AI 및 프론티어 기술 요약: 오픈 가중치, 로컬 추론, 에이전트 스택

이 게시물들에서 가장 분명한 신호는 오픈 가중치와 로컬 추론이 프론티어 연구소가 출시하는 것보다 빠르게 발전하고 있다는 것입니다. 145B 파라미터 모델이 단일 24GB 소비자 GPU에서 초당 약 98토큰으로 디코딩되고, 27B 모델이 55.6GB에서 5.9GB로 압축되며, llama.cpp가 첫 안정적인 1.0 릴리스를 출시했습니다. 모델 뉴스 아래에는 에이전트에 대한 운영 스토리가 있습니다. 샌드박싱, 검증, 메모리 및 작업별 비용이 모델 선택이 아닌 실제 엔지니어링 표면이 되고 있습니다.

오픈 가중치가 벤치마킹만 되는 것이 아니라 비축되고 있습니다

타임라인을 지배하는 실용적인 조언은 액세스 조건이 변경되기 전에 지금 오픈 가중치를 다운로드하라는 것입니다. 한 게시자는 독자들에게 Qwen3.8-27B, Qwen3.8 Flash-Next, GLM-5.3-Flash 및 DeepSeek V4.1 Flash와 abliterated quants를 "아직 큰 모델을 실행할 수 없더라도" 명시적으로 받아두라고 촉구했습니다 @superalesha. 두 번째 게시물은 겹치는 다섯 개의 오픈 모델 세트를 나열합니다 @MiaAI_lab. 세 번째는 호스팅된 Token Lab 엔드포인트를 통해 DeepSeek V4, GLM 5.3, Qwen 3.8 및 Gemma 4에 대한 무료 API 액세스를 카드 없이 광고합니다 @k2sbhai.

같은 배치에 실제 반론이 있습니다. 한 게시자는 모델을 실행하는 데 1TB RAM이 필요하다면 "오픈 가중치"가 무의미한지 직접 묻습니다 @uzair__afridi — 다운로드 가능한 파일과 사용 가능한 추론 사이의 격차를 겨냥한 반대입니다. 로컬 우선 캠프는 벤치마크가 아닌 가치로 답합니다: 오픈 가중치. 오픈 소스. 글로벌 협업. @dhh

그 논쟁의 도구 측면은 llama.cpp가 v1.0.0을 출시하면서 이정표를 세웠으며, 그 위에 구축된 수천 개의 애플리케이션과 수백만 개발자를 위한 기반을 안정적으로 만들고, 로컬 AI, 프라이버시 및 주권에 대한 명시적인 약속과 모든 플랫폼 및 모델 유형을 포괄하는 것으로 설명됩니다 @julien_c. 유지관리자는 이를 AI가 단 두 회사에 의해 통제되지 않는 미래를 위한 싸움으로 규정했습니다 @julien_c.

로컬 추론이 소비자 하드웨어에 도달하고 있습니다

이 배치의 헤드라인 주장은 단일 소비자 GPU에서 허용 가능하게 실행되는 145B 모델입니다. Edge0-145B는 총 145B 파라미터, 활성 10.12B, 256K 컨텍스트, 레이어당 512 전문가, 네이티브 4비트 훈련 및 다중 토큰 예측 추측 디코딩을 가지며, 모델과 추론 엔진이 소비자 GPU용으로 공동 설계된 것으로 보고됩니다 @TeksEdge. 보고된 디코딩 속도는 NVFP4 양자화를 사용하는 24GB RTX 5090 D에서 채팅의 경우 초당 79.6토큰, 에이전트 워크로드의 경우 98.3토큰이며, 23.25GiB VRAM과 38.27GiB 시스템 RAM을 사용합니다 @TeksEdge. Q3_K 빌드에서는 동일한 게시물이 RTX 5090 D에서 초당 121.2토큰, RTX 4090에서 91.7, Apple M2 Ultra에서 57.0의 에이전트 디코딩을 보고하고, GPU가 16GB VRAM과 20GB 시스템 RAM으로 제한된 경우 초당 44.9토큰을 보고합니다 @TeksEdge.

메커니즘은 더 작은 모델이 아닌 메모리 계층 구조입니다: 전문가는 별도의 복사본을 저장하는 대신 큰 가중치 행렬을 공유하고, 자주 사용되는 전문가는 GPU 메모리에 유지되며, 다른 전문가는 시스템 RAM에 있고, 큰 임베딩 테이블은 SSD에서 읽히며, CPU 및 GPU 실행이 추측 디코딩과 함께 실행됩니다 @TeksEdge. 보고된 벤치마크는 Terminal-Bench 2.1에서 86.5%, DeepSWE 1.1에서 64.6%, GPQA Diamond에서 90.4%, IFBench에서 80.6%, HLE에서 35.4%이며, DeepSWE는 Qwen3.8-Flash-Next 58.7%, DeepSeek-V4-Flash-0731 54.4%, Qwen3.8-27B 42.2%와 비교됩니다 @TeksEdge. 두 가지 주의 사항이 함께 제공됩니다: 추론 코드는 Apache 2.0이지만 가중치는 일부 상업적 배포에 허가가 필요할 수 있는 별도의 커뮤니티 라이선스를 사용하며, 전체 145B NVFP4 저장소는 SSD 지원 임베딩 테이블을 포함하여 약 113GB입니다 @TeksEdge.

압축은 로컬 실행 가능성의 또 다른 경로입니다. PrismML의 Bonsai 2는 Qwen3.8-27B를 55.6GB에서 5.9GB로 줄이는 것으로 보고됩니다 — 89.4% 감소 — 20개 벤치마크에서 집계 벤치마크 성능의 98.2%를 유지하면서, 이전 Bonsai 27B 버전의 약 95%에서 향상되었습니다 @Oluwaphilemon1. 방법은 삼진 양자화로, 가중치가 -1, 0 또는 +1 값만 취하고 스케일링 팩터가 사용 가능한 범위를 복구합니다 @Oluwaphilemon1. 게시물 자체는 한계를 지적합니다: 체크포인트 크기는 KV 캐시, 활성화 및 런타임 버퍼가 여전히 메모리를 소비하기 때문에 총 추론 메모리가 아니며, 집계 98.2%가 모든 기능이 균등하게 저하된다는 것을 의미하지는 않습니다 @Oluwaphilemon1.

서빙 레이어를 선택하는 것은 모델을 선택하는 것만큼 중요합니다. 한 요약은 Ollama를 단순한 로컬 실행에, vLLM을 높은 처리량의 동시 서빙에, SGLang을 접두사 캐싱 및 구조화된 출력을 갖춘 에이전트 워크플로에 매핑하며, 선택은 과대광고가 아닌 워크로드를 따라야 한다고 주장합니다 @GauriTripa94282.

프론티어 출시 경쟁은 시끄럽고 확인되지 않았습니다

Google의 한 주는 CEO가 요약한 대로 두 개의 새로운 8세대 TPU, Gemini 4 Carbon, 코드 검증된 AlphaProof, Signal 프로토콜 작업, Gemini Robotics 2.5, 질병 연구를 위한 AlphaGenome 2, AI Studio의 Gemini Decisions API, Gemini 4 Hydrogen, 지능형 안경 사전 주문을 포함했습니다 @sundarpichai.

OpenAI 측에서는 게시물이 출시가 아닌 기대를 설명합니다. 한 게시자는 Anthropic과 Google이 경쟁 모델을 출시하는 동안 GPT-6.2 Astra와 Sol이 아직 출시되지 않은 "비상"을 선언하고 OpenAI가 훈련으로 돌아갔을 수 있다고 추측했습니다 @theaidesk_. 다른 사람은 Astra와 Sol이 함께 출시될 것으로 기대하며 Astra 체크포인트를 "진정으로 인상적"이라고 부르고 코드를 통해 비디오 같은 출력이 가능하지만 전체 품질에서는 여전히 뒤처진다고 말했습니다 @Mr_nexp. 로봇 공학 중심 계정은 GPT-6 Astra가 이미 많은 로봇 벤치마크에서 최고 자리를 차지하고 있다고 주장했습니다 @openroboto. 이 중 어느 것도 공식 확인이 아닙니다.

취미 벤치마크는 대략적인 교차 모델 비교를 제공합니다: Chrome Dino 테스트에서 Qwen4-Max-Preview는 무료로 32분 12초, Gemini 4 Carbon은 34분 41초에 $5.20, GPT-6 Astra는 15분에 $4.61, Fable 5.2는 45분 30초에 $14.77로 완료했으며, 게시자는 Fable을 전체 승자로, Qwen을 가장 잘 만들어진 공룡으로 판단했습니다 @noclipepe.

널리 공유된 한 이야기는 단일 출시가 코딩 작업을 변화시킨 것으로 평가합니다: 2025년 11월 24일에 출시된 Claude Opus 4.5는 LLM이 채팅만 하는 것이 아니라 실제 작업을 할 수 있다는 첫 신호로 설명되며, 이후 모든 로드맵이 초지수적 수요를 모델링했습니다 @kevinxu.

추론 성능은 구매되는 것이 아니라 엔지니어링되고 있습니다

에이전트 워크로드는 최적화를 서빙 스택으로 밀어넣고 있습니다. InferenceForge는 에이전트 워크로드에 대한 LLM 추론을 프로파일링, 벤치마킹 및 최적화하는 에이전트 시스템으로 설명되며, SemiAnalysis AgentX 벤치마크에서 동일한 지연 시간 SLA에서 가장 좋은 게시된 기준선보다 43% 높은 처리량을 보고합니다 @kaiwei_chang. 별도의 팀은 PyTorch, SGLang 또는 DSL 없이 Rust와 CUDA로 DeepSeek V4.1-Flash용 추론 엔진을 처음부터 구축했으며, 4xB300에서 초당 약 1740토큰 디코딩, 8xB300에서 2060, 약 12초에 1M 토큰 프리필을 보고하고 GitHub에 게시했습니다 @saltyph.

클러스터 수준에서 NVIDIA와 Inferact는 MiniMax M3.1 Flash 출시 후 3주도 채 안 되어 vLLM Rubin NVL72 결과를 제출했으며, CUDA 13.4의 locality-aware MoE 기능을 사용하여 GB300 NVL72보다 TCO당 6.5배 더 나은 성능을 주장하며 실현된 HBM 대역폭을 약 1.2배 높이고 지연 시간을 줄입니다 @SemiAnalysis_.

추론 노력은 불균등한 수익을 가진 비용 레버입니다. 벤치마크 비교는 높은 추론 노력이 DeepSeek-V4.1-Flash를 28% 더 비싸게 만들지만 단일 포인트도 얻지 못한다는 것을 발견했는데, 아마도 낮은 노력에서 이미 호출당 약 470개의 추론 토큰을 생성하기 때문에 높은 노력은 GLM-5.3-Flash의 60%에 비해 19% 더 많은 사고만 추가합니다 @joelniklaus. GLM-5.3-Flash에서는 추가 사고가 다섯 개의 코딩 에이전트에서 평균 5.8% 포인트 향상으로 보답했지만 DeepSeek 차이는 95% 신뢰 구간 내에 있었습니다 @joelniklaus. 각 에이전트는 Terminal-Bench 2.1 및 DeepSWE에서 198개의 코딩 작업을 두 가지 노력 수준에서 각각 세 번 시도했습니다 @joelniklaus.

에이전트 인프라: 샌드박스, 검증 및 메모리

널리 공유된 스레드에서 설명된 OpenAI의 내부 에이전트 설정은 제품 피드백에서 풀 리퀘스트를 열고 데이터 실험을 실행하는 500개 이상의 백그라운드 에이전트를 실행합니다. 조직 규칙은 에이전트와 에이전트가 작성하는 모든 코드가 신뢰할 수 없으며, 일반 결정적 코드만 신뢰할 수 있다는 것입니다 @undefinedKi. 제공된 구현 세부 사항: 구성 게이트웨이는 에이전트와 별도의 클러스터에서 실행되고, 에이전트는 허용 목록으로 제한된 인터넷과 자체 폴더에만 쓰기로 제한된 샌드박스에서 작업하며 ~/.ssh에 액세스할 수 없고, 비밀은 에이전트가 볼 수 없는 자격 증명 브로커에 있으며, 두 번째 에이전트가 모든 작업을 검토하여 인간은 높은 가치의 승인만 처리하고, 각 에이전트는 감사 및 차단할 수 있는 자체 ID와 추론 자격 증명을 가지며, 모든 구성 변경 및 에이전트 턴이 기록됩니다 @undefinedKi.

실무자의 플레이북은 같은 아이디어를 회사를 위한 운영 체제로 구성합니다: 마크다운 파일의 개인 "두 번째 뇌", 고객과 결정의 회사 뇌, 녹음된 통화를 기록으로 파이프, 발명된 주장을 억제하는 사실 파일, 음성 파일, 모든 것을 git에, 맨 위에 하나의 지침 파일, 세션 간 메모리, 에이전트가 쿼리할 수 있는 웨어하우스 @gregisenberg. 또한 녹음된 워크플로를 하나의 거대한 프롬프트가 아닌 작은 단일 목적 스킬로 전환하고, 에이전트가 조언 대신 행동할 수 있도록 MCP를 통해 도구를 연결하고, 비싼 모델을 계획에, 저렴한 모델을 볼륨에 라우팅하고, 작업당 비용을 추적하고, 인간을 승인 및 고객 접촉에 유지하는 것을 주장합니다 @gregisenberg.

큐레이션된 저장소 요약은 생태계를 정량화합니다: 202개의 준비된 에이전트와 185개의 스킬을 포함하는 18개의 오픈 소스 프로젝트, OpenAI, Google, Microsoft 및 AWS의 공식 프레임워크, 코드 실행을 위한 샌드박스, 추적 도구 및 공유 메모리 레이어 @undefinedKi. 병렬 목록은 세션이 손실 없이 Claude Code와 Codex 사이를 이동할 수 있도록 에이전트 메모리를 일반 마크다운에 저장하는 7개의 "두 번째 뇌" 저장소를 가리킵니다 @mojunel.

검증은 새로운 차별화 요소로 떠오르고 있습니다. 한 계정은 엔지니어가 에이전트의 작업을 읽는 것을 중단한 후 병합된 PR이 13배 증가했으며, 메커니즘은 거절하는 것만이 유일한 작업인 두 번째 에이전트와 완료 수준을 정의하는 검사 파일이라고 설명합니다 @distortgeekin. 같은 접근 방식은 실패 사례를 패치와 함께 유지하고, 실패 상태를 포함한 실제 사용자 여정을 재생하고, 결과를 테스트된 커밋에 바인딩하고, 가져오기 그래프에서 기능 경계를 강제하고, 사용할 수 없는 검사를 통과하는 대신 NOT_RUN으로 표시합니다 @0xChaseTM.

더 작은 도구 베팅은 같은 병목 현상을 목표로 합니다. Turnpack은 에이전트의 검색-읽기-편집-테스트 루프를 함께 접어서 저자의 자체 테스트에서 왕복의 절반, 시간의 약 절반, 36% 저렴함을 보고하고, 편집이 깨질 때 스냅샷 롤백을 제공합니다 @OnlyTerp. 다른 게시물은 Claude Code를 모델 간에 분할하는 것을 설명합니다 — Sonnet이 세션을 실행하고 코드를 작성하고, Haiku가 파일과 문서를 병렬로 탐색하고, Opus가 계획이 잠기기 전, 같은 오류가 두 번 발생한 후, 작업 완료를 호출하기 전에 고문으로 호출됩니다 @xsmryze, 컨텍스트 검사, 검토, 검증 및 백그라운드 작업을 위한 내장 명령 목록과 함께 @beamnxw.

더 넓은 Claude 표면은 이제 채팅, 코드, 디자인, 시트, 데이터 및 문서를 포괄하며 메모리와 커넥터가 접착제 역할을 합니다 @rubenhassid, 그리고 동반 기사는 언제 어떤 도구를 사용할지 아는 것이 — 오래된 모델용으로 구축된 스킬을 삭제하는 것을 포함하여, 답변을 더 나쁘게 만들 수 있기 때문에 — 원시 모델 선택보다 더 중요하다고 주장합니다 @rubenhassid.

로봇 공학: 스킬 전이, 벤치마크 및 전문화

NVIDIA의 GR00T 2는 인간 시연에서 스킬을 학습하고, 자신의 행동이 물리적 세계를 어떻게 변화시킬지 예측하며, 다른 로봇 몸체에 걸쳐 이러한 스킬을 전달하여 모든 로봇에게 모든 작업을 처음부터 가르칠 필요를 줄이는 로봇 공학 연구를 위한 오픈 System One 모델로 설명됩니다 @nvidia. 2차 보도는 같은 능력을 인간 행동을 관찰하여 학습하고 학습된 스킬을 몸체 간에 전이하는 것으로 구성하며, 이는 적응형 범용 휴머노이드를 가속화할 수 있습니다 @MartiniGuyYT@WatcherGuru.

학계 연구는 같은 문제에 수렴하고 있습니다. "SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model"이라는 제목의 BAIR 논문이 CoRL에서 Best Conference Paper를 수상했습니다 @berkeley_ai. 한 연구자는 Walden의 가장 오래 지속된 배포, 배포 데이터와 대규모 사전 훈련의 결합 가치, 대규모 제조로 확장하면서 얻은 교훈을 다루는 "공장에서의 학습"에 대한 CoRL 강연을 설명했습니다 @RussTedrake, AMD CEO는 같은 회의에서 로봇 공학 및 물리 AI 연구의 상태를 강조했습니다 @LisaSu.

모든 사람이 휴머노이드가 올바른 산업 목표라고 확신하는 것은 아닙니다. 한 로봇 공학 평론가는 산업 현장이 똑똑하고, 신뢰할 수 있고, 견고하지만 전문화된 로봇을 선호하며, 휴머노이드는 개방형, 일반적, 저용량 사용 사례에 감정과 상호 작용을 강조하여 예약하고, 이미 식기 세척기를 소유하고 있다면 식기 세척기는 휴머노이드가 손으로 다시 배워야 할 작업이 아니라 휴머노이드를 위한 도구라고 주장합니다 @jetsonearth. 배치의 하드웨어 시연에는 눈 치우기와 같은 실제 육체 노동을 위해 설계된 로봇 @Rainmaker1973과 개발 중인 실리콘 피부를 가진 초현실적인 휴머노이드 로봇이 포함됩니다 @MarioNawfal. 한 연구 계정은 에이전트 로봇 공학을 위한 가장 큰 체계적 평가 캠페인이라고 부르는 것을 출시했으며, 대부분의 평가가 에이전트를 지능적인 도구 사용자가 아닌 도구로 취급한다고 주장합니다 @Nicolas_Keller.

배포 측면에서는 엘살바도르 군대가 포르토프랭스에서 돌격 소총으로 무장한 중국산 4족 로봇을 배치했다는 보도가 순환했습니다 @war_noir.

보안: 에이전트 공격, 가드레일 및 경제학

FBI의 사이버 지부는 위협 행위자가 오픈 소스 LLM 기반 에이전트 플랫폼인 ARTEX를 무기화하여 기계 속도로 침입의 여러 단계를 자동화하고, 2026년 8월 이후 전 세계 금융 서비스, 정부 및 기술 부문을 표적으로 삼고, 복잡한 다중 대상 작업을 실행하는 데 필요한 전문 지식을 줄이고 있다고 경고했습니다 @FBICyberBranch. 국은 전술, 기술, 절차 및 손상 지표를 포함한 FLASH를 게시하고 조직에 완화 조치를 적용할 것을 촉구했습니다 @FBICyberBranch.

오픈 가중치 논쟁에는 보안 측면이 있습니다. abliterated quants의 한 업로더는 언론이 Hugging Face에서 약 6,500개의 무검열 및 이단 모델을 제거하기를 원하며, 공격적 사이버용으로 판매된 한 모델이 제거되었고, abliteration은 해킹을 가르치는 것이 아니라 거부 방향만 제거한다고 말하며, 한 Qwen3.8 Flash-Next quant에 대해 30일 동안 약 358,000건의 다운로드를 인용했습니다 @superalesha. 별도로, 모델별 우회 방법을 집계하는 탈옥 중심 프로젝트가 16,000 GitHub 스타를 넘었으며, 게시자는 승인된 보안 연구 외부에서 그러한 도구를 사용하면 계정이 차단될 수 있다고 경고했습니다 @rakib_hossen_ai.

에이전트 상거래는 자체 안전 설계를 생산하고 있습니다. 에이전트 간 프로토콜에 대한 한 분석은 스테이킹과 슬래싱에 초점을 맞추어 참가자의 역할이 부정직한 행동에 재정적 결과를 수반하도록 하면서, 평가, 분쟁 및 슬래싱 규칙이 스테이크 자체만큼 중요하다고 지적합니다 @chychyorjhy. 결제 제품은 더 간단한 경로를 취합니다: 에이전트는 올릴 수 없는 지출 한도 내에서 도구 호출당 지불하고 영수증을 받습니다 @Sonofpeace0001.

능력 타임라인에 대해, 중계된 인터뷰에서 한 연구소 CEO는 생물학의 전문가 회의론이 수학과 코딩의 초기 회의론을 반영한다고 주장합니다:

"전문가들은 매우 회의적입니다. 제약 CEO들도 회의적입니다. 그들은 과거에 많은 기술이 그들의 문제를 해결하려고 시도하는 것을 보았고, 그들의 문제가 몹시 어렵다는 것을 보았습니다. 수학도 마찬가지입니다. 코딩도 마찬가지입니다." @firesidealpha

같은 인터뷰는 각 장애물 — 임상 시험, 제조, FDA — 이 조금씩 그리고 몇 년 안에 한꺼번에 해결되고 있다고 주장하면서, 특정 분야에 대해서는 회의론자들이 옳을 수 있다는 것을 인정합니다 @firesidealpha.

컴퓨트, 수출 통제 및 상승의 소유자

전 OpenAI 연구원은 DeepSeek, Moonshot AI, MiniMax 및 Ant Group이 미국 수출 통제에도 불구하고 모두 NVIDIA Blackwell GPU에서 최신 프론티어 모델을 훈련했다는 강력한 법의학적 증거가 있다고 주장했습니다 @MTSlive. 회의론자들은 DeepSeek가 Blackwell 훈련 및 추론 커널을 GitHub에 공개적으로 정기적으로 게시하고 NVIDIA 직원이 해당 커널 저장소에 눈에 띄게 기여하기 때문에 증거가 거의 입증하지 못한다고 반박했습니다 @ariaurelium@chiefofautism.

실리콘이 아닌 자금 조달이 한 긴 스레드에서 제약 조건으로 구성됩니다: 코딩 능력 도약 후, 모든 로드맵이 초지수적 수요를 모델링하여 AI 혁명의 병목 현상을 한 CEO가 독특하게 뒷받침할 수 있는 자금 조달 문제로 전환했습니다 — 대안적 시나리오는 더 보수적인 NVIDIA, 이탈하는 인재, 느린 공급망 파트너십 및 수요를 충족하기에 충분하지 않은 컴퓨트로, 초지능을 게이트키핑할 것입니다 @kevinxu.

거시적 논쟁은 인구 통계에서 비슷한 결론에 도달합니다: 인구 성장이 사라지고 부채 용량이 소진됨에 따라 AI와 로봇 공학을 통한 생산성이 유일한 성장 레버로 설명되며, 그 이익은 네트워크를 소유한 사람에게 돌아갑니다 @RaoulGMI. NVIDIA CEO에서 중계된 일자리 불안에 대한 반론:

"당신은 AI를 더 잘 배운 누군가에게 일자리를 잃을 것입니다" @0xSanabi

같은 게시물은 회사가 모든 운영에 AI를 보유하고 더 많은 사람을 고용하고 있으며, 10년이 걸릴 것으로 예상되는 작업이 이제 1~2년 안에 완료될 것으로 예상된다고 주장합니다 @0xSanabi. 그 변화를 위한 도구는 x86을 넘어 확장되고 있습니다: 한 공급업체가 에이전트 워크로드를 위한 탄력적인 macOS 및 Apple 실리콘 용량을 판매하고 있으며, 대규모 M5 Ultra 클러스터를 인용합니다 @themountthor.

연구 노트

이 배치의 두 논문은 기본을 대상으로 합니다. 추측 자기 증류에 관한 NeurIPS 논문은 LLM이 이미 알고 있는 것을 잊지 않고 새 문서를 가르치는 방법을 다루며, 학생이 쓰고 교사가 중요한 곳에서만 개입합니다 @StanfordAILab. 프론티어 사전 훈련을 위한 재귀적 자기 개선에 관한 논문은 에이전트 기반 개선 루프를 처음부터 전체 프론티어 사전 훈련 실행에 적용한 첫 번째 사례라고 주장하며, Qwen3-30B-A3B 및 Nemotron-3.5-Lightning-30B-A3B를 능가하는 오픈 30B MoE 베이스인 801-30B-A3B를 생성했습니다; 6B 토큰의 SFT와 RL 없이, Qwen3.6-35B-A3B를 포함한 완전히 사후 훈련된 모델에 대해 네 가지 에이전트 벤치마크에서 가장 높은 평균을 보고했습니다 @dair_ai. 저자의 방법은 작업을 더 작은 닫을 수 있는 루프로 분할하여 에이전트가 인프라와 데이터를 디버깅하고, 작은 SFT 실행으로 사후 훈련 여유를 확인하고, 전문가 판단을 부정적 결과를 보존하는 컨텍스트 저장소를 통해 공유되는 파이프라인 메트릭으로 변환하는 것이었습니다 @dair_ai.

창의적 및 디자인 생산이 프롬프트로 붕괴되고 있습니다

인프라 외부에서 가장 반복되는 패턴은 전체 생산 파이프라인이 단일 스킬로 압축되는 것입니다. 한 창작자는 프론티어 모델 위에 shorts 스킬을 구축했는데, 이 모델은 영화를 쓰고, 모든 프레임을 그리고, 단어 수준 캡션을 추가하고, 약한 샷을 다시 칠하며, 생성 토큰 비용을 건너뛰기 위해 비디오 모델을 의도적으로 피하고, 13가지 시각적 룩에 걸쳐 있습니다 @tobiadonadon_. 다른 사람은 모델이 45초, 4K, 60fps GTA 6 컨셉 드라이브를 생성했다고 주장합니다 — 3시간 만에 하나의 프롬프트와 14개의 후속 작업에서 2,733프레임 — 게임이 아닌 컨셉 드라이브라고 언급하면서 @polinaaAi. 세 번째는 voxel Roblox 모델용 Claude 스킬을 설명하며 메시, 리그, idle-walk-action 애니메이션 클립 및 Luau 빌더를 포함하고, 전체 체인이 커버되면 독창성이 예산 문제가 아니게 되고 희귀한 것은 생물이 세계에 존재하는 이유가 된다고 주장합니다 @marvin_x1.

도구 목록은 같은 방향을 가리킵니다: 디자인 시스템에 대해 프로토타입을 구축하는 오픈 디자인 스튜디오, 출시 전에 "AI 슬롭"을 잡는 어휘 팩, HTML-to-MP4 렌더러, 스크린샷에서 추측하는 대신 실제 레이아웃 데이터를 읽는 Figma 컨텍스트 서버, 비디오 엔진, 애니메이션 라이브러리, 3D 및 인코딩을 결합한 16개 저장소 모션 스택 @thegreatest_sv@cryptowluha.