Google

자사 측정 체화 추론 벤치마크 ERQA 87%. 실제 탁자 사진 한 장에서 MuJoCo 시뮬레이션 쌍둥이를 스스로 만들고 4,500개 이상 에피소드를 모아 실제 로봇 성공률을 56%에서 75%로, 완료 시간을 35초에서 24초로 줄였다고 밝힘. 범용 모델이 로봇 데이터 라벨링·가치 함수·시뮬레이션 구축까지 맡는 흐름

에이전트가 사람 사이에 끼어 일할 때의 실패를 '능력'이 아니라 '중개된 정보'의 문제로 분리해 측정한 벤치마크.

공격·방어 이중용도 모델을 심사받은 방어자에게만 배포하는 접근 통제 방식의 제도화

긴 영상을 통째로 넣는 대신 모델이 스스로 탐색하는 방식 — 멀티모달 입력이 에이전트 루프로 편입

영상 생성이 단발 클립에서 이어 붙이고 제어하는 타임라인 작업으로 이동

MCP와 A2A가 단일 중립 재단 아래로 통합되며 에이전트 표준 거버넌스가 재단 체제로 재편

온디바이스 런타임이 모바일 OS를 넘어 브라우저까지 같은 스택으로 덮는 단계. 수치는 벤더 자체 측정

온디바이스 모델이 앱이 아니라 웹 플랫폼 API로 노출된 스테이블 채널 사례. 모델 배포와 용량 관리의 책임이 브라우저 벤더로 넘어간다

임베딩 상용 계보가 텍스트 전용 세대를 지나 네이티브 멀티모달 세대로 공식 전환

대안 실리콘 진영의 본격 확장

안드로이드 온디바이스 AI가 시스템 서비스(AICore)로 오픈 모델을 직접 배포하는 체계로 진화

미국 진영의 진짜 개방 회귀 신호탄

옵티마이저를 연상 기억 모듈로 재기술하고 자기 갱신 알고리즘을 학습하는 시퀀스 모델 제안

정확한 인포그래픽과 다국어 텍스트 렌더링으로 이미지 생성을 추론 과제로 재정의, SynthID 탑재

네이티브 멀티모달 설계가 비디오·문서 이해 우위로 귀결

NVIDIA 외 대안 실리콘의 첫 초대형 계약

브라우저 특화 전용 모델로 응수, 데스크톱 OS 제어는 미최적화라고 명시

캐릭터 일관성 편집이 대중 제품 수준에 도달, SynthID 비가시 워터마크 탑재

3월 실험판을 상용화하며 임베딩 API 경쟁에 본격 진입

온디바이스급 소형 모델이 멀티모달과 벤치마크 경쟁력을 동시에 갖추기 시작한 이정표

대사·효과음·배경음을 영상과 함께 생성해 무성영화 시대를 끝냄

양자화 인식 학습이 오픈 웨이트 배포의 표준 절차가 됨

에이전트 대 에이전트 계층을 별도 제안, MCP를 보완한다고 명시

thinking이 특수 모드에서 기본값으로 이동하는 선언

소형·온디바이스 노선의 성숙

Google 첫 추론 모델, 사고 과정을 사용자에게 노출하는 노선

자사 주장 기준 27B가 크기 두 배 이상인 모델과 겨룰 수준이고 9B가 Llama 3 8B를 앞섰다고 밝힌 Gemma 2세대

초장문 컨텍스트가 대기자 명단을 벗어나 일반 개발자 선택지가 됨

빅테크의 소형 오픈웨이트 참전이나 Apache가 아니라는 비판

인코더 후접합이 아니라 처음부터 모든 모달리티를 함께 사전학습하는 노선 선언

Google I/O에서 Bard를 포함한 25개 이상 제품·기능에 적용한다고 발표했으며, 가장 작은 Gecko는 오프라인 모바일 기기에서도 구동된다고 밝힘

25명 에이전트 샌드박스에서 관찰-메모리-반성-계획 아키텍처로 창발적 사회 행동

LaMDA 경량 버전으로 시작해 연산 부담을 줄이고 외부 피드백을 모은 뒤 수 주 안에 일반 공개하겠다고 밝힘

출력 분포를 바꾸지 않으면서 decode의 메모리 바운드 특성을 우회

임베딩 차원을 사후에 조절 가능하게 만든 기법

분해·계획 계보(Plan-and-Solve, Self-Discover)의 원형

PaLM 급 학습을 가능케 한 오케스트레이션 계층이자 JAX/TPU 스택의 실행 기반

프롬프트만으로 추론 성능을 바꾼다는 계보 전체의 기점. CoT 예시 8개로 540B가 GSM8K SOTA

137B가 zero-shot에서 175B GPT-3를 25개 중 20개 태스크에서 상회

대부분의 언어 모델과 달리 대화로 학습했고, 학습 후 미세조정으로 응답의 합리성(sensibleness)과 구체성(specificity)을 크게 높일 수 있었다고 밝힘

MoE를 단순화하고 라우팅 불안정·로드밸런싱 손실의 표준 레퍼런스가 됨

MoE를 600B 규모 시스템으로 끌어올리고 expert parallelism과 자동 샤딩을 확립

XLA·TVM·Triton·Mojo가 공유하는 공통 기반. 가속기마다 컴파일러를 새로 짜던 관행을 끝냄

Common Crawl을 휴리스틱으로 정제한 최초의 대규모 표준 코퍼스

출력층 하나만 더해 미세조정하는 방식으로 11개 자연어 처리 과제에서 최고 성능을 기록했으며 GLUE 80.4%·SQuAD v1.1 F1 93.2(저자 보고)

순환 없이 self-attention만으로 병렬 학습이 가능해져 대규모 사전학습의 구조적 전제가 성립

1세대 TPU의 설계와 실측을 공개해 전용 가속기 논의의 기준 문헌이 됨

ML 컴파일러 경쟁의 출발점. TPU를 실용화한 계층이자 JAX 전체의 기반

조건부 연산으로 총 파라미터가 활성 파라미터를 크게 넘는 구조를 최초 실증, 모든 MoE의 조상

구조 설계 자체를 탐색 문제로 바꾼 논문

신경망 번역이 연구에서 상용 서비스로 넘어간 지점

어텐션 seq2seq를 상용 규모로 구현한 시스템 기술서

민감 데이터 학습의 표준 기법이자 이후 규제 논의의 기술적 기준점

범용 GPU가 아닌 신경망 전용 실리콘 노선의 시작

모바일 온디바이스 학습 경로를 개통

내부 시스템을 공개해 프레임워크 경쟁을 열고 딥러닝 도구를 산업 표준화

큰 모델의 지식을 작은 모델로 옮기는 증류를 정식화. 오늘의 소형 모델 계보의 뿌리

깊은 망의 학습을 안정화·가속해 대부분의 아키텍처에 표준 채택됨

시퀀스를 시퀀스로 사상하는 인코더-디코더를 정식화. 오늘의 생성 모델 인터페이스의 조상

이후 DQN·AlphaGo를 낳는 조직 기반이 마련됨

이후 모든 밀집 검색·임베딩 스택의 출발점

서로 다른 산업 그룹이 같은 전환(HMM→DNN)을 확인해 딥러닝이 음성인식 산업 표준이 됨

레이블 없는 대규모 데이터와 대규모 연산만으로 고차 개념이 잡힘을 보임. 구글의 딥러닝 투자 상징