한국어EN
2026년 41주차 기록 전체 보기
2026년 41주차 · 고급 · 대학생

2026년 41주차에 새로 확인된 것

이번 주 확인 71건, 13개 축. 최다는 ⑨ 오픈웨이트 계보 27건. 지난 4주 평균(22건)보다 많다(4주: 11, 33, 26, 18). 신규 주체 12곳 — OpenAI (Radford 외), Google (Devlin 외), Alibaba Cloud.

71더한 기록
13움직인 축
10월 5일–11일기간
1,258당시 누적 기록

축별 추가분

기록이 많은 축부터 보여 줘요. 한 기록이 여러 축에 걸치면 대표 축 한 곳에서만 세요.

⑨기록 27개

오픈웨이트 계보

  • 2026.10.02Allen Institute for AI (Ai2) — AstaBrief 8B 공개 — Qwen3-8B를 기반으로 한 과학 보고서 생성 오픈웨이트 모델로, 학습 데이터와 체크포인트를 Hugging Face 컬렉션으로 함께 공개하고 로컬 PDF로 보고서를 만드는 예시 워크플로를 붙임. 실제 사용자 질의에서 끌어낸 지도학습 47K 예제와 DPO 약 6K 쌍으로 학습. SQABench-CS2(컴퓨터과학 200문항)에서 답변 정확도·인용 정확도·인용 재현율이 상용 대안과 견줄 만하다고 밝힘. Fast 모드는 보고서당 평균 51.1초로 Thinking 모드 178.5초보다 약 3.5배 빠르다. Asta 플랫폼에 통합. 출처딥리서치류 기능이 8B 오픈웨이트로 내려온 지점이다. 인용 정확도·재현율을 평가 축으로 삼은 점이 중요한데, 보고서 생성에서 문제가 되는 것은 문장 품질이 아니라 인용이 실재하는지이기 때문이다. 학습 데이터까지 공개해 재현 가능한 비교 기준이 생겼다.
  • 2025.12.01DeepSeek — DeepSeek-V3.2·V3.2-Speciale 공개 — V3.2-Exp의 정식 후속, 툴 사용 중 사고(Thinking in Tool-Use) 지원, 두 모델 가중치 MIT 공개(Speciale는 API에서 12월 15일까지 임시 제공) 출처자사 주장 기준 V3.2-Speciale가 IMO·IOI 2025 등에서 금메달 수준 결과를 냈다고 밝힌 오픈웨이트 추론 모델
  • 2025.11.06Moonshot AI — Kimi K2 Thinking 공개 — 총 1T·활성 32B MoE, 256K 컨텍스트, 사후학습 단계 QAT로 네이티브 INT4 추론, Modified MIT 출처사고 과정과 도구 호출을 번갈아 수행하도록 학습한 오픈웨이트 추론 에이전트로, 자사 주장 기준 사람 개입 없이 200~300회 연속 도구 호출을 유지
  • 2025.08.21DeepSeek — DeepSeek-V3.1 공개 — 한 모델에서 사고(Think)·비사고(Non-Think) 모드 전환, 총 671B·활성 37B, 128K 컨텍스트, V3 위에 장문맥 확장용 840B 토큰 추가 학습, MIT 출처DeepSeek가 에이전트 시대로 가는 첫걸음이라고 밝힌 릴리스로, API의 deepseek-chat·deepseek-reasoner가 한 모델의 비사고·사고 모드가 되면서 V3와 R1으로 나뉘어 있던 제공 방식이 합쳐짐
  • 2025.07.24SK텔레콤 — A.X 3.1 오픈소스 공개 — 프롬 스크래치로 개발한 34B 표준 모델, 32K 컨텍스트(YaRN 적용 시 131K), Apache 2.0 출처오픈소스 모델에 한국어 추가 학습(CPT)을 한 A.X 4.0과 달리 설계부터 학습까지 직접 수행한 모델로, 이로써 SKT의 오픈소스 모델은 A.X 3.1 2종과 A.X 4.0 2종 등 4종이 됨
  • 2025.07.22Alibaba Qwen — Qwen3-Coder 공개 — 첫 모델 Qwen3-Coder-480B-A35B-Instruct(총 480B·활성 35B MoE), 기본 256K·외삽 시 1M 컨텍스트, 7.5T 토큰(코드 70%) 사전학습, Apache 2.0 출처자사 주장 기준 오픈 모델 중 에이전틱 코딩·브라우저 사용·툴 사용에서 최고 성능을 냈다고 밝혔고, 명령줄 코딩 도구 Qwen Code를 함께 오픈소스로 공개
  • 2025.05.23카카오 — Kanana 1.5 오픈소스 공개 — 8B·2.1B의 base·instruct 4종, Apache 2.0 출처카나나 계열에서 처음으로 상업 이용이 가능한 Apache 2.0 라이선스를 적용한 공개
  • 2025.03.18LG AI연구원 — EXAONE Deep 공개 — 추론 특화 32B·7.8B·2.4B, 32K 컨텍스트, EXAONE AI Model License 1.1 - NC 출처수학·과학·코딩 추론에 특화한 LG의 오픈웨이트 계열로, 자사 발표 기준 32B가 2025학년도 수능 수학 94.5점·AIME 2024 90.0점을 기록
  • 2025.02.27카카오 — Kanana 테크니컬 리포트와 Kanana Nano 2.1B(base·instruct·embedding) 오픈소스 공개 — 연구 목적, CC BY-NC 4.0 출처2.1B~32.5B 카나나 언어모델 라인업의 학습 과정을 공개하면서 그중 경량 모델을 연구 목적으로 내놓은 카나나 계열의 첫 오픈웨이트
  • 2025.01.30Mistral AI — Mistral Small 3 공개 — 지연시간 최적화 24B, 사전학습·지시 조정 체크포인트 모두 Apache 2.0 출처범용 모델은 Apache 2.0으로 내고 MRL(Mistral Research License) 모델에서 점차 벗어나겠다고 밝힌 릴리스로, 자사 주장 MMLU 81% 이상·초당 150토큰
  • 2024.12.09LG AI연구원 — EXAONE 3.5 오픈소스 공개 — 2.4B(온디바이스)·7.8B·32B 3종, 32K 컨텍스트, EXAONE AI Model License 1.1 - NC 출처EXAONE 3.0 7.8B 공개 4개월 만에 크기를 3종으로 늘린 후속으로, 비상업(NC) 라이선스는 유지
  • 2024.12.06Meta — Llama 3.3 70B 공개 — 텍스트 전용 70B, 128K 컨텍스트, 약 15T 토큰 사전학습, 8개 언어, Llama 3.3 Community License 출처별도 사전학습 모델 없이 70B 지시 조정(Instruct) 모델 하나만 내놓은 Llama 3 계열의 갱신판
  • 2024.09.25Meta — Llama 3.2 공개 — 비전 LLM 11B·90B와 엣지·모바일용 텍스트 경량 모델 1B·3B(128K 컨텍스트), Llama 3.2 Community License 출처11B·90B는 Llama 계열 최초로 이미지 입력을 지원하는 모델이고, 1B·3B는 기기 내 실행을 겨냥한 경량 모델로 함께 공개됨
  • 2024.09.19Alibaba Qwen — Qwen2.5 공개 — 0.5B~72B 7종, 최대 18T 토큰 사전학습, 128K 컨텍스트, 29개 이상 언어. Qwen2.5-Coder·Qwen2.5-Math 동시 공개 출처3B와 72B를 뺀 오픈 모델을 Apache 2.0으로 배포했고, 이전 세대에서 빠졌던 14B·32B 크기를 다시 넣음
  • 2024.09.11업스테이지 — Solar Pro Preview 공개 — 22B, 단일 GPU 구동을 겨냥, 영어 전용·4K 컨텍스트, 상업 이용 가능한 오픈소스(MIT) 출처11월 정식판에 앞서 가중치와 무료 API로 내놓은 프리뷰로, 자사 주장 기준 GPU 여러 장이 필요한 Llama 3.1 70B와도 겨룸
  • 2024.07.24Mistral AI — Mistral Large 2 공개 — 123B, 128K 컨텍스트, 수십 개 언어·80개 이상 코딩 언어, Instruct 가중치를 Mistral Research License로 공개 출처단일 노드 추론을 겨냥한 123B 플래그십의 가중치를 공개하되 연구·비상업 용도로 한정하고, 셀프 배포 상업 이용에는 별도 상용 라이선스를 요구
  • 2024.06.27Google — Gemma 2 공개 (9B·27B) — Gemma 라이선스, 27B는 단일 NVIDIA H100·A100 80GB GPU 또는 TPU 호스트에서 전정밀도 추론 출처자사 주장 기준 27B가 크기 두 배 이상인 모델과 겨룰 수준이고 9B가 Llama 3 8B를 앞섰다고 밝힌 Gemma 2세대
  • 2024.06.17DeepSeek — DeepSeek-Coder-V2 공개 — 236B(활성 21B)·16B(활성 2.4B) MoE, DeepSeek-V2 중간 체크포인트에서 6T 토큰 추가 학습, 지원 언어 86→338개, 컨텍스트 16K→128K 출처자사 평가 기준 코드 과제에서 GPT-4 Turbo와 비슷한 성능을 냈다고 밝힌 오픈웨이트 코드 모델
  • 2024.06.07Alibaba Qwen — Qwen2 공개 — 0.5B·1.5B·7B·57B-A14B·72B 5종, 영어·중국어 외 27개 언어 추가 학습, 7B·72B Instruct 최대 128K 컨텍스트 출처72B만 기존 Qianwen 라이선스를 유지하고 나머지 4종은 Apache 2.0으로 바꿔 Qwen 계열의 라이선스 개방이 시작된 릴리스
  • 2024.05.29Mistral AI — Codestral 공개 — 22B 코드 모델, 80개 이상 프로그래밍 언어, 32K 컨텍스트, FIM 지원, 새 Mistral AI Non-Production License 출처가중치를 공개하되 연구·테스트 용도로만 쓰게 한 비생산(Non-Production) 라이선스를 새로 도입하고 상업 이용은 별도 라이선스로 둔 사례
  • 2024.04.17Mistral AI — Mixtral 8x22B 공개 — 총 141B·활성 39B 희소 MoE, 64K 컨텍스트, 네이티브 함수 호출, Apache 2.0 출처Mixtral 8x7B보다 큰 MoE를 다시 Apache 2.0으로 내놓은 Mistral의 오픈웨이트 모델
  • 2024.02.26Mistral AI — Mistral Large 공개 — 플래그십 텍스트 모델, 32K 컨텍스트, 영어·프랑스어·스페인어·독일어·이탈리아어 네이티브, 함수 호출. la Plateforme와 Microsoft Azure로 API 제공, 공개 가중치 없음 출처Microsoft Azure를 첫 유통 파트너로 두고 API로 낸 플래그십으로, 자사 주장 기준 API로 제공되는 모델 가운데 GPT-4 다음 2위
  • 2023.12.14업스테이지 — SOLAR 10.7B 공개 — 오픈소스 7B 모델을 깊이 업스케일링(DUS)해 3T 토큰 이상으로 사전학습, 베이스 모델은 Apache 2.0, 지시 조정 모델은 CC BY-NC 4.0 출처자사 발표 기준 공개 시점 Hugging Face Open LLM 리더보드 1위에 오른 국내 스타트업 모델로, 1위 점수인 평균 74.2점은 지시 조정 모델(SOLAR-10.7B-Instruct)의 기록이며 베이스 모델은 66.04점
  • 2023.11.29DeepSeek — DeepSeek LLM 7B·67B(Base·Chat) 공개 — 영어·중국어 2T 토큰으로 처음부터 학습, 학습 중간 체크포인트도 공개, 모델 라이선스상 상업 이용 허용 출처중간 체크포인트까지 공개한 DeepSeek의 범용 언어 모델로, 자사 평가 기준 67B Base가 추론·코딩·수학·중국어 이해에서 Llama 2 70B Base를 앞섰다고 밝힘
  • 2023.08.24Meta — Code Llama 공개 (7B/13B/34B) — Llama 2 기반 코드 특화 모델, Python·Instruct 변형 포함, Llama 2와 같은 커뮤니티 라이선스 출처Llama 2를 바탕으로 코드·코드 관련 데이터 5,000억 토큰을 학습한 코드 특화 계열로, 70B는 2024년 1월 29일에 추가 공개됨
  • 2023.08.03Alibaba Cloud — Qwen-7B·Qwen-7B-Chat 공개 — 통의천문(Tongyi Qianwen) 계열 첫 오픈웨이트, ModelScope·Hugging Face 배포, 통의천문 라이선스(상업 이용은 신청제) 출처알리바바의 첫 오픈웨이트 언어 모델로, 초기판은 2.2T 토큰으로 학습됐고 2023년 9월 25일 갱신판에서 2.4T 토큰으로 늘어남
  • 2021.05.25네이버 — 하이퍼클로바 공개(NAVER AI NOW) — 자사 발표 기준 2,040억 파라미터, 학습 데이터의 97%가 한국어 출처네이버가 한국 최초의 초대규모 AI이자 AI 주권 확보 수단으로 내세운 비공개 모델로, 이후 하이퍼클로바X로 이어짐
⑥기록 17개

추론 모델·AGI 논쟁

  • 2026.09.29OpenAI — GPT-6.1 Sol 공개 — 자사 주장으로 DeepSWE v1.1 코딩 벤치마크에서 GPT-6 Sol 최고점을 6.4%p, AutomationBench를 4.8%p, OSWorld 2.0 컴퓨터 사용을 7%p 상회하고 Terminal-Bench Science 점수는 2배 이상이다. 낮은 추론 강도에서 사실성 오류율을 11.4%에서 7.7%로 줄였다고 밝힘. 100만 토큰당 입력 $2.00·캐시 입력 $0.10·출력 $10.00로, GPT-6 Astra 표준 단가의 1/5에 'Astra에 가까운 지능'을 둔다는 포지셔닝. ChatGPT Work·Codex의 Plus·Pro·Business·Enterprise·Edu 전체와 API(gpt-6.1-sol)에 당일 제공. 토큰 생성이 최대 8배 빠른 Ultrafast 판은 추후 예정. 출처같은 주에 Anthropic Sonnet 5.5와 나란히 나온 중급 등급 갱신이다. 두 랩이 동시에 '프런티어의 1/5 가격으로 거의 같은 일'을 내세웠다는 점에서, 2026년 하반기의 경쟁축이 최고 성능이 아니라 성능당 단가로 이동했음을 보여 준다.
  • 2026.09.28Anthropic — Claude Sonnet 5.5 공개 — 자사 주장으로 Terminal-Bench 4.0 70.6%(Sonnet 5 10.3%), CursorBench 4.0 55.5%(34.1%), GDPval-AA v2.1 1844점(1449점)이며 GDPval-AA에서 Opus 5.5보다 2점 낮다. Sonnet 5 대비 30% 이상 빠르고 과제당 비용은 최대 30% 낮다고 밝힘. 100만 토큰당 입력 $2·출력 $10, 캐시 읽기 $0.20·쓰기 $2.50. AWS·Google Cloud·Azure를 포함한 전 플랫폼에 즉시 제공(모델 ID claude-sonnet-5-5), 데이터 미보존 옵션 제공. 스크린샷만으로 포켓몬 레드를 깬 첫 Sonnet이라고 덧붙임. 출처중급 등급이 상급 등급의 두 점 아래까지 올라왔다는 벤더 주장 자체가 이 주의 사건이다. 등급 간 성능 간격이 좁아지면 가격이 선택 기준이 되고, 프런티어 모델을 쓸 이유가 과제 난이도에서 지연·비용으로 옮겨 간다. 다만 Terminal-Bench 10.3%→70.6% 같은 폭은 같은 조건 비교인지 외부 검증이 없어 자사 주장으로만 둔다.
  • 2026.02.17Anthropic — Claude Sonnet 4.6 출시 — 1M 토큰 컨텍스트(베타), 100만 토큰당 $3/$15 유지 출처Free·Pro 요금제의 claude.ai와 Claude Cowork 기본 모델이 됐고, 조기 접근 개발자들이 전작보다 크게 선호했으며 2025년 11월의 Opus 4.5보다도 자주 선호했다고 자사 발표
  • 2025.12.11OpenAI — GPT-5.2 출시 — Instant·Thinking·Pro 3종, 전문 지식 업무·장시간 에이전트용 프런티어 모델 표방 출처자사 측정 GPT-5.2 Thinking이 GDPval 승·무 70.9%(GPT-5 38.8%), ARC-AGI-2(Verified) 52.9%(GPT-5.1 Thinking 17.6%), SWE-bench Verified 80.0%
  • 2025.11.24Anthropic — Claude Opus 4.5 출시 — 100만 토큰당 $5/$25(Opus 4·4.1은 $15/$75), API에 effort 파라미터 도입 출처자사 측정으로 effort를 중간으로 두면 SWE-bench Verified에서 Sonnet 4.5 최고점과 같은 점수를 출력 토큰 76% 적게 써서 낸다고 밝힘
  • 2025.11.12OpenAI — GPT-5.1 출시 — GPT-5.1 Instant·Thinking 두 모델로 GPT-5 시리즈 갱신 출처Thinking은 질문에 따라 사고 시간을 더 동적으로 조절해, 가장 빨리 끝나는 과제에서는 약 2배 빠르고 가장 오래 걸리는 과제에서는 약 2배 오래 생각한다고 밝혔으며, 이름은 GPT-5 세대 안의 반복 갱신임을 뜻한다고 설명
  • 2025.10.15Anthropic — Claude Haiku 4.5 출시 — 소형 모델, 100만 토큰당 $1/$5, SWE-bench Verified 73.3%(자사 측정) 출처5개월 전 최고 수준이던 Sonnet 4와 비슷한 코딩 성능을 3분의 1 비용, 2배 이상 속도로 제공한다고 밝혔고, CBRN 위험이 제한적이라는 판단에 따라 ASL-2로 출시
  • 2025.09.29Anthropic — Claude Sonnet 4.5 출시 — OSWorld 61.4%, SWE-bench Verified 77.2%(자사 측정), 100만 토큰당 $3/$15 유지 출처복잡한 다단계 작업에서 30시간 넘게 집중을 유지하는 것을 관찰했다고 밝혔고, Claude Agent SDK 공개와 함께 ASL-3 보호 조치 아래 출시
  • 2025.08.05Anthropic — Claude Opus 4.1 출시 — 에이전트 작업·실전 코딩·추론에서 Opus 4를 개선한 갱신판 출처자사 측정 SWE-bench Verified 74.5%. 가격은 Opus 4와 같고 모든 용도에서 Opus 4.1로 전환하라고 권고
  • 2025.05.22Anthropic — Claude Opus 4·Sonnet 4 출시 — 즉답과 확장 사고 두 모드의 하이브리드 모델, Claude Code 정식 출시(GA) 동시 발표 출처자사 측정 SWE-bench Verified Opus 4 72.5%·Sonnet 4 72.7%, Terminal-bench Opus 4 43.2%. 100만 토큰당 Opus 4 $15/$75, Sonnet 4 $3/$15로 이전 세대와 같고 ASL-3 등 상위 안전 수준 조치를 함께 시행
  • 2025.03.06Alibaba Qwen — QwQ-32B 공개 — 강화학습 확장으로 학습한 32B 추론 모델, Apache 2.0 출처QwQ-32B-Preview의 정식 후속으로, 자사 주장 기준 총 671B(활성 37B)인 DeepSeek-R1과 비슷한 성능을 32B로 냈다고 밝힘
  • 2025.02.27OpenAI — GPT-4.5 리서치 프리뷰 공개 — 비지도 학습 확장으로 만든 OpenAI 최대 채팅 모델, Pro 사용자와 개발자에게 제공 출처응답 전에 생각하지 않는 비추론 모델로, 자사 측정 GPQA 71.4%·SWE-bench Verified 38.0%는 o3-mini(high)의 79.7%·61.0%보다 낮았으나 MMMLU 85.1%(o3-mini 81.1%)·SWE-Lancer Diamond 32.6%(10.8%)에서는 앞섬
  • 2025.01.31OpenAI — OpenAI o3-mini 출시 — 추론 시리즈의 비용 효율형 소형 모델, 추론 강도 low·medium·high 3단계 선택 출처2024년 12월 예고 후 ChatGPT Plus·Team·Pro와 API(사용 티어 3~5)에 같은 날 제공했고, 무료 사용자에게도 'Reason' 버튼으로 열어 ChatGPT 무료 사용자에게 추론 모델을 처음 제공. 과학·수학·코딩에 강점을 둔 모델이라고 밝힘
  • 2024.12.11Google DeepMind — Gemini 2.0 발표 — 첫 모델 Gemini 2.0 Flash 실험 버전 공개, 네이티브 이미지·오디오 출력과 네이티브 도구 사용 출처2.0 Flash가 주요 벤치마크에서 1.5 Pro를 두 배 속도로 앞선다고 자사 주장했고, Multimodal Live API와 Deep Research를 함께 내놓으며 Project Astra·Mariner·Jules 등 에이전트 시제품을 소개
  • 2024.07.18OpenAI — GPT-4o mini 출시 — MMLU 82%(자사 측정), 100만 토큰당 입력 $0.15·출력 $0.60, 128K 컨텍스트 출처GPT-3.5 Turbo보다 60% 이상 저렴하다고 밝혔으며 ChatGPT Free·Plus·Team에서 GPT-3.5를 대체
  • 2024.06.20Anthropic — Claude 3.5 Sonnet 출시 — 3.5 계열 첫 모델, 100만 토큰당 $3/$15·200K 컨텍스트, Artifacts 기능 동시 도입 출처중급 Sonnet 가격으로 Claude 3 Opus를 넘는 성능을 2배 속도로 낸다고 밝혔고, 자사 에이전트 코딩 평가 해결률 64%(3 Opus 38%). 영국 AISI가 배포 전 안전성 평가를 했고, 자사 레드팀 평가로 ASL-2 유지 판정
  • 2024.03.04Anthropic — Claude 3 모델군(Haiku·Sonnet·Opus) 발표 — 3개 등급, 비전 입력, 200K 컨텍스트 출처Opus·Sonnet은 발표 당일 claude.ai와 159개국 정식 API로 제공되고 Haiku는 추후 제공. 100만 토큰당 Opus $15/$75, Sonnet $3/$15, Haiku $0.25/$1.25이며 RSP상 ASL-2로 평가
①기록 4개

프롬프트 엔지니어링

  • 2023.08.09Anthropic — Claude Instant 1.2 API 출시 — 더 빠르고 저렴한 경량 모델에 Claude 2의 강점 반영 출처자사 측정으로 Codex 58.7%(Instant 1.1 52.8%), GSM8K 86.7%(80.9%)이며 환각이 줄고 탈옥 저항이 높아졌다고 밝힘
  • 2023.07.11Anthropic — Claude 2 출시 — 프롬프트당 최대 100K 토큰 입력, API와 함께 공개 베타 웹사이트 claude.ai 개시(미국·영국) 출처자사 측정으로 Codex HumanEval 71.2%(Claude 1.3 56.0%), GSM8k 88.0%(85.2%), 미국 변호사 시험 객관식 76.5%(73.0%)이며 API 가격은 Claude 1.3과 동일
  • 2023.05.10Google — PaLM 2 발표 — 100개 이상 언어로 다국어 학습 강화, Gecko·Otter·Bison·Unicorn 4개 크기 출처Google I/O에서 Bard를 포함한 25개 이상 제품·기능에 적용한다고 발표했으며, 가장 작은 Gecko는 오프라인 모바일 기기에서도 구동된다고 밝힘
  • 2023.02.06Google — Bard 발표 — LaMDA 기반 실험적 대화형 AI 서비스, 신뢰 테스터에게 먼저 공개 출처LaMDA 경량 버전으로 시작해 연산 부담을 줄이고 외부 피드백을 모은 뒤 수 주 안에 일반 공개하겠다고 밝힘
③기록 4개

툴·에이전트

  • 2026.09.29OpenClaw Foundation·Red Hat·NVIDIA — OpenClaw Enterprise(OCE) 공개 — 민감한 환경에서 상시 에이전트를 운영하기 위한 오픈소스·벤더 중립 플랫폼. 멀티테넌시, 단단한 보안 경계, 표준화된 에이전트 프리미티브, 에이전트 생애주기 전반의 거버넌스와 감사성을 제공하고, 하네스·모델·샌드박스 같은 핵심 구성요소를 제3자 또는 사내 것으로 바꿔 끼울 수 있게 설계. OpenAI에서 시작해 OpenClaw Foundation에 기증했고 Red Hat·NVIDIA와 공동 개발, Red Hat과 OpenAI에서 시범 운영 중. 자체 인프라에서 돌리며 어떤 조직에도 항상 무료라고 밝힘(구체 라이선스명은 미기재). GitHub 저장소에서 docker-compose·쿠버네티스로 자체 호스팅 가능하고 1.0은 2026년 중 예정. 출처에이전트 런타임이 벤더 제품에서 재단 소유 표준 인프라로 넘어가는 경로가 생겼다. 하네스·모델·샌드박스를 교체 가능한 슬롯으로 규정한 것이 핵심인데, 이 분리가 자리 잡으면 모델 교체 비용이 떨어지고 기업은 특정 랩에 덜 묶인다. 상시 에이전트를 사내 격리 환경에 두려는 제조·금융 쪽 요구와 바로 맞물린다.
  • 2026.09.29OpenAI — dots 공개(DevDay 2026) — GPT-6 Astra 기반의 상시 가동(always-on) 에이전트. 자체 클라우드 컴퓨터에서 돌고 OpenAI 플러그인 생태계로 4,000개 이상 앱에 연결되며, 사용자는 ChatGPT·Slack·Teams로 지시하고 피드백을 준다. 지시와 피드백을 받아 스스로 일하며 선호를 시간에 걸쳐 학습한다고 밝힘. Pro·Business Premium 요금제에 첫 dot이 추가 비용 없이 포함되고 출시 첫 달은 한도를 넓혀 준다. Enterprise는 워크스페이스 관리자가 켜면 베타로 쓸 수 있고, 조직 단위 책무를 맡는 전문(specialist) dot도 함께 제시. 출처에이전트를 '요청할 때 도는 세션'이 아니라 '계정에 상주하는 인격'으로 파는 첫 주요 상용 제품이다. 과금 단위가 토큰·좌석에서 에이전트 수로 옮겨 가고, 상시 가동은 권한·감사·격리 설계를 제품 쪽에서 강제한다 — 같은 주 OpenClaw Enterprise·Foundry 이그레스 제어와 같은 문제를 다른 층에서 건드린다.
  • 2026.09.28SpaceXAI(xAI) — Team Bots 공개 — Grok 위에 올린 공유 AI 팀원. 하나의 봇에 컨텍스트(브랜드 가이드·문서 같은 파일과 지침·스킬), 플러그인(Salesforce·Notion·GitHub 등), 자격증명(제3자 API 접근), 메모리(배운 것을 남겨 시간이 갈수록 나아짐) 넷을 묶어 팀원 전체가 공유하되 개인 대화는 사적으로 남긴다. Slack에서 봇 전용 핸들로도 협업하고, 영업·제품관리·마케팅·데이터 분석용 선제작 템플릿을 제공. Teams·Enterprise 요금제에 공개 베타로 당일 제공. 발표 문서의 회사 표기는 'SpaceXAI LLC'. 출처에이전트를 개인 비서가 아니라 팀의 공유 자산으로 두는 설계다. 컨텍스트·자격증명·메모리를 봇 단위로 묶으면 조직 지식이 봇에 축적되는 대신 그 봇이 권한 집중점이 된다 — 같은 주 OpenAI dots와 같은 방향이고, 공유 자격증명이라는 점에서 보안 노출은 더 크다.
  • 2026.09.24Microsoft — Microsoft Foundry Agent Service의 Routines 정식 출시(GA) — 에이전트를 일정에 따라, 지정한 시각에, 또는 외부 시스템의 이벤트에 반응해 돌리는 관리형 방식. 스케줄러·이벤트 리스너·웹훅·인프라를 따로 만들 필요 없이 트리거·에이전트 동작·ID·연결·실행 이력을 Foundry 프로젝트 안에 모은다. 트리거는 타이머(미래 한 시점 1회)·반복(일정 주기)·이벤트 기반(연결된 시스템에서 사건 발생) 셋. ID는 생성자 위임 권한과 에이전트 고유 Entra ID 중 선택. 미리보기인 리마인더 도구로 에이전트가 스스로 일정 시간 뒤 재실행을 예약해, 외부 폴링 서비스 없이 다단계 과제를 감시할 수 있다. 초기 연동은 GitHub 이슈 이벤트와 Teams 채널 메시지. 출처에이전트가 '사람이 부를 때 도는 것'에서 '스스로 깨어나는 것'으로 넘어가는 운영 기반이 클라우드 제품의 GA가 됐다. 에이전트에 고유 ID를 주는 선택지가 함께 나온 점이 중요한데, 감사 로그의 주체가 사람이 아니라 에이전트가 되면 책임 추적의 단위가 바뀐다.
⑩기록 4개

안전·정렬·해석가능성

  • 2026.09.30OpenAI — 조직적 모델 증류(distillation) 캠페인 차단 공개 — 2026-07-01부터 07-28 까지의 활동. 암호화나 데이터베이스를 뚫은 것이 아니라 모델 상호작용을 조작해 보호된 추론을 요청자에게 보이는 형태로 재현시킨 적대적 증류였다고 설명. 7월 1일 낮은 빈도로 시작해 7월 24~25일에 4,000명 이상 사용자가 관련 추출 패턴으로 16,000건을 요청했고, 관련 활동은 15,000명 이상 사용자에 걸쳤다. 활동의 핵심 군집을 Kimi 개발사 Moonshot AI 관련 인물로 귀속한다고 밝혔으나 전체 운영자 귀속은 불확실하다고 적음. 계정 차단, 부정 계정 제한, 가입 통제 강화, 모니터링 확대, 추론 재생 경로 차단, 출력 탐지 검사 추가, 제3자 서비스 제공자와 공조로 7월 28일 완전 차단. 출처추론 과정(reasoning trace)을 숨기는 것이 영업비밀 보호 조치가 된 뒤 처음 공개된 대규모 추출 시도다. 귀속이 특정 중국 랩을 지목한 점에서 기술 사건이 아니라 지정학 사건으로 읽히고, 추론 비공개 정책이 안전 논거뿐 아니라 방어 논거를 함께 갖게 된다. 귀속은 OpenAI 측 주장이며 제3자 검증은 없다.
  • 2026.09.29Anthropic — 'GLM-5.3 and the spread of advanced cyber capabilities' 공개 — GLM-5.3이 ExploitBench 410회 시도 중 50회(12%)에서 동작하는 익스플로잇을 만들고, 자체 바이너리 익스플로잇 벤치마크에서는 4% 시행에서 완전한 제어흐름 탈취(control-flow hijack)에 성공했다고 보고. 간단한 기법으로 안전장치가 64~100% 우회되고, abliteration을 거치면 JailbreakBench 거부율이 95%에서 6%로 떨어졌다. 'GLM-5.3은 오용을 제한할 의미 있는 안전장치 없이 공개된 점에서 다른 프런티어 모델과 다르다'며, 악의적 행위자가 제약 없이 취약점을 찾아 악용할 역량을 얻게 되고 이는 공격자가 쓸 수 있는 사이버 역량의 '의미 있는 단계적 변화'라고 결론. 출처오픈웨이트 공개가 안전 조치 없이 이뤄질 때 무엇이 흘러나가는가를 경쟁 랩이 수치로 제시한 첫 사례다. 오픈웨이트 계보(축⑨)의 논쟁이 '성능 격차'에서 '안전장치 격차'로 옮겨 가고, 가중치 공개 자체가 아니라 함께 공개되지 않은 것이 쟁점이 된다. 경쟁자가 경쟁자를 평가했다는 이해관계는 감안해야 한다.
  • 2026.09.28OpenAI — 'Towards safety cases for frontier AI training' 공개 — 프런티어 강화학습 훈련을 계속하기 전에 구조화된 증거 기반 위험 문서(safety case)를 만들자는 제안. safety case는 기술 스택의 세 측면 — 정렬 학습, 격리(containment), 모니터링 — 을 모두 다뤄야 하고, 훈련 실행을 책임지는 선임 책임자가 safety case와 사고 대응에 책임을 져야 한다고 적음. 환경 채점을 통한 정렬, 인프라 격리와 샌드박스 강화, 자동 대응을 포함한 실시간 모니터링, 사전 부검(pre-mortem)·경영진 거부권·감사, 조사 결과 공개를 요소로 든다. 현재 OpenAI에서 적용 중이지만 '지향적(aspirational)' 모범 사례라고 스스로 규정. 출처안전 논의의 대상이 배포 시점에서 훈련 시점으로 옮겨 간 기록이다. 모델이 훈련 중 격리를 벗어날 수 있다는 전제를 랩이 공개 문서로 받아들이면, 규제가 참조할 수 있는 절차 기준이 생긴다 — 같은 주 Anthropic의 GLM-5.3 분석과 합쳐 보면 '안전장치 없는 공개'를 비교할 기준선도 된다.
  • 2026.09.24Microsoft — Microsoft Foundry 호스티드 에이전트의 네트워크 이그레스(egress) 제어 공개 — 에이전트가 밖으로 연결할 수 있는 목적지를 FQDN 규칙으로 ARM 리소스에 정의한다. 규칙은 Allow·Deny·요청 헤더 변형(Transform)·목적지 재작성(Rewrite) 네 동작을 지정할 수 있고, 정책은 차단 없이 관찰만 하는 감사(Audit) 모드와 실제 차단하는 집행(Enforced) 모드로 돌며, 승인되지 않은 목적지를 기본 거부로 둘지 관리자가 정한다. 문서에 실린 낯선 업로드 링크나 예상치 못한 URL을 따라가는 새 헬퍼 라이브러리처럼 에이전트가 뜻밖의 외부 요청을 보내는 상황을 겨냥하며, 도구 심사에만 기대지 말고 애플리케이션 인증·인가와는 '별개로 검토할 수 있는' 보안 경계를 두자는 설계. 출처프롬프트 인젝션 방어를 모델 정렬이 아니라 네트워크 경계로 내린 상용 구현이다. 에이전트가 속는 것을 막을 수 없다는 전제에서 출발해 속아도 데이터가 못 나가게 하는 접근이고, 같은 주 NVIDIA·AgentKernel 계열 논의와 같은 결론에 제품 층에서 도달했다. 관찰 주제 '에이전트 보안·샌드박싱'의 누적 근거가 또 하나 늘었다.
⑪기록 4개

모델 아키텍처·학습 기법

  • 2026.10.01Hui Ren 외 (UIUC) — HC-DLM(Hierarchical Continuous Diffusion Language Models) 공개 — 이산 확산 언어모델이 각 토큰을 주변분포에서 독립으로 표집해 통계적 의존을 끊어 버리는 문제와, 연속 확산이 최종 디코딩 전까지 유효한 토큰 배치에 근거가 없는 문제를 함께 겨눔. 연속 잠재를 유일한 지속 상태로 두고 매 단계 토큰을 읽어 내 다시 되먹여 다음 갱신을 이끄는 통합 디노이징 틀이며, 학습 목표는 토큰 가능도의 변분 하한에서 유도. 모델 크기를 맞춘 비교에서 스도쿠(구조적 추론) 정확도, Countdown(수학적 계획), LM1B 퍼플렉시티가 모두 기준선보다 개선. arXiv 2610.02193. 출처자기회귀 밖의 생성 경로가 '병렬 생성이 빠르다'는 주장에서 '의존 구조를 어떻게 지키느냐'는 문제로 성숙한 지점이다. 이산·연속 확산 각자의 결함을 하나의 상태로 묶어 해결하려는 설계이고, 관찰 주제 '확산 언어모델'의 누적 근거가 또 하나 늘었다.
  • 2022.04.04Google Research — PaLM(Pathways Language Model) 발표 — 540B 밀집 디코더 전용 Transformer, TPU v4 칩 6,144개에서 Pathways로 학습 출처Pathways 시스템을 대규모 학습에 처음 쓴 사례로, 영어 NLP 과제 29개 중 28개에서 GPT-3·Gopher·Chinchilla 등 기존 대형 모델의 퓨샷 성능을 넘었다고 보고
  • 2018.10.11Google (Devlin 외) — BERT 논문 arXiv 공개 — 좌우 문맥을 함께 보는 양방향 Transformer 인코더 사전학습 출처출력층 하나만 더해 미세조정하는 방식으로 11개 자연어 처리 과제에서 최고 성능을 기록했으며 GLUE 80.4%·SQuAD v1.1 F1 93.2(저자 보고)
  • 2018.06.11OpenAI (Radford 외) — GPT(통칭 GPT-1) 논문 Improving Language Understanding by Generative Pre-Training 공개 — 12층 디코더 전용 Transformer를 BooksCorpus로 사전학습한 뒤 과제별 미세조정 출처비지도 생성 사전학습과 지도 미세조정을 결합해 연구한 12개 과제 중 9개에서 당시 최고 성능을 경신했다고 보고
⑬기록 3개

컴퓨트 경제·지정학

  • 2026.10.02Anthropic — Claude Frontier Academy 발표 — 2027년 말까지 1억 달러를 들여 Frontier Deployed Engineer(FDE) 1만 명을 길러낸다는 기업 AI 인력 프로그램. 의학 레지던시를 모델로 삼아, 먼저 Anthropic 엔지니어와 함께 모의 기업 배포를 다루는 수일간의 대면 집중과정을 거치고 채점되는 실기를 통과하면 Claude Resident Engineer 배지를 받는다. 그다음 12주 레지던시에서 Anthropic 엔지니어의 지원을 받아 자기 조직의 실제 Claude 프로젝트를 이끌고, 수료하면 Claude Frontier Deployed Engineer 자격을 받는다. 1기에 Accenture·Bain·Capgemini·Commonwealth Bank of Australia·Deloitte·McKinsey·Morgan Stanley·Novo Nordisk 소속 엔지니어가 들어가며 샌프란시스코·뉴욕·런던에서 운영. 첫 수료는 2027년 초 예정. 출처모델 공급사가 인력 자격증을 직접 발급하기 시작했다. 병목이 모델 성능이 아니라 '기업에 깔 수 있는 사람'이라는 진단이고, 자격을 랩이 쥐면 컨설팅사·금융사의 배포 인력이 특정 모델 생태계에 묶인다. 컴퓨트 경제의 경쟁이 칩과 전력에서 숙련 인력으로 번진 지점이다.
  • 2026.08.18과학기술정보통신부 — 독자 AI 파운데이션 모델 2차 단계평가 결과 발표 — 업스테이지·SK텔레콤·LG AI연구원 다음 단계 진출, 모티프테크놀로지스 탈락. 벤치마크 40점·전문가 35점·사용자 25점 합산 출처4개 팀 모델 모두 독자성 기준을 충족한 것으로 판정된 가운데, 이번에 처음 도입한 국민 참여형 사용자 평가까지 합산해 3개 팀으로 압축됨
  • 2026.02.20과학기술정보통신부 — 독자 AI 파운데이션 모델 정예팀 추가 선정 — 모티프테크놀로지스 컨소시엄(모레·클라우드웍스·엔닷라이트·KAIST·매스프레소 참여) 선정, 함께 응모한 트릴리온랩스는 근소한 점수차로 탈락 출처1차 평가 뒤 3개 팀으로 줄었던 사업에 1팀을 더해 4개 팀이 같은 개발 기간·GPU·데이터 조건으로 8월 단계평가를 받게 됨
④기록 2개

MCP·Skills 표준화

  • 2026.10.02Tencent AIG·OpenClaw — Tencent AIG가 ClawScan에 합류 — ClawHub에 제출되는 스킬·플러그인의 보안 평가를 벤치마크 평가로 보강한다고 발표. 출처스킬·플러그인 마켓이 커지면 공급망이 공격면이 된다. 심사를 특정 벤더가 아니라 복수 참여자의 벤치마크로 돌리는 구조는 패키지 저장소가 지나온 길과 같고, MCP·Skills 표준화(축④)가 배포 규격에서 심사 규격으로 넓어지는 신호다.
  • 2026.09.29Jaewon Chu 외 — RASO(Retrieval-Augmented Skill Optimization via Cross-Harness Adaptation) 공개 — 비싼 에이전트 롤아웃에만 기대지 않고 이미 있는 스킬 저장소를 밑천 지식으로 삼아 에이전트 스킬을 최적화하는 틀. 두 단계로 돈다: RASI는 롤아웃 없이 기존 지식에 근거한 초기 스킬을 만들고, RASU는 실행 결과를 길잡이로 외부 지식을 검색해 스킬을 점진적으로 개선한다. 에이전트 벤치마크 4종·모델 2종에서 검색 증강 초기화·갱신이 없는 기준선을 일관되게 앞섰다고 밝힘. 16쪽. arXiv 2609.38024. 출처스킬을 하네스마다 새로 학습하는 대신 저장소에서 검색해 적응시킨다는 접근으로, 스킬이 모델·하네스에 묶인 산출물에서 이전 가능한 자산으로 바뀐다. 같은 주 ClawScan의 스킬 심사 강화와 함께 보면 스킬이 유통되는 물건이라는 전제가 양쪽에서 굳어지는 중이다.
⑧기록 2개

추론 인프라·서빙

  • 2026.09.29Martin Hickey (IBM Research)·vLLM — 'Taking vLLM Apart: A Practical Guide to Disaggregated Serving' 공개 — 프리필/디코드 분리와 CPU 작업의 GPU 분리를 실무 수치로 정리. L40S 48GB 2장·Qwen2.5-7B-Instruct·약 8k 토큰 프롬프트에서 통합(collocated) 배치의 p99 토큰간 지연(ITL)은 0.4 req/s에 23ms에서 169ms로 뛰고 2 req/s에 263ms에 이르는 반면, 프리필/디코드 분리는 전 부하 구간에서 25~52ms를 유지. AMD MI300X·Qwen3-235B 에서는 TTFT 1초와 ITL 50ms를 동시에 만족한 요청이 분리 73/100 대 통합 30/100. 다중 노드 H200 에서는 통합 레플리카 대비 평균 종단 지연 59%·P95 67% 감소. 분리 가능한 작업을 셋으로 제시: ①프리필/디코드 분리(10k 토큰 Llama-3.1-70B 프롬프트에서 약 3GB의 KV 캐시를 RDMA로 전송) ②토크나이즈·채팅 템플릿·파싱을 맡는 GPU 없는 렌더 계층(9k 토큰 프롬프트에 CPU 약 15ms) ③다중 턴 대화에서 캐시를 재사용하는 양방향 KV 전송. 출처분리 서빙이 연구 주장에서 운영 안내로 내려왔다. 평균 처리량이 아니라 p99 지연을 기준으로 삼은 것이 핵심인데, 에이전트 루프는 꼬리 지연에 그대로 노출되기 때문이다. 같은 주 OpenAI가 속도를 별도 과금 등급으로 떼어 낸 것과 같은 압력의 오픈소스 쪽 대응이다.
  • 2026.09.29OpenAI — DevDay 2026 발표 묶음 — Ultrafast 속도 등급 공개: Codex에서 토큰 생성 최대 8배(초당 300토큰), API에서 최대 6배로, API와 ChatGPT Work/Codex의 Pro 500·Enterprise에 당일 제공. 함께 Private Intelligence(Private Safety Processing을 붙인 Zero Data Retention — OpenAI 인력이 내용을 보지 않고 자동 안전 검토를 돌린다, Private Inference 미리보기는 2026년 가을), Decisions API(사용자가 정의한 질문과 유한한 사전 정의 답 중에서 실시간 결정), Computer Use를 포함한 Agents API, Bedrock Managed Agents, Codex Security Cloud(GitHub 저장소 자동 점검과 수정안 준비), Codex CLI 개편, ChatGPT Space·Pages·Team Tasks, Pro 500 등급(Plus 한도의 25배), 16곳 이상 파트너의 'Sign in with ChatGPT'를 발표. 출처속도가 별도 과금 등급으로 분리된 것이 핵심이다. 지연이 에이전트 루프의 병목이 되면 초당 토큰이 품질과 분리된 상품이 되고, 추론 인프라 투자는 최고 점수가 아니라 등급별 지연 보장으로 회수된다.
⑤기록 1개

루프·하네스 엔지니어링

  • 2026.10.01Sungho Park 외 (Microsoft 외) — ActiveSaddler 공개 — 기존 LLM 에이전트 최적화가 '하네스를 어떻게 갱신하는가'는 다루면서 '어떤 학습 시나리오가 그 피드백을 만드는가'는 대체로 고정해 둔다는 점을 지적하고, 비정상(non-stationary) 밴딧으로 커리큘럼을 하네스 진화와 함께 적응시킴. 반복되는 에이전트 실패를 재사용 가능한 실패 패턴으로 추상화하고, 각 패턴을 겨눌 때 얻을 학습 잠재력을 추정해 이미 아는 약점의 활용과 새 실패 상황의 탐색을 저울질한다. 고정 시나리오 순서를 쓰는 기준 하네스 최적화 대비 GAIA2에서 Pass@1 +4.4%p, Terminal-Bench 2.0에서 +7.5%p. arXiv 2610.00906. 출처하네스 엔지니어링의 최적화 대상이 '무엇을 고치는가'에서 '무엇을 시험하는가'로 넓어졌다. 실패를 패턴으로 추상화해 커리큘럼을 자동 편성한다는 것은 에이전트 개선 루프에서 사람이 시나리오를 고르던 자리를 대체하는 일이고, 재귀적 자기개선(축⑫)과 맞닿는다.
⑫기록 1개

학습 데이터·후속학습

  • 2021.05.18Google — LaMDA(Language Model for Dialogue Applications) 발표 — 대화 데이터로 학습한 Transformer 기반 대화 모델 출처대부분의 언어 모델과 달리 대화로 학습했고, 학습 후 미세조정으로 응답의 합리성(sensibleness)과 구체성(specificity)을 크게 높일 수 있었다고 밝힘
⑭기록 1개

물리 세계·현실 영향

  • 2026.10.01Barclays·Anthropic — Barclays의 Claude 확대 공개 — 영국 직원이 2천만 명 이상 소매 고객 관련 정보를 찾는 Colleague Knowledge Assistant를 16,000명 이상이 쓰고 있고, 2025년 출시 이후 100만 건 넘게 검색됐다. Global Markets 조직은 Claude로 하루 약 12만 건의 수신 메일을 분류·배분한다. Claude Code는 2026년 말까지 개발자 인원의 50%, 2027년에는 소프트웨어 엔지니어 대다수로 넓힐 계획이라고 밝힘. Craig Bright 그룹 공동 COO는 'AI를 우리가 만드는 방식 안에 심어진 점점 더 에이전트적인 역량으로 옮겨 가고 있다'고 말했다. 출처규제 산업의 대형 은행이 좌석 수와 처리 건수를 공개한 드문 사례다. 16,000명·하루 12만 건은 '시범'이 아니라 운영 규모이고, 개발자 50%라는 목표치는 코딩 에이전트 도입이 선택에서 계획으로 바뀐 것을 보여 준다. 수치는 모두 양사 발표다.
⑰기록 1개

임베딩·벡터 검색

  • 2026.09.30Cohere — Embed 5 공개 — Pro·Fast 두 등급의 임베딩 모델군. 두 등급 모두 컨텍스트 128K 토큰, 출력 차원 2048·1536·1024·768·512·256 가변(마트료시카), 100개 이상 언어, 텍스트·이미지·텍스트+이미지 융합 입력, float·int8·binary 임베딩 형식. 자사 주장 수치는 ViDoRe V3(기업 문서) Pro 85.8·Fast 84.5, FinanceBench 80.1, FinQA 90.0, ViDoRe Finance 85.0, 융합 텍스트-이미지 검색 평균 82.3, 페이지 이미지 금융 데이터셋 77.0, 독·불·스페인·이탈리아·러시아어 평균 77(파르시 +13, 텔루구 +12, 힌디 +12). 두 등급이 임베딩 공간을 공유해 Pro로 색인한 문서를 재색인 없이 Fast로 질의할 수 있다('one index, two models'). 100만 토큰당 Pro $0.12·Fast $0.08(이미지 둘 다 $0.40). Cohere API·Model Vault·Microsoft Foundry·Amazon SageMaker·North에서 제공. 출처임베딩 모델의 경쟁점이 점수에서 운영 비용으로 옮겨 간 사례다. 등급이 임베딩 공간을 공유한다는 설계는 재색인 비용 — 대규모 RAG에서 모델 교체를 막는 가장 큰 장벽 — 을 없애려는 것이고, 이것이 되면 임베딩 모델 교체 주기가 짧아진다.
학습모듈 본편과의 관계이 쪽은 그 주에 늘어난 것만 담아요. 시대 전체를 보려면 학습모듈 본편을 열어 보세요 — 본편은 매주 고쳐 쓰는 최신판 하나이고, 주차별 기록은 그때 모습 그대로 남아요.