Qwen3.5-4B 학습 없이 JevBench 81.4% 달성, 미세조정은 소규모 모델에 효과적
Gboard 학습 기간을 2개월에서 3주로 단축하고 프라이버시 예산을 3배 개선
100만 건 데이터에서 grep 대비 컨텍스트 토큰을 99% 절감하며 hit@1 98.5%의 정확도를 달성했다.
방어, 레드팀, 특수 접근 3단계 체계 도입으로 검증된 보안팀에 Mythos 5.1 모델 접근 허용
생성 없이 확률 분포를 반환해 지연을 줄이고 보정 지표 KL 0.204, Brier 0.097을 기록했습니다.
0.8B Jeff 모델이 매 턴 사고 여부를 판단해 Qwen3.8-27B의 작업 시간을 32% 줄였다.
추가 학습 없이 루프 트랜스포머의 첫 반복 예측을 참조로 해 추론 정확도를 높이고 이론적 연산량을 최대 48.2%까지 줄이는 기법이다.
단일 프로세스로 다중 사용자 에이전트를 격리 지원하며, 40개 LLM 프리셋과 전문가 템플릿 라이브러리를 제공한다.
2,078개 문서 테스트 결과 PyMuPDF가 종합 점수 53.6점, 페이지당 중간 처리 시간 0.47초로 Docling보다 우수했다.
10월 중 Apache 2.0 가중치 공개 예정이며, 추론 연산 효율을 강조하는 희소 MoE 구조다.
공인 리더보드 44개 중 검증된 점수는 0건이며, 중국 조직이 등록의 55.2%를 차지했다.
SMU 및 Meta AI 소속 연구자의 실증 연구에서, 추천 재순위화 시 Jev 모델이 포인트와이즈 Qwen 대비 지연 시간이 최대 17배 짧고 12개 실험 조건 중 11개에서 품질-지연 비열(non-dominated) 경계에 위치했다.
인프라부터 모델 탈옥까지 계층별 취약점을 자동화해 점검하는 Apache-2.0 라이선스 도구다.
ScholarEvolve, VeriHarness 등 에이전트 성능 및 안전성 개선 연구와 LIME, FlowAgent 등 실무 적용 논문 포함
AI Briefing