GN⁺: 2025 AI 엔지니어 독서 목록

• AI 엔지니어를 위한 50개의 논문, 모델, 블로그를 10개의 분야로 나누어 선정
• LLMs, 벤치마크, 프롬프팅, RAG, 에이전트, 코드 생성, 비전, 음성, 확산, 파인튜닝 분야를 포함

섹션 1: 최전선 LLMs

• OpenAI 모델
  • GPT1 (논문), GPT2 (논문), GPT3 (논문), Codex (논문), InstructGPT (논문), GPT4 (논문)
  • GPT3.5 (ChatGPT 소개), 4o (GPT-4o 소개), o1 (o1 프리뷰), o3 (시스템 카드)
• Anthropic 및 Google 모델
  • Claude 3 (논문), Gemini 1 (논문)
  • Claude 3.5 Sonnet (세부정보), Gemini 2.0 Flash (공식 블로그), Flash Thinking (Gemini API 문서), Gemma 2 (논문)
• Meta와 관련된 LLaMA 계열
  • LLaMA 1 (논문), LLaMA 2 (논문), LLaMA 3 (논문)
  • 확장 모델: Mistral 7B (논문), Mixtral (논문), Pixtral (논문)
• DeepSeek 모델
  • DeepSeek V1 (논문), Coder (논문), MoE (논문), V2 (논문), V3 (깃허브)
• Apple Intelligence
  • Apple Intelligence (논문) - 모든 Mac 및 iPhone에 포함된 모델
• 주목할 만한 추가 모델 및 연구
  • LLM 모델
    • AI2 계열: Olmo, Molmo, OlmOE, Tülu 3, Olmo 2
    • 기타: Grok, Amazon Nova, Yi, Reka, Jamba, Cohere, Nemotron, Microsoft Phi, HuggingFace SmolLM
  • Scaling Laws 연구
    • Scaling Laws: Kaplan, Chinchilla, Emergence, Mirage, Post-Chinchilla Laws
  • 최첨단 모델:
    • o1, o3, R1, QwQ, QVQ, f1
  • Reasoning 모델 연구:
    • Let’s Verify Step By Step, STaR, Noam Brown의 강연

섹션 2: 벤치마크 및 평가

• MMLU
  • MMLU (논문): 다분야 지식 벤치마크의 표준
    • 2025년 최첨단 연구는 MMLU Pro (논문), GPQA Diamond (논문), BIG-Bench Hard (논문)를 사용
  • GPQA (논문): 질문 생성 및 정답 평가에 중점
  • BIG-Bench (논문): 다방면의 문제를 포함한 대규모 벤치마크
• MuSR (논문): 긴 문맥 내 평가
  • 관련 연구: LongBench (논문), BABILong (논문), RULER (소개)
  • 문제 해결: Lost in the Middle (논문), Needle in a Haystack (깃허브)
• MATH (논문): 수학 경시대회 문제 모음
  • 최첨단 연구는 FrontierMath (논문) 및 고난도 문제에 초점
  • 하위 집합: MATH Level 5, AIME, AMC10/AMC12
• IFEval (논문): 주요 명령어 이행 평가 벤치마크
  • Apple의 공식 채택 (링크)
  • 관련 벤치마크: MT-Bench (논문)
• ARC AGI (공식 페이지): 추상적 추론과 "IQ 테스트" 벤치마크
  • 빠르게 포화되는 다른 벤치마크와 달리 장기적으로 유지
• 추가 참고 자료
  • Latent Space: Benchmarks 101, Benchmarks 201
  • Carlini, LMArena, Braintrust: 벤치마크에 대한 심층 분석
  • LLM 관련 자료: LLM-as-Judge, Applied LLMs
  • 데이터셋 리소스: Datasets

섹션 3: 프롬프팅, ICL 및 사고의 연쇄

• GPT-3와 In-Context Learning (ICL)
  • GPT-3 논문(논문): In-Context Learning (ICL) 개념 소개
  • ICL은 프롬프팅과 밀접한 관련이 있으며, 이를 통해 LLM이 문맥 내에서 학습하고 적용 가능
  • Prompt Injection: 프롬프트 조작 및 보안 문제 (Lilian Weng의 정리, Simon Willison의 시리즈)
• The Prompt Report: 프롬프팅 관련 논문 서베이
  • 개요: 프롬프팅 기술의 전반적인 발전과 최신 트렌드 요약 (관련 팟캐스트)
• Chain-of-Thought (CoT):
  • 단계별 사고 프로세스 모델링
  • 관련 연구:
    • Scratchpads (논문)
    • Let’s Think Step By Step (논문)
• Tree of Thought:
  • Lookahead와 Backtracking 개념 소개
  • 복잡한 문제 해결을 위한 효과적인 방법 (관련 팟캐스트)
• Prompt Tuning:
  • 프롬프트 없이 모델 성능 조정 가능:
    • Prefix-Tuning (논문)
    • Entropy 기반 디코딩 조정 (깃허브)
    • Representation Engineering (블로그)
• Automatic Prompt Engineering:
  • LLM이 직접 프롬프트를 생성하고 최적화하는 방법
  • DSPy 프레임워크 (논문)에서 구현
• 연구 논문뿐 아니라 실무적인 가이드가 유용:
  • Lilian Weng의 Prompt Engineering 블로그
  • Eugene Yan의 Prompting 가이드
  • Anthropic의 튜토리얼 및 워크숍:
    • Interactive Prompt Engineering Tutorial
    • AI Engineer Workshop

섹션 4: RAG (Retrieval-Augmented Generation)

• Introduction to Information Retrieval: 정보 검색의 기초를 다루는 고전적인 참고서
  • RAG는 정보 검색(IR) 문제로, 60년 이상의 역사를 가진 분야와 밀접한 관련이 있음
  • 주요 기술:
    • TF-IDF, BM25: 텍스트 기반 검색
    • FAISS, HNSW: 벡터 검색 및 근접 탐색
• Meta RAG (2020년 논문) : RAG 용어 최초 등장
  • HyDE (문서)
  • Chunking (연구)
  • Rerankers (Cohere 블로그)
  • 멀티모달 데이터 처리 (YouTube)
• MTEB: 임베딩 평가 벤치마크
  • 논란과 한계 (관련 토론)
  • 임베딩 모델 예시:
    • SentenceTransformers
    • OpenAI, Nomic Embed, ModernBERT Embed
    • Matryoshka Embeddings (HuggingFace 블로그)
• GraphRAG: Microsoft의 RAG와 지식 그래프 통합
  • GraphRAG:
    • 지식 그래프를 RAG 워크플로우에 통합하여 개인 데이터에서 더 나은 결과 제공
    • 오픈소스화 (Microsoft 블로그)
  • 관련 연구:
    • ColBERT, ColPali, ColQwen
• RAGAS: OpenAI가 추천한 간단한 RAG 평가 방법
  • Nvidia FACTS Framework (논문)
  • Extrinsic Hallucinations in LLMs (Lilian Weng의 조사)
  • Jason Wei의 Recall vs Precision (트윗)
• 학습 자료와 RAG 실무
  • LlamaIndex (문서, 코스)
  • LangChain (문서, 튜토리얼 영상)
  • RAG vs Long Context Debate:
    • 논문: RAG와 긴 컨텍스트 접근법 비교

섹션 5: 에이전트

• SWE-Bench:
  • 에이전트 평가를 위한 대표적인 벤치마크 (코딩 중심)
  • Anthropic, Devin, OpenAI 등에서 채택되어 높은 주목도
  • 관련 자료:
    • SWE-Agent (논문)
    • SWE-Bench Multimodal (논문)
    • Konwinski Prize (웹사이트)
  • 비교: WebArena (깃허브), SWE-Gym (관련 트윗)
• ReAct:
  • 도구 사용 및 함수 호출 LLM 연구의 시발점
  • 관련 연구:
    • Gorilla (리더보드)
    • Toolformer (논문)
    • HuggingGPT (논문)
• MemGPT:
  • 장기 메모리 에뮬레이션 접근 방식
  • 주요 활용:
    • ChatGPT의 메모리 및 제어 기능
    • LangGraph의 에피소드 메모리
  • 관련 시스템:
    • MetaGPT (논문)
    • AutoGen (논문)
    • Smallville (깃허브)
• Voyager:
  • Nvidia의 인지 아키텍처 접근:
    • 커리큘럼, 스킬 라이브러리, 샌드박스를 활용한 성능 향상
  • 개념 확장:
    • Agent Workflow Memory (논문)
• Anthropic의 Building Effective Agents:
  • 2024년 에이전트 설계의 핵심 정리
  • 주요 주제:
    • 체이닝, 라우팅, 병렬화, 오케스트레이션, 평가, 최적화
  • 관련 자료:
    • Lilian Weng의 에이전트 연구
    • Shunyu Yao의 LLM 에이전트 연구
    • Chip Huyen의 2025년 에이전트 개요
• 추가 학습 자료 및 강의
  • 2024년 최신 에이전트 디자인: NeurIPS 정리
  • UC Berkeley MOOC: LLM Agents 강의
  • 에이전트 정의 논의: 필요 시 이 정의 참조

섹션 6: 코드 생성(CodeGen)

• The Stack paper
  • The Pile의 코드 중심 오픈 데이터셋 쌍으로 시작
  • 후속 작업:
    • The Stack v2: 개선된 데이터셋
    • StarCoder: 최적화된 코드 생성 모델
• 오픈 코드 모델 논문
  • DeepSeek-Coder
  • Qwen2.5-Coder
  • CodeLlama
  • 많은 이들이 Claude 3.5 Sonnet을 최고의 코드 모델로 평가하지만 공식 논문은 없음
• HumanEval/Codex
  • 코딩 도메인의 필수 벤치마크 (현재는 포화 상태)
  • 현대적 대체 벤치마크:
    • Aider
    • Codeforces
    • BigCodeBench
    • LiveCodeBench
    • SciCode
  • SWE-Bench
    • 에이전트 중심 평가로 유명하지만 비용이 많이 들고 모델보다는 에이전트 평가에 초점
• AlphaCodeium
  • Google의 AlphaCode 및 AlphaCode2 성능 기반
  • Flow Engineering을 활용해 기존 모델의 성능을 대폭 향상
• CriticGPT
  • 코드 생성 시 발생하는 보안 문제 탐지에 초점
    • OpenAI의 CriticGPT는 보안 문제를 식별하도록 학습
    • Anthropic은 SAEs(Safety-relevant Activation Ensembles)를 사용해 문제를 유발하는 LLM 특징 분석 (연구)
• 산업에서의 코드 생성은 연구에서 실무로 중심 이동:
  • Devin과 같은 코드 에이전트 활용 (영상)
  • 코드 생성에 대한 실무적 조언 (YouTube)

섹션 7: 비전

• Non-LLM 기반 비전 연구
  • YOLO:
    • 실시간 객체 탐지 모델로 유명
    • 현재 v11까지 발전 (깃허브)
    • 최근 연구: DETR 기반 트랜스포머 모델이 YOLO를 능가하는 성과를 보임
  • 참고: YOLO의 다양한 버전과 발전 계보에 주의 (관련 토론)
• CLIP:
  • ViT 기반 멀티모달 모델의 성공 사례
  • 최신 모델:
    • BLIP, BLIP2
    • SigLIP/PaliGemma
  • CLIP은 여전히 중요한 배경 지식
• MMVP benchmark:
  • CLIP의 한계를 평가
  • 멀티모달 버전: MMMU, SWE-Bench Multimodal
• Segment Anything Model (SAM):
  • 이미지 및 비디오 세그멘테이션의 대표 모델
  • 후속 연구: SAM 2 (관련 팟캐스트)
  • 보완 모델: GroundingDINO
• Early Fusion vs Late Fusion:
  • Late Fusion: LLaVA (팟캐스트)
  • Early Fusion:
    • Meta의 Flamingo
    • Chameleon
    • Apple의 AIMv2
    • Reka의 Core
  • 참고 자료: 멀티모달 비전 연구 흐름
• 출판되지 않은 최신 작업:
  • GPT4V System Card 및 파생 연구 (논문)
  • OpenAI 4o:
    • 4o Vision 미세 조정
  • 최신 모델:
    • Claude 3.5 Sonnet/Haiku
    • Gemini 2.0 Flash
    • o1
    • 기타 모델:
      • Pixtral
      • Llama 3.2
      • Moondream
      • QVQ

섹션 8: 음성

• Whisper:
  • OpenAI의 성공적인 ASR 모델
  • 주요 버전:
    • Whisper v2 (관련 토론)
    • Whisper v3 (관련 토론)
    • Distil-Whisper (깃허브)
    • Whisper v3 Turbo (분석)
  • Whisper는 여러 공개 가중치 모델 제공, 하지만 일부 버전은 논문 없음
• AudioPaLM:
  • Google의 AudioPaLM은 PaLM에서 Gemini로 전환되기 전의 연구
  • 참고: Meta의 Llama 3 음성 탐구 (논문)
• NaturalSpeech:
  • 주요 TTS 연구 중 하나
  • 최근 v3 (논문)로 업데이트
• Kyutai Moshi:
  • 풀-듀플렉스 음성-텍스트 오픈 가중치 모델
  • 고품질 데모 (YouTube)
  • 참고 모델: Hume OCTAVE (블로그)
• OpenAI Realtime API: The Missing Manual:
  • OpenAI의 실시간 음성 API에 대한 비공식 문서
  • 최신 에이전트 및 실시간 작업에 중요한 도구
• 대형 연구소 외 다양한 솔루션 추천:
  • Daily, Livekit, Vapi, Assembly, Deepgram, Fireworks, Cartesia, Elevenlabs
  • 참고: State of Voice AI 2024
  • NotebookLM 음성 모델:
    • 모델은 공개되지 않았으나, 모델링 프로세스에 대한 심층 설명 제공
• Gemini 2.0: 음성과 비전을 자연스럽게 통합한 멀티모달 모델
  • 2025년 이후: 음성과 비전 모달리티의 융합이 명확한 경로로 진화 중

섹션 9: 이미지/비디오 확산

• Latent Diffusion:
  • Stable Diffusion의 핵심 논문
  • 확장 버전:
    • SD2 (공식 발표)
    • SDXL 및 SD3
  • 현재 팀은 BFL Flux 개발 중
• OpenAI DALL-E 시리즈:
  • DALL-E, DALL-E-2, DALL-E-3
• Google Imagen 시리즈:
  • Imagen, Imagen 2, Imagen 3
  • 참고: Ideogram
• Consistency Models:
  • 디퓨전 모델의 증류 작업
  • 확장:
    • LCMs
    • 최신 업데이트: sCMs
• Sora:
  • OpenAI의 텍스트-비디오 변환 도구 (공식 논문 없음)
  • 참고:
    • DiT 논문 (같은 저자)
    • OpenSora: 오픈 가중치 기반 경쟁 모델
    • Lilian Weng의 정리
• ComfyUI:
  • 비전 모델 사용자 인터페이스로 주목받음 (관련 인터뷰)
• 전문 분야:
  • Text Diffusion: 텍스트 기반 디퓨전 모델
  • Music Diffusion: 음악 생성 디퓨전
  • Autoregressive Image Generation: 자회귀 이미지 생성
• Open Weights 경쟁:
  • Text-to-Video Arena
• 최신 동향 이해:
  • Stable Diffusion 및 DALL-E 모델 활용
  • 텍스트와 비디오 모달리티의 융합 연구

섹션 10: 모델 파인튜닝(Finetuning)

• LoRA/QLoRA:
  • 저비용 모델 파인튜닝의 표준
  • 주요 응용:
    • 로컬 모델 및 OpenAI의 4o에서도 지원 (팟캐스트 확인)
    • FSDP+QLoRA: 교육 자료
• DPO:
  • OpenAI의 Preference Finetuning에서 지원
  • PPO (논문)의 대안으로 인기가 있지만 성능은 다소 낮음
• ReFT:
  • 기존의 몇몇 레이어를 파인튜닝하는 대신 모델의 특징(feature)에 집중
  • 효율적인 파인튜닝 접근법
• Orca 3/AgentInstruct:
  • 합성 데이터 생성에 적합한 방법
  • 관련 연구:
    • NeurIPS의 Synthetic Data Picks
• RL 튜닝:
  • OpenAI의 **RL Finetuning for o1**는 논란의 여지가 있지만 중요한 자료
  • 관련 연구:
    • Let’s Verify Step By Step
    • Noam Brown의 강연
• Unsloth 노트북:
  • 깃허브에 실습 중심 노트북 제공
• HuggingFace 가이드:
  • How to fine-tune open LLMs: 파인튜닝 전체 과정에 대한 심층 가이드

AI 엔지니어를 위한 2025년 독서 목록 마무리

• 이 목록은 방대하고 위압적으로 느껴질 수 있지만, 중간에 포기해도 괜찮음. 중요한 것은 다시 시작하는 것
• 최신 정보를 유지하기 위해 2025년에도 지속적으로 업데이트될 예정
• 자신의 학습 방법을 만들어도 좋지만, 1시간 안에 논문 읽는 법을 참고하면 도움이 될 것
• 독서 및 학습 팁은 여기에서 확인 가능
• 커뮤니티와 함께 학습하기
  • 디스코드 및 텔레그램 그룹:
    • Krispin의 디스코드 그룹: https://app.discuna.com/invite/ai_engineer
    • NYC에서 활동 중인 Fed of Flow AI의 텔레그램 그룹: AI NYC 텔레그램
    • Latent Space 디스코드 커뮤니티 참여: 디스코드 초대 링크
  • 노트와 하이라이트 공유:
    • 독자 Niels가 시작한 블로그: 2025 AI Engineer Reading List 노트

[kipsong133]

이렇게 보니, 정말 자세히 보면 좋을 자료가 아직 넘쳐나는군요

[neo]

Hacker News 의견

• 대부분의 논문은 깊은 이해보다는 지식 습득에 중점을 두고 있음. 주제에 익숙하지 않다면 논문보다는 교과서로 시작하는 것이 좋음. 최신 Bishop의 "Deep Learning: Foundations and Concepts (2024)"와 Chip Huyen의 "AI Engineering (2024)"이 좋은 자료임. "Dive into Deep Learning"이나 fast.ai의 자료도 추천됨

• "AI Engineer"라는 직업이 무엇인지 모르겠지만, 연구 논문을 읽는 것이 실제로 필요한지 의문임. AI의 최첨단을 다루지 않는다면 논문을 읽는 것은 의미가 없을 수 있음. LLM의 반응을 이해하고 사용자 친화적인 앱을 구축하는 것이 더 중요함. OpenAI나 Groq의 API를 사용할 때 "multi head attention"과 "single head attention"의 차이를 아는 것은 크게 유용하지 않음

• 목록을 작성하는 것은 어려운 작업임. 선택한 것 외에도 적합한 후보가 많기 때문에 이것을 커리큘럼으로 보고, 현재 관련 논문은 고정된 참조가 아닌 이동하는 포인터로 이해해야 함. 특정 독서 목록을 논문 클럽에서 다룸

• 대부분의 오픈 소스 모델의 지침 미세 조정 방법은 Alpaca에서 비롯됨. Alpaca와 합성 데이터 생성에 관한 논문도 포함되어야 함

• AI와 LLM 논문을 읽고 이해하는 데 시간을 낭비하지 말고, ELIZA에 대해 읽고 직접 구축해보는 것이 좋음. 텐서, 벡터, 필드, 언어학, 컴퓨터 아키텍처, 네트워크에 집중해야 함

• 독서 목록은 약 1년 전의 것임. 2025년에는 KTO, RLOO, DPO와 같은 기술에 집중해야 함. 2025년에는 증류와 최적화에만 집중해야 함. CoT는 새로운 것이 아니며, 수정된 CoT가 핵심임

• "AI"라는 용어가 최근의 DL 발전에 의해 거의 완전히 흡수된 것이 흥미로움. Russell & Norvig, Minsky, Shannon, Lenat 등의 언급이 없음. AI에 대한 더 넓은 주제로의 소개에 관심이 있다면, 대부분의 대학원 과정에서 같은 책을 사용함

• 훌륭한 조사임. 아래의 코스와 결합하면 최고의 결과를 얻을 수 있음

• 훌륭한 목록임

[francomoon7]

Eliza를 직접 구축해본다는 게 무슨 뜻인가요?