출처 선택 기계를 뜯었다. result_source·turn_use_case 같은 내부 라벨이 그대로 나온다. 어떤 질문은 아예 검색을 안 하고, JS로 가격을 띄우면 모델이 포기하고 G2를 인용한다. 그런데 열흘 뒤 2편에서 저자가 자기 결론 두 개를 스스로 정정했다. 내 블로그에 뭘 바꿀지까지 정리했다.이 글은 요약입니다. 전문은 원문에서 보실 수 있어요.📖 원문 보기 → https://dbhyeong.github.io/blog/chatgpt-source-selection-network-traffic-geo 2026. 7. 16. LLM에게 로봇을 맡겨 봤더니 — Anthropic Embody 벤치마크가 말한 건 로봇 얘기가 아니었다 Anthropic Frontier Red Team이 언어 모델 12종에게 진짜 로봇을 쥐여 주고 측정한 Embody 벤치마크를 뜯어봤다. 관절을 직접 몰게 하면 대부분 실패하고, 사전 학습된 제어기를 감독하게 하면 갑자기 유능해진다. 결론은 '능력은 모델이 아니라 접근 수준(access level)의 함수'다. 그리고 가장 도움이 된 도구는 깊이 지도도 분할 마스크도 아닌, 방위를 각도로 알려 주는 나침반 한 줄이었다. 로봇을 안 만드는 나한테도 이 얘기가 그대로 꽂혔다.이 글은 요약입니다. 전문은 원문에서 보실 수 있어요.📖 원문 보기 → https://dbhyeong.github.io/blog/anthropic-embody-benchmark-llm-robot-control 2026. 7. 16. 2026년 7월 16일 AI·LLM 이슈 다이제스트 — 경고는 전부 문서에 적혀 있었다 2026년 7월 16일 기준 최근 이슈를 다이제스트로 묶었다. 링크 한 번으로 클로드 데스크톱에 프롬프트가 자동 주입되는 결함이 공개됐고(패치됨), Cursor는 7개월 전 제보받은 윈도우 RCE를 '취약점이 아니다'로 닫은 채 아직도 미패치다. OpenAI는 자기 모델을 84% 뚫는 레드팀 모델을 공개했고, IBM은 메모리 사재기에 분기를 잃고 사상 최악의 하루(-25%)를 맞았다. 오늘 공통 문법은 하나다 — 몰라서가 아니라 알고도 늦었다. 자주 틀리게 옮겨지는 대목은 ⚠️로 정정했고, 어제 내가 쓴 숫자 하나도 고쳤다.이 글은 요약입니다. 전문은 원문에서 보실 수 있어요.📖 원문 보기 → https://dbhyeong.github.io/blog/ai-llm-it-news-2026-07-16 2026. 7. 16. 코드베이스를 다 이해 못 해도 괜찮다 — 부분적 이해를 위한 변호 Sean Goedecke의 'In defense of not understanding your codebase'(2026-07-11)를 읽고 정리했다. Peter Naur의 '이론 구축으로서의 프로그래밍'을 반박하며, 큰 시스템에서는 '부분적 이해'가 결함이 아니라 최선이라고 주장하는 글이다. 완전이해 문화(작은 코드베이스)와 부분이해 문화(큰 코드베이스)의 충돌, Naur가 틀린 두 가지 이유, 이론 구축이 여러 가치 중 하나일 뿐이라는 관점, 그리고 LLM이 이 저울에 얹은 양날을 도식으로 풀었다. 데이터·자동화를 하며 남의 코드를 물려받는 나에게 특히 와닿은 대목을 덧붙였다.이 글은 요약입니다. 전문은 원문에서 보실 수 있어요.📖 원문 보기 → https://dbhyeong.github.io/bl.. 2026. 7. 14. 이전 1 2 다음 반응형