TL;DR
이번 기간에는 Wan3.0이 문서·PPT·PDF·URL·이미지 같은 입력을 30초 분량의 영상과 동기화된 오디오로 바꾸는 제작 흐름을 여러 서비스와 업무 영역으로 넓혔다. Qwen3.8-27B는 27B 파라미터로 Image-to-WebDev Arena 오픈 모델 1위와 전체 7위를 기록했으며, vLLM은 Ray Direct Transfer와 NIXL을 이용한 샤드 가중치 전송으로 Kimi K2 1T 파라미터 모델을 BF16 환경에서 7.53초에 옮겼다. 에이전트 쪽에서는 부분 생성 중 도구 호출을 먼저 실행하는 Speculative Tool Calling, 1,575개 에이전트의 코드베이스 인덱싱, 멀티유저 인증·메모리 하네스가 함께 부상했다. 카메라의 색상 복원 과정과 AI 기반 칩 설계 반복 속도에 관한 실무 관점도 이어졌다.
𝕏 실시간 트렌드 토픽
🔥 Wan3.0의 30초 영상 제작과 업무별 확산포스트 13
Wan3.0을 문서와 이미지에서 영상으로 변환하는 업무 흐름이 제품 마케팅·교육·데이터 스토리·워크플로 안내로 퍼졌다.
세부 내용 보기
- Wan3.0 관련 포스트가 여러 서비스와 사용 사례를 동시에 다뤘다. DOC·MD·URL·오디오와 이미지·비디오·오디오 참고 자료를 입력해 30초 워크플로 안내 영상을 만들고, PPT·PDF·DOC·Keynote는 내레이션이 포함된 1080P 수업 영상으로 변환하며, XLS·PPT·수치·분기 보고서는 음성 내레이션이 있는 30초 데이터 스토리로 처리한다.
- 제품 마케팅에서는 PPT·PDF·이미지·URL을 입력으로 받아 촬영 없이 대사와 사운드가 동기화된 네이티브 1080P 30초 제품 영상을 출력한다. Replicate에서는 동기화 오디오를 포함한 네이티브 30초 싱글테이크 생성이 제공되고, OiiOii AI와 ArtArchAI에서는 긴 생성 길이·장면 일관성·복수 레퍼런스가 핵심 기능으로 제시됐다.
- Wan3.0으로 만든 자동차 광고와 단편 드라마 사례가 공유됐고, 공식 런치 광고 제작 과정에서는 캐릭터별 시트와 프롬프트, 실패한 생성, 우회 방법까지 기록됐다. 단순 텍스트-비디오 생성보다 입력 자료를 구조화하고 캐릭터·장면 정보를 반복 유지하는 제작 절차가 결과 품질을 좌우하는 흐름이다.
원문 트윗 2개 보기
Alibaba Cloud
Wan3.0 for PRODUCT MARKETING Give Wan3.0 a PPT, PDF, image, or URL, and get back a cinematic 30-second product film in native 1080P, dialogue and sound generated in sync, no shoot required. Now generally available, so start creating with it. · Alibaba Cloud Model Studio: https:// click.alibabacloud.com/m/20000002017/ · Qwen Cloud: https:// click.qwencloud.com/m/20000002025/ #LetsWanIt #AlibabaCloud #Wan #QwenCloud
Wan
A full breakdown of a Wan3.0 launch ad — concept, character sheets, prompts, and even the failed generations. Honest, detailed, and packed with workflow tips. If you make videos with Wan3.0, don't miss this ↓
How I made the official Wan 3.0 launch ad. Full breakdown: the concept, the character sheets, the references, the prompts, the failed generations, and the workarounds. A few things I go into: Building a character sheet for every person before generating a single video, and
📈 Qwen3.8-27B의 Image-to-WebDev Arena 성적포스트 1
Qwen3.8-27B가 27B 파라미터로 Image-to-WebDev Arena 오픈 모델 1위와 전체 7위를 기록했다.
세부 내용 보기
- Qwen3.8-27B는 Image-to-WebDev Arena에서 오픈 모델 가운데 1위, 전체 순위 7위에 올랐다. Arena.ai 포스트의 수치로는 1,574점을 기록했으며, 입력 토큰 100만 개당 0.40달러와 출력 토큰 100만 개당 3달러 가격이 함께 제시됐다.
- 포스트는 27B 파라미터 모델의 성능이 파라미터 규모가 100배인 모델과 대등하다고 평가했다. 이 사례의 핵심은 모델 크기를 키우는 대신 웹 개발 결과물 평가에서 비용과 성능의 경계를 다시 설정하려는 접근이다.
➖ Grok Bot과 QwenWork의 업무 라우팅 에이전트포스트 5
개인 업무에서는 Grok Bot이 예산과 취향을 반영해 가구 선택을 반복 처리했고, 기업용 제품에서는 QwenWork가 웹 앱·문서·리서치·이미지·비디오 작업을 한 공간으로 묶었다.
세부 내용 보기
- Grok Bot에 Chief of Staff 프롬프트를 넣어 전문 봇을 직접 실행하지 않고 업무를 라우팅하는 구조가 공유됐다. 이 프롬프트는 TEAM.md에 담당 업무를 기록하고, 출처가 없는 사실을 사용자에게 전달하지 않으며, 게시·이메일·지출처럼 되돌리기 어려운 작업은 먼저 허가를 받도록 흐름을 제한한다.
- 가구 구매 사례에서는 예산과 아이를 위한 용도에 맞춰 가구를 고른 뒤, 외관과 예산을 바꾸며 결과를 반복 조정했다. 입력 조건을 한 번 처리하고 끝내는 대신 사용자의 수정 요청을 같은 작업 흐름에 계속 반영하는 방식이다.
- QwenWork International은 웹 앱·문서·리서치·이미지·비디오를 처리하는 공개 베타 업무 공간으로 제시됐다. Alibaba Cloud는 Qwen을 실행·Fine-tuning·배포할 수 있는 오픈 웨이트 모델 계열과 제어면으로 묶는 Build와 Buy 병행 전략도 함께 내놓았다.
원문 트윗 2개 보기
Min Choi
PROMPT: You are my Chief of Staff. I only talk to you. You run every bot I add. You do not do specialist work. You route it. Rules: - Quiet hours 12am–6am ET unless I say urgent. - Keep a living TEAM.md of who does what. - Nothing reaches me until it is sourced. No unverified facts. - Ask before you post, email, spend, or do anything I cannot undo. - Results over proposals. - Self-improve: each week score who shipped, not vibes. Propose at most one change to a lane, a routine, or this prompt. I approve. Then write it into TEAM.md. Keep what compounded. Kill idle overlap. First task: 1. Learn everything useful about me and how I work. 2. Audit the current bots. 3. Design the highest-leverage team I should have. 4. Propose the first 3-5 routines that will compound
Alibaba Cloud
QwenWork International is LIVE One workspace. Every frontier model. An AI agent that actually does the work — web apps, docs, research, images, video & more. Now in public beta → https:// click.alibabacloud.com/m/20000002764/ #AIagent #QwenWork
📈 에이전트의 도구 호출·가중치 전송·검증 루프 단축포스트 4
에이전트와 학습 시스템이 다음 작업을 기다리는 시간을 줄이기 위해 부분 생성 중 도구를 실행하고, 대규모 가중치를 샤드 단위로 전송하며, 실행 결과를 자동 검증하는 흐름이 이어졌다.
세부 내용 보기
- Speculative Tool Calling은 LLM이 코드를 끝까지 생성한 뒤 도구를 호출하는 순서를 바꾼다. 부분 생성에서 예측 가능한 도구 호출을 먼저 실행하고, Shadow REPL이 의존성을 추적해 안전성을 유지하므로 코드 생성과 도구 실행의 대기 구간을 겹친다.
- vLLM과 SkyRL의 네이티브 샤드 가중치 전송 엔진은 Ray Direct Transfer와 NIXL을 결합해 대규모 가중치를 옮긴다. Kimi K2 1T 파라미터 모델의 BF16 가중치를 48개 환경에서 7.53초에 전송했으며, Ray 기반 trainer는 하나의 WeightSource iterator로 이 엔진을 채택할 수 있다.
- Jido 2.0 기반 구조는 1,575개 에이전트로 코드베이스를 7초에 인덱싱하는 사례를 내놓았다. 별도 포스트에서는 검증 시스템과 정확한 지시를 갖추면 AI가 복잡한 소프트웨어를 생성한 뒤 작동할 때까지 계속 다듬을 수 있다는 관점이 공유돼, 생성보다 실행·검증 루프의 설계가 중요해지는 방향을 가리켰다.
원문 트윗 2개 보기
alex zhang
alphaXiv had this up day 1, they now support blogs! https:// alphaxiv.org/abs/2608.spec- ptc …
“Speculative Programmatic Tool Calling” Code agents waste time waiting for the LLM to finish generating code before tool calls can start. So this paper speculatively executes predictable tool calls from partial generations, while a shadow REPL tracks dependencies safely. This
vLLM
This weight transfer engine is native to vLLM. Any Ray-based trainer can adopt it with a single WeightSource iterator. Great work here! https:// vllm.ai/blog/2026-08-2 2-rdt-weight-transfer …
Excited to share our work on large-scale sharded weight transfer! We’ve implemented a native sharded weight transfer engine in vLLM and SkyRL using Ray Direct Transfer (RDT) + NIXL. We’re able to achieve weight transfer for Kimi K2 (1T params) in BF16 in 7.53 seconds on 48
➖ AI 칩 설계와 빠른 반복 루프포스트 2
프런티어 연구소가 코딩에서 칩 설계까지 이동하는 배경으로 AI 자체보다 도구를 통한 반복 속도 향상이 거론됐다.
세부 내용 보기
- AI를 칩 설계에 활용하는 흐름이 저평가됐다는 포스트와 함께, OpenAI가 칩 팀을 작게 유지하고 AI를 개선 루프에 투입하기로 했다는 인용이 공유됐다. 하드웨어를 실제 반복 과정에 연결하는 Hardware-in-the-loop RSI 가능성이 질문 형태로 제기됐다.
- 다른 포스트는 도메인 지식에서 시작하지 않아도 도구가 시행착오와 개선의 횟수를 크게 늘리면 코딩부터 칩 설계까지 이동할 수 있다고 설명했다. 짧은 시간 안에 더 많은 실험·오류 수정·개선 주기를 수행하는 도구 구성이 도메인 확장의 기반으로 묘사됐다.
원문 트윗 2개 보기
Greg Brockman
ai for chip design is underrated
OpenAI decided to keep the chip team small and use AI for a an improvement loop Early stages of Hardware in the loop RSI?
Yun-Ta Tsai
The reason a frontier lab can move into so many domains—from coding to chip design—isn’t that it begins with deep domain knowledge. It’s that the tools it builds let it iterate orders of magnitude faster, with almost no friction. Those tools effectively warp the spacetime of progress itself. In that curved frame, a single week of Earth time can contain more cycles of trial, error, and refinement than most humans experience in years—time dilation in reverse.
➖ 디지털 카메라의 색상 복원과 계산 사진포스트 2
디지털 카메라 센서는 픽셀마다 RGB 중 한 색만 측정하고, 나머지 색상은 Demosaicing으로 보간한다는 원리가 공유됐다.
세부 내용 보기
- 카메라 센서가 사진의 모든 색상을 직접 기록한다는 통념과 달리, 각 픽셀은 빨강·초록·파랑 중 하나만 포착한다. 원시 캡처에서는 색상의 3분의 2가 빠져 있으며, 소프트웨어가 주변 측정값을 보간해 완성된 색을 만든다.
- Demosaicing은 센서 입력을 최종 사진으로 바꾸는 처리 단계다. 따라서 센서는 완성된 사진 자체가 아니라 사진을 만들기 위한 원재료를 측정하며, 계산 사진은 이 누락된 색상 정보를 소프트웨어로 복원하는 구조에 기반한다.
원문 트윗 2개 보기
Peyman Milanfar
Is every pixel in a photo from your phone's camera "real"? This debate misses a fundamental fact about how digital cameras have always worked: the camera sensor only captures ONE color (red, green, or blue) per pixel. The rest are made up in a process called demosaicing. 1/2
Peyman Milanfar
Fully 2/3 of the colors are missing in the raw capture, and are interpolated. You don’t notice the "made-up" colors because the software does a great job. And this is the core of computational photography: the sensor measures not the photo; but the raw material for creating it.
용어 해설
- 추측적 도구 호출(Speculative Tool Calling)
- — LLM이 코드를 완전히 생성할 때까지 기다리지 않고, 부분적으로 생성된 내용에서 다음 도구 호출을 예측해 먼저 실행하는 방식입니다. Shadow REPL이 의존성을 추적해 잘못된 실행을 걸러내며 에이전트의 대기 시간을 줄입니다.
- Ray Direct Transfer
- — Ray 기반 학습기 사이에서 대규모 모델 가중치를 직접 전달하는 전송 방식입니다. vLLM과 SkyRL은 NIXL을 결합해 샤드 단위로 가중치를 옮기며, Kimi K2의 1T 파라미터 가중치를 BF16으로 48개 환경에서 7.53초에 전송했습니다.
- 디모자이킹(Demosaicing)
- — 디지털 카메라 센서가 각 픽셀에서 한 가지 색상만 측정한 뒤, 주변 픽셀 정보를 보간해 RGB 이미지를 복원하는 처리 과정입니다. 원시 촬영 데이터의 나머지 색상은 소프트웨어가 계산해 채웁니다.
- Image-to-WebDev Arena
- — 이미지를 웹 개발 결과물로 변환하는 모델의 성능을 비교하는 평가 영역입니다. Qwen3.8-27B는 이 영역에서 오픈 모델 1위, 전체 7위를 기록했고 27B 파라미터로 1,574점을 얻었습니다.
- 멀티유저 에이전트 하네스(Multiplayer Agent Harness)
- — 여러 사용자가 같은 스레드에서 에이전트를 이용할 때 필요한 인증과 메모리 같은 실행 기반을 뜻합니다. Deepagents는 단일 사용자용 구조에서 여러 사용자를 수용하는 하네스로 범위를 넓히는 단계에 들어섰습니다.
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.
