AI21 Labs의 Teel이 섀도 인터프리터로 IO 병렬화해 실행 시간을 83% 단축했다
AI21과 Deel이 Nemotron 3.5 Super VL을 후학습해 경쟁 모델보다 품질을 8점 높였다.
AI21이 컨텍스트 압축과 모델 전환으로 GitLab Duo Code Review 비용을 98% 절감했다
AI21이 3개 파트너와 NVIDIA Nemotron 3.5 Super VL을 3주 만에 포스트 트레이닝해 저비용 프론티어 성능을 확보했다.
AI21 분석 결과 공개 벤치마크가 작업 난이도를 과대평가해 모델 라우팅 비효율을 초래했다.
AI21이 Kueue 도입으로 주당 20회 수동 개입을 없애고 히어로 잡 기아 시간을 72시간에서 12시간으로 줄였다.
저렴한 모델로 컨텍스트를 추출하고 프론티어 모델로 최종 패치를 작성하는 계층형 아키텍처를 통해 비용 효율성과 성능을 동시에 잡았다.
작업 난이도에 따라 컴퓨팅 자원을 유동적으로 할당하여 SWE 에이전트의 비용과 속도를 최적화하는 전략을 제안한다.
AI 에이전트의 토큰 사용량 급증에 대응하기 위해 품질 저하 없이 비용을 최적화하는 자동화된 라우팅 기술이 중요해지고 있다.
새로운 에이전트를 개발하는 대신 기존 에이전트들의 결과물을 병합하는 방식으로 Deep Research 벤치마크 1위를 달성했다.
AI21이 실행 전략을 뒤집는 '먼저 확장하고 나중에 보강하기' 방식으로 SWE-rebench에서 60.9%의 해결률을 기록하며 SOTA를 달성했다.
기업용 생성형 AI 도입 과정에서 발생하는 주요 과제들을 살펴보고, 이를 해결하여 운영 효율성을 달성하는 방법을 분석한다.
AI21 Labs가 스탠퍼드 대학교의 파운데이션 모델 투명성 지수(FMTI)에서 상업용 LLM 중 가장 높은 점수를 기록했다.
AI21이 최신 파운데이션 모델인 Jamba-Instruct를 Snowflake Cortex에 통합하여 기업의 GenAI 활용을 지원한다.
AI21 Labs의 Contextual Answers 모델이 주요 Foundation Model들을 제치고 질의응답 성능과 신뢰성 지표에서 우수한 결과를 기록했다.
AI21 Labs의 최신 모델 Jamba-Instruct가 Amazon Bedrock에 추가되어 효율적인 대규모 문맥 처리를 지원한다.
AI Briefing