AI 및 프론티어 기술 라운드업 – 모델 스케일링, 에이전트 라우터, 그리고 실제 세계 로봇공학

TL;DR: 오픈소스 LLM이 더 빨라지고 커지고 있으며, 지능형 라우터가 코딩 에이전트의 추론 비용을 절감하고 있으며, 여러 스타트업이 시뮬레이션에서 실제 세계 로봇공학으로 AI 에이전트를 이동할 수 있는 인프라를 구축하고 있습니다.

오픈소스 모델 스케일링 및 성능

Maple‑Preview는 IMO‑ 수준 문제를 해결하고 Mac Mini M4에서 200+ tokens/s로 실행되는 20B ternary‑weight LLM으로, Gemma 4 및 Qwen 3.5와 같은 모델보다 5–16× 속도 향상을 주장합니다 @deepgrove_ai.
DeepSeek V4 Flash는 프론티어‑모델 공간에서 계속해서 지배력을 유지하고 있으며, 사용자들은 단일 RTX 4090에서 로컬로 250k 컨텍스트 길이에서 실행 시 디코드 속도 247 tokens/s 및 12 tokens/s를 보고하고 있습니다 @elliotarledge @analogalok.
Mach‑1 Additive는 1.7 bits에 가중치를 저장하여 전체 정밀도 성능의 95 %를 달성하면서 7 GB에 맞고 랩톱에서 최대 120 tokens/s로 실행되는 35B 모델을 도입합니다 @syzygyeng.
Qwen 3.8‑Max 및 DeepSeek V4 Flash 0731은 모두 에이전틱 벤치마크 점수와 컨텍스트 윈도우(최대 1 M 토큰)를 향상시키는 커뮤니티 업그레이드를 받았습니다 @RimonR23 @analogalok.
DeepSeek flash는 API 용량 한계에 직면해 503 오류가 발생하여 사용자가 일시적으로 다른 제공업체로 전환하도록 유도하고 있습니다 @hqmank @opencode @cline.

Not Diamond Code는 "세계에서 가장 강력한 지능형 모델 라우터"로 마케팅되며, 품질 손실 없이 턴당 최적의 모델을 선택하여 20–65 % 비용 절감을 약속합니다 @tomas_hk.
Freebuff의 광고 지원 코딩 에이전트는 구독 기반 서비스와 동일한 성능을 제공하면서 연간 $2,400를 절감한다고 주장하며, 토큰 벽과 구독 오버헤드의 숨은 비용을 강조합니다 @xiathis.
Aakash Gupta는 더 저렴한 모델로 다운그레이드하는 것이 종종 역효과를 내는 이유를 설명합니다: 캐시 무효화와 반복적인 컨텍스트 읽기가 총 지출을 증가시키며, 세션 수준 라우팅은 전체 비용을 절감할 때 비용이 많이 드는 모델을 유지할 수 있습니다 @aakashgupta.
Warp Agent CLI는 완전한 셸 액세스와 코딩 에이전트를 위한 자동 라우터 기능을 제공하여 원활한 오케스트레이션과 클라우드 핸드오프를 가능하게 합니다 @zachlloydtweets.
Dillon Loomis는 Andrej Karpathy의 LLM Council 프레임워크를 추천하여 에이전트 출력을 개선하며, 서브‑분 설정 시간과 "아첨하는" 모델보다 우수한 결과를 언급합니다 @DillonLoomis.

InvLambda의 Second Contact는 실세계 로봇 데이터를 대규모로 생성하는 텔레오퍼레이션 네트워크를 구축하여 구현된 AI의 시뮬레이션‑to‑real 격차를 해결합니다 @timeless243.
PrismaXAI는 로봇, 인간, 데이터를 연결하는 인프라 계층을 제공하여 각 텔레‑op 세션을 Vision‑Language‑Action 모델의 학습 데이터로 전환하고 물리적 AI의 성장 루프를 만듭니다 @ThuyTrang108 @ThuyTrang108.
Pandroid는 온‑embodiment 데이터 수집을 위한 접근 가능한 하드웨어 플랫폼으로, 어떤 모델이나 코딩 에이전트에도 SSH 연결하여 실제 세계 상호작용을 할 수 있습니다 @pantographPBC.
Wall‑E‑style desk companions 및 AI swarms는 인간형 형상 없이 행동을 동기화하는 분산 물리적 에이전트를 시연하여 임베디드 시스템이 조정 로봇공학에서 가지는 잠재력을 강조합니다 @ardchain @ardchain.
Atlas at CES는 프로토타입이 아닌 생산 등급 제품으로 발표되어 연구 데모에서 시장 가능한 인간형 로봇으로의 전환을 알립니다 @Shred_0x.
Sony의 AIBO 및 Figure의 $25k 청소 로봇은 AI 기반 로봇이 소비자 및 기업 공간으로 진출하여 반복적인 노동을 대체하고 장기적인 데이터 수집 혜택을 제공함을 보여줍니다 @DN_degen @Deniscrppig.

Hermes Agent v0.20.0는 음성 스트리밍, 근거 있는 인용, 그리고 에이전트‑to‑에이전트 프로토콜을 추가하여 생산 준비가 된 에이전트 프레임워크의 성숙도를 보여줍니다 @IBuzovskyi.
DeepGrove의 Maple‑Preview 및 DeepSeek flash 성능 지표가 공개적으로 공유되어 재현 가능성과 커뮤니티 벤치마킹을 장려하고 있습니다 @deepgrove_ai @analogalok.
PostTrainBench 및 그 확장 **PostTrainBench+**는 LLM의 자동 pós‑트레이닝을 평가하며, Locus 시스템은 Qwen 3 모델에서 인간‑트레이닝 기준을 초과하는 성능을 보입니다 @intology.
에이전틱 자체 개선 설문지 및 Schmidhuber 그룹의 논문은 현대 LLM/툴‑호출 에이전트에 대한 역사적 배경을 제공하며, 스캐폴딩과 자체 수정의 중요성을 강조합니다 @RobertTLange @_akhaliq.
AI Search의 검열되지 않은 Minimax H3 및 Minimax H3 텍스트 인코더는 연구 목적으로 덜 필터링된 모델 변형에 대한 지속적인 관심을 강조합니다 @aisearchio @aisearchio.

Microsoft와 Google은 AI에 계속 투자하고 있으며, Azure는 OpenAI의 백본이 되고 Google의 TPUs와 Gemini 모델은 기업 채택을 주도하고 있습니다 @itsmichaelluu @emollick.
NVIDIA는 다중 모델 에이전트가 견고한 AI 시스템에 필수적이라고 강조하며, 향후 하드웨어‑소프트웨어 공동 설계 경향을 시사합니다 @nvidia.
투자자 sentiment는 로봇 및 AI 인프라에 대해 낙관적이며, Azure‑지원 Microsoft부터 광 트랜시버 제조업체 및 양자 선택적 기업에 이르는 주식 선택에 반영되고 있습니다 @itsmichaelluu.

모든 진술은 인용된 Twitter 게시물에서 직접 유래하며, 표시된 경우 저자의 관점을 반영합니다.