# \#maker **URL:** https://discuss.pytorch.kr/tag/maker/6026.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [Clawdmeter: Claude Code 사용량을 책상 위에서 보여주는 ESP32 오픈소스 가젯](https://discuss.pytorch.kr/t/clawdmeter-claude-code-esp32/11186)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [7월 11, 2026, 10:30오전 UTC](https://discuss.pytorch.kr/t/clawdmeter-claude-code-esp32/11186 "2026-07-11T10:30:16Z")
Clawdmeter 소개 Claude Code로 일하다 보면 5시간 세션 한도와 주간 한도가 얼마나 남았는지 궁금해서 터미널 명령을 두드리게 됩니다. Clawdmeter는 그 숫자를 책상 위의 작은 화면에 상시 띄워 두는 ESP32 기반 오픈소스 가젯입니다. 개발자 Hermann Björgvin이 자기 책상용으로 만든 프로젝트로, Waveshare의 ESP32-S3/C6 터치 AMOLED 보드에서 동작하며 컴퓨터와는 블루투스로 연결됩니다. 화면은 단순한 게이지에 그치지 않습니다. 대기 화면에서는 픽셀 아트 Clawd 애니메이션이 재생되는데, 사용량 증가 속도가 빨라질수록 더 분주한 동작의 애니메이션으로 바뀝니다. 애니메이션 스프라이트는 @amaanbuilds의 claudepix 라이브러리에서 가져왔습니다. 기기 양옆의 물리 버튼 두 개는 BLE HID 키보드 입력으로 Space와 Shift+Tab을 보내 Claude Code의 음성 모드와 모드 전환 단축키로 쓸 수 있습니다. 지원 보드는 Waveshare ESP32-S3/C6 Touch AMOLED 2.16인치와 1.8인치 네 종이 기본이고, 펌웨어가 보드별 폴더로 분리된 얇은 HAL 구조라 다른 보드로의 포팅도 열려 있습니다. 새 보드 추가 절차는 저장소의 docs/porting/adding-a-board.md에 정리되어 있습니다. Clawdmeter의 동작 방식 호스트 컴퓨터에서 도는 데몬이 모든 일을 합니다. macOS에서는 키체인, Linux에서는 ~/.claude/.credentials.json, Windows에서는 %USERPROFILE%\\.claude\\.credentials.json 에서 Claude Code의 OAuth 토큰을 읽고, api.anthropic.com/v1/messages 에 Haiku 토큰 1개짜리 최소 호출을 보냅니다. 사용량 수치는 응답 헤더(anthropic-ratelimit-unified-5h-utilization 등)에서 그대로 뽑아내므로 추… --- ## [\[2025/11/24 ~ 30\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2025-11-24-30-ai-ml/8327)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [11월 30, 2025, 9:30오후 UTC](https://discuss.pytorch.kr/t/2025-11-24-30-ai-ml/8327 "2025-11-30T21:30:30Z")
\[2025/11/24 ~ 30\] 이번 주에 살펴볼 만한 AI/ML 논문 모음 PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: :one: 혼합 아키텍처의 발전: 최근 논문들에서는 디퓨전 모델과 오토회귀 모델의 장점을 결합한 혼합 아키텍처가 주목받고 있습니다. 예를 들어, TiDAR는 디퓨전 방식으로 토큰을 생성하고, 오토회귀 방식으로 최종 출력을 샘플링하는 구조를 통해 높은 처리량과 품질을 동시에 달성하고 있습니다. 이러한 접근은 모델의 효율성을 극대화하고, GPU 자원을 효과적으로 활용하는 데 기여하고 있습니다. :two: 자기 진화 에이전트의 자율성: Agent0와 같은 연구는 외부 데이터에 의존하지 않고도 고성능 에이전트를 진화시킬 수 있는 프레임워크를 제시합니다. 이 방식은 두 개의 에이전트 간의 상호작용을 통해 복잡한 문제를 해결하는 커리큘럼을 생성하며, 도구 통합을 통해 문제 해결 능력을 향상시키는 데 중점을 두고 있습니다. 이는 AI의 자율성과 확장성을 높이는 데 중요한 기여를 하고 있습니다. :three: 효율적인 모델 훈련 및 최적화: Nemotron Elastic과 EGGROLL과 같은 연구는 대규모 언어 모델의 훈련 비용을 줄이고, 메모리 및 계산 효율성을 높이는 방법론을 제시합니다. 특히, Nemotron Elastic은 여러 하위 모델을 하나의 부모 모델에 내장하여 다양한 배포 구성에 최적화된 모델을 생성할 수 있도록 하며, EGGROLL은 저랭크 학습을 통해 대규모 최적화를 가능하게 합니다. 이러한 접근은 모델 훈련의 경제성을 높이고, 다양한 환경에서의 적용 가능성을 확대합니다. TiDAR: 디퓨전에서 생각하고, 자기회귀로 대화하기 / TiDAR: Think in Diffusion, Talk in Autoregression 논문 소개 TiDAR는 디퓨전 언어 모델의 빠른 병렬 생성 능력과 자기 회귀(Autoregressive, AR) 모델의 높은 품질을 통합한 혁신적…