AI
MetaBrief-
arXiv AI 논문 주간 1,299편… 1년 새 30% 늘고 4편 중 1편은 '에이전트'
arXiv 공개 검색 자료를 메타브리프가 집계한 결과, 10월 26일부터 11월 1일까지 7일 동안 arXiv 인공지능(cs.AI) 분야에 올라온 논문은 1,299편이었다. 지난해 같은 기간 1,002편보다 297편(약 30%) 많다. 직전 7일 1,335편보다는 36편 적어 거의 같은 수준을 유지했다.하루 평균으로 나누면 약 186편이다. 지난해 같은 기간 하루 평균은 143편 수준이었다. 1년 사이 cs.AI 분야에 하루 40편 넘는 논문이 더 올라오고 있는 셈이다. 직전 7일과 이번 7일이 모두 1,300편 안팎이어서, 이번 집계는 특정 주에 논문이 한꺼번에 몰린 결과가 아니라 최근 2주 동안 비슷한 규모가 이어진 결과로 볼 수 있다.주제 가운데서는 '에이전트(agent)'가 두드러졌다. 이번 집계 기간 cs.AI 논문 1,299편 가운데 제목에 '에이전트'가 들어간 논문은 307편으로 전체의 24%였다. 네 편 가운데 한 편꼴이고, 하루 평균으로는 약 44편이다. 에이전트는 보통 주어진 목표를 이루기 위해 스스로 판단하고 도구를 써서 여러 단계의 작업을 수행하는 AI 시스템을 가리킨다. 이 수치는 제목만 기준으로 센 것이다. 초록이나 본문에서만 에이전트를 다룬 논문은 포함되지 않았기 때문에, 에이전트 관련 연구 전체의 규모는 이보다 넓다고 봐야 한다.arXiv는 학술지나 학회의 동료 심사를 거치기 전에 연구자가 논문을 먼저 공개하는 저장소다. 심사 결과를 기다리지 않고 바로 올라오기 때문에 연구 현장의 움직임이 학술지보다 빨리 드러난다. 그 대신 여기 올라온 논문은 아직 심사를 거치지 않은 상태다. 따라서 논문 수가 늘었다는 것은 연구 결과를 내놓는 활동이 늘었다는 뜻이고, 검증된 성과가 그만큼 늘었다는 뜻은 아니다.이번 집계는 cs.AI를 주 분야로 올린 논문뿐 아니라 다른 분야와 함께 올린 교차게재 논문까지 포함했다. AI 연구는 기계학습, 자연어처리, 로보틱스 같은 인접 분야와 겹치는 경우가 많아 교차게재가 흔하다. 비교는 날수가 같은 기간끼리만
-
Qodo Codex 플러그인, 회사 맥락으로 저장소 간 버그 잡는다…오픈AI 영상 공개
사진 유튜브 ‘OpenAI’ 영상 갈무리오픈AI가 4일 공식 유튜브 채널에 개발 도구 기업 Qodo의 Codex 플러그인을 소개하는 1분 분량 영상을 올렸다. 영상 제목은 'Qodo brings company context into Codex code review'다. 이 플러그인은 오픈AI의 코딩 도구 Codex가 코드를 리뷰할 때 해당 회사의 맥락과 코드베이스 기준을 반영하도록 돕는다. 여러 저장소(repository)에 걸쳐 생기는 버그를 잡는 것이 핵심이다.오픈AI가 영상과 함께 공개한 설명에 따르면 Qodo의 Codex 플러그인은 개발 워크플로에 세 가지를 들여온다. 회사 맥락(company context), 코드베이스 기준(codebase standards), 독립적 검토(independent review)다. Qodo는 이 기능으로 개발자가 저장소 경계를 넘어 버그를 찾을 수 있다고 설명했다. 한 코드베이스 안에서는 문제가 없어 보이던 변경이 다른 코드베이스의 서비스를 망가뜨리는 상황을 잡아내겠다는 것이다.이 설명은 코드 리뷰가 자주 놓치는 지점을 짚는다. 리뷰는 보통 바뀐 코드가 있는 저장소 안에서 이뤄지기 때문에, 그 변경이 다른 저장소의 서비스에 어떤 영향을 줄지는 리뷰 범위 밖에 남기 쉽다. 변경된 코드만 놓고 보면 문제가 없는데, 그 코드에 기대는 다른 서비스에서 오류가 날 수 있다는 뜻이다. Qodo가 '회사 맥락'과 '코드베이스 기준'을 함께 내세운 것도 이 때문이다. 코드 한 줄이 맞는지만이 아니라 회사 전체 시스템과 그 조직이 정해 둔 규칙에 비춰 변경을 검토하겠다는 것이다.이번 영상은 오픈AI의 'Behind the Build' 시리즈로 공개됐다. 영상에는 Qodo 공동창업자 이타마르 프리드먼(Itamar Friedman)과 AI 개발자 관계(DevRel) 책임자 은네나 은두퀘(Nnenna Ndukwe)가 나온다. 두 사람은 Qodo가 GPT-6 Astra로 어떻게 개발하고 있는지 이야기한다. 한 에이전트가 코드를 쓰고 다른 에이
-
CWE-bench v2, 보안 취약점 찾아 고치는 AI 평가 과제 100개 공개… Collinear AI
Collinear AI는 Hugging Face 블로그를 통해 AI 모델의 사이버보안 역량을 평가하는 벤치마크 CWE-bench v2를 공개하고, 누구나 실행할 수 있는 과제 100개를 내놨다. 에이전트는 실제 오픈소스 저장소와 짧은 지시문을 받는다. 기존 기능을 망가뜨리지 않으면서 보안 약점을 찾아 고치는 것이 과제다. 100개 과제는 서로 다른 CWE(공통 취약점 유형) 91종을 다루며, 채점은 모두 프로그램으로 자동 처리된다. 그래서 누가 돌려도 결과가 같고, 추가 비용 없이 재현할 수 있다.평가한 모델 11개 가운데 Gemini 4 Argon이 pass@1 67.8%, pass@4 81.0%로 1위였다. Claude Opus 5.5는 pass@1 67.3%, pass@4 78.0%로 바로 뒤를 이었다. 95개 과제는 적어도 한 모델이 풀었지만, 1위 모델도 전체의 19%는 모든 시도에서 실패했다. 비용 대비 성능에서는 DeepSeek V4.1 Flash가 시도당 0.04달러에 pass@1 57.0%를 기록했다.과제마다 Docker 환경과 검증기가 함께 들어 있어 Harbor 도구로 Hugging Face 저장소에서 바로 실행할 수 있다. 같은 환경을 방어용 에이전트를 학습시키는 보상 신호로도 쓸 수 있다.앞서 보도한 기사Gemini 4 Carbon (High), LMArena 대화 1위·코딩 4위…구글 신모델 상위권 진입
-
Google Antigravity에 신약 개발용 Cheminformatics Skills 추가…며칠 걸리던 분석이 1시간으로
Google DeepMind는 자사 블로그에서 Google Antigravity에 새 기능 'Cheminformatics Skills'를 추가했다고 밝혔다. 신약 설계 과정에서는 논문과 도표에서 데이터를 정리하고, 예측 모델을 학습시키고, 합성할 후보 분자를 제안하는 작업을 거친다. Google DeepMind에 따르면 이 과정은 보통 한 번 하는 데 며칠이 걸린다.이 기능에서는 언어 모델이 작업 순서 조율과 데이터베이스 탐색, 과학적 추론을 맡는다. 분자 계산은 오픈소스 화학정보학 도구 RDKit 같은 결정론적 도구가 처리한다. ChEMBL과 PubChem 데이터베이스에도 연결된다. Google DeepMind는 폐암 치료제 크리조티닙과 로를라티닙을 예로 들었다. 에이전트는 수천 개 화합물을 찾아 모으고 분자쌍 비교 분석(MMPA)을 했다. 이어 분자 구조를 더 단단하게 고정한 새 고리형 화합물(거대고리 화합물)과 그 합성 경로를 1시간 안에 제안했다.Google DeepMind는 이렇게 만든 설계가 검증할 가설일 뿐 완성된 약은 아니라고 설명했다. 제안된 설계는 모두 실제로 합성해 실험으로 검증해야 한다고 덧붙였다. 이 기능은 Antigravity 앱에 Science 플러그인을 설치하면 쓸 수 있다. 기업 사용자는 Google Cloud 계정으로도 이용할 수 있다. 회사는 자격 요건과 수용 가능 인원 등을 따져 선정한 과학자 1만 명에게 Antigravity 최고 사용 등급을 6개월 동안 무료로 제공하며, 현재 신청을 받고 있다.
-
google/gemini-4-argon, 퍼플렉시티 API 가격표 등재… 미스트랄 large-4는 반값 인하
LiteLLM 모델 가격표에 따르면 4일 퍼플렉시티의 API 모델 2종이 목록에 새로 올라왔다. 이름은 'google/gemini-4-argon'과 'perplexity/nemotron-3.5-super-120b-a12b'이며, 둘 다 대화형 모델로 분류됐다. 같은 날 미스트랄의 'mistral-large-4' 계열 모델 2종은 단가가 이전의 절반 수준으로 낮아졌다.LiteLLM 가격표는 오픈소스 프로젝트인 LiteLLM이 여러 AI 공급사의 가격표를 모아 관리하는 목록이다. 여러 회사 모델을 함께 쓰는 개발자들이 모델별 비용을 한곳에서 비교하는 기준으로 삼는다. 새 모델이 목록에 반영되는 날짜는 실제 공개일과 며칠 차이가 날 수 있다. 정확한 가격과 이용 조건은 각 공급사의 공식 가격표를 기준으로 한다.이번에 새로 등록된 두 모델은 가격대가 크게 다르다. 'google/gemini-4-argon'은 100만 토큰당 입력 2달러, 출력 10달러다. 'perplexity/nemotron-3.5-super-120b-a12b'는 100만 토큰당 입력 0.2달러, 출력 0.5달러로 책정됐다. 입력 단가는 10배, 출력 단가는 20배 차이다. 입력과 출력을 각각 100만 토큰씩 쓴다고 하면 gemini-4-argon은 12달러, nemotron-3.5-super는 0.7달러가 든다.입력 대비 출력 단가의 비율도 다르다. gemini-4-argon은 출력이 입력의 5배이고, nemotron-3.5-super는 2.5배다. 답변을 길게 생성하는 작업일수록 두 모델의 비용 차이가 더 벌어진다는 뜻이다. 두 모델 모두 퍼플렉시티 API를 통해 제공되며, 이름 앞에 각각 'google/'과 'perplexity/'가 붙어 있다.미스트랄의 'mistral-large-4'와 'mistral-large-4-0'은 단가가 똑같이 내렸다. 100만 토큰당 입력 가격은 1.36달러에서 0.7달러로, 출력 가격은 4.18달러에서 2.1달러로 바뀌었다. 입력은 약 48.5%, 출력은 약 49
-
Wave Forcing, H200 8장으로 초당 134프레임 실시간 장편 영상 생성…SJTU DENG Lab
중국 SJTU의 DENG Lab 연구진이 긴 영상을 실시간으로 끊김 없이 만들어 내는 생성 기법 'Wave Forcing(WF)'을 공개했다. Yijie Jin 등 연구자 10명이 arXiv에 올린 논문 「Wave Forcing: Towards Speed-of-Light Streaming Video Generation」에 따르면, 이 기법은 H200 GPU 8장에서 영상 생성부터 최종 출력까지 초당 134.8프레임을 처리했다. GPU 1장을 쓸 때보다 처리량이 7.07배 많다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 40회를 받았다.실시간 장편 영상 생성은 등장 대상의 겉모습을 일정하게 유지하고 움직임도 자연스럽게 이어 가면서 화면을 쉬지 않고 내보내야 하는 기술이다. 지금까지는 영상을 일정 길이의 조각(청크)으로 나누고 앞 조각을 바탕으로 다음 조각을 만드는 '청크 단위 자기회귀' 방식이 주로 쓰였다. 연구진은 이 방식이 효율과 품질 두 측면에서 모두 한계가 있다고 지적했다. 노이즈를 걷어내는 디노이징과 이전 정보를 담는 히스토리 캐시 갱신을 차례로 처리해야 하므로, 디노이징을 한 단계로 줄여도 모델을 두 번 돌려야 한다. 또 영상이 길어질수록 화질이 떨어지고 카메라 시점이 의도와 달리 조금씩 흘러가는 '카메라 드리프트'가 생긴다.WF는 생성 방식과 학습, 실행 환경을 함께 설계해 여러 단계의 디노이징을 거치면서도 영상을 끊김 없이 출력하도록 했다. 먼저 '청크 단위 인과 어텐션'을 써서, 앞 조각의 디노이징이 다 끝나기 전에도 노이즈가 더 많이 걷힌 이전 조각을 참조할 수 있게 했다. 이어 서로 다른 시점에 있는 디노이징 단계와 캐시 갱신 단계를 모델 전체의 복제본 여러 개에 나눠 맡겼다. 공장 조립 라인처럼 파이프라인이 한 번 채워지면, 동시에 진행되는 순전파 한 라운드마다 출력 조각이 하나씩 나온다. 연구진은 이를 '1F1C'라고 불렀다.학습은 세 단계로 나눴다. 노이즈 수준이 서로 다른 조각이 섞인 상태에서 디노이징하는
-
ChatGPT 파일 업로드 오류 발생 후 복구… 오픈AI "모든 서비스 정상화"
오픈AI는 2026년 11월 3일 자사 공식 상태 페이지에 ChatGPT에서 파일 업로드 오류가 발생했다는 공지를 올렸다. 회사는 같은 공지에서 장애가 해소됐고, 영향을 받은 서비스가 모두 정상적으로 운영되고 있다고 밝혔다. 오픈AI는 대화형 인공지능 서비스 ChatGPT를 개발·운영하는 회사다.오픈AI가 상태 페이지에 올린 장애 제목은 'File upload errors in ChatGPT', 우리말로 'ChatGPT 파일 업로드 오류'다. 회사는 장애 상태를 '해결됨(Resolved)'으로 표시했다. 설명란에는 "영향을 받은 모든 서비스가 다시 정상적으로 운영되고 있다"고 적었고, "서비스 중단에 사과드리며 기다려 주신 데 감사드린다"는 문구도 함께 실었다.공지에 영향 구성 요소로 적힌 항목은 '파일 업로드(File uploads)' 하나다. 이 항목의 현재 상태는 '정상 운영(Operational)'으로 표시돼 있다. 이번 공지에서 오픈AI가 장애 범위로 밝힌 것은 ChatGPT의 파일 업로드 기능이며, 영향 목록에 다른 구성 요소는 없다.파일 업로드는 ChatGPT 이용자가 문서나 이미지, 표 같은 파일을 대화창에 첨부한 뒤 요약하거나 분석해 달라고 요청할 때 쓰는 기능이다. 보고서 검토, 긴 문서 요약, 데이터 파일 정리, 이미지 속 내용 설명처럼 글만 입력해서는 처리하기 어려운 작업이 이 기능을 거친다. 따라서 파일 업로드에 오류가 생기면 첨부 파일을 바탕으로 하는 작업은 진행할 수 없게 된다. 이번 장애는 ChatGPT 기능 가운데서도 업무 활용도가 높은 부분에서 일어난 셈이다.오픈AI 상태 페이지는 회사가 서비스 운영 현황을 이용자에게 알리는 공식 창구다. 장애가 생기면 장애 제목과 영향을 받은 구성 요소, 처리 단계가 이곳에 올라오고, 문제가 해결되면 상태가 '해결됨'으로 바뀐다. 이번 공지 역시 장애 제목과 영향 구성 요소, 해결 상태를 차례로 담았다. 공지 주소는 https://status.openai.com//incidents/01M6FD
-
LFM3-Omni-2B 공개… LiquidAI, 한국어 지원하는 21.7억 매개변수 멀티모달 모델
LiquidAI가 멀티모달 모델 'LFM3-Omni-2B'를 내놨다. 허깅페이스(Hugging Face) 모델 정보에 따르면 LiquidAI는 2026년 10월 22일 AI 모델 공유 플랫폼 허깅페이스에 이 모델을 공개했다. 매개변수는 21.7억 개이며, 모델 카드에 적힌 지원 언어 23개에 한국어가 들어 있다. 한 번에 받을 수 있는 입력 길이(컨텍스트)는 최대 128,000 토큰이다.공개 이후 내려받기는 8,376회, 즐겨찾기는 287회를 기록했다. 허깅페이스는 연구기관과 기업이 만든 AI 모델이 공개되는 곳이다. 개발자들은 이곳에서 모델을 직접 내려받아 시험하므로, 이 수치로 공개 직후 개발자들의 초기 관심 정도를 가늠할 수 있다.멀티모달 모델은 텍스트 한 가지만이 아니라 여러 형태의 데이터를 함께 다루도록 설계된 모델이다. 모델 이름 끝의 '2B'는 매개변수 규모가 약 20억 개라는 뜻으로, 실제 매개변수는 21.7억 개다. 매개변수는 모델이 학습으로 익힌 값의 개수를 말한다. 이 수가 많을수록 표현력은 커지지만 그만큼 저장 공간과 연산 자원도 많이 든다. 수백억~수천억 개 매개변수를 쓰는 대형 모델과 비교하면 LFM3-Omni-2B는 작은 축에 속한다.작은 규모는 파일 크기에서 바로 드러난다. 허깅페이스 모델 정보 기준으로 가중치 파일은 약 4.3GB다. 가중치를 4비트로 줄이는 양자화를 적용하면 약 1.2GB 안팎까지 작아진다. 양자화는 모델이 저장하는 숫자의 정밀도를 낮춰 용량과 메모리 사용량을 줄이는 기법으로, 고성능 서버가 아닌 환경에서 모델을 돌릴 때 흔히 쓴다. 다만 이 수치는 가중치 파일 크기일 뿐이다. 실제로 모델을 실행하려면 입력을 처리하는 과정에서 메모리가 더 필요하고, 특히 입력이 길수록 추가로 드는 메모리도 커진다.최대 128,000 토큰의 컨텍스트 길이는 긴 문서나 대화 기록을 한 번에 넣어 처리할 수 있는 여유가 있다는 뜻이다. 작은 모델이지만 한 번에 받을 수 있는 입력의 범위는 넓게 잡혀 있다.한국어 사용자에게는 언어 지원
-
WeFair, 텐센트가 공개한 위챗 숏폼 검색어 의도 맞춤 재작성 모델
텐센트 연구진이 위챗(WeChat) 숏폼 동영상 검색에서 쓰는 모델 'WeFair'를 공개했다. 사용자가 입력한 모호한 검색어를 그 사람의 의도에 맞게 다시 써 주는 모델이다. 사전공개 논문 저장소 arXiv에 올라온 논문 「WeFair: Fidelity-Aware Alignment from Human Feedback for Personalized Query Rewriting in Short-Video Search」(arXiv:2610.16927)에 따르면, 소형 모델 WeFair-2B는 온라인 A/B 테스트에서 유효 동영상 시청률을 상대적으로 2.593% 높였다. 사용자가 검색어를 고쳐 다시 입력하는 비율은 상대적으로 2.350% 줄었다. 이 모델은 하루 1억 건이 넘는 검색어를 처리하는 위챗 숏폼 검색 시스템에 이미 적용됐다.이번 연구는 Yingtao Ren 등 텐센트 소속 연구자 10명이 함께 진행했다. 논문은 숏폼 동영상 검색의 특성에서 출발한다. 사용자는 짧고 모호한 검색어를 입력하는 경우가 많다. 검색 시스템은 엄격한 응답 속도 제약 안에서 그 뒤에 숨은 개인화된 의도를 찾아내야 한다. 그래서 크기는 작으면서도 정확한 검색어 재작성 모델이 필요하다는 것이 연구진의 문제의식이다.기존의 대규모 언어모델(LLM) 기반 방법은 합성 추론 데이터를 쓰거나, 검색 이후 사용자가 어떤 영상을 소비했는지에 대한 행동 데이터를 학습에 반영해 성능을 높여 왔다. 연구진은 이 소비 데이터에 지나치게 의존하는 것을 한계로 짚었다. 사용자가 당장 찾으려던 것보다 눈길을 끄는 콘텐츠 쪽으로 모델이 기울 수 있다는 것이다. 이 경우 재작성된 검색어가 사용자의 행동 이력에 근거하더라도 원래 의도에서 벗어나는 '의도 표류(intent drift)'가 생긴다고 연구진은 설명했다.WeFair는 사람의 피드백이 개인화된 의도를 얼마나 직접 반영하는지를 '피드백 충실도(fidelity)'로 보고, 학습을 시연(demonstration), 선호(preference), 검증(verifica
-
message threads 베타… 앤트로픽, 클로드 API 대화를 서버에 보관해 첫 응답 앞당긴다
앤트로픽이 클로드(Claude) API에 '메시지 스레드(message threads)' 기능을 베타로 추가했다. 이 기능은 대화 내용을 서버에 보관한다. 앤트로픽이 11월 2일 클로드 API 개발자 문서의 공식 변경 이력에 올린 공지에 따르면, Messages API로 긴 대화나 에이전트 루프를 돌리는 개발자는 이 기능으로 요청 크기를 줄일 수 있다. 모델이 첫 토큰을 내놓기까지 걸리는 시간(time to first token)도 짧아진다.이번 변경의 핵심은 대화 기록을 서버가 맡는다는 점이다. 메시지 스레드를 쓰면 API가 대화를 서버에 유지한다. 그래서 개발자는 두 번째 요청부터 새로 추가된 메시지만 보내면 된다. 변경 이력은 이를 두고 '이제 더 작은 요청을 보낼 수 있다'고 설명했다. 대화가 길어질수록 앞선 메시지까지 요청에 함께 실어 보내야 했던 부담을 덜어 주는 개선이다.효과는 주고받는 횟수가 많을수록 커진다. 사람과 모델이 수십 차례 말을 주고받는 상담형 서비스가 그런 경우다. 모델이 도구를 호출하고 결과를 받아 다음 행동을 정하는 에이전트 루프는 한 작업에서도 API를 여러 번 부른다. 이런 구조에서는 요청마다 같은 대화 기록을 반복해 보내지 않아도 된다는 점이 곧 전송량 감소로 이어진다. 앤트로픽이 이번 공지에서 '긴 대화'와 '에이전트 루프'를 대상으로 꼽은 이유다. 첫 토큰까지의 시간이 줄면 사용자는 답변이 화면에 뜨기 시작하는 순간을 더 빨리 보게 된다. 챗봇이나 코딩 도우미처럼 응답 속도가 체감 품질을 좌우하는 서비스에서 눈여겨볼 대목이다.이 기능은 아직 베타다. 쓰려면 요청에 'message-threads-2026-08-12' 베타 헤더를 붙여야 한다. 서버에 보관된 대화의 수명도 정해져 있다. 스레드는 마지막 요청 뒤 5분이 지나면 만료되고, 마지막으로 사용한 뒤 늦어도 1시간 안에 삭제된다. 짧은 간격으로 요청이 이어지는 작업에 맞춘 설계로 볼 수 있다. 사용자가 한참 자리를 비웠다가 돌아오는 서비스라면 5분 만료 규칙을 감안해
-
Unlimited-OCR-2, 바이두의 이미지 읽고 글 쓰는 33억 모델… MIT로 상업 이용 가능
중국 바이두(baidu)가 이미지와 텍스트를 함께 입력받아 텍스트를 생성하는 AI 모델 'Unlimited-OCR-2'를 공개했다. 허깅페이스(Hugging Face) 모델 정보에 따르면 바이두는 지난 10월 26일 AI 모델 공유 플랫폼 허깅페이스에 이 모델을 올렸다. 매개변수는 33억 4000만 개이고, 라이선스는 상업 이용이 허용되는 MIT다.모델 이름에 들어간 'OCR'은 광학 문자 인식(Optical Character Recognition)의 약자다. 이미지 속 글자를 읽어 텍스트로 바꾸는 기술로, 스캔 문서나 사진, 화면 캡처에서 내용을 뽑아내는 데 쓰인다. 허깅페이스에 등록된 이 모델의 용도도 '이미지·텍스트 입력 텍스트 생성'이다. 이미지와 지시문을 함께 넣으면 결과를 글로 내놓는 방식이다.모델 규모는 매개변수 33억 4000만 개다. 수백억~수천억 개의 매개변수를 갖춘 대형 언어모델보다 훨씬 작다. 가중치 파일은 약 6.7GB이고, 4비트 양자화를 거치면 약 1.9GB 안팎으로 줄어든다. 양자화는 모델 내부 숫자의 정밀도를 낮춰 용량과 메모리 사용량을 줄이는 기법이다. 실제로 모델을 돌릴 때는 파일 크기보다 메모리가 더 든다. 그래도 수십 GB 이상의 메모리를 요구하는 대형 모델과 비교하면 훨씬 가벼운 환경에서도 직접 실행해 볼 수 있는 크기다.한 번에 받을 수 있는 최대 입력 길이(컨텍스트)는 131,072 토큰이다. 업계에서 흔히 '128K'라고 부르는 수준이다. 긴 입력을 한꺼번에 처리할 수 있어서, 문서처럼 분량이 많은 자료를 다룰 때 유리하다.라이선스는 MIT다. MIT 라이선스는 대표적인 허용형 공개 라이선스다. 기업이 모델을 상업 서비스에 넣거나 고치고 다시 배포하는 것이 허용된다. 다만 저작권 표기 같은 조건은 라이선스 문서를 따라야 한다. 사용 범위를 제한하는 자체 라이선스로 공개되는 모델도 적지 않다. 그런 만큼 기업과 개발자는 이 모델을 비교적 부담 없이 자기 제품이나 업무 흐름에 붙여 볼 수 있다.개발자 반응도 나오고 있다
-
칭화대 연구진 "AGI 스케일링, 덮어놓고 키우지 말고 '쓸모 있는 연산'에 집중해야"
중국 칭화대학교(Tsinghua University) 연구진이 인공일반지능(AGI)으로 가는 길을 새로 제안했다. 모델을 무조건 키우기보다, 가벼운 예측기가 "실행할 가치가 있는 일"을 먼저 골라 주는 구조로 연산을 크게 줄일 수 있다는 것이다. Qi Wang 등 연구자 13명은 사전공개 논문 저장소 arXiv에 「Does Scaling Toward AGI Depend on What System-1 Lets System-2 Execute?」(AGI를 향한 스케일링은 시스템-1이 시스템-2에 무엇을 실행하게 하느냐에 달려 있는가?)라는 논문을 공개했다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 29회를 받았다.논문의 출발점은 지금까지의 AI 발전 방식이다. 저자들은 AGI를 향한 진전이 주로 비용이 많이 드는 실행 주체, 곧 '시스템-2'를 키우는 데 기대 왔다고 짚는다. 모델을 더 크게 만들고, 데이터와 연산을 늘리고, 추론을 더 길게 하고, 에이전트를 더 많이 투입하는 식이다. 연구진은 다음 단계의 발전이 이런 규모 확대가 아니라 '시스템-1'과 함께 설계하는 데서 나올 수 있는지를 따졌다. 시스템-1은 의미를 이해하는 가벼운 예측기로, 실제로 실행하기 전에 후보 작업을 평가한다. 시스템-2는 그중 비용을 들일 만한 것만 처리한다. 연구진이 내놓은 답은 "조건부로 그렇다"이다.연구진은 이 구조를 '조건부 상호작용(conditional interaction)'이라고 부른다. 예측, 선별(게이트), 실행, 갱신의 4단계가 고리처럼 돈다. 먼저 시스템-1이 후보마다 효용을 추정한다. 이어 상황에 따라 바뀌는 문턱값을 넘은 후보만 시스템-2가 실행한다. 실행 결과는 다시 시스템-1을 갱신하는 데 쓰인다. 저자들은 이 고리를 모델 훈련, 테스트 시점 추론, 적응형 의사결정, 에이전트의 도구 사용까지 폭넓게 적용할 수 있다고 설명한다. 무엇을 효용과 비용으로 볼지는 응용 분야마다 정한다.이론적 결과도 제시했다. 선별이 완벽하고 모든 실행