#LLM

12 posts tagged

Concept08.232026-08-23 09:0017 min read

Claude 워터마킹과 AI 텍스트 탐지 — 생성된 글은 어디까지 추적 가능한가

Claude 텍스트 워터마킹과 AI 탐지기 구현 사례를 바탕으로, 생성 텍스트를 통계적으로 식별하는 방식과 실무에서 조심해야 할 지점을 정리한다.

#Claude #watermark #AI detector+2

Guide08.022026-08-02 09:0013 min read

Sebastian Raschka 블로그로 따라가는 LLM 연구 읽기 지도

Sebastian Raschka의 RSS를 기준으로 LLM 아키텍처, reasoning, agent, post-training 글을 어떤 순서로 읽으면 좋은지 정리한다.

#LLM #architecture #reasoning+2

Concept07.252026-07-25 09:0020 min read

AI 기본기 12: Efficient Fine-tuning — LoRA, Quantization, Distillation은 무엇을 줄이는가

큰 LLM을 매번 전체 학습하지 않고 목적에 맞게 바꾸기 위해 LoRA, quantization, distillation이 각각 무엇을 줄이고 어떤 trade-off를 만드는지 정리한다.

#AI기본기 #fine-tuning #LoRA+3

Concept07.242026-07-24 09:0033 min read

AI 기본기 11: Post-training과 Alignment — RLHF와 DPO는 모델의 행동을 어떻게 바꾸는가

Pretraining 이후의 LLM을 사용자가 원하는 방식으로 행동하게 만드는 post-training 흐름을 SFT, preference learning, RLHF, DPO 관점에서 정리한다.

#AI기본기 #post-training #alignment+3

Concept07.212026-07-21 09:0019 min read

AI 기본기 8: Agent와 Tool Use — LLM을 실행 가능한 시스템으로 바꾸는 법

AI agent를 prompt wrapper가 아니라 상태, 도구, 행동 선택, 관찰, 평가가 결합된 runtime system으로 이해한다.

#AI기본기 #agent #tool-use+3

Concept07.202026-07-20 09:0020 min read

AI 기본기 7: Prompting과 Inference-time Computation — 추론할 때 모델에게 시간을 쓰게 만드는 법

Prompting을 문장 꾸미기나 요령이 아니라, LLM 추론 시점에 추가 계산과 제약을 어떻게 배치하는지의 문제로 이해한다.

#AI기본기 #prompting #chain-of-thought+2

Concept07.182026-07-18 09:0021 min read

AI 기본기 5: Next-Token Prediction과 Instruction Tuning — LLM은 무엇을 배우고 무엇을 맞춰 가는가

Causal language modeling, next-token prediction, pretraining, instruction tuning, RLHF/RLAIF를 하나의 학습 파이프라인으로 연결해 LLM이 실제로 무엇을 최적화하는지 이해한다.

#AI기본기 #LLM #pretraining+2

Concept07.172026-07-17 09:0022 min read

AI 기본기 4: Transformer와 Self-Attention — 문맥을 직접 비교하는 모델

RNN의 순차 처리 병목에서 출발해 self-attention, Q·K·V, scaled dot-product attention, multi-head attention, positional encoding을 모델링 관점에서 이해한다.

#AI기본기 #transformer #attention+2

Paper Review07.172026-07-17 09:0026 min read

ICML 2026 수상 논문 중 LLM 엔지니어가 읽어볼 만한 것들

ICML 2026 수상 논문 중 LLM 엔지니어 관점에서 실무적으로 읽어볼 만한 논문을 추렸다. Diffusion LLM, RLVR, memorization, alignment, 비동기 RL 시스템을 중심으로 정리한다.

#ICML #LLM #post-training+4

Concept07.162026-07-16 09:0016 min read

AI 모델 압축을 12살도 이해할 수 있게 설명하기 — BF16 가중치를 줄이는 방법

GLM-5.2 753B 모델을 대상으로 한 lossless weight compression 실험을 바탕으로, AI 모델의 가중치를 왜 줄일 수 있고 무엇을 아직 조심해서 봐야 하는지 쉽게 설명한다.

#model-compression #BF16 #LLM+2

Concept07.152026-07-15 09:0019 min read

AI 기본기 2: 손실함수와 목적함수 — 모델은 정말 우리가 원하는 것을 배우는가

MSE, cross-entropy, maximum likelihood, next-token prediction, contrastive loss를 하나의 관점으로 연결해 AI 모델이 무엇을 최적화하는지 이해한다.

#AI기본기 #machine-learning #loss-function+2

Concept07.122026-07-12 09:0018 min read

AI 기본기: 모델링 관점에서 다시 짜는 학습 로드맵

LinkedIn의 AI 학습자료 목록을 단순 링크 모음이 아니라 모델링 기법 중심의 블로그 연재 커리큘럼으로 재구성한다.

#AI기본기 #machine-learning #deep-learning+2