2026년 11월 4일 (수)

[01]

주요 소식

1. Antigravity가 에이전트 워크플로에 화학 계산을 결합한다

Google의 2026-11-03 시연은 문헌 검색, 화합물 선별, 대응 분자쌍 분석과 합성 경로 제안을 결합한다. 모델은 작업을 조율하고 결정론적 RDKit 도구가 분자 계산을 수행한다. Google은 시연한 워크플로에 한 시간이 걸렸다고 보고하며, 제안한 화합물의 합성과 실험 검증이 필요하다고 명시한다.

의의: 분야별 도구를 통해 계산 단계를 검토할 수 있지만, 가설 생성이 빨라졌다고 신약 발견이 검증된 것은 아니다. 이는 공급업체 시연이다. → Google DeepMind (source)

2. LeanGuard는 도구가 실행하기 전에 호출을 검사한다

Lean4 정책 검사는 실패 시 실행을 차단하며 피드백이나 증명된 수정안을 반환할 수 있다. 저자들은 DTap에서 직접적인 프롬프트 주입 성공률이 57.9%에서 5.9%로 낮아졌다고 보고한다. 정상 과제에 쓰기 작업이 필요 없는 통신 환경에서는 정상 과제 성공률이 변하지 않는다. 이 조건이 중요하다.

의의: 행동 검사는 명시적인 집행 지점을 제공하지만, 코드로 표현한 정책에 대한 정확성이 정책의 완전성이나 일반적인 안전성을 입증하지는 않는다. → LeanGuard — checking policy before tool execution (source)

[02]

논문 추천

SWE-Trail: 이전 궤적을 이용해 경험을 더 수집할 지점을 선택하면서 그 이력을 코딩 에이전트의 문맥에 넣지 않는다. 124B 학생 모델은 독립 표본 추출보다 SWE-bench Multilingual에서 2.33 percentage points, SWE-bench Pro에서 1.60 percentage points 개선된다. 이력을 제거한 실험에 주목할 만하다. 성공한 수집 궤적이 많아지는 것만으로는 Multilingual이 거의 개선되지 않았다. 초록은 전체 수집 비용을 정량화하지 않는다. → SWE-Trail — using history without teaching dependence on it (source)

[03]

주목

LLM 0.37: 유지관리자가 호환 엔드포인트를 위한 llm openai endpoint add와 서로 다른 바이너리 임베딩 입력의 콘텐츠 유형 지원을 추가했다. 유용한 인터페이스 변경이지만 여기서 백엔드 동작을 독립적으로 시험하지는 않았다. → Agents (LLM Agents) (source)

[04]

위키 신규

LeanGuard — checking policy before tool execution — 방법, 결과와 정책 범위의 한계. (source)
SWE-Trail — using history without teaching dependence on it — 수집 절차, 학생 모델 평가와 남은 비용 질문. (source)

[05]

업데이트

Agent Runtime Containment, Agentic Reinforcement Learning, Agents (LLM Agents)가 오늘의 논문을 기존 연구와 연결한다. (guardrails) (training)