TL;DR
이번 기간에는 동일한 Transformer layer를 반복 실행해 저장 공간을 유지하면서 계산 깊이를 늘리는 Looped Transformer가 Astra 관련 화제와 함께 다시 부각됐습니다. 기업용 AI는 문서·슬라이드·웹 페이지를 한곳에서 만드는 QwenWork, 실행 가능한 Agentic Control Plane, agent 보안처럼 생성보다 업무 실행과 운영 기반에 초점이 맞춰졌습니다. RAG를 production으로 옮길 때는 vector index·대화 상태·문서를 replica 외부에 영속화해야 하며, LangGraph와 Postgres·pgvector·object storage 조합이 사례로 제시됐습니다. 동시에 4GB GPU Fine-tuning, 8GB 로컬 실행, Code Arena 순위 같은 소형·로컬 모델 활용 신호와 AI 생성 코드의 검토 방식 변화에 관한 실무 관점이 함께 나타났습니다.
𝕏 실시간 트렌드 토픽
📈 Astra 화제와 Looped Transformer 구조포스트 1
Astra의 정체를 둘러싼 화제에서 출발해 Nanbeige 4.2의 반복형 layer stack과 token별 재귀 깊이 조절 방식이 비교됐습니다.
세부 내용 보기
- Astra가 ‘recurrent depth 또는 looped transformer’라는 설명과 함께 화제가 됐지만, 원문에서는 이 표현이 Nanbeige 4.2에 이미 쓰인 구조와 같은 계열인지 구분해야 한다는 맥락이 제기됐습니다. Looped Transformer는 Transformer block의 동일한 layer stack을 재사용해 parameter를 복제하지 않고 계산 깊이를 늘리는 방식입니다.
- Nanbeige 4.2는 22-layer stack을 한 번 더 통과시켜 실질적으로 44-layer처럼 계산하면서도 embedding·output layer를 제외한 가중치 저장 규모를 늘리지 않습니다. 대신 입력 token이 거의 두 배의 layer를 거치므로 compute 비용은 거의 두 배가 되고, 기술 보고서에서는 두 pass가 표준 구조의 token efficiency 약 75%를 유지하는 절충점으로 제시됐습니다.
- NeurIPS의 ‘Mixture-of-recursions’는 learned router가 token마다 한 번, 두 번 또는 그 이상 pass를 받을지 정하도록 확장합니다. 쉬운 token은 일찍 빠져나가고 어려운 token에 추가 계산을 배정하지만, 더 많은 pass는 gains가 작고 training 속도와 비용을 크게 높일 수 있다는 점이 함께 언급됐습니다.
- 동일 layer 재사용만으로 visible chain-of-thought가 억제되는 것은 아니며, 다음 token 출력 전 hidden state에서 계산이 늘어나는 구조에 가깝습니다. 다만 recurrent pass가 많아지면 중간 reasoning token을 적게 생성하고 읽을 수 없는 latent activation에 계산을 더 배정할 가능성이 있어, 대규모 모델 확장과 비슷한 현상이 나타날 수 있다는 해석이 제시됐습니다.
Looped Transformer는 동일 layer를 재사용하는 작은 architectural tweak이므로 Astra의 핵심 비밀이나 chain-of-thought 억제 기술로 단정하기 어렵다는 입장입니다.
반복 pass가 hidden state 계산을 늘려 중간 reasoning token을 줄일 가능성은 있지만, Astra에 실제로 적용됐는지는 공개 정보만으로 확정하기 어렵다는 입장입니다.
➖ 조언형 Agent에서 실행형 업무 플랫폼으로포스트 4
AI Agent를 실제 업무 시스템에 연결하려는 제품과 운영 논의가 이어지며, 통합 데이터 계층·보안·멀티툴 접근성이 핵심 조건으로 떠올랐습니다.
세부 내용 보기
- QwenWork는 brief를 finished document·slide·web page로 바꾸고 image·audio·video 생성까지 한곳에서 처리하는 productivity platform으로 소개됐습니다. 보고서와 복잡한 spreadsheet를 처리한 뒤 polished deck을 만들도록 묶어, 사용자가 여러 AI 도구 사이를 오가는 단계를 줄이는 구성을 취합니다.
- Snowflake 포스트는 많은 enterprise agent가 여전히 advisory mode에 머물러 실행하지 못한다고 짚고, unified semantics에 44.5%, zero-copy storage에 35%의 기업이 투자하고 있다고 전했습니다. 이 기반을 Agentic Control Plane으로 묶어 chatbot이 아니라 기업 데이터와 작업 흐름에 연결된 실행 계층을 만들려는 방향입니다.
- Docker가 인용한 보안 논의에서는 laptop의 agent가 company files와 연결된 모든 system에 접근하는 상황을 ‘wild west’로 표현했습니다. agent 도입이 개인별 설정에 머물면 접근 권한과 연결 자산이 분산되므로, 실행 능력 확대와 함께 agent security를 별도 운영 문제로 다뤄야 한다는 맥락입니다.
- Slack은 keynote에서 Agentic Enterprise를 내세우고 Express·Premiere·Acrobat을 Slack 안에서 이용할 수 있다고 전했습니다. 업무 도구를 한 인터페이스에 연결하는 제품 흐름과, agent가 실제로 실행할 수 있도록 데이터 의미 체계와 권한 경계를 갖추려는 운영 흐름이 같은 방향을 가리킵니다.
원문 트윗 2개 보기
Alibaba Cloud
QwenWork is now live — the all-in-one AI productivity platform built for global teams. It turns briefs into finished documents, slides, and web pages — and generates images, audio, and video in one place, so your team members don't jump between AI tools. Analyze data reports, process complex spreadsheets, and let AI deliver polished decks while you focus on the work that matters. Take your team and give it a try — let AI take care of the repetitive, time-consuming work . : https:// click.alibabacloud.com/m/20000003003/ #QwenWork #AI #AIAgent
Snowflake
Most AI agents are stuck in advisory mode; they can't execute. But the tide is turning: 44.5% of enterprises are investing in unified semantics, 35% in zero-copy storage. They're building an Agentic Control Plane, not just chatbots. Along with @TheFuturumGroup , we mapped the 4 pillars to bridge the gap. https:// bit.ly/4yajMfz
➖ 멀티 replica 환경의 production RAG포스트 1
로컬에서 작동하던 RAG chatbot이 replica를 늘린 뒤 대화와 검색 결과를 잃는 원인을 짚고, 상태·embedding·문서의 외부 영속화를 배포 조건으로 묶었습니다.
세부 내용 보기
- 단일 process에서는 vector index가 메모리 변수이고 conversation history가 Python list이며 documents가 local disk에 있어 restart 때 빠르게 다시 만들 수 있습니다. 그러나 load balancer 뒤에 3 replicas를 두면 index가 재시작 중 사라지고, 대화가 특정 replica에만 남으며, 각 container가 서로 다른 문서 corpus를 가질 수 있어 follow-up 답변과 검색 결과가 악화됩니다.
- production RAG에서는 vector index를 모든 replica가 접근하는 persistent store에 두고, conversation state를 application 외부에 checkpoint하며, documents를 shared object storage에 보관해야 합니다. 사례에서는 Postgres의 pgvector가 embedding을 기존 데이터와 함께 저장하고, LangGraph가 Postgres에 상태를 기록하며, object storage가 replica별 중복 ingestion을 막는 구조로 연결됐습니다.
- Akamai의 rag-langgraph-k8s-quickstart는 FastAPI·LangChain·LangGraph 기반 airline policy Q&A assistant에 Terraform으로 LKE cluster, embedding용 pgvector Postgres, LangGraph checkpoint용 별도 Postgres, policy document용 object storage bucket을 한 번에 구성합니다. 이 세 저장 계층이 공유되면 notebook에서 작성한 retrieval logic을 배포 구조에서도 그대로 사용할 수 있다는 점이 핵심입니다.
- 같은 자료의 akamai-workshop-ai-inference는 API 호출 대신 모델을 직접 운영하는 다음 단계로 prefill·decode, KV cache trade-off, real concurrency에서의 continuous batching을 다룹니다. 다만 원문은 저장 계층을 갖추는 것만으로 충분하지 않고, chunk를 독립적인 의미 단위로 취급하는 초기 RAG 설계 자체도 실패 원인이 될 수 있다고 덧붙였습니다.
📈 소형 모델의 로컬 실행과 비교 경쟁포스트 4
Qwen3.8-Max-0902의 Code Arena 순위와 4GB·8GB 장비에서의 모델 실행 사례가 맞물리며, 고성능 모델을 직접 운용하려는 흐름이 이어졌습니다.
세부 내용 보기
- Qwen3.8-Max-0902는 Code Arena WebDev에서 1691점으로 전체 1위에 올랐고, Claude Opus 5(Max)보다 3점, Kimi K3(Max)보다 17점, 이전 Qwen3.8-Max보다 22점 높았다는 수치가 인용됐습니다. blended 가격은 $5/MToken으로 제시돼 성능 순위와 비용을 함께 비교하는 근거가 됐습니다.
- Soup은 frozen 8B weights를 RAM에 두고 decoder layer를 한 번에 하나씩 GPU로 streaming해 4GB 미만의 Peak VRAM으로 local Fine-tuning을 수행합니다. RTX 3050에서 3.32GB peak와 119.6 tok/s를 기록했고 normal run과 bit-exact하다고 전해져, 전체 가중치를 GPU에 올리지 않는 메모리 절약 방식의 사례가 됐습니다.
- Qwyt hos-9B-Claude-Mythos-5-1M-GGUF는 1M context, native tool calling, YaRN, Claude Mythos·Fable traces 기반 SFT를 내세우며 8GB에서 local 실행된다고 소개됐습니다. base 대비 MMLU +34, GSM8K-strict +30이라는 주장이 함께 제시됐지만, 포스트 자체가 전한 claim이므로 독립 검증된 benchmark 결과와는 구분해야 합니다.
- DeepSeek-V4-Flash-Vision-Exp의 local 실행 사례에서는 1M-context multimodal, MoE experts·routers·MTP heads 검증, 33 tensors guardrail edit와 33 attention output writers가 언급됐습니다. 모델 구조 일부를 직접 수정하거나 검증한 배포 사례가 이어지면서, 로컬 운용 관심이 단순 다운로드를 넘어 weight·tensor 수준의 조정으로 넓어지는 양상입니다.
원문 트윗 2개 보기
Md Ismail Šojal
Claude Fable 5.1 drop today, Then Qwen3.8-Max Beats Claude Opus 5, Fable 5,GPT-5.6 Sol and it fit on your home in 4090
Big news: Qwen3.8-Max-0902 by @Alibaba_Qwen just debuted at #1 overall in the Code Arena: WebDev with 1691 pts! It scores 3 pts above Claude Opus 5 (Max), 17 pts above Kimi K3 (Max), and 22 pts above the previous Qwen3.8-Max. Priced at a blended $5/MToken, Qwen3.8-Max-0902 also x.com/Alibaba_Qwen/s…
Md Ismail Šojal
You can Fine-tune Ai model locally on a 4 GB laptop GPU Soup keeps the frozen 8B weights in RAM and streams one decoder layer into the GPU at a time, Peak VRAM stays under 4 GB. Bit-exact against a normal run. - 119.6 tok/s at 3.32 GB peak on an RTX 3050. - a single YAML file. - http:// github.com/MakazhanAlpamy s/Soup …
📈 AI 생성 코드의 검토 한계포스트 1
자동 생성 코드가 무한히 늘어나는 환경에서는 모든 줄을 사람이 읽는 기존 review 방식이 유지되기 어렵다는 실무 관점이 나왔습니다.
세부 내용 보기
- 코드를 직접 작성했거나 양이 manageable할 때는 사람이 읽고 검토할 수 있지만, 작성자가 다르고 양이 많아지면 같은 방식이 작동하지 않는다는 구분입니다. AI가 자동으로 생성하는 코드가 거의 무한하고 저렴해질수록, code 자체는 사람에게 낮은 bandwidth의 검토 대상이 된다는 문제의식이 제기됐습니다.
- 이 관점은 코드 생성 능력의 향상만으로 끝나지 않고, 사람이 무엇을 읽고 어떤 단위에서 신뢰성을 확인할지 바꿔야 한다는 흐름으로 이어집니다. 원문은 1~2년 안에 AI-generated code의 모든 줄을 수동으로 읽지 않게 될 것이라고 전망했지만, 대체될 검증 절차나 구체적인 도구는 제시하지 않았습니다.
AI-generated code의 양이 급격히 늘면 작성자가 아닌 사람이 모든 줄을 읽는 방식은 처리 한계에 도달한다는 입장입니다.
용어 해설
- 반복형 Transformer(Looped Transformer)
- — Transformer의 동일한 layer stack을 여러 번 재사용해 가중치 수를 늘리지 않고 계산 깊이를 확장하는 구조입니다. 저장 공간은 유지하면서 추가 pass마다 연산량이 증가하고, token별로 반복 횟수를 조절하는 방식으로 계산을 배분할 수 있습니다.
- 잠재 활성값(Latent Activation)
- — 모델이 다음 token을 출력하기 전에 내부 hidden state에서 수행하는 계산 결과입니다. 텍스트로 직접 읽히는 중간 추론 token과 달리 외부에 문자열로 노출되지 않으며, 반복 계산이 늘어날수록 이 내부 표현에 더 많은 연산이 배정될 수 있습니다.
- 검색 증강 생성(RAG)
- — 질문과 관련된 외부 문서를 검색한 뒤 그 내용을 모델 입력에 결합해 답변을 생성하는 방식입니다. 운영 환경에서는 검색 로직뿐 아니라 embedding을 저장하는 vector index, 대화 상태, 원문 문서를 여러 replica가 함께 읽고 쓰도록 구성해야 합니다.
- 벡터 저장소(Vector Store)
- — 문서나 문장을 embedding 벡터로 저장하고 유사도 검색을 수행하는 저장 계층입니다. 여러 replica가 동일한 검색 결과를 사용하려면 메모리 변수 대신 영속 저장소로 운영해야 하며, 원문에서는 Postgres 내부의 pgvector 구성이 사례로 제시됐습니다.
- 에이전트 제어 평면(Agentic Control Plane)
- — 대화형 답변에 머물지 않고 기업 데이터와 시스템에 접근해 작업을 실행하는 agent 운영 계층입니다. 통합 semantics와 zero-copy storage 같은 기반을 묶어 agent가 조언만 하는 상태에서 실제 실행 단계로 넘어가도록 구성합니다.
- 연속 배칭(Continuous Batching)
- — 동시에 들어오는 요청의 진행 상태를 기준으로 새 요청을 유연하게 배치에 편입하는 추론 방식입니다. 원문에서는 직접 모델을 운영할 때 prefill, decode, KV cache trade-off와 함께 실제 동시성 환경의 핵심 주제로 언급됐습니다.
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.