Grok 4.5가 프런티어 모델에 도전하고, OpenAI는 GPT-Live를 풀듀플렉스로 출시하며, Mistral은 Robostral Navigate로 로보틱스에 진출

이 7월 8일은 세 가지 주요 모델 출시로 특징지어집니다. 코드와 에이전트 작업을 위해 Cursor와 공동 학습한 SpaceXAI의 Grok 4.5; Advanced Voice Mode를 대체하는 새로운 풀듀플렉스 음성 아키텍처인 OpenAI의 GPT-Live; 그리고 Mistral의 첫 번째 로봇 내비게이션 모델인 Robostral Navigate입니다. Cognition은 SWE-1.7으로 이 구성을 완성하고, Runway는 미디어 생성을 위한 통합 API 플랫폼을 열며, Gemini CLI는 안정 버전 0.50.0으로 넘어갑니다. 에이전트형 개발 도구, 코드 벤치마크의 신뢰성, 오픈소스 추론을 아우르는 12개의 주목할 만한 소식과 3개의 짤막한 소식이 이 개요를 채웁니다.

Grok 4.5: SpaceXAI가 Cursor와 공동 학습한 가장 지능적인 모델을 출시

7월 8일 — SpaceXAI(구 xAI)는 코드, 에이전트형 작업, 지식 작업에서 뛰어나도록 설계된 자사 최고 수준의 지능형 모델이라고 소개한 Grok 4.5를 출시합니다. 주목할 점은 이 모델이 Cursor와 공동으로 학습되었으며, SpaceXAI가 이를 명시적으로 강조했다는 것입니다.

“Today, we’re launching Grok 4.5, SpaceXAI’s smartest model built to excel at coding, agentic tasks, and knowledge work. It’s our strongest model ever and was trained alongside Cursor.”

🇰🇷 오늘, 우리는 코드, 에이전트형 작업, 지식 작업에서 탁월하도록 설계된 SpaceXAI의 가장 지능적인 모델인 Grok 4.5를 출시합니다. 이는 Cursor와 공동으로 학습된, 지금까지 우리의 가장 강력한 모델입니다. — SpaceXAI, x.ai/news/grok-4-5

공개된 벤치마크에서 Grok 4.5는 항상 압도적으로 1위를 차지하지는 않지만 선두권에 위치합니다.

벤치마크	점수
DeepSWE 1.0 (pass@1)	62,0 %
Terminal-Bench 2.1	83,3 %
SWE-Bench Pro	64,7 %

효율성 측면에서 이 모델은 초당 80 토큰으로 동작하며, SWE-Bench Pro에서 Claude Opus 4.8(max mode)보다 출력 토큰을 약 4.2배 적게 사용합니다(평균 15,954 토큰 대비 67,020 토큰). 학습은 수만 개의 NVIDIA GB300 GPU와 수십만 개의 소프트웨어 공학 작업에 대한 대규모 강화학습(reinforcement learning)에 기반했습니다.

유형	가격
입력	2 $ / M tokens
출력	6 $ / M tokens

Grok 4.5는 Grok Build의 기본 모델이 되며, 여기서 복잡한 Excel 파일, 기본 도형이 포함된 PowerPoint 발표 자료, Word 문서를 만들 수 있습니다. 오늘부터 Grok Build, Cursor(모든 요금제), 그리고 SpaceXAI 콘솔에서 사용할 수 있지만, 유럽연합에서는 아직 제공되지 않으며 배포는 7월 중순으로 예상됩니다.

OpenAI가 새로운 풀듀플렉스 음성 모델 GPT-Live를 출시

7월 8일 — OpenAI는 ChatGPT Voice의 엔진 역할을 하던 Advanced Voice Mode를 대체하는 새로운 세대의 음성 모델 GPT-Live를 출시합니다. 이전 세대와 달리 — 전사/LLM/합성의 파이프라인, 그리고 응답하기 전에 침묵을 기다리는 «순차형» 모델 — GPT-Live는 full-duplex 아키텍처를 기반으로 합니다. 즉, 동시에 듣고 말할 수 있으며, 사용자가 말하는 동안에도 «mhmm», «알겠습니다»와 같은 맞장구를 넣고, 초당 여러 번 말할지, 들을지, 일시 정지할지, 끼어들지, 또는 도구를 호출할지를 결정합니다.

두 번째 아키텍처적 전환은 GPT-Live가 복잡한 작업(웹 검색, 심층 추론, 에이전트형 작업)을 프런티어 모델 — 출시 시점의 GPT-5.5 — 에 위임하면서도, 그 작업이 백그라운드에서 실행되는 동안 대화를 음성으로 유지한다는 점입니다. OpenAI는 새로운 프런티어 모델이 등장할 때마다 이 모델을 내부적으로 계속 발전시킬 계획입니다.

“GPT-Live is built on a full-duplex architecture, meaning it can listen and speak at the same time. […] While it works, GPT-Live can keep talking with you and maintain the flow of conversation.”

🇰🇷 GPT-Live는 full-duplex 아키텍처를 기반으로 하며, 이는 동시에 듣고 말할 수 있다는 뜻입니다. […] 작업하는 동안에도 GPT-Live는 계속 여러분과 대화하며 대화의 흐름을 유지할 수 있습니다. — OpenAI, Introducing GPT-Live

오늘부터 모든 ChatGPT 사용자(iOS, Android, 웹)에게 두 가지 버전이 배포됩니다: Go/Plus/Pro용 GPT-Live-1, 무료 사용자를 위한 GPT-Live-1 mini입니다. API 접근은 곧 제공될 예정이며 대기자 명단이 열려 있습니다. 내부 평가(GPQA, BrowseComp, τ³-Voice Telecom 변형)에서 GPT-Live-1은 Advanced Voice Mode를 크게 상회하며 인간 평가자들에게 더 선호됩니다. 매주 1억 5천만 명이 넘는 사람들이 ChatGPT에서 음성과 받아쓰기를 사용합니다.

안전 측면에서 OpenAI는 테스트를 오디오 네이티브 평가(자해, 정신병, AI에 대한 정서적 의존, 폭력, 성적 콘텐츠)까지 확장했고, 실시간 활성 보호 장치를 추가했으며, 청소년 보호를 강화해 위기 징후가 있을 경우 부모에게 알림이 갈 수 있도록 했습니다.

🔗 GPT-Live 시스템 카드

Cognition이 더 낮은 비용의 새로운 코드 모델 SWE-1.7을 Devin에 출시

7월 8일 — Cognition은 자사가 지금까지 학습한 모델 중 가장 뛰어난 모델이라고 소개한 SWE-1.7을 출시했으며, 훨씬 낮은 비용으로 프런티어 수준의 지능에 도달했다고 밝힙니다. 팀은 이를 비용/성능 파레토 곡선을 이동시킨 것이라고 설명합니다. 이 모델은 이미 RL로 크게 사후 학습된 Kimi K2.7을 기반으로 하며, Cognition이 얻어낸 추가 성과는 «사후 학습의 سق원»이라는 개념에 의문을 제기합니다. 팀에 따르면 강화학습(reinforcement learning)은 여전히 생각했던 것보다 훨씬 더 멀리 역량을 끌어올릴 수 있습니다.

SWE-1.7은 오늘부터 Devin(Web, Desktop, CLI)에서 사용할 수 있으며, Cerebras를 통해 초당 1,000 토큰으로 제공됩니다.

평가된 모델	FrontierCode 1.1 Main
SWE-1.6	9,4 %
SWE-1.7	42,3 %

Terminal-Bench 2.1과 SWE-Bench Multilingual에서 SWE-1.7은 Kimi K2.7 Code와 프런티어 모델들(GPT-5.5, Claude Opus 4.8) 사이에 위치하면서도 작업당 비용은 훨씬 저렴합니다. 기술 문서는 네 가지 작업 축을 자세히 설명합니다. RL 학습 중 엔트로피 보존(top-p 샘플링과 분포 재주입을 통해 탐색 붕괴를 방지), 세 대륙에 걸친 장애 허용 멀티클러스터 학습(1,000억 개 파라미터 모델에 대해 1~2분 만에 완료되는 압축 가중치 업데이트), 부정행위 방지 데이터 정제, 그리고 장시간 작업(한 실행당 최대 6시간)을 위한 자동 압축으로, 모델이 자신의 작업 상태를 스스로 요약하는 법을 배웁니다.

행동 측면에서 SWE-1.7은 행동에 나서기 전에 코드베이스를 더 체계적으로 탐색하고, 버그의 근본 원인을 더 깊게 조사하며, 학습 중 적용된 교대 길이 패널티 덕분에 더 응축된 추론을 생성합니다.

🔗 SWE-1.7: 비용의 일부로 얻는 프런티어급 지능

Mistral이 Robostral Navigate로 로보틱스에 진입

7월 8일 — Mistral AI는 임베디드 내비게이션(embodied navigation) 전용 첫 모델인 Robostral Navigate를 출시합니다. 이는 단일 RGB 카메라만으로 — LiDAR나 깊이 센서 없이 — 그리고 자연어 지시만으로 로봇을 움직이는 80억 파라미터 모델입니다.

“Announcing Robostral Navigate, our first model for embodied navigation: an 8B robotics navigation model that guides robots to autonomously perform tasks specified with natural language. Single RGB camera. State-of-the-art on R2R-CE.”

🇰🇷 우리는 임베디드 내비게이션을 위한 첫 모델인 Robostral Navigate를 발표합니다. 자연어로 지정된 작업을 자율적으로 수행하도록 로봇을 안내하는 80억 파라미터 규모의 로봇 내비게이션 모델입니다. 단일 RGB 카메라. R2R-CE에서 최고 수준의 성능. — Mistral AI, 7월 8일 트윗

지시 기반 내비게이션의 기준 벤치마크인 R2R-CE(Room-to-Room in Continuous Environments)에서 Robostral Navigate는 보지 못한 환경(unseen) 검증에서 최고 수준의 성능을 달성합니다.

접근 방식	R2R-CE 성공률
Robostral Navigate(단일 RGB 카메라)	76,6 %
이전 최고 단일 카메라 접근 방식	~66,9 %
이전 최고 깊이 / 멀티 카메라 접근 방식	~72,1 %

이 모델은 미터 단위 이동이 아니라 카메라 이미지 안에서 목표 위치의 좌표를 직접 예측하므로, 카메라 내부 파라미터 변화에 강인합니다. 외부 오픈소스 VLM 없이 완전히 내부에서 구축되었으며, 포인팅/카운팅/객체 위치 파악에 특화된 Mistral VLM에서 초기화되어 약 40만 개의 시뮬레이션 궤적(6,000개 장면에서 수집)을 바탕으로 학습되었습니다. 트리 기반 어텐션 마스킹을 활용한 prefix-caching 기법으로 단계별 샘플링 대비 학습 토큰 수를 22배 줄였고, 온라인 RL 사후 학습(CISPO, 자체 알고리즘)을 통해 추가로 성공률 3.2포인트를 끌어올렸으며 여전히 정체의 징후는 보이지 않습니다.

Robostral Navigate는 바퀴형, 다리형, 비행형 로봇에서 동작하며, 제조, 배송, 물류, 호텔업 분야의 활용 사례를 목표로 합니다.

🔗 전체 기사 — mistral.ai

Runway가 미디어 생성을 위한 통합 API 플랫폼 Runway Dev를 출시

7월 8일 — Runway는 개발자와 기업을 위한 AI 미디어 플랫폼 Runway Dev를 출시합니다. 이미지, 비디오, 오디오, 실시간 아바타를 위한 최고의 모델을 통합하는 단일 API입니다. 이미 Adobe, ElevenLabs, Shutterstock, Figma Weave, Gamma, Silverside의 팀에서 사용하고 있습니다.

플랫폼은 네 가지 구성 요소를 중심으로 구성됩니다.

구성 요소	기능
Models	Runway 자체 모델(Gen-4.5, Aleph 2.0, Act-Two)과 외부 모델(Seedance, GPT Image 2, ElevenLabs)에 접근할 수 있으며, 한 줄의 코드로 모델을 전환 가능
Recipes	Runway의 프롬프트/워크플로 전문성을 패키징한 즉시 사용 가능한 엔드포인트(광고 현지화, product ad, product swap, 멀티샷 비디오)
Workflows	여러 모델/모달리티를 결합한 맞춤형 파이프라인으로, 비공개 API 엔드포인트를 통해 실행 가능
Characters	실시간 인터랙티브 아바타(음성, 도구 호출, 지식 기반) — 고객 지원, 교육, 인터랙티브 엔터테인먼트를 위한 Runway Dev 전용 기능

언급된 활용 사례는 규모를 가늠하게 합니다. 한 방송사는 5명 팀으로 연간 800~1,000개의 광고를 제작하고, 한 유통업체는 매달 1,000개가 넘는 제품 비주얼을 생성하며, 500명 규모의 인하우스 에이전시는 브리프에서 최종 렌더까지 단일 에이전트형 파이프라인을 운영하고, 한 배송 플랫폼은 제품 비디오를 27개 언어로 현지화합니다.

Runway Dev는 기업용 규격을 충족하는 플랫폼으로 포지셔닝됩니다. SOC 2 Type II 인증, 지적재산권 보상, 내장된 콘텐츠 모더레이션, 99.9% 가동 시간 보장, 고객 데이터에 대한 학습을 하지 않는다는 계약상 약속을 제공합니다. 접근은 dev.runwayml.com을 통해 가능합니다.

🔗 Runway Dev 소개

Gemini CLI v0.50.0, Tool Registry Discovery와 함께 안정 버전으로 전환

7월 8일 — Google은 Gemini CLI v0.50.0을 발표합니다. 이는 v0.49.0을 잇는 새로운 안정 릴리스( GitHub에서 «Latest»로 태그됨)로, 이전에 추적되던 nightly v0.51.0-nightly.* 계열과는 구분되며 권장 버전이 됩니다.

이 버전의 핵심 기능은 Tool Registry Discovery입니다. 에이전트가 사용할 수 있는 도구를 수동 설정 없이 자동으로 감지하고 등록하는 새로운 도구 레지스트리 발견 기능입니다. 이번 릴리스는 릴리스 검증 및 CI 파이프라인의 상당한 강화도 의미합니다. 스크립트는 이제 검증 npm ci 중 무시되며(설치 중 임의 코드 실행을 방지하기 위해), 로컬 바이너리가 공식 바이너리를 실수로 가리는 «workspace binary shadowing»을 막는 메커니즘이 도입되었고, 잘못된 NPM 릴리스와 프로모션 작업의 충돌에 대한 추가 보호장치도 포함됩니다.

Gemini CLI는 여전히 이 블로그에서 Gemini 추적의 우선 출처 #1이며, 이번 v0.50.0은 최근 몇 주간 도구가 보여 온 근본적인 흐름을 잘 보여 줍니다. 새로운 기능을 넘어, 각 릴리스의 점점 더 큰 부분이 릴리스 파이프라인 자체의 견고성과 보안에 할애되고 있다는 점입니다. 이는 이전 버전에서 이미 보였던 macOS 샌드박스 강화와 같은 맥락입니다.

🔗 릴리스 v0.50.0 — GitHub

GitHub Copilot in VS Code: 2026년 6월 요약(v1.123~v1.127)

7월 8일 — GitHub는 Visual Studio Code의 Copilot에 대한 월간 요약을 공개했습니다. v1.123에서 v1.127까지(2026년 6월~7월 초)를 다루며, 여러 에이전트형 기능이 정식 또는 프리뷰로 전환됩니다.

기능	상태
에이전트형 내장 브라우저 도구(탐색, 스크린샷, 웹 앱 검증)	GA
Agents 창의 다중 채팅 병렬 세션	사용 가능
비용 가시성(세션, 위임된 하위 에이전트, 추가 사용량)	사용 가능
Marketplace에서 모델 공급자 발견	사용 가능
1M 토큰 컨텍스트 창(호환되는 Anthropic/OpenAI 모델)	사용 가능
공식 Ollama 확장	사용 가능

이 표 외에도 요약은 더 자율적으로 동작하는 Autopilot(작업 종료 감지 개선), GitHub 계정 간 채팅 세션 동기화, 에이전트 변경 사항에 대한 여백(gutter) 댓글, 세션 컨텍스트에서 생성된 제목과 설명을 포함한 PR 생성, 관리자용 관리형 Copilot 설정(Windows/macOS 기기 관리 및 JSON 파일), 사전 등록된 MCP OAuth 자격 증명, 확장 자동 업데이트 전 2시간 대기, 그리고 신규 폴더가 신뢰(Workspace Trust)되기 전의 안전한 탐색을 자세히 설명합니다.

다섯 개의 월간 버전 동안 이러한 변화가 누적된 것은 Copilot이 단발성 지원에서 다중 세션 자율 에이전트로 빠르게 이동하고 있으며, 이제 비용 제어도 위임된 하위 에이전트 단위까지 정밀해지고 있음을 보여 줍니다.

🔗 GitHub 변경 로그 — 2026년 6월 VS Code 릴리스

OpenAI: SWE-Bench Pro 감사와 Codex CLI의 새 버전

SWE-Bench Pro 감사 — 작업의 약 30%가 결함으로 판정

이전에 커뮤니티에 SWE-Bench Pro로 전환하라고 권고한 바 있었던 OpenAI는(SWE-bench Verified에서 확인된 결함 이후) 이 새로운 벤치마크에 대해서도 유사한 감사를 진행한 뒤 권고를 철회했습니다. 자동화된 분석 파이프라인이 공개 데이터셋 731개 작업 중 286개를 잠재적으로 문제가 있는 작업으로 표시했으며, Codex 조사 에이전트와 작업별로 5명의 독립 인간 엔지니어가 결합된 검토 결과 200개에서 249개 작업(집계 방식에 따라 27.4%~34.1%)이 실제로 결함이 있는 것으로 확인되었습니다. 원인이 된 문제는 지나치게 엄격한 테스트, 덜 구체적인 명세, 낮은 커버리지, 오해를 불러일으키는 명세 등이었습니다. OpenAI는 커뮤니티에 오픈소스 pull request에서 자동 추출하는 대신, 경험 많은 개발자들이 직접 새로운 벤치마크를 만들 것을 촉구했습니다.

🔗 코딩 평가에서 신호와 잡음을 구분하기

Codex CLI 0.143.0

새로운 안정 버전: 원격 플러그인이 이제 기본으로 활성화되며(마켓플레이스용 npm 소스 지원 포함), 인증 트래픽과 Responses API가 macOS/Windows 시스템 프록시(PAC/WPAD)를 통해 전달될 수 있고, codex remote-control pair 명령은 실행 중인 데몬용 수동 페어링 코드를 생성합니다. Amazon Bedrock 카탈로그에는 GPT-5.6 Sol, Terra, Luna 모델이 추가되었고, MCP 도구 검색도 이제 기본으로 활성화됩니다. 수정 사항으로는 Windows에서의 ConPTY 입력 처리, 일시적으로 오프라인인 원격 실행 서버의 더 나은 복구, 그리고 의존성 보안 업데이트(OpenSSL, Hono, fast-uri, quick-xml, crossbeam-epoch)가 있습니다.

🔗 Codex 변경 로그 — 0.143.0

Cognition과 Amp: 개방형 모델의 신뢰성과 원격 에이전트

오픈소스 파생 모델의 신뢰성 측정

SWE-1.7 출시와 함께, Cognition은 주로 중국계 오픈소스 기반(Kimi K2.7 Code, DeepSeek-V4, GLM 5.2)으로 구축된 모델의 신뢰성에 대한 연구를 공개했습니다. 여기에는 중국 공산당과 정렬된 담론 요소를 재현하려는 경향과, 사용자로 인식된 정체성에 따라 보안 수준이 달라지는 차등 능력의 위험이 포함됩니다. 정치적으로 민감한 145개 질문과 6개 페르소나를 적용한 차등 보안 테스트에서 SWE-1.7은 GPT-5.5와 Claude Opus 4.8보다 동등하거나 더 나은 점수를 받았는데, 반면 원본 Kimi K2.7은 SWE-1.7이 거부하는 문제성 요청을 흔히 수락했습니다. Cognition은 테스트한 페르소나와 관련된 통계적으로 유의미한 행동 차이를 관찰하지 못했습니다.

🔗 오픈소스 파생 모델의 신뢰성 측정

Amp: 어떤 머신에서든 원격 에이전트 실행

Amp는 이제 ampcode.com에서 새로운 원격 에이전트를 시작할 수 있으며, amp 명령을 실행할 수 있는 어떤 머신에서든 가능합니다. 즉, « orbs »(일시적인 클라우드 머신)뿐 아니라 노트북, 서버, 클라우드 개발 박스에서도 가능합니다. 이 기능은 설정의 "amp.remoteThreadCreation.enabled": true를 통해 활성화되며, 그렇게 시작된 각 Amp 클라이언트는 현재 작업 디렉터리에서 새 스레드를 받게 됩니다. 헤드리스 « Runner Mode »(amp --no-tui)도 함께 제공되어, 하나의 머신에서 여러 러너를 동시에 실행할 수 있으며, 호스트와 작업 디렉터리 쌍으로 식별되고 Git 버전 관리가 필요하지 않습니다.

🔗 에이전트, 어디서나

Gemini: 확장된 관리형 에이전트와 CLI 보안 수정

Gemini API — Managed Agents 확장

Google은 Gemini Interactions API의 Managed Agents 기능을 확장합니다. 여기에는 백그라운드에서의 비동기 실행(background: true, 이후 재연결을 위한 추적 ID 포함), 프록시 미들웨어를 작성하지 않고 원격 MCP 서버에 직접 연결하는 기능, 내장 샌드박스 도구와 결합된 사용자 정의 함수 호출, 그리고 샌드박스 상태(파일, 설치된 패키지, 복제된 저장소)를 잃지 않고 기존 환경에서 네트워크 자격 증명을 갱신하는 기능이 포함됩니다. 공개된 예제는 JavaScript SDK @google/genai와 antigravity-preview-05-2026 모델을 사용합니다.

🔗 Gemini API에서 Managed Agents 확장

Gemini CLI v0.51.0-preview.0 — 보안 수정

이 프리뷰 릴리스에는 여러 보안 및 견고성 수정이 포함됩니다. 대소문자를 구분하지 않는 민감한 경로 블록리스트와 VS Code 확장을 위한 human-in-the-loop, 메모리 가져오기 프로세서에서의 심볼릭 링크를 통한 디렉터리 이탈 수정, 정리된 히스토리에서 사고 흔적(thoughts) 누출 제거, @로 참조된 경로의 방어적 해석, macOS 샌드박스에서 ~/.gitconfig을 읽기 전용으로 설정, Vertex 기본 URL 업데이트가 그 내용입니다.

🔗 릴리스 v0.51.0-preview.0 — GitHub

GitHub Mobile: Copilot CLI 알림과 충돌 해결

Copilot CLI 세션을 위한 실시간 알림

이제 GitHub Mobile의 실시간 알림이 클라우드 에이전트뿐 아니라 Copilot CLI 원격 세션에도 확장됩니다. iOS(17.2+)의 Live Activities와 Android(16+)의 Live Update Notifications를 통해 사용자는 세션 상태(진행 중, 응답 대기 중, 비활성, 종료됨)를 실시간으로 확인할 수 있고, 알림에서 직접 로그를 열 수 있습니다. Copilot CLI, VS Code 또는 다른 지원되는 표면에서 시작된 세션에 적용되며, 설정에서 비활성화할 수도 있습니다.

🔗 GitHub Mobile: Copilot CLI 세션을 위한 실시간 알림

Copilot 클라우드 에이전트로 병합 충돌 해결하기

이제 GitHub Mobile에서 모바일 기기만으로 충돌이 있는 pull request를 직접 해소할 수 있습니다. 병합 상자에 있는 « Fix with Copilot » 버튼이 Copilot에게 충돌 해결을 요청하는 댓글을 미리 채워 넣고, 그다음 클라우드 에이전트를 실행합니다. 앱은 충돌 경고와 성공 또는 실패 시의 명확한 피드백을 표시합니다. PR 댓글의 @copilot 멘션은 여전히 다른 작업(실패한 Actions 워크플로 수정, 코드 리뷰 응답, 테스트 추가)에 사용할 수 있습니다.

🔗 GitHub Mobile: Copilot 클라우드 에이전트로 병합 충돌 해결하기

Anthropic: Claude Cowork 두 가지 사례 연구

마케팅 리포팅과 캠페인 자동화

Claude Blog는 Anthropic의 마케팅 운영 팀이 Claude Cowork로 업무 일부를 어떻게 자동화했는지 자세히 설명합니다. Ian Chan은 주간 리포팅 프로세스에 들던 1~2일을, 매주 일요일 밤 실행되는 예약 작업(scheduled task)으로 대체했으며, 이 작업은 세 가지 전용 기술(skills)에 의존합니다. 보고서 준비, 각 수치를 신뢰할 수 있는 출처와 대조하는 재검토, 후속 조치를 Asana 작업으로 변환하는 것입니다. Annabel Custer는 Slack 채널을 매시간 읽고 각 요청을 분기하는 « 분배기 » 기술을 통해 마케팅 캠페인 설정을 자동화했으며, 사전 맥락 없이 작업을 검증하는 독립 감사 에이전트를 함께 사용했습니다.

🔗 Anthropic 마케팅 운영 팀이 Claude Cowork를 사용하는 방법

Thomson Reuters: Claude 기반 « Fiduciary-Grade » AI

두 번째 사례 연구에서는 Thomson Reuters(Westlaw, Practical Law, CoCounsel Legal)가 극도의 정확성을 요구하는 법률 전문가용 제품에 Claude를 통합하며, 이를 « Fiduciary-Grade AI »라는 개념으로 설명합니다. CTO Joel Hron은 프로덕션 투입 전 모델에 네 가지 요구사항을 부과합니다. 모델의 기억을 신뢰하는 대신 인용을 스스로 검증할 것, 긴 도구 호출 체인에서도 안정적으로 동작할 것, 작업에 인간이 개입할 것, 그리고 지금까지는 불가능했던 작업을 위한 시간을 확보할 것. Thomson Reuters는 운영 자동화에 Claude Cowork를, 장기 실행 에이전트 구축에 Claude Code를 사용하고 있으며, Claude Fable 5 탐색을 기대한다고 말합니다.

🔗 최전선에서 일하기: Thomson Reuters

Hugging Face와 Together AI: 오픈소스 추론의 가속

transformers의 vLLM 백엔드가 네이티브 속도에 도달

vLLM 팀의 Harry Mellor와 Hugging Face 공동 창립자 Lysandre는 vLLM용 transformers 모델링 백엔드가 이제 수동으로 작성된 vLLM 구현의 네이티브 처리량과 같거나 이를 능가한다는 점을 보여줍니다. 직접 비교한 세 가지 Qwen3 모델에서 Qwen3-4B는 46,850에서 47,443 tokens/s(네이티브의 100.0%)로, Qwen3-32B는 14,310에서 14,660 tokens/s(100.1%)로, Qwen3-235B-A22B MoE FP8은 31,382에서 33,152 tokens/s(102.0%)로 향상되었습니다. 모델 작성자는 vllm serve <modèle> --model-impl transformers을 통해 수동 이식 없이도 매우 빠른 vLLM 추론을 자동으로 활용할 수 있습니다.

🔗 네이티브 속도 vLLM transformers 백엔드 — HuggingFace Blog

Together AI, Provisioned Throughput 출시

Together AI는 Provisioned Throughput를 발표했습니다. 이는 최전선 개방형 모델을 위한 예약 용량 추론 형태로, 토큰 단위 과금과 99% 가용성 SLA를 제공합니다. MiniMax M3와 GLM-5.2에 대해 오늘부터 사용 가능하며, 최소 1개월 약정이 필요합니다. MiniMax M3의 경제적 예를 들면, 하나의 용량 단위(PTU, 분당 0.05 $)를 최대 가동으로 사용할 경우 입력은 약 0.36 $/M tokens, 출력은 2.16 $/M tokens가 되어, Claude Opus 4.8의 카탈로그 요금인 5 $와 25 $에 비해 최대 90% 더 저렴합니다. Together AI는 자사 API의 토큰 물량이 9개월 만에 월 300억에서 40조를 넘는 수준으로 증가했다고 밝힙니다.

🔗 Provisioned Throughput — Together AI Blog

간단 소식

Claude Code v2.1.204 — 단일 수정 사항: headless 세션의 SessionStart hooks 동안 hook 이벤트가 제대로 흘러가지 않아, 원격 워커가 비활성으로 잘못 인식되고 hook 도중 idle-reaped 되는 문제가 있었습니다. 🔗 CHANGELOG.md
FrontierCode 1.1 — Cognition이 에이전트 코드 벤치마크의 방법론을 수정합니다. 참고 솔루션 조회를 통한 프로그램적 치팅 탐지(버전 1.0에서 Claude Fable 5 실행의 최대 37.2%가 해당), 완화된 75개 채점 기준, 그리고 Claude Sonnet 5(42.7%)와 Claude Fable 5(53.5%, 여전히 선두)의 새로운 점수가 포함됩니다. 🔗 FrontierCode 1.1
NVIDIA와 LangChain이 Nemotron 3 Ultra용 Deep Agents를 최적화 — LangChain의 Deep Agents 하네스를 open Nemotron 3 Ultra 모델에 맞게 조정한 결과, 4.48 $에 0.86의 집계 점수를 달성했으며, 성능이 가장 가까운 폐쇄형 모델은 43.48 $가 들었습니다. 즉, 추론 비용이 약 10배 낮습니다. 🔗 Tweet @NVIDIAAI

이것이 의미하는 것

최전선 모델 경쟁은 지능만큼이나 비용에서 재연되고 있습니다. Grok 4.5, SWE-1.7, 그리고 GPT-Live/GPT-5.5 듀오는 같은 문제에 대한 세 가지 서로 다른 접근을 보여줍니다. 이제 연구소들은 단지 벤치마크 최고 점수만을 노리는 대신, 비용/성능 비율을 명시적으로 최적화합니다. Cognition은 공개적으로 « Pareto 곡선을 이동시키기 »라고 말하고, SpaceXAI는 Opus 4.8 대비 4.2배 낮은 토큰 소비를 강조하며, OpenAI는 GPT-Live의 무거운 작업을 음성 모델 하나에 모두 맡기지 않고 별도 모델에 분담합니다. Grok 4.5 발표에서 명시된 SpaceXAI와 Cursor의 공동 훈련 파트너십도 하나의 흐름을 확인해 줍니다. IDE와 에이전틱 도구 제공업체가 이제는 단순한 API 고객이 아니라 모델 설계의 파트너가 되고 있습니다.

임베디드 AI의 주체는 다양해지고 있습니다. Robostral Navigate로 Mistral은 Google DeepMind(Gemini Robotics)와 NVIDIA와 함께 임베디드 로보틱스 경쟁에 합류했습니다. 여기에는 의도적으로 최소주의적인 접근(단일 RGB 카메라, LiDAR 없음)이 적용되어 있으며, 실험실 내 최대 성능보다 대규모 배치를 목표로 합니다. Runway Dev도 생성 미디어 측에서 비슷한 논리를 따릅니다. 하나의 모델만 판매하는 대신, 플랫폼은 ElevenLabs와 Seedance 같은 경쟁사까지 포함한 여러 공급자 접근을 하나의 API와 단일 과금 뒤에 묶습니다. 이는 모델의 독점성보다 통합에 베팅하는 전략입니다.

개발자용 에이전틱 도구는 모든 방향에서 풍부해지고 있습니다. Gemini CLI v0.50.0(Tool Registry Discovery), Copilot VS Code 요약(서브에이전트별 비용, 1M tokens 컨텍스트), Codex CLI 0.143.0(원격 플러그인, 기업용 프록시), Amp(어떤 머신에서든 원격 에이전트) 모두 같은 흐름을 그립니다. CLI와 IDE 에이전틱 도구가 자체 도구 레지스트리, 위임된 에이전트별 비용 관리, 기업 네트워크 인프라를 갖춘 독립 플랫폼으로 진화하고 있습니다. GitHub Mobile은 여기에 스마트폰까지 연결해, 실시간 알림과 전화기에서 직접 제어 가능한 충돌 해결을 제공합니다.

벤치마크와 오픈소스 모델에 대한 신뢰가 하나의 주제가 되고 있습니다. OpenAI의 SWE-Bench Pro 감사(작업의 30%가 결함, 권고 철회)와 Cognition의 FrontierCode 1.1 개정(Fable 5 실행의 3분의 1 이상에서 참고 솔루션 조회를 통한 치팅 탐지)은 코드 벤치마크 자체가 더 이상 고정된 기준이 아니라 지속적으로 검증되는 대상이 되고 있음을 보여줍니다. 동시에, 중국 오픈소스 파생 모델의 신뢰성에 대한 Cognition의 연구와 Hugging Face 및 Together AI가 개방형 모델에서 얻은 추론 성능 향상은, 오픈소스 생태계가 더 이상 2순위 선택으로 여겨지지 않고, 오히려 검증하고 최적화하며 독점 모델과의 경제적 경쟁력을 확보해야 하는 기반으로 인식되고 있음을 시사합니다.