정책·안전OpenAI2026-08-19
오픈AI, 프론티어 모델에 제로 데이터 보유 정책 재확인 및 프라이빗 안전 처리 미리보기 발표
Offering Zero Data Retention for frontier models
- 오픈AI는 프론티어 모델에 대해 고객의 프롬프트나 모델 응답을 보유하지 않는 제로 데이터 보유(ZDR) 정책을 재확인하고, 프라이빗 안전 처리 기능을 미리보기로 공개했다.
- 프라이빗 안전 처리는 관련 상호작용 간 패턴을 식별하면서도 오픈AI 직원이 고객 콘텐츠에 접근하지 않도록 설계된 안전 시스템으로, 고객 콘텐츠는 암호화된 상태로 저장된다.
왜 중요한가데이터 프라이버시를 보장하면서도 AI 안전성을 강화하는 방안은 기업 고객의 신뢰와 보안 요구사항을 충족시키는 데 중요하다.
공식 원문 확인 ↗
제품·서비스Google AI2026-08-19
구글 검색 AI 기능, 학습 도구로 새롭게 선보여
5 new ways to level up your learning with Search
- 구글 검색에 AI 기능이 추가되어 학습 도구로 제공된다.
- 학습 개념 이해, 퀴즈 테스트, 문제 해결, 노트 정리, 맞춤 파일 생성 등 5가지 방식을 지원한다.
왜 중요한가학생들이 학습 효율을 높이고 시험 준비에 유용한 도구를 제공함으로써 교육 분야에 긍정적인 영향을 미칠 수 있다.
공식 원문 확인 ↗
모델·연구NVIDIA Developer2026-08-19
NVIDIA FLARE로 분산된 데이터에서 멀티모달 AI 훈련 구축
Building Federated Multimodal AI Workflows with NVIDIA FLARE
- NVIDIA FLARE는 파라미터 효율적 및 전체 모델 통신 패턴을 지원해 분산된 데이터에서 멀티모달 AI 훈련을 조율합니다.
- FedUMM은 경량 LoRA 어댑터를 통해 동결된 BLIP 뼈대 위에서 분산 훈련을 수행해 통신량을 28.6GB에서 0.094GB로 줄였습니다.
왜 중요한가분산된 데이터 환경에서 효율적인 멀티모달 AI 훈련을 가능하게 하여 기업 및 연구소의 협업을 촉진합니다.
공식 원문 확인 ↗
모델·연구Hugging Face2026-08-19
LFM2.5 Q4_0 체크포인트, 정량화 인식 교사 모델을 통한 성능 개선
LFM2.5 Q4\_0 Checkpoints from Quantization-Aware Distillation
- LFM2.5 Q4_0 체크포인트는 정량화 인식 교사 모델을 이용해 훈련되었으며, BF16 기준 성능의 97% 이상을 회복했습니다.
- QAD Q4_0 체크포인트는 Q5_K_M 및 UD-Q4_K_XL과 동일한 품질을 유지하면서 해석 속도를 4-14% 높였습니다.
왜 중요한가이 업데이트는 엣지 환경에서 모델을 실행할 때 메모리 사용량과 속도를 줄이면서도 성능 저하를 최소화할 수 있어 개발자에게 유용합니다.
공식 원문 확인 ↗
모델·연구NVIDIA Developer2026-08-19
NVIDIA, 로봇 제어를 위한 Cosmos 3 Edge 모델 엣지 기반 정책 생성
Post-Train NVIDIA Cosmos 3 Edge for On-Device Robot Control
- NVIDIA는 로봇이 센서, 환경, 작업에 적응할 수 있는 정책을 실행할 수 있도록 하기 위해 Cosmos 3 Edge 모델을 엣지 기반으로 개발했다.
- Cosmos 3 Edge는 Jetson Thor에서 실행 가능하며, 22.9%의 성공률을 달성한 정책을 제공한다.
왜 중요한가엣지 기반 로봇 제어는 데이터 센터 GPU 의존성을 줄이고 실시간 처리를 가능하게 하여 로봇의 독립성을 높인다.
공식 원문 확인 ↗
모델·연구NVIDIA Developer2026-08-19
NVIDIA, AI 에이전트 기술 성능 평가 도구 SkillEvaluator 공개
Evaluating AI Agent Skill Performance with NVIDIA SkillEvaluator
- NVIDIA는 AI 에이전트의 기술 성능을 평가하기 위한 SkillEvaluator 도구를 발표하며, 300개 이상의 검증된 기술을 기반으로 성능 향상 효과를 분석했다.
- SkillEvaluator는 정적 검사, 차별성 분석, 실제 작업 실행을 통해 AI 에이전트의 성능을 평가하며, 평균 31점의 성능 향상 효과를 보였다.
왜 중요한가AI 에이전트의 성능 향상은 기술 개발과 실제 활용에 중요한 영향을 미치므로, SkillEvaluator 도구는 개발자에게 유용한 평가 기준을 제공한다.
공식 원문 확인 ↗