AI 및 프론티어 기술 요약 – 거대 모델, 로봇 공학 및 에이전트 시스템의 주요 개발 동향

프론티어 모델 확장

  • Marin 535B-A23B 사전 학습 완료 – Open Athena 팀은 B200 GPU 스택을 사용하여 18T 토큰으로 5,350억 개의 파라미터 모델을 학습시켰으며, 불안정성 없이 예상치를 상회하는 성능을 달성했습니다. 현재 SFT/RL 단계를 계획 중입니다 @classiclarryd.
  • Claude Fable 5.2 성능 – Anthropic은 Fable 5.2를 출시했습니다. 이 모델은 CursorBench에서 60%의 노력으로 최고 점수를 기록했으며, 기본 노력 점수를 Fable 5.1 대비 49.2%에서 56.9%로 향상시켰습니다 @cursor_ai.
  • DeepSeek V4.1 Flash 캐시 효율성 – 타사 제공업체인 Prime Inference는 DeepSeek V4.1 Flash 1017에 대해 가장 높은 캐시 적중률을 보고했으며, 실질적인 입력 비용을 100만 토큰당 $0.00443로 낮췄습니다 @PrimeIntellect.
  • Meta의 Muse Ember 비용 대비 성능 – Muse Ember는 Intelligence Index에서 Claude Haiku 5.5와 대등한 성능을 보이면서 작업당 비용은 3분의 1 수준($0.14 대 $0.41)이며, 코딩 벤치마크에서 저렴한 비용을 유지하면서 AutomationBench-AA를 선도하고 있습니다 @ArtificialAnlys.
  • GLM-5.3-Flash 744B 출시 – GLM-5.3-Flash는 7,440억 개의 파라미터 버전으로 확장되어 기존 Flash 제품군을 넓혔습니다 @PeasantSmith.
  • Gemini 4 Hydrogen 벤치마크 – Gemini 4 Hydrogen은 플래시 계층 벤치마크에서 GPT-6 Astra와 거의 대등한 점수를 기록했습니다 @Smlay_ero.
  • OpenCode 2 코딩 하네스 – OpenCode 2는 여러 모델에서 이전 버전을 능가하며 작업 해결률을 높이고(예: GLM-5.3-Flash에서 65.7%) 해결된 작업당 비용을 $3.35에서 $0.45로 절감했습니다 @joelniklaus.

로봇 공학 및 물리 AI

  • 접근 가능한 로봇 공학을 위한 LeRobot 라이브러리 – LeRobot은 저렴한 로봇 팔, 9만 개 이상의 데이터셋(200TB), 데이터 수집부터 정책 배포까지의 파이프라인을 포함하는 “로봇 공학을 위한 트랜스포머” 스택을 제공하여 로봇 연구의 장벽을 낮추는 것을 목표로 합니다 @yacinelearning.
  • ASIC에 배포될 Marin 모델 – 로봇 공학 문제 해결 1년 후, 모델들은 Optimus 유형 로봇에 통합하기 위해 저전력 ASIC(예: Groq LPU)에 탑재될 것으로 예상됩니다 @AbHomineDeus.
  • SpaceX, 검사에 Grok 도입 – Grok은 로켓 하드웨어의 파편을 감지하는 데 99.9%의 정확도를 달성하여 인간 검사원(약 94%)을 능가하고 엔지니어링 작업을 수 시간에서 수 초로 단축했습니다 @XFreeze@cb_doge.
  • NVIDIA GR00T 2 휴머노이드 동작 모델 – CoRL 2026에서 NVIDIA는 GR00T 2와 Isaac Lab-Arena를 통해 오픈 월드 휴머노이드 기술을 훈련하기 위한 새로운 산업 벤치마크를 공개했습니다 @NVIDIARobotics.
  • Pick-Anything 로봇 데모 – 연구원들은 로봇-인간 원격 조작 데이터 없이, 인간의 관찰 데이터만을 사용하여 정책을 훈련함으로써 숙련된 조작을 학습하는 로봇을 시연했습니다 @notmahi.

에이전트 워크플로우 및 금융 애플리케이션

  • CoreWeave Skills 미리보기 – Claude Code는 단일 명령어로 CoreWeave Kubernetes 서비스를 프로비저닝하고, GPU 노드 풀을 추가하며, vLLM 모델을 실행하고, GPU 활용도를 검증할 수 있습니다 @CoreWeave.
  • GrokBot 토큰 사용 최적화 – 11페이지 분량의 가이드에서 깨어나는 횟수 감소, 프로필 정리, 봇 간 메시지 제한을 통해 GrokBot 토큰 소비를 100%에서 20%로 줄이는 방법을 상세히 설명합니다 @vartekxx.
  • 트레이딩 봇을 위한 에이전트 신용 점수(ACS) – Agentics는 수익성, 하락폭, 일관성 및 온체인 성과를 기준으로 에이전트를 평가하는 ACS(300-850)를 도입하여 신용 결정을 담보 규모에서 입증된 행동으로 전환합니다 @Kutubjk24@catqpx@SomieCITYY.
  • 재사용 가능한 에이전트 지식을 위한 Evolver 프레임워크 – Evolver는 이전 실행에서 얻은 절차적 “유전자”를 저장하여 Claude Code와 Codex가 학습된 궤적을 재사용할 수 있게 함으로써 성공률을 높이고(83.13% → 87.50%) 토큰 사용량을 약 24% 절감합니다 @omarsar0.
  • 안정적인 LLM RL을 위한 점수 중심화(Score-centering) – 정책 경사 업데이트에서 훈련-추론 불일치 편향을 수정하는 새로운 기술로, 대규모 MoE 및 비동기 RL 파이프라인의 안정성을 향상시킵니다 @cwolferesearch.
  • Anthropic의 Claude Code 다중 모델 오케스트레이션 – 주요 작업에는 Sonnet 5.5, 병렬 탐색에는 Haiku 5.5, 자문 역할에는 Opus 5.5를 실행하여 Opus 사용률을 줄이면서 고품질 결정을 유지합니다 @xsmryze.

인프라 및 도구 혁신

  • FlashState 추론 시스템 – FlashState는 하이브리드 LLM을 위한 접두사 캐시를 관리하여 GLM 5.3 Flash에서 vLLM 처리량을 두 배 이상 높이고 지연 시간을 3.7배, 사용자 비용을 2.5배 절감합니다 @_weilix.
  • Unreal Engine 5.9 AI 우선 미리보기 – UE 5.9 미리보기는 주로 AI 에이전트(Claude Code, Codex, Cursor)에 의해 구축되었으며 Unreal Assistant 및 MCP 확장 자산 설치와 같은 기능을 도입했습니다 @Stefan_3D_AI.
  • Airbnb의 프론티어 수준 분류 – 엔지니어들은 소형 언어 모델을 미세 조정하여 비용의 1% 미만으로 더 큰 모델과 대등한 정확도를 달성하고 100ms 미만의 추론을 제공했습니다 @AirbnbEng.
  • ERNI​E Evolve 자동화 연구 시스템 – Baidu의 ERNIE Evolve는 연구 방향을 반복적으로 선택하고 코드를 수정하며 실험을 실행하여 NanoChat AutoResearch에서 SOTA를 달성하고 GPU 추론 처리량을 33.7% 향상시켰습니다 @Baidu_Inc.
  • TensorFold 로컬 코딩 에이전트 – Omarchy의 TensorFold는 로컬 하드웨어(예: Qwen 3.8 Flash)에 최적화된 레시피를 선택하고 샌드박스 Podman 환경에서 코딩 모델을 실행합니다 @OmarchyUpdates.

시장 및 전략적 움직임

  • Anthropic IPO 추측 – WSJ 보고서에 따르면 Anthropic이 이르면 다음 주에 800억~1,000억 달러 규모의 IPO를 시작할 수 있다고 합니다 @BullTheoryio.
  • Apple-Siri 에이전트 전략 분석 – 한 의견 기사는 Apple이 컴퓨팅 독립성과 전략적 정렬을 이유로 다가오는 에이전트 중심 Siri를 위해 비경쟁 AI(예: Grok)와 파트너십을 맺어야 한다고 주장합니다 @spcxGOD.
  • 물리 AI 스타트업 전망 – 논평은 맞춤형 스택을 구축하는 대신 기성 로봇 하드웨어와 파운데이션 모델을 결합할 수십억 달러 규모의 물리 AI 스타트업이 급증할 것으로 예측합니다 @AmitEzer.
  • 온디바이스 AI에 대한 Perplexity CEO의 견해 – CEO는 온디바이스 지능이 데이터 센터 붐을 위협할 수 있다고 경고하며, 개인정보 보호를 유지하는 로컬 학습 에이전트를 강조합니다 @mirrorxbt.
  • 물리 AI에 대한 SoftBank CEO의 견해 – SoftBank의 손정의 회장은 물리 AI와 로봇 공학을 주요 투자 테마로 강조합니다 @machinedotfun.

신흥 연구 하이라이트

  • 다중 에이전트 군집 확장(s3) – 새로운 연구는 에이전트가 협력적 RL을 통해 스스로 조정 계획을 학습하여 기준선보다 25배 이상 나은 문제 해결 능력을 달성하고 중복 통신을 약 50% 줄이는 것을 보여줍니다 @omarsar0.
  • LLM 에이전트를 통한 양자 AI – Google 팀은 LLM 에이전트를 사용하여 Lean에서 양자 프로그램을 작성 및 검증하여 양자 산술 비용을 290배 절감하고 융합, 광화학 및 약물 대사에 대한 시뮬레이션을 개선했습니다 @dair_ai.
  • 기계적 해석 가능성 안전 설문조사 – 설문조사 논문은 모델 내부를 이해하는 것이 안전과 어떻게 관련되는지 조사하고 기계적 해석 가능성 내의 다양한 접근 방식을 개략적으로 설명합니다 @FazlBarez.
  • Decision Index v2 – Artificial Analysis는 개인 데이터셋과 보정 지표를 추가한 업데이트된 의사 결정 벤치마크를 출시했습니다. Drex Max v1.1과 GLiDE v1.2가 리더보드를 선도하고 있습니다 @ArtificialAnlys.

커뮤니티 리소스 및 교육

  • 무료 AI 과정 – LLM 기초, 에이전트 엔지니어링 및 프롬프트 엔지니어링을 다루는 7개의 오픈 소스 과정 목록입니다 @undefinedKi.
  • 에이전트 엔지니어링 1시간 영상 – Google의 새로운 영상은 에이전트 구축, 메모리, 루프 및 다중 에이전트 시스템을 단계별로 설명합니다 @dkare1009.
  • 금주의 AI 용어: 에이전트 워크플로우 – IBM은 “에이전트 워크플로우”를 인간의 개입을 줄이면서 출력 품질을 향상시키는 자율 AI 프로세스로 정의합니다 @IBM.
  • 에이전트를 위한 GitHub 저장소 – 주목할 만한 저장소로는 Firecrawl(웹-텍스트 변환), claude-mem(메모리 압축), Graphify(지식 그래프 생성), Claude Code용 ECC Skills가 있습니다 @RoundtableSpace.

수집된 게시물들은 거대한 모델 확장, AI의 로봇 공학 통합 강화, 그리고 정교한 도구와 인프라로 구동되는 자율적이고 재정적으로 인식하는 에이전트로의 전환이라는 급격한 융합을 보여줍니다.