TL;DR
이번 창에서는 에이전트가 결과를 생성하는 단계를 넘어 스스로 작업을 점검하고 장기 실행을 이어 가도록 만드는 하네스 설계가 이어졌다. Hermes Agent는 별도 auxiliary model을 review 단계에 투입하고, Prime Agent는 7일간의 Factorio 실행에서 633개 subagent를 활용하며 장기 작업 평가를 확장했다. 동시에 Wan 3.0은 기존 이미지와 자료를 영상으로 바꾸는 서비스 경로를 넓혔고, KargoBot은 4,500만 km 규모의 무인 화물 운송을 지탱하는 학습·추론 인프라를 드러냈다. 로컬 모델 실행을 겨냥한 Mac Studio M5 ULTRA와 에이전트용 웹 검색 색인·고객 경험 파이프라인도 같은 흐름에 놓였다.
𝕏 실시간 트렌드 토픽
📈 에이전트 하네스의 작업 점검과 장기 실행포스트 3
Hermes Agent와 Prime Agent가 별도 모델을 이용한 작업 점검과 장기 자율 실행 구조를 확장했다.
세부 내용 보기
- 에이전트가 생성한 결과를 한 번 내보내는 방식만으로는 긴 작업에서 오류를 잡기 어렵다는 맥락에서, Hermes Agent는 /review 호출 시 마지막 10개 메시지와 추가 프롬프트를 auxiliary model에 보내 별도 피드백을 받는 흐름을 채택했다. 이 구조는 주 에이전트가 끝낸 작업에 두 번째 판단을 덧붙이는 방식이며, 작성자는 review model을 따로 두자 PR 품질이 크게 좋아졌다고 전했다.
- Prime Agent는 coding과 장기 자율 작업을 위한 self-improving RLM harness로 소개됐으며, programmatic tool calling, 변수로 다루는 context, multi-agent messaging, 수정 가능한 harness state를 결합한다. 기술 보고서에 따르면 Factorio에서 Sonnet 5 trajectory를 7일간 실행하며 output token 2,340만 개, 완료 기술 24/196개, 다음 기술까지 71% 진척, subagent 633개, 동시 활성 에이전트 최대 7개를 기록했다.
- 두 사례는 에이전트 성능을 단일 응답의 정확도보다 작업 전후의 점검과 장시간 상태 유지로 평가하는 방향을 드러낸다. 한편 다른 설계 제안은 자동화와 위임만으로 에이전트를 묶지 않고, 인간·worker·firm·agent의 11가지 조합에 따라 협업 능력과 HCI, 조직행동까지 harness 설계의 문제로 다뤄야 한다고 짚었다.
원문 트윗 2개 보기
Teknium
My PRs to Hermes Agent have truly gotten a lot better because of this - I'd recommend everyone get a good model set for your review model and get a second opinion on your primary agent's completed work!
New in Hermes: You can now set a new auxiliary model for Review When you run /review, it'll take the last 10 messages and any prompt you put after review, and send a new subagent using that model tasks to review the work presented to it, and then send it's review back to the
Tanishq Mathew Abraham, Ph.D.
Looks like they have released their technical report. "Prime Agent: A Self-Improving RLM Harness" https:// arxiv.org/abs/2608.23552 The paper discusses a bit more about the design philosophy behind Prime Agent, particularly its role as an agent harness for long-horizon evaluation. There are a few additional results in here as well. For example, there are more details about their Factorio results, where they did seven-day Sonnet 5 trajectory with 23.4 million output tokens, 24/196 technologies completed, 71% progress toward the next technology, 633 subagents, maximum of 7 simultaneously active agents
Introducing Prime Agent: A self-improving RLM harness for coding and long-running autonomous tasks. Designed to be both token-efficient and expressive through programmatic tool calling, context as a variable, multi-agent messaging, and a self-modifiable harness state.
📈 Wan 3.0의 자료 기반 영상 제작 확장포스트 3
Wan 3.0이 기존 자료를 영상으로 바꾸고, Magnific과 Model Studio를 통해 길이·참조 이미지·오디오·프레이밍 선택지를 넓혔다.
세부 내용 보기
- 영상 제작을 처음부터 촬영하는 대신 기존 이미지와 자료를 변환하는 흐름이 커지는 가운데, Alibaba Cloud는 Wan 3.0을 자료를 조정하고 다듬어 영상으로 만드는 모델로 내세웠다. AtlasV의 Collart 플랫폼은 Wan 2.7을 상품·모델 사진에 연결해 전통적인 스튜디오 촬영 없이 확장 가능한 AI 영상을 만들었다.
- Magnific에 연결된 Wan 3.0은 개별 샷부터 전체 장면까지 생성하고, 30초 길이, 오디오 포함, 최대 20개 reference, pixel-level consistency, 1080p, 5개 비율 또는 adaptive framing을 지원한다. 사용자는 Model Studio와 Qwen Cloud 경로에서도 접근할 수 있다.
- Wan 3.0의 새 사례는 모델 자체의 생성 기능보다 기존 자산을 입력으로 받아 상품 영상과 장면 단위 콘텐츠로 변환하는 배포 경로에 초점이 있다. 이전 창에서 이어진 Wan 계열의 서비스 확장이 광고·패션 제작과 창작 도구 양쪽으로 연결된 모습이다.
원문 트윗 2개 보기
Alibaba Cloud
AI Spotlight returns with Wan3.0 Wan3.0 helps turn your existing material into videos you can shape, refine, and bring to life. Creating video no longer means starting from scratch. Check it out: Qwen Cloud: https:// click.qwencloud.com/m/20000002025/ Model Studio: https:// click.alibabacloud.com/m/20000002017/ #LetsWanIt #AlibabaCloud #Wan3 #QwenCloud #AISpotlight
Alibaba Cloud
Wan 3.0 is now on @magnific ! Experience cinematic quality with pixel-level consistency and native audio integration. From individual shots to full scenes, bring your story to life. #LetsWanIt Made for your next film. More API access： • Model Studio: https:// click.alibabacloud.com/m/20000002017/ • Qwen Cloud: https:// click.qwencloud.com/m/20000002025/
From individual shots to full scenes, here's Wan 3.0 → 30s generations, audio included → Up to 20 references → Pixel-level consistency → 1080p, five ratios or adaptive framing Standard, or Prime when you need it faster Up to 40% off Now on Magnific
➖ KargoBot의 L4 운송과 대규모 학습 인프라포스트 1
KargoBot이 20개가 넘는 간선 경로에서 4,500만 km를 주행하며, 학습·추론 클러스터와 캐시 기반 스토리지로 차량 규모를 뒷받침했다.
세부 내용 보기
- 화면 안에서 작동하는 소프트웨어 에이전트와 달리 40톤 트럭은 실패 비용이 즉시 발생하므로, 자율주행 에이전트의 배포에는 지속적인 데이터 처리와 안정적인 인프라가 필요하다. KargoBot은 100대 안팎의 무인 트럭으로 고속도로 4,500만 km를 주행했고, 20개가 넘는 간선 경로에서 L4 운행을 수행하며 14억 ton-kilometers의 화물을 운송했다.
- 차량 fleet에서 계속 들어오는 데이터를 처리하기 위해 학습·추론용 확장형 compute cluster, 앞단에 caching layer를 둔 object storage, 반복 실험 파이프라인을 묶는 TI-ONE ML platform을 사용한다. 데이터 저장소의 캐시가 입출력 대기를 줄이고, 플랫폼이 모델 반복 작업을 연결하는 구조다.
- 이 사례는 자율주행 모델의 품질만으로는 실제 fleet 확장을 설명하기 어렵고, 차량 운행에서 수집되는 데이터와 compute, storage, iteration pipeline이 함께 확장돼야 한다는 점을 수치로 드러낸다.
📈 로컬 모델 실행을 겨냥한 Mac Studio M5 ULTRA포스트 1
256GB RAM을 탑재한 새 Mac Studio M5 ULTRA가 로컬 모델 실행을 원하는 사용자를 위한 하드웨어로 부상했다.
세부 내용 보기
- 클라우드 호출 대신 개인 장비에서 모델을 실행하려는 흐름 속에서 새 Mac Studio M5 ULTRA가 256GB RAM 구성으로 출시됐다. 원문은 이 메모리 용량을 로컬 모델 실행을 원하는 사람들의 선택지로 연결한다.
- 이 장비는 대용량 RAM을 바탕으로 모델 파일과 실행 작업을 한 기기 안에서 처리하는 로컬 추론용 하드웨어로 언급됐다. 다만 원문에는 지원 모델, 처리량, 전력 소비 같은 구체적인 성능 수치가 제시되지 않았다.
- 이번 포스트의 근거는 256GB RAM 구성과 로컬 모델 실행 수요의 결합이다. 따라서 실제 성능 비교보다 로컬 실행을 위한 하드웨어 용량 확대라는 신호에 의미가 있다.
📈 에이전트용 웹 검색 색인과 실서비스 파이프라인포스트 2
Keenable은 에이전트를 위한 대규모 웹 검색 색인을 구축했고, LangChain과 LightningAI는 고객 경험·GTM 작업을 여러 에이전트의 운영 흐름으로 연결했다.
세부 내용 보기
- 에이전트가 외부 정보를 찾고 실제 업무를 수행하려면 모델 자체뿐 아니라 검색 데이터와 반복 가능한 운영 흐름이 필요하다. Keenable은 stealth mode를 벗어나며 2,600만 달러 seed round와 함께 AI agents를 위한 방대한 web search index를 구축해 왔다고 전해졌다.
- LangChain의 가이드는 Lyft, Fastweb + Vodafone, LATAMAirlines 사례를 바탕으로 customer experience agents를 초기 사용 사례에서 시간이 지날수록 개선되는 production system으로 옮기는 architecture와 결과를 모았다. LightningAI의 community studio template은 회사명을 입력받아 세 에이전트가 trigger event 탐색, contact 보강, outreach 작성 순서로 ranked outreach list를 만든다.
- 두 흐름은 에이전트를 단순한 자동화 호출이 아니라 검색 색인, 연락처 데이터, 단계별 실행과 결과 개선이 이어지는 시스템으로 배치한다. 고객 지원과 GTM처럼 입력 데이터가 계속 바뀌는 업무에서는 모델 선택보다 정보 공급과 파이프라인 연결이 운영 품질을 좌우하는 구조다.
원문 트윗 2개 보기
TechCrunch
Now exiting stealth mode with a $26 million seed round, Keenable has been building a vast web search index for AI agents.
Lightning AI
GTM research is often hours of tab-switching: hunting for trigger events, digging through career histories, drafting cold outreach one message at a time. This new community studio template creates a multi-agent GTM pipeline that turns company names into a ranked outreach list. Three agents find trigger events, enrich contacts, and write the outreach for you. Clone it, enter your API keys and you're up and running: https:// go.lightning.ai/4zAlYhV
용어 해설
- 에이전트 하네스(Agent Harness)
- — 장기 작업을 수행하는 에이전트의 도구 호출, 컨텍스트 전달, 다중 에이전트 통신과 상태 관리를 묶는 실행 구조입니다. 작업 흐름을 조정하고 반복 실행을 지원합니다.
- 장기 작업 평가(Long-Horizon Evaluation)
- — 에이전트가 짧은 응답이 아니라 여러 단계의 작업을 오랜 시간 동안 얼마나 안정적으로 수행하는지 측정하는 방식입니다. Factorio 같은 장기 과제가 사례로 쓰였습니다.
- L4 자율주행(L4)
- — 운전자가 개입하지 않아도 특정 운행 조건과 경로에서 차량이 주행을 맡는 자동화 수준입니다. KargoBot은 20개가 넘는 간선 운송 경로에서 L4 트럭을 운용합니다.
- 객체 스토리지(Object Storage)
- — 대규모 데이터를 객체 단위로 저장하는 인프라입니다. KargoBot 사례에서는 캐시 계층을 앞에 배치해 학습 작업이 입출력 지연으로 대기하지 않도록 구성했습니다.
- 다중 에이전트 파이프라인(Multi-Agent Pipeline)
- — 여러 에이전트가 서로 다른 단계를 나눠 처리하는 실행 흐름입니다. 회사명에서 출발해 이벤트 탐색, 연락처 보강, 아웃리치 문안 작성까지 순차적으로 수행합니다.
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.
