TL;DRLLM은 규모 확장으로 기반 능력을 키우고, Instruction Tuning·RLHF로 지시 수행과 응답 품질을 다듬는다.추론 시 더 많이 생각하고 여러 답을 생성하면 성능을 높일 수 있지만, 정답을 고르는 검증기가 핵심이다.에이전트는 목표·도구·피드백의 순환으로 일을 수행하며, 검증된 경험을 학습에 돌려 자기 개선으로 연결한다. Stanford CS329A: Self-Improving AI Agents의 첫 강의는 “LLM은 어떻게 답변을 잘하는 모델에서 실제 일을 끝내는 에이전트로 발전하는가?”를 큰 흐름으로 설명한다. 강의의 연결고리는 사전 학습의 규모 확장 → 사후 학습 → 추론 시 계산 확장 → 도구와 피드백을 활용하는 에이전트다.강사: Aakanksha Chowdhery, Azali..
llm
원문: https://nolanlawson.com/2026/01/31/building-a-browser-api-in-one-shot/TL;DR 프롬프트 하나로 Claude Code와 Ralph 루프를 사용해 IndexedDB 구현체를 만들었습니다. 목표로 삼은 Web Platform Tests 하위 집합의 95%를 통과했고, 더 엄격한 테스트 하위 집합은 77.4%를 통과했습니다.정작 놀라웠던 점은 두 프로젝트 모두 Web Platform Tests(WPT)를 제대로 활용하지 않는 듯 보였다는 것입니다. WPT에는 헤아릴 수 없이 많은 사람의 시간이 들어간 전문 지식이 응축되어 있습니다. 브라우저가 어떻게 동작해야 하는지를 가장 기이한 엣지 케이스까지 정밀하게 정의해 둔 결과물이죠. (두 번째 프로젝트는..