이 실험에서는 OpenAI와 Anthropic의 여러 대규모 언어 모델(LLM)의 무작위성을 테스트했습니다. 모델이 동전을 던지고 0에서 10 사이의 무작위 숫자를 예측하도록 함으로써 연구자들은 그 결과에 상당한 편향이 있음을 발견했는데, 이는 모델이 진정으로 무작위적이지 않음을 나타냅니다. 예를 들어, 동전 던지기 실험에서 모든 모델은 '앞면'을 선호하는 경향을 보였고, GPT-o1은 49%라는 가장 극단적인 편향을 보였습니다. 홀수/짝수 예측에서는 대부분의 모델이 홀수를 선호했고, Claude 3.7 Sonnet은 47%라는 가장 강한 편향을 보였습니다. 이러한 결과는 고급 LLM조차도 훈련 데이터 분포의 영향을 받아 예상치 못한 패턴을 보일 수 있음을 강조합니다.
더 보기
AI 기반 도구는 아웃바운드 마케팅에 혁명을 일으켜 대규모의 초개인화된 캠페인을 가능하게 했습니다. 하지만 이러한 확장성은 사용자 피로와 수익 감소로 이어질 수 있습니다. 저자는 강력한 기존 유통 채널과 확립된 사용자 관계를 가진 기업이 번영할 것이라고 예측합니다. 입소문 마케팅과 커뮤니티 구축은 중요한 경쟁 우위가 되고 AI 기반 유료 고객 확보에 대한 의존도는 감소할 것입니다.
더 보기
Inception Labs는 기존의 자기 회귀 방식에 도전하는 혁신적인 확산형 대규모 언어 모델(dLLM)을 공개했습니다. 토큰을 순차적으로 예측하는 자기 회귀 모델과 달리, dLLM은 텍스트 세그먼트를 동시에 생성하고 반복적으로 개선합니다. 이미지 및 비디오 모델에서 성공을 거둔 이 방법은 현재 코드 생성에서 동일한 규모의 기존 LLM을 능가하며 속도와 효율성이 5~10배 향상되었습니다. 가장 큰 장점은 환각 감소입니다. dLLM은 중요한 부분을 생성하고 검증한 후에 계속 진행하므로, 챗봇 및 지능형 에이전트와 같이 정확성이 요구되는 애플리케이션에 필수적입니다. 이 접근 방식은 다단계 에이전트 워크플로우 개선, 루프 방지, 계획, 추론 및 자기 수정 능력 향상을 약속합니다.
더 보기