Anthropic 기술직 채용의 주니어 비중 27 %에서 9 %로 하락, DeepSeek V4.1-Flash-1017 공개, Claude Code 응답 시작 속도 세 배 향상

Anthropic이 자사 조직을 연구 대상으로 삼았다. 기술직 채용에서 주니어가 차지하는 비중은 27 %에서 9 %로 줄었고, 직원들이 실행한 에이전트의 8월 작업 시간은 직원 근무 시간의 여섯 배에 달했다. 또한 직원의 91 %는 인공지능이 2030년까지 노벨상에 걸맞은 발견을 할 수 있다고 보는 반면, 미국인 가운데 그렇게 생각하는 비율은 39 %였다. DeepSeek은 MIT 라이선스로 V4.1-Flash-1017을 공개했다. 요금은 그대로 유지하면서 DeepSWE v1.1에서 GPT-5.6 Sol과 Claude Opus 5를 앞섰으며, 웹 검색 API인 Search와 Fetch도 모든 사용자에게 개방했다. Google Research의 에이전트는 실험실 로봇을 제어해 종양 표적에 나노몰 수준의 결합력을 보이는 단백질 결합체를 얻는 데 기여했다. Claude Code는 8월보다 세 배 빠르게 응답을 시작하며, NVIDIA는 개발자용 RTX Spark PC를 상세히 소개했다.

Anthropic의 자사 고용 연구: 기술직 채용에서 주니어 비중 9 %로 하락, 직원들의 인공지능 기대는 미국인보다 훨씬 높아

10월 16일 — Anthropic 경제팀이 회사 자체를 연구 대상으로 삼은 The Anthropic Institute의 보고서 두 편을 발표했다. 첫 번째 보고서 「Anthropic에서 고용은 어떻게 달라지고 있는가」(Anthropic의 고용 변화)는 인력 규모, 인공지능 사용, 생산량, 일정, 채용 결정 등 내부 데이터와 직원 인터뷰 17건을 교차 분석했다. 두 번째 보고서 「인공지능에 대한 기대의 격차」(인공지능 기대 격차)는 Morning Consult가 8월 미국 성인 10 980명을 대상으로 실시한 설문과 직원 1 334명을 대상으로 한 내부 설문을 비교했다. 9월에 진행한 2차 조사에서도 비슷한 결과가 나왔다.

Anthropic에서 추적한 지표	측정된 변화
기술직 채용에서 주니어가 차지하는 비중	27 %에서 9 %로
기술 부서에서 주니어가 차지하는 비중	2025년 초 이후 21 %에서 14 %로
직원 근무 1시간당 대화형 에이전트의 작업 시간	2026년 8월 6시간
엔지니어당 커밋 수	6개월 전 속도의 5배
비기술 직군의 월간 코딩 세션 수	2(2025년 8월)에서 90(2026년 5월)으로

초보 인력의 감소가 가장 뚜렷한 결과이며, 인공지능이 그 원인이라는 응답도 있었다. 2026년 4월, 기계 학습 관리자 약 3분의 1과 소프트웨어 엔지니어링 관리자 약 5분의 1은 인공지능 때문에 채용을 줄이고 있다고 답했다. 한편 에이전트의 비중은 커졌다. 2026년 3월에는 에이전트의 누적 작업 시간이 처음으로 직원들의 근무 시간을 넘어섰다. 코딩 에이전트 사용으로 전환한 엔지니어 192명은 전환하지 않은 74명과 비교했을 때 추가한 코드 양이 급증했으며, 에이전트가 작성한 코드가 나중에 삭제되거나 되돌려지는 빈도가 더 높지는 않았다.

반면 사람의 주의력이 병목으로 떠올랐다. 대화형 세션은 응답을 기다리느라 약 80 %의 시간 동안 비활성 상태로 머물며, 세션에서 생성한 내용을 모두 읽으려면 주간 근무 시간의 절반 이상이 필요하다. 에이전트용 명세를 작성하거나, 한 에이전트의 결과를 다른 에이전트가 검토하게 하거나, 처리 흐름을 감시하는 메타 작업(업무를 관리하는 업무)은 2025년 가을부터 2026년 봄 사이 전체 세션의 10 %에서 22 %로 늘었다. 직원별 회의 시간의 중앙값도 1년 전보다 20 % 증가했다. 채용 평가에서는 자율성과 판단력을 더 중시하고 있다. Anthropic은 영향을 받을 수 있는 직무에 대한 조기 경보 시스템(조기 경보 체계)을 구축하고 있으며 내부 재배치를 우선한다고 밝혔다.

두 번째 보고서에 따르면 직원과 일반 대중은 인공지능의 현재 능력에는 의견이 일치하지만, 발전 속도에 대해서는 그렇지 않다.

2030년을 기준으로 측정한 응답	설문에 참여한 미국인	Anthropic 직원
노벨상에 걸맞은 발견이 가능하다고 판단	39 %	91 %
자신의 업무 중 인공지능이 수행할 수 있는 비중(평균)	28 %(취업자)	75 %
응답에서 도출한 국내총생산 성장률(중앙값)	5,4 %	17,1 %

그런데 두 집단의 추론 방식은 같다. 인공지능이 자신의 업무에서 더 큰 비중을 수행할 것으로 생각할수록 실업률도 높게 예상한다. 인공지능이 자기 업무의 80 % 이상을 수행할 수 있다고 보는 미국 근로자들은 2030년 실업률을 현재 4,2 %보다 높은 12,2 %로 전망했다. 국내총생산 성장률은 Anthropic이 9월에 제시한 경제 시나리오 모델에서 도출했다. 마지막으로 직원 응답의 중앙값을 보면, 인공지능이 이미 최첨단 모델 구축 작업의 51 %를 수행하고 있으며 2030년 말에는 95 %를 수행할 것으로 예상한다. 보고서는 이 수치가 설문으로 수집한 개인적 견해이며 회사의 전망은 아니라고 명시했다.

🔗 Anthropic의 고용 변화 · 인공지능 기대 격차 · 소개 글

개방형 모델: DeepSeek, V4.1-Flash-1017 공개와 Search 및 Fetch API 개방, NVIDIA 파트너들은 Nemotron 3.5 Super VL 사후 학습

10월 17일 — DeepSeek이 DeepSeek-V4.1-Flash-1017을 공개했다. 이는 9월 10일 출시한 파라미터 5,520억 개 규모의 MoE 방식 멀티모달 모델 V4.1-Flash의 새 버전이다. 모델 설명서는 이를 소규모 업데이트(경미한 업데이트)라고 소개하지만, 에이전트 작업에서의 격차는 뚜렷하다. DeepSWE v1.1 점수는 이전 버전의 74,2 %에서 77,0 %로, Terminal-Bench 4.0 점수는 31,2에서 42,3으로 올랐다. 가중치는 Hugging Face와 ModelScope에 MIT 라이선스로 공개됐으며, 웹사이트와 앱, API에서 모델을 사용할 수 있다.

Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost.

🇰🇷 이전 버전보다 더 높은 점수, 더 빠른 작업 완료, 더 짧은 출력: 성능과 비용의 파레토 개선. — X의 @deepseek_ai

요금은 바뀌지 않았다. 이제 deepseek-flash라는 이름으로 이 버전이 제공되며, 문맥 길이는 100만 토큰, 최대 출력은 384K 토큰이다. 기존 이름인 deepseek-v4-flash와 deepseek-v4-flash-vision-exp도 계속 사용할 수 있지만, 이 이름으로 보낸 요청 역시 V4.1-Flash-1017에서 처리된다. 요금 페이지에는 9월 13일과 마찬가지로 혼잡 시간대 기준 입력 토큰 100만 개당 0,30달러(캐시 미적중), 출력 토큰 100만 개당 1,20달러가 표시돼 있으며, 비혼잡 시간대에는 절반 가격이 적용된다. 따라서 비용 절감은 더 짧아진 응답에서 비롯된다. 이미지로만 확인할 수 있는 버전 안내 그래프에서 max 설정은 작업당 약 0,2달러로 DeepSWE v1.1에서 77,0 %를 기록해 다른 모든 지점보다 높은 위치에 있다. 가장 가까운 GPT-6.1 Sol은 약 0,65달러에 약 75 %에서 최고점을 보인다. 반면 GPT-6 Astra, Gemini 3.8 Flash, Claude Opus 5, Claude Fable 5의 최고점은 약 70 %에서 74 % 사이이며, 작업당 비용은 약 2달러에서 15달러다.

평가 벤치마크	V4.1-Flash-1017	V4.1-Flash	K3	GLM-5.3	GPT-5.6 Sol	Opus 5
도구 없는 HLE	42,6	36,8	43,5	42,0†	44,5	56,3
Terminal-Bench 4.0	42,3	31,2	12,6	37,9	39,9	51,8
DeepSWE v1.1	77,0	74,2	67,5	66,9	73,0	74,0
ProgramBench	29,1	20,3	17,5	19,0	23,0	37,0
NL2Repo-Bench	68,2	65,4	58,0	58,0	56,8	75,3
Automation-Bench v1.0.6	60,5	54,8	46,7	48,8	45,8	50,3
Agents’ Last Exam	35,4	31,8	27,6	28,5	26,7	28,6
Apex Bench v1.1	72,1	64,6	47,8	56,6	54,3	65,8

† : HLE의 텍스트 하위 집합으로, GLM-5.3에 대해 제시된 유일한 점수다(이 항목에서 V4.1-Flash-1017은 44,0을 기록했다). 출처: Hugging Face 모델 설명서.

폐쇄형 모델의 경우 표에는 GPT-5.6 Sol과 Claude Opus 5만 포함돼 있으며, 후속 모델은 없다. V4.1-Flash-1017은 DeepSWE v1.1, Automation-Bench, Agents’ Last Exam, Apex Bench에서 이들을 앞선다. 그러나 도구 없는 HLE에서는 Opus 5보다 뒤처지며, GPT-5.6 Sol도 42,6 대비 44,5로 앞선다. Terminal-Bench 4.0, ProgramBench, NL2Repo-Bench와 모델 설명서에 있는 도구 사용 시각 벤치마크 세 가지(Chartography, BabyVision, ZeroBench-main)에서도 Opus 5보다 낮다. 개방형 모델인 K3 및 GLM-5.3과 비교하면 도구 없는 HLE에서만 K3에 42,6 대 43,5로 뒤진다. DeepSeek은 이러한 발전을 전체 프로젝트를 대상으로 한 자기 평가 기반 강화 학습(자체 피드백을 활용한 강화 학습)의 결과로 설명하며, DeepSeek Harness, Tencent CodeBuddy, WorkBuddy에 맞춰 모델을 최적화하고 있다. 로컬 실행과 관련해서는 Jinja 형식의 대화 템플릿 대신 프롬프트 형식의 Python 참조 구현을 제공하고, 최소 256K 토큰의 출력 한도를 권장한다. 이번 버전에는 새로운 기술 보고서가 첨부되지 않았다.

🔗 DeepSeek 버전 안내 · Hugging Face 모델 설명서

Search와 Fetch: DeepSeek, 성공한 요청 1 000건당 0,75달러에 웹 검색 API를 모든 사용자에게 개방

10월 17일 — 같은 연속 게시물에서 DeepSeek은 API 사용자 모두에게 웹 검색 서비스 두 가지를 개방했다. Search는 DeepSeek의 자체 검색 엔진에 질의한다. DeepSeek에 따르면 이 엔진은 하루 수억 건의 요청을 처리하며, 구조화된 결과를 반환한다. 각 결과에는 0부터 3까지의 관련성 점수, 모델용으로 작성한 600~800자 요약, 게시 날짜, 0부터 4까지의 신뢰도 등급이 포함된다. Fetch는 대상 사이트의 접근 규칙을 준수하면서 페이지를 가져와 Markdown으로 변환한다.

서비스 항목	DeepSeek이 명시한 값
각 API의 요금	성공한 요청 1 000건당 0,75달러
계정당 한도	각 API에서 초당 요청 5건
검색당 결과 수	1~50개(기본값 10개)
Harness, Claude Code, Codex에서의 호출	10월 31일 16시 UTC까지 무료

결과가 있는 응답에만 요금이 부과된다. 실패한 요청, 결과가 없는 검색, 시간 초과는 무료이며, 요청한 결과 개수에 따라 가격이 달라지지 않는다. DeepSeek Harness, Claude Code 또는 Codex에서 호출하는 DeepSeek API의 서버 측 도구는 이미 이 API들을 기반으로 작동하고 있었으며, 이러한 호출은 10월 31일까지 계속 무료다. Harness v0.2.1-rc.2는 웹 검색 설정에 Search와 Fetch를 통합했다.

🔗 Search 및 Fetch 안내 · @deepseek_ai의 발표

Nemotron 3.5 Super VL: NVIDIA 파트너들의 사후 학습으로 특정 작업에서 더 비싼 폐쇄형 모델 수준에 도달

10월 16일 — 이곳에서 10월 15일 소개한 파라미터 1,200억 개(활성 파라미터 120억 개)의 개방형 모델 Nemotron 3.5 Super VL 출시 다음 날, NVIDIA가 파트너 게시물 21개를 인용한 연속 게시물을 공개했다. 인용된 게시물 대부분은 출시 당일 작성됐다. 상당수는 특정 작업에 맞춰 사후 학습한 모델의 결과를 보여 주며, 각자 자체 평가로 측정한 수치다. NVIDIA는 공통된 방법론 없이 이를 소개했다.

인용된 파트너	사후 학습한 용도	파트너가 발표한 결과
AfterQuery(Hebbia와 협력)	전문가 수준의 신용 평가 작업	완벽히 해결한 작업 비율 47 %에서 74 %로 증가, 비교한 폐쇄형 모델 비용의 약 1/7
Trajectory	Harvey의 Legal Agent Bench	Opus 4.7 수준, 토큰 100만 개당 1,34달러로 비교 대상의 15달러 대비 저렴
Alex Dimakis	자율 기계 학습 연구원	AutoResearchExam에서 28 %에서 35 %로 상승, 규모가 20배 큰 Qwen 3.8 Max 수준
Handshake	생명과학 문서	전문가 데이터 2 000개 이상으로 정확도 두 배 향상
Multiverse Computing	모델 압축	Comet 60B, 파라미터 수는 절반이며 원래 정확도와의 차이는 5 % 미만

연속 게시물은 모델을 중심으로 형성되는 도구 생태계도 보여 준다. Tinker, River API, Applied Compute의 AC2, ModelScope(BF16 및 NVFP4 가중치)에서 모델을 제공하고, SFT 및 RL 반복 학습을 위한 Fastino Training API를 출시했으며, Mindbeam의 Litespark 엔진으로 H200 GPU 두 개에서 사용자당 초당 962토큰을 제공한다.

🔗 @NVIDIAAI의 연속 게시물

실험실로 간 에이전트: Google Research, 피펫팅 로봇을 맡겨 종양 표적에 대한 나노몰 수준의 결합체 확보

10월 16일 — Google Research가 과학자의 지휘 아래 AI 에이전트를 습식 실험실(wet lab)의 실험대까지 이끄는 연구 세 편을 공개했다. 에이전트는 이제 분자 설계에 그치지 않고 실험을 시작하고, 결과를 읽고, 방법을 수정한다.

첫 번째 기반 기술인 VERID(VERified Infrastructure for Discovery Laboratories)는 오픈 소스 프레임워크 PyLabRobot을 기반으로 구축한 로봇 피펫팅 작업대의 디지털 트윈이다. 로봇 팔, 각 웰의 액체 부피, 시약과 사용 가능한 팁을 실시간으로 추적하고, 각 프로토콜을 몇 초 안에 시뮬레이션으로 예행연습하며, 물리적으로 불가능한 명령을 차단한다. 보고된 사례에서는 시뮬레이터가 너무 좁은 용기에서 8채널로 액체를 흡입하는 동작을 거부했다. 에이전트는 계획을 수정한 뒤 팁이 남긴 오염에 따른 편향을 분리해 확인하는 요인 실험을 설계했다.

에이전트와 수행한 실험	Google Research가 보고한 결과
α-트롬빈 표적 압타머, 세 차례 반복	확인된 결합체 비율 0 %, 이후 26,0 %, 이후 42,1 %, 특이도 98,5 %
미오글로빈 표적 압타머	특이도가 75,0 %에서 19,1 %로 하락한 뒤 72,4 %로 회복; 3차 반복에서 결합체 비율 33,5 %
FAP를 표적으로 새로 설계한 단백질 결합체	한 자릿수 나노몰 수준의 친화도, 구조 예측 속도 8,6배 향상
동일한 연산량에서 인간과 에이전트의 협업	과학자 단독 작업 대비 컴퓨터 시뮬레이션상 성공률 거의 두 배

미오글로빈 사례는 폐쇄 루프 학습을 보여 준다. 두 번째 반복에서 에이전트는 무엇에나 결합하는 G-quadruplex 모티프를 선택했지만, 실험실 데이터에서 특이도가 급락한 것을 확인하고 스스로 설계 규칙을 다시 작성했다. 고형 종양에서 과발현되는 수용체인 FAP를 대상으로는 구조 예측 과정에서 결합 부위만 남기는 파이프라인을 사용했다. Google은 감염성이 없는 생물학적 시스템, 각 서열의 생물안전성 검사, 실행 전 필수 시뮬레이션, 인간의 감독 등 안전장치를 상세히 설명했지만, 에이전트를 구동하는 모델은 밝히지 않았다.

🔗 Google Research 게시글 · VERID (PDF) · 압타머 샌드박스 (PDF) · 에피토프 절제 (PDF)

코딩 에이전트: Claude Code의 응답 시작 속도 세 배 향상, 2.1.302에서 fork 하위 에이전트 기본 활성화 확대, Replit은 고객 클라우드에 진출

10월 16일 — @ClaudeDevs가 Claude의 응답이 더 일찍 시작된다고 발표했다. Claude Code에서는 매 대화 차례마다 모델에 보내는 대화를 이제 gzip으로 압축해 더 빠르게 전달하며, 사용자가 요청을 입력하기 시작하는 즉시 클라우드 세션을 시작한다. 발표에 첨부된 표는 8월과 10월 사이 첫 토큰까지의 대기 시간을 비교한다.

측정 환경	2026년 8월	2026년 10월	발표된 향상 폭
Claude Code, 로컬 세션	4,07 s	1,33 s	3배
Claude Code, 클라우드 세션	16,99 s	6,00 s	2,8배
Claude, 채팅 및 Cowork	3,36 s	2,17 s	1,5배
Claude API, 모델 처리 시간 포함(중앙값)	1,53 s	1,01 s	1,5배

첫 세 행은 모델의 연산 시간을 제외한 90백분위 수치다. 압축 자체가 완전히 새로운 기능은 아니다. Claude Code 2.1.300은 이미 10월 14일부터 api.anthropic.com으로 보내는 대용량 요청에 압축을 적용했으며, CLAUDE_CODE_GZIP_REQUEST_BODIES=0 변수로 이를 끌 수 있었다. 클라우드 세션 조기 시작 기능에는 버전 번호가 명시되지 않았다.

🔗 @ClaudeDevs의 발표

Claude Code 2.1.302: 터미널 외 환경에서도 fork 하위 에이전트 기본 활성화, 자동 모드 분류기 모델 선택, 오류 43건 수정

10월 16일 — 2.1.301 출시 다음 날 나온 Claude Code 2.1.302는 변경 사항 63건 중 43건이 오류 수정이며, 기존에 터미널에서만 적용되던 동작을 다른 환경으로 확대한다. 이제 claude -p, Agent SDK, 데스크톱 앱과 VS Code에서 fork 하위 에이전트가 기본으로 활성화된다(CLAUDE_CODE_FORK_SUBAGENT=0으로 비활성화 가능). 또한 데스크톱 앱과 VS Code는 주 대화의 하위 에이전트를 항상 백그라운드에서 실행한다.

적용 영역	2.1.302의 변경 사항
자동 모드	`CLAUDE_CODE_AUTO_MODE_MODEL`으로 클라이언트에서 실행되는 분류기의 모델 선택
`/config` 명령	Idle compaction 항목에서 유휴 상태 압축을 끄거나 다시 활성화
타사 제공업체	모드를 지정하지 않으면, 원격 측정이 꺼져 있거나 새로 설치한 경우 `claude -p`과 Agent SDK가 `default` 모드로 시작
프롬프트 및 에이전트 훅	이벤트당 동시 실행 최대 12개
Read 도구	128 Mo를 초과하는 이미지를 메모리에 불러오는 대신 거부

그 밖의 수정 사항으로, 일부 단계가 실패한 예약 작업을 처음부터 다시 실행하지 않도록 했다. 이전에는 이로 인해 같은 보고서가 두 번 게시될 수 있었다. 또한 exFAT 또는 FAT32 디스크가 Windows에서 쓰기 작업을 차단하던 문제도 해결했다.

🔗 Claude Code 2.1.302 출시 안내

Replit Bring Your Own Cloud: 고객의 Azure, Google Cloud 또는 AWS 공간에서 플랫폼 실행, Power 모드에 Claude Haiku 5.5 추가

10월 16일 — Replit이 기업의 Microsoft Azure, Google Cloud 또는 Amazon Web Services 클라우드 공간(tenant)에서 Replit 전체 또는 일부를 실행하는 Bring Your Own Cloud(BYOC)를 출시했다. 개발자의 사용 방식은 그대로다. 여전히 같은 Publish 버튼으로 게시한다.

배포 옵션	고객 환경에서 실행되는 항목	제공 단계
Full BYOC	Agent 하니스를 포함한 플랫폼 전체와 게시된 애플리케이션	비공개 미리 보기
BYOC for Published Apps	게시된 애플리케이션만 실행하며, 개발 환경은 Replit에 유지	사전 이용
Image Exports	고객 팀이 배포하는 Docker 이미지, Terraform 파일 및 SBOM	사전 이용

터널은 외부로 나가는 연결만 허용하며 이중 mTLS 암호화를 사용한다. 고객 관리 암호화 키(CMEK)는 완전한 물리적 격리 계약에서만 제공된다. 문서에는 한계도 명시되어 있다. 제어 영역은 Replit에 남고, Full BYOC는 외부와 단절된(air-gapped) 설치나 완전히 자체 호스팅하는 Replit이 아니며, 모델 추론도 계속 Replit이 제공한다. 가격은 공개되지 않았다. 같은 날 변경 기록에는 Core와 Pro 요금제의 Power 모드 모델 선택기에 Claude Haiku 5.5를 추가했다는 내용도 담겼다. 해당 선택기에는 10월 2일 Claude Sonnet 5.5가 먼저 추가되었다.

🔗 Replit 게시글 · BYOC 문서 · 10월 16일 변경 기록

RTX Spark: NVIDIA, 개발자용 PC 상세 공개… JetBrains의 Junie Local 지원과 Core Ultra X9 388H 대비 성능 향상 발표

10월 16일 — 10월 13일 출시 소프트웨어를 소개했던 NVIDIA가 RTX Spark 노트북 출시 당일 기술 블로그에서 개발자에게 제공하는 이점을 설명했다. 최대 128GB의 통합 메모리에서 로컬로 실행되는 코딩 에이전트를 활용해 하나의 PC에서 코딩, 테스트, 배포를 수행할 수 있다. 노트북은 현재 구매할 수 있으며, 11월에는 상시 실행되는 에이전트에 적합한 소형 데스크톱도 출시될 예정이다.

작업 부하	NVIDIA가 사용한 테스트	Core Ultra X9 388H 대비 발표된 향상 폭
코딩 에이전트	Qwen3.8-27B를 사용한 AA-AgentPerf-local	4,6배
미세 조정(LoRA)	Llama-3.1-8B에 Unsloth 사용	2,7배
컴파일	Linux 커널, Phoronix Test Suite	1,8배

이 수치는 NVIDIA가 Intel의 Panther Lake 12Xe 칩을 상대로 측정한 결과다. 소프트웨어 측면에서는 Microsoft와 공동 개발한 Windows Developer Config가 주요 개발 프레임워크를 설치하고 알림을 끄며 터미널을 개선한다. Windows on Arm에서는 2 000개 이상의 Conda 패키지를 바로 사용할 수 있고, 가장 많이 쓰이는 Python 패키지 15 000개 중 97 % 이상에 Arm 버전이 있다. JetBrains는 GPU 메모리에 맞춰 컨텍스트 창 크기를 조절하는 Junie Local의 네이티브 지원을 시작한다. GitHub Copilot은 llama.cpp와 함께 Windows ML을 통해 로컬에서 실행되며, AI for Media SDK의 영상 초해상도, 중간 프레임 생성, TrueHDR 기능은 PyPI에 Python 패키지로 제공된다.

🔗 NVIDIA 기술 블로그 게시글

단신

에이전트와 코딩 도구

10월 16일 Devin 릴리스 노트 — 15일에 다룬 14일자 릴리스 노트에 이어 Cognition이 19개 항목을 발표했다. GitLab 병합 요청에서 사용하는 /devin 명령, Devin Review의 Bitbucket Cloud 병합 상태, 5개 코드 호스팅 서비스의 풀 리퀘스트 검색, 이슈와 레이블용 내장 도구, 이미 설치된 서버의 연결을 유지하면서 기존 MCP 마켓플레이스를 숨기는 Enterprise 설정 등이 포함됐다. 🔗 출처
Copilot CLI 1.0.100-1 — 전날 다룬 1.0.100-0이 나온 지 2시간 반 만에 공개된 두 번째 사전 공개 버전이다. 통합 세션 탐색기를 /sessions, /session, /resume의 기본 화면으로 설정하고 음성 받아쓰기의 언어 표식을 제거했다. 10월 14일의 1.0.98 이후 정식 버전은 아직 없다. 🔗 출처
Gemini CLI, 10월 17일 야간 빌드 — 3월과 4월에 등록된 이슈를 해결하는 수정 사항 4건이 포함됐다. 자동 업데이트는 이제 PATH에 여러 설치본이 공존할 때 성공했다는 잘못된 안내를 반복하는 대신 실제로 실행된 바이너리를 확인한다. keybindings.json은 keys 배열을 허용하며, ACP, systemd 또는 컨테이너 환경에서도 종료 신호가 자식 프로세스에 전달된다. 🔗 출처
Antigravity CLI 1.4.0 및 Antigravity 앱 2.24.0 — 10월 15일과 14일 소식을 보충한다. CLI는 터미널 탭에 상태를 표시하고(OSC 7501 시퀀스), 실제 로딩 규칙에 맞게 agy plugin validate를 재구성했다. 앱은 10월 13일에 다룬 2.23.0에 이어 측면 패널을 개편하고 /compact를 추가했으며, 자동화마다 Flash Lite, Flash 또는 Pro를 선택할 수 있게 했다. 🔗 출처
DeepSeek Harness 0.2.1-rc.1 및 rc.2 — 0.2.1 계열의 첫 번째와 두 번째 출시 후보 버전이다. rc.1은 alpha.1부터 alpha.5까지의 사전 공개 버전 변경 사항을 통합했고, rc.2는 V4.1-Flash-1017과 Search 및 Fetch API를 지원한다. 저장소에는 8월 17일 이후 31개 버전이 게시됐으며, 모두 사전 공개 버전이다. 🔗 출처
bun lint — 10월 15일 소식을 보충하면, 2025년 말 Anthropic에 인수된 Bun이 다음 버전에 ESLint 호환 린터를 도입한다고 발표했다. 내장 규칙이 1,000개 이상이며 eslint와 oxlint 설정을 읽는다. ESLint보다 26배 빠르다고 발표했으며, 측정한 저장소 5개에서는 11~43배 빨랐다. 출시일은 아직 정해지지 않았다. 🔗 출처

기업 및 개발자 환경의 OpenAI

Itaú와 ia.i — OpenAI의 사례 연구에 따르면, 브라질 은행 Itaú는 텍스트나 음성으로 대화하는 인터페이스 ia.i를 약 300,000명의 고객에게 제공하며 2026년 말까지 전체 고객으로 확대할 계획이다. GPT-5.x 모델들이 Customer DNA(고객 약 7,000만 명)를 구동하며, 여러 공급자를 지원하는 플랫폼 IARA는 9,000만 건 이상의 문서를 다루는 법률 솔루션을 운영한다. 🔗 출처
Benefit Street Partners와 Codex — 이 신용 투자 전문 운용사에서 운용역 아난트 쿠마르는 하루 만에 대출 가치 평가 추적 도구의 첫 버전(총 개발 시간 10~12시간)과 GPT-6 Astra로 리팩터링한 대출 계약 분석기를 만들었다. 며칠에서 몇 주씩 걸리던 투자위원회의 질문을 이제 하루 안에 처리한다. 🔗 출처
ChatGPT Enterprise 및 Edu — 관리자가 관리하는 동기화 커넥터가 종료되고, 새로운 콘텐츠 제어 기능을 갖춘 Google Drive, SharePoint, Microsoft Teams 실시간 앱으로 대체된다. 관리 콘솔의 외부 액세스 페이지에서는 Sign in with ChatGPT, 연결된 앱, Ads 데이터에 대한 접근을 한곳에서 관리한다. 🔗 출처
공급자 간 전환 — 10월 14일 소식을 보충하면, OpenAI Developers 블로그가 OpenAI의 직접 API와 Amazon Bedrock 또는 Azure OpenAI에서 제공되는 OpenAI 모델 간 전환 방법을 설명했다. 기한 준수를 위협하는 일시적 오류나 요청 제한이 발생할 때만 전환하며, 잘못된 요청, 거부, 할당량 소진 시에는 전환하지 않는다. Codex 프롬프트는 기본적으로 비활성화된 전환 기능을 추가한다. 🔗 출처
Codex로 만든 하드웨어 프로젝트 — OpenAI Developers가 투표순으로 정렬된 커뮤니티 프로젝트 20개의 갤러리를 소개하고 새 프로젝트도 접수한다. 오래된 Kindle을 AI 사용량 대시보드로 바꾼 사례부터, 제작자에 따르면 KiCad 배선부터 JLCPCB 발주까지 Astra가 회로 설계를 맡았다는 DEFCON 배지까지 있다. 🔗 출처

API, 모델과 웹 검색

Perplexity의 Agent API — 기존 모델 16종(Claude 4.x 7종, Gemini 3.x 5종, Grok 4.x 4종)이 문서, 계산기, 예제에서 빠졌지만, 공지에는 해당 식별자가 더 이상 응답하지 않는다는 설명은 없다. GPT-6 Astra(토큰 100만 개당 입력 10달러, 출력 50달러)와 DeepSeek V4 Pro(각각 1.32달러와 3.96달러)가 새로 추가됐다. 🔗 출처
OpenRouter의 pplx-decider-v1.2 — 10월 16일 가중치와 함께 공개된 Perplexity의 의사결정 모델 2종이 같은 날 OpenRouter에도 추가됐다. 입력 토큰 100만 개당 비용은 27B가 0.02달러, 4B가 0.01달러이며 출력은 무료다. 10월 7일의 v1.1처럼 문맥 길이는 262K다. 🔗 출처
Embed 5 Fast와 EmbeddingGemma 2 비교 — Cohere는 163개 데이터셋 중 95% 이상에서 Google 모델을 앞선다고 주장하지만, 자체 평가 방식인 RCP-nDCG@10을 사용했다. 표준 nDCG@10 기준의 ViDoRe v3 그래프에서는 59.3 대 47.6으로 나타난다. 데이터셋 목록은 공개하지 않았으며, 유료 API 모델과 매개변수 740M개의 개방형 모델을 비교한다. 🔗 출처
SpaceXSI TypeScript SDK 0.2.4 — 별도 발표 없이 responses.create()의 guidelines 매개변수, 모델 출력에 대한 범주별 지침(특정 범주 거부, 자해 상황에서 지원 제안), 21:9와 5:2 동영상 형식, grok-voice-3.0과 grok-voice-2.0 식별자를 추가했다. 또한 Live Search 대신 web_search와 x_search을 사용하도록 권장하며 Live Search를 사용 비권장 기능으로 표시했다. 🔗 출처
AI Mode 및 AI Overviews — 10월 15일 소식을 보충하면, Google이 생성형 답변에 더 많은 링크를 삽입하고 이를 더 위쪽에 배치했다. 올해 초보다 사용량이 7배 넘게 늘어난 선호 출처(Preferred Sources)를 강조하는 뉴스 캐러셀을 더 많은 국가와 언어로 확대하고, 공식 페이지 전용 섹션도 시험하고 있다. 🔗 출처

개방형 모델과 커뮤니티 연구

FLUX 3 Image Klein — 모델 출시 이틀 후 Black Forest Labs가 워크플로를 수정하고(ComfyUI v0.41.3, Hugging Face Space 업데이트), 2K에서 자체 프롬프트 확장 기능을 사용할 것을 권장했다. 이 기능 없이 사용할 수 있도록 권장 시스템 프롬프트도 GitHub에 공개했다. 🔗 출처
Hub의 작성자별 필터 — Hugging Face의 모델 및 데이터셋 페이지를 사용자나 조직별로 필터링할 수 있게 됐다. 각 프로필에 추가된 새 버튼으로 접근할 수 있으며, 작업, 크기, 라이브러리, 라이선스 필터를 추가할 때도 카드에 현재 탐색 중인 계정이 표시된다. 🔗 출처
Ammu-1.0-OffOnTopic-Guardrail — 칼리안 케이에스가 시스템 프롬프트로 정한 범위를 요청이 벗어나는지 판단하는, 매개변수 150M~17M 규모의 분류기 4종을 MIT 라이선스로 공개했다. 저자에 따르면 가장 큰 모델의 Macro-F1은 91.56으로, DeepSeek V4 Flash 0731의 81.95와 GPT-6 Luna의 79.12를 앞선다. 🔗 출처
실제 환경에 배포되지 않은 메모리 분류기 — 자바드 타기아가 AtMem의 메모리 기록 여부를 판단하도록 미세 조정한 인코더를 실제 운영에 투입하지 않은 이유를 설명했다. 봉인된 테스트에서는 성능이 18.4%에서 73.8%로 올랐지만, 실제 운영처럼 재생한 가상 관찰 기록 100개에서는 올바른 판단이 16건에 그쳤다. 결정론적 규칙은 30건이었으며, 이 분류기는 15~230배 더 느렸다. 🔗 출처
SPICY-KV — 유게 와이(ElithiaTechnologies)에 따르면, RoPE 적용 전에 키를 묶는 이 방식은 DeepSeek-R1-Distill-Qwen의 KV 캐시를 28.6배 압축하면서 RULER에서 재현율 100.0%(1.5B)와 91.7%(7B)를 유지한다. RoPE 적용 후 병합하면 재현율은 0.0%로 떨어진다. 이는 동료 심사를 거치지 않은 저자의 측정치다. 🔗 출처

이 소식이 의미하는 것

Anthropic의 보고서는 고용 문제를 바라보는 관점을 바꾼다. 첨단 연구소에서는 직원들이 실행한 대화형 에이전트가 이미 직원 근무 시간의 6배에 달하는 시간을 일하고 있으며, 희소해지는 것은 검토, 명세 작성, 감시에 필요한 인간의 주의력이다. 초급자가 가장 먼저 타격을 받는다. 기술직 채용에서 이들의 비중은 27%에 비해 9%에 그치며, 면접에서는 자율성과 판단력을 더 중시한다. Google Research도 실험실에서 같은 역할 분담을 설명한다. 과학자가 전략을 정하고 에이전트가 실행하며, 이 조합은 과학자가 혼자 일할 때보다 컴퓨터 시뮬레이션에서 후보를 거의 2배 더 많이 찾아낸다. 기대의 격차는 여전히 남아 있다. Anthropic 직원의 91%는 AI가 2030년까지 노벨상에 걸맞은 발견을 할 수 있다고 보는 반면, 미국인 전체에서는 39%가 그렇게 본다. 이들의 응답이 시사하는 GDP 성장률도 3배 수준이다(17.1% 대 5.4%).

속도 향상도 같은 한계에 부딪힌다. Claude Code는 로컬 환경에서 첫 토큰이 나올 때까지의 대기 시간을 4.07초에서 1.33초로 줄이고, 터미널 외 환경에서는 포크 방식의 하위 에이전트를 기본적으로 활성화한다. 하지만 Anthropic의 연구는 기계가 더 이상 주된 병목이 아님을 보여 준다. 대화형 세션은 응답을 기다리며 전체 시간의 약 80%를 유휴 상태로 보내고, 생성한 내용을 모두 읽으려면 한 주 근무 시간의 절반 이상이 필요하다. 지연 시간을 줄이면 사용자가 기계 앞에서 기다리는 시간은 짧아지지만, 세션이 사람을 기다리는 시간은 줄어들지 않는다.

개방형 모델에서는 이제 토큰당 가격보다 작업당 비용이 더 중요해졌다. DeepSeek는 요금을 바꾸지 않았지만, V4.1-Flash-1017은 더 짧은 출력을 생성하며 작업당 약 0.2달러로 DeepSWE v1.1에서 77.0%를 기록했다고 주장한다. 그래프에 나온 폐쇄형 모델 중 가장 뛰어난 GPT-6.1 Sol은 약 3배의 비용으로 75% 안팎에 머문다. 다만 점수표에서는 GPT-5.6 Sol과 Opus 5만 비교하며, 후속 모델은 포함하지 않는다. NVIDIA 파트너들도 특정 작업에 대해 같은 주장을 편다. 사후 학습을 거친 Nemotron 3.5 Super VL은 Harvey의 Legal Agent Bench에서 Opus 4.7 수준의 성능을 내면서, 토큰 100만 개당 비용은 15달러에 비해 1.34달러다. DeepSeek는 이제 에이전트의 웹 검색도 요청 1,000건당 0.75달러에 판매한다. 모델, 도구, 하네스를 같은 공급자가 제공한다.

마지막으로, 에이전트는 실제 환경에 더 가까워지고 있으며 각 업체는 저마다 안전장치를 마련한다. Google Research는 시약을 다루기 전에 모든 실험 절차를 디지털 트윈에서 미리 연습하도록 하고, 생물안전성 검사와 인간의 감독을 적용한다. Replit은 고객 클라우드에 자사 플랫폼과 Agent 하네스를 설치하지만, 제어 플레인과 추론은 자체 환경에 둔다. NVIDIA는 RTX Spark를 통해 Junie Local부터 Copilot까지 개발자 컴퓨터에서 실행되는 코딩 에이전트에 주력하며, 멈추지 않는 에이전트를 위해 설계된 데스크톱 컴퓨터의 등장을 기다리고 있다.