Sol

일단은 사회학도...

[말러팔삼 @mahler83]

AI에이전트에게 연구를 자율적으로 시키면, local minima처럼 특정 아이디어의 우물(idea basin)에 갇혀 그 주변만 탐색하는 행태를 보임. 그걸 타파하기 위한 방법으로 fork-and-flush 방식을 제안한 #논문
Fig.1에서 같은 과제를 같은 세팅으로 시켜봤을 때 각자 도달한 우물이 다르고 성적도 다름

[Sophie Wang @SophieLWang]

I wrote a blog post detailing the writing approach I took while working on my recent paper: https://t.co/0aUhDLOnYD

I describe the behind the scenes for how this paper came to be, why and how I storyboarded figures before running experiments, and some figure design tips! :)

[Dimitris Papailiopoulos @DimitrisPapail]

Fork-and-Flush: help your agents escape Idea Basins!!

I love thinking of AutoResearch as Idea Descent: a metric of interest goes down, as a function of ideas/experiments, where the agents get pulled towards one idea or another. But we've seen very often an agent develop this weird tunnel vision, and honing in just one type of "idea", kinda like GD stuck in a local minimum.

We studied this and seems we can fix it with Fork-and-Flush, a super simple and kinda cute idea. Every so often, fork the agent into T copies in the same workspace but empty the context, let them run for a bit, and continue from the best one.

If you like the GD analogy, it's basically basin hopping https://t.co/NOzpRGT3It.

BTW we found a silly way of also plotting "idea basins": an LLM rewrites every experiment as a spec and answers a few thousand binary queries "is Experiment A closer to B or to C?". Then we embed this NXN matrix into 2D and indeed see in many cases that each run saturates into a small region and keeps polishing it.

We call these idea basins!

At equal compute Fork and Flush beats single runs and best-of-N on 12/13 long-horizon tasks (some 4+ days), and in my own research projects it's been working really well!

BTW we only use it at test time, but it could also be part of training or RL.

Led by @jackcai1206 @christos_ziakas during Jack's internships with us, along with @vkontonis @ShivamGarg91462 @Tea_Pearce Sid Sen and Akshay Krishnamurthy.

[Xudong Han @Xudong07452910]

现在顶尖大学里教 Agent，已经开始一路教到 GPU 了。

非常推荐 Harvard 的 CS2680 Modern AI Systems 。课程从 Claude Code、Agent Loop、Eval 和 Token 成本开始，一路往下做到模型部署、Routing、KV Cache、量化和 speculative decoding。

作业设计也很有巧思，5 个作业都围着同一个 Agent 系统往下拆，先看它怎么工作，再自己搭 Harness，最后一路优化到推理层。

感觉它更像是在回答一个问题：

一个现代 AI Agent，到底是怎么从应用层一路跑到底层系统的？

做 Agent、Harness、AI Infra 的可以收藏。

https://t.co/zUUJPY4lyA

[Ding @dingyi]

我愿称之为史上最强 skills

https://t.co/PKMyj1Qd1s

[GitHub AI Projects Community 🇯🇵 @trendtech33566]

AIが書いたコード、自分でも全体像がわからなくなってませんか？👀

oh-my-mermaid、⭐️約2.6千。コードを解析して「構成図＋説明」を作るOSS。

何ができるかというと👇
・構造やデータの流れをMermaid図に
・複雑な部分は階層を掘って確認
・図と一緒に制約や懸念点も整理
・Claude Code/Codex/Cursor等に対応

「動くけど、仕組みがわからない」を減らす。
AI開発のコード把握や、引き継ぎに。

https://t.co/qr5WJPZ7rO

[돈벌고영 @Dontgiveup_26]

하루에 커뮤니티 10군데 돌던 시간 1초로 줄이는 핵심 활용법

1. '오늘의 이슈' & '유튜브 급상승'으로 트렌드 3초 컷
각 커뮤니티에서 지금 가장 불타는 글과 유튜브 급상승 영상을 한눈에 스캔. 글감이나 대화 주제 찾을 때 다른 사이트 갈 필요가 없음.

2. 글로벌 탭 (미국 레딧, 일본 5ch/하테나, 대만 PTT)
국내에 아직 안 퍼진 해외 실시간 화제거리나 밈(Meme)을 제일 먼저 낚아챌 수 있어서 테크/글로벌 큐레이터한테 특히 유용함.

3. ⌘K 단축키 & 맞춤 카테고리 필터
IT/테크, 경제/주식, 게임, 유머 등 원하는 분야만 핀포인트로 볼 수 있고, 단축키로 검색도 1초 만에 됨.

회원가입이나 로그인 전혀 필요 없고 100% 무료임:
https://t.co/aS3arQsja1

ps. 사실 내가 쓰려고 만들었다가 UI/UX만 좀 개선하고 편의성 추가하고 올려봄.

[돈벌고영 @Dontgiveup_26]

단시간에 29.9k 스타 찍고 전 세계 개발자들이 환호하는 오픈소스가 등장함.

다른 상용 앱 쓰다가 "와 이 기능 진짜 탐나는데 소스코드 없이 어떻게 만들었는지 알고 싶다" 했던 적 있다면 필독.

기존에는 바이너리나 프로그램을 뜯어보려면 기드라(Ghidra)나 IDA 켜놓고 어셈블리어와 씨름하던 초고수 해커들의 영역이었는데,

이걸 AI 에이전트(Cursor, Claude Code 등)한테 MCP로 통째로 쥐여주는 도구 'REA(Reverse Engineer Anything)'임.

• 소스코드 없는 네이티브 바이너리 ➡️ C/의사코드 자동 역공학
• 노션, 슬랙 같은 일렉트론/JS 앱의 내부 IPC 및 API 로직 추적
• 기드라(Ghidra), 호퍼(Hopper), IDA를 MCP 툴로 직접 연동
• .NET 어셈블리, 펌웨어, 런타임 입출력 프로세스 실시간 분석
• 분석한 증거(Evidence) 기반으로 내 프로젝트에 코드 재구현

"남의 앱 기능 보고 에이전트한테 만들어달라"고 하는 시대의 작동 원리 정리 👇 (타래)

[크롱 @Krongggggg]

은행 털었다던 AI도구 아르텍스
원래 중국보안대회 우승작인데 누군가
한국어판 오픈소스로 공개함

https://t.co/BAyZDp8Yhy

[山ちゃん@AWS好きすぎて滅 @nekorobi_aws]

「ぼくのかんがえたさいきょうのらぐ」

判断特化型GraphRAGをJevを使って構築してみた（ベクトル未使用） https://t.co/rfk0iTZxkE #Qiita @nekorobi_awsより

[Jiaxuan Zou @SmartPig_Joe]

1/5
New blog: How to Build a Scientific Scaling Ladder.

I've spent the past three months studying pretraining and scaling. This guide brings together public research on using small runs to predict large-model training configurations and performance.

https://t.co/KJ7qL04GMF

[돈벌고영 @Dontgiveup_26]

구글이 결국 제대로 일냈음.

그동안 일부 AI SaaS 스타트업에서나 프로토타입으로 깨작거리던 '프롬프트 노코드 게임 제작 도구'를 구글이 공식 발표해 버렸음.

이름은 'Google Playground'.

• 코딩 0: 프롬프트로 물리 법칙, 캐릭터, 게임 룰 실시간 생성
• 웹/모바일 브라우저 즉시 구동 + 실시간 멀티플레이/랭킹 지원
• 유니티(Unity) 공식 협업: 3D 고퀄 게임으로 연결하는 'Unity Spark' 탑재

단순 장난감이 아니라, 빅테크가 왜 이 시장에 목숨 거는지 정리 👇 (타래)

[ℏεsam @Hesamation]

https://t.co/VnC5pfDaUA

[GitHub AI Projects Community 🇯🇵 @trendtech33566]

AIにコードの脆弱性まで点検してほしい人へ👀

Cloudflare公開のsecurity-audit-skill、⭐️約2.5万。
コーディングAIをセキュリティ監査役にするskill。

何ができるかというと👇
・構造の把握→脆弱性の探索→報告まで6段階
・別のエージェントが指摘を検証
・確認済み／要検証／棄却を分けて記録
・前回の結果を使って未調査の箇所も追える

「AIの指摘、そのまま信じていい？」に検証を挟む仕組み。
自作アプリやOSSの監査に。

https://t.co/xjpLAipxNC

[Jack Lu @Jacklu_me]

What if LLMs could think in weights, not tokens?

Introducing HyperThink (#COLM2026, co-led with @kdgyun425): a hypernetwork writes a per-question weight update to the LLM for it to skip the long thinking trace, a step toward accurate System 1 thinking! 🧵👇

📍 Tomorrow at @COLM_conf! Oct 6 (Tue), 4:30 to 6:30 PM, board #97, Franciscan C

[chronark @chronark]

Great post by @hezarfendd about using AI for learning new things

https://t.co/0fj94i34cS

[MAX @MAXdeg0]

THIS IS F**KING DANGEROUS.

I JUST FOUND A WAY TO TURN CLAUDE INTO AN AUTONOMOUS PENTESTER.

HEXSTRIKE AI connects an LLM to 150+ cybersecurity tools through MCP and lets AI agents actually use them.

→ 12 specialized agents

→ 150+ security tools

→ Web + network security testing

→ Automated pentesting workflows

→ Local execution on Kali Linux

And this is where it gets crazy.

Claude can analyze a target, choose the right tool, generate the payload, run the test, and reason through the result.

It even demonstrated solving a PortSwigger SQL injection lab autonomously.

This is no longer just AI explaining cybersecurity.

AI IS STARTING TO ACTUALLY DO THE WORK.

REPO BELOW

[nnn @nnn112358]

CPU・GPU・NPUの違い、雰囲気理解した。

[Kirk Borne @KirkDBorne]

Handbook on Understanding Harness Engineering for AI Agents [48-page PDF]: https://t.co/mHjkhT405C

[vixhaℓ @TheVixhal]

An RL setup for training decision models that return calibrated probabilities instead of text.

The input is encoded once, every option runs as its own branch, and a single scorer turns each branch into a probability.

During training, real outcomes are sampled from each item's label, and the model is rewarded on two things: the probability it gave to what actually happened, and whether its confidence in its own decision was honest.

Both are proper scoring rules, so the only way to get the best reward is to report the true probabilities.