일본 게임 개발자의 거의 86%가 업무에 AI 사용 — 2025년 51%에서 급증
CESA 조사에서 일본 게임 개발자의 85.8%가 생성형 AI를 게임 개발 과정에 사용한다고 답했습니다. 활용 영역은 디버깅·오류 수정·자동 테스트 등 반복 업무에 집중됐으며, 창작과 최종 판단은 인간이 맡는 것으로 나타났습니다.
AI · 최신기사
AI 모델과 서비스, 활용 도구와 이용 조건을 다룹니다.
LLM 보안 제품의 전체 영업 루프를 AI 에이전트에 30일 맡겨봤습니다 — 실제로 망가진 것들
LLM 레드팀 스캐너의 마케팅, DM 응답, 결제, 제품 전달을 AI 에이전트가 30일간 사람 개입 없이 수행했습니다. 에이전트 트래픽은 많았지만 결제액은 주로 사람이 만들었고, 가장 큰 문제는 결제 재시도·스팸보다 광고와 실제 산출물 사이의 버전 불일치였습니다.
6개월 동안 AI에게 테스트를 작성하게 해봤습니다 — 실제 프로덕션에서 살아남은 것들
AI는 테스트 코드의 보일러플레이트와 버그 재현용 골격을 빠르게 만드는 데 효과적이지만, 중요한 실패 시나리오와 올바른 검증 조건까지 찾아주지는 못합니다. 작성자는 Playwright와 Flutter 테스트 경험을 바탕으로 AI 생성 테스트의 한계와 사람이 반드시 맡아야 할 역할을 설명합니다.
AI 코딩 에이전트는 자신이 여는 저장소의 공격을 받을 수 있습니다
AI 코딩 에이전트는 저장소 파일만 읽는 것이 아니라 Git 명령, 설정, 스크립트, 에이전트 지침까지 실행하거나 해석할 수 있습니다. GitSpawn 사례처럼 악성 Git 설정과 프롬프트 인젝션이 에이전트의 권한을 악용할 수 있으므로, 신뢰하지 않는 저장소는 격리 환경에서 검토하고 자격 증명은 최소한으로 제공해야 합니다.
첫 AI 심사관 인터뷰 — 대체 무엇이 잘못될 수 있을까요?
AI의 도움으로 금융 의사결정 도구를 만든 뒤 AI 심사관의 기술 인터뷰를 받은 참가자의 회고입니다. 구현 세부사항과 검증 한계를 설명하지 못했던 경험을 통해, AI-assisted 개발에서도 설계·코드·실패 조건을 직접 이해하고 설명하는 능력이 중요하다는 점을 보여줍니다.
AI에게 글쓰기를 맡기면 안 되는 거의 모든 이유
에릭 그루네월드는 글쓰기가 단순한 표현 작업이 아니라 사고와 검증의 과정이므로, 실질적인 글을 AI로 작성하지 말아야 한다고 주장합니다. AI가 만드는 문장은 그럴듯하지만 모호하고 미묘하게 틀리기 쉬우며, 공개 시 독자와의 암묵적 신뢰를 훼손할 수 있다고 설명합니다.
YuE2-3B용 실시간 오디오 토크나이저와 디코더 LoRA — 실제 녹음 기반 음악 생성·커버 도구
YuE2-3B에 포함되지 않은 오디오→시맨틱 토큰 인코더와 실제 녹음에 맞춘 NAR 디코더 LoRA를 제공하는 Hugging Face 저장소입니다. 자체 녹음 토큰화, 아티스트별 AR LoRA 학습, 음악 생성과 커버 제작을 지원하며 v4부터 v9까지의 학습 방식과 평가 수치도 함께 공개합니다.
AI에게 계산을 맡기지 않는 포트폴리오 분석 도구를 만들었습니다 — Asterisk
Asterisk는 개인 투자자가 기관 수준의 포트폴리오 위험 분석을 이용할 수 있도록 만든 도구입니다. VaR·포트폴리오 최적화·팩터 모델 분석은 결정론적 수학으로 처리하고, AI는 결과를 자연어로 설명하는 역할만 맡습니다.
yynxxxxx/Codex-X — OpenAI Codex 데스크톱·CLI를 위한 시각형 관리 도구
Codex-X는 OpenAI Codex 데스크톱과 Codex CLI에서 흩어지기 쉬운 Prompt, Provider/API, Session, Skills/MCP, TOML 설정을 하나의 크로스플랫폼 UI로 관리하는 오픈소스 도구입니다. Prompt의 추가·교체, Provider 전환, 세션 동기화·삭제, Token 사용량 확인과 설정 백업을 제공하며 Tauri 2, React, TypeScript, Rust, SQLite로 구성됩니다.
Playwright보다 2배 빠르고 토큰을 80% 더 효율적으로 사용하는 Stagehand v4
Stagehand는 Playwright의 브라우저 자동화 API를 바탕으로 AI 에이전트에 맞춘 SDK입니다. 브라우저 내부 확장 프로그램, 접근성 트리 기반 컨텍스트 축소, 배치 명령과 캐싱을 활용해 Playwright 대비 2배 빠른 실행과 80% 높은 토큰 효율을 목표로 하며 TypeScript·Python·Go를 지원합니다.
4GB 노트북 GPU가 Gemma 4에서 12코어 CPU보다 4.3배 빠릅니다
동일한 노트북에서 Gemma 4 소형 양자화 모델을 CPU와 4GB GTX 1650 Ti로 번갈아 서빙한 결과, GPU 디코드 속도가 평균 4.27배 빨랐습니다. 모델의 대형 임베딩 테이블이 호스트 메모리에 남는 구조 덕분에 4GB GPU만으로도 충분히 적재할 수 있었습니다.
AI가 코딩하는 동안 무엇을 하시나요? 저는 AI끼리 논쟁하게 합니다
두 개의 LLM이 같은 작업을 독립적으로 검토한 뒤 근거를 교환하게 하는 AdversarialDebate를 소개합니다. 초기에는 논쟁처럼 보이는 대화의 89%가 연극에 불과했지만, 독립 판정과 구조화된 반론을 적용한 v0.2.0에서는 2,333개 데이터 행 기준 88.7%의 이진 일치율을 기록했습니다.
Qwen3.8-Flash-Next용 비균일 GGUF 양자화 — GSQ와 RCO로 텐서별 정밀도 배분
ISTA-DASLab이 512-expert MoE 모델 Qwen3.8-Flash-Next를 GSQ와 RCO로 비균일 양자화해 2.40·2.50·3.00 bpw GGUF로 공개했습니다. IQ3_XXS는 BF16 대비 4.7배 작으면서 AIME25 점수가 같고, Q2_0은 IQ2_XS보다 프롬프트 처리량이 3.4배 높습니다.
higgsfield-ai/higgsfield — 수십억~수조 파라미터 모델 학습을 위한 내결함성·고확장성 GPU 오케스트레이션 및 머신러닝 프레임워크
Higgsfield는 대규모 언어 모델(LLM) 학습을 위해 GPU 노드 할당, 실험 큐 관리, 분산 샤딩, 학습 모니터링, GitHub Actions 연동을 제공하는 오픈소스 프레임워크입니다. PyTorch FSDP와 DeepSpeed ZeRO-3를 지원하며, 여러 노드에서 대규모 모델을 학습하고 체크포인트를 관리하는 흐름을 단순화합니다.
면접에서 AI를 사용했다는 이유로 탈락했습니다 — 그런데 면접관도 AI를 쓰고 있었습니다
AI를 사용한 사실을 공개했다가 면접에서 탈락한 개발자가, 같은 면접에서 AI를 사용하는 면접관을 봤다고 말합니다. 글은 코딩 평가가 문법 암기보다 AI의 오류를 판별하고 결과를 통제하는 판단력을 측정해야 한다고 주장합니다.
trycua/cua — 오픈소스 드라이버, 크로스 OS Fleet, 벤치마크로 Computer-Use 2.0 확장하기
Cua는 AI 에이전트가 Linux·macOS·Windows의 데스크톱 애플리케이션과 브라우저를 조작하도록 하는 오픈소스 도구 모음입니다. 격리된 클라우드 데스크톱, 로컬 macOS VM, 에이전트 평가·학습용 Cua-Bench를 함께 제공합니다.
Toone — 복잡하고 신뢰할 수 있는 AI 에이전트 워크플로와 루틴 구축
Toone은 자연어로 복잡하고 장시간 실행되는 AI 에이전트 워크플로를 만들고, 각 단계를 확인·수정·디버깅한 뒤 중단한 지점부터 재개할 수 있는 macOS 앱입니다. OpenAI 또는 Anthropic 계정을 연결해 결정적 실행과 관찰 가능성을 확보하는 것을 목표로 합니다.
점진적 공개(Progressive Disclosure): 무엇을, 어디에, 언제, 왜 적용할까요?
코딩 에이전트의 지침을 하나의 거대한 파일에 항상 넣는 대신, 작업에 필요한 규칙을 무엇을·어디에·언제라는 기준으로 나눠 필요한 순간에만 불러오는 점진적 공개를 설명합니다. 28,721개 저장소 분석과 AGENTS.md, CLAUDE.md, skills, 경로 설정 사례를 바탕으로 컨텍스트 경쟁을 줄이는 방법과 새롭게 생기는 지침 관리 문제를 다룹니다.
ApplySeed — 액셀러레이터에서 시드 투자 유치하기
ApplySeed는 스타트업 프로필을 바탕으로 지원 자격에 맞는 액셀러레이터와 펀딩 프로그램을 찾고, 각 지원서에 맞춰 답변을 작성해 주는 서비스입니다. 사용자는 덱이나 메모, ChatGPT 프롬프트로 정보를 입력한 뒤 결과를 검토하고 직접 제출할 수 있습니다.
LLM 4,768회 실행에서 단 한 번의 스윕도 잃지 않기 — 타임아웃·멈춤·비용을 견디는 필드 테스트 러너 만들기
CauterRule v0.3.0은 40개 코퍼스와 2개 모델을 대상으로 4,768개 trajectory-run을 완료한 필드 테스트 보고서입니다. per-trajectory timeout, 비재시도 타임아웃, 토큰 상한, 격리, 종료 시 취소라는 다섯 가지 방어 장치로 멈춘 요청 하나가 전체 평가를 막지 않게 했으며, 호출별 토큰 사용량도 비용으로 환산했습니다.