Perplexica가 SearXNG, embedding, LLM으로 출처형 답변을 만드는 흐름과, 셀프호스팅에서도 남는 질의 노출, 인용 오류, 운영 비용을 설명합니다.

Transfusion이 텍스트 next-token과 이미지 diffusion을 한 Transformer에서 공동 학습하는 방식, RAE, MoE, 데이터 비율과 world model의 검증 한계를 설명합니다.

Utonia가 LiDAR, RGB-D, CAD, 원격탐사, 비디오 3D 점을 공통 tokenizer와 encoder로 학습하는 원리, 도메인 불균형, 전이, 배포 한계를 설명합니다.

DeepSeek-R1의 671B MoE, 37B 활성 계산과 GRPO를 설명하고, 600만 달러 추정, API 가격, 증류 점수를 실제 배포 비용과 구분해 읽습니다.

UniG2U-Bench의 직접 답변과 Generate-to-Understanding 비교를 살펴보고, 중간 이미지가 공간 문제에는 돕고 일반 이해에는 오류를 전파하는 조건을 설명합니다.

VGGT-Det이 카메라 pose, depth 없이 다중 RGB와 VGGT 내부 attention, geometry feature로 실내 3D 객체를 찾는 원리와 현장 검증법을 설명합니다.

OpenClaw-RL의 비동기 서빙, PRM, GRPO/PPO 학습 루프와 binary, 자연어 피드백을 살펴보고, 오염, 망각, rollback 기준을 설명합니다.

ADE-CoT가 이미지 편집 난이도에 따라 후보 예산을 바꾸고 조기 제거, 중단하는 원리, 검증 모델 오류와 실제 지연, 품질 평가 기준을 설명합니다.

MMM이 long-video Global mean-seeking head와 short-video Local mode-seeking head를 결합하는 원리, sliding-window 경계, head 충돌, 1분 속도와 품질 검증법을 설명합니다.

Diffusion-GPT가 LLM, Tree-of-Thought, Advantage Database로 specialist diffusion model을 routing하는 원리, catalog drift, cold start, 오선택과 fallback 비용을 설명합니다.