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.
개발·오픈소스 · 최신기사
개발 도구와 언어, 웹 기술과 오픈소스 프로젝트의 변화를 다룹니다.
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.
Pushary — Mac 노치에서 모든 에이전트에 접근합니다
Pushary는 AI 코딩 에이전트가 권한 승인이나 추가 답변을 기다리며 멈추는 문제를 Mac 노치와 잠금 화면, 모바일 앱으로 해결합니다. Claude Code·Codex·Cursor 등 여러 도구의 승인과 질문을 한곳에서 처리하고, 도구별 자동 승인 정책과 감사 기록도 제공합니다.
스스로 바보가 되는 법 101 — AI 의존이 기술 면접에서 드러낸 것
Wasmer 기술 면접을 위해 엣지 배포, 대시보드, 내구성 워크플로 시스템까지 준비했지만, 간단한 캐시 파일의 수동 코드 리뷰에서 코드의 문제를 발견하고도 설명하지 못해 고전합니다. 글쓴이는 AI를 활용한 개발 역량과 기초 코드를 직접 읽고 설명하는 능력 사이의 간극, 그리고 AI 시대에 맞지 않는 채용 방식이 무엇인지 되묻습니다.
MosMos — 회의 전·중·후에 작동하는 음성 글쓰기
MosMos는 개인의 생각과 여러 사람이 참여한 대화를 음성으로 받아 실제 문서 작업에 활용할 수 있도록 만드는 음성 글쓰기 도구입니다. 자연어 받아쓰기, 사용자 지정 문체, 웹 검색, 개인 용어집, 화자 구분과 타임스탬프 기반 회의 정리 기능을 제공합니다.
ProductBridge — AI 네이티브 고객 지원·피드백 에이전트
ProductBridge는 고객 지원, 피드백 수집, 설문과 투표를 하나로 묶는 AI 에이전트입니다. 헬프 센터 기반 답변과 API·MCP 연동, 피드백 중복 제거와 도달 범위·매출 기준 우선순위화를 제공해 제품 로드맵을 정량적 근거에 연결합니다.
Show HN: Cactus Needle 3 — 8~29MB 자동화 모델로 DeepSeek V4 Flash 수준을 겨냥합니다
Cactus Needle 3는 도구 호출, 구조화 데이터 추출, 임베딩에 특화한 2~20층 소형 모델 계열입니다. 9~29MB CQ2 바이너리와 Raspberry Pi 5에서 최대 4,000 tokens/s 디코딩을 내세우며, 특정 작업에 파인튜닝하면 4층 모델도 DeepSeek V4 Flash와 맞먹는 성능을 낼 수 있다고 설명합니다.
PoC 요구사항을 바꾸려는 과정에서 Codex와 GitHub Copilot으로 프로토타입 만들기
작성자는 PDF 문서 뷰어와 데이터 추출 기능을 검증하는 React PoC를 OpenAI Codex와 GitHub Copilot으로 각각 만들어 봅니다. Codex는 모킹에서 실제 Apryse WebViewer로 확장하는 과정이 비교적 매끄러웠지만, GitHub Copilot은 웹 검색이 비활성화된 상태에서 오래된 패키지와 API를 추측해 여러 문제를 만들었고, 검색을 허용한 뒤에야 10분 만에 동작하는 전체 PoC를 생성했습니다.
AI는 실제로 API를 어떻게 호출하는가? — 처음부터 이해하는 Tool Calling
Foundation model은 스스로 코드를 실행하지 않고, 호출할 도구와 입력을 구조화된 요청으로 출력합니다. 애플리케이션이 실제 함수를 실행해 결과를 돌려주면 모델이 답변을 완성하며, 글에서는 Amazon Bedrock의 Converse API로 날씨·날짜 도구, 프롬프트 주입, MCP까지 단계적으로 설명합니다.
알리바바, 암을 포함한 약 150개 질환을 탐지하는 의료 AI 모델 오픈소스 공개
알리바바의 연구기관 DAMO Academy가 조영 CT를 분석해 암을 포함한 복부 질환 및 이상 소견 146개를 식별하는 의료 AI 모델 Damo Radar를 공개했습니다. 약 4만 건의 실제 검사에서 평균 AUC 0.913을 기록했으며, 연구진은 대부분의 영상의학과 전문의보다 높은 성능을 보였다고 설명합니다.
스틸맨: AI 에이전트가 복잡성을 감수할 만해지는 순간
대부분의 AI 에이전트는 LLM 호출을 끼운 결정적 파이프라인에 가깝다고 지적한 뒤, 진짜 자율성이 필요한 좁은 조건을 정리합니다. 런타임에 새 경로가 발견되고, 분기 공간을 미리 열거할 수 없으며, 자율 영역을 최소화하고, 모든 결정을 저렴하게 검증·기록할 수 있어야 합니다.
AlexWortega/openjev — Qwen3.5 기반의 범용 자연어 추론 크로스 인코더
openjev는 Qwen3.5를 premise와 hypothesis의 관계를 entailment·contradiction·neutral로 판별하는 단일 cross-encoder로 구성한 프로젝트입니다. 4B NLI 체크포인트와 동결된 35B-A3B MoE 백본의 작업별 MLP 헤드를 제공하며, 답변 재순위화·채점·콘텐츠 보호와 게임 제어까지 동일한 추론 primitive로 처리합니다.
모델에 오래된 코드를 보여주면 오래된 버그까지 작성합니다 — 32회 실행에서 재사용 0%
기존 저장소의 코드가 AI 모델의 다음 코드 작성 방식과 결함까지 결정하는지 160회 생성으로 검증했습니다. 오래된 중복 구현만 보여주면 32회 모두 새 구현을 만들었지만, 문서화된 규칙과 실제 공용 컴포넌트를 제공하자 재사용률과 컴파일 가능성이 크게 달라졌습니다.
Conway의 추측을 바이브로 증명해 봤습니다
한 개발자가 Claude, ChatGPT, Codex와 Lean을 엮은 다중 에이전트 워크플로로 50년 된 Conway의 정제 추측에 도전했습니다. 여러 허위 증명과 검증 실패를 거친 끝에 Lean 형식화 결과를 얻었지만, 수학자의 독립 검증 전이라는 조건부 성과이며 AI 수학 연구의 검증 문제를 함께 보여줍니다.