AI
MetaBrief-
Vera Rubin, MLPerf 첫 출전에 학습 전 부문 석권…엔비디아 차세대 AI 플랫폼
엔비디아(NVIDIA)는 공식 블로그에서 16일(현지시간) 차세대 AI 플랫폼 'Vera Rubin'이 처음 참가한 MLPerf 벤치마크에서 학습, 사후 학습, 에이전트 추론 모두 선두를 차지했다고 밝혔다.엔비디아는 이번 MLPerf Training v6.1에서 모든 벤치마크 결과를 낸 유일한 플랫폼으로 전 항목 1위를 기록했다고 설명했다. 대규모 언어모델, 이미지 생성, 추천 시스템, 강화학습 기반 사후 학습이 모두 포함된다. Vera Rubin NVL72는 기존 GB300 NVL72보다 GPU당 성능이 최대 2배 높았다. DeepSeek-V3 벤치마크에서는 GPU를 256개에서 1,024개로 늘렸을 때 약 97%의 확장 효율을 보였고, 학습 시간은 16분에서 약 4분으로 줄었다.처음 참가한 MLPerf Endpoints에서도 Vera Rubin은 모든 에이전트 벤치마크에서 앞섰다. 에이전트 작업용 공개 모델 Kimi K3로 측정한 잠정 결과에서는 응답 속도가 같을 때 전력당 처리량이 GB300 NVL72의 10배를 넘었다. 이 결과는 아직 MLCommons의 검증을 거치지 않아 바뀔 수 있다.이번 MLPerf Training에는 마이크로소프트 애저, 구글 클라우드, 오라클, 델 테크놀로지스 등 20개 기관이 엔비디아 플랫폼으로 결과를 제출했다.
-
Rubin HPC, 엔비디아의 과학·공학 시뮬레이션 가속 GPU…2028년 출시 예정
엔비디아는 슈퍼컴퓨팅 콘퍼런스 SC26에서 Vera Rubin 플랫폼의 새 GPU 'Rubin HPC'를 공개했다고 NVIDIA Blog를 통해 밝혔다. 과학·공학·데이터 분석 작업에서 시뮬레이션과 데이터 처리를 빠르게 하도록 설계한 제품이며, 2028년 출시될 예정이다.Rubin HPC에는 GPU 한 개에 5만 개가 넘는 CUDA 코어가 들어간다. 엔비디아는 이것이 역대 최다라고 설명했다. 코어에 데이터를 끊김 없이 공급하는 희소(sparse) 데이터 가속 기능도 갖췄다. GPU끼리는 7세대 NVLink로 연결된다. 엔비디아는 연산 성능만 키우지 않고 데이터 이동 능력도 함께 늘린 '균형 설계'로 희소 행렬 연산, 스텐실 계산, 정렬 같은 시뮬레이션의 반복 작업을 빠르게 처리한다고 밝혔다.엔비디아는 AI 에이전트가 신소재·분자·설계 후보를 더 많이 탐색하면서 이를 검증할 시뮬레이션 수요도 늘고 있다고 설명했다. 이언 벅 엔비디아 하이퍼스케일·고성능컴퓨팅 부사장은 "과학과 공학 문제를 다루는 에이전트에게는 시뮬레이션이 빨라지는 것이 곧 발견이 빨라지는 것"이라고 말했다.
-
TTB, 3D 복원 없이 새 시점 이미지 렌더링 최대 23배 가속…NVIDIA 연구진 논문
NVIDIA 연구진이 3D 형상을 복원하지 않고 신경망만으로 새로운 시점의 장면 이미지를 만들어 내는 모델의 렌더링 속도를 크게 높이는 기법 「TTB(Test-time Baking)」를 내놨다. Chin-Yang Lin 등 9명은 arXiv에 「TTB: Test-time Baking for Efficient Rendering of Decoder-only View Synthesis Models」 논문을 공개했다. 초록에 따르면 이 방법은 여러 벤치마크에서 최신 기술과 비슷한 품질을 유지하면서 렌더링 속도를 최대 23배 높였다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 25회를 받았다.연구 대상은 '새 시점 합성(novel view synthesis)'이다. 몇 장의 사진을 입력하면 카메라가 찍지 않은 각도에서 본 장면을 만들어 내는 기술이다. 최근에는 장면의 3D 형상을 따로 복원하지 않고 신경망이 새 시점 이미지를 바로 출력하는 방식이 주목받고 있다. 논문은 그중에서도 KV 캐시를 쓰는 디코더 전용 대형 시점 합성 모델(LVSM)이 최고 수준의 품질을 냈다고 짚는다. 이런 모델은 입력 이미지들 사이의 관계를 '교차 시점 어텐션(cross-view attention)'으로 계산하는데, 연산량이 많아 렌더링이 느려진다. 이 연산을 줄이려고 어텐션 자리에 테스트 시점 학습(TTT) 레이어를 넣는 방법도 나왔지만, 계산은 줄어드는 대신 품질이 떨어졌다. TTB는 품질과 속도 사이의 이 상충 관계를 풀겠다는 연구다.이름에 들어간 '베이킹(baking)'은 장면 전체의 정보를 가벼운 다층 퍼셉트론(MLP)에 미리 구워 넣는다는 뜻이다. 연구진은 핵심 아이디어를 두 가지로 설명했다. 첫째, TTT의 '빠른 가중치(fast-weight)' MLP를 다르게 쓴다. 어텐션을 통째로 바꾸는 대신, 어텐션의 입력과 출력 쌍을 보고 교차 시점 어텐션이 하는 대응 관계를 MLP가 직접 배우게 했다. 그래서 렌더링 효율은 TTT와 같으면서 품질은 크게 높아
-
Gamer, 키보드·마우스 조작을 배워 3D 오픈월드 게임을 플레이하는 범용 AI 에이전트
키보드와 마우스를 사람처럼 직접 조작하며 2D 게임과 3D 오픈월드 게임을 오래 이어서 플레이하는 범용 인공지능(AI) 에이전트가 나왔다. Run Luo 등 연구진 27명은 사전공개 논문 저장소 arXiv에 「Gamer: A Generalist Vision-Language-Action Foundation Model for Long-Horizon Real-Time Game Agent」 논문(arXiv:2611.18397)을 올렸다. 저자들이 공개한 초록에 따르면 'Gamer'는 여러 3D 오픈월드 게임에서 숙련된 플레이어에 견줄 만한 조작 효율을 보였다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에도 올랐다.Gamer는 시각·언어·행동(VLA)을 하나로 묶은 파운데이션 모델이다. 복잡한 상호작용 환경에서 긴 호흡이 필요한 과제를 수행하도록 설계됐다. 화면을 인식하는 일, 기억을 관리하는 일, 여러 단계로 추론하는 일을 하나의 엔드투엔드 구조에서 처리한다. 학습과 배포는 같은 파이프라인을 쓰고, 이 파이프라인 하나로 일반적인 2D 그래픽 인터페이스와 복잡한 3D 시뮬레이션 세계를 모두 다룬다.학습은 몇 단계로 이뤄졌다. 연구진은 먼저 장치 수준의 키보드·마우스 입력 기록 수만 시간 분량으로 데이터셋을 만들어 모델을 추가 사전학습시켰다. 이 기록에는 시뮬레이션 게임과 체화(embodied) 환경이 함께 들어 있어, 모델이 물리 세계와 가상 세계 양쪽의 환경 변화 규칙을 익히게 했다는 설명이다. 다음 단계는 '희소 사고(sparse-thinking)' 지시 튜닝이다. 매 순간 길게 추론하지 않고 꼭 필요한 때만 생각하도록 해서, 복잡한 판단에 필요한 추론은 지키면서 쓸데없는 연산을 크게 줄였다.마지막으로 연구진은 안정적인 다중 턴 강화학습으로 행동 정책을 훈련했다. 게임을 오래 하는 에이전트가 흔히 부딪히는 문제가 세 가지 있다. 모델이 한 번에 볼 수 있는 맥락 길이에 한계가 있다는 점, 시행(롤아웃) 중 생긴 작은 오류가 계속 쌓인다는 점, 보
-
Gemini 4 Hydrogen (High), LMArena 대화 부문 8위 첫 진입…웹 개발선 Qwen4-Max 6위
구글의 새 AI 모델 Gemini 4 Hydrogen (High)가 LMArena 리더보드 텍스트(대화) 부문에 처음 이름을 올리면서 바로 8위에 들었다. 알리바바의 Qwen4-Max (xHigh)도 웹 개발(코딩) 부문에 새로 집계돼 첫 순위가 6위였다. 11월 11일(텍스트)과 11월 15일(웹 개발)에 나온 LMArena 리더보드 자료를 보면 두 모델 모두 첫 집계에서 상위 10위 안에 자리 잡았다.LMArena는 옛 이름이 Chatbot Arena인 AI 모델 평가 플랫폼이다. 이용자는 어느 모델이 답했는지 모르는 상태에서 두 모델의 답변을 나란히 보고 더 나은 쪽에 투표한다. 이렇게 쌓인 투표로 Elo 계열 점수를 추정해 순위를 매긴다. 회사가 직접 내놓는 벤치마크 점수와 달리 실제 사용자들이 어느 답을 더 좋아하는지가 반영된다는 점에서 업계가 눈여겨보는 지표다.텍스트(대화) 부문에서 Gemini 4 Hydrogen (High)는 투표 4,741표를 받아 8위에 올랐다. 1위와 2위도 구글 모델인 Gemini 4 Carbon (High)와 Gemini 4 Argon (High)다. 그 아래로 앤트로픽의 Claude Opus 5.5 (High)가 3위, Claude Fable 5.1 (Max)가 4위, Claude Opus 5 (Max)가 5위다. 6위는 메타의 Muse Wonder (Max), 7위는 Claude Opus 5 (High)다. Gemini 4 Hydrogen (High) 다음으로는 Claude Opus 4.6 (High)가 9위, 구글의 Gemini 3.8 Flash (High)가 10위에 자리했다. 회사별로 세면 상위 10개 중 앤트로픽이 5개, 구글이 4개, 메타가 1개이고 오픈AI 모델은 없다. 1·2위를 구글이 가져갔고 앤트로픽은 3위부터 중위권을 넓게 채웠다.웹 개발(코딩) 부문에서 Qwen4-Max (xHigh)는 투표 1,814표로 6위에 들었다. 상위권은 앤트로픽 모델이 차지했다. 1위 Claude Fable 5.2 (xH
-
엔비디아 'AI Day Seoul' 코엑스서 개최…2천여 명 모여 피지컬 AI·에이전트 논의
NVIDIA Blog는 서울 코엑스에서 이틀 동안 열린 'AI Day Seoul'에 2,000명 넘게 참석했다고 전했다. 행사에는 피지컬 AI와 AI 에이전트를 개발하는 국내 대기업과 스타트업, 개발자 커뮤니티가 함께했다.기조 세션에서 디푸 탈라 엔비디아 로보틱스·엣지 AI 부사장은 한국이 "체급 이상의 성과를 내고 있다"고 말했다. 그는 두산로보틱스, 현대자동차그룹, LG전자, SK그룹과 스타트업들이 엔비디아 플랫폼으로 범용 로봇을 현장에 들여오고 있다고 소개했다. 조너선 코언 응용연구 부사장은 기업이 직접 소유하고 통제하는 에이전트를 만드는 방법을 설명했다.500명 넘는 개발자는 엔비디아 딥러닝 인스티튜트(DLI) 워크숍에 참여하고, 한국어로 진행된 엔비디아 인증 시험을 치렀다. 한글날 해커톤에서는 OpenShell 런타임으로 한국어와 한국 문화를 학습한 에이전트를 만든 팀 FlyGate가 우승해 NVIDIA DGX Spark를 받았다. 이 밖에 인셉션 스타트업 10곳의 피칭 행사와 한국과학기술정보연구원(KISTI)·국내 대학·엔비디아 리서치가 함께한 'AI for Science' 포럼도 열렸다. 행사 세션 영상은 곧 NVIDIA On-Demand에 공개된다.
-
Weighted State Souping, 애플이 내놓은 SSM 장문 맥락 검색 효율화 연구
애플이 상태공간모델(SSM)에서 긴 맥락을 효율적으로 검색하는 방법을 다룬 논문 「Weighted State Souping for Efficient Long-Context Retrieval」을 공개했다. 애플은 2026년 11월 10일 자사 머신러닝 연구 사이트인 Apple Machine Learning Research에 이 논문을 올렸다. 초록에 따르면 이 논문은 NeurIPS 2026의 워크숍 'PALM(Personalized, Aligned, Long-term Memory for AI Systems)'에 채택됐다. PALM은 AI 시스템의 개인화, 정렬, 장기 기억을 주제로 하는 워크숍이다.논문이 다루는 상태공간모델은 언어 모델 구조의 하나다. 초록은 SSM의 장점으로 세 가지를 든다. 추론이 빠르고, 상태(state) 크기가 고정돼 있으며, 언어 모델링 성능도 경쟁력이 있다는 점이다. 상태 크기가 고정돼 있다는 것은 입력이 길어져도 모델이 들고 있어야 하는 내부 정보의 크기가 늘지 않는다는 뜻이다. 그래서 긴 입력을 다룰 때 연산 자원 면에서 유리한 구조로 꼽힌다.논문의 출발점은 최근 제안된 '상태 수핑(state souping)' 기법이다. 초록 설명을 보면 상태 수핑에서는 SSM이 문서, 도구 정의, 메모리 기록 같은 토큰 묶음(청크)을 하나씩 따로 인코딩한다. 이렇게 만든 상태 인코딩은 캐시에 저장해 둘 수 있다. 이후 질의가 들어오면 저장된 인코딩을 다시 조합해 그 질의에 필요한 맥락을 적은 비용으로 꾸린다. 같은 문서나 도구 설명을 질의마다 처음부터 다시 읽히지 않고, 미리 만든 결과물을 꺼내 섞어 쓰는 방식이다. '수프(soup)'라는 이름도 여러 재료를 한 냄비에 넣어 섞는 데서 따왔다.이 방식은 AI 비서나 에이전트에 특히 쓸모가 있다. 이런 시스템은 사용자의 과거 기록, 참고 문서, 호출할 수 있는 도구 목록을 상황에 맞춰 골라 맥락에 넣어야 한다. 각 요소를 미리 인코딩해 두고 필요한 것만 조합하면 매번 전체를 다시 처리하는 부담을 줄
-
애플, LLM 심사위원은 개인 맞춤 문체를 제대로 평가할까…NeurIPS 워크숍 논문 공개
애플이 대규모언어모델(LLM)이 다른 AI가 쓴 글을 평가하는 이른바 'LLM 심사위원(LLM judge)'의 신뢰도를 검증한 연구를 내놨다. 애플 머신러닝 연구 사이트(Apple Machine Learning Research)에 따르면, 애플은 지난 10일 「Evaluating the Evaluators: Investigating LLM Judges for Personalized Writing Style Assessment(평가자를 평가하다: 개인 맞춤 글쓰기 문체 평가를 위한 LLM 심사위원 연구)」 논문을 공개했다. 이 논문은 신경정보처리시스템학회(NeurIPS 2026)의 'Can We Trust AI Evaluation?(AI 평가를 믿을 수 있는가?)' 워크숍에 채택됐다.연구진이 주목한 것은 사용자가 원하는 글쓰기 문체가 미리 정해진 상황이다. 예를 들어 사용자가 '밝고 경쾌한(upbeat)' 문체를 좋아한다는 사실을 안다면, AI가 만든 글이 그 취향에 맞는지 판단할 기준이 필요하다. 이때 사람이 일일이 글을 읽는 대신 또 다른 LLM에게 판정을 맡기는 방식이 LLM 심사위원이다. 논문 초록은 이렇게 생성된 텍스트가 사용자 선호를 제대로 따르는지 LLM 심사위원이 얼마나 잘 판단하는지를 평가하는 일이 중요하다고 밝혔다.LLM 심사위원은 생성형 AI 개발 과정에서 널리 쓰이는 평가 방식이다. 모델이 내놓는 답변은 양이 많고 형태도 제각각이어서 사람이 모두 채점하기에는 비용과 시간이 많이 든다. 그래서 성능이 검증된 LLM에게 채점을 맡기는 일이 늘었다. 하지만 이 방식은 '채점하는 AI는 믿을 만한가'라는 질문을 남긴다. 특히 문체처럼 정답이 하나로 정해지지 않고 사람마다 기준이 다른 영역에서는 판정이 더 까다롭다. 논문 제목의 '평가자를 평가하다'라는 표현과 워크숍 이름 자체가 이 문제의식을 보여준다.연구진은 LLM 심사위원의 성능에 영향을 줄 수 있는 요인을 크게 네 가지로 나눠 살폈다. 첫째는 글쓰기 과제의 종류, 둘째는 글을 만든 생성 모델과
-
claude.ai 결제·요금제 변경 오류 약 1시간 30분 만에 복구…앤트로픽 "다시 결제할 필요 없어"
앤트로픽의 AI 서비스 claude.ai에서 결제와 요금제 변경이 제대로 처리되지 않는 장애가 약 1시간 30분 동안 이어졌다가 복구됐다. 앤트로픽 공식 상태 페이지 공지에 따르면 장애는 한국시간 11월 14일 오전 11시 34분(협정세계시 02시 34분)부터 오후 1시 3분(04시 03분)까지 발생했다. 회사는 장애가 해소됐고, 처리가 늦어진 요금제 변경과 결제도 모두 반영했다고 밝혔다.앤트로픽이 상태 페이지에 올린 공지 제목은 'Elevated purchasing errors on claude.ai'다. claude.ai에서 구매 관련 오류가 평소보다 많이 발생했다는 뜻이다. 공지 기록을 보면 회사가 문제를 처음 알린 시각은 협정세계시 02시 54분(한국시간 오전 11시 54분)이다. 앤트로픽은 이때 구매와 요금제 업그레이드 등에 영향을 주는 오류가 늘어 조사하고 있다고 공지했다. 실제 영향이 시작된 지 20분쯤 지난 시점이다.15분 뒤인 03시 09분(한국시간 낮 12시 9분)에는 상태를 '모니터링'으로 바꿨다. 회사는 "claude.ai의 구매가 정상적으로 작동하고 있으며, 지연된 요금제 변경과 결제를 반영하고 있다"고 설명했다. 최근 결제한 일부 고객은 요금제가 갱신되기까지 최대 1시간을 기다려야 할 수 있다면서 "다시 결제할 필요는 없다"고 안내했다. 회사는 이후 복구 상황을 지켜봤고, 최종 해소 공지는 04시 23분(한국시간 오후 1시 23분)에 올렸다. 미국 태평양시 기준으로 장애는 13일 오후 6시 34분부터 8시 3분까지 이어졌다.이번 장애는 클로드의 답변이나 대화 기능이 아니라 유료 구독을 사고 요금제를 바꾸는 결제 과정에서 일어났다. 공지에 적힌 영향 범위는 claude.ai의 구매와 요금제 변경이다. 장애 시간에 결제나 요금제 업그레이드를 시도한 이용자는 오류 메시지를 받았거나, 결제는 됐는데 요금제가 바로 바뀌지 않은 상태를 겪었을 수 있다. 앤트로픽이 재결제가 필요 없다고 따로 밝힌 것은 요금제 반영이 늦어 보여도 같은 결제를 다시
-
Open Vision Banana, 이미지 생성 모델을 시각 인식기로 바꾸는 방법 전부 공개
이미지를 만들도록 학습된 생성 모델을 사물 분할이나 깊이 추정 같은 시각 인식 작업에 쓰는 방법이 학습 데이터부터 코드까지 전부 공개됐다. 논문 사전공개 사이트 arXiv에 올라온 논문 「Open Vision Banana: A Fully Open Recipe for Generative Visual Perception」(arXiv:2611.15844)에서 Fundamental AI Lab at UTN 소속 Arpit Jadon 등 연구진 7명은 사전학습된 이미지 생성기를 여러 인식 작업을 한꺼번에 처리하는 시스템으로 바꾸는 방법 'Open Vision Banana(OVB)'를 발표했다. 연구진은 데이터셋 구축·처리 파이프라인, 학습·평가 코드, 최종·중간·제거 실험(ablation) 체크포인트까지 모두 내놓았다.이 연구는 이미지 생성기가 그림을 만드는 능력 말고도 현실 세계에 대한 이해를 품고 있다는 최근 연구 흐름에서 나왔다. 앞서 나온 'Vision Banana'는 이 점을 활용해 시각 인식 작업을 '조건부 이미지 편집' 문제로 바꿔 풀었다. 입력 이미지를 정답이 담긴 이미지로 '편집'하게 하는 방식이다. 다만 Vision Banana는 데이터·가중치·코드·구현 세부를 공개하지 않았다. 다른 연구자가 결과를 검증하거나 그 위에서 연구를 이어가기 어려웠다는 뜻이다. OVB는 이 빈자리를 누구나 재현할 수 있는 방법으로 채우려는 시도다.연구진은 일반화 성능을 좌우하는 설계 요소로 색상 인코딩, 프롬프트 설계, 파라미터 적응 방식, 작업 간 균형을 꼽았다. 이 요소들은 서로 얽혀 있어서, 따로 쓰면 도움이 되는 선택도 다른 선택과 합치면 오히려 성능을 떨어뜨릴 수 있다고 연구진은 설명했다. 좋은 기법을 하나씩 더하기만 해서는 답이 나오지 않는다는 얘기다.성능 수치도 공개됐다. OVB는 가중치가 공개된 40억(4B)·90억(9B) 파라미터 기반 모델에서 출발해, 공개 데이터셋으로 만든 학습 쌍 210만~380만 개로 학습했다. 도로 장면 분할 벤치마크 Citysca
-
행동 서툰 AI도 좋은 '선생' 될 수 있다…저장대, 장기 과제 에이전트의 의사결정 모델 연구
직접 행동을 잘하지 못하는 인공지능(AI) 모델도 다른 모델을 잘 가르칠 수 있다는 연구 결과가 나왔다. 중국 저장대(Zhejiang University) 연구진이 arXiv에 공개한 논문 「Actor, Judge, or Teacher? Understanding Decision Models in Long-Horizon Agents」의 저자 초록에 따르면, 연구진은 의사결정 모델 JEV를 강화학습의 '교사'로 썼다. 그 결과 Qwen2.5-1.5B 기반 정책 모델의 과제 성공률이 ALFWorld에서 72.8%에서 82.9%로, WebShop에서 56.8%에서 71.4%로 올랐다. 비교 기준은 강화학습 기법 GRPO만 쓴 경우다. Haochen Liu 등 10명이 쓴 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 34회를 받았다.연구진이 말하는 의사결정 모델은 질문에 정해진 형식으로 답하는 모델이다. 여러 선택지 가운데 하나를 고르면서 선택지마다 확률을 함께 내놓는 식이다. 출력 형식이 이렇게 정해져 있어서 모델 하나를 세 가지 용도로 쓸 수 있다. 에이전트가 할 행동을 직접 고르는 '행위자(actor)', 이미 한 행동을 평가하는 '심판(judge)', 모든 행동에 점수를 매겨 강화학습으로 정책을 가르치는 '교사(teacher)'다.연구진은 기존 연구가 이런 모델을 주로 행위자로만 다뤄 왔고, 쓸모도 얼마나 잘 행동하느냐로 판단해 왔다고 지적했다. 이번 논문은 여기서 한 걸음 더 나아가 '행동이 서툰 의사결정 모델도 잘 가르칠 수 있는가'를 물었다. 여러 단계를 차례로 밟아야 끝나는 장기(long-horizon) 과제에서는 행동을 직접 잘하는 능력과 행동을 평가하는 능력이 서로 다를 수 있다는 문제의식이다.실험은 세 갈래로 진행됐다. 먼저 의사결정 모델 3종과 범용 대규모언어모델(LLM) 3종을 ALFWorld 환경에서 행위자와 심판으로 비교했다. 행위자로 썼을 때는 여섯 모델 모두 같은 약점을 보였다. 반드시 먼저 끝내야 하는 하위 목
-
Claude iOS 앱, 'Apple로 로그인' 오류로 신규 가입 차질…앤트로픽 조사 중
앤트로픽의 공식 상태 페이지에 따르면, 생성형 AI 'Claude'의 iOS 앱에서 'Apple로 로그인(Sign in with Apple)' 기능에 오류가 생겼다. 주로 새로 계정을 만들려는 사용자가 영향을 받고 있다. 앤트로픽은 상태 페이지에 'Claude iOS 앱에서 일부 사용자가 Apple 계정으로 가입할 수 없음(Some users unable to sign up with Apple on the Claude iOS app)'이라는 제목의 장애 공지를 올렸다. 회사는 원인을 조사하고 있으며, 새로 가입하는 사용자에게는 구글 계정이나 이메일로 가입하라고 안내했다.상태 페이지 기록을 보면 앤트로픽은 협정세계시(UTC) 기준 11월 14일 07시 11분에 처음으로 '조사 중(Investigating)' 공지를 올렸다. 한국 시간으로는 14일 오후 4시 11분이다. 회사는 이 공지에서 "Claude iOS 앱의 'Apple로 로그인' 기능 문제를 조사하고 있으며, 이 문제는 주로 신규 계정에 영향을 주고 있다"고 밝혔다. 또 "신규 사용자는 구글 계정이나 이메일로 가입할 수 있다"며 가능한 한 빨리 추가 소식을 알리겠다고 덧붙였다.약 13시간 뒤인 UTC 기준 14일 20시 12분, 한국 시간 15일 오전 5시 12분에는 '업데이트(Update)' 공지가 올라왔다. 앤트로픽은 이 공지에서 "Claude iOS 앱의 'Apple로 로그인' 문제를 계속 조사하고 있다"고 밝혔다. 영향 범위는 첫 공지와 같은 '주로 신규 계정'이었고, 구글 계정이나 이메일로 가입하라는 안내도 그대로 유지됐다. 회사는 이번에도 가능한 한 빨리 다음 소식을 전하겠다고 했다. 첫 공지부터 두 번째 공지까지 반나절 넘게 '조사' 단계가 이어진 셈이다.'Apple로 로그인'은 애플 기기 사용자가 따로 아이디와 비밀번호를 만들지 않고 자신의 Apple 계정으로 앱에 가입하거나 로그인하는 기능이다. 아이폰 사용자가 새 앱을 깔 때 많이 쓰는 방식이라, 이 기능이 막히면 iOS 앱에서 처음 C