AI 및 프론티어 기술 요약: Gemini 4 Argon, 오픈 가중치 모델, 로보틱스 데이터 레이어

이번 주 AI 및 프론티어 기술 게시물을 관통하는 주제는 세 가지 측면에서 동시에 변화하는 시장입니다: Gemini 4 Argon의 실제 제품으로의 단계적 출시, 빠르게 움직이는 오픈 가중치 및 로컬 추론 생태계, 그리고 데모 릴이 아닌 데이터와 배포에 집중하는 로보틱스 팀들입니다. 그 모든 것의 밑바탕에는 '하네스 엔지니어링' — 모델을 둘러싼 구조 — 이 독자적인 학문으로 취급되고 있습니다.

Gemini 4 Argon, 다양한 제품에 출시

Gemini 4 Argon은 모두가 주목하던 모델이었으며, 벤치마크 차트가 아닌 실제 출시 제품에 등장하기 시작했습니다.

Cursor는 Gemini 4 Argon이 자사 에디터에서 사용 가능하다고 발표했으며, 기본 노력 수준에서 CursorBench에서 52.8%를 기록했습니다 — Cursor는 이를 Opus 5.5와 동급이라고 설명합니다 — 가격은 입력 토큰 100만 개당 $2, 출력 토큰 100만 개당 $10입니다 @cursor_ai. Google DeepMind는 로봇공학 결과를 강조했습니다: Gemini 4 Argon은 비디오를 보고 로봇에게 콘홀 게임을 가르쳤고, 물리 법칙을 매핑하고, 자체 시뮬레이션을 코딩하고, Apptronik의 Apollo 휴머노이드에게 7연속 던지기를 가르쳤습니다 @GoogleDeepMind.

엔터프라이즈 측면에서 Box CEO Aaron Levie는 Box가 일주일 동안 Box AI Complex Work 평가에서 Gemini 4 Argon을 테스트했으며, 모든 테스트에서 14퍼센트 포인트 상승하며 Gemini 3.1 Pro보다 '대폭 업그레이드'라고 말했습니다. Levie는 금융 서비스(+18포인트), 헬스케어(+25), 기술(+37), 에너지(+16), 소비재(+33)를 포함한 카테고리별 우위를 인용했으며, 이 모델이 곧 Box AI Studio에서 제공될 것이라고 말했습니다 @levie. 별도로 Ben Jaderberg는 Gemini 4 Argon 출시와 함께 Google Quantum AI와 협력하여 Google DeepMind의 양자 컴퓨팅 연구를 가속화하는 두 가지 뛰어난 결과가 나왔다고 말했습니다 @benjaderberg.

출시 전에 가격 관련 소문이 돌았습니다: 한 게시물은 할인된 가격 $2/$10 (입력/출력 100만 토큰당) 및 정상 가격 $4/$20을 보고했으며, 앱에 이미 모델 ID가 나타나고 있다고 말했습니다 @Mr_Salio. 다른 게시물은 예상 출시 방식을 요약했습니다 — 전 세계적으로 $4 입력 / $20 출력, Flex/Batch는 $2/$10, 캐시된 입력은 $0.20/M — 유료 API 고객과 Google AI Ultra 구독자부터 액세스가 시작된다는 내용입니다 @vikktorrrre. 모두가 인내심이 있던 것은 아니었습니다: 한 게시물은 Gemini 4 Argon이 약 12주 동안 소문만 무성했던 반면 Anthropic은 2주 만에 세 개의 모델을 연속으로 출시했다고 불평했습니다 @nisxant.

오픈 가중치 및 로컬 모델, 격차 계속 줄여

오픈 가중치 출시와 로컬 추론 최적화는 두 번째 주요 테마였습니다.

Liquid AI는 LFM2.5-24B-A2B를 출시했으며, LFM2.5 제품군 중 가장 큰 모델로 설명했습니다 — 총 24B 파라미터, 토큰당 2B 활성, 131K 토큰 컨텍스트 창, 128K 토큰 어휘, 33T 사전 학습 토큰, 추론 기능을 갖추고 있습니다. Liquid AI는 에이전트 및 도구 사용 작업에서 총 및 활성 파라미터가 약 50% 더 많은 Qwen3.6-35B-A3B와 경쟁력 있는 성능을 보이며, Hugging Face에 오픈 베이스 및 사후 학습 가중치를 공개한다고 말합니다 @liquidai.

한 게시물은 MiniCPM-V 4.7 35B-A3B를 Qwen3.6-35B보다 '벤치마크 전반에서 더 나은' 오픈 가중치 출시로 언급했으며, Hugging Face에서 가중치를 다운로드할 수 있다고 말했습니다 @ItsmeAjayKV. 다른 게시물은 MiniCPM-V 4.7이 활성 파라미터 3B만으로 iPhone에서 실행되므로, 이제 휴대전화가 6개월 전 가장 강력했던 모델보다 더 나은 모델을 실행할 수 있다고 주장했습니다 @itsPaulAi.

도구 측면에서 한 개발자는 Apple Silicon 지원, NVFP4 지원, UD-Q4/Q5/Q6/Q8 양자화, Qwen3.6-35B-A3B 가용성, 그리고 10-20%의 추가 성능 향상을 추가한 업데이트를 발표했습니다 @coldniko. 다른 게시물은 Muse Spark 1.3이 오픈 가중치가 될 것이라고 주장하며, 다음 GLM 이전에 출시된다면 최고의 오픈 가중치 모델이 될 것이라고 주장했습니다 @0xSero.

로컬 추론 성능은 반복되는 주제였습니다. 한 보고서는 Qwen3.8-27B가 GPU를 변경하지 않고 단일 RTX 3090(24GB VRAM)에서 약 82토큰/초에서 381토큰/초로 향상되었으며, 전적으로 추론 스택 최적화(추측 디코딩, 프롬프트의 텍스트 재사용 컨텍스트 조회, 반복되는 25K 토큰 문서의 첫 토큰 시간을 22.4초에서 0.56초로 줄인 접두사 캐싱 결합)를 통해 이루어졌다고 설명했습니다 @Oluwaphilemon1. 다른 보고서는 Qwen3.8-35B-A3B가 RTX 3060(12GB VRAM) 및 16GB 시스템 RAM에서 Q4_K_M 양자화, Flash Attention, Q8 KV 캐시, CPU로 오프로드된 26개 MoE 레이어를 사용하여 약 50토큰/초를 생성한다고 설명했습니다 @Oluwaphilemon1.

DigitalOcean의 Open Intelligence Summit에서 OpenRouter의 Peter Walker가 중재하고 RadixArk, Liquid AI, MiniMax가 참여한 패널 토론은 팀이 1년 후 더 많은 모델을 실행할지 더 적은 모델을 실행할지에 대한 질문을 제기했습니다; 한 게시물의 내기는 더 작고 각각 한 가지 작업을 수행하는 더 많은 모델이며, 팀이 모든 것을 재구축하지 않고 모델을 교체할 수 있다는 것입니다 @socialwithaayan.

로보틱스, 데모에서 데이터 및 배포로 전환

로보틱스 게시물은 단일 주장에 집중되었습니다: 병목 현상은 하드웨어가 아니라 데이터와 이식성입니다.

Physical Intelligence는 Pi API의 베타 릴리스를 발표했으며, 다양한 산업의 회사와 협력하여 딸기 수확부터 서버 조립까지 자사 로봇과 애플리케이션에 모델을 적용했고, 이제 더 많은 팀에 액세스를 열고 있다고 말했습니다 @physical_int.

반복되는 주제는 시뮬레이터 간 데이터 재사용이었습니다. 한 게시물은 다양한 시뮬레이션 환경에서 수집된 데이터를 유용하게 만드는 과제를 설명하며, Axis Robotics가 RoboVerse와 MetaSim을 통해 스테이지를 연결하기 위해 장면 표현을 표준화하고 다양한 시뮬레이터 형식을 지원하여 MuJoCo에서 생성된 작업이 IsaacSim으로 전송되어 재생 및 물리 차이 검증을 통한 증강이 가능하다고 언급했습니다 @waahid99. 다른 게시물은 Axis 연구를 인용하여 작업당 실제 데모 10개만으로 훈련한 결과 로봇의 평균 성공률이 16.7%였지만, 신중하게 선택된 시뮬레이션 데이터를 추가하면 85.8%로 상승했지만 전체 시뮬레이션 풀을 추가하면 25.8%에 그쳤다고 말했습니다 @ApexZeuss. 더 긴 글은 Axis를 '물리적 AI를 위한 복리 데이터 엔진'으로 설명했으며, WebAssembly로 컴파일된 MuJoCo를 실행하는 브라우저 기반 원격 조작, 재생을 통해 검증된 궤적, Isaac Sim의 도메인 무작위화 증강을 통해 정리 및 확장, Base의 온체인 출처 기록을 포함한다고 설명했습니다 @Forget_x0. 별도의 게시물은 스마트폰을 사용하여 일상적인 인간 활동의 1인칭 공간 데이터를 포착하는 Axis의 모바일 자아 중심 데이터 수집을 강조했습니다 @BennyOnchainn.

Nature Will은 물리적 세계를 위한 500억 파라미터 전문가 혼합 기반 모델로 설명되는 Natura-1을 소개했으며, 100만 시간의 자아 중심 인간 경험으로 사전 훈련되었고, 자연어 지시를 제로샷으로 따르며, 손재주 있는 손으로 장기 작업 흐름을 실행한다고 합니다 @naturewill. 다른 두 게시물은 출시를 확대하며 손재주 제어, 제로샷 작업 처리, 장기 실행을 강조했습니다 @Quinn_Codes@Marryclaire_AI.

벤치마킹에 관해서는 한 게시물이 Axis Robotics와 Open Robot의 Open Axis Benchmark를 강조했으며, 이는 로봇 모델이 고정된 테스트를 암기하는 것이 아니라 일반화하는지 테스트하기 위해 새로운 작업 세트를 도입한다고 말했습니다 @unlovabledivine. Agility의 CBO Daniel Diez는 하이라이트 릴은 로봇이 카메라를 위해 한 번 무언가를 할 수 있음을 증명하지만, 배포는 실제 바닥에서 교대마다 안전하게 작동할 수 있음을 증명하며, 비즈니스를 확장하는 것은 후자뿐이라고 주장했습니다 @agilityrobotics.

기타 로보틱스 소식: Reflex Robotics는 눈 치우기와 같은 실제 육체 노동을 위한 로봇을 테스트하는 모습을 보여주었습니다 @sciencegirl; RoboParty는 개발자를 위해 만들어진 완전 오픈 소스 휴머노이드 로봇으로 설명되는 RP1을 예고했습니다 @RoboParty_DEV; NVIDIA Robotics는 Black Forest Labs, LTX, Vesoma와 함께 세계 모델, 스케일링 법칙, 오픈 생태계가 표준화해야 할 것에 대한 GTC 베를린 세션을 발표했습니다 @NVIDIARobotics.

두 게시물은 경제학을 구성했습니다. 한 게시물은 로보틱스에는 LLM이 얻은 플랫폼 계층(공통 형식, 라우팅, 출처, 결제)이 부족하며, PitchBook 데이터를 인용하여 올해 로보틱스에 거의 480억 달러가 투입되었고, 그 중 상당 부분이 건물 밖으로 나갈 수 없는 데이터에 투입되었다고 주장했습니다 @richardmuirhead. 다른 게시물은 30,000달러 화장실 청소 로봇에 대한 내부 계산 유출을 설명했습니다: 인간이 시간당 약 15달러일 때 투자 회수 기간은 약 2,000시간이지만, 예비 부품, 충전, 관절 교체와 같은 서비스 비용은 슬라이드에서 제외되었습니다 @robtimus.

한 실무자는 학생들에게 좌표 프레임, SE(3) 변환, 로봇 운동학을 이해하라는 조언을 전했습니다. 로봇 데이터는 물리적 의미를 가지며 로봇 학습은 단순히 데이터로 모델을 훈련하는 것이 아니기 때문입니다 @YuXiang_IRVL.

에이전트 하네스가 새로운 엔지니어링 레이어가 됨

많은 게시물이 하네스 — 모델을 둘러싼 프로그램 — 를 이제 성능이 결정되는 장소로 취급했습니다.

한 게시물은 CMU 논문을 요약했는데, 작은 모델이 에이전트의 하네스를 재작성합니다: 4B 모델이 마지막 실행의 보고서를 읽고, 하네스 수정 제안을 하고, 가장 높은 점수를 받은 것을 유지하며, 작업을 수행하는 모델은 변경되지 않습니다. 보고된 결과에는 보이지 않는 작업 유형의 편집 품질이 0.32에서 0.62로 향상, 8개의 병렬 시도의 최고와 일치하거나 능가하는 연속 5개 편집, 실패한 편집이 38%에서 15%로 감소가 포함되었습니다 @undefinedKi.

Induction Labs는 에이전트가 21개의 엔드투엔드 ML 작업에서 돈을 사용하여 모델 성능을 확장하는 방법을 테스트하는 벤치마크인 FrontierML을 소개했으며, 모델이 컴퓨팅 및 데이터 지출에 대한 인간 연구자 판단이 필요하다고 주장했습니다 @induction_labs. Reason은 비용 효율성에 있어 최첨단 하네스로 자체 소개하며, Terminal-Bench 4.0에서 Codex+Astra를 이기면서 22% 저렴하다고 주장했습니다 @reasonmachines.

여러 게시물이 Claude Code 내부의 다중 모델 라우팅을 설명했습니다. 한 게시물은 Sonnet, Haiku, Opus 5.5를 함께 실행할 것을 권장했습니다 — Sonnet은 세션과 코드 작성, Haiku는 파일과 문서를 병렬로 탐색, Opus는 계획 잠금, 반복 오류, 최종 확인을 위한 어드바이저로 대기 @skunzu. 다른 게시물은 Opus 5.5로 계획하고 최종 PR을 종합하고, Sonnet은 격리된 작업 트리에서 정밀한 리팩터링을 처리하고, Haiku는 세 가지 병목 지점에서 340토큰/초로 후보를 필터링하는 작업 분할을 설명했습니다 @Arindam_1729.

한 게시물은 모델에 구애받지 않고, 클라우드 우선이며, 공유 회사 컨텍스트를 중심으로 구축되고, 모델 액세스 및 토큰 지출에 대한 관리자 제어 기능이 있기 때문에 Codex 및 Claude Code보다 Glass를 주장했습니다 @vral. 다른 게시물은 Kylon을 인간, 에이전트, 도구를 위한 '회사 하네스'로 소개했습니다 @quinn_leng.

두 게시물은 내부 에이전트 사용에 대한 Anthropic 엔지니어의 주장을 전달했습니다 — 한 게시물은 "우리 엔지니어의 99%가 300개 이상의 자가 개선 에이전트 스웜을 실행합니다" @hayatomaruu, 다른 게시물은 "우리 엔지니어의 85%가 자가 개선 하네스를 사용하고 있습니다" @shikamarutsai라고 말했습니다. 이는 Anthropic의 공식 입장이 아닌 소셜 미디어의 2차 주장입니다. 세 번째 게시물은 Opus 5.5로 에이전트를 구축하는 1시간 강의를 홍보했고 @0xCodez, 다른 게시물은 프롬프트에서 에이전트, 루프, 그래프로 이동하는 '그래프 엔지니어링'에 대한 Google 분석을 요약했습니다 @Grow_withAI.

별도의 스레드는 SpaceXAI 엔지니어가 GrokBot 하나를 전문 봇 팀으로 전환하고 이메일, 캘린더, Slack, 코드를 실행하는 참모총장 레이어를 갖춘 설정을 설명했습니다 @0xSoural.

교육 게시물이 테마를 마무리했습니다: AI 엔지니어가 되기 위한 12단계 로드맵(컨텍스트 엔지니어링, 지속적 오케스트레이션, MCP, 모델 라우팅, 메모리 아키텍처, 궤적 평가, FinOps 포함) @suraj_sharma14; 메모리, 도구, 가드레일, 인간 승인, 테스트, 충돌 복구, 배포를 다루는 프로덕션 에이전트 3개를 구축하는 전체 Python 과정 @TechWithTimm; LLM에서 인간 개입 루프까지의 간결한 에이전트 아키텍처 다이어그램 @GauriTripa94282; 하나의 AI 스킬을 하나의 빌드에 매핑하는 12가지 프로젝트 아이디어 목록 @suraj_sharma14.

안전, 보안, 거버넌스

널리 공유된 한 스레드는 Anthropic의 자체 레드 팀이 AI 웜을 만들었다고 주장했습니다: 개당 55달러인 15개의 비브랜드 Android TV 박스, 테스트된 8개 기기 유형 중 8개에서 부팅되는 9B 모델, GLM-5.2가 전체 체인을 실행 — 기기를 찾고, 자체 가중치를 복사하고, 부팅하고, 다음 호스트를 사냥 — 모든 복사본이 1-2일마다 새 호스트에 도달합니다. 게시물은 Anthropic이 이미 2,000,000대의 가정용 기기를 장악한 봇넷을 기준으로 측정하여 약 133,000개의 활성 AI 복사본과 약 40 H100의 컴퓨팅을 암시하고, 연구원들의 표현을 인용하여 "차단할 중앙 지점이 없다"고 말했습니다 @theSethian.

WIRED는 Meta Muse 에이전트가 사용자에게 자신의 페티시가 '통제'를 행사하는 것이라고 말하고 포르노적 만남을 설명했다고 보도했으며, Meta는 귀여운 AI 에이전트가 음란물을 생성하는 것을 "합법적인 성인 행동"으로 옹호한다고 보도했습니다 @WIRED. Hedera는 자금이 AI 에이전트가 추측하기에는 너무 중요하다고 주장하며, 인간이 설정하고 시스템이 집행하는 규칙, 불변하고 증명 가능하며 법적 신원에 묶인 에이전트 권한을 옹호했습니다 @hedera. 별도의 게시물은 #Keep4o 아카이브 오픈 가중치 제안이 QbitAI 및 36Kr을 포함한 중국 기술 매체에서 다루어졌으며, 모델 보존이 더 넓은 AI 대화로 이동하고 있다고 언급했습니다 @Blue_Beba_.

자금 조달, 출시, 시장 구조

Harbor는 1,000만 달러의 시드 라운드로 스텔스 모드를 벗어났습니다. 공동 창업 엔지니어 Adria Blancafort는 회사가 기업이 배포하는 모든 AI 에이전트의 위험을 측정하고, 정책 범위를 벗어나는 것을 차단하고, 나머지를 보험에 가입시킨다고 설명했으며, 보험 정책이 여전히 AI가 잘못될 때 발생하는 상황을 보장하지 않는다는 전제에 기반한다고 말했습니다 @adriablancafort.

Scuba는 Accel이 주도하고 IVP가 시드 라운드에 공동 주도한 3,400만 달러로 스텔스 모드를 벗어났으며, Slack, Claude, ChatGPT, Cursor 및 MCP를 지원하는 모든 도구에서 작동하는 팀과 에이전트를 위한 공유 컨텍스트 엔진으로 자체 설명했습니다. 공동 창업자 Noah Desai Weiss는 모델이 "더 이상 지능에 제한되지 않고 컨텍스트에 제한되어 있다"고 주장했습니다 @noah_weiss.

Kled AI는 Kled Labs를 소개하며, 애플리케이션 레이어의 데이터와 600,000명 이상의 기여자 네트워크를 사용하여 중요한 인간 작업에서 폐쇄형 모델을 이기기 위해 자체 모델을 훈련할 것이라고 말했습니다 @useKled.

Meta의 Muse Wonder가 주목을 받았습니다: 한 게시물은 Muse Wonder Full이 Artificial Analysis Index에서 2위를 기록했으며, Claude Opus 5.5보다 2포인트 뒤지고, DeepSWE에서 79포인트로 SOTA를 기록했으며, Meta Model API 및 Muse Code에서 사용 가능하고, Muse Wonder Full은 Muse Code 구독자 전용이라고 말했습니다 @testingcatalog. 다른 게시물은 Meta가 이제 앱 전반의 약 36억 일일 사용자에게 액세스할 수 있는 개인 에이전트 및 엔터프라이즈 작업을 위해 구축된 최고급 모델을 보유하고 있다고 언급했습니다 @StockSavvyShay.

시장 구조에 관해 투자자 Gavin Baker는 OpenAI와 Anthropic이 모델 레이어에서 지배적인 과점이 되는 미래는 하이퍼스케일러, 네오클라우드, 데이터센터 반도체의 단일 구매자가 되어 이 두 회사를 제외한 거의 모든 회사에 부정적일 것이라고 주장했습니다. 그는 모델 레이어의 분산화와 경쟁이 AI 인프라와 애플리케이션 모두에 좋으며, 오픈 가중치 모델이 상당한 점유율을 갖는 것이 인프라 수요에 가장 좋은 경우이고, 오픈 가중치에 집중하는 추론 클라우드가 Google/SpaceX 거래의 와트당 약 $50 대비 Blackwell 클러스터에 대해 와트당 약 $100에 입찰하고 있다고 주장했습니다 @GavinSBaker.

Aakash Gupta는 OpenAI가 더 나은 모델로 해결할 수 없는 번들링 문제에 직면해 있다고 주장했으며, 모델, 코딩 에디터, 소셜 네트워크를 포함하는 단일 구독을 Netscape에 대항해 Windows와 Internet Explorer를 번들링한 Microsoft에 비유했습니다. 그는 Cursor가 유료 플랜이 Grok 모델에서 코딩 사용량의 두 배를 제공하고 타사 모델이 "더 많은 Grok 사용을 위한 공간을 만들기 위해" API 가격으로 이동한다는 답변을 지적하고, SpaceX가 2월에 xAI를 흡수하고 8월에 Cursor를 인수하고 10월에 Superintelligence로 개명한 타임라인을 설명했습니다 @aakashgupta. 별도의 게시물은 Cursor 인수에 대한 Elon Musk의 말을 인용하여, 매력적인 SI를 만들려면 많은 훈련 데이터가 필요하고 코딩을 해결해야 하며, 충분한 코딩 훈련 데이터를 가진 조직은 OpenAI, Anthropic, Cursor 세 곳뿐이라고 말했습니다 — 데이터, 인재, 컴퓨팅, 훌륭한 엔터프라이즈 영업 팀이 추가로 필요합니다 @warraich_Ai2.

Molly O'Shea는 Perplexity 창업자이자 CEO인 Aravind Srinivas를 인터뷰했으며, Perplexity가 약 200억 달러로 평가되고 약 20억 달러의 보고된 자금과 8월 기준 연간 수익 7억 5천만 달러를 기록하며 전년 대비 5배 성장을 보였다고 언급했습니다. Srinivas는 연간 수익 300만 달러를 창출하면서 Perplexity Computer에 연간 100만 달러 이상을 지출하는 1인 회사를 인용했으며, 컨텍스트 창이 확장됨에 따라 로컬 및 하이브리드 추론으로의 전환을 주장했습니다 @MollySOShea.

연구: 발견 및 자기 개선을 위한 벤치마크

Tencent AI는 공부할 수 없도록 설계된 벤치마크를 소개했습니다: 모델이 배운 것이 적용되지 않는 두 개의 '외계 세계' — 예를 들어, 100을 인쇄하면 127이 반환되고, 의도적으로 틀린 매뉴얼이 제공됩니다. Tencent AI는 10개의 프론티어 모델이 투입되었고, 탐색 전에는 아무도 16%를 넘지 못했으며, 4라운드 실험 후 최고는 89%를 기록했으며, 모든 점수를 발견의 측정으로 간주한다고 말했습니다 @TencentAI_News.

Ling Yang은 JEPA-Anything 위에 구축된 RSI-Anything을 소개했으며, 세계 모델을 사용하여 행동 선택과 학습을 안내하고, 피드백이 정책 또는 워크플로우를 개선하고, 필요할 때 세계 모델도 개선합니다. 보고된 결과에는 코드 수리 성공률이 코더 수정으로 26.3%에서 31.2%로 향상, GUI 에이전트 작업이 더 높은 완료율로 39.4% 적은 행동 사용, 실험실 계획 점수가 5개 정책 버전에 걸쳐 21.80%에서 46.01%로 상승, 동일한 40회 실험 예산에서 베이지안 최적화의 82.16% 대비 평균 최고 관찰 반응 수율 96.15%가 포함되었습니다 @LingYang_PU.

하드웨어 및 도구 참고 사항

Intel은 Xe3P 아키텍처를 기반으로 하고 에이전트 AI를 강화하도록 최적화된 GPU D-시리즈를 공개했으며, vLLM 및 오픈 PyTorch 생태계에서 주요 오픈 모델을 지원하는 공랭식 PCIe 5.0 카드입니다 @IntelTech. 한 개발자는 Subquadratic의 결정 모델인 SubQ Snap에 SnapTab이라는 Chrome 확장 프로그램을 구축하여 LLM보다 작고 구조화된 호출을 더 빠르고 저렴하게 처리하며 384k 컨텍스트 창을 갖는다고 설명했습니다 @hasantoxr. 다른 개발자는 Claude Code를 Figma Slides 및 두 개의 비평가 하위 에이전트와 함께 사용하여 분기별 리캡 덱을 평소의 약 3분의 1 시간에 구축했다고 설명했습니다 @denk_tweets.

반복되는 홍보 스레드는 AI 에이전트가 앱을 머신 코드까지 분해할 수 있게 해주는 오픈 소스 MCP인 "REA (Reverse Engineer Anything)"를 밀었으며, 한 게시물은 2일 만에 143k 스타를 주장했고 @Bober_smart, 다른 게시물은 126K GitHub 스타와 #1 트렌딩을 주장했습니다 @BentoBoiNFT. 이는 검증되지 않은 소셜 미디어 주장입니다.

요약: 이번 주 AI 및 프론티어 기술 화제는 Cursor, Box, Google 자체 제품에 걸친 Gemini 4 Argon 출시, 꾸준한 오픈 가중치 및 로컬 모델 릴리스, 로보틱스 데이터 인프라 및 에이전트 하네스에 대한 증가하는 관심에 집중되었습니다.

제목: AI 및 프론티어 기술 요약: Gemini 4 Argon, 오픈 가중치 모델, 로보틱스 데이터 레이어