본문으로 건너뛰기
X (Twitter)조회 2

재귀형 에이전트 확장, LLM 캐시 계층화, 코드 기반 그림 학습과 Qwen 성능 경쟁

재귀형 서브에이전트의 저장소 정리, LLM serving 캐시 계층, 공개형 그림 생성 학습과 Qwen 평가

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

TL;DR

이번 기간에는 Hermes Agent가 재귀형 서브에이전트를 대규모로 병렬 실행해 저장소의 코드 37만 5천 줄을 줄인 사례가 가장 큰 기술 흐름을 형성했습니다. LLM serving에서는 KV cache, Prefix Caching, Prompt Caching, Semantic Caching을 나눠 비용과 지연을 줄이는 구조가 정리됐고, 각 캐시가 토큰 일치와 의미 유사도 중 무엇을 기준으로 삼는지가 핵심 차이로 나타났습니다. 공개형 실험에서는 trl과 openenv를 사용한 코드 기반 그림 생성 학습의 환경·모델·데이터셋이 공개됐으며, Stanford의 AI 에이전트 공학 강좌와 Qwen 모델의 Arena 성과가 후속 흐름을 이었습니다. Alibaba Cloud의 보안·행사 홍보와 단순 반응성 포스트는 기술 밀도가 낮아 제외했습니다.

𝕏 실시간 트렌드 토픽

🔥 Hermes Agent의 재귀형 서브에이전트 1,320개 실행포스트 3

Hermes Agent가 하나의 목표로 저장소를 정리하는 동안 최대 약 120개의 서브에이전트를 운용하고, 각 에이전트의 추가 생성까지 허용해 약 15시간 동안 코드 37만 5천 줄을 줄였습니다. 후속 포스트에서는 이 실행이 동시 서브에이전트 확장성 개선으로 이어졌다고 밝혔습니다.

세부 내용 보기
  • Hermes Agent 저장소 정리 작업은 단일 데스크톱에서 약 15시간 지속됐고, 코드 단순화·통합·최적화·삭제를 한 목표 아래 묶어 37만 5천 줄을 줄이는 결과로 이어졌습니다. 작업을 한 개의 에이전트가 순차 처리한 것이 아니라 약 120개 규모의 서브에이전트 묶음과 15개씩 세 번의 실행을 병행하고, 각 서브에이전트가 다시 하위 에이전트를 생성하는 재귀 구조를 사용한 점이 핵심입니다.
  • 서브에이전트가 하위 서브에이전트를 계속 생성하도록 허용하면서 총 1,320개가 세션에 참여했고, 단일 데스크톱이 이 부하를 처리했습니다. 원문은 최신 세대 모델과 Hermes Agent의 한계를 시험한 사례로 제시하며, 후속 실행에서 동시 서브에이전트의 확장성 최적화가 이미 발생했다고 밝혔습니다.
원문 트윗 2개 보기

📈 LLM serving의 네 가지 캐시와 토큰 재계산 절감포스트 1

LLM serving에서 반복되는 프롬프트 처리를 줄이는 계층으로 KV cache, Prefix Caching, Prompt Caching, Semantic Caching이 구분됐습니다. 앞의 세 방식은 정확한 토큰 재사용에 기반하고, Semantic Caching은 임베딩 유사도로 저장 답변을 반환해 출력 토큰까지 건너뛰지만 오매칭 위험을 가집니다.

세부 내용 보기
  • 에이전트 루프에서는 이전 턴에 이미 처리한 텍스트가 프롬프트의 큰 부분을 차지하므로 매번 전체 입력을 프리필하면 첫 토큰까지의 시간과 입력 비용이 반복됩니다. KV cache는 활성 요청의 각 층에서 토큰별 Key·Value 텐서를 보존하고, Prefix Caching은 서버에 이를 남겨 다음 요청이 같은 접두부를 다시 계산하지 않게 합니다.
  • vLLM의 Prefix Caching은 KV 텐서를 16토큰 블록으로 저장하고 이전 블록의 해시를 다음 블록 해시에 연결합니다. 스케줄러는 처음 불일치한 블록에서 멈춘 뒤 그 지점 이후의 접미부만 프리필하므로, 앞부분이 정확히 같은 요청에서 재계산 범위를 줄입니다.
  • Prompt Caching은 제공업체 하드웨어에서 같은 재사용을 수행하며, 원문에 따르면 Anthropic은 캐시 항목 작성에 기본 입력 요금의 1.25배, 읽기에 0.1배를 부과합니다. Semantic Caching은 입력을 임베딩하고 저장 프롬프트와 유사도를 검색해 임계값을 넘으면 저장 답변을 바로 반환하므로 출력 토큰도 절약하지만, 캐시 미스에도 임베딩 왕복 비용이 발생하고 의미가 다른 요청을 잘못 연결할 수 있습니다.
  • transformers library는 보존 가능한 KV 벡터 객체를 제공하므로 별도 serving stack 없이 한 번 프리필한 말뭉치의 텐서를 유지하고 약 10줄의 코드로 질의에 재사용할 수 있다고 원문은 설명합니다. 네 캐시는 모두 같은 방식으로 작동하지 않으며, 정확한 토큰 재사용과 의미 기반 답변 대체를 구분해야 비용 절감과 오답 위험을 함께 판단할 수 있습니다.
원문 트윗 1개 보기

Avi Chawla

@_avichawla

1일 전

Four caches in LLM serving, clearly explained: Every LLM request reads the whole prompt and computes attention state for every token in it. This step is called prefill, and it impacts both the input bill and the time before the first token appears. In an agent loop, most of the prompt comprises text that the model already processed in the previous turn. There are four cache layers that prevent paying for the processed tokens at each turn. ↳ The KV cache holds the key and value tensors for every token at every layer, for one active request. ↳ Prefix caching keeps those tensors on the server instead. vLLM stores them in 16-token blocks and identifies each block by a hash that chains in the previous block's hash, so a block only matches if everything before it matched too. The scheduler stops at the first miss and prefills the suffix from there. ↳ Prompt caching is the same reuse that runs on a provider's hardware, with a price sheet attached. Anthropic charges 1.25x the base input rate to write an entry and 0.1x to read it. ↳ Semantic caching works differently. It embeds the incoming prompt, runs a similarity search over stored prompts, and returns a stored answer outright when the score is above a threshold. That's why it saves output tokens as well as input tokens. It's also why every request pays for an embedding round trip, including every miss. The first three match on exact tokens and cannot change what the model produces. This technique matches on similarity, which means it is quite susceptible to generating a wrong response since embeddings may match to a wrong prompt. The diagram below depicts all these techniques. To use these techniques, you don't need to build a custom serving stack. The transformers library already implements the cache as an object of KV vectors that you can preserve, so you can prefill a corpus once, retain the returned tensors, and reuse them across queries in about ten lines. And this KV cache is only one of four separate caching layers in an LLM stack. The other three are prefix caching on the server, prompt caching billed by a provider, and a semantic cache that skips the model entirely. I wrote a full breakdown of all four caches in LLM serving that you should know as an AI engineer, with code for each. Read it below.

💬 2 1 3👁 313

📈 trl·openenv 기반 코드로 그림 그리기 학습 공개포스트 1

Sergio Paniego가 trl과 openenv를 사용해 직접 학습한 그림 생성 실험의 전체 기록을 공개했습니다. 환경, 사람이 평가한 데이터 풀, 세 번의 실행 결과, 생성된 그림과 함께 코드·모델·데이터셋·RL 환경을 공개하는 형태입니다.

세부 내용 보기
  • 기존 포스트에서 예고한 코드 기반 그림 생성 학습의 후속 기록으로, 실험에 사용한 환경과 사람이 점수를 매긴 풀, 세 번의 실행 및 각 실행에서 나온 그림이 공개됐습니다. 결과만 공유한 것이 아니라 재현에 필요한 코드, 모델, 데이터셋, RL 환경까지 공개 아티팩트로 묶은 점이 실험의 범위를 구성합니다.
  • 학습 파이프라인은 trl과 openenv를 사용하고, RL 환경 안에서 그림 생성 작업을 수행하도록 구성됐습니다. 원문은 입력 데이터와 평가 풀, 실행 결과, 생성물의 관계를 세부적으로 풀어 쓴 문서로 연결하며, 각 구성 요소를 직접 열어볼 수 있는 공개 방식에 초점을 둡니다.
원문 트윗 1개 보기

📈 Stanford CS329Z AI 에이전트 공학 강좌포스트 1

Stanford에서 이번 가을 CS329Z ‘Engineering AI Agents’ 강좌가 처음 운영됩니다. 강좌는 AI 에이전트를 처음부터 구축하는 내용을 중심으로 하며 Diyi Yang, Michael Ryan, Jyang Ballin이 가르칩니다.

세부 내용 보기
  • Stanford의 새 강좌 CS329Z는 AI 에이전트를 처음부터 구축하는 과정을 교육 내용으로 삼습니다. 강좌를 처음 개설하는 시점이 이번 가을로 제시됐고, Stanford AI Lab과 강좌 담당자들이 실무적인 에이전트 공학 학습 경로로 알렸습니다.
  • 강좌를 맡은 인물은 Diyi Yang, Michael Ryan, Jyang Ballin으로 명시됐습니다. 원문은 이들이 AI 에이전트 분야를 깊이 알고 가르치는 사람이라고 소개하며, 에이전트 구축을 모델 사용법이 아니라 공학 과정으로 학습하는 흐름을 담았습니다.
원문 트윗 1개 보기

📈 Qwen3.8 계열의 규모 대비 성능과 Arena 순위포스트 2

Qwen3.8-27B와 Qwen3.8-Max-0902가 Arena 평가 흐름에서 다뤄졌고, Alibaba Cloud는 Qwen 모델 규모가 2.4T 파라미터부터 27B까지 이어진다고 알렸습니다. 후속 포스트에서는 2.4T 파라미터 모델이 WebDev 부문 1위와 여러 카테고리 선두를 기록했다고 밝혔습니다.

세부 내용 보기
  • Arena.ai가 Qwen3.8-Max-0902를 Arena에 올린 직후 Qwen3.8-27B를 먼저 평가한 흐름이 공유됐습니다. Qwen3.8-27B는 원문에서 Alibaba의 소형 오픈소스 모델로 표현됐고, 기술 평가 영상과 함께 다뤄져 대규모 모델과 작은 공개 모델을 같은 평가 맥락에 놓았습니다.
  • Alibaba Cloud는 Qwen 모델이 2.4T 파라미터에서 27B까지 여러 규모로 제공된다고 밝혔습니다. 이어진 포스트는 2.4T 파라미터 모델이 WebDev에서 1위를 차지하고 여러 카테고리에서 선두를 기록했다고 전하며, 복잡한 코딩과 다단계 워크플로 성능을 근거로 들었습니다.
원문 트윗 2개 보기

방위 AI의 회복력과 핵 억지 역사포스트 1

SakanaAILabs가 방위 AI에 필요한 회복력의 의미와 핵 억지의 역사가 AI 거버넌스에 주는 시사점을 다룬 인터뷰를 알렸습니다. 세부 내용은 YouTube 본편으로 연결됩니다.

세부 내용 보기
  • 원문은 방위 AI에서 회복력(resilience)이 왜 필요한지, 핵 억지의 역사에서 AI 거버넌스가 무엇을 배울 수 있는지를 하나의 인터뷰 주제로 묶습니다. 구체적인 정책이나 기술 수치는 포스트에 없으며, 본편 영상이 추가 맥락을 제공하는 자료로 연결됐습니다.
원문 트윗 1개 보기

용어 해설

재귀형 서브에이전트(Recursive Subagents)
서브에이전트가 다시 자신의 서브에이전트를 생성하는 계층적 실행 방식입니다. 단일 목표를 여러 단계의 작업으로 분해하고 동시 실행 규모를 키우는 데 쓰이지만, 자원 관리와 종료 조건이 중요합니다.
프리필(Prefill)
LLM이 입력 프롬프트의 토큰을 먼저 읽고 각 층의 Attention 상태를 계산하는 처리 단계입니다. 첫 토큰이 나오기 전 지연과 입력 토큰 비용에 영향을 주며, 캐시를 쓰면 이미 처리한 접두부의 재계산을 줄일 수 있습니다.
KV 캐시(KV Cache)
각 토큰의 Key·Value 텐서를 모델의 각 층에 저장해 활성 요청의 이전 문맥을 재사용하는 메모리 구조입니다. 같은 요청의 다음 턴에서 이미 계산한 Attention 상태를 다시 쓰므로 프리필 계산을 줄입니다.
프리픽스 캐싱(Prefix Caching)
서버가 여러 요청에서 반복되는 프롬프트 접두부의 KV 텐서를 보관하는 방식입니다. vLLM은 텐서를 16토큰 블록으로 나누고 앞 블록의 해시를 연결해 일치 구간을 찾은 뒤, 처음 불일치한 지점부터 나머지를 프리필합니다.
시맨틱 캐싱(Semantic Caching)
새 프롬프트를 임베딩한 뒤 저장된 프롬프트와 유사도를 비교하고, 임계값을 넘으면 모델을 호출하지 않고 저장된 답변을 반환하는 방식입니다. 입력 토큰뿐 아니라 출력 토큰도 줄이지만, 잘못된 프롬프트 매칭으로 오답이 나올 위험이 있습니다.
테스트 시점 연산(Test-Time Compute)
모델 파라미터를 새로 학습하지 않고 추론 시점의 연산량이나 반복 시간을 늘려 목표 수행을 시도하는 접근입니다. 원문에서는 같은 파라미터를 반복 사용하고 기계가 더 오래 계산하는 방식과 관련해 제기됐습니다.
AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 09. 03.수집 2026. 09. 03.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.