TL;DR
이번 포스트에서는 GPT-6 Astra의 낮은 reasoning effort가 GPT-5.6 Sol의 높은 설정을 웃돈다는 비교와, 게임·애니메이션·코드 생성·자율 조작 사례가 함께 확산됐다. GPT-6 Astra를 둘러싼 인프라 논의에서는 약 10만 개 이상의 NVIDIA Grace Blackwell NVLink72 학습과 AGI 도달이라는 Jensen Huang의 발언, 그리고 내부 coding-agent 비용 증가 주장이 묶였다. Qwen3.8-27B는 Kaggle TPU v5e-8에서 양자화 없이 BF16으로 실행되며 262k context를 처리한다는 실험 수치가 공유됐다. DeepSeek V4 Flash의 토큰 가격과 Hermes 인증 요구는 각각 추론 비용 하락과 새 모델 활용 역량 검증이라는 실무 쟁점을 드러냈다.
𝕏 실시간 트렌드 토픽
🔥 Astra의 낮은 추론 설정과 실행형 작업 확장포스트 8
GPT-6 Astra의 low reasoning effort가 GPT-5.6 Sol의 high 설정보다 나은 성능을 냈다는 비교와 함께 게임 조작, 애니메이션 제작, 코드 기반 장면 생성 사례가 묶였다.
세부 내용 보기
- GPT-6 Astra의 reasoning effort 설정을 둘러싸고 low가 GPT-5.6 Sol의 high보다 낫다는 사용 지침이 공유됐다. 같은 성능을 기대하던 사용자가 Astra에서 high를 유지할 필요가 줄어든다는 의미다.
- 게시물에 따르면 Astra는 Portal에서 방을 이동하고 퍼즐을 풀어 엔딩까지 도달했으며, GTA Vice City의 RC 헬리콥터 임무에서는 실시간 혼란을 pause-and-plan 제어로 바꿔 폭탄을 설치했지만 임무에는 실패했다. 입력된 게임 상태를 해석하고 행동 순서를 세우는 과정은 수행했지만 완전한 성공은 아니었다.
- self-analyze 프롬프트로 애니메이션 자기 초상화를 만들고, Vanilla JavaScript·HTML/CSS·WebGL/GLSL shaders를 사용한 ‘Journey into a Black Hole’ 장면을 생성했다는 사례도 나왔다. GPT-6 Astra의 활용 범위가 텍스트 응답을 넘어 코드와 시각 장면 생성으로 넓어졌다는 근거다.
Astra의 low 설정이 GPT-5.6 Sol의 high 설정보다 낫다는 비교와 Portal 자율 완료 사례는 추론 효율과 실행 능력의 동시 향상을 뒷받침한다.
GTA Vice City 임무에서는 pause-and-plan 제어를 사용했지만 최종적으로 실패했으므로, 게임 환경에서의 자율 실행을 완전한 문제 해결로 보기는 어렵다.
원문 트윗 2개 보기
Tibo
To calibrate you all on which reasoning effort to use for Astra, know that GPT-6 Astra on low performs better than GPT-5.6 Sol on high. If you were using high reasoning efforts with Sol and were happy, I suggest you move down to low or medium for Astra.
Md Ismail Šojal 🕷️
Wtf, GPT-6 Astra autonomously completed Portal navigating chambers, solving puzzles, and reaching the credits without human input.
And... GPT-6 Astra has autonomously completed Portal! I didn’t expect this to happen so soon, but I’m glad we've made so much progress here. I was reminded that back in 2016, one of OpenAI’s technical goals was to “solve a wide variety of games using a single agent.”
📈 Astra의 컴퓨트 규모와 AGI 도달 선언포스트 5
GPT-6 Astra의 학습 인프라, Test-time Compute 확장, 내부 coding-agent 사용량을 둘러싼 수치와 AGI 선언이 함께 퍼졌다.
세부 내용 보기
- Jensen Huang의 인용문은 GPT-6 Astra가 약 10만 개 이상의 NVIDIA Grace Blackwell NVLink72에서 학습됐고, 400K GPUs가 추가로 가동될 예정이라고 전했다. NVLink72는 대규모 GPU 연결을 통해 학습과 추론 시 계산량을 확장하는 인프라로 제시됐다.
- 다른 게시물은 OpenAI 내부 coding-agent 지출이 7월 12일부터 26일까지 중간값 기준 +87%, 상위 연구자 기준 +169% 증가했고 token output과 agent runtime이 각각 +33% 늘었다고 주장했다. 에이전트 사용량 확대와 비용 증가가 함께 나타나는 구조다.
- Jensen Huang의 “AGI has arrived” 발언이 여러 차례 재게시됐지만, 해당 문구 자체는 성능 측정 절차나 독립 검증 수치를 포함하지 않는다. 따라서 이번 포스트 묶음에서는 대규모 컴퓨트 투입과 선언이 함께 확산된 사실까지만 확인된다.
약 10만 개 이상의 NVLink72 기반 학습과 400K GPUs 추가 가동 계획은 Astra의 성능 확장을 대규모 컴퓨트와 연결한다.
“AGI has arrived”는 인용 발언으로 확산됐지만, 게시물 안에 독립적인 평가 기준이나 재현 가능한 검증 결과가 없어 선언만으로 능력을 확정하기 어렵다.
원문 트윗 2개 보기
Susan Zhang
hmmm, that's a funny typo... shoutout to nvlink, the key to scaling test-time-compute!
GPT-6 Astra, trained on ~100K+ NVIDIA Grace Blackwell NVLink72. From ChatGPT to o1 to Astra in 4 years. AGI has arrived. Congratulations @OpenAI team. 400K GPUs coming online next.
Md Ismail Šojal 🕷️
Jensen Huang said : “AGI has arrived”
GPT-6 Astra, trained on ~100K+ NVIDIA Grace Blackwell NVLink72. From ChatGPT to o1 to Astra in 4 years. AGI has arrived. Congratulations @OpenAI team. 400K GPUs coming online next.
📈 Qwen3.8-27B의 무료 Kaggle TPU 실행포스트 2
Qwen3.8-27B를 무료 Kaggle TPU에서 양자화 없이 BF16으로 구동하고, 작은 KV Cache를 이용해 262k context를 처리했다는 실행 레시피가 공유됐다.
세부 내용 보기
- 게시물은 Qwen3.8-27B를 무료 Kaggle TPU에서 full BF16으로 실행하며 약 130 tok/s decode, 10k tok/s prefill, native 262k context를 기록했다고 밝혔다. 측정 장비는 TPU v5e-8이며 OpenAI-compatible endpoint를 통해 Claude Code, Codex, OpenCode에 연결할 수 있다고 했다.
- 구조적 근거로 64개 레이어 중 48개가 gated-DeltaNet이라는 설명이 붙었다. 이 구성으로 KV Cache를 작게 유지해 양자화 없이 긴 문맥을 처리하고, 모델 서버를 무료 TPU 환경에 맞출 수 있다는 흐름이다.
- 제약도 함께 제시됐다. 무료 TPU 사용량은 주당 약 20시간, 세션은 9시간, cold start는 20분이며, 게시물은 정확한 실행 recipe가 @_ARahim_의 notebook에 있다고 밝혔다.
원문 트윗 2개 보기
Md Ismail Šojal 🕷️
You can now run Qwen3.8-27B in full BF16 on a free Kaggle TPU. - with about 130 tok/s decode, - 10k tok/s prefill, - Native 262k context. - No quantization. - No paid GPU. - Measured on TPU v5e-8 It also exposes an OpenAI-compatible endpoint, so it plugs into Claude Code, Codex, and OpenCode.
Md Ismail Šojal 🕷️
Why it works: Qwen3.8-27B is hybrid attention, because 48 of 64 layers are gated-DeltaNet. The KV cache stays tiny, so full BF16 + 262k context enough serve works on Kaggle’s TPU v5e-8. Limits to know: about 20 free TPU hours per week, 9-hour sessions, and a 20 minute cold start.If you want the exact recipe, the notebook is here from @_ARahim_ -
📈 추론 가격의 급락과 지능 비용의 재산정포스트 1
DeepSeek V4 Flash의 토큰 가격을 과거 가격대와 비교하며, premium-level reasoning의 단위 비용이 빠르게 낮아지고 있다는 주장이 나왔다.
세부 내용 보기
- 게시물은 1년 반 전 토큰 100만 개당 가격을 $150–$600으로 제시하고, 현재 DeepSeek V4 Flash의 가격을 입력 $0.05, 출력 $0.10으로 적었다. 입력·출력 토큰 단가를 직접 비교해 모델 사용 비용의 하락 폭을 부각한 방식이다.
- 이 수치는 reasoning capability를 더 많은 사용자가 구매할 수 있는 비용 구조로 바꿀 수 있다는 주장의 근거로 쓰였다. 다만 게시물에는 동일한 조건의 모델·품질·컨텍스트 비교나 출처 링크가 없어, 가격 변화 자체와 작성자의 해석을 구분해야 한다.
DeepSeek V4 Flash의 입력 $0.05·출력 $0.10 가격은 게시물이 제시한 과거 $150–$600보다 크게 낮아져 추론 비용 하락을 뒷받침한다.
게시물은 가격 수치는 제시했지만 동일 품질과 사용 조건을 맞춘 비교 자료를 제공하지 않아, capability cost의 실제 하락 폭은 추가 검증이 필요하다.
➖ Hermes 활용 역량 인증 요구포스트 1
Hermes의 빠른 발전과 기업 적용 사례를 배경으로, 사용자가 해당 시스템을 다룰 수 있음을 증명하는 NousResearch certification 요구가 제기됐다.
세부 내용 보기
- 인용된 게시물은 Hermes가 빠르게 발전하고 실제 기업에 적용되는 use case가 생기고 있으므로, Hermes를 다룰 줄 안다는 사실을 표시하는 NousResearch certification이 필요하다고 했다. 인증의 목적은 모델 활용 역량을 외부에서 판별할 수 있는 표식을 만드는 데 있다.
- Teknium은 이를 “school of Hermes”라는 짧은 문구로 받아쳤다. 구체적인 교육 과정이나 시험 방식은 게시물에 나오지 않았으므로, 이번 기간에 확인되는 변화는 인증·교육 체계에 대한 요구가 공개적으로 제기된 수준이다.
Hermes의 발전 속도와 기업 use case가 늘어난다면, 사용자 역량을 확인할 수 있는 NousResearch certification이 필요하다는 입장이다.
school of Hermes라는 반응은 나왔지만 인증 기준, 시험 절차, 운영 주체는 제시되지 않았다.
용어 해설
- 추론 시 계산량(Test-time Compute)
- — 모델이 답을 생성하는 시점에 추가 계산과 추론 단계를 투입하는 방식이다. 게시물에서는 NVLink가 Test-time Compute 확장을 뒷받침하는 연결 기술로 언급됐다.
- KV 캐시(KV Cache)
- — 생성 과정에서 이미 계산한 어텐션의 Key와 Value를 저장해 다음 토큰 처리에서 재사용하는 메모리 구조다. 저장량이 작을수록 긴 문맥과 빠른 추론에 유리하다.
- 게이트형 DeltaNet(gated-DeltaNet)
- — Qwen3.8-27B에서 64개 레이어 중 48개에 적용됐다고 게시된 구조다. 게시물은 이 구성이 KV Cache를 작게 유지해 긴 문맥과 BF16 실행을 가능하게 한다고 설명했다.
- bfloat16(BF16)
- — 모델 가중치와 계산에 쓰이는 16비트 부동소수점 형식이다. 게시물에서는 Qwen3.8-27B를 양자화 없이 BF16으로 실행하는 사례가 제시됐다.
- 코딩 에이전트(coding agent)
- — 코드 작성과 실행 같은 개발 작업을 모델이 연속적으로 수행하는 소프트웨어 구조다. 게시물은 OpenAI 내부 코딩 에이전트의 사용량과 실행 시간이 함께 증가했다고 전했다.
- NVLink72
- — NVIDIA GPU를 대규모로 연결하는 인터커넥트 구성이다. 인용된 게시물은 GPT-6 Astra가 약 10만 개 이상의 NVIDIA Grace Blackwell NVLink72에서 학습됐다고 밝혔다.
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.
