TL;DR
이번 포스트에서는 Gemini 3.7 Flash의 빠른 확산과 ARC-AGI 점수, Qwen3.8-27B의 소형 모델 성능과 로컬 실행, SGLang의 가중치 캐시 기반 빠른 시작이 핵심으로 묶였습니다. Gemini 3.7 Flash는 ARC-AGI-1에서 95.5%, ARC-AGI-2에서 84.6%를 기록했으며 태스크당 비용은 각각 $0.12와 $0.25로 제시됐습니다. Qwen3.8-27B는 노트북과 iPhone에서 클라우드 없이 실행된 사례와 Harvey Legal Agent benchmark 11.3점이 함께 거론됐습니다. 연구 쪽에서는 실제 전이로 Q-Learning을 유지하면서 행동 시점에만 월드 모델을 쓰는 방식과, 실행 가능한 환경을 스스로 생성하는 SPADE가 강화학습의 샘플 효율과 과제 다양성을 겨냥했습니다.
𝕏 실시간 트렌드 토픽
🔥 Gemini 3.7 Flash의 첫 주 성장과 ARC-AGI 점수포스트 2
Gemini 3.7 Flash가 출시 첫 주 성장 기록을 세웠다는 소식과 ARC-AGI-1·2의 점수·비용 수치가 함께 확산됐습니다.
세부 내용 보기
- Gemini 3.7 Flash는 출시 첫 주에 Gemini 계열의 기존 성장 기록을 넘어섰고, 개발자 커뮤니티의 반응을 바탕으로 Search와 Geminiapp에서도 실행되는 상태가 됐습니다. 제품 확산과 실제 서비스 편입이 같은 시점에 언급되면서 모델 출시의 초기 사용량과 배포 범위가 함께 주목받았습니다.
- ARC-AGI 평가에서는 ARC-AGI-1 95.5%, 태스크당 $0.12, ARC-AGI-2 84.6%, 태스크당 $0.25가 제시됐습니다. 점수와 비용을 한 쌍으로 비교하는 방식이어서 단순한 성능 순위보다 과제 해결 비용까지 포함한 선택 기준을 만들었습니다.
원문 트윗 2개 보기
Sundar Pichai
Gemini 3.7 Flash smashed previous Gemini growth records in its first week, making it our fastest growing model yet. Great to see the huge excitement from our developer community! Now running in Search and @Geminiapp too.
Gemini 3.7 Flash from @Google on ARC-AGI (Verified): - ARC-AGI-2: 84.6%, $0.25/task - ARC-AGI-1: 95.5%, $0.12/task Gemini 3.7 Flash stands out for its low cost and high scores on ARC-AGI-1 and ARC-AGI-2 relative to other frontier models.
Logan Kilpatrick
Gemini 3.7 is our fastest growing model launch to date, amazing to see the reception!!!
📈 ChatGPT Sites 기반 음악 앱 제작포스트 2
ChatGPT Work 또는 데스크톱 앱에서 프롬프트만으로 공유 가능한 사이트를 만들 수 있다는 사례가 포착됐습니다.
세부 내용 보기
- 한 사용자는 Twitter에 음악을 업로드하기 어렵다는 문제를 피하려고 ChatGPT Sites에서 앨범을 공유할 음악 앱을 프롬프트로 만들었습니다. 기존 챗봇 대화에 머무르지 않고 요청을 입력해 호스팅된 앱 형태의 결과물을 만드는 사용 흐름이 사례로 제시됐습니다.
- ChatGPT Sites 기능은 Plus 이상 요금제의 ChatGPT Work 또는 데스크톱 앱에서 사이트를 만들고 공유하는 경로로 설명됐습니다. 입력은 자연어 프롬프트와 콘텐츠이고 출력은 다른 사람에게 공유할 수 있는 사이트여서, 제작과 배포가 한 인터페이스 안에서 이어지는 구조입니다.
원문 트윗 2개 보기
Tibo
@ajambrosino thought it was too hard to upload music to twitter, so he just prompted a whole music app hosted on ChatGPT Sites into existence just to share his album
Tibo
You can make your own sites (and share them!) in ChatGPT Work or on the ChatGPT desktop app if you are on the Plus plan or above.
📈 Qwen3.8-27B의 로컬 실행과 전문 벤치마크포스트 2
Qwen3.8-27B가 27B 규모임에도 노트북과 iPhone에서 실행되고, 코딩 지원과 법률 에이전트 평가에서 높은 성능을 냈다는 포스트가 이어졌습니다.
세부 내용 보기
- Qwen3.8-27B는 클라우드 없이 노트북에서 실행할 수 있고 iPhone에서도 원활하게 작동한다는 사례와 함께 소개됐습니다. 모델을 원격 API로 호출하는 대신 소비자 기기에서 직접 실행해 코딩 지원을 받는 경로가 핵심 사용 방식으로 제시됐습니다.
- Harvey Legal Agent benchmark에서는 Qwen3.8-27B가 11.3점으로 Fable 5와 동률을 기록했고, 인용된 비교에서는 Kimi K3, Qwen 3.8 Max, DeepSeek V4보다 앞선 수치로 나타났습니다. 일반 코딩을 넘어 법률 에이전트 작업까지 평가 범위가 확장되면서 작은 모델의 활용 가능성을 가늠할 근거가 됐습니다.
원문 트윗 2개 보기
Min Choi
Qwen3.8-27B broke the Internet just 5 days ago. People can't believe how powerful and "intelligent" it is for a 27B model. Unlocking new possibilities even running on a laptop. 10 wild examples:
Min Choi
10. Not just coding. Qwen3.8-27B tied Fable 5 at 11.3 on the Harvey Legal Agent benchmark. #1 open-weight model.
On @harvey's Legal Agent, it is tied with Fable 5 at 11.3pts and is ahead of Kimi K3, Qwen 3.8 Max, and DeepSeek V4.
📈 SGLang Weight Cache Daemon의 엔진 시작 단축포스트 1
SGLang의 Weight Cache Daemon이 가중치 로딩과 엔진 시작을 줄이고, 다중 GPU·노드 배포와 빠른 복구를 향한 후속 작업이 이어졌습니다.
세부 내용 보기
- 디스크에서 모델 가중치를 읽는 기존 시작 경로가 병목이었고, Weight Cache Daemon은 가중치를 캐시에 두어 Ling-2.6-1T FP8의 로딩 시간을 약 0.63초로 줄였습니다. 디스크 로딩보다 최대 약 780배 빠른 수치이며 전체 엔진 시작 시간도 8.8분에서 약 0.53분으로 단축됐습니다.
- 현재 단계는 TP와 PP, 단일 노드·다중 노드 배포, 비양자화 가중치와 블록 단위 FP8을 지원합니다. 다음 단계에는 DP·EP, 추가 포맷, KV cache restore, GPU 간 공유, CUDA graph serialization, persistent kernel warmup이 포함되고 콜드 복구 목표는 10초 미만으로 제시됐습니다.
원문 트윗 2개 보기
Ant Ling
Today, we’re introducing the Weight Cache Daemon for SGLang. On Ling-2.6-1T FP8, it reduced weight loading to ~0.63s, up to ~780× faster than disk loading, and cut total engine startup from 8.8 minutes to ~0.53 minutes. Here’s how it works.
Ant Ling
Phase 1 supports TP and PP, single node and multi node deployment, unquantized weights, and block-wise FP8. Next: DP and EP, more formats, KV cache restore, cross GPU sharing, CUDA graph serialization, and persistent kernel warmup. The cold recovery target is under 10 seconds.
➖ 월드 모델과 적응형 환경을 결합한 강화학습포스트 2
두 연구가 고정된 학습 환경과 상상 롤아웃의 오류 누적 문제를 각각 다른 방식으로 피하면서 강화학습 효율을 높이는 접근을 제시했습니다.
세부 내용 보기
- Q-Learning with World Models는 월드 모델이 생성한 롤아웃을 그대로 정책 학습에 넣을 때 예측 오류가 정책에 누적되는 문제를 피하려고, Q-Learning은 실제 전이만으로 학습하고 월드 모델은 행동 결정 시점의 짧은 가상 미래 탐색에만 사용했습니다. 이 입력·학습·선택 분리가 샘플 효율과 성능 개선으로 이어졌고, 강한 model-free·model-based 강화학습 기준선도 넘어섰습니다.
- SPADE는 모델이 충분히 익힌 고정 과제 풀에서 학습이 포화되는 문제를 겨냥해, LLM이 실행 가능한 다중 턴 환경을 만들고 직접 해결하도록 구성했습니다. 힌트 기반 regret으로 모델 능력의 경계에 맞는 과제를 계속 생성하며, 30B 규모에서 고정 환경 강화학습보다 평균 5.3점 높은 성능과 도구 사용의 큰 개선을 기록했습니다.
원문 트윗 2개 보기
alphaXiv
"Q-Learning with World Models" World models can improve RL, but training directly on imagined rollouts compounds model errors into the policy very easily. This paper instead uses the world model only at decision time, searching over short imagined futures while keeping Q-learning trained entirely on real transitions. This improves sample efficiency and performance across the board, and even outperforming strong model-free and model-based RL baselines. https:// alphaxiv.org/abs/2608.17163
alphaXiv
“SPADE: Self-Play in Adaptive Synthetic Executable Environments” Most agent training still relies on fixed task pools, so once the model gets good at them, learning starts to saturate. SPADE makes the training environments themselves learnable. The same LLM would writes executable multi-turn environments, solves them, and uses hint-based regret to keep generating tasks right at its capability frontier. At 30B scale, this adaptive self-play beats fixed-environment RL by +5.3 points on average, with large gains in tool use too. https:// alphaxiv.org/abs/2608.19197 v1 …
➖ Ox Alpha의 모델 정체와 로컬 실행 사례포스트 4
Ox Alpha를 둘러싸고 GLM-5.3과의 일치 근거가 제기됐고, 영상 이해·이미지 생성·소비자 하드웨어 실행 사례가 함께 공유됐습니다.
세부 내용 보기
- Ox Alpha가 공개되지 않은 출처를 주장하는 시스템 프롬프트와 달리 GLM-5.3과 동일한 tokenizer와 API 동작을 보인다는 포스트가 나왔습니다. 작성자는 tokenizer와 파라미터 fingerprinting을 근거로 Z.ai·Zhipu의 GLM-5.3으로 확인됐다고 적었지만, 공식 확인은 별도로 제시되지 않았습니다.
- Ox Alpha에는 3D 공간, 깊이, 재질, motion blur를 장면처럼 묘사하는 영상 이해 사례와 떠 있는 섬 장면을 한 번에 생성한 사례가 붙었습니다. 또 FreeToken은 CPU·GPU·메모리 대역폭을 하나의 탄력적 시스템으로 사용하고, 인용된 비교에서는 Ollama보다 decode가 3–4배, prefill이 6–30배 빠르다고 제시됐습니다.
원문 트윗 2개 보기
Md Ismail Šojal
Tokenizer doesn’t lie, unmasked ‘ox-alpha’ = GLM-5.3 ( http:// Z.ai / Zhipu) Confirmed. Despite its system prompt claiming an undisclosed origin, every fingerprint points to one model: Z,ai/Zhipu’s GLM-5.3 Exact tokenizer matches. Identical API behavior. Confirmed through precise tokenizer and parameter fingerprinting.
Ox-alpha is from Zai, GLM-5.X family my agent has spoken x.com/elder_plinius/…
Md Ismail Šojal
Runs large MoE models efficiently on consumer (GPU & CPU & memory bandwidth) as one elastic system.
FreeToken is fast. Comparing to Ollama, we have 3–4× faster decode, and 6–30× faster prefill How? We introduce bandwidth-adaptive CPU–GPU execution + semantic-aware caching across agent turns. More details in the technical report: http:// arxiv.org/abs/2608.16157
용어 해설
- ARC-AGI
- — 새로운 문제 해결 능력을 측정하는 벤치마크입니다. Gemini 3.7 Flash의 ARC-AGI-1·2 점수와 태스크당 비용을 함께 비교하는 데 쓰였습니다.
- 가중치 캐시 데몬(Weight Cache Daemon)
- — 모델 가중치를 디스크에서 매번 읽는 대신 캐시에 유지하는 SGLang 구성 요소입니다. 가중치 로딩과 추론 엔진 시작에 걸리는 시간을 줄이는 방식으로 작동합니다.
- KV 캐시(KV Cache)
- — Attention 계산에 필요한 Key·Value 중간 결과를 저장해 이전 토큰의 반복 계산을 줄이는 메모리 구조입니다. SGLang의 빠른 복구 계획에 KV cache restore가 포함돼 있습니다.
- Q-Learning
- — 상태와 행동의 가치를 학습해 누적 보상을 높이는 강화학습 방법입니다. 한 연구는 실제 전이로 Q 함수를 학습하면서 의사결정 시점에만 짧은 가상 미래를 탐색했습니다.
- 월드 모델(World Model)
- — 환경의 상태 변화와 결과를 내부적으로 예측하는 모델입니다. Q-Learning 연구에서는 학습 전체가 아니라 행동 선택 단계의 짧은 미래 탐색에만 사용됐습니다.
- 적응형 셀프 플레이(Adaptive Self-Play)
- — 모델이 자신의 능력 수준에 맞는 실행 가능한 환경과 과제를 반복 생성하며 학습하는 방식입니다. SPADE는 고정된 과제 풀이로 인한 학습 포화를 피하도록 환경 자체를 조정합니다.
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
