산스 | Jay

별의별 방법으로 지금을 설레게 해 🎶

[산스 | Jay @_sansserify]

#개발자_트친소

고학번 학부생이에요!
공부하고 싶은 게 많아서 학교를 좀 오래 다녔습니다.
다른 계정에서 탐라로 넘어오는 트윗들만 보다가,
개발자 계정을 따로 만드는 게 좋을 것 같아서 만들었어요!

공부 + 일상 이야기 할 것 같습니다 :)
잘 부탁드립니다 💻👏

[Claude @claudeai]

Claude now has its own built-in browser in Cowork.

When your task involves a website, a browser opens in Cowork's side panel, and Claude navigates, fills forms, and finishes the job.

[Seohong Park @seohong_park]

Behavioral cloning mystery

https://t.co/VqxzvcfGSx

I wrote a new blog post about "mysteries" in behavioral cloning that appear with real-world robot data (e.g., overfitting is "good"). I also tried to demystify them and shared my thoughts!

[산스 | Jay @_sansserify]

클로드가 또 다시 일주일 한도 초기화시켜줬음 좋겠다... 요즘 1주일에 200% 가까이 썼어서

[스타트업 김대표 @kstartupceo]

우리도 그 AI로 뭐좀 만들어봐

[Sakana AI @SakanaAILabs]

Excited to share our paper, “Learning Multi-Agent Coordination via Sheaf-ADMM” to be presented at #ICML2026

Blog: https://t.co/F5CVepgivO

Most AI models process information as one giant, monolithic block. But in nature, intelligence often comes from a group of individuals working together, where each individual only has a limited view of the world.

We built a framework called Sheaf-ADMM to study how this kind of collective problem-solving works. We divide a complex task into smaller overlapping pieces, and assign one agent to each piece.

To solve the global puzzle, the agents negotiate in three simple steps:

1. Local Guesses: Every agent looks at its limited view and proposes a solution.

2. Finding Common Ground: Agents communicate with their direct neighbors to smooth out conflicts. They do not need to agree on everything, but they must agree on the boundaries where their tasks overlap.

3. Remembering Disagreements: If neighbors cannot agree, they keep a memory of that conflict. This memory forces them to try harder to compromise in the next round.

We tested this on problems where no single agent has enough information to succeed alone:

• Multi-Agent Sudoku: Each agent sees only a single row, column, or 3x3 box. The framework achieved a 93% solve rate, while a parameter-matched message-passing baseline scored 11%.

• Image Classification: When we tested canvas-size domain shifts, a standard CNN dropped to 11% accuracy on MNIST, while our method retained 86%.

• Maze Pathfinding: Sheaf-ADMM matches a message-passing baseline��s accuracy while agents communicate over a 5-dimensional channel, 8x smaller than that required of the baseline (42).

Traditional message-passing networks hide their reasoning inside opaque hidden states. Our framework makes coordination completely transparent. You can watch exactly how local agents debate, compromise, and eventually reach a global consensus.

Sheaf-ADMM draws inspiration from two fields with long histories in distributed consensus: ADMM from distributed optimization, and sheaves from applied topology. We think these perspectives may offer insights for the distributed, multi-agent AI systems increasingly being built today.

Read our full paper: https://t.co/RoOHfekjQE
Code: https://t.co/KDKZRcbuQH

[스타트업 김대표 @kstartupceo]

Fable 모델과 Mythos 모델 사용 가능한 미국 거주 미국 시민권자 정통 미국인 채용합니다

[alphaXiv @askalphaxiv]

"From AGI to ASI"

This paper from Google DeepMind defines how AGI is one human-level general system, and ASI is a system or collective that beats large expert human organizations across almost everything.

They argue that the jump may come from scaling, new paradigms, recursive self-improvement, or huge multi-agent AI collectives.

With the key idea that digital minds can copy, speed up, share memory, and run in parallel, so superintelligence may look less like one breakthrough and more like accelerating AI civilization.

[개발자스럽다 @gaeraecom]

📚❮AI 에이전트 개발과 운영 올인원 가이드❯
단편적인 기능 매뉴얼 대신, 전체 시스템 흐름 안에서 LangGraph 기반 에이전트를 설계하는 법을 다룹니다. 개발에서 끝나지 않고, 프로덕션 운영·평가·개선까지 아우르는 구성이 특징

🎁 도서 증정 이벤트
∙ 리포스트 + 팔로우
∙ 3명 | ~2026년 6월 21일

�� 주요 내용
🔸LangGraph 워크플로, 멀티 에이전트, Human-in-the-Loop 등 13개 실습 프로젝트
🔸추론형 에이전트, MCP 등 최신 에이전트 구현 방법
🔸Langfuse 기반 LLMOps — 트레이싱·평가·지속적 개선
🔸Amazon Bedrock을 활용한 AWS 클라우드 환경 구축
🔸번역서 기준 예제 코드 Claude 4.6으로 업데이트 반영

👉 https://t.co/7Iu4KspcoO

[산스 | Jay @_sansserify]

0은 자연수가 될 수 있어도 1은 소수가 될 수 없어 ㅜ

[Anthony Bonato @Anthony_Bonato]

Misleading our youth

[스타트업 김대표 @kstartupceo]

독서하면 좌파됩니다. 책 읽지 마세요.

[Jake Seo @JakeSeo8]

내가 본 그의 가장 큰 잘못된 점: 상담받으러 온 사람 자체가 어떤 매력을 가졌는지 1도 고려 안하고 무시하고 자신만의 정답을 강요함

카톡 내용에서도 무시하는 발언이 다분함

난 자소서는 자신만의 매력을 보여줄 수 있는 스토리텔링이 중요하다 생각하고 그건 남의 말을 그대로 수용해서 될 게 아님

정답을 강요하면 그 사람은 정답이 있다는 틀에 갇혀서 자신의 강점을 자연스레 잃어버리게 됨

정답을 알려주는 게 아니라 함께 의논하고 본인이 직접 선택하는 방식으로 작성해나가는 게 맞다고 봄

난 그 사람이 남 무시하고 자기 말이 정답이라는 식으로 단정짓는 그 화법이 가장 싫었음

[스타트업 김대표 @kstartupceo]

니 클로드가 그랬대도 내 클로드 말이 맞아
대표의 클로드가 먼저지 직원 클로드가 먼저냐?

[산스 | Jay @_sansserify]

시의성 100%

[스타트업 김대표 @kstartupceo]

아니 내 평판이 안 좋은데 어떻게 고등학교 게임기획 교과서 집필위원장을 시키고 게임 분야 NCS 위원장 을 시키고 국가자격시험 출제위원을 10년이나 해먹겠냐고

[bluebell @13lurbell]

와 나 그분 트윗구경갔는데
취약계층 사회에 공헌 어쩌고 뭐시기했으면서
지 지인이랑은 상담자분
>계속 정병 발사하고 국취제 안 된다고 징징<
>그래서 상담 좀 해주다가 너무 노답이라<
고 이야기하고있었네
본인 비하하는 트윗은 못참으시면서
본인만 믿고 실드쳐주고 이용까지한사람한테 할말인가

[산스 | Jay @_sansserify]

아 근데 새삼 한국논문 많아진 거 체감된다...

[파차🕯 (@[email protected]) @finalchildmc]

플라피나 이 분은 왜 주기적으로 논란이

[AK @_akhaliq]

Contrastive Distribution Matching for Amortized Sequential Monte Carlo in Discrete Diffusion

[Yann LeCun @ylecun]

Those are orthogonal concepts.
- World models trained on highly diverse data become foundation models: their encoders can be used for a wide variety of downstream tasks.
- "World" refers to two things: (1) predicting the evolution of a complex system or environment, (2) predicting the evolution of a system under control and its effect on the environment (action-conditioned world model) which is a necessary component of planning.

[Basix @Basix1120]

2026년에 더 조심해야 하는 건 .vercel.app 에서 배포되는 그래디언트랑 라운드코너 많은 앱임 여기서 네트워크탭 깠는데 firebase/supabase 나온다? 뒤도안돌아버고 도망쳐라

[AI Search @aisearchio]

Generative Recursive Reasoning: a new probabilistic framework for AI reasoning. This enables AI to explore possible solutions, not just think longer.

> Beats Sudoku & ARC-AGI baselines
> Samples many latent paths in parallel
> Scales via depth + width

https://t.co/U1Iuc64yZZ