사람의 지도를 받은 Google DeepMind 에이전트가 RSA 1024비트의 취약점 두 가지 발견, OpenAI는 BioBasicsBench 공개, Cursor는 에이전트와의 음성 채팅 제공

사람의 지도를 받은 Google DeepMind의 AI 에이전트들이 이미 구식이 된 RSA 1024비트 시스템에서 취약점 두 가지를 발견했다. 거의 모두 2048비트 이상의 키를 사용하는 현대 암호 프로토콜은 여전히 안전하다. 이날 소식의 중심은 연구다. OpenAI는 BioBasicsBench로 습식 실험실에서 에이전트의 역량을 측정하고, TCSExam은 이론 컴퓨터 과학 분야에서 모델을 평가하며, Anthropic과 Google은 모델 주변의 어떤 요소가 에이전트를 성공시키거나 엇나가게 하는지 보여 준다. 도구 부문에서는 Claude Code, Codex CLI, Copilot CLI가 새 버전을 출시했고, Antigravity CLI는 ACP 서버로 바뀌었으며, Cursor는 에이전트와의 음성 채팅을 제공하고 Amp는 Spaces를 선보였다.

사람의 지도를 받은 Google DeepMind 에이전트가 RSA 1024비트의 취약점 두 가지 발견, Frontier Model Forum은 사이버 탈옥 공격의 심각도 평가

11월 6일 — Google DeepMind가 사람의 감독과 지도를 받은 AI 에이전트들이 수행한 암호 분석 연구를 공개했다. 암호 분석은 암호화의 견고함을 시험하는 학문이다. 과학 부문 부사장 푸시미트 콜리는 X에 게시하고 @GoogleDeepMind가 공유한 글에서 이 연구를 소개했다. 에이전트들은 1024비트 RSA 시스템의 취약점 두 가지를 찾아냈으며, 이 시스템은 기존에 생각했던 것보다 적은 연산 자원으로 무력화할 수 있었다. Google DeepMind 과학팀의 디제이 드비조탐과 아브라디프 타쿠르타가 나디아 헤닝거(UC San Diego 및 Inria), 에마뉘엘 토메(Inria)와 함께 연구를 진행했다. 자세한 내용은 PDF 형식의 기술 논문 두 편에 담겼으며, 발표와 함께 공개된 블로그 글은 없었다.

연구 범위는 의도적으로 제한됐다. 이미 구식이 되어 사용이 중단된 RSA 1024비트를 위험 없는 시험 대상으로 삼았으며, 이는 암호 분석 연구계에서 오래전부터 이어 온 방식이다. 거의 모두 2048비트 이상의 키를 사용하는 현대 암호 프로토콜은 여전히 안전하다.

첫 번째 결과는 소프트웨어 업데이트, 문서, 웹사이트가 실제로 해당 출처에서 왔음을 보장하는 디지털 서명에 관한 것이다. 많은 표준은 서명 전에 메시지에 패딩(padding)을 덧붙인다. 연구팀은 공격자가 서명 대상 블록의 약 절반을 제어할 수 있으면 이 패딩이 더 이상 아무런 보호도 제공하지 못한다는 사실을 보였다. 에이전트들은 실제 시스템에 영향을 주지 않는 격리된 시뮬레이션에서 이전 연구가 이미 해독한 1024비트 기준 키를 대상으로 공격을 수행했다. CPU 시간을 3,5배 적게 사용해 결과를 재현했으며, 필요한 연산 능력은 키 자체를 해독하는 데 드는 연산 능력의 1천분의 1에도 미치지 않았다. 공격자가 블록의 더 작은 부분을 제어하고 32바이트의 짧은 해시값을 사용하는 경우에는, 저자들의 이론적 추정에 따르면 새로운 알고리즘이 기존 최선의 방법보다 약 1 600배 나은 성능을 낼 수 있다.

두 번째 결과는 일괄 인수분해에 관한 것이다. RSA 키는 표준화된 길이(1024비트 또는 2048비트)를 사용하므로, 같은 크기의 수를 대량으로 인수분해하는 방법이 중요한 문제다. 에이전트들은 점근 복잡도가 더 나은 알고리즘을 발견했다. 이 알고리즘은 기존 일괄 처리 방법과 비교해 1024비트 키가 하나 추가될 때마다 드는 평균 인수분해 비용을 약 30분의 1로 줄인다.

저자들이 발표한 결과	발표된 개선 효과	명시된 조건
공격자가 블록의 약 절반을 제어하는 서명 위조	CPU 시간 3,5배 감소	격리된 시뮬레이션, 이미 해독된 1024비트 기준 키
동일한 공격을 키 해독과 비교	연산 능력 1천분의 1 미만	키 자체를 해독하는 데 필요한 연산 능력과 비교
32바이트 해시값을 사용하는 위조	약 1 600배 개선	이론적 추정, 1024비트 키
일괄 인수분해	추가 키당 평균 비용 약 30배 감소	기존 일괄 처리 방법과 비교
2048비트 이상의 키	영향 없음	Google DeepMind에 따르면 여전히 안전

While modern 2048-bit systems remain safe from these specific exploits, this work highlights a key shift. As we enter a new era of AI-enabled math and computation, we can no longer rely on historical hardness assumptions and must continuously stress-test cryptographic standards.

🇰🇷 현대적인 2048비트 시스템은 이러한 특정 공격에 안전하지만, 이번 연구는 중요한 전환점을 보여 줍니다. AI의 도움을 받는 수학과 계산의 새로운 시대로 접어든 지금, 과거에 세워진 난도에 관한 가정에 더 이상 의존할 수 없으며 암호 표준을 지속적으로 검증해야 합니다. — X의 @GoogleDeepMind

🔗 푸시미트 콜리의 X 게시글 · 디지털 서명 기술 논문(PDF) · 키 인수분해 기술 논문(PDF)

Frontier Model Forum, 사이버 탈옥 공격의 심각도를 평가하는 공통 체계 제안

11월 5일 — 최첨단 AI 연구소들이 참여하는 Frontier Model Forum(FMF)이 사이버 위협에 대한 탈옥 공격 등급 평가 체계(Jailbreak Rating Framework for Frontier Cyber Threats)의 예비 버전인 1.0을 공개했다. 출발점은 안전장치를 우회하는 모든 공격의 심각도가 같지는 않다는 것이다. 어떤 공격은 활용하기 어려운 답변만 만들어 내지만, 다른 공격은 위험한 공격 역량을 해제한다. 공통 방법론이 없으면 두 조직이 같은 탈옥 공격을 다르게 평가해 심각성이 낮은 문제부터 수정할 위험이 있다. 이 체계는 능력 향상 정도, 능력의 범위, 배포 용이성, 발견 용이성이라는 네 가지 범주의 점수를 결합해 각 탈옥 공격을 단계별로 분류한다.

AWS, Anthropic, Google DeepMind, Microsoft, OpenAI의 대표들이 해당 글에서 이 체계를 지지했다. OpenAI는 11월 6일 이를 공유하며 FMF 및 회원사들과 함께 작업했다고 밝혔다. 공개 의견 수렴은 2026년 12월 21일까지 진행된다. FMF는 서로 다른 평가자들이 비슷한 점수에 도달하는지 확인하고, 새로운 탈옥 공격이 등장함에 따라 체계를 갱신할 예정이다. 지난 7월 Anthropic은 Amazon, Microsoft, Google과 함께 개발한 유사한 척도인 CJS(Cyber Jailbreak Severity)를 상세히 소개한 바 있다. FMF의 글은 두 체계의 관계를 설명하지 않는다.

🔗 최첨단 사이버 위협에 대한 FMF 탈옥 공격 등급 평가 체계 소개

AI의 과학 역량 측정: 습식 실험실을 위한 OpenAI의 BioBasicsBench, 이론 컴퓨터 과학을 위한 TCSExam

OpenAI, BioBasicsBench 공개: 습식 실험실 과제 100개에서 GPT-6 Astra가 66,7 % 기록

11월 6일 — OpenAI가 효소 설계 전문 생명공학 기업 Ligo와 함께 개발한 벤치마크 BioBasicsBench를 소개했다. 이 벤치마크는 에이전트가 습식 실험실(wet lab)의 일상적인 작업에서 나오는 원시 데이터를 해석하는 능력을 측정한다. 대상은 겔과 블롯, 배양 접시, 현미경 이미지, 장비에서 내보낸 데이터, 실험 절차 영상 등이다. 실제 실험에서 가져와 전문가 평가표에 따라 기준별로 채점하는 100개 과제는 단백질 분석 기법부터 분자 클로닝까지 다섯 분야를 다룬다. 또한 에이전트가 오류를 찾아내고, 데이터만으로 결론을 내릴 수 없는 상황을 인식하는지도 확인한다.

평가 대상은 OpenAI 모델로 한정됐다. 모델 7개를 37가지 설정에서 평가하고 과제마다 다섯 차례 시도해 총 18 500개의 결과를 얻었다. xhigh 추론 노력 설정에서 GPT-6 Astra는 획득 가능한 점수의 66,7 %를 기록해 GPT-6.1 Sol을 앞섰고, GPT-5.6 Sol과는 큰 격차를 보였다. 출력 토큰 수는 GPT-5.6 Sol의 약 절반이었다. OpenAI는 이러한 개선이 더 강력한 기본 멀티모달 역량의 결정적인 역할을 시사할 수 있다고 설명한다.

평가 모델(추론 노력 xhigh)	평균 보상	95 % 신뢰 구간	과제당 출력 토큰 수
GPT-6 Astra	66,7 %	60,3~73,1 %	4 704
GPT-6.1 Sol	62,0 %	55,6~68,4 %	5 238
GPT-5.6 Sol	43,8 %	37,6~50,0 %	9 099
GPT-6 Luna	38,3 %	32,3~44,5 %	13 120
GPT-5.5	35,4 %	29,7~41,0 %	11 135
GPT-5.4	33,2 %	28,3~38,4 %	13 717
GPT-5.2	31,2 %	26,2~36,3 %	27 620

OpenAI는 Astra의 실패 사례도 상세히 설명했다. 익숙한 가설을 실험 대조군보다 우선시하고, 반대되는 관측 결과를 배제했으며, 집락 수를 약 12 % 과다하게 집계했다. 해당 글에 따르면 점수가 높아졌다고 해서 실험실에서의 판단을 아직 신뢰할 수 있는 것은 아니다. OpenAI는 이러한 추적 평가를 생물안전 및 생물보안과 연결했으며, 과제 데이터셋 공개 여부는 언급하지 않았다.

🔗 AI 에이전트의 일상적인 습식 실험 수행 역량 측정(OpenAI)

TCSExam, 이론 컴퓨터 과학 모델 평가: Full에서는 GPT-6 Astra, Lite에서는 Opus 5.5가 선두

11월 5일 — Moonshot AI의 GitHub 조직에서 공개되고 11월 5일 arXiv에 논문이 제출된 TCSExam은 모델이 이론 컴퓨터 과학(theoretical computer science) 연구를 어디까지 진전시킬 수 있는지 측정한다. arXiv에 기재된 저자는 뤄이판, 류정잉, 위안양, 양즈린, 앤드루 치치 야오다. 평가 부문은 네 가지다. 발표된 정리를 Lean으로 증명하기, 숨겨진 문제 사례로 평가하는 솔버 작성하기, 검증된 구성이나 한계값 도출하기, 미해결 추측을 완전히 증명하거나 반증하기다. Full 버전에는 전문가 검토를 거친 과제가 100개, Lite 버전에는 부문당 5개씩 총 20개가 포함된다. 지수는 앞의 세 부문에 각각 30, 추측 부문에 10의 가중치를 부여한다. 솔버는 고정된 기준 모델인 Kimi K3와 비교해 채점한다.

평가 모델	Lite 지수(20개 과제)	Full 지수(100개 과제)
Opus 5.5	72,3 (잠정)	사이트 표에 없음
GPT-6 Astra	67,0	71,9
Kimi K3.1 Pro	53,5	57,4
Kimi K3	48,6	46,8
GLM-5.3	47,0	45,5
Qwen3.8 Max (0902)	45,4	44,8
DeepSeek V4.1 Flash 1017	42,4	46,0
Grok 4.6	42,1	40,5

해결된 미해결 추측은 없다. 논문 초록은 독립적으로 검증된 특수 사례와 한계값만을 성과로 제시한다. 다만 저자들이 아는 범위에서 두 결과는 기존 최고 기록을 넘어섰다. 하나는 Kimi K3가 구성한 정점 124개, 간선 630개의 그래프로, 삼각형도 길이 4의 순환도 없다. 구드허뷔르 등의 기존 구성은 간선이 629개였다. 다른 하나는 GPT-6 Astra가 물리 큐비트 25개로 논리 큐비트 7개를 보호하기 위해 찾아낸 양자 오류 정정 코드로, 코드 거리가 기존 5에서 6으로 늘었다. 이 평가 환경은 기본적으로 Kimi Code를 실행하며 Claude Code, Codex, Grok Build도 지원한다.

🔗 TCSExam 평가 결과 · arXiv 논문 2611.07962

에이전트 연구: Anthropic의 메모리와 드리밍, Google의 오래된 TODO, 하네스 어댑터

Anthropic, dreaming이 Claude 에이전트의 메모리를 수정하고 정리하는 방식 공개

11월 6일 — Anthropic은 Engineering 블로그의 연구·엔지니어링 글에서 에이전트 메모리를 Claude가 세션 사이에 경험을 통해 기억하는 내용으로 정의한다. 이는 다시 읽을 수 있는 메모 형태로, 가중치나 인컨텍스트 학습, 압축과는 다르다. dreaming(에이전트의 ‘꿈꾸기’)은 세션 밖에서 로그와 대화 기록을 다시 읽어 기존 메모를 수정하고, 새 메모를 작성하고, 위키 같은 지식 구조를 구축하거나 미리 불러올 내용을 고르게 한다. 이 기능은 5월 6일부터 Claude Managed Agents에서 연구용 사전 공개판(연구 미리 보기)으로 제공되고 있다.

평가에서는 우선 판단력의 향상이 나타났다. Pokémon Red에서 약 10 000단계에 도달했을 때 Sonnet 3.7은 배지 하나를 얻는 동안 225개 폴더에 메모리 파일 413개를 작성한 반면, Fable 5는 파일 아홉 개와 global.md 하나만으로 배지 네 개를 얻었다. Opus 5.5는 작은 메모 폴더만으로 게임을 끝냈다. Anthropic은 Claude에게 메모리를 어떻게 사용해야 하는지보다 무엇에 사용하는지 알려주라고 권한다. 실패만 기록하도록 강제하면 Opus 5와 Opus 4.7에서 얻는 성능 향상분의 상당 부분이 사라진다. 달맞이산의 포켓몬센터 위치에 관한 잘못된 메모를 dreaming이 대화 기록을 바탕으로 바로잡는 것만으로도 막혀 있던 게임을 진행할 수 있었다.

Anthropic이 수행한 실험	공개된 결과
위키만 사용, Stainless 내부 자료 모음(약 350 000개 파일), dreaming 세션 2회, 이후 128회	평가 기준의 13 %, 이후 48 % 충족
검색과 위키 병행, 동일한 자료 모음	54 %, 이후 61 %, 검색만 사용하면 53 %; 질문당 약 20 000 tokens 절약
기업 합병에 관한 질문(24개, 여러 문서에 걸친 평가 기준)	위키 사용 시 87 %, 검색만 사용 시 73 %
계약서에서 추출한 사실	공유 표 사용 시 57개 중 41개, 계약서별로 원문을 그대로 인용한 페이지 사용 시 57개 중 57개

이 글은 한계도 지적한다. 문서 하나만으로 충분한 경우에는 이득이 없고, 위키가 원본 자료보다 커지기도 하며, 메모리를 최신 상태로 유지하는 데 연산 비용이 든다. 끝으로 Claude Code의 자동 메모리는 색인 역할을 하는 MEMORY.md의 첫 200줄 또는 25 Ko만 불러온다는 점도 상기시킨다.

🔗 에이전트 메모리의 구성 요소 (Anthropic)

Google, 오래된 TODO 주석이 코딩 에이전트를 다른 작업으로 이끄는 영향 측정

11월 6일 — 샘 새콘과 마두리 가리카파티는 Google Developers 블로그에서 코딩 에이전트의 숨은 비용인 방치된 주석의 영향을 측정했다.

What is easy for humans to skim past in code, agents see as a call to action.

🇰🇷 사람이 코드에서 쉽게 훑어보고 넘기는 내용을 에이전트는 행동을 요구하는 신호로 받아들인다. — 샘 새콘과 마두리 가리카파티, Google Developers 블로그

연구팀은 수천 명의 엔지니어와 수억 번의 에이전트 작업 단계에서 수집한 기록을 바탕으로, 에이전트가 마주친 각 TODO(bug/...) 또는 FIXME(bug/...) 주석을 실제 버그 상태 및 사용자 요청과 대조했다. 전체 파일 읽기 세션의 13 %에서 에이전트가 이런 참조를 접했다. 에이전트는 94 %의 경우 이를 무시했지만 6 %에서는 관련 작업을 수행했으며, 그 작업의 83 %는 개발자가 요청하지 않은 것이었다. 이런 이탈 중 41 %는 이미 닫힌 티켓을 처리하려 했고, 57 %는 아직 열려 있는 버그로 작업 범위를 넓혔다. 개발자, 코드 복잡도, 작업 유형, 모델 수준이 비슷한 조건에서 요청하지 않은 작업으로의 이탈은 세션당 작업 단계를 70 %, 토큰을 77 %, 대기 시간을 105 % 늘렸다.

Google은 이에 대응해 코드베이스를 순회하고 버그, 파일, 변경 이력을 추적하며, TODO가 더 이상 유효하지 않다는 사실을 확인한 뒤에만 삭제를 제안하는 정리 에이전트를 도입했다. 6개월 동안 수천 개의 참조를 삭제했으며, 사람 검토자의 수락률은 95 %를 넘었다. 이 글은 에이전트가 다루기 쉬운 코드베이스(에이전트 친화적 코드베이스)를 권장한다.

harness-hub 프로젝트, safeagents의 보호 아래 RL로 에이전트 하네스별 LoRA 학습

11월 6일 — 유네스 비, 리상드르, 네이선 하비브(harness-hub 조직)는 Hugging Face 블로그에서 에이전트 실행 환경용 어댑터(하네스 어댑터)를 소개했다. 모델과 에이전트 하네스(pi, opencode, hermes)의 조합마다 작은 LoRA 어댑터 하나를 만들고, 하네스를 수정하지 않은 채 그 안에서 검증 가능한 과제를 수행하며 강화 학습으로 훈련한다. 서버 하나가 기본 모델과 모든 어댑터를 제공한다. 예비 테스트에서 저자들은 따로 남겨 둔 평가 과제에서 기본 모델과 같거나 더 높은 정확도를 유지하면서 도구 호출 횟수가 줄어드는 것을 관찰했다. 보상에는 도구를 더 적게 호출해 정답을 구한 해법에 주는 작은 가산점이 포함된다.

과제는 Hub에 공개 공유된 코딩 세션에서 가져와 Repo2RLEnvs로 검증 가능한 환경으로 변환했다. 공개된 버전에는 270개 과제가 있으며, 구축 253개(94 %), 수정 11개, 확장 6개, 질의응답 0개로 구성이 크게 치우쳐 있다. safeagents 프록시는 학습 중 모든 도구 호출을 검사한다. 보상 해킹 시도는 차단하고 0점으로 처리하며, 이 보호 기능을 켜도 따로 남겨 둔 평가 과제에서 LFM2.5-24B-A2B의 pass@1은 달라지지 않았다(+0,0 ± 4,1점). 최종 학습 대상은 Liquid AI의 LFM2.5-24B-A2B와 LFM3-1.7B, 그리고 webAI의 TwIL-8B다. TwIL-8B는 모델 설명에 따르면 에이전트 데이터로 학습한 적이 없는 추론 모델이다. 학습은 HF Jobs에서 실행되며 비용까지 포함해 생중계된다.

🔗 하네스 어댑터 (Hugging Face 블로그)

코딩 에이전트: Claude Code 2.1.319, Codex CLI 0.167.0, Copilot CLI 1.0.106, Antigravity CLI 1.5, Cursor 음성 채팅과 Amp의 Spaces

Claude Code 2.1.319, MCP 작업을 백그라운드로 전환하고 permissions.denyInsteadOfPrompting 추가

11월 6일 — Anthropic이 Claude Code 2.1.319를 공개했다. 릴리스 노트에는 수정 사항 90개를 포함해 146개 항목이 있으며, 10월 30일의 2.1.314는 119개 항목이었다. 패키지는 00시 58분 UTC부터 npm에, 릴리스는 17시 04분 UTC부터 GitHub에 공개됐으며 별도의 트윗은 없었다. stable 채널은 2.1.311에 머물러 있다. 에이전트 SDK도 같은 날 업데이트됐다(TypeScript 0.3.319, Python 0.2.179).

변경된 항목	변경 내용
터미널의 MCP 작업(MCP 태스크)	MCP 서버가 도구 호출을 작업으로 실행하면 Claude Code가 이를 백그라운드로 전환하고 완료 시 결과를 전달
`permissions.denyInsteadOfPrompting`	권한 확인을 기다려야 하는 호출을 거부하고 턴을 계속 진행하며, 하위 에이전트와 팀원에게도 적용
LLM 게이트웨이를 거치는 자동 모드	텔레메트리나 플래그가 꺼져 있으면 서버가 검증할 수 없는 호출은 사용자에게 확인을 요청하거나 거부하며, 내장 분류기로 대체하지 않음
`/claude-api latency-optimize`	Claude API를 호출하는 코드에서 대기가 발생하는 지점을 찾고, 사용자 평가를 기준으로 더 빠른 설정을 테스트
`/tasks`	종료된 하위 에이전트를 다시 열어 메시지를 보낼 수 있는 ‘이번 세션의 이전 기록’ 행

10월 23일 버전 번호 없이 발표된 MCP 작업은 이번 버전에서 처음으로 변경 기록에 등장했다. 기능 플래그 없이도 작동하므로 Bedrock, Vertex, Foundry 또는 게이트웨이를 거치는 환경에서도 사용할 수 있다. 릴리스 노트에는 여러 취약점 수정도 포함됐다. 조작된 환경 변수 접두어를 통한 Bash 권한 우회, worktree 생성 시 샌드박스 탈출, accept-edits 또는 auto 모드에서 권한 검사를 건너뛰던 sed 명령, 디렉터리 심볼릭 링크를 통해 파일을 건드릴 수 있었던 /rewind 문제가 수정됐다. Claude apps 게이트웨이에는 11월 10일 Claude Desktop 변경에 대비한 경고가 추가됐지만, 릴리스 노트에는 해당 변경의 구체적인 내용이 없다. 같은 날 @ClaudeDevs는 클라우드 세션이 저장소 환경을 스스로 준비한다고 발표했다(단신 참조).

🔗 Claude Code 2.1.319 릴리스 노트

Codex CLI 0.167.0, 읽지 않은 결과를 표시하고 세션 선택기에서 백엔드 전환 지원

11월 6일 — OpenAI가 01시 40분 UTC에 Codex CLI 0.167.0을 공개했다. 10월 29일의 0.166.0 이후 첫 안정 버전으로, PR 목록에는 120개 항목이 있다. 에이전트 명령 센터는 이제 codex agents --no-daemon으로 열 수 있으며, 세션 선택기와 마찬가지로 사용자가 아직 확인하지 않은 결과를 표시한다. 세션 선택기에서는 작성 중인 초안을 유지한 채 연결된 백엔드 사이를 전환할 수도 있다. 지원되는 터미널에서는 입력 중에 첨부한 로컬 이미지의 미리 보기가 나타난다. 로그인 화면은 API 키와 클라우드 제공업체를 ‘다른 방법으로 로그인’ 아래에 모았으며, gcp_setup_wizard 옵션은 Application Default Credentials 또는 자격 증명 파일을 사용해 Google Cloud Vertex AI를 구성한다. macOS와 Windows의 시스템 프록시 설정은 /experimental에서 활성화할 수 있다.

수정 사항은 작업의 연속성에 초점을 맞췄다. 모델 제공업체를 변경해도 저장된 대화가 계속 표시되고, Ctrl+L은 메시지를 잃지 않고 화면을 지우며 해당 메시지는 Ctrl+T으로 확인할 수 있다. 자동 압축은 실패한 응답에서 보존된 출력도 고려한다. app-server 문서는 사람의 재승인을 요구하는 prompt-user 규칙을 설명한다. 이와 함께 openai-node 7.53.0은 에이전트 세션 오류를 스트림 이벤트로 전달한다.

🔗 Codex CLI 0.167.0 릴리스 노트

Copilot CLI 1.0.106, 새 항목 227개와 함께 안정 버전 출시… 동일한 릴리스 노트의 1.0.107도 뒤이어 공개

11월 6일 — Copilot CLI가 10월 28일의 1.0.105 이후 첫 안정 버전을 공개했다. 1.0.106은 01시 47분 UTC에 출시됐으며, 릴리스 노트는 사전 공개 주기 전체를 합친 637개 항목을 담았다. 이 중 227개는 GitHub에 공개된 사전 공개판 11개의 릴리스 노트에 없던 항목이다. 20시 37분 UTC에는 머리말의 날짜만 다를 뿐 릴리스 노트가 완전히 같은 1.0.107이 나왔다. 이 버전만의 변경 사항은 설명되지 않았으며, 이제 npm은 기본적으로 이 버전을 설치한다.

새 항목에는 로컬 LSP 및 MCP 구성을 실행하고 개발하는 COPILOT_SESSION_CWD 변수, 접근 권한이 있는 계정에서 ‘새 모델’ 항목을 통해 선택할 수 있는 GPT-6.1 Terra, 확장 프로그램 프로세스를 샌드박스에서 실행하는 ‘확장 프로그램 샌드박스’ 설정, OneAuth를 통한 Microsoft Entra 로그인용 MATS 텔레메트리가 포함된다. 이 텔레메트리는 클라이언트 측의 텔레메트리 거부 설정을 따른다. 세션 사이드바가 열려 있을 때 /exit은 CLI 대신 현재 세션을 닫는다. 샌드박스 거부 규칙은 glob 패턴을 지원하며, 사이버 보안 위험에 따른 거부 메시지는 세션이 그대로 유지된다고 설명하면서 /rewind을 제안한다. Copilot SDK도 1.0.29로 안정 버전에 진입했다. 원문에서 잘린 릴리스 노트에는 131개 항목이 있으며, Rust의 SessionMetadata 관련 하위 호환성을 깨는 변경이 포함된다.

🔗 Copilot CLI 1.0.106 · Copilot CLI 1.0.107 · Copilot SDK 1.0.29

Antigravity CLI 1.5, 편집기용 ACP 서버로 작동하고 원격 에이전트에서 대화 실행

11월 4일과 5일 — Antigravity CLI가 두 단계에 걸쳐 1.5 버전으로 업데이트됐다. 1.5.0(개선 10개, 수정 3개)은 CLI를 Agent Client Protocol(ACP) 서버로 실행하는 agy acp을 추가했다. 호환되는 편집기는 이를 에이전트로 사용할 수 있으며, 프롬프트에 이미지와 파일 맥락을 포함하고, 진행 중인 턴의 방향을 바꾸고, default, accept-edits, plan 세션 모드를 사용하고, 이력을 다시 재생하지 않고 세션을 재개하고, 세션별로 모델과 추론 수준을 설정할 수 있다. agy acp --login은 SSH로 연결된 편집기를 위해 터미널에서 접속할 수 있게 한다. 같은 버전에는 대화를 원격 에이전트에서 실행하는 --remote-agent도 추가됐다. 이는 앱 2.29.0에 도입된 원격 에이전트의 명령줄 버전이다. 또한 /projects의 로컬 프로젝트와 인터페이스 없는 모드(headless, -p)도 추가됐다. 이 모드는 숨겨진 30분 제한 이후 백그라운드 작업을 중단하는 대신 완료될 때까지 기다린다. 한 수정 사항에서는 GEMINI_API_KEY으로 연결했을 때 하위 에이전트가 Gemini 4 Argon과 Gemini 3.8 Flash 대신 두 세대 이전 모델에서 실행되고 있었다는 사실이 드러났다.

1.5.1(개선 5개, 수정 7개)은 모든 ACP 클라이언트에서 계정의 전체 모델을 사용할 수 있게 한다. 이전에는 정해진 편집기 목록에만 Gemini 이외의 모델을 제공했다. 또한 백그라운드 프로세스가 출력을 열린 상태로 유지할 때 터미널 명령이 종료되기까지 걸리는 시간을 5초에서 약 1초로 줄였다. 배포는 점진적으로 진행되며 며칠이 걸릴 수 있다.

🔗 Antigravity 변경 기록

Cursor, Grok Voice 기반 에이전트 실시간 음성 채팅 공개

11월 6일 — Cursor에서는 이제 실시간 음성 통화로 에이전트와 대화할 수 있다. 변경 사항을 말로 설명하고, 에이전트에게 무엇을 하고 있는지 묻고, 작업 진행 상황을 음성으로 들을 수 있다. 음성 채팅은 Agents Window, IDE, 웹 버전, iOS 앱에서 작동한다. 통화에는 두 에이전트가 참여한다. 음성 에이전트는 듣고 답하며 코딩 작업을 채팅 에이전트에게 맡긴다. 또한 변경 내역과 실행 결과에 관해 읽기 전용으로 답변하고, 이전 메시지와 통화를 검색하며, 프로젝트 안에서 워커를 전환한다. 코딩 에이전트도 짧은 진행 메모와 작업을 마친 뒤의 간단한 응답으로 직접 말한다.

음성은 Grok Voice를 기반으로 하며(Cursor는 8월부터 SpaceX 소속이다), 코딩 에이전트는 선택된 모델을 계속 사용한다. Ara, Eve, Leo, Rex, Sal 등 여러 음성이 제공된다. Privacy Mode에서는 음성 채팅 데이터를 보관하지 않으며, iOS에서는 Siri 명령으로 새 에이전트와 통화를 시작할 수 있다. 로그인한 계정이 필요하고(API 키로 연 세션에서는 통화할 수 없다), 에이전트가 진행 중인 작업이 없을 때 약 10분 동안 침묵이 이어지면 통화가 종료된다. 일일 사용 한도도 있지만 구체적인 수치는 공개되지 않았다. 요금은 언급되지 않았으며, 이전에 Voice Mode라고 부르던 받아쓰기 기능은 별도로 유지된다.

🔗 에이전트와의 음성 채팅 (Cursor 변경 기록) · 음성 채팅 문서

Amp, 사용자 대신 스레드를 만들고 조율하는 에이전트 Spaces 출시

11월 6일 — Amp가 Spaces를 출시했다. 스페이스는 에이전트 하나와 나누는 대화이며, 이 에이전트의 역할은 다른 에이전트를 실행하고 조율하는 것이다. 사용자가 직접 대화 스레드(threads)를 만들거나 정리할 필요 없이 스페이스의 에이전트가 이를 맡는다. Amp는 이를 수많은 에이전트와 더 높은 수준에서 작업하는 방식으로 소개한다. 몇 주 동안 내부에서 사용한 팀은 전체를 조망하면서 세부 내용까지 들여다볼 수 있는 이 방식이 에이전트와 상호작용하는 미래의 모습일 수 있다고 본다.

게시물은 내부 사례 세 가지를 제시한다. Spaces 자체는 « Spaces v1 »이라는 스페이스에서 만들어졌으며, 에이전트가 채팅에 올라오는 의견, 버그, 아이디어를 스레드로 나눴다. 루이스는 스페이스 하나에서 Service Accounts 출시를 총괄했다. 배포부터 X와 Slack 및 버그 보고 모니터링, 수정, 이후 영향을 받은 사용자에게 이메일을 보내고 환불하는 일까지 맡겼다. 윌은 스페이스에 정기 보안 검토를 맡겼다. 첫 검토에서는 코드베이스를 16개 영역으로 나누어 각각 별도 스레드에서 살펴보고, 발견한 사항마다 다른 스레드에서 검증한 뒤 종합 결과물을 만들었다. 시작하려면 사이드바의 Spaces 영역에서 + 버튼을 누르면 된다. 게시물에는 요금이나 요금제에 대한 언급이 없다. 같은 날 Amp는 웹사이트에 남긴 댓글을 에이전트 스레드로 바꾸는 위젯도 추가했다(단신 참조).

🔗 Spaces (Amp)

모델 개발: Meta는 Muse Wonder로 특화 모델을 훈련하고, Hugging Face는 MoE 훈련 안내서 공개

Meta, Muse Wonder로 훈련한 특화 모델을 Muse와 Meta AI에 배포

11월 6일 — Meta가 10월 12일 출시한 최첨단 모델 Muse Wonder의 역량을 Muse와 Meta AI에 적용한다. Muse Wonder로 훈련한 기존 모델의 특화 버전들이 두 서비스에 배포되며, 게시물은 이 모델들의 이름이나 크기, 가중치를 공개하지 않는다. Muse Wonder의 기능 두 가지가 이전된다. 능동 기억(Active Memory)은 과거 정보가 다시 유용해지는 시점을 알아차리고 여전히 유효한 정보와 낡은 정보를 구분하는 기능이다. 능동 집중(Active Focus)은 장애물을 만났을 때 다시 진행하거나 대안을 찾도록 돕는 기능이다. Meta는 Meta AI의 비서가 문제를 단계별로 나누고 더 구체적인 후속 질문을 던진다고 설명하지만, 관련 수치는 제시하지 않는다.

Meta 내부 측정 지표	현재 Muse 모델	이전 모델
Personal Superintelligence Index	47 %	38 %
Active Memory Eval (중요 맥락을 적절히 활용)	작업의 90 %	76 %
Muse에서 중요 정보를 잊는 빈도	2,4배 감소	—
예상치 못한 상황이 발생하는 일상 작업	+67 %	—

이 수치는 모두 Meta가 측정한 것으로, 게시물에는 평가 절차가 공개되어 있지 않다.

🔗 Muse와 Meta AI의 특화 모델에 관한 Meta 연구 게시물

Hugging Face, 800 000 GPU 시간의 실험을 담은 MoE 훈련 완전 안내서 공개

11월 5일 — Hugging Face가 전문가 혼합(Mixture-of-Experts, MoE) 모델 훈련을 다루는 무료 공개 안내서인 MoE 훈련 완전 안내서를 발표했다. 저자는 누아만 타지, 레안드로 폰 베라, 토마스 볼프다. 출발점은 다음과 같다. Artificial Analysis 순위에 따르면 가중치가 공개된 상위 20개 모델 중 18개가 MoE이며, 여기에는 DeepSeek V4.1 Flash 1017, GLM-5.3, MiniMax-M3.1-Flash가 포함된다. 하지만 이를 훈련하는 노하우는 여전히 소수 팀에 집중되어 있다.

18 of the 20 best open models today are Mixture-of-Experts. Dense is basically over. And yet the know-how to train a good MoE still lives mostly in the heads of a handful of teams. So we spent 800k GPU hours running the experiments ourselves and wrote everything down.

🇰🇷 현재 상위 20개 공개 모델 중 18개가 Mixture-of-Experts입니다. 밀집 모델의 시대는 사실상 끝났습니다. 그런데도 좋은 MoE를 훈련하는 노하우는 여전히 대부분 소수 팀의 머릿속에만 있습니다. 그래서 저희는 800 000 GPU 시간을 들여 직접 실험하고, 그 모든 내용을 글로 정리했습니다. — X의 @Thom_Wolf

실험은 H100 8개를 탑재한 AWS P5 노드에서 진행했다. Hugging Face가 재게시한 트윗에서 제프 부디에는 200만 달러를 지출했다고 밝혔다. 안내서는 약 70 000단어, 상호작용형 그림 55개, 실행 가능한 코드로 구성되며, 예상 독서 시간은 하루에서 이틀이다. 내용은 팀들이 실제로 마주하는 질문을 따라간다. 전문가를 몇 개 두고 각각 얼마나 크게 만들지, 공유 전문가를 둘지, 어떤 라우터를 쓰고 왜 FP32를 유지해야 하는지, 부하 균형을 위해 보조 손실을 쓸지 아니면 DeepSeek처럼 손실 항 없는 바이어스 조정을 쓸지, 밀집 모델에서 시작할지(upcycling) 처음부터 훈련할지, 로그에 오류가 없는데도 왜 훈련이 25배 느려지는지 등을 다룬다. 마지막 부분은 서빙으로 넘어가 저정밀도 전문가, 전문가 병렬화, attention-FFN 분리를 살펴본다.

🔗 MoE 훈련 완전 안내서 (Hugging Face)

Perplexity, Agent API의 모든 작업 강도에서 비용 인하… 자사 평가상 품질은 동등하거나 향상

11월 5일 — Perplexity가 Agent API의 기존 모든 작업 강도(effort levels)에서 요청당 비용을 낮췄다. 회사에 따르면 검색 품질은 동등하거나 더 높다. 게시물은 가장 광범위한 조사를 위해 같은 날 공개한 ultra 단계도 상세히 설명한다. 작업 강도는 특정 유형의 작업에 맞춰 모델, 단계 예산, 검색 설정, 도구를 미리 정해 둔 구성이다. 단계 이름으로 호출하는 요청은 코드 변경 없이 업데이트가 적용되며, 버전을 고정하면 기존 구성을 유지한다. 점수는 공개 벤치마크인 BrowseComp와 DSQA, 그리고 수많은 대상을 장시간 조사하는 작업을 위한 Perplexity 자체 벤치마크 WANDR를 기준으로 한다.

작업 강도	공개된 결과	공개된 비용
medium	BrowseComp와 DSQA에서 55 %에서 77 %로	약 90 % 감소
high, fetch_url 추출 적용	88,0 %, 추출 미적용 시 83,5 %	요청당 0,073달러, 비교 대상은 0,094달러
xhigh	WANDR에서 76,5 % 유지	8월 구성 비용의 약 25 %
ultra	WANDR에서 85,9 %, 시험한 구성 중 최고 점수	작업당 21,71달러

ultra 단계는 에이전트 세 개가 전체 작업을 병렬로 수행한 다음, 네 번째 에이전트가 발견한 내용을 합치고 답변을 작성한다. 게시물은 개선 수단을 상세히 설명한다. 단계 수와 도구 호출 수에 상한을 두고 남은 예산을 알려준다. 한 BrowseComp 작업에서는 안내를 받은 에이전트가 허용된 40단계 중 13단계 만에 답을 찾았지만, 다른 에이전트는 40단계를 모두 쓰고도 찾지 못했다. 더 작은 모델이 페이지에서 유용한 부분만 남겨 5 561토큰을 293토큰으로 줄인다. 스킬은 필요할 때 불러오는데, 모두 미리 불러오면 비용이 13 % 더 들기 때문이다. 평가 루프는 새 모델이 같거나 더 낮은 비용으로 더 좋은 성능을 낼 때만 채택한다. 단계별 요금표는 공개하지 않았다.

🔗 모든 Agent API 작업 강도 개선 (Perplexity) · @perplexitydevs의 스레드

Perplexity Computer, 긴 대화를 백그라운드에서 요약하고 모든 Projects에 Brain 제공

11월 6일 — Perplexity가 10월 19일 이후 처음으로 제품 변경 기록을 공개했다. 총 16개 항목으로, 대부분은 Teammates, Mac에서 완전히 로컬로 실행되는 Computer, 음성 모드처럼 이미 발표한 기능이며 새로 공개된 항목은 7개다. Computer에서는 새로 시작한 긴 대화의 기록을 백그라운드에서 요약한다(background compaction). Perplexity에 따르면 긴 맥락을 유지하며 작업할 때 발생하는 중단이 94 % 줄고, 턴당 크레딧 사용량도 7 % 감소한다. Computer로 만든 사이트를 수정할 때는 이제 사각형을 그리는 대신 제목, 버튼, 카드, 메뉴 등 특정 요소를 선택한다.

Projects에서는 Project의 기억 기능인 Brain이 모든 Project에 무료로 활성화되며, 해당 Project의 대화와 파일을 바탕으로 매일 업데이트된다. 프로젝트 정보 패널과 통합 설정 패널도 모든 사용자에게 제공된다. Enterprise에서는 웹의 @멘션으로 동료를 스레드나 Computer 작업에 참여시킬 수 있으며, 역할별 제어에는 기존 작업 강도 설정에 더해 속도 상한(Normal 또는 Fast)이 추가된다. 인터페이스의 계층 구조, 접근성, 반응형 동작(responsive), 디자인 시스템의 일관성을 점검하는 Impeccable 스킬도 공식 목록에 합류한다. 변경 기록은 Agent Plugins를 개인 요금제와 셀프서비스 Enterprise 요금제에서 사용할 수 있고, Mac 앱 26.42.0부터 Computer가 완전히 로컬로 실행된다고도 명시한다. 함께 언급된 작업 강도별 비용 인하는 앞 절에서 상세히 다뤘다.

🔗 Perplexity 11월 6일 변경 기록

음성: Gradium의 Phonon은 기기에서 실행되고, ElevenLabs는 Unity 캐릭터에 목소리를 부여

Gradium, 가중치를 공개한 기기 내장형 음성 합성 모델 Phonon 상세 소개

11월 5일 — Gradium이 Hugging Face 블로그 게시물에서 2주 전 공개한 Phonon을 다시 소개했다. Phonon은 서버나 네트워크 없이 기기에서 완전히 실행되는 음성 합성 모델로, 휴대전화부터 브라우저 탭, 단일 보드 컴퓨터까지 지원한다. 약 65메가바이트와 75메가바이트의 두 가지 크기로 제공되며, 전화번호, 날짜, 코드를 처리한다. 100개가 넘는 음성이 내장되어 있다. Gradium Studio에서는 당사자의 동의를 받아 짧은 녹음을 복제하거나 텍스트로 설명해 다른 음성을 만든 뒤, 내려받아 로컬에서 실행할 수도 있다.

Phonon 모델	지원 언어	사용 라이선스
Phonon 31m	영어	Apache 2.0, 상업적 이용 무료
Phonon 40m	영어, 프랑스어, 독일어, 스페인어, 포르투갈어	CC BY-NC, 사용자 수에 따라 상업적 이용 유료

Gradium에 따르면 Phonon은 Hugging Face의 Open TTS Leaderboard에서 독일어와 스페인어 명료도 1위이며, 최대 100배 큰 모델들과 비교해 평가된 모든 언어에서 상위 3위 안에 든다. 프로세서 스트리밍 벤치마크에서도 첫 음성이 나오기까지 걸리는 시간에서 선두라고 한다. Gradium은 2주 동안 다운로드가 200 000회를 넘었다고 밝혔다. 추론 엔진 ptts는 10개가 넘는 백엔드를 지원하며, 여기에는 프로세서, CUDA·Vulkan·Metal·WebGPU를 통한 GPU, Core ML 및 Snapdragon 칩이 포함된다. Transformers에는 v5.21부터 통합되어 있다.

🔗 Phonon (Hugging Face 블로그)

ElevenLabs, ElevenAgents로 게임 캐릭터에 목소리를 부여하는 Unity SDK 출시

11월 5일 — ElevenLabs가 자사 음성 에이전트 플랫폼 ElevenAgents용 Unity SDK를 공개했다. 게임 장면을 ElevenLabs 대시보드에서 만든 에이전트와 연결하는 도구다. 플레이어가 캐릭터에 다가가 소리 내어 말하면 SDK가 마이크 입력을 받아 Unity의 AudioSource로 에이전트의 음성을 재생하고, Conversation API로 세션을 관리한다. 캐릭터 위치에서 목소리가 나오게 할 수 있고, 음량에 맞춰 입을 움직일 수도 있다. 동적 변수를 이용하면 여러 캐릭터가 서로 다른 기분을 가진 채 같은 에이전트를 공유할 수 있다. 맥락 업데이트는 열쇠를 줍는 것 같은 게임 내 사건을 에이전트를 중단하지 않고 알려준다. 클라이언트 도구를 통해 에이전트가 문을 여는 등의 게임 코드를 실행하게 할 수도 있다.

대상 플랫폼	SDK 상태	사용 전송 방식
편집기 및 데스크톱(macOS, Windows, Linux)	지원	WebSocket
WebGL	지원	WebSocket 또는 WebRTC
iOS, Android, XR	베타	WebSocket

설치는 Unity의 Package Manager에서 ElevenLabs의 git 저장소를 통해 진행하며, 버전은 v0.1.0으로 고정한다. 이 버전은 10월 27일 GitHub에 공개됐으며 MIT 라이선스다. GettingStarted 예제를 따라 시작하는 데는 약 10분이 걸린다고 안내한다. ElevenLabs는 배포 전에 인증을 다시 활성화해야 한다고 강조한다. 서버가 유효기간이 짧은 서명된 URL을 제공해야 하며, 빌드에 API 키를 절대 포함해서는 안 된다. 별도 요금은 발표하지 않았다.

🔗 ElevenAgents로 Unity NPC에 목소리 부여하기 (ElevenLabs) · elevenlabs/unity 저장소

Ai2, 로봇 학습 연구를 위한 첫 FoundationWorlds인 ToyBlocks 공식 소개

11월 6일 — Ai2가 전날부터 코드와 데이터를 공개한 ToyBlocks를 공식 소개했다. 연구소는 이를 파운데이션 월드(FoundationWorlds)라는 더 넓은 틀에 포함한다. 통제된 시뮬레이션 세계, 작업과 시연의 자동 생성, 시간에 따른 로봇 행동을 추적하는 지표를 결합해 데이터나 모델을 바꾸고, 테스트를 재현하며, 실패의 원인을 추적하는 방식이다. 시연은 원격 조작 없이 생성되며, 단일 GPU에서 실시간의 최대 24배 속도로 만들어진다. 초기 결과는 실제 환경으로의 전이와 최첨단 에이전트를 다룬다.

Ai2가 공개한 평가	결과
시뮬레이션 및 실제 로봇에서 ManiFlow의 단위 기술	80,0 %와 81,1 %
시뮬레이션 및 실제 로봇에서 Molmo 2 + ManiFlow	55,5 % (200개 중 111개)와 50,0 % (30개 중 15개)
MCP를 통한 Claude Opus 5.5, 찾고 철자 만들기(search and spell) 작업	63 %를 해결하거나 수행 불가능하다고 올바르게 판정
기본 기술 설명, 인간 전문가의 기술 설명, 학습된 기술 설명	성공률 24 %, 36 %, 63 %
고전적 계획 수립에서 Claude Opus 5.5	쌓기 작업 30개 중 30개

찾고 철자 만들기 작업에서는 장면의 절반이 수행 불가능하며, 오류는 주로 비슷하게 생긴 글자(13 %)나 잘못된 방향(15 %)에서 발생한다. Ai2는 통계적 신뢰도를 확보하려면 실제 로봇에서 추가 실험이 필요하다고 명시한다. 웹 인터페이스에서는 Claude나 다른 최첨단 모델을 통해 자연어로 로봇에 지시할 수 있다. 함께 제공되는 allenai/agentic_robotics 저장소는 MCP로 조율하는 에이전트 루프를 Apache-2.0 라이선스로 공개한다.

🔗 ToyBlocks (Hugging Face의 Ai2 블로그) · allenai/agentic_robotics 저장소

GitHub, 실제 Copilot 사용을 바탕으로 숙련도를 산정하는 Copilot Verified Proficiency 소개

11월 6일 — GitHub가 Microsoft Pro Badge와 연계된 Microsoft와 GitHub 공동의 새로운 역량 인증(자격 증명)인 Copilot Verified Proficiency를 소개했다. 시험을 치르는 대신, 텔레메트리를 통해 Copilot으로 실제 수행한 작업을 바탕으로 숙련도를 지속적으로 산정한다. 활동량이 아니라 활용의 범위, 깊이, 일관성을 기준으로 삼는다. 평가하는 역량은 AI 협업, 프롬프트 작성, 코드 생성 및 검증, 에이전트 구성, 도구 및 맥락 통합의 다섯 가지다. 세 단계(Beginner, Intermediate, Proficient)가 제공되며, Advanced와 Expert는 개발 중이다. Proficient에 도달하면 공유 가능한 Pro Badge를 받지만, 숙련도를 유지하지 못하면 6개월 후 만료되며, Copilot을 사용하지 않으면 숙련도가 하락한다.

참여 여부는 사용자가 선택하며, 결과는 기본적으로 비공개이고 사용자가 자발적으로 공유하지 않는 한 고용주나 조직은 볼 수 없다. 평가 기준표와 알고리즘은 독점적으로 관리된다. Enterprise Managed Users 계정과 데이터 레지던시를 사용하는 GitHub Enterprise Cloud 계정은 지원되지 않는다. 제공 상태는 여전히 불분명하다. 날짜가 없는 해당 페이지는 숙련도를 산정하도록 안내하지만, FAQ에서는 초대받은 파트너와 진행하는 비공개 미리보기라고 설명한다.

🔗 Copilot Verified Proficiency (GitHub Learn) · X의 @github 발표

NVIDIA, 다섯 연구 프로젝트와 함께 오픈 소스 5G/6G 도구 Aerial과 Sionna의 확산 수치 공개

11월 6일 — 무선 소프트웨어 Aerial의 소스 코드를 공개해 Sionna와 함께 6G 연구용 도구 모음을 구성한 지 1년 만에, NVIDIA가 소마 벨라유탐 명의의 글에서 현황을 정리했다. NVIDIA에 따르면 개발자들의 AI Aerial과 Sionna 도입 규모는 1년 동안 10배로 늘었고, 오픈 소스 5G/6G 도구의 다운로드 수는 100만 회를 넘었으며, 8 000곳 이상의 연구 기관과 대학이 이를 사용하고 있다. 이 글은 제품을 발표하지 않고, 다음 다섯 프로젝트를 통해 활용 사례를 보여 준다:

연구팀	보고된 결과	측정 조건
킹스 칼리지 런던	로봇 작업 실행 시간 최대 52,6 % 단축	전체 이미지 대신 간결한 객체 설명 사용, 의도적으로 장애 유발
SoftBank	테스트한 15개 설정 모두에서 상향 전송 속도 향상, 최대 약 60 % 개선	Aerial CUDA-Accelerated RAN의 신경망 수신기, 시판 5G 스마트폰, 통제된 간섭
ETH 취리히	블록 오류율 3분의 1 이상 감소	현지 측정값으로 조정한 수신기를 선정된 사전 학습 버전과 비교
리즈 대학교	무선 접속망 전력 소비 45,6 % 감소	기지국 절전 전환을 10분 전에 예측, 최대 전력으로 가동하는 기준과 비교
CTTC (카탈루냐)	시뮬레이션 시간 약 3시간에서 10~20분으로 단축	초기 평가, 오픈 소스 시뮬레이터 5G-LENA에서 GPU로 채널 모델 실행

이 글은 워싱턴 D.C.에서 열린 GTC의 6G 개발자 세션을 안내하며, Aerial과 Sionna를 GitHub에서 이용할 수 있음을 상기시킨다.

🔗 NVIDIA 오픈 소스 도구가 연구자의 차세대 6G 네트워크 구축을 돕는 방법 (NVIDIA)

단신

코딩 에이전트와 도구

Claude Code 클라우드 세션 — Pro, Max, Ultra 요금제에서 Claude가 저장소에 필요한 의존성, 네트워크 접근 권한, API 키를 스스로 파악한 뒤 다음 세션에서도 사용할 수 있도록 환경을 저장한다. @ClaudeDevs에 따르면 키는 Claude가 볼 수 없는 방식으로 저장된다. 발표는 트윗 하나뿐이며, 별도 글이나 문서는 없다. 🔗 출처
Amp 피드백 위젯 — 스크립트 태그를 삽입한 뒤 페이지 주소 끝에 ?amp을 붙이면 사이트의 요소를 클릭하고 지시를 작성할 수 있다. Amp는 프로젝트에 스레드를 열고, 에이전트는 저장소 사본이 있는 orb에서 변경을 수행한다. 작업 공간 프로젝트에만 제공되며, 요금 정보는 없다. 🔗 출처
Gemini CLI — 워크플로 실패로 11월 5일과 6일에는 nightly 빌드가 배포되지 않았지만, Gemini CLI는 6일 main에 12개가량의 커밋을 병합했다. 독립적인 theme.json 파일의 색상 테마, /model의 모델 이름 검증, ACP 모드에서 몇 시간씩 이어지는 할당량 대기와 아무런 알림 없이 발생하는 네트워크 정지 해소 등이 포함된다. 아직 어떤 릴리스에도 포함되지 않았다. 🔗 출처
Qwen Code v0.26.9 — ZIP 압축 파일에서 스킬을 설치할 수 있으며(Web Shell, 데몬 또는 TypeScript SDK), 요청 하나로 최대 100개의 스킬을 활성화하거나 비활성화할 수 있다. Managed Agent의 자동화는 기본으로 활성화되고, 이미지 입력 지원은 Llama 4, Pixtral, Mistral Small로 확대된다. 호환성을 깨뜨리는 변경은 없다. 🔗 출처
Kimi Code 2.5.2 — 세 가지 문제를 수정했다. MCP 도구 정의가 바뀔 때 도구 선언이 중복되는 문제, 세션 중 안내 메시지가 잘못 대기열에 들어가는 문제, 웹 인터페이스가 HTTP로 제공될 때 프로젝트 생성에 발생하는 문제다. 🔗 출처
ZCode v3.17.2 — 11월 4일, 릴리스 노트 없이 Z.ai의 코딩 작업 공간이 내장 브라우저에서 로컬 HTML 파일을 미리 볼 때 해당 폴더로 범위가 제한된 zcode-html:// 주소를 사용하도록 바뀌었다. Electron은 기본적으로 file:// 페이지가 다른 파일을 읽도록 허용한다. 🔗 출처
코딩 에이전트 집단 — 토니 지가 7대의 기기에서 같은 계열의 코딩 에이전트를 103일간 운용한 결과를 정리했다. 조정 프로토콜이 모든 안전 불변 조건을 지키더라도 결국 사용되지 않게 될 수 있다는 것이다. 그는 LLM을 사용하지 않는 합의 엔진 claw-consensus와 그 사용량이 급감했음을 보여 주는 텔레메트리를 공개했다. 🔗 출처

API, 플랫폼 및 보안

GPT-Live 발신 통화 — 11월 2일, OpenAI가 Live API를 통해 SIP로 GPT-Live 발신 전화를 거는 기능을 모든 조직에 개방했다. E.164 형식의 번호와 통신사 트렁크를 사용하며, 신호 처리는 TLS, 오디오는 SRTP를 쓴다. 벨이 울리는 시간은 3분, 통화 시간은 2시간으로 제한되며, 요금 정보는 없다. 🔗 출처
OpenAI Agents API — OpenAI의 제품 담당자 마이클 뤄가 대부분 이미 다룬 10월 소식을 정리하고, 요청 시 다섯 가지 베타 기능을 제공한다. 세션 간 메모리, 에이전트의 Decisions API 접근, 달러 단위 예산 상한, 환경 풀, v2 아키텍처다. 🔗 출처
gemini-embedding-2-preview — Gemini API가 이 모델을 지원 중단 대상으로 지정했다. 11월 6일부터 이 모델로 들어오는 요청은 Gemini Embedding 2 요금으로 gemini-embedding-2에 전달되며, 스키마와 임베딩 공간은 동일하다. 다시 인덱싱하지 않고 모델 이름만 바꾸면 된다. 🔗 출처
Copilot 사용 지표 — API가 이제 저장소별로 개발자가 처리한 Copilot code review 댓글의 비율을 심각도, 검토 수준, 댓글 유형별로 추적하고, 텔레메트리가 없는 사용자나 IDE 및 확장 프로그램의 최소 지원 버전보다 낮은 버전을 사용하는 사용자를 표시한다. 🔗 출처
OpenAI와 Hacktron — OpenAI가 취약점 보상 프로그램을 통해 알게 된 Hacktron과 제휴해, 자사 시스템의 취약점, 특히 외부 서비스와의 상호작용에서 발생하는 취약점을 찾는다. 또한 Daybreak Red를 통해 Hacktron의 최첨단 모델 접근 권한을 확대한다. 금액은 공개하지 않았다. 🔗 출처
Transformers v5.22.2 — Jinja 샌드박스를 강화하고 NCCL에 대해서만 device_id을 설정하도록 한 Hugging Face의 중간 패치다. 릴리스 노트에는 보안 권고문이 언급되지 않았다. 🔗 출처

기업과 교육

호주 대학 — 11월 5일, OpenAI가 UNSW 시드니(80 000명이 넘는 학생과 교직원에게 ChatGPT Edu 제공), 시드니 대학교, 라트로브 대학교, 애들레이드 대학교와의 협력 내용을 자세히 소개했다. OpenAI의 의뢰로 Pureprofile이 학생 1 018명을 대상으로 실시한 설문 조사에서는 81 %가 일주일에 여러 번 AI를 사용한다고 답했다. 🔗 출처
Cult.fit과 Codex — 11월 5일, OpenAI의 사례 연구는 이 인도 피트니스 센터 체인이 개발 업무를 Codex로 표준화한 모습을 보여 준다. 비기술팀이 내부 앱을 20개 넘게 만들었고, 연간 소프트웨어 비용을 100 000달러 넘게 절감했으며, 고객 지원 비용은 50 % 넘게 줄었다. 🔗 출처
Merge와 GPT-6 Astra — 11월 5일, 스타트업 Merge는 Salesforce, Gong, Google Sheets, Gmail에 연결된 GPT-6 Astra 기반 봇이 고객 만찬 준비 시간을 수십 시간에서 약 30분으로 줄였다고 설명했다. 만찬 횟수는 2분기 8회에서 3분기 16회로 늘었다. 🔗 출처
Franklin Templeton — 11월 5일, 이 자산 운용사는 Codex 등을 활용해 구축한 연결형 지능 계층을 소개했다. 포트폴리오 매니저를 위해 연구, 위험 관리, 규정 준수, 거래를 연결하며, 성과 수치는 제시하지 않았다. 🔗 출처
Flipsnack과 ChatGPT Ads — 11월 5일, 이 고객 사례는 미국 내 5개 캠페인의 목표를 클릭에서 전환 최적화로 바꾼 뒤, 일일 예산을 그대로 유지하면서 가입 수가 약 310 % 늘고 가입당 비용은 약 75 % 줄었다고 밝혔다. 🔗 출처
Box와 NVIDIA — 11월 5일, BoxWorks 2026에서 Box는 Box AI의 Enterprise Advanced 고객에게 Nemotron 3 Ultra를 시작으로 Nemotron 공개 모델을 제공하기 시작했다. Nemotron Retriever를 기반으로 구축한 Box Context Retrieval은 내년 초 출시 예정이며, Box에 따르면 검색 정확도를 20 % 높이고 토큰 사용량을 90 % 줄일 수 있다. 🔗 출처

Google 애플리케이션

Gemini Notebook 학습 카드 — 카드에 이미지를 넣을 수 있게 됐고, 선택적으로 사용할 수 있는 타이머로 얼마나 기억하는지 확인할 수 있으며, 모바일 앱에서는 학습 알림을 예약할 수 있다. 제공 국가와 요금제는 명시되지 않았다. 🔗 출처
Google Forms의 Gemini — 응답 탭에서 Gemini가 Python 코드를 작성하고 실행해 응답을 분석하고, 추세와 상관관계를 찾아낸 뒤 조치를 제안한다. Rapid Release에서는 11월 2일 배포가 시작됐고 Scheduled Release에서는 11월 19일부터 시작되며, 대상은 이용 자격을 갖춘 Business, Enterprise, Education 요금제와 Google AI 구독자다. 🔗 출처

음성, 음악 및 이미지

Open ASR Leaderboard — Hugging Face의 음성 인식 순위에 Liva AI의 비공개 테스트 데이터셋 두 개가 추가됐다. 이집트 억양(1,34시간)과 나이지리아 억양(1,55시간)의 영어 회화 데이터이며, 카치루의 동심원 모형에서 착안한 세부 분류도 추가됐다. 모델 결과는 제시되지 않았다. 🔗 출처
레바논 방언 — 11월 5일에 나온 글에 이은 시리즈 두 번째 글에서 빌랄 자라케트는 음성 데이터를 생성하기 전에 원어민 3명이 검증한 레바논 방언 어휘집(429개 항목)을 구축했다. 수정이 필요한 문장의 비율은 22 %에서 4 %로 떨어져, 사전에 정한 기준인 5 %를 밑돌았다. 🔗 출처
ElevenMusic과 SoundCloud — ElevenLabs가 자사 음악 플랫폼을 SoundCloud와 연결했다. 오리지널 곡을 설명, 장르, 태그와 함께 아티스트 프로필에 바로 게시할 수 있다. SoundCloud Artist Pro 회원에게는 ElevenMusic 3개월 무료 이용 혜택이 제공되고, 이후에는 월 9,99달러가 부과된다. 혜택은 2027년 10월 31일까지 유효하다. 🔗 출처
Ads Engine — ElevenLabs가 ElevenProductions의 언어 전문가 및 현지화 전문가와 내부 창작 전문가가 시각 자료, Google Search 광고, 더빙된 동영상을 검토하는 선택형 인적 검수 기능을 추가했다. 영업팀을 통해 이용할 수 있으며, 가격과 소요 시간은 공개되지 않았다. 🔗 출처
Suno의 Daily Song Challenge — iOS와 Android 앱이 매일 노래 제작 지시문을 제시하며, 제작 전에 이를 수정할 수 있다. 노래는 라이브러리의 달력에 정리되며, 모든 요금제에서 이용할 수 있다. 🔗 출처
Runway와 GPT Image 2.6 — Runway가 50 % 더 빠르다고 소개된 OpenAI 이미지 모델을 추가했다. GIF, SVG 내보내기, 인물과 제품의 일관성을 유지하는 편집 기능을 지원한다. 어떤 변형 모델인지와 크레딧 비용은 명시되지 않았다. 🔗 출처

연구, 로봇 공학 및 모델

과학 모델 — Anthropic의 Science 블로그가 ELLIS 튀빙겐 연구소의 야코프 마케, 다니엘 게돈, 슈테판 발이 기고한 글을 게재했다. 호지킨·헉슬리 모델에서 시뮬레이션 기반 추론에 이르기까지 과학 모델을 구축하고 제약 조건을 부여하며 해석하는 AI를 다룬다. 🔗 출처
SuperCLUE 순위 — VIDRAFT의 커뮤니티 글이 11월 순위(모델 19개)를 정리했다. GPT-6.1-Sol이 에이전트 코딩에서 선두(69,23)이며, DeepSeek-V4.1-Flash-1017은 공개 모델 중 해당 분야 1위(65,38)다. 공개 모델 중 종합 점수가 가장 높은 모델은 Kimi-K3.1-Pro다. 🔗 출처
LingYu Robotics — 이 기업이 로봇 시점에서 촬영한 양손 원격 조작 데이터 139,4시간, 성공 에피소드 13 263개를 공개했다. 15개 작업군으로 구성되며, LeRobot 형식과 비상업적 라이선스로 제공된다. 🔗 출처
Egocentric-EMG-Force — 하르프리트 사호타가 깊이 카메라로 촬영한 가사 작업 에피소드 8개, 38,2분 분량을 FiftyOne용으로 변환했다. 양쪽 손목에 착용한 EMG 밴드가 팔뚝의 근육 신호를 기록한다. 🔗 출처
Qwen 예고 — Qwen 공식 계정이 중국어 문구에서 이름 자리를 비워 둔 이미지와 함께 짧고 수수께끼 같은 메시지를 게시했다. 모델명, 날짜, 링크는 없으며, 하루 동안 130만 회 넘게 조회됐다. 🔗 출처

이것이 의미하는 바

인공지능이 감독과 측정 아래 이루어지는 연구에 들어서고 있다. Google DeepMind의 에이전트들은 인간의 감독 아래 Inria 연구진과 함께, 격리된 시뮬레이션에서 이미 사용이 중단된 1024비트 RSA와 이미 해독된 기준 키를 대상으로 작업했다. 이론상 약 1,600배의 성능 향상은 2048비트 키를 위협하지 않지만, 계산이 어렵다는 가정을 영구히 확신할 수는 없다는 점을 일깨운다. BioBasicsBench와 TCSExam도 같은 엄격함을 따른다. OpenAI는 집락 수를 약 12% 과다 집계한 사례를 비롯해 GPT-6 Astra의 오류를 직접 공개하고, TCSExam은 모든 과제를 Lean 커널이나 실행 가능한 검증기로 확인하며, 미해결 추측은 하나도 해결되지 않았다. Frontier Model Forum은 위험에도 같은 논리를 적용해, 어떤 사이버 탈옥을 먼저 수정할지 결정하는 공통 평가 체계를 제시한다.

모델을 둘러싼 환경이 에이전트의 성공을 점점 더 좌우한다. Anthropic에서는 달맞이산에 관한 잘못된 메모 하나가 Pokémon 게임 진행을 가로막다가 드리밍이 이를 바로잡으며, 꾸준히 관리한 위키는 질문당 약 20,000개의 토큰을 절약한다. Google에서는 오래된 TODO 하나만으로도 에이전트가 방향을 잃는다. 요청하지 않은 우회 작업으로 세션의 단계 수가 70%, 토큰이 77%, 대기 시간이 105% 늘어나자, Google은 코드베이스를 정리하는 에이전트까지 투입했다. 하니스 어댑터는 하니스마다 하나의 LoRA를 적용해 같은 정확도에서 도구 호출을 줄이는 방식으로 학습을 통해 이 문제에 접근한다. Perplexity의 수단도 같은 성격이다. 예산 알림, 페이지 추출, 필요할 때 불러오는 스킬이다.

코딩 에이전트의 인터페이스가 바뀌고 있다. Cursor의 음성 채팅은 듣는 에이전트와 코딩하는 에이전트를 분리해 사용자가 말로 지시할 수 있게 한다. Amp의 스페이스는 스스로 대화 스레드를 만들고 보안 검토를 16개 영역으로 나누기까지 하며 작업 구성을 위임받는다. ACP는 Antigravity CLI를 호환되는 모든 편집기의 에이전트로 만들어 계정에 있는 모든 모델과 함께 어디든 연결할 수 있게 한다. 동시에 버전 출시 주기도 짧아지고 있다. Claude Code 2.1.319에는 변경 항목 146개, Copilot CLI 1.0.106에는 637개, Codex CLI 0.167.0에는 PR 120개가 포함됐다. Claude Code의 확인 요청 없는 거부부터 Codex의 prompt-user 규칙까지, 에이전트가 수행할 수 있는 작업에 대한 제어도 더 세밀해지고 있다.

비용과 접근성도 달라지고 있다. Perplexity는 medium 수준의 비용을 약 90% 낮추면서 성능을 55%에서 77%로 끌어올리고, 모든 Project에서 Brain을 무료로 활성화한다. Phonon은 약 65 MB와 75 MB 크기의 모델로 서버 없이 기기에서 음성 합성을 실행하며, 여기에는 Apache 2.0 라이선스의 영어 버전도 포함된다. Meta는 Muse Wonder의 기능을 특화 모델로 옮겨 Muse와 Meta AI 사용자에게 배포하고, Hugging Face는 GPU 800,000시간을 들여 얻은 MoE 학습 노하우를 무료로 공개한다.