이 글에서는 Gemini와 같은 AI 코드 생성 모델과 인간 엔지니어의 생산성을 비교 분석합니다. 현재로서는 개별 엔지니어가 더 효율적일 수 있지만, AI 모델의 비용은 감소하고 기능은 향상되고 있습니다. 미래에는 많은 AI 모델이 협력하여 AI에 최적화된 코드베이스와 개발 도구를 사용함으로써 인간 팀을 훨씬 능가하는 효율성을 달성할 것입니다. 이 글은 소프트웨어 엔지니어링 업계가 산업화로 나아가고 엔지니어의 역할이 AI를 관리하고 감독하는 "공장 감독자"로 변화할 것이라고 예측합니다.
2024년 AI 박사 학위 소지자이자 LLM 관련 저서의 저자인 한 작가가 대규모 언어 모델(LLM)에 대한 자신만의 견해를 공유합니다. 그는 LLM을 완전히 거부하는 것은 아니지만, 그 능력과 한계를 신중하게 접근합니다. 글쓰기 지원, 정보 검색, 기술 문제 해결 등에 LLM을 어떻게 활용하는지 자세히 설명하는 동시에, 오류 발생 가능성, 심층적인 사고력 부족, 기존 관점에 대한 과도한 의존성 등 LLM의 단점을 솔직하게 인정합니다. 그는 LLM이 사고의 대체물이 아니라 도구이며, 효과적인 사용을 위해서는 비판적 사고와 신중한 검증이 필요하다고 주장합니다.
Apple은 Genmoji, 이미지 생성 도구, 작성 도구와 같은 AI 기능을 개선하면서도 사용자 개인정보 보호에 전념하고 있습니다. Apple은 차등 프라이버시 기술을 사용하여 사용자 데이터를 익명화하고, Genmoji의 인기 프롬프트와 같은 집계된 트렌드 정보만 수집합니다. 이메일과 같은 장문 텍스트를 처리하는 AI 기능의 경우 합성 데이터를 사용합니다. 이는 실제 이메일 콘텐츠에 액세스하지 않고도 모델 학습 및 테스트를 위해 실제 사용자 데이터 패턴을 모방하는 합성 데이터를 생성하는 것입니다. 이를 통해 Apple은 제품 경험을 개선하면서 사용자 개인정보 보호를 최우선 과제로 유지할 수 있습니다.
이 글은 엔트로피 개념을 쉽게 설명합니다. 엔트로피는 단순한 '무질서'가 아니라 시스템 내의 불확실성을 측정하는 지표입니다. 정보이론 관점에서 엔트로피는 시스템의 상태를 전달하는 데 필요한 비트 수를 나타내고, 통계역학 관점에서는 주어진 거시 상태에 대응하는 미시 상태의 수와 관련이 있습니다. 상자 속 공을 예로 들어 거시 상태, 미시 상태, 조잡화가 엔트로피에 미치는 영향을 설명하고 시간이 방향성을 갖는 이유를 설명합니다. 우주는 낮은 엔트로피 상태에서 시작하여 시스템은 높은 엔트로피 상태로 진화하지만, 이는 물리 법칙이 비가역적이기 때문이 아니라 높은 엔트로피 상태일 확률이 훨씬 높기 때문입니다. 이 글에서는 기름과 물의 분리처럼 엔트로피에 반하는 것처럼 보이는 현상도 다루며, 시스템의 모든 속성을 고려하면 엔트로피는 실제로 증가함을 보여줍니다.
기존의 오디오 및 음악 생성 모델은 모달리티 간의 독립적인 작동, 고품질의 다중 모달 트레이닝 데이터 부족, 다양한 입력 통합의 어려움 등의 한계를 가지고 있습니다. 통합 확산 트랜스포머 모델인 AudioX는 유연한 자연어 제어와 텍스트, 비디오, 이미지, 음악, 오디오 등의 매끄러운 처리를 통해 고품질의 일반적인 오디오 및 음악을 생성하여 이러한 문제를 해결합니다. 주요 혁신은 다중 모달 표현 학습을 향상시키는 다중 모달 마스킹 트레이닝 전략입니다. 데이터 부족을 극복하기 위해 두 개의 포괄적인 데이터 세트가 생성되었습니다. vggsound-caps(19만 개의 오디오 캡션)와 V2M-caps(600만 개의 음악 캡션)입니다. 광범위한 실험을 통해 AudioX는 통합 아키텍처 내에서 다양한 입력 모달리티와 생성 작업을 처리하는 능력에서 최첨단 전문 모델과 동등하거나 능가하는 것으로 나타났습니다.
MIT와 하버드 의과대학의 연구에 따르면 면역 분자 IL-17은 편도체와 체성 감각 피질에 작용하여 각각 불안을 유발하고 사회적 행동을 촉진하는 것으로 나타났습니다. 이 연구는 면역 체계와 신경 체계의 밀접한 상호 작용을 보여주며, IL-17이 염증을 촉진하기 전에 신경 조절 물질로 진화했을 가능성을 시사합니다. 이러한 발견은 자폐증이나 우울증과 같은 신경 질환에 대한 새로운 치료 접근 방식을 제공하며, 면역 체계를 표적으로 하여 뇌 기능에 영향을 미칠 수 있는 가능성을 보여줍니다.
OpenAI에 이어 Google은 Gemini 모델이 Anthropic의 모델 컨텍스트 프로토콜(MCP)을 지원할 것이라고 발표했습니다. MCP는 비즈니스 툴, 소프트웨어, 콘텐츠 저장소, 애플리케이션 개발 환경 등 다양한 데이터 소스에 AI 모델이 직접 액세스할 수 있도록 하여 더욱 복잡한 작업 완료를 가능하게 합니다. 이러한 움직임은 MCP가 오픈 스탠다드로서 업계에서 수용되고 있음을 보여주며, AI 애플리케이션의 개발과 보급을 가속화할 것으로 예상됩니다. Google DeepMind CEO인 Demis Hassabis는 Anthropic 및 다른 기업과의 협력을 통한 MCP의 추가 개발에 대한 기대감을 표명했습니다.
올여름, 와일드 돌핀 프로젝트, 조지아 공과대학교, 그리고 구글은 대서양 점박이 돌고래 소리로 훈련된 음향 모델인 DolphinGemma를 오픈소스로 공개합니다. 잠재력은 다른 고래류 연구에도 확대됩니다. 연구자들은 서로 다른 종의 소리에 맞게 미세 조정할 수 있습니다. 이 도구를 제공함으로써, 연구자들은 자신들의 음향 데이터 세트를 분석하고, 패턴 발견을 가속화하며, 이 지능적인 해양 포유류에 대한 이해를 심화할 수 있습니다. 이 협력은 현장 연구, 엔지니어링 전문 지식, 최첨단 기술을 결합하여 인간과 돌고래 간의 의사소통 격차를 해소하기 위한 흥미로운 가능성을 열어줍니다.
자원 제약으로 DeepSeek 팀은 내부 추론 엔진을 직접 오픈소스로 공개하는 대신 기존 오픈소스 프로젝트와의 협업을 선택했습니다. 엔진에서 재사용 가능한 구성 요소를 추출하여 독립적인 라이브러리로 기여하고 최적화 전략도 공유할 것입니다. 이러한 접근 방식은 오픈소스 커뮤니티에 대한 지속 가능한 기여, AGI 개발 촉진, 그리고 그 이점을 모든 인류가 누릴 수 있도록 하는 것을 목표로 합니다. 향후 노력은 새로운 모델 출시 시 Day-0 SOTA 지원을 가능하게 하기 위해 오픈소스 커뮤니티와 하드웨어 파트너와의 추론 엔지니어링 동기를 우선시할 것입니다.
Pillar Security 연구원들은 "규칙 파일 백도어"라고 불리는 새로운 위험한 공급망 공격 벡터를 발견했습니다. 이 기법을 통해 해커는 Cursor 및 GitHub Copilot과 같은 AI 코드 편집기에서 사용하는 겉보기에는 무해한 구성 파일에 악의적인 명령어를 삽입하여 AI 생성 코드를 은밀하게 손상시킬 수 있습니다. 숨겨진 유니코드 문자와 정교한 회피 기술을 활용하여 공격자는 AI를 조작하여 코드 검토를 우회하는 악성 코드를 삽입합니다. 이 공격은 사실상 눈에 보이지 않으며 악성 코드를 은밀하게 전파합니다. AI 자체를 무기화하여 개발자의 신뢰할 수 있는 어시스턴트를 자신도 모르는 공범으로 만들어 수백만 명의 사용자에게 영향을 미칠 수 있습니다.
과학자들은 진화에 대한 새로운 이론인 '기능 정보'를 제안합니다. 이 이론은 선택 과정이 복잡한 시스템의 진화를 추진하며, 생물학에 국한되지 않고 광물, 원소, 심지어 우주 전체에도 적용될 수 있음을 시사합니다. 이 진화는 항상 점진적인 것이 아니라, 생물 진화사의 중요한 전환점처럼 도약적으로 일어나기도 합니다. '기능 정보' 개념은 우주의 복잡성 기원과 생명 진화의 방향성을 이해하는 데 새로운 관점을 제공하며, 우주생물학, 종양학 등 분야의 연구에 새로운 길을 열어줍니다.
Model Context Protocol(MCP)은 서드파티 툴과 데이터를 LLM과 통합하는 데 사실상의 표준으로 빠르게 자리 잡았습니다. 하지만 이러한 편리함은 상당한 보안 및 개인 정보 보호 위험을 수반합니다. 이 글에서는 부적절한 인증, 사용자 제공 코드 실행, 대규모 데이터셋 및 자율성 처리에서 LLM의 고유한 한계 등 여러 취약성을 자세히 설명합니다. MCP는 민감한 데이터 유출과 의도치 않은 데이터 집계로 이어질 수 있으며, 기업 보안에 과제를 제기합니다. 저자는 개발자, 애플리케이션, 사용자가 협력하여 MCP의 보안을 개선하고 잠재적 위험을 완화하기 위해 신중하게 사용해야 한다고 주장합니다.
거대 언어 모델(LLM)은 단순히 훈련 데이터의 통계적 패턴을 암기하고 반복하는 '확률적 앵무새'에 불과하다고 일각에서 치부해 왔습니다. 하지만 최근 연구는 더욱 미묘한 현실을 보여줍니다. 연구자들은 이러한 모델 내부에 복잡한 내부 '회로'를 발견했습니다. 이는 특정 유형의 문제를 해결하기 위해 자가 학습된 알고리즘입니다. 이러한 회로는 훈련 데이터에 없는 상황에도 일반화할 수 있게 합니다. 예를 들어, 운율이 있는 시구를 생성하거나, 이러한 시구의 구조를 사전에 계획하는 것조차 가능합니다. 제한은 여전히 존재하지만, 이러한 발견은 '확률적 앵무새'라는 이야기에 이의를 제기하며, 모델 지능의 본질에 대한 더욱 심오한 질문을 제기합니다. LLM은 완전히 새로운 문제를 해결하기 위해 새로운 회로를 독립적으로 생성할 수 있을까요?
Meta가 최근 출시한 Llama 4 대규모 언어 모델 제품군, 특히 Maverick 버전은 OpenAI의 GPT-4o나 Google의 Gemini 2.0 Flash와 같은 모델들을 능가하는 인상적인 벤치마킹 결과로 AI 업계에 충격을 주었습니다. 하지만 곧 벤치마킹에 사용된 Maverick과 공개 버전 사이의 동작 차이가 발견되면서 Meta의 부정 행위 의혹으로 이어졌습니다. Meta는 벤치마킹에 특별히 조정된 버전을 사용했다고 인정했고, 수정되지 않은 Llama 4 Maverick 모델을 LMArena에 추가했습니다. 결과적으로 순위가 크게 하락했습니다. 이 사건은 대규모 모델 벤치마킹의 투명성 문제를 드러내고 모델 평가 방법을 재검토해야 한다는 목소리가 높아지고 있습니다.
Lotka-Volterra 방정식, 즉 Lotka-Volterra 포식자-피식자 모델은 두 종이 상호 작용하는(한 종은 포식자, 다른 종은 피식자) 생물 시스템의 역학을 설명하는 데 자주 사용되는 1계 비선형 미분 방정식 쌍입니다. 이 모델은 피식자가 무제한의 먹이를 가지고 있으며, 포식되지 않는 한 지수적으로 번식한다고 가정합니다. 포식률은 포식자와 피식자가 만나는 비율에 비례합니다. 포식자 개체수 증가는 포식률에 의존하며, 자연 사망률의 영향을 받습니다. 이 모델의 해는 결정론적이고 연속적이며, 포식자와 피식자의 세대가 지속적으로 중첩됨을 의미합니다. Lotka-Volterra 모델은 포식자와 피식자 개체수의 변동을 예측하며, 개체군 평형의 특징을 보여줍니다. 즉, 피식자의 평형 밀도는 포식자의 매개변수에 따라 달라지고, 포식자의 평형 밀도는 피식자의 매개변수에 따라 달라집니다. 이 모델은 경제학과 마케팅에도 적용되어 여러 경쟁업체, 보완적인 플랫폼 및 제품이 있는 시장의 역학을 설명합니다.
정치 신경과학자인 레오르 즈미그로드의 신간, 『이데올로기 뇌: 유연한 사고의 급진적 과학』은 이데올로기가 인간의 뇌와 신체에 어떻게 영향을 미치는지 탐구합니다. 신경 영상 및 심리학 연구를 사용하여 즈미그로드는 이데올로기가 인지적 유연성과 반응성에 어떻게 영향을 미치는지 밝히고, 극단적인 이데올로기를 편도체와 같은 특정 뇌 영역의 활동과 연결합니다. 이 책은 또한 인지적 유연성과 도파민의 관계, 그리고 창의력과 인지적 유연성을 함양하여 이데올로기적 영향에 대한 저항력을 높이는 방법에 대해 논의합니다. 즈미그로드의 연구는 이데올로기적 사고를 단순한 '무사고'로 보는 기존의 개념에 도전하여 복잡한 인지 과정으로 제시합니다.
SkyworkAI는 Skywork-OR1-Math-7B, Skywork-OR1-32B-Preview, Skywork-OR1-7B-Preview를 포함한 강력한 오픈소스 추론 모델 시리즈인 Skywork-OR1을 출시했습니다. 대규모 규칙 기반 강화 학습을 사용하여 훈련된 이 모델들은 수학 및 코드 추론에서 뛰어난 성능을 보입니다. Skywork-OR1-Math-7B는 AIME24 및 AIME25 테스트에서 동일한 크기의 모델을 크게 능가했습니다. Skywork-OR1-32B-Preview는 수학 및 코딩 작업에서 Deepseek-R1의 성능 수준에 도달했습니다. Skywork-OR1-7B-Preview 또한 동일한 크기의 모델을 능가합니다. 전체 모델과 교육 스크립트는 향후 며칠 동안 오픈소스로 제공될 예정입니다.
이 게시글은 기계 학습 분류 작업에서 손실 함수로서의 교차 엔트로피의 역할을 명확하게 설명합니다. 정보 이론의 개념인 정보량과 엔트로피부터 시작하여 교차 엔트로피를 구축하고 KL 다이버전스와 비교합니다. 그리고 교차 엔트로피와 최대 우도 추정 간의 관계를 수치 예시를 사용하여 보여주고 기계 학습에서의 적용을 명확히 합니다.
OmniSVG는 사전 훈련된 비전 언어 모델(VLM)을 활용하는 엔드투엔드 멀티모달 SVG 생성기의 첫 번째 제품군입니다. 간단한 아이콘부터 복잡한 애니메이션 캐릭터까지 복잡하고 세부적인 SVG를 생성할 수 있습니다. 이 프로젝트는 MMSVG-Icon 및 MMSVG-Illustration 데이터셋과 연구 논문을 공개했습니다. 향후 계획에는 코드 및 사전 훈련된 모델, MMSVG-Character 데이터셋 및 기술 보고서가 포함된 프로젝트 페이지 공개가 포함됩니다.
본 기사는 AI 학습의 저작권적 의미에 대해 심층적으로 논의합니다. 일각에서는 저작권으로 보호받는 작품을 이용한 AI 학습에는 라이선스가 필요하며, '학습권'을 확립해야 한다고 주장합니다. 저자는 이에 반박하며 AI 학습은 데이터를 분석하는 것이지 복제하는 것이 아니라고 말합니다. 핵심 문제는 AI에 의한 예술가의 노동 착취이며, 저작권 침해가 아닙니다. 저자는 저작권 확대가 아닌 노동자 권리를 옹호하며, 저작권 확대는 대기업에 이익을 가져다주고 독립 예술가들에게 손해를 끼치기 때문입니다.
OpenAI에 선두를 내주었던 Google DeepMind가 Gemini 2.5로 화려하게 복귀했습니다. 주요 AI 벤치마크 테스트에서 압도적인 승리를 거두었습니다. Gemini 2.5는 뛰어난 성능, 저렴한 비용, 거대한 컨텍스트 윈도우, 그리고 Google 생태계와의 완벽한 통합을 자랑합니다. Google의 우위는 텍스트에 국한되지 않고 이미지, 비디오, 음악, 음성 생성에서도 탁월함을 보여주며 경쟁사들을 압도하고 있습니다. 이 기사에서는 Gemini 2.5의 여러 장점과 Google DeepMind가 AI 분야에서 종합적으로 선두를 달리고 있음을 강조합니다.
전 OpenAI 직원 그룹이 일론 머스크의 OpenAI 소송을 지지하는 의견서를 제출하며, 비영리 조직에서 영리 기업으로의 전환 계획에 반대했습니다. 그들은 이것이 인류 전체에 이익을 가져다준다는 OpenAI의 본래 사명에 위배된다고 주장합니다. 여러 전직원들은 이전에 OpenAI의 투명성과 책임 부족을 비판하며, AI 지배를 위한 무모한 경쟁을 경고했습니다. OpenAI는 비영리 부문은 유지되지만 공익 법인(PBC)으로 전환하고 있다고 답했습니다. 이 소송은 OpenAI의 조직 구조와 AI 개발에 대한 영향에 초점을 맞추고 있으며, AI 분야에서의 상업화와 사회적 책임의 복잡한 상호 작용을 보여줍니다.
저자는 어린 시절 시냇물에 댐을 만든 경험을 사용하여 AI 개발에서 최선을 다하는 것의 한계를 설명합니다. 처음에는 작은 댐을 애써 만들었지만, 나중에 삽을 사용하는 것이 더 효율적이라는 것을 깨달았습니다. 하지만 이 성공으로 인해 탐험적인 측면이 줄어들었습니다. 마찬가지로 직장이나 인생에서 목표(고액 연봉의 직업 등)를 달성하면 게임의 규칙이 바뀝니다. 저자는 AI 개발은 이러한 교훈을 명심해야 하며, 강력한 AI를 만드는 것뿐만 아니라 잠재적인 위험과 미개척 분야에도 주목해야 한다고 주장합니다. 조수웅덩이에서 필사적으로 살아남으려는 작은 조개를 관찰하는 것과 마찬가지로 세부 사항에 대한 주의가 중요합니다. Anthropic의 최근 교육 애플리케이션에 관한 보고서도 이 점을 인식하고 있는 것 같습니다.
대규모 언어 모델(LLM)은 고도의 자율성을 가진 작업을 수행할 수 있도록 발전하고 있지만, 고객 지원과 같은 고부가가치 사용 사례에 배포하려면 신뢰성과 일관성을 우선시해야 합니다. 연구에 따르면 고도의 자율성을 가진 에이전트는 이상적인 환경에서는 탁월하지만, 현실 세계의 고객 지원에는 지식 격차, 예측 불가능한 사용자 행동, 시간 제약과 같은 과제가 있습니다. 이를 해결하기 위해 새로운 지표인 pass^k가 개발되었고, 시뮬레이션된 고객 상호 작용을 통해 테스트되었습니다. 그 결과 고도의 자율성을 가진 에이전트는 복잡한 작업에서 신뢰성 문제를 겪는 것으로 나타났습니다. 해결책은? “Give Fin a Task” 에이전트입니다. 이는 에이전트의 자율성을 제한하고 단계별 지침을 사용하여 신뢰성을 향상시키고 복잡한 작업을 더 간단한 모듈로 분해합니다. 이러한 접근 방식은 실제 고객 지원 시나리오에서 LLM의 성능을 향상시키는 유망한 방법입니다.
새로운 연구에 따르면 보노보는 복잡한 방식으로 소리를 결합하여 독특한 구절을 형성하며, 이러한 유형의 구문은 이전에 생각했던 것보다 진화적으로 더 오래되었다는 것을 시사합니다. 연구원들은 보노보의 발성을 관찰하고 분석하고 의미론적 방법을 사용하여 보노보의 소리 조합에 비자명적인 구성성이 있음을 발견했습니다. 즉, 조합의 의미는 개별 부분의 의미와 다르다는 것입니다. 이러한 발견은 인간 언어의 독창성에 의문을 제기하며, 인간 언어의 복잡한 구문이 더 오래된 조상으로부터 유래했을 가능성을 시사합니다.
AI는 이미 사실적인 사진, 비디오, 음성 생성을 마스터했습니다. 다음 도약은 무엇일까요? 바로 AI 아바타입니다. 얼굴과 음성을 결합하여 말하는 캐릭터를 만드는 것입니다. 단순한 이미지 생성과 음성 더빙이 아닙니다. AI는 입술 동기화, 표정, 바디 랭귀지의 복잡한 조정을 학습해야 합니다. 이 글에서는 단일 사진 기반의 초기 모델부터 전신 움직임과 역동적인 배경을 생성하는 고급 모델까지 AI 아바타 기술의 발전 과정을 살펴봅니다. 또한 AI 아바타의 콘텐츠 제작, 광고, 기업 커뮤니케이션 분야에서의 활용과 더욱 자연스러운 표정, 몸짓, 현실 세계와의 상호 작용 등 미래 방향에 대해 분석합니다.
어린 시절 개울에 둑을 쌓던 놀이를 비유로 사용하여 저자는 AI 개발에서 최대한의 노력과 현명한 선택 사이의 긴장 관계를 탐구합니다. 처음에는 어린아이처럼 작은 돌과 나뭇잎으로 둑을 쌓으려고 했지만, 결국 삽을 사용하는 것이 더 효율적임을 발견했습니다. '승리'가 놀이의 범위를 좁히는 것을 의미할 수도 있습니다. 마찬가지로 AI 분야에서 저자는 투자은행 일자리를 필사적으로 구했지만, 성공한 후에는 '최대한 많은 돈을 버는' 게임이 더 이상 불가능하다는 것을 깨달았습니다. 압도적인 힘(자연, 시장)에 맞설 때 최대한의 노력은 역효과를 낼 수 있다고 주장합니다. 그러나 Anthropic의 교육 애플리케이션에 대한 최근 보고서는 잠재적 위험에 대한 인식이 높아지고 있음을 시사하며, 그것은 해변에서 필사적으로 살아남으려는 조개와 같습니다.
새벽 2시 호출과 끝없는 알림에 지치셨나요? Parity는 AI를 사용하여 인프라 문제 조사, 근본 원인 분석 및 복구를 자동화하여 당직 근무를 과거의 일로 만들어줍니다. 이 제품은 초기 고객들로부터 높은 채택률을 기록했으며 새로운 카테고리를 정의할 잠재력을 가지고 있습니다. Parity는 Y Combinator, General Catalyst, Sugar Free Capital과 같은 최고 수준의 투자자들과 Midjourney, Crusoe와 같은 주요 스타트업의 창업자 및 초기 직원들로부터 엔젤 투자를 받았습니다.
현재 AI 모델은 방대한 중앙 집중식 데이터 세트에 의존하며, 보안 및 개인 정보 보호에 대한 우려를 야기합니다. EPFL 연구원들은 데이터를 중앙 집중화하지 않고 분산된 장치에서 AI 모델을 훈련하기 위해 연합 학습을 사용하는 라이브러리 ByzFL을 개발했습니다. ByzFL은 악의적인 데이터를 감지하고 완화하여 특히 의료 및 운송과 같은 중요한 응용 프로그램에 필수적인 견고성과 안전성을 보장합니다. 신뢰할 수 있는 AI 시스템을 구축하기 위한 혁신적인 솔루션을 제공합니다.
Apple 머신러닝 연구원들은 RLHF나 파인튜닝과 같은 리소스 집약적인 훈련 없이도 대규모 생성 모델(LLM 및 텍스트-이미지 확산 모델 포함)의 출력을 미세하게 제어할 수 있는 새로운 기술인 Activation Transport (AcT)를 개발했습니다. AcT는 최적 전달 이론을 사용하여 모델 활성화를 제어하며, 최소한의 계산 오버헤드로 모달리티에 독립적인 제어를 달성합니다. 실험 결과는 독성 감소, LLM의 진실성 향상, 이미지 생성의 스타일 제어 측면에서 상당한 개선을 보여줍니다. AcT는 보다 안전하고 신뢰할 수 있는 생성 모델을 위한 길을 열어줍니다.