Nvidia, 양자 회로 오류 조합을 위한 확장 검출기 오류 모델 도입
Nvidia 연구원 N. Horrocks는 안정화 회로와 확률적 파울리 오류를 처리하도록 설계된 확장 검출기 오류 모델(EDEMs)을 소개합니다. 이 모델들은 물리적 회구 구현의 구조를 반영하여 순차 및 병렬로 오류 분석을 조합할 수 있게 합니다.
Onyx, disk-oblivious ANN 검색에서 비용 1.7-9.9배, 지연 시간 2.3-12.3배 감소 달성
연구자들은 state-of-the-art ORAM-ANN 시스템의 설계를 역전시켜 대역폭과 접근 횟수를 균형 있게 맞추는 disk-oblivious 근접 이웃(ANN) 검색을 위한 비용 효율적인 접근 방식인 Onyx를 제안합니다.
Privatar은 안전한 오프로딩을 통해 확장 가능한 프라이버시 보호 다중 사용자 VR을 가능하게 함
연구자들은 아바타 재구성을 헤드셋에서 신뢰할 수 없는 로컬 장치로 오프로드하면서 데이터 가로채기로부터 보호하는 프레임워크인 Privatar를 소개합니다. 이 시스템은 아바타 재구성에 대한 도메인 특화 지식을 활용하여 최소한의 성능 비용으로 증명 가능한 프라이버시를 갖춘 오프로딩을 달성합니다.
NVIDIA, GPU 가속 프라이빗 정보 검색을 위한 GPIR 출시
NVIDIA 연구원들은 격자 기반 프로토콜에 내재된 높은 서버 측 계산 및 메모리 트래픽을 해결하여 GPU에서 프라이빗 정보 검색(PIR)을 가속화하는 시스템인 GPIR을 소개했습니다. 이 시스템은 온칩 데이터 재사용을 최대화하기 위해 연산 수준과 단계 수준 커널 간에 동적으로 전환하는 단계 인식 하이브리드 실행 모델을 사용합니다.
NVIDIA, PPML을 위한 MPC 및 FHE 성능과 비용 특성화
새로운 연구는 프라이버시 보존 기계 학습 추론을 위한 안전한 다자간 계산(MPC) 및 완전 동형 암호화(FHE)의 통합 시스템 수준 특성을 제시합니다. 이 작업은 여러 CNN 및 Transformer 모델에서 두 가지 MPC 변형—산술/이진 공유 변환 및 함수 비밀 공유—과 FHE를 평가합니다.
NVIDIA, AI 에이전트의 간접 프롬프트 인젝션에 대한 시스템 수준 방어 제안
NVIDIA 연구진의 포지션 페이퍼는 신뢰할 수 없는 데이터에 내장된 악성 지시가 위험한 행동을 유발하는 간접 프롬프트 인젝션 공격으로부터 AI 에이전트를 보호하기 위한 비전을 제시합니다. 저자들은 효과적인 방어를 위해서는 고립된 모델 수정을 넘어 포괄적인 시스템 수준 아키텍처로 나아가야 한다고 주장합니다.
AMD, World Labs 82억 달러에 인수; Claude Sonnet 5.5 비용 30% 절감
Anthropic은 Sonnet 5보다 30% 이상 빠르게 출력을 생성하고 작업당 최대 30%의 비용을 절감하기 위해 토큰 사용을 줄인 Claude Sonnet 5.5를 출시했습니다. AMD는 World Labs를 82억 달러에 인수하기로 합의하여 Fei-Fei Li의 공간 지능 연구 팀을 사내로 가져왔습니다.
NVIDIA가 제로샷 표 형식 예측을 위한 오픈 Kumo Tabular 파운데이션 모델을 출시
NVIDIA는 학습이나 특징 공학 없이 컨텍스트 내 학습을 통해 작동하는 표 형식 분류 및 회귀를 위한 오픈 파운데이션 모델인 Kumo Tabular를 출시했습니다. 구조적 인과 모델에서 생성된 인공 데이터만으로 사전 훈련된 이 모델은 28M에서 215M 파라미터에 이르는 세 가지 크기로 제공됩니다.
Holo4: GUI, 코드 및 API를 위한 범용 에이전트 모델
Holo4는 H社에서 출시한 새로운 시리즈의 에이전트 모델로, 27B 밀집(Dense) 및 35B-A3B 혼합 전문가(Mixture of Experts) 크기로 제공됩니다. 이 모델들은 동일한 모델을 사용하여 데스크톱, 웹, Android 및 샌드박스에서 실행되며 GUI, 코드, MCP 또는 API 등 모든 인터페이스를 통해 소프트웨어와 상호작용합니다.
엔비디아, 허깅페이스를 129억 달러에 인수
엔비디아는 머신러닝 플랫폼인 허깅페이스를 129억 달러 규모의 거래로 인수할 의도를 공식적으로 발표했습니다.
NVIDIA Nemotron-3 모델이 IOI 2026에서 금메달 및 최고 인간 점수 달성
연구자들은 대규모 언어 모델이 프로그래밍 경시대회에서 금메달 수준의 성과를 낼 수 있도록 하는 사후 학습 파이프라인을 개발했습니다. 지도 미세 조정, 강화 학습, 그리고 GenCorrect라는 새로운 피드백 기반 전략을 결합함으로써 이 시스템은 IOI 2026 문제 세트에서 최고 인간 참가자들을 능가했습니다.
NVIDIA Nemotron-3 모델, IOI 코딩 대회에서 금메달급 성능 달성
NVIDIA는 경쟁 프로그래밍에서 뛰어난 성과를 거두기 위해 Nemotron-3-Nano-CC 및 Nemotron-3-Ultra-CC 언어 모델용 사후 학습 파이프라인을 개발했습니다. 대규모 문제 큐레이션, 합성 추론 트레이스, 지도 미세 조정(SFT) 및 강화 학습(RL)을 결합하여 팀은 고급 알고리즘적 추론이 가능한 전문 시스템을 구축했습니다.
NVIDIA의 Nemotron-3 모델이 IOI 코딩 대회에서 금메달급 성능 달성
NVIDIA는 Nemotron-3 언어 모델용 사후 학습 파이프라인을 개발하여 국제정보올림피아드(IOI)에서 금메달 수준의 성능을 달성했습니다. 이 접근법은 대규모 문제 큐레이션, 합성 추론 트레이스, 지도 미세 조정 및 강화 학습을 결합합니다.
NVIDIA 연구진, Cosmos 3 비디오 모델의 물리 추론 개선을 위해 Physis-Lang 공개
NVIDIA, MIT, 옥스퍼드 대학교 연구진은 captions에 자기 진화적 물리 언어를 통합하여 비디오 월드 모델을 강화하는 프레임워크인 Physis-Lang을 소개했습니다. 이 접근 방식은 물리 언어를 생성된 비디오의 물리 오류를 수정하기 위해 데이터 선별, 모델 학습 및 추론에 사용되는 최적화 가능한 표현으로 간주합니다.
DeepSeek, 이제 Ascend 950 에서 모델 학습
DeepSeek 는 Huawei 의 Ascend 950 하드웨어를 사용하여 모델을 학습하고 있습니다. 이 변화는 26 개월 전에 Liang Wenfeng 이 최전선에 나설 필요가 있다고 발표한 성명에 이어진 것입니다.
NVIDIA Nemotron-Labs-3 Competitive-Coding 모델이 IOI 2026에서 535.4점 획득
NVIDIA는 NVIDIA-Nemotron-3-Ultra-550B-A55B에서 파생된 경쟁 프로그래밍 전문 파인튜닝 모델인 Nemotron-Labs-3-Competitive-Coding 모델을 출시했습니다. 이 모델은 GLM-5.2에서 증류한 합성 추론 트레이스로 학습되었으며, IOI 2026 문제 세트를 대상으로 실시간 평가되었습니다.
NVIDIA가 OpenShell과 Sentry를 탑재한 오픈 에이전트 보안 플랫폼 출시
NVIDIA는 AI 에이전트 보안을 위한 개방형 소프트웨어 플랫폼인 NVIDIA Open Agent Safety Platform을 출시했으며, 이는 BlueField-4 DPU의 외부 감시 장치인 Sentry와 결합된 OpenShell 보안 런타임으로 구성됩니다. 이 시스템은 에이전트가 애플리케이션 계층 제어를 우회하는 실패 모드인 "드리프트"를 방지하기 위해 안전성 강제 조치를 에이전트의 접근 범위 밖에 배치하도록 설계되었습니다.
NVIDIA, 에이전트용 런타임 제한이 있는 OpenShell 샌드박스 출시
NVIDIA는 로컬 및 오픈 AI 에이전트에 프롬프트 규칙에만 의존하는 대신 실제 런타임 제한을 제공하도록 설계된 오픈 소스 샌드박스인 OpenShell을 출시했습니다. 이 회사는 100개 이상의 기업이 이 보안 스택에 합류했다고 보고하지만, OpenAI는 참여하지 않았습니다.
NVIDIA가 8명의 화자를 추적하는 1억 파라미터 모델인 Nemotron 3 Diarization 출시
NVIDIA는 Hugging Face에서 OpenMDW License 1.1 하에 공개된 오픈 가중치 화자 분할 모델인 Nemotron 3 Diarization을 출시했습니다. 이 1억 파라미터 모델은 단일 체크포인트를 사용하여 실시간 또는 오프라인 모드에서 최대 8명의 중첩 화자를 추적합니다.
NVIDIA Warp와 MjWarp가 GPU 가속 병렬 로봇 시뮬레이션 가능
NVIDIA Warp를 기반으로 구축된 MuJoCo Warp(MJWarp)는 호환되는 MuJoCo 모델을 GPU 규모로 실행하여 단일 호출 수백 또는 수천 개의 독립적인 시뮬레이션 환경을 확장할 수 있게 합니다. 이 아키텍처는 단일 환경의 지연 시간 최소화에서 집계 처리량 개선으로 초점을 전환하며, 이는 강화 학습과 대규모 샘플링에 유리합니다.