Evaluation 47
- The Verification Horizon: 코딩 에이전트 보상에 은탄환은 없다
- Nano Banana 2 Lite: 가장 빠르고 저렴한 Gemini 이미지 모델
- Autodata: 합성 데이터를 스스로 만드는 에이전트 데이터 사이언티스트
- Instruction Residuals: 지속 사전학습과 명령어 파인튜닝의 균형
- SEFD: SEC EDGAR 공시를 레이아웃 충실·토큰 효율 학습 데이터로 재구성하기
- SKILLMIGRATOR: 전이 가능한 상호작용 패턴으로 도메인을 넘어 웹 스킬 재사용하기
- PAPO: 확산 LLM 추론을 위한 보상과 상태 정렬 강화학습
- OpenClaw-Skill: 집단 지성 기반 스킬 트리 탐색으로 에이전트 LLM 강화하기
- Trainee에서 Trainer로: LLM이 자신의 RL 훈련 환경을 설계하다
- LLM 에이전트는 세계 모델을 추론할 수 있는가: Agentic Automata Learning 벤치마크
- SpatialClaw: 코드를 행동 인터페이스로 삼은 학습 불필요 공간 추론 에이전트
- SkillWeaver: LLM 에이전트를 위한 조합형 스킬 라우팅 — 분해·검색·조합
- PreAct: 반복 작업에서 점점 빨라지는 컴퓨터 사용 에이전트
- Slack의 Agentic Testing: 에이전트는 E2E 테스트 스택 어디에 들어가는가
- BIRD: 대규모 데이터베이스 기반 Text-to-SQL 평가 벤치마크
- OpenPipe ART: 경험으로 학습하는 에이전트 강화학습 트레이너
- MTEB v3 리더보드: 느린 데모에서 본격 임베딩 벤치마크로
- 자가진화 LLM 에이전트의 능력 붕괴: 경험 내재화를 다시 생각하다
- LLM 평가의 맹점: Test-Time Compute를 측정에 포함해야 하는 이유
- Meta-Agent Challenge: 에이전트가 에이전트를 만들 수 있는가
- 장기 에이전트 작업의 교차 벤치마크 일반화
- TaskMem: 멀티모달 에이전트를 위한 작업 중심 기억 학습
- AgingBench: 배포된 AI 에이전트는 시간이 지나면 늙는다
- 메타엔지니어링 하네스: 계약 기반 적대적 검증으로 만드는 AI 네이티브 소프트웨어 생산
- LLM 에이전트가 직접 학습 데이터를 만든다: 자율 에이전트 데이터 엔지니어링
- When AI builds itself: 재귀적 자기개선을 향한 Anthropic의 현주소
- 하이퍼커넥트 LLM 설명 정책 - 정답 없는 문제를 반복적 합의로 푸는 5단계 접근법
- AutoResearch - 과학 연구 자동화의 5단계 자율성 스펙트럼(L0-L4) 서베이
- 심층 신경망 지속 학습의 순서 변수와 상전이 - 망각을 예측하는 통계역학 이론
- Model Merging Scaling Laws — 10,506개 병합 실험으로 도출한 LLM 병합 스케일링 법칙
- AI IQ : 17개 벤치마크로 AI 모델의 지능과 EQ, 비용을 동시에 측정하는 플랫폼
- Anthropic — Claude에게 '왜'를 가르치기, 에이전틱 정렬 학습 연구
- Code as Agent Harness: 코드를 에이전트 실행 기반으로 보는 새로운 관점 (서베이)
- AI Agent Complexity Ratchet — 90% 테스트 커버리지가 AI 코딩의 새 표준이 된 이유
- Anthropic Teaching Claude Why: 원칙 기반 정렬로 블랙메일률 65%에서 19%로
- AI Co-Mathematician: 수학자와 협업하는 에이전트 워크벤치, FrontierMath Tier 4에서 48% 달성
- Better Harness: Evals를 학습 신호로 삼는 하네스 힐 클라이밍
- 하네스 엔지니어링으로 Deep Agents 점수 13.7점 끌어올리기
- Deep Agents의 Evals 설계: 양보다 질, 행동 기반 평가 만들기
- 바이브 코딩의 환상 - AI가 만드는 실행되는 코드와 사람이 원하는 제품의 간극
- Anthropic Claude Code 품질 저하 사후분석 - 한 달 동안 겹친 세 가지 버그
- Needle In A Haystack: 장문 컨텍스트 LLM의 검색 능력을 재는 벤치마크
- AI 코드 리뷰, 정말 믿을 수 있을까? 자체 벤치마크로 검증한 기록
- Claude Code Issue 42796, Thinking Redaction과 품질 회귀의 6852개 세션 정량 분석
- AI가 만든 테스트는 전부 통과했지만, 코드에는 버그가 남아있었다
- DeepResearch Bench의 RACE와 FACT 평가 방법
- LangSmith vs Langfuse