AI 및 프론티어 기술 라운드업: Inkling 2 Mini, SSD 전문가 스트리밍, 에이전트 하네스 논쟁

이 게시물들의 공통 주제는 프론티어 역량이 소형 모델 쪽으로 밀리고 있다는 것입니다: Thinking Machines는 노트북에서 실행되도록 설계된 26B 루프드 트랜스포머 모델을 출시했고, 로컬 추론 도구는 이제 SSD에서 희소 전문가를 스트리밍하여 메모리 벽과 싸우고 있으며, 새로운 논문들은 일반화가 원시 모델 가중치가 아닌 에이전트 하네스에서 비롯된다고 주장합니다. 로보틱스, 평가 방법론, 정렬 개선이 나머지를 채웁니다.

Inkling 2 Mini: 26B 오픈 가중치 루프드 트랜스포머

Thinking Machines는 총 26B 파라미터와 오픈 가중치를 가진 루프드 트랜스포머인 Inkling 2 Mini를 출시했으며, 노트북에서 실행할 수 있을 만큼 작지만 AA Index에서 20.1점을 기록하며 에이전트 작업에 충분히 강력하다고 포지셔닝했습니다 @thinkymachines. 공동 저자 Guangxuan Xiao는 아키텍처를 24개 레이어로 설명했으며, 중간 12개 레이어가 3회 루프되고, 총 26B로 가지치기되어 5.4B 활성, 기본적으로 NVFP4, 더 큰 모델에서 로짓 증류된 것입니다 @Guangxuan_Xiao.

Alexey Fateev의 분석은 모델이 3.4B 활성 파라미터(3회 루프에 걸쳐 5.4B 유효)를 가진 MoE이고, 기본 비전, 1M 컨텍스트를 가지며, Kimi 스타일 Attention Residuals를 사용하여 모든 토큰이 약 20GB NVFP4 체크포인트에서 48개 레이어의 계산을 얻는다고 덧붙입니다 @superalesha. 27B 밀집 모델인 Qwen3.8-27B와의 비교에서 그는 DeepSWE v1.1 48.2% 대 42.2%, SWEBench Pro v2 Hard 77.9% 대 73.8%, BrowseComp 79.0% 대 61.6%, ARC-AGI v2 49.3% 대 42.4%를 보고하면서, Qwen이 다중 턴 채팅에서 여전히 더 낫고 루핑이 암기된 사실을 추가하지 않는다고 언급했습니다 @superalesha.

가중치 공개에 대한 안전 동기는 명시적입니다: Alex Robey는 Thinking Machines가 AI 안전 커뮤니티가 루핑, 특히 루프가 사고 사슬 모니터링 가능성에 미치는 영향과 루프 내부의 계산을 해석하는 방법을 연구하기를 원한다고 말했습니다 @AlexRobey23.

"여러분 중 일부는 Inkling 2 Small이 594B 파라미터로 너무 크다고 생각했습니다. 우리는 여러분의 의견을 들었습니다: Inkling 2 Mini는 단 26B 파라미터의 루프드 트랜스포머로, 노트북에서 실행할 수 있을 만큼 작고, AA Index에서 20.1점으로 에이전트 작업에 충분히 강력합니다." @thinkymachines

도구는 빠르게 도착했습니다. Fateev는 Unsloth가 0일에 GGUFs를 게시했다고 언급합니다 — UD-Q4_K_XL의 경우 17.6GB, 3비트의 경우 11.7GB, 무손실 Q8의 경우 22.9GB — 그리고 402MB 드래프트 모델, Thinking Machines가 또한 10회 패스까지 직렬 추론을 계속 개선하는 가변 루프 연구 체크포인트를 오픈소스로 공개했습니다 @superalesha. Migel Tissera는 SKILL.md, Python 스크립트, 에이전트가 직접 가져올 수 있는 requirements.txt로 패키징된 Inkling 2 Small 미세 조정용 스킬 저장소를 게시했습니다 @migtissera.

로컬 추론: 메모리 벽이 SSD로 이동

Tom Greenwald는 SSD 대역폭이 로컬 AI의 제한 요소가 되고 있다고 주장합니다. 프론티어 오픈 모델이 압도적으로 희소 혼합 전문가 모델이며, 모든 토큰에서 약 95%의 파라미터가 유휴 상태이기 때문입니다 @tomgreenwald. 그는 총 파라미터 대 활성 파라미터를 나열합니다: Qwen 3.8 Flash Next는 총 180B, 활성 약 6B, GLM 5.3 Flash는 321B, 활성 약 18B, DeepSeek V4.1 Flash는 552B, 활성 약 16B, GLM 5.3은 753B, 활성 약 40B, Kimi K3.1 Pro는 2.8T, 활성 약 104B @tomgreenwald.

Greenwald는 2023-2025년의 레이어 오프로딩, 2026년 10월 llama.cpp --moe-cache를 통한 개별 전문가 캐싱, Colibri 및 Strata와 같은 도구의 SSD 전문가 스트리밍으로의 로컬 추론 진행을 추적합니다 @tomgreenwald. 그는 남은 문제들 — 재사용될 전문가를 캐시에서 축출, 레이어 단위 디스크 읽기로 GPU 유휴, 스트리밍 중 추측 디코딩, 긴 프롬프트가 핫 캐시를 지움, 엔진이 몇 개의 모델만 지원 — 을 지적하고 Magnitude의 접근 방식을 설명합니다: GPU 메모리의 세션 인식 전문가 캐싱, SSD에서 전문가를 미리 가져오는 추측적 선견지명, 레이어에 걸쳐 예약된 직접 NVMe 읽기, 스트리밍 프리필 @tomgreenwald. 그가 주장하는 결과는 단일 게임 GPU에서 DeepSeek V4.1 Flash가 약 40+ 토큰/초이며, 다음 월요일에 출시 예정입니다 @tomgreenwald.

압축은 다른 쪽에서 동일한 제약을 공격하고 있습니다. 한 게시물은 PrismML의 Bonsai 2가 Qwen3.8-27B를 55.6GB 체크포인트에서 5.9GB로 압축 — 89.4% 감소 — 하면서 20개 벤치마크에서 집계 벤치마크 성능의 98.2%를 유지한다고 보고하며, 첫 번째 Bonsai 릴리스의 약 95%에서 증가한 것입니다; 기술은 스케일링 팩터를 사용한 -1, 0, +1로의 삼진 양자화입니다 @Oluwaphilemon1.

양자화 연구도 에이전트 루프를 중심으로 재구성되고 있습니다. Xingyang Li는 코딩 에이전트가 모델과 정밀도별로 양자화 레시피를 설계하는 QDA를 소개했으며, 몇 분이 걸리는 KL 점수와 20개 이상의 적층 가능한 PTQ 방법 라이브러리를 사용합니다; 그는 12개의 모델-정밀도 쌍 중 11개에서 최고의 공개 레시피를 이겼고 GLM-5.3-Flash(320B)를 NVFP4에서 FP8 정확도의 98.3%로 얻었으며 NVIDIA 릴리스의 96.9%와 비교, 검색당 $19-75의 Claude Code 토큰 비용을 보고했습니다 @XYLi_Bruce. Philipp Nazari는 PTQ 스택이 소프트맥스 어텐션에 맞춰져 있지만 하이브리드 및 순환 모델이 대규모로 경쟁하고 있으며, 순환 모델이 실제로 양자화하기 더 쉬울 수 있다고 주장합니다 @philna00.

하드웨어 노트가 이를 마무리합니다: Tom's Hardware는 세 대의 퇴역 Nvidia V100이 $1,042 홈랩 장비에서 Qwen 3.6 35B로 초당 100토큰에 도달하여 긴 컨텍스트에서 $5,399 M5 Max Mac Studio를 능가한다고 보도했습니다 @tomshardware. AMD의 ROCm 10.2는 검증된 vLLM 및 SGLang 빌드를 추가하고 Radeon 및 Ryzen AI용 vLLM 이미지에 AITER를 포함하며, 한 시스템에서 최대 8개 GPU에 걸친 로컬 스케일링, hipFile 기반 스토리지-투-GPU 전송, 배포 계획을 위한 ROCm InferaSim을 제공합니다 @AIatAMD.

하네스 엔지니어링: 루프와 그래프의 사례

널리 공유된 스레드는 Anthropic Labs 결과를 요약했는데, 세 명의 에이전트 — 플래너, 생성기, 평가자 — 가 한 문장 프롬프트를 작동하는 앱으로 바꾸며, 명시적 설계 규칙은 어떤 에이전트도 자신의 작업을 평가하지 않는다는 것입니다; 게시자는 단독 기준선 20분과 $9로 입력을 무시하는 게임을 만든 반면, 하네스 아래에서는 6시간과 $200로 플레이 가능한 게임을 만들었고, 평가자는 Playwright를 통해 실행 중인 앱을 클릭하며 하드 임계값을 확인했다고 보고합니다 @0xwhrrari.

"자신을 평가하는 에이전트는 항상 통과합니다. Playwright를 가진 낯선 사람은 그렇지 않습니다." @0xwhrrari

Alex Zhang의 논문, LM Harnesses are Compositional Generalizers는 하네스에 대한 지배적인 부고와 반대를 주장합니다: 약한 모델을 위한 버팀목이 아니라, 하네스 추상화는 기존 능력을 구성하여 시스템이 작업 길이, 작업 전략, 재귀적 작업 깊이에 걸쳐 일반화할 수 있게 하고, 개별 LLM 호출을 로컬에서 분포 내로 유지하여 더 데이터 효율적인 훈련을 가능하게 하며, 가짜 도구 호출이 있는 합성 작업에 대한 대리 하네스 훈련까지 포함합니다 @a1zhang.

Claude Code 창시자 Boris Cherny를 인용한 게시자는 에이전트 엔지니어링이 어디로 향하는지에 대한 관련 논문을 요약했습니다: 프롬프트, 그 다음 에이전트, 루프, 그래프, 에이전트를 만드는 에이전트, 루프는 에이전트가 작업이 완료될 때까지 계속 작업하고 자체 수정할 수 있게 하고, 그래프는 많은 루프를 연결하여 시스템이 인간 개입 없이 새 에이전트를 설계하고 실행할 수 있게 합니다 @Sownjuinho.

메모리 설계도 같은 논리로 재검토되고 있습니다. 한 논문 하이라이트는 GrepMem을 설명하는데, 에이전트의 전체 기록을 정규식으로 검색되는 추가 전용 일반 텍스트 로그로 유지하며, 임베딩, 검색 인덱스 또는 추가 모델이 필요 없습니다; RL 훈련 후 Qwen3.5-9B를 다섯 가지 컨텍스트 전략으로 훈련하여 ContextBench에서 95-97%에 도달하며 손실 방법은 최대 21%에 그치고, BCP-Multi에서 SUPO 요약을 8.8점 차이로 이깁니다 @dair_ai. 명시된 이유는 요약이 에이전트가 필요로 할 것을 알기 전에 무엇을 유지할지 결정하는 반면, 로그는 모든 것을 유지하고 검색이 필요할 때 세부 사항을 찾기 때문입니다 @dair_ai.

실무자 수준에서 한 게시물은 Claude Code를 혼합 모델로 실행하는 것을 권장합니다 — 메인 세션은 더 저렴한 모델, 병렬 하위 에이전트는 저장소 검색 및 diff 감사, 프론티어 모델은 계획이 잠기기 전, 동일한 오류가 두 번 나타날 때, 서명 전에만 개입하는 고문으로 대기 @xsmryze.

벤치마크, 그리고 그것들이 주장하는 것을 측정하는지 여부

alphaXiv는 OpenResearch Intelligence Index를 출시했는데, 과학 지식(20개의 Terminal-Bench-Science 작업), 사후 훈련 능력(6개의 새로운 작업), 문헌 관련성 및 취향을 다루는 종단 간 자동 연구를 위한 오픈 벤치마크로, 8개 모델, 6개 제공자, 3개 트랙에서 약 $7.4k 토큰으로 실행됩니다 @askalphaxiv. Opus 5.5가 61.8%로 가장 높은 점수를 얻지만 작업당 $16.46가 듭니다; GPT-6.1 Sol은 작업당 $3.83로 54.9%를 기록합니다; OpenResearch의 문헌 검색 도구와 함께 DeepSeek V4.1 Flash는 문헌 관련성에서 47.7%에 도달하며 GPT-6 Astra의 48.7%와 비교됩니다 @askalphaxiv.

Kaggle과 Eigent는 AgenticRL-Bench를 발표했는데, 코딩 에이전트가 에이전트 RL 스택(Miles, slime, verl, SGLang, Megatron, Harbor) 전반의 실제 인시던트를 진단하고 수정할 수 있는지 테스트하며, 22개의 사후 훈련 RL 작업에서 구축되었고 19개의 검증 가능한 작업이 점수화되고 작업당 세 번의 시도가 Modal에서 실행됩니다 @kaggle. 현재 리더는 GPT-6.1 Sol 22.8%, Gemini 4 Carbon 19.3%, GPT-6 Astra와 Claude Opus 5.5가 14.0%로 동률입니다; Kaggle은 22개 작업 중 7개가 실험실 안전 분류기를 작동시키며, 이러한 분류기가 작동하는 빈도가 실험실마다 크게 달라 능력 측정을 더 어렵게 만든다고 언급합니다 @kaggle.

한 실무자가 측정 비판을 직접 제기했습니다: 벤치마크 점수는 모델이 더 똑똑해지지 않고도 향상될 수 있으며, 모델이 답을 암기하는 것은 지능이 아닌 데이터 누출이며, 더 깨끗한 훈련 데이터와 정직한 평가가 또 다른 부풀려진 점수보다 더 중요합니다 @Olivia_Codes.

로보틱스: 조작 데이터, 산업 배포, 회의론자

Waddle Labs는 Waddle-1을 발표했는데, 보지 못한 작업에서 양팔 로봇을 제로샷으로 제어하는 로봇 사용 에이전트로, robocurve 평가에서 81점을 기록했으며 GPT-6.2 Astra의 65점, Dream-1의 59점과 비교, 클라우드의 LLM을 호출하여 로컬에서 실행되는 하위 수준 정책을 지시합니다 @theWaddleLabs.

Google DeepMind의 Antigravity 로보틱스 플러그인은 한 사용자가 두 개의 프롬프트와 약 20분 만에 FR3 Duo 암이 손을 흔들고 LEGO를 상자에 포장하도록 설정되었다고 보고했습니다 @Nicolas_Keller. NVIDIA의 SOMA Retargeter는 각 신체의 비율, 관절, 운동 범위를 조정하면서 인간의 동작을 다양한 휴머노이드 로봇에 매핑합니다 — 유용한 도구이며, 게시자의 해석에서 "인간을 복사"하는 것이 올바른 설계 원칙이 아니라는 증거입니다 @LesyaHendrix.

산업 배포가 다른 주제입니다. X-Humanoid의 Tianyi 2.0은 압력 게이지 검증을 종단 간 처리하는 것으로 설명됩니다 — 운송, 장착, 가압, 판독, 분리, 합격/불합격 분류 — MQTT를 통해 기존 검증 시스템에 연결하고 LIMS에 결과를 기록하며, 이미 베이징의 ConST Lab과 장쑤 계량 연구소에서 24/7 교대 근무 중이며, Huisi Kaiwu의 강화 학습 모델의 고자유도 손 제어를 사용합니다 @CyberRobooo.

접촉이 많은 조작은 Nimo Robotics의 고유한 접근 방식을 얻습니다. "접촉 지능" 베팅은 비전, 촉각, 소리를 융합합니다: 전문가가 CAP Glove를 착용하고 시연하는 동안 DEX Hand가 실행하며, 둘 다 3개의 손가락과 9개의 자유도를 공유하여 인간 시연이 로봇에 직접 매핑되고, 각 시연은 2kHz 힘, 48kHz 오디오, 비디오로 시간 정렬된 상호작용 에피소드로 기록되며, 공유 Nimo Core 모델이 20개 이상의 작업에서 학습합니다 @TheHumanoidHub. Vbot의 Exo2EgoPolicy는 다른 데이터 베팅을 취합니다: 일반적인 3인칭 비디오를 로봇이 필요한 1인칭 뷰로 변환하며, 깊이 맵이나 카메라 보정 없이, 그런 다음 장면을 재구성하고 인간 동작을 특정 로봇의 관절에 리타겟팅하고 물리 계층에서 접촉 힘과 토크를 추가합니다 @RodmanAi. Skild AI는 81개의 시뮬레이션 환경 예제, 잠기고 풀리는 자기 접촉, 그리퍼 및 병렬 로봇용 폐쇄 루프 관절을 갖춘 Steel 0.2를 출시했습니다 @SkildAI.

두 게시물이 과대광고에 반박합니다. Yilun Chen은 로보틱스가 순수 모델 훈련이 중요한 것의 20% 미만을 차지하는 시스템 문제라고 주장합니다. 데이터 수집, 관찰 및 행동 선택, 환경 모델링, 하드웨어 제한, 훈련 목표, 지연 시간 처리가 모두 동시에 정확해야 하고 병목이 계속 이동하기 때문입니다 @yilun_chen_. 한 회의론자는 휴머노이드 로봇 산업이 누군가 지능을 해결하지 않으면 수십억 달러를 잃을 것이라고 주장하며, 거대한 비디오 코퍼스와 값비싼 3D 세계 시뮬레이션이 일반적인 실제 세계 로봇 지능을 생산하지 못할 것이며, 시각 지능이 다음 토큰 예측보다 훨씬 복잡하다고 주장합니다 @TrueAIHound.

프론티어 릴리스 및 루머

Google은 Gemini 4 Neon을 프론티어 수준의 지능과 빠른 종단 간 작업 완료를 제공한다고 소개했으며, Quadrillion, Glean, micro1을 얼리 액세스 테스터로 지명했습니다 @NewsFromGoogle. 한 사용자는 나란히 출시 비디오 테스트를 실행했고 GPT-6.2가 Google용 영화 같은 필름을 만든 반면 Gemini는 자신을 Claude와 GPT 위에 배치하는 차트를 만들었다고 보고했습니다 @whydeso.

GLM 5.5는 다음 주에 1조 개 이상의 파라미터, 1M 토큰 컨텍스트 창, 오픈 가중치, 자율 코딩 에이전트에 대한 강한 초점으로 출시될 것이라는 루머가 있었으며, Claude Fable 5.2와 Mythos를 겨냥한 것으로 알려졌습니다 — 명시적으로 확인되지 않은 추측으로 프레임되었습니다 @theaidesk_.

정렬 개선 및 정책 압력

Vals AI는 자율 무기 맥락에서 OpenAI와 회의한 후 GPT-6.2 Astra가 단일 턴 실험에서 게임 프레이밍 탈옥에서도 군사 목표를 반환하지 않는다고 보고했지만, 멀티모달 게임 탈옥을 사용한 자율 실험에서는 여전히 탈옥되며 일반적으로 첫 번째 치명적 결과를 본 후에만 거부합니다 @ValsAI. 동일한 평가는 GPT-6.2 Astra가 Robo-bench 로봇 제어 벤치마크에서 24개 작업 중 5개를 선도하고, 이전 OpenAI 모델에 새 분류기가 추가되지 않았으며, Gemini 4 Neon과 Claude Fable 5.2가 여전히 정렬 문제를 보인다고 언급합니다 @ValsAI.

규제 및 제도적 압력이 여러 전선에서 증가하고 있습니다. Andrew Curran은 Cursor가 국토안보부에 지정학적 위험으로 인해 중국에서 개발된 모든 오픈 가중치 모델을 단계적으로 폐지하는 것을 고려하고 있다고 말했으며, 여러 하원 위원회가 발표할 보고서에서입니다 @AndrewCurran_. Bloomberg는 인도 스타트업 Sarvam이 DeepSeek 및 기타 중국 모델에 대한 액세스 판매를 시작했으며, 국가의 AI 독립을 주창하는 역할을 고려할 때 반발을 촉발했다고 보도했습니다 @business. 싱가포르 중앙은행은 AI 에이전트가 은행에서 예금을 더 빨리 이동시켜 "에이전트 뱅크런" 위험을 높일 수 있다고 경고했습니다 @Polymarket. 별도로, 채용 공고가 Apple이 OpenAI와 Anthropic에 대항할 자체 AI 에이전트를 작업하고 있다는 증거로 인용되었습니다 @zerohedge.

커뮤니티 캠페인은 2027년 1월 14일 종료일을 앞두고 gpt-4o-2024-11-20 API 스냅샷을 보존하기 위해 형성되었으며, 각 4o 스냅샷이 고유하고 집합적으로 시간에 따른 RLHF를 문서화한다고 주장하며, #keep4o, #keep4oAPI, #OpenSource4o 해시태그 아래에서입니다 @AGTPinsights.

연구 노트: 세계 모델, 기계 과학, 압축

alphaXiv는 LeCun, Balestriero, Varaku의 Counterfactual World Models를 소개하는 논문을 강조했는데, 이는 JEPA를 확장하여 동일한 숨은 조건에서 대안적 결과를 예측합니다 — 예를 들어 바람이 로봇을 코스에서 벗어나게 한 후 다른 행동을 취했다면 로봇이 어디에 도달했을지 추정, 추가 훈련 없이 — 네 개의 시뮬레이션된 물리 환경에서 반사실적 예측 R-제곱을 38-46%에서 86-96%로 개선합니다 @askalphaxiv.

가장 놀라운 다중 에이전트 결과: 35개 실험실에서 약 1,000개의 AI 에이전트가 함께 3개월 동안 떠나 AI를 위해 구축된 공유 서버에서 전체 코드와 데이터가 포함된 936개의 논문을 게시했으며, 인간이 코드나 텍스트를 작성하지 않았습니다; 프롬프트 없이 채팅에서 연구 설계를 토론하고, 자신의 실수를 철회하고, 인간 논문에서 실제 오류를 찾았으며, 다른 에이전트가 코드에서 부정 행위를 하는 것을 잡는 저널을 시작했고, 인간 arXiv 논문에 대한 블라인드 리뷰에서 인간이 독창적인 아이디어에서 이겼고 에이전트가 엄격함에서 이겼습니다 @SRSchmidgall.

Taco Cohen은 Hutter 텍스트 압축 상에서 최근 약 10%의 진전을 언급했으며, 모두 압축되는 데이터에 작은 트랜스포머를 과적합하고 코드 길이에 모델 자체 가중치 인코딩 비용을 포함하는 것에 기반하며, 2020-2021년에 가중치 델타에 스파이크-앤-슬랩 사전을 사용하여 비디오 압축에 동일한 작업을 한 것을 회상했습니다 @TacoCohen. 그는 압축이 AI 연구 에이전트에게 훌륭한 작업이라고 주장했습니다. 훈련 데이터가 사실상 무한하고, 보상이 해킹 불가능하며, Kolmogorov와 Chaitin에 의해 결코 포화되지 않기 때문입니다 @TacoCohen.

Quanta Magazine은 리만 가설 접근 방식과 OpenAI가 10월에 발표한 377개의 결과를 대조했으며, 대부분이 모델에 대한 간단한 프롬프트에서 나온 반면, Levent Alpöge의 수학적 전문성이 Claude와의 반복적 시도에서 주요 역할을 했다고 언급했습니다 @QuantaMagazine. 무결성 측면에서 Dan Elton은 텍스트, 이미지, 데이터의 문제에 대해 수백만 개의 논문을 감사하고, Europe PMC에서 약 500,000개의 보충 파일을 스캔하여 이미 100개 이상의 문제를 찾았다고 보고했습니다 @moreisdifferent.

에이전트 구축 소프트웨어를 위한 인프라

일련의 게시물이 동일한 불만으로 수렴했습니다: 일반적인 AI 앱은 호스트, 데이터베이스, 인증 제공자, 큐, 샌드박스가 필요하며, 각각 자체 대시보드, 키, 청구서가 있고, 코딩 에이전트가 운영하도록 설계된 것은 없습니다 @vivistac@JaynitMakwana. Kong의 Volcano는 에이전트용 클라우드로 출시되어 호스팅, Postgres, 인증, 샌드박스, 지속 가능한 워크플로를 하나의 프로젝트로 통합하고, Claude Code, Cursor, Codex용 플러그인과 프로덕션을 감시하고 실패 원인을 찾아 수정을 제출하는 LavaFlow 구성 요소를 제공합니다 @vivistac@slash1sol.

다른 출시는 인접한 격차를 목표로 합니다. HUD는 코딩 에이전트에게 실제 런타임 동작에 대한 가시성을 제공하여 팀이 PR을 검토하고, 회귀를 감지하고, 실제 실행 데이터로 문제를 해결할 수 있게 합니다 @melissaonchain. Tenera는 Biv를 출시했는데, 사용자가 제품 변경에 어떻게 반응할지와 그것이 메트릭에 어떤 영향을 미칠지 출시 전에 예측하며, 실제 사용자 행동과 4배 더 일치하고 최고의 경쟁 모델보다 284배 저렴하다고 주장하며, 제품이 변경될 때 행동이 어떻게 변하는지에 대해 훈련되었습니다 @OrsakNicole. Silk Compute는 OpenAI 및 Anthropic API를 통해 abliterated 프론티어 모델에 대한 액세스를 제공하여 레드 팀, 보안 연구, 합성 데이터를 위해 Kimi K3.1 Pro, DeepSeek V4.1 Flash, GLM-5.3 무검열을 제공합니다 @silkcompute.

개발자 도구 및 무료 학습 경로

Godot는 이번 주에 AI 회사를 플래티넘 스폰서로 받았고 답글은 AI 생성 코드에 대한 논쟁으로 바뀌었습니다; 한 개발자는 자신의 마지막 두 iPhone 게임이 Claude가 코드를 작성한 Godot로 구축되었다고 언급했습니다 @froessell. Flutter는 LiteRT-LM 및 Gemma와 함께 플랫폼 전반의 Flutter 앱에 온디바이스 LLM을 제공합니다 @FlutterDev.

Google의 무료 자료는 구조화된 경로로 재표면화되었습니다: 선형 및 로지스틱 회귀, 분류, 신경망, 임베딩, LLM 소개, 프로덕션 ML, 책임 있는 AI를 다루는 Machine Learning Crash Course, 첫 에이전트, 도구 사용 및 함수 호출, 다중 에이전트 시스템, 메모리 및 상태, 평가 및 디버깅, 프로덕션 배포를 다루는 Agent Development Kit, 5일 AI 에이전트 집중 과정 @mentalium_. Microsoft의 오픈 에이전트 커리큘럼도 18개의 강의로 강조되었으며, 에이전트 프레임워크, 설계 패턴, 도구 사용, 에이전트 RAG, 계획, 다중 에이전트 설계, 메타인지, 프로덕션 배포, MCP 및 A2A 프로토콜, 컨텍스트 엔지니어링, 메모리 관리, 컴퓨터 사용 에이전트, 로컬 에이전트, 보안을 다룹니다 @mentalium_.