HyperAI 공식 웹사이트(hyper.ai)의 튜토리얼 섹션에서 환경 설정 완료 후 인기 있는 오픈 소스 모델을 빠르게 검증할 수 있도록 "Qwen 3.6-27B 원클릭 배포" 기능을 출시했습니다!

이스라엘 테크니온 공과대학은 특정 로봇 작업에서 행동 기반 모델의 효율성과 적응성을 크게 향상시키면서도 제로샷 일반화 능력을 유지하는 태스크 토큰(Task Tokens)을 제안했습니다.

이 기사에서는 온라인에서 이용 가능한 다양한 질병 시나리오와 연구 방향을 다루는 10개의 의학 관련 데이터 세트를 정리했습니다.

HyperAI 공식 웹사이트(hyper.ai)의 튜토리얼 섹션에 "Qwen3.6-35B-A3B 지능형 에이전트 프로그래밍 도구"가 추가되었습니다. 이 도구를 통해 인기 있는 오픈 소스 모델을 쉽고 빠르게 경험해 볼 수 있습니다!

토론토 대학교와 다른 기관들이 제안한 dnaHNet 모델은 계산 가능성과 생물학적 정확성 사이의 균형을 맞추는 새로운 접근 방식을 제시합니다.

4.11-4.17
주간 하이라이트

이 글에서는 인공지능 분석 보고서에 언급된 고품질 오픈소스 모델들을 요약합니다. 클로즈드소스 모델에 버금가는 뛰어난 성능을 직접 경험해 보세요!

한국의 KAIST 연구팀은 딥러닝을 활용하여 NTF2를 핵심으로 하는 소분자 결합 단백질을 처음부터 설계하고, 이를 기반으로 코르티솔을 인식할 수 있는 AI 바이오센서를 개발했습니다.

사용자들이 DeepTutor를 빠르게 시작하고 실제 학습 시나리오에 적용할 수 있도록 HyperAI 공식 웹사이트(hyper.ai)의 튜토리얼 섹션에 "DeepTutor 개인 학습 도우미"를 출시했습니다. 환경 설정이 이미 완료되어 있어 진입 장벽이 낮춰졌습니다.

파스퇴르 연구소는 대규모 항파지 기능 예측을 가능하게 하는 ALBERT_DF, ESM_DF, GeneCLR_DF의 세 가지 모델을 개발했습니다.

HyperAl은 버전 4.06부터 4.10까지 음성 생성, 텍스트-이미지 처리, 대규모 모델 등 다양한 분야를 아우르는 매우 유용하고 폭넓게 활용 가능한 튜토리얼과 데이터셋을 모아놓았습니다.

코넬 대학교 연구팀은 소스 추적 기능을 갖춘 모듈형 멀티 에이전트 플랫폼인 EMSeek을 제안했습니다. 20가지 재료 시스템과 5가지 작업 범주에 대한 평가 결과, EMSeek은 분할 작업에서 Segment Anything보다 약 두 배 빠른 속도와 더 높은 정확도를 달성하는 것으로 나타났습니다. 또한, 약 2%의 레이블링된 데이터만으로 보정을 수행했을 때, 3가지 분포 외 속성 예측 벤치마크에서 강력한 단일 전문가 모델의 성능과 동등하거나 그 이상의 성능을 보였습니다. 전체 쿼리 처리 시간은 이미지당 2~5분으로, 전문가 워크플로보다 약 50배 빠릅니다.

HyperAI 공식 웹사이트(hyper.ai)의 튜토리얼 섹션에서 개발자들이 진입 장벽을 낮추고 고급 모델을 경험할 수 있도록 "Gemma-4-31B-it 원클릭 배포" 기능을 출시했습니다.

HyperAl은 버전 3.30부터 4.05까지 음성 생성, 텍스트-이미지 처리, 대규모 모델 등 다양한 분야를 아우르는 매우 유용하고 폭넓게 활용 가능한 튜토리얼과 데이터셋을 제공합니다.

MIT 연구진은 시스템 수준 방법과 수학적 방법의 장점을 결합하여 생성 품질 저하 없이 상당한 속도 향상을 달성하는 DRiffusion 초안 개선 확산 모델을 제안했습니다. 이는 확산 모델에서 높은 충실도와 샘플링 효율성의 균형을 맞추는 새로운 해결책을 제시합니다.

HyperAI 웹사이트(hyper.ai)의 튜토리얼 섹션에 "Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled 원클릭 배포" 기능이 추가되었습니다. 고성능 추론 모델을 직접 경험해 보세요!

MIT 연구팀은 진동 스펙트럼으로부터 치환점결함의 화학적 유형과 농도를 직접 예측할 수 있는 기본적인 기계 학습 모델인 DefectNet을 제안했습니다. 이 모델은 여러 원소가 공존하는 경우에도 적용 가능하며, 56개 원소를 포함하는 미지의 결정에서도 우수한 일반화 능력을 보여주고 실험 데이터를 활용하여 미세 조정할 수 있습니다.

화중과학기술대학교와 샤오홍슈 하이 연구실은 기존 OCR의 한계를 뛰어넘어 복잡한 문서의 텍스트, 차트, 표 등의 요소를 통합적으로 구조화하여 처리하고 SVG 코드 변환을 지원하는 멀티모달 문서 파싱 도구인 dots.mocr을 공동으로 오픈소스 공개했습니다.

워릭대학교 연구팀은 TESS 후보를 선별하고 검증하는 새로운 프로세스인 RAVEN을 제안했습니다. 이 프로세스는 합성 학습 데이터셋을 도입하여, 기존처럼 TESS 작업 자체에서 생성되는 임계값 초과(TCE) 이벤트 데이터에만 의존하는 방식을 넘어섰습니다. 이러한 개선을 통해 기계 학습 모델이 다룰 수 있는 행성 및 오탐지 시나리오의 매개변수 공간이 크게 확장되고 향상되었습니다. 1361개의 사전 분류된 TESS 후보로 구성된 독립적인 외부 테스트 세트에서, 이 프로세스는 91%의 전체 정확도를 달성하여 TESS 후보를 자동으로 순위 매기는 데 효과적임을 입증했습니다.

MIT와 카네기멜론 대학교의 연구팀이 서열 생성과 진동 역학 예측을 결합하여 새로운 단백질 설계를 가능하게 하는 지능형 단백질 생성 에이전트 모델인 VibeGen을 제안했습니다. 연구 결과에 따르면 이 생성 에이전트로 설계된 단백질은 안정적이고 새로운 구조로 접힐 뿐만 아니라 주쇄 수준에서 목표 진동 진폭의 분포 특성까지 재현할 수 있는 것으로 나타났습니다.

HyperAI는 다중 도메인, 다중 작업 추론, 합성 추론 훈련 데이터, 과학 연구 벤치마크 및 대규모 질의응답 데이터를 포괄하는 고품질 추론 데이터 세트 모음을 구축했으며, 데이터 세트를 다운로드하거나 온라인에서 사용할 수 있도록 지원합니다.

MIT 연구진은 완전히 가려진 다양한 일상 사물의 고정밀 3D 형상 재구성을 가능하게 하는 Wave-Former라는 새로운 방법을 제안했습니다. 이 방법은 높은 신호 대 잡음비와 심각한 가림 현상이라는 난제를 해결할 뿐만 아니라, 혁신적인 물리적 지각 훈련 프레임워크를 통해 합성 데이터 훈련을 기반으로 실제 환경에서도 높은 충실도의 재구성을 달성합니다. 최첨단 기준 방법과의 직접 비교에서 Wave-Former는 851 TP3T의 높은 정확도를 유지하면서 재현율을 541 TP3T에서 721 TP3T로 향상시켰습니다.

NVIDIA는 GTC 2026에서 NVIDIA Isaac GR00T, Kimodo, SOMA-X라는 세 가지 오픈 소스 프로젝트를 공개했습니다. 이 프로젝트들은 의사 결정, 생성, 표현이라는 세 가지 측면에서 동일한 문제, 즉 기계가 복잡한 작업을 더욱 자연스럽고 효율적으로 수행할 수 있도록 하는 방법을 다룹니다. NVIDIA는 또한 확산 모델 학습 방법인 FDFO를 공개하여 생성 모델 최적화 관점에서 이러한 기능을 위한 기반을 제공합니다.

미네소타 트윈시티 대학교의 연구팀이 수문학에서 직접적인 영감을 얻은 알고리즘 구조를 가진 혁신적인 지식 기반 머신러닝 모델인 '분해 계층 신경망(FHNN)'을 개발했습니다. 연구 결과에 따르면, 이 모델은 예보 발표 후 2~7일 이내의 기간 동안 미국 국립기상청의 홍수 예보와 유사하거나 더 나은 성능을 보였으며, 물리 과학 지식을 구조에 통합하지 않은 기존의 머신러닝 방법보다도 우수한 성능을 나타냈습니다.

NVIDIA, 옥스퍼드 대학교, 퀘벡 인공지능 연구소 및 기타 기관의 공동 연구팀은 생성적 방법과 가상 방법 사이의 간극을 메우는 것을 목표로 하는 Proteína-Complexa 프레임워크를 제안했습니다. 이 프레임워크는 기본 생성 모델과 추론 시간 최적화 메커니즘을 동일 시스템에 통합하여 추가적인 서열 재설계 단계 없이 최적의 de novo 바인더 설계를 가능하게 합니다.

HyperAI는 개발자들이 실제 애플리케이션에서 OpenClaw의 기능을 경험할 수 있도록 "🦞 OpenClaw: Free-CPU를 통해 API를 사용하여 실행하기"와 "🦞 OpenClaw GPU 실행 튜토리얼"을 출시하여 OpenClaw를 다양한 소셜 애플리케이션에 통합하여 광범위한 자동화 작업을 수행하는 방법을 보여줍니다.

LLM Course라는 오픈 소스 프로젝트가 출시 이후 큰 주목을 받으며 현재까지 77,000개의 별을 획득했습니다. 이 프로젝트는 논문, 블로그, 코드 예제 등에 흩어져 있는 지식을 체계적이고 잘 정의된 학습 시스템으로 재구성합니다. HyperAI는 LLM Course의 노트북 데모 부분을 "튜토리얼" 섹션에 업로드했으며, 모든 런타임 환경이 완벽하게 구성되어 바로 사용할 수 있습니다.

구글 리서치는 검증된 지표 정보를 비정형 데이터에서 추출하여 과거 재해의 흔적을 전례 없는 정확도로 지도화하는 오픈소스 홍수 데이터셋인 그라운드소스(Groundsource)를 공개했습니다. 연구진은 150개국 이상에서 수집된 500만 건 이상의 뉴스 보도를 자동화하여 260만 건 이상의 과거 홍수 기록을 구축했으며, 이를 통해 전 세계 홍수 연구를 위한 전례 없는 규모와 범위의 데이터를 제공했습니다.

젠슨 황은 GTC 2026에서 열정적인 2시간짜리 프레젠테이션을 통해 여러 신제품과 오픈 소스 성과를 발표했습니다.

카네기멜론대학교, 폴란드 브로츠와프대학교, 그리고 플로리다대학교의 공동 연구팀은 AQuaRef라는 인공지능 기반 양자 정밀화 방법을 제안했습니다. 이 방법은 원자 포텐셜 함수의 AIMNet2 머신러닝을 기반으로 하며, 정밀화 작업에 맞게 맞춤 학습되었습니다. 기존 힘장 계산 방식과 거의 동일한 효율성을 유지하면서도 양자역학 계산 결과를 정확하게 근사화할 수 있어, 생체 분자의 모든 원자 수준에서의 양자 정밀화를 위한 새로운 기술적 길을 제시합니다.

HyperAI 공식 웹사이트(hyper.ai)의 튜토리얼 섹션에서 환경 설정 완료 후 인기 있는 오픈 소스 모델을 빠르게 검증할 수 있도록 "Qwen 3.6-27B 원클릭 배포" 기능을 출시했습니다!

이스라엘 테크니온 공과대학은 특정 로봇 작업에서 행동 기반 모델의 효율성과 적응성을 크게 향상시키면서도 제로샷 일반화 능력을 유지하는 태스크 토큰(Task Tokens)을 제안했습니다.

이 기사에서는 온라인에서 이용 가능한 다양한 질병 시나리오와 연구 방향을 다루는 10개의 의학 관련 데이터 세트를 정리했습니다.

HyperAI 공식 웹사이트(hyper.ai)의 튜토리얼 섹션에 "Qwen3.6-35B-A3B 지능형 에이전트 프로그래밍 도구"가 추가되었습니다. 이 도구를 통해 인기 있는 오픈 소스 모델을 쉽고 빠르게 경험해 볼 수 있습니다!

토론토 대학교와 다른 기관들이 제안한 dnaHNet 모델은 계산 가능성과 생물학적 정확성 사이의 균형을 맞추는 새로운 접근 방식을 제시합니다.

4.11-4.17
주간 하이라이트

이 글에서는 인공지능 분석 보고서에 언급된 고품질 오픈소스 모델들을 요약합니다. 클로즈드소스 모델에 버금가는 뛰어난 성능을 직접 경험해 보세요!

한국의 KAIST 연구팀은 딥러닝을 활용하여 NTF2를 핵심으로 하는 소분자 결합 단백질을 처음부터 설계하고, 이를 기반으로 코르티솔을 인식할 수 있는 AI 바이오센서를 개발했습니다.

사용자들이 DeepTutor를 빠르게 시작하고 실제 학습 시나리오에 적용할 수 있도록 HyperAI 공식 웹사이트(hyper.ai)의 튜토리얼 섹션에 "DeepTutor 개인 학습 도우미"를 출시했습니다. 환경 설정이 이미 완료되어 있어 진입 장벽이 낮춰졌습니다.

파스퇴르 연구소는 대규모 항파지 기능 예측을 가능하게 하는 ALBERT_DF, ESM_DF, GeneCLR_DF의 세 가지 모델을 개발했습니다.

HyperAl은 버전 4.06부터 4.10까지 음성 생성, 텍스트-이미지 처리, 대규모 모델 등 다양한 분야를 아우르는 매우 유용하고 폭넓게 활용 가능한 튜토리얼과 데이터셋을 모아놓았습니다.

코넬 대학교 연구팀은 소스 추적 기능을 갖춘 모듈형 멀티 에이전트 플랫폼인 EMSeek을 제안했습니다. 20가지 재료 시스템과 5가지 작업 범주에 대한 평가 결과, EMSeek은 분할 작업에서 Segment Anything보다 약 두 배 빠른 속도와 더 높은 정확도를 달성하는 것으로 나타났습니다. 또한, 약 2%의 레이블링된 데이터만으로 보정을 수행했을 때, 3가지 분포 외 속성 예측 벤치마크에서 강력한 단일 전문가 모델의 성능과 동등하거나 그 이상의 성능을 보였습니다. 전체 쿼리 처리 시간은 이미지당 2~5분으로, 전문가 워크플로보다 약 50배 빠릅니다.

HyperAI 공식 웹사이트(hyper.ai)의 튜토리얼 섹션에서 개발자들이 진입 장벽을 낮추고 고급 모델을 경험할 수 있도록 "Gemma-4-31B-it 원클릭 배포" 기능을 출시했습니다.

HyperAl은 버전 3.30부터 4.05까지 음성 생성, 텍스트-이미지 처리, 대규모 모델 등 다양한 분야를 아우르는 매우 유용하고 폭넓게 활용 가능한 튜토리얼과 데이터셋을 제공합니다.

MIT 연구진은 시스템 수준 방법과 수학적 방법의 장점을 결합하여 생성 품질 저하 없이 상당한 속도 향상을 달성하는 DRiffusion 초안 개선 확산 모델을 제안했습니다. 이는 확산 모델에서 높은 충실도와 샘플링 효율성의 균형을 맞추는 새로운 해결책을 제시합니다.

HyperAI 웹사이트(hyper.ai)의 튜토리얼 섹션에 "Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled 원클릭 배포" 기능이 추가되었습니다. 고성능 추론 모델을 직접 경험해 보세요!

MIT 연구팀은 진동 스펙트럼으로부터 치환점결함의 화학적 유형과 농도를 직접 예측할 수 있는 기본적인 기계 학습 모델인 DefectNet을 제안했습니다. 이 모델은 여러 원소가 공존하는 경우에도 적용 가능하며, 56개 원소를 포함하는 미지의 결정에서도 우수한 일반화 능력을 보여주고 실험 데이터를 활용하여 미세 조정할 수 있습니다.

화중과학기술대학교와 샤오홍슈 하이 연구실은 기존 OCR의 한계를 뛰어넘어 복잡한 문서의 텍스트, 차트, 표 등의 요소를 통합적으로 구조화하여 처리하고 SVG 코드 변환을 지원하는 멀티모달 문서 파싱 도구인 dots.mocr을 공동으로 오픈소스 공개했습니다.

워릭대학교 연구팀은 TESS 후보를 선별하고 검증하는 새로운 프로세스인 RAVEN을 제안했습니다. 이 프로세스는 합성 학습 데이터셋을 도입하여, 기존처럼 TESS 작업 자체에서 생성되는 임계값 초과(TCE) 이벤트 데이터에만 의존하는 방식을 넘어섰습니다. 이러한 개선을 통해 기계 학습 모델이 다룰 수 있는 행성 및 오탐지 시나리오의 매개변수 공간이 크게 확장되고 향상되었습니다. 1361개의 사전 분류된 TESS 후보로 구성된 독립적인 외부 테스트 세트에서, 이 프로세스는 91%의 전체 정확도를 달성하여 TESS 후보를 자동으로 순위 매기는 데 효과적임을 입증했습니다.

MIT와 카네기멜론 대학교의 연구팀이 서열 생성과 진동 역학 예측을 결합하여 새로운 단백질 설계를 가능하게 하는 지능형 단백질 생성 에이전트 모델인 VibeGen을 제안했습니다. 연구 결과에 따르면 이 생성 에이전트로 설계된 단백질은 안정적이고 새로운 구조로 접힐 뿐만 아니라 주쇄 수준에서 목표 진동 진폭의 분포 특성까지 재현할 수 있는 것으로 나타났습니다.

HyperAI는 다중 도메인, 다중 작업 추론, 합성 추론 훈련 데이터, 과학 연구 벤치마크 및 대규모 질의응답 데이터를 포괄하는 고품질 추론 데이터 세트 모음을 구축했으며, 데이터 세트를 다운로드하거나 온라인에서 사용할 수 있도록 지원합니다.

MIT 연구진은 완전히 가려진 다양한 일상 사물의 고정밀 3D 형상 재구성을 가능하게 하는 Wave-Former라는 새로운 방법을 제안했습니다. 이 방법은 높은 신호 대 잡음비와 심각한 가림 현상이라는 난제를 해결할 뿐만 아니라, 혁신적인 물리적 지각 훈련 프레임워크를 통해 합성 데이터 훈련을 기반으로 실제 환경에서도 높은 충실도의 재구성을 달성합니다. 최첨단 기준 방법과의 직접 비교에서 Wave-Former는 851 TP3T의 높은 정확도를 유지하면서 재현율을 541 TP3T에서 721 TP3T로 향상시켰습니다.

NVIDIA는 GTC 2026에서 NVIDIA Isaac GR00T, Kimodo, SOMA-X라는 세 가지 오픈 소스 프로젝트를 공개했습니다. 이 프로젝트들은 의사 결정, 생성, 표현이라는 세 가지 측면에서 동일한 문제, 즉 기계가 복잡한 작업을 더욱 자연스럽고 효율적으로 수행할 수 있도록 하는 방법을 다룹니다. NVIDIA는 또한 확산 모델 학습 방법인 FDFO를 공개하여 생성 모델 최적화 관점에서 이러한 기능을 위한 기반을 제공합니다.

미네소타 트윈시티 대학교의 연구팀이 수문학에서 직접적인 영감을 얻은 알고리즘 구조를 가진 혁신적인 지식 기반 머신러닝 모델인 '분해 계층 신경망(FHNN)'을 개발했습니다. 연구 결과에 따르면, 이 모델은 예보 발표 후 2~7일 이내의 기간 동안 미국 국립기상청의 홍수 예보와 유사하거나 더 나은 성능을 보였으며, 물리 과학 지식을 구조에 통합하지 않은 기존의 머신러닝 방법보다도 우수한 성능을 나타냈습니다.

NVIDIA, 옥스퍼드 대학교, 퀘벡 인공지능 연구소 및 기타 기관의 공동 연구팀은 생성적 방법과 가상 방법 사이의 간극을 메우는 것을 목표로 하는 Proteína-Complexa 프레임워크를 제안했습니다. 이 프레임워크는 기본 생성 모델과 추론 시간 최적화 메커니즘을 동일 시스템에 통합하여 추가적인 서열 재설계 단계 없이 최적의 de novo 바인더 설계를 가능하게 합니다.

HyperAI는 개발자들이 실제 애플리케이션에서 OpenClaw의 기능을 경험할 수 있도록 "🦞 OpenClaw: Free-CPU를 통해 API를 사용하여 실행하기"와 "🦞 OpenClaw GPU 실행 튜토리얼"을 출시하여 OpenClaw를 다양한 소셜 애플리케이션에 통합하여 광범위한 자동화 작업을 수행하는 방법을 보여줍니다.

LLM Course라는 오픈 소스 프로젝트가 출시 이후 큰 주목을 받으며 현재까지 77,000개의 별을 획득했습니다. 이 프로젝트는 논문, 블로그, 코드 예제 등에 흩어져 있는 지식을 체계적이고 잘 정의된 학습 시스템으로 재구성합니다. HyperAI는 LLM Course의 노트북 데모 부분을 "튜토리얼" 섹션에 업로드했으며, 모든 런타임 환경이 완벽하게 구성되어 바로 사용할 수 있습니다.

구글 리서치는 검증된 지표 정보를 비정형 데이터에서 추출하여 과거 재해의 흔적을 전례 없는 정확도로 지도화하는 오픈소스 홍수 데이터셋인 그라운드소스(Groundsource)를 공개했습니다. 연구진은 150개국 이상에서 수집된 500만 건 이상의 뉴스 보도를 자동화하여 260만 건 이상의 과거 홍수 기록을 구축했으며, 이를 통해 전 세계 홍수 연구를 위한 전례 없는 규모와 범위의 데이터를 제공했습니다.

젠슨 황은 GTC 2026에서 열정적인 2시간짜리 프레젠테이션을 통해 여러 신제품과 오픈 소스 성과를 발표했습니다.

카네기멜론대학교, 폴란드 브로츠와프대학교, 그리고 플로리다대학교의 공동 연구팀은 AQuaRef라는 인공지능 기반 양자 정밀화 방법을 제안했습니다. 이 방법은 원자 포텐셜 함수의 AIMNet2 머신러닝을 기반으로 하며, 정밀화 작업에 맞게 맞춤 학습되었습니다. 기존 힘장 계산 방식과 거의 동일한 효율성을 유지하면서도 양자역학 계산 결과를 정확하게 근사화할 수 있어, 생체 분자의 모든 원자 수준에서의 양자 정밀화를 위한 새로운 기술적 길을 제시합니다.