AI 및 프론티어 기술 요약: Gemini 4 Carbon, 에이전트 스웜, 물리적 AI
이 게시물들의 공통된 흐름은 프론티어 AI가 세 가지 실용적 계층으로 분리되고 있다는 것입니다: 플래그십 모델 및 폐쇄 집합 결정 API, 많은 작업자를 조정하는 에이전트 오케스트레이션, 그리고 시뮬레이션이나 실제 데이터에서 학습하는 물리적 AI 시스템입니다. 가장 구체적인 릴리스는 Gemini 4 Carbon과 Gemini Decisions API이며, 가장 강력한 연구 신호는 루프형 트랜스포머와 더 저렴한 에이전트 하네스입니다 @GoogleAIStudio@sundarpichai@NVIDIAAI@evilmathkid@dair_ai.
Gemini 4 Carbon과 Decisions API가 모델 의제를 설정
이 게시물들에서 가장 명확한 모델 출시는 Gemini 4 Carbon으로, Google은 이를 자사의 가장 강력한 모델로 설명하며 사이버 보안 및 복잡한 지식 작업, 소프트웨어 엔지니어링, 과학적 추론에 걸친 장기 에이전트 워크플로우에서 프론티어 성능을 제공한다고 밝혔습니다 @GoogleAIStudio. Google은 Carbon이 Gemini API 및 AI Studio를 통해 유료 API 및 Google AI Ultra 구독자에게 제공된다고 말합니다 @GoogleAIStudio. Cursor는 Carbon이 Cursor에서 사용 가능하며 높은 노력 수준에서 CursorBench에서 60.4%로 최고 모델이라고 말합니다 @cursor_ai. Databricks는 사용자가 Unity Gateway에서 토큰을 얻을 수 있는 출시 당일(day-0) 출시를 발표했습니다 @alighodsi. 한 게시물은 Carbon이 이미 Google 검색 AI 모드에서 제공되며 Hydrogen이라고도 불리는 Gemini 4 Flash가 곧 출시될 것이라고 주장합니다 @AndrewCurran_.
별도로, Google은 Gemini Decision 1로 구동되는 Gemini Decisions API를 출시했습니다 @sundarpichai. 이 API는 텍스트를 토큰 단위로 생성하는 대신 텍스트, 이미지, 오디오, 비디오 및 PDF에서 최대 1,000개의 질문에 대한 폐쇄 집합 선택지를 단일 패스로 평가합니다 @sundarpichai. 예/아니오, 최대 255개 옵션의 객관식, 루브릭 채점의 세 가지 결정 유형을 지원합니다 @sundarpichai. 가격은 입력 토큰 100만 개당 $0.10이며 출력 토큰은 $0로 청구되며, 게시물에 따르면 Flash-Lite보다 약 5배 저렴합니다 @sundarpichai. API는 256k 컨텍스트와 150-250ms의 종단 간 지연 시간을 제공합니다 @osanseviero.
에이전트 오케스트레이션: 단일 어시스턴트에서 스웜 및 공유 작업 공간으로
이 게시물들의 에이전트 도구는 조정된 팀과 공유 작업 공간으로 전환되고 있습니다. Google Antigravity는 데스크톱 앱과 CLI에서 병렬로 특수 에이전트를 오케스트레이션하는 슬래시 명령인 /swarm을 발표했습니다. 단일 프롬프트는 에이전트가 라이브 메시지 보드에서 함께 계획, 구축, 검증하는 다중 에이전트 워크플로우가 되며, 사용자는 각 역할에 대해 모델을 혼합할 수 있습니다 @antigravity. Cursor는 팀원과 그들의 에이전트가 Projects 위에 구축된 통합 작업 공간에서 작업하는 멀티플레이어 모드를 도입하고 있습니다. 한 게시물은 Claude와 Perplexity도 유사한 기능을 작업 중이라고 말합니다 @testingcatalog.
Google은 또한 웹, Android, iOS, 웨어러블, TV 및 기타 표면에서 생성 UI를 위한 개방형 프로토콜이자 프레임워크인 A2UI 1.0을 출시했습니다 @GoogleCloudTech. Chrome for Developers는 Antigravity, Cursor, GitHub Copilot, WebStorm, Codex, Kimi 및 Grok과 같은 에이전트에 연결되어 최신 웹 모범 사례를 따르도록 안내하는 Modern Web Guidance를 출시했습니다 @ChromiumDev. Google Cloud는 Google Cloud에서 에이전트를 구축하고 배포하기 위한 Professional Agentic Architect 인증을 도입했습니다 @googlecloud.
한 실무자는 팀이 먼저 작업을 그려야 한다고 주장합니다. 단계, 핸드오프, 결정 및 중지를 포함한 다음 에이전트 수를 계산해야 합니다. 많은 팀이 먼저 에이전트를 구축한 다음 서로 충돌한다는 것을 발견하기 때문입니다 @distortgeekin.
로컬 추론: 더 빠르고, 더 작아지고, 공유하기 쉬워짐
로컬 및 오픈 모델 작업이 더 실용적이 되고 있습니다. Unsloth는 Terminal Bench, DeepSWE 및 기타 테스트에서 평균 5-10% 우위를 보이는 Dynamic V3.1 GGUFs로 가장 높은 정확도의 Qwen3.8-27B GGUFs를 출시했으며 12GB RAM에서 실행된다고 밝혔습니다 @UnslothAI. 한 게시물은 단일 5090에서 Qwen 3.8 27B를 실행하여 초당 1600 토큰을 달성했다고 주장합니다 @satellitedown. 또 다른 게시물은 M5 Max 또는 M5 Ultra에서 저비트 DeepSeek 4.1 Flash 1017이 Qwen 3.8 27B dense보다 더 나은 선택이라고 주장합니다 @liuliu.
Omarchy 4.6을 사용하면 사용자가 모든 Omarchy 머신에서 실행되는 모든 모델을 테일넷의 다른 머신과 공유할 수 있으므로 DGX Spark가 XPS13 넷북에 추론을 제공할 수 있습니다 @dhh. 별도의 게시물은 Qwen 27B 모델이 9개의 가중치 행렬을 다시 작성하여 학습 없이 더 똑똑해졌고, 사고를 27-54% 줄이고, LiveCodeBench에서 13점, GPQA Diamond에서 4.3점을 추가했으며, 16GB GGUF로 Apache-2.0 오픈 가중치로 출시되었다고 주장합니다 @nahid_pro09.
셀프 호스팅의 경우, 한 비교에 따르면 vLLM은 PagedAttention으로 시작하여 많은 모델, 하드웨어 유형 및 LoRA 어댑터에 대해 광범위하고 안전한 선택이며, SGLang은 RadixAttention으로 시작하여 채팅, 에이전트 및 RAG를 위해 공유 접두사를 재사용합니다. 실용적인 규칙은 반복 프롬프트 및 다단계 흐름에 SGLang을 시도하고 광범위한 모델 및 하드웨어 지원을 위해 vLLM으로 시작하는 것입니다 @techwith_ram.
루프형 트랜스포머와 에너지 기반 추론이 연구 신호를 주도
루프형 트랜스포머는 적은 파라미터 수에서 강력한 결과를 내고 있습니다. Déjà View는 다른 각도에서 찍은 사진을 3D 지오메트리와 카메라 위치로 변환하는 117M 파라미터 모델입니다. 단일 트랜스포머 블록을 루프하여 5개 벤치마크에서 최대 10배 더 큰 모델과 비슷하거나 더 나은 성능을 비슷하거나 더 적은 계산으로 달성하며, 연구자는 계산 예산에 맞게 루프 수를 조정할 수 있습니다 @NVIDIAAI. 별도의 항목은 LLM 없이 처음부터 훈련된 100M 루프형 트랜스포머를 사용하여 ARC-AGI-2 Kaggle에서 37%를 보고합니다. 저자는 이것이 LLM 없이 가장 높은 점수일 가능성이 높으며 6위에 올랐고 작년 우승 LLM을 능가하며, 지난 주에 추가된 루핑으로 점수가 33%에서 35%로, 37%로 올랐다고 말합니다 @evilmathkid.
Energy-Based Reasoners는 더 저렴한 추론을 위한 다른 경로를 취합니다. 잠재 상태에 대한 명시적 에너지 함수를 정의하여 추론을 해당 에너지 표면 아래로의 경사 하강법으로 전환합니다. 기울기는 개선을 안내하고, 에너지 값은 후보 솔루션에 걸친 내재적 검증기 역할을 하며, 평평해지는 기울기는 자동 중지 신호를 제공합니다 @gurtej__gill_. 보고된 결과는 Sudoku-Extreme에서 99.9% 정확도로 다음으로 좋은 기준선보다 345배 적은 추론 계산을 사용하며, 다중 솔루션 문제를 자연스럽게 처리합니다 @gurtej__gill_.
사전 훈련에 대한 메모는 사전 훈련이 단순히 NLL을 볼 수 없으며 지속적 사전 훈련이 단지 학습률 어닐링이 아니라고 주장합니다. CPT에 다중 턴 도구 패턴을 주입하면 사전 RL 시작점이 올라갑니다 @SmartPig_Joe.
에이전트 비용 및 평가는 하네스에 따라 달라짐
에이전트 경제성은 모델만큼이나 하네스에 의해 결정됩니다. UC Berkeley 연구원들은 프롬프트 및 도구와 같은 하네스 변경이 정확도를 거의 움직이지 않지만 동일한 모델과 작업에서 비용을 최대 2.6배까지 변경한다는 것을 발견했습니다. 그들은 각각 컨텍스트 읽기 또는 호출 수를 줄이는 비용 절감 방법 5가지를 식별하고 Claude Code 및 Codex와 같은 하네스와 모델 사이의 계층인 Agency를 구축했습니다 @dair_ai. 5가지 개념 증명 기술은 미미한 정확도 손실로 비용을 최대 35% 절감했습니다 @dair_ai.
Meta의 AutoRefine은 팀이 이미 보유한 신호(예: 테스트 통과 여부, 변경 사항 병합 여부)로 판사 프롬프트를 업데이트하여 LLM 코드 판사의 보정을 유지합니다. Meta의 배포된 코딩 에이전트에서 판사와 실제 결과 간의 일치율은 0.16에서 0.51로 상승했습니다 @omarsar0. 별도의 벤치마크인 Voice Arena Dictation Bench는 Mac에서 10개의 받아쓰기 앱에 87명의 화자로부터 761개의 녹음을 재생하고 5명의 LLM 판사에게 각 초안을 그대로 보낼 수 있는지 물었습니다. Wispr Flow는 79%, Apple은 35%를 기록했습니다 @shobhitbanga.
평가는 로봇 공학에서도 재고되고 있습니다. 한 게시물은 높은 벤치마크 점수가 작업, 로봇, 프로토콜 및 시도 횟수에 따라 달라지기 때문에 로봇이 실제 세계에 대비되었음을 자동으로 의미하지 않는다고 주장합니다. 구현 AI 평가의 변화는 리더보드 순위에서 실제 능력 이해로 이동하고 있습니다 @EvalRobo. 동료 검토에서 한 연구원은 ICLR에 대한 LLM 검토가 일관성이 없다고 말합니다. 훌륭한 결과와 사소한 약점을 나열한 다음 거부하며, LLM은 단일 사례를 넘어 과학적 기여의 퍼즐을 판단하기에 적합하지 않습니다 @HildeKuehne.
보안: 작은 백도어와 형식 검증
보안 게시물은 공격과 방어를 모두 보여줍니다. Microsoft 연구원들은 AI 모델의 12,000개 이상의 뉴런 중 단 7개만 변경하면 숨겨진 백도어를 심을 수 있음을 보여주었습니다. 숨겨진 트리거는 모델이 AI 에이전트가 자체 권한으로 실행할 수 있는 공격자 선택 명령을 생성하게 했습니다 @TheHackersNews. 방어 측면에서 Google DeepMind는 Signal 메시징 프로토콜의 기반이 되는 기계 코드의 주요 보안 속성을 증명했습니다. 이는 널리 배포된 프로토콜의 실제 프로덕션 코드가 이 깊이로 형식 검증된 것은 처음이라고 말합니다. 이 작업은 Gemini Carbon을 포함한 LLM에서 실행되는 형식 검증을 위한 에이전트 프레임워크인 AlphaProof Code를 사용했으며 수십 년이 아닌 한 달이 걸렸습니다 @pushmeet. Google DeepMind는 형식 사양과 검증 아티팩트를 오픈 소스화하고 있습니다 @pushmeet.
물리적 AI: 시뮬레이션, 데이터 및 실제 처리량
이 게시물들의 로봇 공학 작업은 데이터, 시뮬레이션 및 평가에 중점을 둡니다. Google DeepMind는 연구자가 배포 전에 물리 시뮬레이터에서 로봇을 훈련할 수 있는 MuJoCo Playground를 오픈 소스화했습니다. 예로는 인간형 로봇이 걷는 법을 배우고, 4족 보행 로봇이 넘어짐에서 회복하고, 로봇 손이 물체를 조작하는 것이 있으며, 훈련된 행동은 물리적 로봇으로 전송할 수 있고 일부 시뮬레이션은 브라우저에서 실행할 수 있습니다 @albacnt. Nebius는 Nebius AI Cloud에서 로봇을 가르치기 위한 오픈 소스 CLI 및 SDK인 Physical AI를 출시했습니다. 예로는 로봇 팔이 물건을 집고, 인간형이 걷고, 4족 보행 로봇이 달리는 것이 있습니다 @nebiusai. PAN2는 수백만 시간의 자아 중심, 로봇 및 인간 모션 데이터로 사전 훈련되었으며 물리적 지능 및 로봇 공학의 기반으로 자리 잡고 있습니다 @zhiyangx11.
Tesla는 CoRL에서 실제 정책이 모든 움직임을 만드는 세계 모델 내에서 Optimus가 사무실과 공장을 걷는 모습을 보여주었습니다. 생성된 세계가 현실과 일치한다면 Tesla는 로봇을 건드리지 않고 시나리오를 테스트할 수 있습니다 @TheHumanoidLabs. Gobano Robotics는 99.5%의 작업 성공률, 18시간 교대에서 인간 작업자 처리량의 68%, 강화 학습에 의해 구동되는 하루 약 5%의 처리량 개선을 갖춘 자율 수건 접기 스테이션을 보고합니다. 작업 성공과 자율성을 별도로 추적하는 이유는 복구된 실수와 작업자를 끌어들이는 중단이 다르기 때문입니다 @lukas_m_ziegler. 4D Labs는 분산된 인간 참여를 물리적 AI를 위한 훈련 데이터로 전환하고 있으며, 1인칭 활동 캡처, 비전+터치 데이터, 원격 조작 수정 및 세계 모델을 사용하고 기여자에게 검증 가능한 온체인 권리를 제공합니다 @KunZinCrypto.
교육, 업무 및 에이전트 중심 수명 주기
널리 공유된 게시물은 AI가 학습에 미치는 영향을 연구하는 데 5개월을 보낸 MIT 위원회 보고서를 설명하며, 학습 그룹이 사라지고, 사무실 시간이 비워지고, 문제 세트가 AI가 그럴듯한 답을 생성할 수 있기 때문에 더 이상 아무것도 증명하지 못한다는 것을 발견했습니다. 이 패턴을 '인지적 항복'이라고 부릅니다 @kyronis_talks. 게시물은 MIT 학부생의 46%가 매일 LLM을 사용하고 90%가 자신의 과도한 의존에 대해 걱정하며, AI가 자신을 유능하게 만든다고 믿는 학생보다 대체 가능하게 만든다고 믿는 학생이 더 많다고 말합니다 @kyronis_talks. AI 탐지기나 잠금 브라우저 대신 보고서는 구술 시험, 학기 포트폴리오, 대면 프로젝트 작업, 모든 과목에 필수 사회적 구성 요소, 그리고 아마도 성적 재고를 권장한다고 합니다 @kyronis_talks.
업무에 관해, Anthropic CEO Dario Amodei를 인용한 게시물은 AI가 일자리를 제거할 것이며, 아마도 많은 수의 일자리를 제거할 것이며, 초급 법률, 금융 및 컨설팅이 먼저 타격을 받고 1~5년 내에 초급 화이트칼라 일자리의 50%가 중단될 것이라고 말합니다 @shikamarutsai. 그 게시물에서 그의 조언은 AI를 사용하는 법을 배우고 직접 사용하는 것이 아니라 AI를 실행하는 하네스를 구축하라는 것입니다 @shikamarutsai. 또 다른 게시물은 에이전트 지원 코딩이 새로운 소프트웨어 개발 수명 주기가 되고 있다고 주장합니다. 에이전트가 코드를 작성, 리팩토링 및 테스트하고, 여러 작업이 병렬로 실행되고, 요구 사항이 동적으로 진화하고, 피드백 루프가 실시간으로 발생합니다. Wiz 및 CRED 팀이 실행 속도를 두 배로 늘렸다고 말하는 에이전트 코딩 보고서를 인용합니다 @jianw851.
에이전트 데이터, 개인 정보 보호 및 시뮬레이션
새로운 제품은 에이전트 추적 및 개인 컨텍스트를 자산으로 전환하고 있습니다. Brevis는 사용자가 컴퓨터에서 AI 채팅 및 코딩 세션을 판매할 수 있는 무료 앱인 Arca를 출시했습니다. 사용자는 세션을 선택하고 가격 범위를 얻으며, Arca는 업로드 전에 식별 가능한 정보를 로컬에서 제거합니다 @testingcatalog. Arca는 Mac 및 Windows에서 Claude Code, Codex, Cursor 및 Claude Desktop의 세션을 읽을 수 있으며 현재 일반에 공개되었습니다 @testingcatalog.
QVAC는 알람을 설정하고, 회의를 이동하고, 올바른 도구를 호출하여 메시지에 응답하는 0.8B 모델인 BotPsy를 출시했습니다. 주장은 이메일, 달력, 메시지 및 파일을 읽는 에이전트가 대부분의 친구보다 사용자의 삶에 대해 더 많이 알기 때문에 사용자가 실행 위치를 선택해야 하며, 전화기에 충분히 작은 모델이 실용적인 답이라는 것입니다 @qvac. Plurai Simulation은 AI 엔지니어를 위해 라이브로 제공되며 무료입니다. 코드에서 실제 에이전트, 도구 및 환경을 재현하고, 시뮬레이션된 사용자와 작업을 추가하고, 자동 평가를 실행하고, 검증된 수정 사항을 실패에 첨부하고, Claude Code, Codex CLI 또는 GitHub Copilot 내에서 새 에이전트 버전에 대해 프로덕션 실패를 재생합니다 @ilan_kadar.
오픈 미디어 모델 및 창의적 도구
오픈 미디어 모델은 빠른 생성 및 창의적 워크플로우에 사용되고 있습니다. MiniMax는 100일 전에 오픈 소스화된 H3 모델이 현재 1,472개의 파생 모델과 Hugging Face에서 1억 4,800만 회 이상의 다운로드를 기록했다고 말합니다 @RyanLeeMiniMax. pi-H3는 단일 B200에서 2~4단계의 직접 픽셀 출력과 비디오 VAE 디코더 없이 9.2초 만에 오디오가 포함된 10초 768p 비디오를 생성합니다 @HanshengCh. 한 게시물은 H3-Image가 간단한 계산기를 한 번에 전체 CAD 엔지니어링 도면으로 바꾸는 것을 보여줍니다 @0x_zyven.
창의적 에이전트 도구도 확장되고 있습니다. LottieFiles의 Creator MCP를 사용하면 에이전트가 기존 SVG 로고를 로고 공개 애니메이션으로 바꾸고, 채팅에서 미리 보고, 수정하고, Claude, ChatGPT, Codex, Cursor 또는 VS Code 내에서 MP4로 내보낼 수 있습니다 @heyfredds. 별도의 게시물은 Opus 5.5 및 Claude Code를 사용한 모션 디자인 워크플로우를 설명하며 브리핑에서 미리 보기, 범위 편집, 렌더링, 재사용으로 진행됩니다 @renproton.
SUMMARY: 이 요약은 Gemini 4 Carbon과 Gemini Decisions API, 새로운 에이전트 오케스트레이션 및 로컬 모델 도구, 로봇 공학, 형식 검증 및 AI 평가의 발전을 다룹니다.
TITLE: AI 및 프론티어 기술 요약: Gemini 4 Carbon, 에이전트 스웜, 물리적 AI