한 줄 요약

오늘의 공통 축은 ‘찾기와 기억’이다 — 그리드 기반 근사 최근접 탐색은 고차원에서도 속도를 유지하고, 에이전트는 기억을 기술로 학습하며, 비문자적 검색 헤드를 가려내는 도구와 위험을 통제한 간단한 온라인 모니터가 더해졌다. Hermes Agent는 대규모 릴리스를 배포했다.

Research Papers

멀티프로브 그리드: 고차원 근사 최근접 탐색 스케일링

이 논문은 유사한 벡터를 찾는 방법 가운데, 그래프·트리·파티션 대신 그리드 기반 방식을 썼을 때 데이터 크기와 특성 수(차원)가 커져도 성능이 어떻게 변하는지 정밀 측정한다. 근사 최근접 탐색(Approximate Nearest Neighbor, ANN)에서 멀티프로브 그리드는 GloVe 임베딩에서 새롭게 보고된 “차원 스케일링 교차”를 보이며, 차원이 늘어도 차원 스케일링 지수가 거의 일정하게 유지되는 반면 다른 방식은 처리량이 떨어진다. ¹

트레이드오프도 분명하다. 멀티프로브 그리드는 데이터 개수 N에 대해 거의 선형에 가까운 질의 스케일링을 보이고 인덱싱 비용도 경쟁 방식보다 낮아, 인덱스를 자주 재구축해야 하거나 차원이 높은 환경에서 유리하다. GloVe 계열에서 관찰된 차원 스케일링 특성은 그리드 방식이 단순한 운영으로도 경쟁력을 낼 수 있는 조건을 가리킨다. ¹

또한 최근 연구가 자기어텐션을 ANN 연산으로 형식화했다는 점을 들어, ANN 알고리즘의 N·d 스케일링 특성이 더 효율적인 트랜스포머 설계의 비용 분석에 지침이 될 수 있음을 시사한다. 멀티프로브 그리드 코드를 공개해 재현과 추가 벤치마크를 지원한다. ¹

AutoMem: 기억을 ‘훈련 가능한 기술’로 만드는 프레임워크

AutoMem은 메모리 관리(무엇을 저장·어떻게 조직·언제 검색)를 작업 행동과 동급의 1급 액션으로 승격하고, 두 개의 자동 루프를 돌린다. 하나는 더 강한 대형 언어 모델(Large Language Model, LLM)이 전체 에이전트 궤적을 검토해 메모리 구조를 반복 개선하는 루프, 다른 하나는 에이전트가 잘한 메모리 결정을 모아 직접 숙련도를 높이는 학습 루프다. 인지과학의 ‘메타메모리’를 AI 에이전트의 훈련 가능한 행위로 재정의한다. ²

오직 메모리만 최적화했을 뿐 작업 정책은 바꾸지 않았는데도, 장기 과제(Crafter, MiniHack, NetHack)에서 성능이 약 2~4배 개선됐다. 32B 공개 가중치 모델이 Claude Opus 4.5와 Gemini 3.1 Pro Thinking 같은 프런티어 시스템에 견줄 만해졌다는 보고는, 긴 과제에서 메모리 처리만으로도 성과를 크게 움직일 수 있음을 보여준다. ²

LOCOS: 글자 그대로 복사하지 않는 검색 헤드 식별

긴 문맥에서 모델은 종종 토큰을 그대로 복사하기보다 맥락의 ‘의미’로 답을 합성한다. LOCOS(logit‑contribution scoring)는 각 어텐션 헤드의 출력‑값(OV) 회로를 답 토큰 방향으로 사영해 점수를 매기고, 한 번의 순전파로 ‘바늘 문장’ 대 비(非)바늘 위치를 대비시켜, 읽기만 하는 헤드가 아니라 비문자적 내용을 ‘쓰기’에 기여하는 헤드를 골라낸다. ³

Qwen3, Gemma‑3, OLMo‑3.1 전반에서 LOCOS 상위 헤드를 제거하면 기존 주의집중 기반 탐지보다 훨씬 적은 수의 헤드만으로 비문자적 검색 성능이 붕괴한다. Qwen3‑8B에서 상위 50개 헤드를 제거하면 ROUGE‑L이 0.401에서 0.000으로 떨어지는 반면, 가장 강한 기준선은 0.292를 유지한다; 같은 제거로 MuSiQue는 0.55→0.08, BABI‑Long은 0.62→0.20으로 하락했고, 파라메트릭 기억과 산술 추론은 기준선에 가깝게 유지돼 검색 전용 헤드를 골라냈음을 보여준다. ³

온라인 안전 모니터링: 간단한 임계치로 위험 통제

이 연구는 외부 검증기의 신호를 임계치로 변환해 경보를 내는 매우 단순한 온라인 모니터를 제안하며, 임계치는 위험 통제로 보정한다. 복잡한 순차 가설검정 대신 실시간 의사결정에 초점을 맞춰 배치 환경의 대형 언어 모델(LLM) 출력을 안전하게 감시한다. ⁴

수학 추론과 레드팀 데이터셋에서, 이 단순한 모니터가 순차 가설검정 기반의 고도화된 방법과 견줄 만한 성능을 보였다. 무거운 장치를 도입하기 전에 위험을 통제한 임계치 모니터로 시작할 근거를 제시한다. ⁴

Open Source & Repos

Hermes Agent: v0.18.0 대규모 커뮤니티 릴리스

Hermes Agent는 “함께 성장하는 에이전트”를 표방하는 MIT 라이선스의 에이전트 프레임워크다. 2026년 7월 1일 릴리스된 v0.18.0(v2026.7.1)은 v0.17.0 이후 약 1,720회 커밋, 998건 PR 머지, 2,215개 파일 변경, 약 251,000회 추가·41,000회 삭제, 949건 이슈 종료, 370명+ 커뮤니티 기여를 기록했다. 리포지토리는 Hermes Agent와 Hermes Desktop, 문서를 함께 제공한다. ⁵

맞춤형 AI 워크플로를 실험하려는 팀에게, 판단력 강화 메시지와 활발한 커뮤니티는 구축·적응의 활동적인 무대를 보여준다. 릴리스 빈도와 기여 규모는 공개 프레임워크 가운데 눈여겨볼 지표다. ⁵

커뮤니티 반응

Hacker News (57↑) — 비‑ML 벤치마킹의 역사적 성과를 소홀히 했고 벤치마크 취약성의 새로움을 과장했다는 회의론이 제기됐다. ⁶

"서로 다른 벤치마크 간 결과 상관관계를 제시하는 건 좋습니다 — 이 문제가 전통적인 벤치마킹에서도 어느 정도 존재하는지 듣고 싶네요. 한 가지 차이점은 ML에는 정확도/품질 요소가 있어서 과거에는 성능에 더 신경 썼다는 점입니다. 안타깝게도 이 논문은 비-ML 벤치마킹의 오랜 역사를 거의 다루지 않으며, 벤치마크 결과의 깨지기 쉬움을 아무도 이전에 다루지 않았다는 주장을 저는 믿기 어렵습니다." — Hacker News ⁶

왜 중요한가

핵심은 ‘어떻게 찾고, 어떻게 기억하고, 어떻게 감시하느냐’다. 고차원 검색의 실용적 스케일링, 독립적으로 학습 가능한 메모리 기술, 비문자적 검색 헤드의 정밀 식별, 위험을 통제한 온라인 모니터링은, 다음 세대 모델을 기다리지 않고도 긴 문맥 보조도구와 에이전트 워크플로를 현실적으로 개선할 수 있는 레버를 제공한다. ¹

이번 주 시도해볼 것

1. Hermes Agent v0.18.0: GitHub에서 리포와 릴리스 노트를 확인한다 (https://github.com/NousResearch/hermes-agent).
2. AutoMem 논문: arXiv에서 두 개의 학습 루프 구조를 훑어본다 (https://arxiv.org/abs/2607.01224).