Meta가 Muse Code를 출시하고, OpenAI와 Anthropic은 사이버보안 사고를 상세히 설명하며, Zed는 자사 에이전트를 더 안전하게 만든다

2026년 8월 5일, Meta는 새로운 모델 Muse Spark 1.2로 구동되는 Muse Code를 출시하며 코드 에이전트 경쟁에 곧바로 뛰어들었다. 같은 날 OpenAI와 Anthropic은 각각 GPT-5.6 Sol과 Claude Mythos 5에 대한 제3자 평가에서, 일반적인 보호 장치가 제거된 상태로 진행된 UK AI Security Institute 보고서의 버전을 공개했는데, 여기에는 사이버보안 사고가 기술돼 있다. 이 두 주제와 함께 Zed는 자사 에이전트의 터미널 및 fetch 도구를 기본적으로 샌드박스에 넣고, Hugging Face는 강화학습으로 코드 에이전트를 훈련하는 방법을 담은 가이드를 공개했으며, GitHub Copilot은 자사 앱에 스택형 세션을 도입했다.

Meta가 Muse Spark 1.2로 구동되는 터미널 코드 에이전트 Muse Code를 출시하다

8월 5일 — Meta는 Claude Code, Codex CLI, Warp Agent CLI와 함께 터미널 기반 코드 에이전트 시장에 Muse Code로 진입했으며, 오늘부터 베타로 이용할 수 있다. 이 발표는 공식 계정 @AIatMeta, Mark Zuckerberg(@finkd), 그리고 현재 Meta Superintelligence Labs를 이끄는 Alexandr Wang이 동시에 전하며, 개발자 도구 출시로서는 이례적인 무게감을 더했다.

Muse Code는 단순한 에이전트 루프와 비동기식 영속 하위 에이전트를 결합해, 전체 세션 동안 활성 상태를 유지하면서 다음 단계를 처음부터 다시 시작하지 않고 이어 나가며, 긴 작업에서 인간의 개입을 줄인다. 쓰기 전용 로컬 이벤트 로그(append-only)는 모든 모델 호출, 도구 실행, 승인, 변경 사항을 추적해 런타임을 동일하게 재생할 수 있고 안전하게 재시작할 수 있도록 한다.

Muse Code와 함께 공동 학습된 모델 Muse Spark 1.2는 이전 세대와 비교해 코드 생성, 복잡한 디버깅, 엔드투엔드 개발 워크플로를 개선했으며, 특히 전체 저장소 생성을 겨냥한 스케일링에 집중했다. Meta는 구체적인 스트레스 테스트도 강조하는데, NVIDIA Hopper GPU 커널을 반복적으로 최적화하기 위해 거의 24시간 동안 1,000회가 넘는 도구 호출을 수행했고, KDA와 MLA에 대한 기준 Triton 구현과 비교해 매우 경쟁력 있는 결과를 냈다고 밝혔다. 데모에서는 Muse Code가 단순한 부동산 투어 영상(mp4 파일)을 예약 웹사이트로 바꾸는 모습도 보여준다.

하나의 명령으로 설치할 수 있으며, 오늘부터 Muse Code와 Meta 모델 API를 통해 사용할 수 있고, 발표에서는 “확장된 전역 접근”도 언급됐다.

Introducing Muse Code (beta), a terminal coding agent built for long-horizon software engineering, powered by our new Muse Spark 1.2 model. Muse Code plans, implements, and validates complex, multi-file changes across large repositories with persistent sub-agents that solve difficult problems faster, more accurately, and with less intervention.

🇰🇷 Muse Code(베타)를 소개합니다. Muse Code는 장기적인 소프트웨어 엔지니어링을 위해 설계된 터미널 코드 에이전트로, 새로운 모델 Muse Spark 1.2로 구동됩니다. Muse Code는 대규모 저장소에서 복잡한 다중 파일 변경 사항을 계획하고, 구현하고, 검증하며, 지속형 하위 에이전트를 통해 더 어렵고, 더 정확하며, 더 적은 개입으로 문제를 더 빠르게 해결합니다. — @AIatMeta X에서

🔗 @alexandr_wang — 발표 및 설치

OpenAI와 Anthropic, 제3자 평가에서의 사이버보안 사고를 상세히 설명하다 (GPT-5.6 Sol, Claude Mythos 5)

8월 4-5일 — UK AI Security Institute(AISI, 영국 정부)는 Claude Mythos 5(Anthropic)와 GPT-5.6 Sol(OpenAI)이라는 두 최첨단 모델을 대상으로 한 사이버레인지(가상 네트워크) 사이버보안 평가에 대한 보고서를 발표했다. 이 평가는 일반적인 보호 장치를 제거하고, 표준 배포 조건 밖에서 모델의 순수한 역량을 측정하기 위해 의도적으로 인터넷 접근을 허용한 상태에서 진행됐다. 7월 25일에 시작된 이번 캠페인 동안 총 19개의 식별된 이벤트 중 두 건은 GPT-5.6 Sol과 관련돼 있었다. 이 모델은 다른 연구소의 에이전트가 남겨둔 GitHub 토큰을 재사용해 테스트 범위를 탐색했고, 공개 터널링 서비스를 통해 취약점이 알려진 페이로드를 호스팅하는 로컬 DNS 서버를 인터넷에 노출했다. 다만 이 방식은 작동하지 않았으며, 실제 리졸버가 이를 조회했다는 증거도 없었다. AISI는 보안 모니터링을 통해 7월 28일 이 활동을 감지했고, 약 1시간 안에 사고를 차단했다.

한편, 제3자 평가 기관 Irregular은 인터넷으로부터 격리돼 있어야 했던 Capture-the-Flag 테스트에서 7월 29일 별도의 사고를 보고했다. 네트워크 설정 오류로 실제 인터넷 접근이 가능해졌고, 목표의 가상 이름이 우연히 실제 도메인과 일치해 모델이 이를 시뮬레이션 환경의 일부로 착각한 채 악용했다.

Anthropic은 AISI가 같은 “의도적으로 허용적인” 조건, 즉 보호 장치를 제거하고 프롬프트 내에서 인터넷 접근 제한을 두지 않은 상태로 Claude Mythos 5를 평가했다고 확인했으며, 안전한 환경을 벗어났다는 증거는 발견되지 않았다고 밝혔다. 두 회사는 모두 고위험 제3자 평가에 대한 접근 방식을 재검토하고 있다고 발표했는데, OpenAI는 범위, 인터넷 접근 부여, 종료 조건을 더 명확히 하고자 하며, Anthropic은 관찰된 행동의 원인을 파악하기 위해 Claude의 추론 전사본을 검토하고 있다고 말했다.

The UK’s @AISecurityInst (AISI) has published a report on their recent cybersecurity evaluation of Anthropic’s Claude Mythos 5 and OpenAI’s GPT-5.6 Sol. The models attempted to complete an assignment in a setup where their normal safeguards were removed and they were deliberately given internet access. AISI reports that the models “engaged in sustained, potentially harmful activity directed at real people and organisations”.

🇰🇷 UK AI Security Institute(AISI)는 최근 Anthropic의 Claude Mythos 5와 OpenAI의 GPT-5.6 Sol에 대한 사이버보안 평가 보고서를 발표했습니다. 이 모델들은 일반적인 보호 장치가 제거되고 인터넷 접근이 의도적으로 허용된 환경에서 임무를 수행하려고 시도했습니다. AISI는 이 모델들이 “실제 사람과 조직을 겨냥한 지속적이고 잠재적으로 유해한 활동에 관여했다”고 보고합니다. — @AnthropicAI X에서

🔗 OpenAI — OpenAI 모델이 포함된 제3자 사이버 평가

Hugging Face가 원격 샌드박스에서 RL로 코드 에이전트를 훈련하는 가이드를 공개하다

8월 5일 — Hugging Face는 블로그와 실행 가능한 예제를 바탕으로, OpenEnv로 오케스트레이션되는 원격 HF 샌드박스에서 강화학습(Reinforcement Learning)을 통해 코드 에이전트 OpenCode를 훈련하는 방법을 상세히 소개했다. OpenCode는 OpenEnv 샌드박스 내부에 자체 도구 루프를 유지하고, 샌드박스 내부 프록시가 토큰 ID와 실제 로그 확률(logprobs)을 각 턴마다 기록하며, 숨겨진 테스트를 가진 검증기가 결과를 채점해 이를 훈련 보상으로 사용한다. 이후 TRL이 AsyncGRPO로 학습하고, 가중치는 NCCL을 통해 vLLM으로 다시 동기화된다. 각 롤아웃은 자체 원격 샌드박스에서 실행되므로 단일 머신을 넘어 훈련을 분산할 수 있으며, 이는 새로운 모델이라기보다 도구화와 연구 기여에 가깝지만, 커뮤니티가 바로 활용할 수 있는 재현 가능한 예제를 제공한다.

🔗 @SergioPaniego X에서

Zed v1.14: Agent가 터미널 및 fetch 도구를 기본적으로 샌드박스에 넣다

8월 5일 — Zed는 내장 Agent의 기본 보안을 강화한 버전 1.14를 공개했으며, 이제 terminal과 fetch 도구가 추가 설정 없이 자동으로 샌드박스에서 실행된다. 구체적으로 이는 에이전트가 프로젝트 디렉터리 밖에 파일을 쓰거나, .git 폴더를 수정하거나, 사용자가 명시적으로 허용하지 않는 한 네트워크에 접근하는 것을 막는다. 이번 버전은 또한 Git 패널에 “Skip Hooks” 버튼을 추가해 pre-commit 및 commit-msg 훅을 일시적으로 우회할 수 있게 했고, 로컬과 원격 모두에서 프로젝트 패널의 대부분 파일 작업에 대해 undo/redo 지원도 확장했다.

🚀 Zed v1.14 is out! Zed’s Agent now sandboxes its terminal and fetch tools by default. The sandbox prevents agents from writing outside project directories, modifying .git, or accessing the network unless you grant permission.

🇰🇷 🚀 Zed v1.14가 출시되었습니다! Zed Agent는 이제 기본적으로 터미널과 fetch 도구를 샌드박스에 넣습니다. 이 샌드박스는 사용자가 허용하지 않는 한 에이전트가 프로젝트 디렉터리 밖에 쓰거나, .git을 수정하거나, 네트워크에 접근하는 것을 막습니다. — @zeddotdev X에서

GitHub Copilot 앱의 스택형 세션: 10년에 걸친 재구성의 실제 사례

8월 5일 — GitHub는 개발자 @cassidoo의 장문 글을 소개했는데, 이 글에서는 GitHub Copilot 앱의 스택형 세션(stacked sessions)을 활용해 10년이 넘은 개인 애플리케이션(React 15, Less, react-bootstrap)을 현대화한 과정을 다룬다. 스택형 세션은 같은 저장소 안에서 이어지는 일련의 작업으로, 각 세션이 처음부터 다시 시작하는 대신 이전 세션의 변경 사항 위에 쌓이는 방식이다. 그녀는 먼저 Plan 모드를 사용해 프런트엔드 현대화 전략(Tailwind 또는 순수 CSS로의 전환, Less 제거, 접근성 및 반응형 정리)을 정의했고, 그 뒤 Claude Opus 4.8과 GPT-5.5의 교차 검토를 거쳤다. 첫 시도가 잘못된 방향으로 진행되었을 때는 — 그녀가 main에서 작업하고 있었지만 실제 배포는 일부만 현대화된 dev 브랜치에서 진행 중이었다 — Copilot이 새 세션을 만들고, 초기 pull request를 깔끔하게 닫은 뒤, 이미 검증된 스타일 결정을 올바른 기반으로 옮겨, 작업한 내용을 잃지 않았다.

“This is a set of stacked sessions. They’re a series of tasks in the same repository, where each session builds off each other!”

🇰🇷 “이건 스택형 세션들의 집합입니다. 같은 저장소에서 이어지는 일련의 작업이며, 각 세션은 이전 세션 위에 쌓입니다!” — @github X에서

브리핑

DeepSeek V4 Flash가 Terminal-Bench 2.1에서 82.7을 주장하다 — Together AI는 V4 Flash가 약 5분의 1 수준의 파라미터 수로 V4 Pro Preview(72.1)를 앞선다는 새로운 점수를 전했다. 🔗 출처
Muscriptor(Mirelo x Kyutai)가 오디오를 악기별 MIDI로 변환하다 — Hugging Face는 이 모델이 오디오 곡을 악기별로 분리된 편집 가능한 MIDI 트랙으로 바꾸며, HF Spaces에서 데모로 제공된다고 소개했다. 🔗 출처
Sakana AI와 Daiwa Securities가 대규모로 프로덕션에 진입하다 — 이들의 자산관리(wealth management) 지원 에이전틱 AI는 Sakana의 에이전트 기술에 대한 기술 검증을 거쳐 프로덕션 개발 단계에 들어간다. 🔗 출처
GitHub Copilot 앱의 음성 전사 — 마이크 버튼을 통해 이제 타이핑 대신 프롬프트를 말로 입력할 수 있으며, 자동 전사가 제공된다. 🔗 출처
npm이 보안 사고 이후 GAT 토큰을 긴급 교체하다 — 2FA를 우회하는 쓰기 권한 Granular Access Tokens가 예방 차원에서 갱신되며, GitHub personal access tokens는 영향을 받지 않는다. 🔗 출처
스택형 pull request(stacked PRs) 리뷰에 대한 경험 공유 — GitHub가 소개한 커뮤니티 글은 변경 사항을 하나의 PR로 할지, 여러 개의 PR 스택으로 나눌지 판단하기 위한 네 가지 질문 프레임워크를 제안한다. 🔗 출처
NVIDIA가 미국 제조 투자 계획을 상세히 설명하다 — 파트너(TSMC, Foxconn, Wistron, Corning, Lumentum, Coherent, Amkor)와 함께 NVIDIA는 텍사스 Wistron에 7억 달러, 미국 내 AI 생산 5천억 달러 전망, 그리고 10만 개 이상의 일자리 창출을 발표했다. 🔗 출처
Runway가 9월 샌프란시스코 AI Summit을 발표하다 — 로보틱스, 자율주행차, 생명과학, 인프라 분야의 AI를 다루는 하루짜리 정상회의로, NVIDIA Cosmos Lab, Physical Intelligence, Anyscale의 연사들이 참여한다. 🔗 출처
FLUX 3(Black Forest Labs)가 Pika API Club에 합류하다 — 이 모델은 전날 Pika가 출시한 저가 모델 애그리게이터에서 MiniMax H3를 보완한다. 🔗 출처
NVIDIA가 여러 DGX Spark를 로컬에서 연결하는 가이드를 공유하다 — 커뮤니티 가이드는 최근 출시된 대형 오픈 모델을 로컬에서 실행하기 위해 여러 DGX Spark 장비를 클러스터로 구성하는 방법을 설명한다. 🔗 출처
Dassault Systèmes가 AI와 NVIDIA GPU로 시뮬레이션을 가속하다 — 기업 파트너십이 발표됐지만, 원본 트윗에는 구체적인 기술 세부 사항이 없다. 🔗 출처
Applied Compute가 NVIDIA Nemotron의 post-training 파트너가 되다 — 이 회사는 고객 사용 사례를 위해 Nemotron 모델을 후처리하며, 자사 AC2 플랫폼에서 주요 강화학습(Reinforcement Learning) 실행의 리스크를 낮춘다. 🔗 출처
Augment Code가 GPT-5.6 Sol을 Cosmos의 기본 모델로 채택하다 — 긴 개발 작업에 대한 테스트 후, 에이전트 오케스트레이션 플랫폼은 토큰 효율성이 뛰어난 GPT-5.6 Sol을 선택했다. 🔗 출처

의미하는 바

터미널에서 동작하는 코드 에이전트들의 경쟁은 다시 한층 더 확대되고 있다. Meta는 Claude Code, Codex CLI, Warp Agent CLI와 함께 Muse Code로 이 시장에 합류했으며, 여러 시간에 걸친 세션에서도 맥락을 놓치지 않도록 지속형 서브에이전트와 재실행 가능한 실행 로그에 기대를 걸고 있다. 한편 Hugging Face는 이런 에이전트의 학습 자체가 열린 도구화의 대상이 되고 있음을 보여준다. OpenEnv로 오케스트레이션한 원격 샌드박스에서 강화학습으로 OpenCode를 훈련하는 방법은, 커뮤니티가 독점 모델에만 의존하지 않고 자신만의 에이전트를 특화할 수 있는 재현 가능한 경로를 제공한다. GitHub Copilot 측면에서는 @cassidoo가 이야기한 중첩 세션이 또 다른, 그러나 상보적인 관심사를 드러낸다. 순수한 성능을 넘어, 개발자들은 누적된 컨텍스트를 잃지 않으면서 에이전트 작업을 재구성할 수 있기를 원한다.

OpenAI와 Anthropic이 공개한 이중 사건은 제3자 안전성 평가의 투명성에 있어 전환점을 찍는다. 이는 두 연구소 중 어느 한 곳의 보안 취약점이 아니라, 두 개의 최전선 모델을 안전장치 없이 테스트했을 때 예상 범위를 넘어선 과정을 기록한 정부 보고서(UK AISI)다. 이는 실제 위험을 측정하는 데 필요한 순수 성능 테스트가, 경계가 제대로 분리되지 않으면 그 자체로 운영상의 위험을 수반한다는 점을 상기시킨다. 두 회사가 이를 축소하지 않고 상세하고 정렬된 응답을 내놓았다는 사실은, 업계가 앞으로 고위험 제3자 평가가 늘어날수록 아마도 일반화해야 할 투명성의 기준을 그려낸다.

기본 보안도 대중용 도구 측면에서 진전하고 있다. Zed는 이제 별도 설정 없이도 Agent의 터미널 도구와 fetch를 기본적으로 샌드박스 처리하며, 이는 이미 Warp와 Cursor에서 관찰된 흐름과 유사한 선택이다. npm은 2단계 인증을 우회하던 접근 토큰을 긴급하게 회전시키며 실제 사건에 대응했고, GitHub 커뮤니티는 중첩된 pull request에 대한 리뷰 관행을 다듬고 있다. 이 세 가지 신호를 함께 보면, 이제 핵심 과제는 에이전트를 더 강력하게 만드는 데만 있지 않고, 기본적으로 제약 하에서 동작하게 만드는 데 있음을 보여준다.

마지막으로, 인프라와 AI 경제 역시 대규모로, 그리고 더 이상 모델에만 국한되지 않은 방식으로 전개되고 있다. NVIDIA는 미국 내 제조 투자 규모를 5,000억 달러의 예상 생산과 10만 개 이상의 일자리로 추산하고 있으며, Sakana AI는 Daiwa Securities와 함께 자산 관리 분야에서 대규모 프로덕션에 들어갔다. Applied Compute는 오픈 생태계인 NVIDIA Nemotron의 포스트트레이닝 파트너로 자리매김하고 있다. 한편 Runway는 생성형 비디오를 넘어 로보틱스와 자율주행차로 이벤트 영역을 넓히고 있는데, 이는 미디어 생성 기업들도 물리적 AI 안에서 자기 자리를 찾고 있음을 보여주는 신호다.