AI

오픈AI "추론 탈취 캠페인 차단"… 연구진 "애저에선 여전히 뚫렸다"

오픈AI가 자사 AI 모델의 숨겨진 추론 과정을 빼내려던 조직적 '적대적 증류(adversarial distillation)' 캠페인을 적발해 차단했다고 공식 블로그 'OpenAI News'를 통해 밝혔다. 독일 IT 매체 The Decoder는 이 발표를 전하면서, 같은 공격 수법이 마이크로소프트 애저(Azure) 같은 클라우드 플랫폼에서는 몇 주 동안 계속 통했다는 외부 연구진의 후속 검증 결과도 함께 보도했다.오픈AI 설명을 종합하면, 이번 활동은 7월 1일 적은 규모로 시작됐다. 7월 24~25일에는 4,000명이 넘는 사용자가 전형적인 추출 패턴으로 1만6,000건의 요청을 보냈다. 추가 분석에서는 비슷한 패턴을 보인 계정 1만5,000여 개가 연결된 네트워크가 드러났고, 오픈AI는 7월 28일까지 이를 모두 차단했다고 밝혔다. 오픈AI는 이 수치가 추출을 '시도'한 건수일 뿐 모두 성공한 것은 아니라고 덧붙였다. 오픈AI는 핵심 그룹이 언어모델 '키미(Kimi)'를 만든 문샷AI 관계자들과 연관돼 있다고 지목했다. 다만 관측된 행위자가 모두 같은 출처인지는 확인되지 않았다고 했다.증류는 성능이 약한 모델이 강한 모델의 출력을 보고 학습하는 방식이다. 이때 최종 답변뿐 아니라 답에 이르는 사고 과정(chain of thought)까지 손에 넣으면 가치가 훨씬 커진다. 오픈AI는 이 중간 단계에 최종 답변에서 의도적으로 뺀 정보가 들어 있을 수 있고, 모델의 능력을 재현하는 데 쓰일 수 있다고 설명했다. The Decoder는 앤트로픽도 최근 중국 AI 기업들의 비슷한 시도를 보고한 바 있다고 전했다.공격 수법은 이렇다. 한 대화에서 암호화된 추론 데이터를 복사한 뒤, 다른 대화에서 모델에게 이를 해독해 그대로 써 달라고 요청한다. 요아힘 섀퍼(Joachim Schaeffer) 연구팀은 이미 논문으로 이 취약점을 밝혔다. AI 업체들은 추론 내용을 암호화된 데이터 묶음으로 고객에게 돌려주는데, 공유 키로 암호화돼 있어 세션·사용자는 물론 같은 회사의 다

BAAI, 스스로 답을 고쳐 나가는 AI 에이전트 'AREX-2' 논문 공개

중국 베이징인공지능연구원(BAAI) 연구진이 대형언어모델(LLM) 에이전트의 '자기 개선' 능력을 높이는 학습 방법을 담은 논문을 내놨다. 사전공개 논문 저장소 arXiv에 올라온 「AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks」의 저자 초록에 따르면, 연구진은 머신러닝과 알고리즘 프로그래밍 과제에서 긴 개선 과정을 합성 데이터로 만들었다. 이 데이터로 학습한 에이전트는 학습 영역 밖인 딥리서치 과제에서도 높은 점수를 냈다. Hongjin Qian 등 14명이 쓴 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 45회를 받았다.연구진은 자기 개선 능력을 '테스트 시점에 해법을 반복해서 다듬는 능력'으로 정의했다. 이 능력은 두 가지로 나뉜다. 하나는 지금보다 나은 해법을 만들어 내는 '반성(reflection)'이고, 다른 하나는 반복이 여러 라운드 이어져도 효과가 떨어지지 않게 하는 '장기 실행(long-horizon execution)'이다. 연구진은 두 능력이 특정 분야에 묶이지 않는다고 가설을 세웠다. 그렇다면 지도학습을 하기 좋은 분야에서 익힌 능력을 다른 분야에도 옮겨 쓸 수 있다는 것이다.학습 분야로는 머신러닝 과제와 알고리즘 프로그래밍을 골랐다. 연구진은 두 분야를 고른 이유로, 결과가 맞았는지 검증할 수 있는 피드백이 있고 꾸준히 반복할수록 성과가 오른다는 점을 들었다. 모델이 짠 코드는 실제로 돌려 점수나 정답 여부를 확인할 수 있다. 그래서 '이전보다 나아졌는가'를 객관적으로 판정하기 쉽다.에이전트는 Qwen3.8-27B를 기반으로 만들었다. 초록에 따르면 학습 분야와 같은 계열의 평가에서 MLE-bench Lite 81.8점, Frontier-CS 70.7점을 기록했다. 학습하지 않은 딥리서치 분야로도 성능이 이어졌다는 게 연구진의 설명이다. 웹 탐색 능력을 보는 BrowseComp에서 84.0점, 고난도 지식 문제로 이뤄진

EverMind, 에이전트 '하네스'를 자동으로 만들고 엮는 오픈소스 시스템 'Raven' 논문 공개

AI 기업 EverMind가 여러 AI 에이전트의 작업 환경, 곧 '하네스(harness)'를 자동으로 만들고 개선하며 서로 엮어 쓰는 오픈소스 멀티 에이전트 생태계 'Raven'을 내놨다. 사전공개 논문 저장소 arXiv에 공개된 논문 「Raven: The Harness of Harnesses for Composable Agentic Intelligence」(arXiv:2609.33439)에 따르면, 연구진은 복잡하고 오래 걸리는 작업에서 Raven이 최신 에이전트 시스템보다 크게 앞섰다고 밝혔다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 55회를 받았다.하네스는 대규모언어모델(LLM)이 실제로 일을 하도록 감싸는 실행 틀을 말한다. 도구 호출 방식, 작업 절차, 기억 관리 같은 장치가 여기에 들어간다. 초록에서 연구진은 LLM이 발전하면서 AI 에이전트가 특정 분야의 단발성 작업을 넘어, 여러 분야에 걸친 긴 작업 흐름을 맡는 단계로 가고 있다고 진단했다. 이 과정에서 두 가지 문제가 생긴다고 봤다. 하네스가 복잡해질수록 사람이 손으로 설계하는 방식은 규모를 키우기 어렵고, 특정 분야에 맞춰 짤수록 하나의 하네스로 여러 분야를 다루기 어려워진다는 것이다. 그래서 연구진은 '한 분야에서 더 강한 하네스를 어떻게 만드느냐'에서 '분야별 하네스를 자동으로 만들고, 경험으로 개선하고, 분야를 넘나들며 조율하느냐'로 질문을 바꿔야 한다고 주장했다.Raven은 특정 모델과 분야에 맞는 모듈형 하네스를 자동으로 만들고 발전시킨다. 실행할 수 있는 '모델-하네스' 한 쌍을 조합 가능한 지능의 기본 단위로 다루는 점이 특징이다. 연구진은 이를 바탕으로 '전 분야 협업 네트워크(All-Domain Collaboration Network)'를 구상했다. 중심에는 '호스트 에이전트'가 있다. 호스트 에이전트는 목표를 하위 작업으로 나누고, 각 작업에 맞는 전문 에이전트를 배정하며, 작업 사이의 실행 순서를 조율하고 결과를 하나로 합친다.경험을 쌓는

애플, 장기 작동 AI 에이전트 훈련·평가용 실행 기반 'SCLATE' 논문 공개

애플이 9월 30일 자사 머신러닝 연구 사이트 'Apple Machine Learning Research'에 논문 「SCLATE: A Substrate for Continual-Learning Agent Training and Evaluation」을 올렸다. 제목은 '지속학습 에이전트의 훈련과 평가를 위한 기반'이라는 뜻이다. 공개된 초록을 보면, 이 논문은 여러 세션에 걸쳐 오래 작동하는 AI 에이전트를 시험하고 학습시키는 데 쓰는 공통 실행 환경 'SCLATE'를 제안한다.초록에서 말하는 '지속학습 에이전트'는 단일 모델이 아니다. 모델과 하네스(모델을 감싸 실제 작업을 수행하게 하는 실행 틀), 메모리가 함께 묶인 시스템이다. 이런 에이전트는 대화 한 번으로 끝나지 않는다. 여러 세션을 오가며 긴 시간 동안 작동한다. 그래서 평가하거나 훈련하려면 과제만 주어서는 부족하다. 세션 종료와 재시작, 정해진 시각에 실행되는 예약 작업(크론), 쌓인 기억을 정리하는 메모리 통합 같은 '에이전트 쪽 사건'을 과제 사이사이에 끼워 넣어야 한다.논문은 기존 도구의 한계를 여기서 찾는다. 지금의 벤치마크와 훈련 프레임워크는 벤치마크 자체의 사건만 일정에 넣는다. 그 결과 벤치마크와 에이전트를 짝지을 때마다 연구자가 맞춤형 스케줄링 루프를 따로 만들어야 했다는 것이다. 벤치마크 하나에 에이전트 여럿을 시험하거나 에이전트 하나를 여러 벤치마크에 돌리려면 조합마다 같은 작업을 되풀이해야 하는 구조다.SCLATE는 이 부분을 하나로 묶는다. 초록에 따르면 벤치마크와 에이전트가 각자 어댑터를 통해 자신의 사건을 하나의 공개 이벤트 스케줄러에 등록한다. 애플은 에이전트를 '수정하지 않은 상태'로 쓸 수 있다는 점을 강조했다. 이미 만들어진 에이전트의 내부를 고치지 않고 어댑터만 붙이면 같은 환경에서 평가하고 훈련할 수 있다는 뜻이다.초록은 '하이브리드 시뮬레이션 시계(hybrid simulated clock)'도 언급한다. 다만 제공된 초록이 이 대목에서 끊겨 있어 이 시계가 어떻

fastino, 개체명 인식 모델 'GLiNER2.5-Decide' 허깅페이스 공개… 일주일여 만에 내려받기 3만4천 회

AI 기업 fastino가 개체명 인식(NER) 모델 'GLiNER2.5-Decide'를 공개했다. 허깅페이스(Hugging Face)의 모델 정보에 따르면 이 모델은 2026년 9월 23일 등록됐다. 지금까지 내려받기는 3만4,664회, 즐겨찾기는 259회다. 라이선스는 아파치 2.0(apache-2.0)이다.허깅페이스는 전 세계 개발자와 연구자가 AI 모델을 올리고 내려받는 공유 플랫폼이다. 내려받기 횟수와 즐겨찾기 수는 공개된 모델에 개발자들이 얼마나 관심을 보이는지 가늠하는 지표로 쓰인다. 등록일부터 이 기사를 쓴 10월 1일까지 8일 남짓이다. 이 기간 동안 하루 평균 4천 회 넘게 내려받아진 셈이다. 다만 내려받기 횟수에는 자동화된 배포 환경이나 반복 테스트에서 생긴 호출도 섞일 수 있다. 그래서 이 숫자를 실제 사용자 수로 보기는 어렵다. 즐겨찾기 259회는 개발자가 직접 눌러 표시한 것이어서, 관심도를 보여주는 보조 지표로 함께 볼 만하다.개체명 인식은 문장 속에서 사람 이름, 기관명, 지명, 날짜, 금액처럼 의미 있는 단위를 찾아내 분류하는 자연어 처리 기술이다. 겉으로 화려한 기술은 아니지만 쓰이는 곳은 넓다. 검색 엔진의 정보 추출, 계약서·의료 기록 같은 문서 자동 분석, 고객 문의 분류, 개인정보 탐지와 가림 처리 등이 대표적이다. 최근에는 대규모 언어모델(LLM)을 활용한 서비스에서도 쓰인다. 입력 문서를 미리 구조화하거나 민감 정보를 걸러내는 전처리 단계에 가벼운 전용 모델을 함께 두는 방식이다. 거대 모델 하나로 모든 일을 처리하면 비용과 응답 속도에 부담이 크다. 그래서 특정 작업만 빠르게 처리하는 소형 모델을 찾는 수요가 꾸준하다.모델 이름을 보면 'GLiNER' 계열의 '2.5' 버전이다. 여기에 'Decide'라는 이름이 붙었다. 하지만 허깅페이스 모델 정보만으로는 모델 크기(파라미터 수), 지원 언어, 성능 수치를 확인할 수 없다. 이전 버전과 무엇이 달라졌는지, 'Decide'라는 이름이 어떤 기능을 뜻하는지도 확인되지

오픈AI, 'GPT-6.1 솔' 공개…"아스트라에 근접한 성능을 5분의 1 비용에"

The Decoder는 오픈AI가 새 모델 'GPT-6.1 솔(Sol)'을 공개했다고 보도했다. 오픈AI는 솔이 에이전트 코딩, 컴퓨터 사용, 사무 업무에서 상위 모델 'GPT-6.1 아스트라(Astra)'에 근접한 성능을 내면서 비용은 5분의 1 수준이라고 설명했다. API 가격은 입력 100만 토큰당 2달러, 출력 10달러다. 캐시된 입력은 0.10달러로 책정됐다.솔은 이날부터 플러스·프로·비즈니스·엔터프라이즈·에듀 사용자가 ChatGPT 워크와 코덱스에서 쓸 수 있다. 일반 채팅에서는 아직 제공되지 않는다. 오픈AI는 코덱스에서 토큰을 최대 8배 빠르게 생성하는 '울트라패스트' 버전도 며칠 안에 내놓을 예정이다. 공개된 벤치마크 수치는 모두 오픈AI가 직접 낸 것으로, 회사 스스로도 예비 결과라고 밝혔다.이번 발표는 아스트라 출시가 미뤄진 가운데 나왔다. 월스트리트저널에 따르면 오픈AI는 내부 테스트에서 안전성 우려가 제기되자 10월로 계획했던 아스트라의 ChatGPT·코덱스 출시를 보류했다. 다만 오픈AI는 아스트라의 기반 모델을 추가 강화학습에 계속 활용할 계획이다.

구글 딥마인드, 새 AI 모델 '제미나이 4 아르곤' 공개… 사이버 보안 방어 인력에 먼저 제공

구글 딥마인드는 공식 블로그를 통해 새 프론티어 AI 모델 '제미나이 4 아르곤(Gemini 4 Argon)'을 공개했다. 아르곤은 먼저 '페어윈드 프로그램'을 통해 신뢰할 수 있는 사이버 보안 방어 인력에게 제공된다. 구글은 미국 정부의 출시 전 모델 접근 절차에 자발적으로 참여하며 접근 범위를 단계적으로 넓히겠다고 밝혔다. 이후 유료 API 고객과 구글 AI 울트라 구독자를 시작으로 개발자, 기업, 일반 소비자에게 공개할 계획이다.아르곤은 실무 소프트웨어 개발, 법률·금융 같은 기업 업무, 사이버 보안 방어에 초점을 맞춘 모델이다. 한 번에 생성할 수 있는 출력 토큰 한도는 기존 6만4000개에서 100만 개로 늘었다. 구글은 장기 소프트웨어 개발 과제를 평가하는 DeepSWE v1.1에서 77.9%로 최고 성능을 기록했다고 설명했다. 출시 할인 가격은 입력 토큰 100만 개당 2달러, 출력 토큰 100만 개당 10달러다.신뢰할 수 있는 보안 방어 인력과 구글 내부 팀에는 사이버 보안 관련 안전장치를 해제한 버전을 제공한다. 구글에 따르면 보안 기업 위즈(Wiz)는 이 모델로 전 세계 병원이 쓰는 의료 소프트웨어에서 민감한 개인정보가 노출될 수 있는 치명적 취약점을 찾아냈다.

메이퇀 연구진, 작은 AI 모델이 교사 모델에게 배울 때 '교정 지점'에 감독을 몰아주는 증류 기법 'SAKI' 공개

중국 생활서비스 기업 메이퇀(Meituan) 연구진이 작은 언어모델(학생)이 큰 모델(교사)에게 배우는 과정에서 학습 신호를 어디에 어떻게 줄지 자동으로 정하는 증류 기법 'SAKI'를 내놓았다. 미테토 웨이(Miteto Wei) 등 연구자 10명은 arXiv에 「SAKI: Maximal-Coupling-Routed Teacher Supervision for On-Policy Distillation」(arXiv:2609.36601) 논문을 공개했다. 공개된 초록에 따르면 이 기법은 수학 추론 벤치마크 7종에서 매개변수 17억 개(1.7B)와 6억 개(0.6B) 규모의 학생 모델 모두에서 비교 기준 방법보다 좋은 성적을 냈다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 36회를 받았다.배경에는 '온폴리시 증류(OPD)'라는 학습 방식이 있다. 지식 증류는 큰 모델의 능력을 작은 모델에 옮기는 기술이다. 교사가 만든 답안만 보고 배우면 학생은 실제로 쓰일 때 자기가 만든 문장 흐름에서 길을 잃기 쉽다. 학습할 때 본 상황과 실제로 쓰일 때 마주하는 상황이 다르기 때문이다. OPD는 학생이 직접 생성한 문장 흐름 위에서 교사의 평가를 받게 해 이 차이를 줄인다. 연구진은 이 방식에도 한계가 있다고 짚었다. 실력이 약한 학생은 교사라면 가지 않았을 방향으로 풀이를 끌고 가는 경우가 많은데, 그런 지점에서는 교사의 감독 신호가 제 역할을 하기 어렵다는 것이다.SAKI(Supervision Allocation with KL-constrained Interpolation)는 이 문제를 두 단계로 다룬다. 먼저 학생이 문장을 생성할 때 교사가 정해진 범위 안에서 개입하도록 한다. 이 범위는 KL 발산이라는 확률분포 간 거리로 제한한다. 이때 '최대 결합(maximal coupling)'이라는 확률 기법을 써서 토큰마다 학생의 선택을 그대로 받아들일지(수용), 교사 쪽으로 고칠지(교정)를 정한다. 다음으로 이렇게 생긴 수용·교정 기록을 그대로 활용

저장대 연구진 'PanoVLN' 공개… 360도 파노라마로 로봇 길찾기 성공률 최고 기록 경신 주장

중국 저장대학교(Zhejiang University) 연구진이 360도 파노라마 영상을 활용해 로봇이 자연어 지시를 따라 길을 찾도록 하는 인공지능 모델 'PanoVLN'을 내놓았다. 사전공개 논문 저장소 arXiv에 올라온 논문 「PanoVLN: Towards Effective Panoramic Vision-and-Language Navigation」(arXiv:2609.34759)에 따르면, 이 모델은 대표적인 평가 벤치마크 두 곳에서 기존 최고 성능(SOTA)보다 성공률을 각각 11.9%, 8.7% 높였다. 저자는 Zhen Wang 등 8명이다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천을 46회 받았다.연구 대상인 '시각-언어 내비게이션(VLN)'은 로봇이 카메라로 본 장면과 "복도 끝에서 왼쪽으로 돌아 부엌으로 가라" 같은 언어 지시를 함께 받아, 다음에 어떻게 움직일지 스스로 판단하는 기술이다. 최근 시각-언어 모델(VLM)이 발전하면서 이 분야도 빠르게 성장했다. 다만 기존 연구는 대부분 사람 눈처럼 앞쪽 일정 범위만 보는 일반 카메라(원근 카메라) 영상을 썼다. 연구진이 파노라마에 주목한 이유는 단순하다. 더 넓게 보면 더 나은 결정을 내릴 수 있다는 것이다. 예를 들어 일반 카메라 시야 밖에 있는 통로가 파노라마에서는 보이기 때문에, 로봇이 두리번거리며 추가로 탐색하지 않아도 가야 할 경로를 알아챌 수 있다.그런데 연구진이 실제로 해 보니, 입력 영상을 파노라마로 바꾸기만 해서는 성능이 조금밖에 오르지 않았다. 넓은 시야를 제대로 활용하려면 행동 예측, 학습 방식, 시각 표현을 모두 손봐야 한다는 것이 연구진의 진단이다.첫째는 행동 예측이다. 넓게 볼 수 있으면 더 먼 앞까지 계획할 수 있다. 그래서 모델이 한 장의 파노라마만 보고 크게 방향을 틀고 이어서 이동하는 긴 행동 순서를 한꺼번에 예측하게 했다. 여기에 '신뢰도 기반 실행(CGE)' 전략을 더했다. 모델이 예측한 행동 가운데 몇 개를 실제로 실행한 뒤 다시

애플 "AI가 구조를 말로 풀면 얼마나 남나"…수식 '왕복 실험' 논문 공개

애플이 언어모델이 구조화된 정보를 자연어로 풀어 쓸 때 원래 내용이 얼마나 온전히 전달되는지를 측정하는 연구를 공개했다. 애플 머신러닝 리서치(Apple Machine Learning Research) 사이트에 29일(현지시간) 올라온 논문 「The Communication Bottleneck: A Round-Trip Study of Tree-Structured Expression Serialization in Language Models」(소통의 병목: 언어모델의 트리 구조 표현 직렬화에 관한 왕복 연구)의 초록을 보면, 연구진은 트리 구조의 수식을 문장으로 바꿨다가 다시 수식으로 되돌리는 '왕복(round-trip)' 방식의 평가 절차를 제안했다.연구가 문제로 삼은 것은 언어모델이 추론하고 소통하는 방식 자체다. 언어모델은 사고사슬(chain-of-thought) 방식으로 단계를 밟아 추론하거나, 여러 모델이 자유 형식의 텍스트로 중간 결과를 주고받을 때 구조화된 정보를 자연어로 '직렬화'한다. 계층과 순서가 분명한 정보를 한 줄의 문장으로 펼쳐 놓는 셈이다. 초록은 이 과정을 일종의 병목으로 보고, 트리 구조를 가진 조합적 내용이 이 병목을 통과한 뒤에도 얼마나 살아남는지를 실험으로 확인하겠다고 밝혔다.실험 방법은 비교적 단순하다. 먼저 규칙에 따라 자동으로 산술식을 만든다. '생성기' 역할을 맡은 모델이 이 수식을 문장제(word problem), 즉 말로 풀어 쓴 문제로 바꾼다. 이어 별도의 '추출기' 모델이 원래 수식은 보지 못한 채 문장제만 읽고 수식을 복원한다. 마지막으로 복원된 수식이 원래 수식과 수학적으로 같은지를 기호적 동치성(symbolic equivalence)으로 판정한다. 연구진은 이 판정 방식이 정확한 '오라클'(정답 판정 기준) 역할을 한다고 설명했다. 사람이 평가하거나 다른 AI가 채점할 때 생기는 주관성과 오차를 피하고, 정보가 보존됐는지를 맞고 틀림으로 명확하게 가를 수 있다는 뜻이다.초록에 따르면 연구진은 16개 모델을 서

Viggle, 허깅페이스에 이미지 생성 모델 ‘Qwen-Image-2.1-viggle-turbo’ 공개… 일주일여 만에 17만 회 넘게 내려받아

Viggle이 이미지 생성 모델 ‘Qwen-Image-2.1-viggle-turbo’를 AI 모델 공유 플랫폼 허깅페이스(Hugging Face)에 공개했다. 허깅페이스 모델 정보를 보면 이 모델은 2026년 9월 22일 올라왔다. 이후 내려받기는 17만 5,907회, 즐겨찾기(좋아요)는 394회를 기록했다. 모델은 허깅페이스의 Viggle 계정 저장소(huggingface.co/Viggle/Qwen-Image-2.1-viggle-turbo)에서 받을 수 있다.허깅페이스는 전 세계 개발자와 연구자가 AI 모델을 올리고 내려받는 사실상의 표준 저장소다. 새 모델에 대한 개발자들의 초기 반응은 흔히 내려받기와 즐겨찾기 수로 가늠한다. 공개일부터 이 글을 쓰는 시점까지 약 8일이 지났으니, 하루 평균 2만 회 넘게 내려받은 셈이다. 개별 기업이 공개한 파생 모델로서는 적지 않은 숫자다. 다만 내려받기 수에는 자동화된 배포 파이프라인이나 테스트 환경에서 반복해서 받은 횟수도 들어갈 수 있다. 그래서 실제 사용자 규모와 곧바로 같다고 보기는 어렵다. 관심의 척도로 쓰이는 즐겨찾기가 394회로 내려받기에 비해 훨씬 적다는 점도 함께 볼 필요가 있다.모델 이름에 들어간 ‘Qwen-Image’는 중국 알리바바의 Qwen 팀이 내놓은 이미지 생성 모델 계열의 이름이다. 이름만 보면 이 모델은 Qwen-Image 계열을 바탕으로 Viggle이 손본 파생 모델로 보인다. 그러나 어떤 기반 모델을 어떻게 추가 학습하거나 경량화했는지는 공개된 모델 정보에서 확인되지 않았다. 이름 끝의 ‘turbo’는 업계에서 보통 생성 단계를 줄여 속도를 높인 버전에 붙이는 이름이다. 그러나 이 모델의 실제 생성 속도나 품질 수치도 이번 자료로는 확인되지 않았다.최근 오픈 모델 생태계에서는 대형 기술 기업이 기반 모델을 공개하면, 다른 기업과 개발자가 이를 자기 서비스에 맞게 고쳐 다시 내놓는 흐름이 뚜렷하다. 기반 모델을 처음부터 만드는 데는 막대한 연산 자원이 든다. 반면 공개된 모델을 다듬으면

오픈AI, 상시 작동 에이전트 '닷' 공개…저가 모델 'GPT-6.1 솔'도 출시

오픈AI가 개발자 행사 '데브데이 2026'에서 사용자 요청이 없어도 스스로 업무를 챙기는 상시 작동형 에이전트 '닷(Dots)'과 저가 모델 'GPT-6.1 솔(Sol)'을 공개했다. 오픈AI는 공식 뉴스 채널에 데브데이 요약과 두 제품 소개 글을 올렸고, 독일 AI 전문 매체 더 디코더(The Decoder)는 이를 메타의 에이전트 '뮤즈(Muse)'의 경쟁 제품으로 보고 세부 기능과 요금, 출시 지역을 전했다.오픈AI는 이번 행사에서 GPT-6 아스트라, ChatGPT, 코덱스(Codex), API, 보안, 개발자 도구 등에 걸쳐 20건이 넘는 발표를 했다. 오픈AI는 GPT-6.1 솔이 코딩, 컴퓨터 사용, 전문 업무에서 아스트라에 가까운 성능을 낸다고 소개했다. API 입력·출력 토큰 가격은 아스트라 표준 가격의 5분의 1이다. 더 디코더는 최상위 모델인 GPT-6.1 아스트라가 안전 문제로 출시가 보류됐다고 전했다. 구체적으로 어떤 문제인지는 확인되지 않았다.오픈AI는 닷을 복잡한 프로젝트와 일상 업무를 계속 이어서 처리하는 선제적 비서로 소개했다. 일이 진행되는 동안에도 사용자가 통제권을 쥐고 있다는 점을 강조했다. 더 디코더 보도에 따르면 닷은 GPT-6 아스트라를 기반으로 한다. 닷마다 브라우저가 달린 전용 클라우드 컴퓨터가 배정돼 24시간 일할 수 있다. 이 컴퓨터에서 자료를 조사하고 데이터를 분석하며 문서를 쓰고, 코덱스로 소프트웨어를 만든다. 플러그인으로 4,000개가 넘는 앱에 연결되고, ChatGPT와 슬랙, 마이크로소프트 팀즈 어디서 대화해도 맥락이 이어진다. 오픈AI 내부 사례에서는 닷이 슬랙에 올라온 버그 제보를 받아 정상 작동하는 새 빌드까지 만들어냈다. 한 초기 테스터의 경우에는 잊고 있던 청구서를 찾아 작성한 뒤 승인을 받아 발송했다.안전장치도 여러 겹이다. 사용자가 따로 요청하지 않을 때 닷이 하는 '선제적 조사'에는 읽기 전용 도구만 쓴다. 사용자는 '커스텀 규칙'으로 행동마다 허용, 승인 필요, 금지를 정할 수 있다.