본문으로 건너뛰기

Codex 사용 정책, GPT-Image-2 투명 이미지, WAN3.0 문서 영상, 에이전트 메모리와 GPU 커널 최적화

문서·세션·테스트를 입력으로 삼는 AI 기능과 GPU 실행 최적화의 구체화

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

이번 포스트에서는 Codex 구독 사용량을 여러 사용자에게 재공유하는 sub2api 방식과 공식·OSS 클라이언트를 통한 계정 사용 경로가 구분됐다. GPT-Image-2는 투명 배경 이미지를 지원하고, WAN3.0은 PDF나 슬라이드 덱의 내용을 읽어 프롬프트 없이 영상을 생성하는 흐름을 확장했다. Chroma의 Foundation은 에이전트 세션에서 자기개선형 메모리를 구축하며, Hawkeye는 10개의 전문가 작성 unit test로 NVIDIA·AMD GPU용 CUDA 또는 HIP 커널을 최적화한다. Solar Pro 4는 AMD Instinct GPU에서 하루 800억 토큰과 기준 대비 25%의 추론 처리량 향상을 기록했다.

𝕏 실시간 트렌드 토픽

🔥 WAN3.0의 문서 기반 무프롬프트 영상 생성포스트 3

WAN3.0이 PDF와 슬라이드 덱의 캐릭터·제품·장소·이야기를 읽어 30초 광고와 시네마틱 영상을 생성하는 사례가 이어졌다. 프롬프트와 스토리보드 대신 문서 자체를 입력으로 쓰는 Omni-Reference 흐름이 핵심이다.

세부 내용 보기
  • 기존 영상 생성 사례가 프롬프트와 스토리보드 작성에 의존했다면, WAN3.0 사례에서는 18페이지 PDF 한 개를 한 번 실행해 30초 광고 전체를 만들었다. PDF 안의 오리지널 캐릭터, 가상 제품, 장소, 시각적 방향과 전체 이야기가 생성 입력으로 쓰였고, 한 번의 실행에서 완성 영상이 출력됐다.
  • WAN3.0은 PDF뿐 아니라 문서, 스프레드시트, 슬라이드 덱, 웹페이지를 읽어 별도 프롬프트 없이 영상을 생성하는 Omni-Reference 방식으로 작동한다. 입력 자료의 구조화된 내용이 영상의 장면과 서사로 변환되므로, 자료를 영상 제작의 직접적인 원천으로 사용할 수 있다.
  • 다른 사례에서는 30초 시네마틱 시퀀스에 역동적인 액션, 사실적인 세부 묘사, 고충실도 색상, 극적인 환경과 시각적 긴장감이 포함됐다. 문서 한 개에서 광고와 시네마틱 영상으로 이어지는 출력은 영상 모델의 입력 형식이 텍스트 프롬프트 중심에서 문서 중심으로 넓어졌다는 점을 드러낸다.
원문 트윗 2개 보기

📈 GPT-Image-2의 투명 배경 이미지 지원포스트 1

GPT-Image-2가 ChatGPT와 API에서 투명 배경 이미지 생성을 미리보기로 지원하기 시작했다. 생성 결과를 제품 이미지, 그래픽 디자인, 웹사이트 목업과 마케팅 캠페인의 재사용 가능한 자산으로 배치하는 흐름이다.

세부 내용 보기
  • 기존 이미지 생성 결과를 다른 배경에 합성하려면 배경 제거 과정이 필요했지만, GPT-Image-2의 새 기능은 생성 단계에서 투명 배경을 지원한다. 사용자는 ChatGPT 또는 API에서 이미지를 만들고, 출력된 자산을 원하는 배경 위에 배치할 수 있다.
  • OpenAI Developers의 안내에 따르면 이 기능은 API에서 preview로 제공되며 제품 이미지, 그래픽 디자인, 웹사이트 목업과 마케팅 캠페인에 쓸 수 있다. 원문에 포함된 사례에서는 선인장 이미지를 출력해 노트북에 인쇄할 자산으로 활용했다.
  • 투명 배경을 직접 출력하면 하나의 이미지를 여러 배경과 레이아웃에 재사용하는 처리 단계가 짧아진다. 따라서 이미지 생성 결과가 단일 장면이 아니라 후속 디자인 작업에 투입되는 자산으로 이어지는 구조다.
원문 트윗 1개 보기

📈 Codex 사용량 제한과 sub2api 공유 정책포스트 1

Codex 사용량이 다르게 보인다는 문의와 함께 구독을 API 트래픽으로 바꿔 여러 사용자에게 재공유하는 sub2api 사용이 문제로 지목됐다. 공식 클라이언트나 Sign in With ChatGPT를 지원하는 OSS 클라이언트에서 자신의 구독 사용량을 쓰는 경로는 허용 범위로 구분됐다.

세부 내용 보기
  • 사용량 제한 차이에 대한 문의가 발생했지만, 관련 담당자는 커뮤니티와 소통하고 투명하게 알리지 않는 한 제한을 임의로 바꾸지 않는다고 밝혔다. 영향을 받은 사용자들을 확인한 결과 일부가 sub2api를 사용했고, 하나의 구독을 API 트래픽으로 변환해 여러 사용자에게 재서비스하거나 공유하는 방식이 fraud-prevention 시스템에 탐지됐다.
  • 사용자는 공식 클라이언트 또는 Sign in With ChatGPT를 지원하는 OSS 클라이언트에서 자신의 ChatGPT 계정으로 로그인할 수 있다. 이 경로는 구독에 포함된 사용량을 계정 소유자가 직접 쓰는 입력 흐름이며, 여러 사용자에게 API 트래픽을 재공급하는 sub2api 방식과 처리 대상이 다르다.
  • 원문에는 사용량 제한의 구체적인 수치나 변경된 한도가 제시되지 않았다. 대신 105개의 답글이 달린 공지성 설명을 통해 계정 사용 방식과 fraud-prevention 탐지 기준의 차이가 쟁점으로 떠올랐다.
원문 트윗 1개 보기

📈 Hawkeye의 하드웨어 인지 GPU 커널 최적화포스트 1

Hawkeye는 10개의 전문가 작성 unit test만으로 AI 에이전트가 새로운 GPU에 맞는 CUDA 또는 HIP 커널을 구성하도록 한다. NVIDIA와 AMD GPU에서 전문가가 손으로 포팅한 기준선과 맞먹거나 앞서는 결과가 원문에 제시됐다.

세부 내용 보기
  • 새 GPU 아키텍처마다 커널을 직접 포팅하려면 전문가가 하드웨어별 최적화 요령을 반복해서 구현해야 한다. Hawkeye는 전문가가 핵심 하드웨어 지식을 10개의 unit test에 담고, AI 에이전트가 그 테스트를 기준으로 실행 가능한 CUDA 또는 HIP 커널을 구성하게 한다.
  • 입력은 소수의 전문가 작성 테스트와 대상 GPU의 실행 환경이고, 에이전트는 테스트를 통과하도록 메모리 접근과 연산 구성을 조정한 커널을 생성한다. 출력은 NVIDIA와 AMD GPU에서 실행되는 하드웨어 맞춤형 커널이며, 지원 대상에는 Ampere, Hopper, Blackwell과 MI350이 포함됐다.
  • 원문은 Hawkeye가 전문가 조정 기준선과 자주 비슷하거나 더 나은 성능을 냈다고 설명한다. 새로운 GPU마다 전체 최적화 지식을 다시 손으로 옮기는 대신 테스트에 지식을 압축하는 구조가 커널 이식 비용과 범위를 바꾸는 핵심이다.
원문 트윗 1개 보기

Solar Pro 4와 AMD Instinct 추론 처리량 최적화포스트 2

Solar Pro 4가 OpenRouter 등록 3일 뒤 하루 800억 토큰을 처리했고, 해당 트래픽은 AMD Instinct GPU에서 운영됐다. Upstage와 AMD 엔지니어가 두 달간 추론 처리량을 최적화해 기준선 대비 25% 향상을 얻었다.

세부 내용 보기
  • Solar Pro 4의 OpenRouter 등록 후 트래픽이 빠르게 생산 환경으로 연결되면서 모델 처리량과 GPU 실행 환경의 결합이 성능 변수로 부각됐다. 원문 수치에 따르면 등록 3일 뒤 하루 800억 토큰이 AMD Instinct GPU에서 처리됐다.
  • 두 회사 엔지니어는 두 달 동안 추론 처리량을 함께 최적화했고, 기준선 대비 25%의 향상을 기록했다. 모델 자체의 변경만이 아니라 모델을 실제 GPU에서 서비스하는 실행 경로를 함께 조정해 입력 토큰이 처리되는 속도를 높인 방식이다.
  • Lisa Su는 AMD Instinct GPU 공급을 포함해 한국 AI 생태계 지원도 약속했다. 따라서 이 사례는 모델 사용량 수치와 특정 GPU 인프라 최적화 결과가 함께 제시된 생산 환경 사례로 읽힌다.
원문 트윗 1개 보기

📈 Chroma Foundation의 자기개선형 에이전트 메모리포스트 1

Chroma가 에이전트 세션에서 자기개선형 메모리를 구축하는 Foundation 연구 프리뷰를 공개했다. 세션 기록을 메모리 시스템의 입력으로 삼아 장기적인 에이전트 사용 흐름을 지원하는 구조다.

세부 내용 보기
  • 에이전트가 여러 세션을 거치면 이전 상호작용을 어떤 형태로 저장하고 다시 사용할지가 핵심 문제가 된다. Foundation은 에이전트 세션을 입력으로 받아 메모리를 구축하고, 연구 프리뷰 단계에서 자기개선형 메모리의 작동 방식을 시험한다.
  • 원문은 세션 데이터가 어떻게 정제되거나 검색되는지, 자기개선이 어떤 알고리즘으로 수행되는지에 대한 세부 구현이나 수치를 밝히지 않았다. 확인 가능한 범위에서는 Chroma가 Foundation이라는 이름의 연구 프리뷰를 공개하고 사용 경로를 제공했다는 점이 중심이다.
  • 에이전트 세션에서 메모리가 스스로 개선되는 구조는 매번 과거 기록을 처음부터 다시 처리하는 대신 축적된 상호작용을 다음 세션의 메모리 구성에 반영하는 방향을 제시한다. 다만 원문에는 재현성 평가나 성능 벤치마크가 포함되지 않았다.
원문 트윗 1개 보기

Grok Bot의 승인 기반 디지털 정리 자동화포스트 2

Grok Bot이 이메일, 파일과 유료 구독을 정리하고 고객 회수, 환불 복구, 비용 절감과 사업 운영에 쓰인 사례가 공유됐다. 디지털 항목을 자동으로 감사하되 구독 취소 같은 비가역적 작업 전에는 사용자의 승인을 받는 방식이다.

세부 내용 보기
  • 디지털 정리 작업은 이메일과 파일을 분류하고 사용하지 않는 유료 구독을 찾는 데 반복적인 판단이 필요하다. 공유된 Marie Kondo형 Grok Bot은 이메일, Google Drive와 유료 구독을 감사한 뒤 정리 작업을 수행하고, 취소 전에는 사용자 승인을 요청한다.
  • 입력은 이메일·파일·유료 구독 목록이고, Bot은 항목을 감사해 정리 후보를 고른 다음 취소나 변경처럼 실제 상태를 바꾸는 작업을 승인 단계로 넘긴다. 원문에는 이 방식이 고객 회수, 환불 복구, 비용 절감과 사업 운영에도 쓰인다는 사례가 함께 언급됐다.
  • Grok Bot의 월 300달러 구독료를 스스로 충당한다는 사례와 여러 업무 자동화 예시가 공유됐지만, 절감액·처리 시간·성공률 같은 정량 벤치마크는 제시되지 않았다. 승인 절차를 둔 설계는 자동화 범위를 넓히면서 사용자가 최종 변경을 통제하는 구조다.
원문 트윗 2개 보기

스토리지·컴퓨트 분리와 오브젝트 스토어 중심 인프라포스트 1

데이터센터 네트워크가 병목이던 시기를 지나 full bisection bandwidth 네트워크가 모든 머신과 스토리지의 직접 통신을 가능하게 하면서 스토리지·컴퓨트 분리가 확산됐다는 설명이 나왔다. OLAP, OLTP, Kafka, Vector Search와 Git을 오브젝트 스토어 중심으로 배치하는 흐름이 함께 언급됐다.

세부 내용 보기
  • 2010년 이전에는 데이터센터 네트워크가 병목이어서 스토리지와 컴퓨트를 결합하고 컴퓨트를 대용량 데이터 가까이에 배치해야 했다. full bisection bandwidth 네트워크가 각 머신에서 스토리지 시스템으로 전속 통신을 가능하게 하면서 두 자원을 분리하는 구조가 실용화됐다.
  • 스토리지와 컴퓨트를 분리하면 데이터를 특정 연산 장비에 묶지 않고 네트워크를 통해 여러 처리 시스템에서 접근할 수 있다. 원문은 이 변화 이후 Databricks와 Snowflake가 등장했고, 현재는 데이터를 오브젝트 스토어에 두는 방식이 일반적인 선택이 됐다고 설명했다.
  • 구체적인 사례로 OLAP에는 Lakehouse, OLTP에는 Lakebase, Kafka에는 Warpstream, Vector Search에는 Turbopuffer, Git에는 Cursor Origin이 오브젝트 스토어 중심의 배치로 열거됐다. 이는 단일 데이터베이스 구조보다 작업 유형별 저장·처리 계층을 나누는 인프라 구성을 뜻한다.
원문 트윗 1개 보기

용어 해설

구독 계정의 API 재공유 도구(sub2api)
ChatGPT 구독 사용량을 API 트래픽으로 변환한 뒤 여러 사용자에게 재공유하는 방식이다. 원문에서는 Codex 사용량 제한에 영향을 준 사례와 함께 fraud-prevention 시스템의 탐지 대상로 언급됐다.
ChatGPT 계정 로그인 방식(Sign in With ChatGPT)
공식 클라이언트나 이를 지원하는 OSS 클라이언트에서 ChatGPT 계정으로 로그인해 구독에 포함된 사용량을 이용하는 방식이다. 원문에서는 sub2api와 구분되는 허용 사용 경로로 설명됐다.
투명 배경 이미지(Transparent Background)
이미지의 배경을 투명한 상태로 생성해 다른 배경 위에 재사용하는 기능이다. GPT-Image-2 API와 ChatGPT에서 제품 이미지, 그래픽 디자인, 웹사이트 목업 등에 활용할 수 있다.
문서 기반 영상 생성(Omni-Reference)
문서, 스프레드시트, 프레젠테이션, 웹페이지 같은 입력 자료를 읽고 별도 프롬프트나 스토리보드 없이 영상으로 변환하는 방식이다. WAN3.0 사례에서는 원본 캐릭터, 제품, 장소, 시각적 방향과 이야기가 담긴 자료가 영상 생성에 쓰였다.
스토리지·컴퓨트 분리(Disaggregation)
스토리지와 컴퓨트 자원을 결합하지 않고 분리해 각 장비가 네트워크를 통해 스토리지 시스템에 접근하는 구조다. full bisection bandwidth 네트워크가 모든 머신과 스토리지 사이의 전속 통신을 가능하게 하면서 확산됐다.
자기개선형 에이전트 메모리(Self-improving Memory)
에이전트 세션에서 축적된 정보를 바탕으로 메모리 구조가 스스로 개선되는 방식이다. Chroma의 Foundation 연구 프리뷰는 에이전트 세션을 입력으로 받아 이 메모리 시스템을 구축한다.
하드웨어 인지 커널 최적화(Hardware-Aware Kernel Optimization)
GPU별 하드웨어 특성을 반영해 CUDA 또는 HIP 커널을 최적화하는 방식이다. Hawkeye는 10개의 전문가 작성 unit test를 단서로 AI 에이전트가 새로운 GPU용 커널을 구성하도록 한다.
AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 08. 21.수집 2026. 08. 21.출처 타입 TWITTER

인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.