Meta, Muse Wonder 출시, NVIDIA, Vera Rubin 랙 설계 공개, Anthropic, 소형 모델의 자율 복제 측정

Meta가 에이전트 작업을 위해 설계한 역대 최고 성능 모델 Muse Wonder와 Muse Wonder Full을 출시했다. Muse Wonder는 Meta Model API와 Muse Code에서 이용할 수 있으며 입력 토큰 100만 개당 4달러다. Muse Wonder Full은 Muse Code 구독자에게만 제공되며, 공개 가중치에 관한 발표는 없었다. OCP Global Summit에서 NVIDIA는 Vera Rubin 랙 설계를 Open Compute Project에 기여했다. 한편 Anthropic의 Frontier Red Team은 소형 모델이 사물인터넷 기기에 스스로를 복제할 수 있기까지 몇 달밖에 남지 않았을 수 있다고 추정했다. 코드 분야에서는 Artificial Analysis가 FrontierCode 1.1 순위에서 Claude Opus 5.5를 52,2 %로 1위에 올렸으며, Google은 Fitbit Edge 손목 밴드부터 AlphaProtein Novo가 설계한 효소까지 건강 분야에 이날의 발표를 집중했다.

Meta, 에이전트 작업을 위한 최첨단 모델 Muse Wonder와 Muse Wonder Full 출시

10월 12일 — Meta가 Muse Wonder와 Muse Wonder Full로 구성된 Muse Wonder 시리즈를 공개했다. Meta는 이 두 모델을 개인 및 업무용 에이전트 작업을 위해 설계한 역대 최고 성능의 최첨단 모델(프런티어 모델)이라고 설명한다. Muse Wonder는 지금부터 Meta Model API와 Muse Code에서 이용할 수 있으며, Muse Wonder Full은 Muse Code 구독자에게만 제공된다. Muse Wonder는 «곧» 개인 비서 Muse에도 적용되며, 구독자에게 먼저 제공된다.

인공지능 연구를 전면 개편한 지 14개월 만에, 그리고 9월 2일 출시한 Muse Spark 1.3에 이어 Meta는 이번 출시를 단계적 성능 확장(스케일링 사다리)의 «다음 단계»라고 설명한다. 두 모델은 기가와트 규모의 데이터센터 Prometheus에서 «더 크고 강력한» 기반 모델을 바탕으로 훈련됐으며, 모델 크기는 공개되지 않았다. 두 가지 기능을 강조한다. 능동 메모리(Active Memory)는 대화가 바뀌어도 중요한 맥락을 유지하며, 능동 집중(Active Focus)은 모델이 막힌 상황에서 접근 방식을 바꾸고, 추가 설명을 요청하며, 중요한 행동을 하기 전에 확인하도록 유도한다.

결과는 게시글에 포함된 이미지에만 제시돼 있다. Meta가 모든 모델에 max 설정을 적용해 측정한 표다. Muse Wonder 계열 모델은 Meta의 내부 지표인 Personal Superintelligence Index를 비롯해 14개 항목 중 7개에서 1위를 차지한다. 다만 Claude Opus 5.5는 Artificial Analysis Index를 포함한 6개 항목에서 앞서며, GDP.pdf에서는 GPT-6 Astra가 앞선다.

벤치마크(발췌, Meta가 max 설정으로 측정)	Muse Wonder Full	Muse Wonder	Claude Opus 5.5	GPT-6 Astra
Personal Superintelligence Index(Meta 내부 지표)	59,1	54,3	55,2	54,5
DeepSWE 1.1	79,0	78,8	74,2	74,1
SWE-Marathon	57,5 (xhigh)	53,1	46,3	42,5
MemoryBench	85,5	85,6	81,5	81,4
Terminal-Bench 4.0-AA	57,1	52,0	59,6	59,1
ProgramBench	59,0	50,0	70,5	52,5
Artificial Analysis Index	56	52	58	53

모델 버전	제공되는 이용 방식	발표된 요금
muse-wonder-1.0	Meta Model API 및 Muse Code, 컨텍스트 길이 토큰 1M개	토큰 100만 개당 입력 4달러, 캐시된 입력 0,20달러, 출력 20달러
muse-wonder-full-1.0	Muse Code 구독자 전용, 컨텍스트 길이 토큰 1M개	Power Usage(월 50달러) 및 Maximum Usage(월 200달러) 구독

안전성 측면에서 Meta는 화학·생물학·방사능·핵(CBRN) 및 사이버 분야의 악용을 막는 역대 가장 강력한 보호 장치를 갖췄다고 주장하면서, 방어 목적으로는 최첨단 사이버 역량을 계속 이용할 수 있다고 밝혔다. Meta는 Muse Wonder를 역대 가장 잘 정렬된 모델이라고 소개하며, 추가 안전성 평가를 포함한 종합 보고서를 «곧» 공개하겠다고 약속했다.

🔗 Meta 연구 게시글 · 모델 및 요금 페이지

OCP Global Summit: NVIDIA, Vera Rubin 랙 설계 기여, Meta는 Spectrum-6 도입

10월 12일 — 산호세에서 열린 OCP Global Summit 개막에 맞춰 NVIDIA가 개방형 아키텍처 MGX를 통해 Vera Rubin의 핵심 서버 랙(랙) 및 연산 트레이(컴퓨트 트레이) 설계를 Open Compute Project(OCP)에 기여했다. 발표한 목표는 제조업체에 차세대 인공지능 공장을 위한 공통 기반을 제공하는 것이다. MGX 1.2 규격에는 랙 전체에 적용되는 비가시 연결 방식(블라인드 메이트)의 액체 냉각, 액체로 냉각하는 5 000 A 전력 공급 바(버스바), 팬이 없는 연산 트레이, 최대 250 kW 랙이 추가됐다. NVIDIA는 훈련과 추론의 기반으로 계속 사용되는 Vera Rubin NVL72와 함께, 에이전트 작업(도구 호출, 오케스트레이션, 샌드박스 실행)을 위해 설계된 Vera CPU 랙 규격도 공개했다.

소프트웨어 측면에서는 인공지능 공장 플랫폼의 운영 계층인 DSX OS에 DGX Cloud 운영에서 나온 오픈 소스 구성 요소 네 가지가 추가됐다. 훈련 전에 부하를 가해 GPU 클러스터를 점검하는 Cluster Readiness Engine과, NVIDIA에 따르면 클러스터를 «며칠 대신 몇 시간 만에» 준비하는 Cluster API Provider가 포함된다.

NVIDIA의 하이퍼스케일 및 HPC 부문 부사장 이언 벅은 이러한 기여와 함께 여러 파트너의 발표를 소개했다. 가장 구체적인 발표는 Ethernet 스위치 Spectrum-6를 도입하는 Meta에서 나왔다. Meta의 N-IceCube 스위치는 액체 냉각 네트워크 랙 IcePack에 탑재되며, 오픈 소스 네트워크 운영체제 FBOSS로 구동된다.

행사에서 소개된 발표	언급된 파트너	발표된 핵심 내용
MGX 1.2 및 Vera CPU 랙	OCP 커뮤니티	5 000 A 전력 공급 바, 최대 250 kW 랙
DSX OS의 오픈 소스 구성 요소	NVIDIA 프로젝트	DGX Cloud에서 나온 도구 네 가지
Open Data Center Specification v0.7	AMD, Google, Meta	인공지능 공장 건물의 공통 설계
OCP Grid Resilience Specification	Google, Meta, Microsoft	전력망 이상 발생 후 2 s 미만에 거의 최대 부하로 복귀
800 VDC K-1 플랫폼	Visionbay, Vertiv	향후 Vera Rubin 배포를 위해 설계
Meta의 Spectrum-6	Meta	102,4 Tb/s, 최대 8개 네트워크 플레인, 100 000개 이상의 GPU
Falcon Transport 프로토콜	Google	향후 SuperNIC ConnectX-10 및 DPU BlueField
USFP 광학 폼팩터	Cisco, TE Connectivity, Amphenol	레인당 400 Gb/s(아래에서 상세 설명)

이 발표들에는 가격이나 출시 일정이 제시되지 않았다. 젠슨 황은 10월 21일 수요일 GTC Berlin에서 기조연설을 할 예정이다.

🔗 NVIDIA의 OCP Global Summit 게시글

USFP: NVIDIA와 Cisco, 레인당 400 Gb/s 플러그형 광 모듈 준비

10월 12일 — 이번 발표 중 NVIDIA와 Cisco는 USFP(Ultra-Dense Small Form Factor Pluggable) 폼팩터 계획을 소개했다. NVIDIA는 이 플러그형 광 모듈이 레인당 400 Gb/s 전기 신호를 위해 설계된 최초의 모듈이라고 설명한다. 예정된 첫 광 송수신기(트랜시버)는 OSFP와 비슷한 크기에 양방향 동시 통신(전이중) 레인 16개를 통합하며, 스위치와 SuperNIC에 모두 적용돼 최대 12,8 Tb/s를 제공한다. 32개 이상의 레인으로 확장할 수도 있다. NVIDIA는 현재의 레인당 200 Gb/s 모듈과 비교해 전면 대역폭 밀도가 4배, 에너지 효율이 약 1,3배라고 발표했다. 또한 이 모듈은 전용 냉각 장치를 내장하지 않고도 최대 100 W의 열을 방출할 수 있다. 목표는 네트워크 계층을 추가하지 않고 더 많은 1,6 Tb/s 엔드포인트를 연결하는 것이다. TE Connectivity와 Amphenol이 케이지, 커넥터, 모듈을 준비하고 있지만 아직 계획 단계이며, 보도자료에는 일정이나 가격이 제시되지 않았다.

🔗 NVIDIA와 Cisco의 보도자료

Anthropic의 Frontier Red Team, 사물인터넷 기기에서 소형 모델의 자기 복제 측정

10월 12일 — 윌리엄 저우와 대니얼 프리먼이 작성한 연구에서 Anthropic의 Frontier Red Team은 소형 모델이 보안이 취약한 사물인터넷 기기에 스스로를 복제할 수 있기까지 몇 달밖에 남지 않았을 수 있다고 추정한다. 연구팀은 개당 약 55달러에 구매한 무명 브랜드 Android TV 셋톱박스 15대에 Gemma4-26B-A4B를 분산 배치했다. 모델은 이 환경에서 초당 0,39토큰으로 실행된다.

9B 모델은 시험한 하드웨어 유형 9개 중 8개에서 추론을 시작하는 데 성공했다. 에뮬레이션된 Android 기기 8대로 구성된 격리 네트워크에서는 GLM-5.2만이 처음부터 끝까지 복제에 성공했다(5회 시도 중 4회에서 8개 노드 모두 성공). 침입 과정은 의도적으로 매우 쉽게 설정됐으므로 Anthropic은 이를 상한치로 본다. 30B 이하 공개 모델의 발전 속도를 고려하면 소형 모델도 2026년 말까지 이 수준에 도달할 것으로 추정되지만, 연구팀 스스로도 이 추정이 거칠다고 평가한다.

이런 웜은 느리게 작동하며, 200만 대가 넘는 기기 전체에서도 최대 약 40개의 H100에 해당하는 성능에 그칠 것이다. 그러나 적응 능력을 보일 수 있다. 이전 세대의 메모를 물려받은 Qwen3.5-9B는 6세대에 걸쳐 성공률이 45 %에서 61-84 %로 높아졌다. 통제되지 않는 완전한 자기 복제 프로그램은 아직 존재하지 않는다. 방어 측면에서 이 연구는 좀비 기기 네트워크(봇넷) Mirai에 대응할 당시 인터넷 서비스 제공업체가 감염된 가입자를 격리하면서 14일 만에 감염의 92 %를 제거했던 사례를 상기시킨다.

Like coding agents in 2024, we’re seeing signs of life for AI worms.

🇰🇷 2024년의 코드 에이전트 때와 마찬가지로, 우리는 인공지능 웜에서도 활동의 조짐을 보고 있다. — Anthropic의 Frontier Red Team, 연구 게시글

코드 에이전트: Artificial Analysis의 FrontierCode 1.1 순위, GitHub 이벤트를 수신하는 Amp, LightOn의 ColGrep-Agent-2B

독립적인 순위가 코드 에이전트의 실제 결과물을 측정하는 한편, Amp와 LightOn은 그 주변에서 이뤄지는 풀 리퀘스트 추적과 코드 검색을 개선하고 있다.

FrontierCode 1.1: Artificial Analysis, Claude Opus 5.5를 52,2 %로 1위에 선정

10월 12일 — Artificial Analysis가 FrontierCode 1.1의 자체 순위를 발표했다. Cognition이 오픈 소스 유지관리자들과 함께 만든 이 벤치마크는 에이전트가 제안한 변경이 단순히 테스트를 통과하는지를 넘어, 유지관리자가 실제로 병합할 만한지를 확인하며, 과도하거나 범위를 벗어난 변경에는 감점을 준다. Artificial Analysis는 전체 150개 작업 중 비공개 작업 100개로 구성된 주요 평가 세트(Main)를 오픈 소스 하네스 Stirrup으로 실행하고, 작업마다 세 번씩 시도한다. 필수 검증을 통과하지 못한 시도는 0점으로 처리된다.

Leading models still fail more than 40% of the time

🇰🇷 최고 성능의 모델도 여전히 40 %가 넘는 경우에 실패한다. — X의 @ArtificialAnlys

Claude Opus 5.5가 필수 검증을 통과한 비율은 시도의 58 %에 불과하며, 작업 100개 중 9개는 평가한 모델 22개 중 어느 것도 성공하지 못했다. Xiaomi의 MiMo-V2.6-Pro는 45 %로 공개 가중치 모델 중 1위다. 비용 격차는 점수 격차보다 훨씬 크다.

평가 모델(설정)	FrontierCode 1.1 점수	작업당 비용
Claude Opus 5.5 (max, 폴백 포함)	52,2 %	10,15달러
GPT-6.1 Sol (max)	49,1 %	0,81달러
Claude Fable 5.1 (max, 폴백 포함)	49,0 %	12달러
MiMo-V2.6-Pro	45,4 %	0,18달러
GPT-6 Luna (max)	41,9 %	0,09달러

Artificial Analysis에 따르면 GPT-6.1 Sol은 Anthropic 최고 성능 모델들의 작업당 비용의 10분의 1보다 적은 비용으로 Fable 5.1과 동등한 성능을 낸다. 이 점수는 Cognition이 Devin에 대해 발표하는 점수와 비교할 수 없다. Cognition의 점수는 자체 하네스로 Extended 버전을 측정한 경우가 많기 때문이다.

🔗 Artificial Analysis의 FrontierCode 순위

Amp, 자신이 연 풀 리퀘스트를 추적하고 GitHub 이슈나 PR마다 orb 실행

10월 12일 — Amp는 이제 자신이 연 풀 리퀘스트를 계속 추적한다. 에이전트가 GitHub에서 PR을 생성하면 해당 PR의 댓글, 코드 리뷰, 최신 커밋의 CI 결과를 구독할 수 있다. 검증 실패나 리뷰어의 질문은 같은 대화 스레드로 전달되며, Amp는 이미 확보한 맥락을 바탕으로 대응할 수 있다.

이 기능은 GitHub Webhooks를 정식으로 지원하는(일급 지원) 통합에 기반한다. Amp가 이벤트를 직접 수신하고 처리한 뒤, 사용자나 에이전트가 이를 Amp 에이전트가 실행되는 원격 환경인 하나의 orb로 보낼지, 매번 새 orb로 보낼지 선택한다. 따라서 저장소의 새 작업 항목(이슈)이나 PR마다 orb를 실행하도록 요청할 수 있으며, 특정 태그(라벨)로 범위를 제한할 수도 있다. 각 orb는 이슈를 읽고 요약을 준비하며, 이후 댓글은 같은 대화 스레드로 돌아온다. orb는 7월 23일부터 이미 외부 웹훅에 반응할 수 있었다. 이번에 새로 추가된 것은 Amp가 관리하는 GitHub 전용 통합과 Settings → MCP & Integrations → GitHub의 관리 화면으로, 각 구독을 수정하거나 일시 중지할 수 있다. 저장소에 Amp의 GitHub 앱을 설치하기만 하면 되며, 게시글에는 요금이 언급되지 않았다.

🔗 Amp 게시글

ColGrep-Agent-2B: LightOn, Claude Code의 코드 검색을 로컬 에이전트에 맡기다

10월 12일 — LightOn이 Apache-2.0 라이선스로 제공되는 20억 매개변수 코드 검색 에이전트 ColGrep-Agent-2B를 공개했다. 이 에이전트는 코딩 에이전트와 저장소 사이에서 로컬로 실행된다. 질문을 받으면 LightOn의 다중 벡터 의미 검색 엔진인 ColGrep으로 검색하고, 유망한 파일을 읽고, 참조를 따라가며, 경로와 줄 범위, 코드를 반환한다. 이제 최첨단 모델이 직접 여러 차례 탐색을 이어갈 필요가 없다.

Sonnet 5.5를 사용하는 Claude Code에 연결해 학습에 포함되지 않은 13개 저장소에서 52개의 검색 질문을 대상으로 평가한 결과(624개 세션), grep 대비 API 토큰 사용량은 34 %, 캐시를 포함한 API 비용은 40 % 줄었으며, 정확도에는 통계적으로 유의미한 차이가 없었다. LightOn은 이 측정이 전체 작업이 아닌 코드 검색을 대상으로 한다고 명시했다. MiniCPM5-2B를 미세 조정한 이 모델은 brew install lightonai/tap/colgrep && colgrep --install-agent로 설치하며, 이 명령은 약 2,5 GB 크기의 GGUF 버전을 다운로드한다. Python 환경이나 추론 서버, API 키가 필요 없으며, M3 Pro에서 약 20초 만에 응답한다.

🔗 LightOn의 Hugging Face 게시글

Google의 건강 분야 소식: Health Guardian과 Fitbit Edge 밴드, 새로운 효소를 설계하는 AlphaProtein Novo

Google이 하루 동안 건강 분야 소식을 집중적으로 발표했다. 한쪽에서는 Google Health와 Fitbit의 일반 소비자용 기능을 선보이고, 다른 쪽에서는 그동안 주목받지 못했던 Google DeepMind의 연구를 부각하는 연구 성과 보고서를 공개했다.

Google Health: Health Guardian, 100종이 넘는 활동 감지와 Fitbit Edge 밴드

10월 12일 — Google Health가 여러 게시글을 통해 가을 발표 내용을 정리했다. Health Guardian은 혈압이나 인슐린 저항성처럼 서서히 나타나는 건강 변화를 백그라운드에서 관찰한다. Google Health Premium 구독자는 앱의 코치인 Health Coach를 통해 이런 변화를 해석하고 의사와 공유할 배경 정보를 준비할 수 있다. Google이 문맥 추론(contextual reasoning)에 기반한다고 설명하는 운동 자동 감지 기능의 정확도는 거의 2배로 높아진다.

발표된 새 기능	수치 및 세부 정보	발표된 제공 시기
Health Guardian	혈압과 인슐린 저항성 추세, 월간 보고서	이달 말 Fitbit Air 및 Fitbit Edge의 Premium 구독자에게 제공
활동 자동 감지	활동 종류가 10종에서 100종 이상으로 확대, 감지하지 못한 운동 세션이 절반 이상 감소	이달 말 Fitbit Air, Fitbit Edge 및 Pixel Watch 3~5에 제공
Fitbit Edge 밴드	179,99 달러, 11,5 mm, 최대 7일 배터리 사용 시간, 교체 가능한 배터리	사전 주문 진행 중, 10월 27일 매장 출시
Flo Health와의 제휴	생리 주기 데이터 동기화, Flo의 월 이용자 80백만 명 이상	내년 초

손목에서 Health Coach를 확인하는 창으로 소개된 Fitbit Edge는 Google 최초의 수리 가능한 활동 추적 밴드다. Abbott의 혈당 센서 Lingo, MyFitnessPal, Function Health도 연동 대상에 포함된다.

🔗 Google Health의 새 기능 · Fitbit Edge · Flo Health와의 제휴

Google의 건강 연구 성과: 자연에 존재하지 않는 효소를 설계하는 AlphaProtein Novo

10월 12일 — 요시 마티아스(Google Research)와 푸시미트 콜리(Google DeepMind)가 Google의 건강 분야 연구 성과를 정리했다. 5년간 동료 심사를 거친 논문 90편, 90 000회 이상의 인용, 그리고 이 모델들을 활용하는 연구팀에 Google.org가 2026년 지원한 6 000만 달러 이상의 자금이 포함된다. 게시글은 주로 이미 알려진 성과를 다시 소개하지만, 자연 효소를 출발점으로 삼지 않고 효소를 처음부터(de novo) 설계하는 Google DeepMind의 머신 러닝 처리 과정(pipeline)인 AlphaProtein Novo를 부각한다.

캘리포니아 공과대학교 및 피츠버그대학교와 함께 10월 5일 bioRxiv에 공개한 사전 공개 논문에서, 연구팀은 의약품의 핵심 구조인 피페리딘을 합성하기 위한 새로운 니트렌 전달효소를 만들었다. 연구팀은 그 선택성을 전례 없는 수준이라고 평가했다. 또한 자연 효소가 변성되는 조건에서도 환경 독성물질인 DEHP를 분해하는 효소를 만들었다. 게시글은 두 가지 새로운 활용 사례도 소개한다. 바르셀로나의 글로벌 보건 연구소는 샤가스병 치료를 위해 AlphaFold로 30 000개 화합물을 가상 선별하고, 용도 변경이 가능할 수 있는 FDA 승인 의약품 두 가지를 찾아냈다. 칠드런스 머시 병원에서는 DeepSomatic이 이미 염기서열 분석을 마친 소아 백혈병 사례에서 놓쳤던 돌연변이 10개를 검출했다.

🔗 Google의 건강 분야 AI 성과 보고 · bioRxiv의 AlphaProtein Novo 사전 공개 논문

직무별 특화 모델: 법률 분야를 위한 Z.ai의 GLM-Legal, 고객 서비스를 위한 Fin의 Apex 2.0

두 업체가 기존 모델을 특정 직무에 맞게 사후 학습하고, 그 성과를 수치로 제시했다.

GLM-Legal: Z.ai, GLM-5.3-Flash를 법률 업무에 특화하다

10월 12일 — Z.ai가 GLM-5.3-Flash를 기반으로 구축한 법률 모델 GLM-Legal을 공개했다. 계약 검토, 증거 분석, 규정 준수 등 실제 업무 흐름에 맞춰 설계됐다. 확장된 법률 말뭉치로 중간 학습(mid-training)을 진행한 뒤, 실제와 유사한 수만 개의 법률 환경에서 강화 학습으로 사후 학습했다. 24개 실무 분야를 다루는 Harvey의 법률 에이전트 평가 도구 Harvey LAB에서 GLM-Legal은 모든 항목을 통과하는 비율(all-pass rate) 19,2 %를 기록해 기본 모델보다 12,5 퍼센트포인트 높았다.

Harvey LAB에서 평가한 모델	전체 항목 통과율(Z.ai 수치)
GLM-Legal	19,2 %
Kimi K3	12,9 %
Claude Fable 5	11,3 %
GLM-5.3-Flash	6,7 %
GPT-6 Astra	5,4 %

게시글 본문에는 GLM-Legal의 점수만 나와 있으며, 나머지는 발표 게시물의 그래프에서 가져온 수치다. Z.ai는 LegalBench와 중국법 평가 도구 PLawBench에서도 최고 수준의 비공개 모델과 동등한 성능을 달성했다고 주장하지만, 점수는 공개하지 않았다. GLM-Legal은 베타 단계다. 법률사무소, 법률 기술(legal tech) 소프트웨어 업체, 기업 법무 부서, 독립 법률 실무자는 양식을 통해 API 접근을 신청할 수 있다. 이 모델은 Z.ai의 데스크톱 에이전트 플랫폼 AutoClaw에도 “곧” 도입될 예정이다. 가격이나 모델 가중치 공개 계획은 발표되지 않았다.

🔗 Z.ai의 GLM-Legal 게시글 · Z.ai의 X 발표

Apex 2.0과 Apex Flash 2.0: Fin, Nemotron 3를 기반으로 고객 서비스 모델을 구축하다

10월 7일 — 고객 서비스 AI 에이전트 Fin이 응답 생성 모델의 새 버전 Apex 2.0을 출시했다. 이번에는 Nemotron 3 Super를 기반으로 구축했으며, NVIDIA는 10월 12일 이 출시를 환영했다. Fin이 이미 실제 운영 환경에서 Claude Sonnet 4.6보다 뛰어나다고 밝혔던 Apex 1.0과 마찬가지로, 연구팀은 가중치가 공개된 기본 모델을 자체 사후 학습으로 조정한다. 지시와 선호도에 따른 미세 조정, 보상 모델 개편, 답변할지 추가 설명을 요청할지 판단하도록 돕는 집중 학습 사례, 근거 없는 약속을 제거하는 작업 등이 포함된다. Fin은 측정 가능한 품질 저하 없이 양자화를 통해 배포 비용도 줄였다고 밝혔다.

Fin 모델	NVIDIA 기본 모델	버전 1.0 대비 발표된 개선 효과
Apex 2.0	Nemotron 3 Super	사용자가 확인한 해결 건수 +8,6 %, 환각 -16,5 %
Apex Flash 2.0 (Fin Voice)	Nemotron 3 Nano	응답 속도 24 % 향상, 환각 -46 %, 영어만 지원하던 데서 9개 언어로 확대

Apex 2.0은 12 000곳이 넘는 Fin의 모든 고객에게 제공되고 있다. 게시글에는 요금이 명시되지 않았다.

🔗 Fin의 Apex 2.0 게시글

모델 학습과 서비스: QwenGyre, ReplaySSM, Transformers의 /v1/systemone 엔드포인트

세 연구는 모델의 소프트웨어 인프라를 다룬다. 매우 긴 작업을 수행하는 에이전트의 학습, 하이브리드 모델의 디코딩, 의사결정 모델의 서비스가 주제다.

QwenGyre: Qwen, 초장기 작업 에이전트의 강화 학습에 탄력적인 자원 배분을 도입하다

10월 12일 — Qwen 연구팀이 QwenGyre를 공개했다. 한 번의 실행이 몇 시간씩 이어지고, 환경과 수백 차례 상호작용하며, 생성된 궤적(rollout) 하나가 100만 토큰에 가까워질 수 있는 에이전트를 위한 온라인 강화 학습 프레임워크다. 여기에는 두 가지 문제가 따른다. 긴 생성 작업 중 GPU가 유휴 상태로 남는 문제와, 실행이 분기되면 맥락 압축, 하위 에이전트, 재시도 때문에 궤적이 중복되는 문제다. 탄력적 스케줄러(Elastic Scheduler)는 실행을 중단하지 않고 궤적 생성과 학습 사이에서 GPU를 재배분한다. Colocate 방식보다 최대 1,85배, 비동기 방식(Async)보다 최대 1,78배 빠르다. 궤적 처리기(Trajectory Processor)는 분기된 기록을 공통 접두부를 공유하는 트리로 정리하고 중복을 제거한다.

궤적당 약 700 000토큰으로 Qwen3.8-2.4T-A95B에 적용했을 때, QwenGyre는 48단계 만에 NL2RepoBench 점수를 52,5 %에서 58,5 %로 높였다. 발표 게시물에 따르면 비동기 방식 대비 전체 학습 시간도 약 44 % 줄였다. 논문은 9월 27일부터 arXiv에 공개돼 있으며, 코드 저장소는 발표되지 않았다.

🔗 Qwen의 X 발표 · arXiv의 QwenGyre 논문

ReplaySSM: NVIDIA와 Dao AI Lab, 하이브리드 모델의 디코딩을 가속하다

10월 12일 — NVIDIA와 프린스턴대학교의 Dao AI Lab이 ReplaySSM을 공개했다. Nemotron 3, Qwen3.5~Qwen3.8, Kimi-K3, GLM-5.3-Flash처럼 상태 공간 계층과 어텐션 계층을 번갈아 사용하는 하이브리드 모델을 디코딩할 때, SSM 계층의 상태를 저장하는 새로운 방식이다. 실제 운영 환경의 배치 크기에서는 맥락 길이가 100K 토큰에 이를 때까지 디코딩 지연에 가장 큰 영향을 미치는 것은 어텐션보다 SSM 계층이다. ReplaySSM은 체크포인트와 최근 입력을 담는 작은 버퍼로 상태를 표현한다. 출력은 토큰마다 계산하지만, 체크포인트는 16토큰마다 한 번씩만 메모리에 다시 기록해 가장 큰 비중을 차지하는 메모리 트래픽을 약 절반으로 줄인다.

vLLM에서 측정한 구성	vLLM 대비 발표된 개선 효과
디코딩 단계, 배치 크기 1	없음
SSM 커널, 배치 크기 256	1,46~1,80배 빠름
전체 디코딩 단계, 배치 크기 256	1,20~1,47배 빠름
추측 디코딩, 배치 크기 512, 120B급 모델	처리량 1,85배 및 2,10배

NVIDIA에 따르면 이 기술은 TensorRT-LLM, vLLM, FlashInfer에 통합됐으며, GLM-5.3-Flash와 Kimi-K3의 실제 운영 환경에서 사용되고 있다. 논문은 arXiv에, 코드는 GitHub에 공개돼 있다.

🔗 NVIDIA의 ReplaySSM 기술 게시글 · arXiv의 ReplaySSM 논문

/v1/systemone: transformers serve가 LLM이나 VLM을 의사결정 모델로 전환하다

10월 12일 — Hugging Face가 라이브러리에 내장된 서버인 transformers serve를 위한 /v1/systemone 엔드포인트를 Transformers에 병합했다. 서버는 응답을 생성하는 대신 모델의 로짓을 바탕으로 가능한 의사결정 후보들의 점수를 매긴다. 리산드르에 따르면 지원되는 250개의 LLM 및 VLM 가운데 어느 모델이든 텍스트를 생성하지 않고 “JEV 방식의” 의사결정 모델로 사용할 수 있다. 마크 선의 PR 49322는 현재 모든 자기회귀 모델을 지원하며, 서버에 전달되는 decision_config를 추가한다. 각 의사결정 모델이 프롬프트를 구성하고 온도를 설정하는 방식이 서로 다르기 때문이다. 마크 선은 의사결정 모델의 표준화가 “곧” Transformers에 도입될 것이라고 밝혔다. 이 기능은 아직 어떤 공개 버전에도 포함되지 않았으며, 최신 버전인 v5.19.0은 10월 6일에 출시됐다. llama.cpp는 이미 10월 2일부터 이 형식으로 서비스를 제공하고 있었다.

🔗 리산드르의 X 발표 · GitHub의 PR 49322

에이전트를 위해 재설계한 웹페이지와 파일: OpenAI의 Browser Annotation API, Perplexity Projects의 Git 호스팅 플랫폼

OpenAI와 Perplexity가 웹페이지와 파일 시스템이라는 두 익숙한 환경을 에이전트가 더 많은 맥락을 얻을 수 있도록 재구성한다.

Browser Annotation API: 사이트가 ChatGPT 브라우저의 주석 기능을 맞춤 설정하다

10월 12일 — OpenAI Developers가 ChatGPT Learn의 Annotations Extensibility 가이드에 설명된 Browser Annotation API를 소개했다. ChatGPT 데스크톱 앱에 내장된 브라우저의 주석 모드는 코드 수정 없이도 이미 모든 사이트에서 작동한다. 페이지의 일부를 선택하고 의견을 작성한 뒤, 이를 Codex나 ChatGPT Work에 맥락으로 보낼 수 있다. 보안 페이지(HTTPS 또는 localhost)에서 document.oai.annotation를 통해 제공되는 이 API를 사용하면 사이트가 선택 가능한 대상, 선택 내용과 함께 전달할 맥락, 전송 전에 변경 사항을 미리 보여주는 컨트롤을 지정할 수 있다.

가이드는 아홉 가지 연동 사례를 자세히 설명한다. 카드를 하나의 선택 가능한 객체로 만들 수 있고(oai-annotation-container, oai-annotatable), 사이트의 버튼으로 제안된 의견이 포함된 주석을 열 수 있다. 맞춤 컨트롤(registerControls())로 간격 토큰 등을 미리 확인할 수 있으며, 캔버스에 그린 객체도 선택 가능하게 만들 수 있다. 이 가이드는 앱의 DevDay 2026 버전과 이후 버전을 대상으로 한다. ChatGPT Enterprise와 Edu에서는 관리자가 이러한 맞춤 설정을 허용해야 한다. 주석은 ChatGPT가 사이트에서 수행할 수 있는 작업을 제공하는 WebMCP 사이트 도구를 보완한다.

🔗 @OpenAIDevs의 발표 · Annotations Extensibility 가이드

Perplexity Projects: 에이전트를 위한 Git 협업 플랫폼처럼 구축한 파일 시스템

10월 12일 — Perplexity가 Projects의 파일 시스템에 관한 엔지니어링 글을 공개했다. Projects는 사람과 에이전트가 장기 작업을 함께 수행하는 Perplexity Computer의 작업 공간이다. 각 에이전트는 자체 샌드박스에서 작업하고 공유 Git 저장소에 변경 사항을 기록한다. 이를 지원하는 구성 요소는 각 샌드박스의 CLI, 제어 계층, Git 서비스, AWS S3 기반 스토리지(S3Files), 문서 텍스트 추출의 다섯 가지다. 서비스는 가장 최근에 수락된 commit에서 출발한 전송만 수락한다. 그렇지 않으면 에이전트가 변경 사항을 다시 적용해 재전송하며, 병합 요청(pull request)은 필요하지 않다. 파일 작업이 많은 부하에서 약 400배 느렸던 FUSE 가상 파일 시스템은 제외됐다.

Perplexity가 공개한 지표	발표된 값
운영 환경에서 오래된 상태로 판단되어 거부된 전송	2 % 미만
전송 지연 시간 중앙값	1,7 s 미만
전송 지연 시간 p99	8 s 미만
내부 금융 질문 150개에서 grep을 사용했을 때의 정답률	0,627
인덱스 기반 의미 검색을 사용했을 때의 정답률	약 0,37

이 글은 신제품 출시 발표가 아니다. Projects는 7월부터 제공되고 있으며, Computer의 지식 위키인 Brain도 같은 인프라를 기반으로 한다.

🔗 Perplexity 엔지니어링 글

단신

Copilot CLI 1.0.96 — 안정 버전으로 전환됐으며, 새로운 내용 없이 10월 9일과 10일의 사전 출시 버전에 있던 항목 아홉 개를 그대로 포함한다. 여기에는 타임라인에 각 권한 결정의 주체를 표시하는 기능과 대소문자를 구분하지 않는 모델 식별자가 포함된다. 🔗 출처
GitHub push 실행자 기록 — 요청한 GitHub Enterprise 고객을 대상으로 제한된 공개 사전 출시가 진행 중이다. push된 각 commit에는 이를 push한 사람의 인증된 신원이 기록된다. 규칙 집합 조건인 Committer must match pusher는 committer가 해당 사용자의 검증된 이메일 주소 중 어느 것과도 일치하지 않는 push를 차단한다. 🔗 출처
초보자를 위한 Copilot 앱 — GitHub Blog 시리즈의 새 편에서는 Copilot이 프로젝트 규칙을 스스로 적용하도록 저장소에 규칙을 넣는 방법을 소개한다. 맞춤 지침, .github/skills의 에이전트 스킬, 맞춤 에이전트, Playwright 같은 MCP 서버를 다루는 튜토리얼이며, 제품의 새로운 기능은 없다. 🔗 출처
Zed 1.23.3 및 1.24.2 — 안정 버전과 사전 출시 버전에는 수정 사항(Markdown 미리보기, 편집 예측, 원격 프로젝트 선택기), Node.js v24로의 전환, 에이전트 패널의 저장 지점(checkpoints)에 관한 선택적 원격 측정만 포함된다. 🔗 출처
Codex Ambassadors — OpenAI가 이 6개월 프로그램의 지원 접수를 다시 시작했다. 매달 한 차례의 기여(행사 또는 콘텐츠)를 요구하며, 그 대가로 Pro 구독, Codex 및 API 크레딧, 승인된 행사에 대한 지원을 제공한다. 북미, 중앙아메리카, 아프리카, 중동, 동유럽을 우선한다. 🔗 출처
Hypha의 Decisions API — Hypha의 에이전트 엔지니어링 책임자 세르히 쇼호리예우는 다중 레이블 분류에서 OpenAI의 Decisions API가 F1 98,1 %를 기록한 반면 GPT-6.1 Sol 에이전트는 93,5 %를 기록했다고 밝혔다. 비용은 약 7분의 1이고 p90 지연 시간은 28배 낮았다. 공개된 방법론이 없는 고객 측 수치이며, @OpenAIDevs가 이를 공유했다. 🔗 출처
Gemini 3.5 Flash 지원 중단 예정 — 10월 8일 소식 보충: Gemini API 릴리스 노트의 같은 항목은 gemini-3.5-flash도 지원 중단 예정으로 지정했으며, 이 모델은 더 이상 Google AI Studio에서 선택할 수 없다. 해당 모델로 보내는 요청은 gemini-3.6-flash로 리디렉션되며, 서비스 종료일은 발표되지 않았다. 🔗 출처
Kimi Work 3.2.16 — 유지보수 버전이다. PDF 미리보기 엔진을 업그레이드했고, 백그라운드 작업이 내장 브라우저를 더 이상 중단하지 않도록 했으며, 부가 대화가 두 번 전송되는 문제를 비롯한 수정 사항 여덟 개를 상세히 설명했다. 🔗 출처
Genspark 장애 — Genspark가 이름을 밝히지 않은 Microsoft 서비스의 장애로 월요일에 일부 사용자가 로그인하지 못했다. Genspark는 16시 20분 UTC에 서비스 복구를 발표했으며, 영향을 받은 사용자에게 제공할 보상을 준비하고 있다. 🔗 출처
TutorMoments — Ai2가 최근 모델들을 자사의 AI 튜터 평가로 시험했다. 명시적인 지침을 주었을 때 GPT-6 Astra가 적절한 학습 지원에서 0,938, 적절한 요구 수준에서 0,915를 기록하며 Claude Sonnet 5.5와 Claude Opus 5.5를 앞섰다. 새로운 탐색 도구에서는 이들의 답변을 인간 튜터의 답변과 비교할 수 있다. 🔗 출처
UIBK-Embedding-v1 — 압델라흐만 압달라가 파라미터 1억 7,900만 개의 영어 검색 모델을 Apache 2.0으로 공개했다. 하나의 인코더에 밀집 검색과 후기 상호작용 검색(ColBERT)을 결합한 모델이다. BEIR에서 nDCG@10 59,79를 기록했으며, 공식 MTEB 결과가 모두 공개된 파라미터 10억 개 미만 모델 가운데 최고 점수라고 주장한다. 🔗 출처
Sparseup-fr — 로이크 부르두아가 Linkup의 파라미터 1억 5,000만 개 희소 임베딩 모델을 프랑스어로 재현했다. RTX 6000 Pro 한 대에서 약 55시간 동안 학습했으며, 정제된 NanoBEIR-fr에서 영어 버전의 52,40 및 51,66에 비해 56,37 및 56,50을 기록했다. 저자에 따르면 공개 희소 모델 가운데 새로운 최고 성능이다. 🔗 출처
Model Pulse — 타르델리 스테켈의 커뮤니티 도구가 2024년 7월부터 Hub 모델 164만 개의 다운로드 수와 ‘좋아요’ 수를 일별로 재구성한다. 데이터는 Apache 2.0으로 약 11억 5,000만 행의 Parquet 형식으로 공개되며 매일 업데이트된다. 🔗 출처
Hub의 contributor 권한 — Hugging Face의 세분화된 액세스 토큰과 서비스 계정 토큰에 contributor 권한을 부여할 수 있다. 이 토큰은 저장소를 생성하고 자신이 생성한 저장소에만 쓸 수 있으며, CI/CD 파이프라인, 학습 작업, 에이전트를 위한 기능이다. 🔗 출처
Microduck Arena — Pollen Robotics가 소형 이족보행 로봇의 정책을 강화학습으로 훈련한 뒤 2 m 스프린트와 언덕 오르기를 비롯한 네 가지 종목에서 달리게 할 수 있는 Hugging Face Space를 공개했다. 실제 로봇은 필요하지 않다. 🔗 출처
Relight Studio — Luma가 이미 잘 완성된 장면을 처음부터 다시 만들지 않고도 빛의 방향을 바꾸는 이 기능을 소개했다. 게시물에는 모델, 요금, 서비스 개시일이 제시되지 않았다. 🔗 출처
HeyGen Lessons — HeyGen이 교육용 서비스를 소개했다. OpenAI의 Dots가 학급의 관심을 끄는 요소를 파악해 수업을 조정하고, HeyGen의 MCP가 교사의 아바타와 목소리로 이를 영상화한다. 게시물에는 링크, 요금, 날짜가 제시되지 않았다. 🔗 출처
부동산 중개인과 그의 아바타 — HeyGen의 사례 연구에 따르면, 화재로 촬영 장소를 잃은 밴쿠버의 한 부동산 중개인은 자신의 아바타로 하루 두 개의 Reels를 게시하며 10개월 만에 Instagram 팔로워를 네 배로 늘렸다. 🔗 출처
x.ai, SpaceXSI로 전환 — 10월 12일 사이트 확인에서 발견됐으며, 출처에는 발표나 날짜가 없다. x.ai의 홈페이지, 소식, API 문서(‘SpaceXSI Docs’)는 이제 Grok 4.7 소개 페이지까지 SpaceXSI 브랜드를 사용한다. 10월 10일에는 여전히 SpaceXAI가 표시돼 있었다. 🔗 출처

이 소식이 의미하는 것

오늘의 수치들은 누가 측정했는지 살펴봐야 한다는 점을 보여준다. Meta는 자체 측정 결과를 이미지로 공개하며 자사 지표에서 Muse Wonder Full을 1위에 놓았다(Claude Opus 5.5의 55,2에 비해 59,1). 그러나 같은 표의 Artificial Analysis Index에서는 Opus 5.5가 우위를 유지한다(56에 비해 58). Z.ai는 게시물의 그래프에서 GLM-Legal을 경쟁 모델과 비교하며 점수를 공개하지 않은 채 LegalBench에서 동등한 성능을 주장하고, Fin은 Apex 2.0을 자사의 이전 버전과 비교해 측정한다. FrontierCode의 독립 순위는 실제 수준을 가늠하게 한다. 최고 모델도 52,2 %에 머물며, GPT-6.1 Sol의 작업당 0,81달러에서 Opus 5.5의 10,15달러까지 벌어지는 비용 차이는 순위만큼 눈에 띄는 기준이 된다.

인프라에서는 칩을 둘러싼 모든 요소에서 개선이 나온다. NVIDIA의 OCP 기여는 전력 공급(최대 250 kW 랙, 5 000 A 버스바, 전력망 이상 후 2초 이내에 거의 최대 부하로 복귀)과 네트워크를 다룬다. 네트워크에는 Meta의 102,4 Tb/s Spectrum-6와 레인당 400 Gb/s의 USFP가 포함된다. 소프트웨어도 같은 원리를 따른다. ReplaySSM은 SSM 계층의 메모리 트래픽을 약 절반으로 줄이고, QwenGyre는 긴 궤적이 끝나기를 기다리던 GPU를 다시 작업에 투입한다. NVIDIA는 AMD, Google, Meta, Microsoft가 공동 서명한 표준과 함께 자사의 설계를 OCP에 제공하며, 제조업체에 AI 공장을 위한 공통 기반을 제공하겠다는 목표를 내세운다.

에이전트에게는 에이전트를 염두에 두고 설계한 환경이 제공된다. 이제 웹페이지는 사용자가 ChatGPT 브라우저에서 무엇을 선택할 수 있는지, 그리고 선택 항목과 함께 어떤 맥락을 에이전트에 전달할지 정할 수 있다. Perplexity 프로젝트는 각 에이전트에 샌드박스와 공유 Git 저장소를 제공하고, Amp는 에이전트가 만든 pull request의 리뷰와 CI 결과를 에이전트 대화 흐름으로 가져온다. 탐색 방식도 결과에 영향을 준다. Perplexity에서는 작업 사본을 grep으로 탐색하는 에이전트가 정답률 0,627을 기록한 반면, 의미 검색은 약 0,37을 기록했다. LightOn에서는 작은 로컬 에이전트에 검색을 맡기면 정확도의 유의미한 손실 없이 grep 대비 Claude Code의 API 토큰 사용량을 34 % 줄일 수 있었다.

Frontier Red Team의 연구는 이러한 자율성의 이면을 보여준다. 낯선 하드웨어에 모델을 설치하거나 다음 에이전트에 메모를 전달하는 등 에이전트를 유용하게 만드는 능력은 웜이 적응할 수 있게 하는 능력이기도 하다. 9B 모델은 하드웨어 9종 가운데 8종에서 추론을 실행하며, 메모를 물려받으면 성공률이 45 %에서 61-84 %로 높아진다. Anthropic은 아직 완전한 자기 복제 개체를 제시하지 않았으며, 감염된 기기 하나가 평균적으로 다른 기기 하나 미만을 감염시키도록 인터넷 서비스 제공업체의 모니터링에 기대를 걸고 있다. 한편 Meta는 Muse Wonder가 사이버 및 CBRN 악용에 대해 자사에서 가장 강력한 보호 장치를 갖췄다고 주장하지만, 상세한 안전 보고서는 추후 공개할 예정이라고 안내한다.