[태그:] LLM
-
AI 양산형 콘텐츠의 한계를 극복하기 위한 품질 필터링 기술과 에이전트 최적화 도구의 부상
AI가 생성한 저품질 콘텐츠(Slop)를 정제하는 기술과 AI 에이전트의 성능을 극대화하는 최적화 도구들이 주목받고 있습니다. 오픈소스 CRM의 발전과 자동화 도구의 진화 속에서 고품질 AI 활용법을 모색합니다.
-
OpenResponses – AI 를 위한 응답 표준정의
출처 : https://www.openresponses.org/ 저장소 : https://github.com/openresponses/openresponses Open Responses 소개 Open Responses는 OpenAI API 에서 영감을 받아 정한 다양한 벤더의 LLM 추론을 위한 오픈소스 규약이다. 에이전트 개발자, MLOps, 서빙하는 사람은 알아야 겠다. Open Resp
-
Antigravity 기초 꿀팁
원문은 다음 아티클이고, 일반적인 사용법은 잘 알테니 몇가지 유용한 것만 추려봄. https://medium.com/google cloud/tutorial getting started with google antigravity b5cc74c103c2 Agent Manager Window Playground Workflows 사용자 정의 명령 Agent Manager 단축키 Agent Mana
-
2025-10-29_google_adk_handslab
구글에서 제공하는 ADK 핸드랩 : https://cloudonair.withgoogle.com/events/apac cts gemini at work q4 2025/watch?talk=t6 d1 eng 샘플 코드 : https://github.com/google/adk samples?utm source=apac cts gemini at work Q425&utm medium=et&utm ca
-
LLM 가중치 수정
딥러닝 가중치 구조와 포맷을 처음 접하는 개발자 파인튜닝 전 단계로 모델 내부를 직접 제어해보고 싶은 연구자 LLM의 어휘 단위 의미 수정 에 관심 있는 개발자 가중치 수정과 RAG의 차이를 실감하고 싶은 AI 엔지니어 1. 주제: 가장 기초적인 가중치 생성 → 저장/로드 → 직접 수정(Weight Editing) 과정을 파이썬/PyTorch 코드로 단계별 학습. 주요 내용: nn.Linea
-
대형 추론모델의 한계 분석
애플에서 공개한 추론(Reasoning) 모델의 한계에 대한 논문 원본 : https://machinelearning.apple.com/research/illusion of thinking NotebookLM 링크 : https://notebooklm.google.com/notebook/270c9f32 28a6 4031 8c43 6b50b7c600e9? gl=1 1sze845 up MQ..
-
다시 블로그를 시작하며
배움이란 때가 있는가? 없는가? 나에게는 지금 한 때가 돌아온 것 같다. ML 충격이 처음 시작되었을 때 Python 에 익숙하지도 않고 수학적인 문턱이 높아서 접근하기 쉽지 않았다. 그러나 LLM 전문 분야에 대한 관심이 점점 커지면서 이를 배우고자 하는 열망이 생겼다. 이제부터 블로그를 통해 배운 것들을 정리하고 공유하려고 한다. OpenAI 의 Deep Research 기능이 출시된 후