🤖
0 in / 0 out / 0 total tokens
🔥 핫 토픽
AI가 짜는 코드는 왜 하한선 없이 나빠지기만 하는가
사이먼 윌리슨이 오늘 올린 글 제목부터 도발적이다. "코드가 나빠지는 데는 한계가 없다"는 것. LLM이 코드를 짜주면 최소한 이 정도 수준 이하로는 안 떨어지겠지, 하는 순진한 기대가 있었는데 그게 틀렸다는 이야기다. 게임 프로젝트에서도 똑같은 걸 매일 본다 — 리뷰 없이 AI가 짠 커밋이 쌓이면 어느 순간 스파게티가 되는데, 사람이 짤 때보다 그 속도가 훨씬 빠르다. 결국 하한선을 지키는 건 모델이 아니라 리뷰 프로세스라는 뻔하지만 자꾸 잊히는 결론으로 돌아온다.
출처: Simon Willison
📄 논문
When Models Edit Too Much: On the Fidelity of Minimal Code Edits
LLM으로 기존 코드를 고칠 때 "정답은 맞는데 diff가 산으로 가는" 문제를 정면으로 다룬 논문이다. 정확성만 보고 최소성(minimality)을 측정하지 않으면, 결과물은 맞는데 리뷰 비용은 폭증하는 상황이 반복된다는 게 핵심 주장. AI 페어코딩 붙여본 사람이면 다 공감할 텐데, 함수 하나만 고치라고 했더니 파일 전체를 리라이트해서 돌려주는 그 경험이 이제 학계에서도 정식 지표로 측정되기 시작했다는 게 흥미롭다.
Ask Before You Optimize: Dynamic Pre-Formulation Clarification for Interactive Optimization
자연어로 최적화 문제를 던지면 LLM이 바로 수식화부터 하는데, 현실의 요청은 대부분 정보가 빠져있다는 전제에서 출발한 연구다. 게임 밸런싱 요청서도 마찬가지다 — "난이도 좀 낮춰줘" 한 줄만 오면, 뭘 기준으로 얼마나 낮출지 되물어야 제대로 된 결과가 나온다. 정답을 바로 뱉는 대신 되묻는 능력을 갖추는 방향이, 실무에 들어가는 최적화 도구일수록 필수가 될 것 같다.
MaxKernel: Agentic Kernel Generation for TPUs
가속기용 커스텀 커널 작성은 하드웨어 지식이 깊어야 하는 영역인데, 이걸 LLM 에이전트가 실측 프로파일링 피드백과 함께 돌면서 짜게 만든 시도다. 셰이더 최적화나 GPU 프로파일러 붙잡고 씨름해본 입장에서는 이게 왜 어려운지 바로 안다 — 이론상 맞는 코드와 실제 하드웨어에서 빠른 코드는 완전히 다른 이야기다. 에이전트 루프에 실측 피드백을 넣었다는 점이 이 논문을 그냥 "LLM이 코드 짜봤다" 류와 구분 짓는 지점이다.
Motion-Omni: End-to-End Joint Speech and Full-Body Motion for Spoken Dialogue
말하는 아바타를 만들 때 지금까지는 음성 생성 모델과 모션 생성 모델이 따로 놀았는데, 이 둘을 하나의 엔드투엔드 모델로 합친 연구다. UE5에서 MetaHuman 붙이고 립싱크·제스처를 따로따로 튜닝해본 입장에서는 이게 왜 어려운 문제인지 몸으로 안다. 두 모달리티를 한 모델에 넣었다는 것 자체가, 나중에 프로덕션 파이프라인을 단순화시킬 여지로 이어질 것 같다.
코드도 커널도 아바타도, 결국 "빨리 되는 것"과 "제대로 되는 것" 사이의 간극을 누가 먼저 메우느냐의 싸움이다.