TL;DR
이번 기간에는 GPT-6 Astra의 사용량 초기화와 spectrogram 기반 sound identification, 약물 작용 시각화 사례가 함께 확산됐습니다. 에이전트 연구에서는 MCP와 Agent2Agent가 연결성을 높여도 권한 위임의 신뢰성까지 보장하지 않는다는 평가가 나왔습니다. 4B급 로컬 모델은 1 full attention과 3 SWA layers, native 1M context를 결합해 8GB 환경 실행과 SWE-Bench Pro 44.4를 내세웠고, GLM-5.3 flash는 GPT-5.6 terra와 같은 지능 지수에서 task 비용 82% 절감을 기록했습니다. 한 번의 프롬프트로 Hanoi 배경의 point-and-click adventure를 제작하는 Zenith 사례와 기내 Starlink 연결도 새 제품·서비스 적용 사례로 묶였습니다.
𝕏 실시간 트렌드 토픽
🔥 GPT-6 Astra 사용량 초기화와 과학·음향 시각화 활용포스트 4
GPT-6 Astra 관련 포스트가 유료 구독 사용량 초기화 소식과 3D modeling, spectrogram sound identification, 약물 작용 시각화 사례를 한데 묶었습니다. 반복 사용을 촉진하는 운영 변화와 실제 작업 사례가 동시에 나타났습니다.
세부 내용 보기
- 유료 구독자가 Blender에서 3D modeling 작업으로 사용량을 모두 소진한 상황에서, 운영 측은 당일 6pm PST에 전체 유료 구독 사용량을 초기화한다고 알렸습니다. 사용량을 다시 채우는 조치가 작업 중단을 줄이는 직접적인 경로가 되며, 포스트에는 주간 업무 시작을 앞둔 시점이라는 맥락도 함께 담겼습니다.
- Astra는 spectrogram을 입력으로 받아 sound identification에 활용됐고, 별도 사례에서는 cell model을 바탕으로 Ozempic 작용 메커니즘을 시각화하고 설명하는 흐름에 쓰였습니다. 입력 자료를 시각적 작업으로 넘기는 사용 방식이 제시됐지만, 처리 시간과 정확도 수치는 원문에 없습니다.
- GPT-6 Astra를 활용한 약물 작용 시각화 사례는 cell model에서 메커니즘 설명으로 이어지는 결과물을 만들었고, spectrogram 사례는 음향 식별이라는 다른 출력으로 확장됐습니다. 사용량 초기화와 작업 사례가 함께 묶이면서 Astra의 반복 사용성과 적용 범위를 드러내는 흐름이 됐습니다.
원문 트윗 2개 보기
Tibo
Never gonna give you up Never gonna let you down Never gonna run around and desert you Never gonna make you cry Never gonna say goodbye Never gonna tell a lie and hurt you Thanks for reading. We will do a global reset of the usage for all paid subscriptions so that you can keep enjoying Astra after burning through all of it doing fun 3D modeling in blender. The work week is about to start. Lands around 6pm PST today.
Greg Brockman
Astra for visualizing how a drug works:
Yesterday, I built a cell model. 🧬 Today, it showed me how Ozempic works. I asked it to explain the mechanism. 1 hour later... THIS. 🤯 GPT-6 Astra is insanely powerful. 🚀 I can’t stop @DeryaTR_ @gdb Now I’m wondering... can it model the rentosertib mechanism? 👀
➖ 에이전트의 행동 권한과 신뢰성 검증포스트 1
에이전트형 AI를 모델 역량, 실행 하네스, 실제 배포 권한으로 나눠 평가해야 한다는 연구가 공유됐습니다. MCP와 Agent2Agent의 상호운용성 향상만으로는 완수, 복구, 권한 부여, 독립 검증의 신뢰성을 확보하기 어렵다는 결론입니다.
세부 내용 보기
- 에이전트형 AI 연구는 그동안 하나로 묶이던 model competence, harness integration, deployment authority를 분리합니다. 위임된 권한, 시간적 지속성, 환경 결합도를 기준으로 각 요소를 따로 평가해 모델·하네스·환경 중 어느 층에서 결과가 발생했는지 구분하는 구조입니다.
- 논문에서 검토한 연구들은 행동 인터페이스 확장에 관한 근거를 robust completion, recovery, authorization, independent verification보다 더 강하게 뒷받침했습니다. MCP와 Agent2Agent는 시스템 간 연결을 높이지만, 권한 위임이 신뢰할 만하다는 증거를 직접 제공하지는 않습니다.
- 여러 에이전트를 조직하면 specialization을 얻는 대신 비용과 상관된 실패가 함께 커집니다. 따라서 도구 연결 수를 늘리는 방식보다, 누가 어떤 권한으로 어떤 환경에서 행동했는지와 결과를 독립적으로 확인하는 절차가 핵심 검증 지점이 됩니다.
MCP와 Agent2Agent의 상호운용성 향상은 행동 인터페이스를 넓히지만, 에이전트의 robust completion·recovery·authorization·independent verification을 보장하지 않습니다.
📈 한 번의 프롬프트로 완성하는 Hanoi 어드벤처 게임포스트 2
Zenith가 Hanoi의 평범한 하루를 배경으로 한 point-and-click adventure를 한 번의 프롬프트에서 playable site로 제작한 사례가 공유됐습니다. II-Factory가 프레임 생성, 코드 작성, 클립 확인을 이어 붙인 제작 흐름의 사례입니다.
세부 내용 보기
- 입력은 Hanoi에서 보내는 평범한 하루를 소재로 한 단일 프롬프트였고, 출력은 플레이 가능한 point-and-click adventure 웹사이트였습니다. 제작 과정은 II-Factory 안에서 모든 프레임 생성, 코드 작성, 클립 확인, 배포 순서로 이어졌습니다.
- 프레임에는 Seedream 5 Pro와 MiniMax Hailuo H3가 사용됐고, Zenith는 생성된 장면을 코드와 결합해 실행 가능한 사이트로 넘겼습니다. 원문은 각 모델의 개별 기여도나 생성 시간, 품질 평가 수치를 제시하지 않습니다.
- 이 사례는 이미지·영상 생성과 코드 작성·검사를 한 제작 흐름에 결합해 게임 형태의 결과물로 출력했다는 점에 의미가 있습니다. 제작자가 별도 단계마다 도구를 전환하기보다 하나의 프롬프트에서 playable site까지 연결하는 작업 구조를 보여줍니다.
원문 트윗 2개 보기
Build With II
We gave Zenith one prompt: build a point-and-click adventure about an ordinary day in Hanoi 🇻🇳 It generated every frame through II-Factory (Seedream 5 Pro + MiniMax Hailuo H3), wrote the code, checked the clips, and shipped a playable site. Try Zenith: https:// zenith.ii.inc
Emad
Make your own point and click adventure dynamically Bit crazy what we can do now, looking forward to more global games
We gave Zenith one prompt: build a point-and-click adventure about an ordinary day in Hanoi 🇻🇳 It generated every frame through II-Factory (Seedream 5 Pro + MiniMax Hailuo H3), wrote the code, checked the clips, and shipped a playable site. Try Zenith:
📈 8GB에서 실행되는 4B 모델의 혼합 Attention 설계포스트 1
4B 모델이 8GB 환경에서 실행되며 SWE-Bench Pro 44.4와 τ³-bench 30.4를 기록했다는 포스트가 나왔습니다. 1 full attention과 3 SWA layers, native 1M context를 결합해 긴 문맥의 전체 Attention 비용을 줄이는 설계가 핵심입니다.
세부 내용 보기
- 4B 모델은 로컬 8GB 환경 실행과 200+ languages, agent·coding stack 지원을 함께 내세웠고, SWE-Bench Pro 44.4와 τ³-bench 30.4를 기록했습니다. 더 큰 Qwen3.5-9B보다 GPQA/HLE 점수는 낮다고 적혀 있어 모든 평가에서 우위라는 뜻은 아닙니다.
- 구조는 1 full attention 뒤에 3 SWA layers를 배치하고 native 1M context를 지원합니다. 모든 층에서 full attention을 수행하지 않아 KV가 크게 늘어나는 현상을 줄이고, 긴 문맥을 유지하면서 full-attn tax를 각 층마다 부담하지 않는 처리 경로입니다.
- MCP-Atlas 54.6, BrowseComp 40.9, SWE-Multilingual 53.3도 함께 제시됐으며 Codex·Claude Code·Hermes style의 agent·coding stack이 언급됐습니다. 8GB에서 실행 가능한 크기와 긴 문맥, 코딩·에이전트 평가를 한 묶음으로 내세운 점이 로컬 모델 선택 기준을 넓힙니다.
➖ 같은 지능 지수에서 82% 낮아진 task 비용포스트 1
GLM-5.3 flash와 GPT-5.6 terra가 Artificial Analysis의 intelligence index에서 같은 점수를 기록했다는 비교가 공유됐습니다. GLM-5.3 flash는 task당 비용이 82% 낮아 비용 대비 성능을 전면에 둔 사례입니다.
세부 내용 보기
- 비교 대상은 GLM-5.3 flash와 GPT-5.6 terra이며, 두 모델은 Artificial Analysis의 intelligence index에서 같은 점수를 기록했습니다. 같은 지수 결과를 기준으로 모델 간 비용 차이를 비교하는 구조입니다.
- GLM-5.3 flash는 GPT-5.6 terra와 동일한 지수 점수에서 task 비용 82% 절감을 기록했습니다. 원문에는 두 모델의 절대 비용, 평가 항목별 점수, 처리량 또는 지연 시간은 없습니다.
- 이 비교는 최고 점수 경쟁보다 동일한 지능 지수에서 작업 단가를 낮추는 선택지를 부각합니다. 실제 도입 판단에서는 지수 점수와 함께 task별 비용을 함께 보는 기준이 됩니다.
➖ Attention 구조와 새 벤치마크 설계의 재평가포스트 2
Self-attention부터 FlashAttention, GQA, MLA까지 여러 Attention 명칭을 정리한 게시물과 HumanEval 이후에도 더 나은 벤치마크를 만들 수 있다는 의견이 함께 나왔습니다. 구조 이름을 구분하고 평가 기준을 새로 설계하는 실무적 관심이 이어졌습니다.
세부 내용 보기
- 정리된 목록에는 Self-attention, Cross-attention, Causal attention, Linear Attention, Sliding Window, Global attention, FlashAttention, MHA, MQA, GQA, MLA, IHA, Slim Attention, KArAt, XAttention, MoDA가 포함됐습니다. 각 명칭을 익혀 연구소가 실제 architecture를 제시하는지 memory trick을 포장하는지 구분하자는 목적입니다.
- HumanEval이 주목받던 시기 이후에도 Bamboogle 같은 벤치마크가 만들어졌고, 더 우수하고 간결하며 어려운 평가 기준은 아직 설계할 수 있다는 의견이 나왔습니다. 좋은 벤치마크를 만드는 일이 AI를 인간에게 더 유용하게 이끄는 방법이라는 관점입니다.
- Attention 목록은 모델 내부 계산 방식을 구별하는 입력이고, 벤치마크 설계는 모델 결과를 비교하는 평가 장치입니다. 둘을 함께 보면 새 architecture의 이름만 소비하지 않고 실제 성능과 유용성을 어떤 기준으로 확인할지에 초점을 맞출 수 있습니다.
새롭고 더 나은 벤치마크를 계속 설계할 수 있으며, 좋은 평가 기준이 AI의 인간 대상 유용성을 높이는 핵심 수단이라는 입장입니다.
원문 트윗 2개 보기
Md Ismail Šojal 🕷️
16 attention mechanisms every LLM nerd should know. - Self-attention - Cross-attention - Causal attention - Linear Attention - Softmax attention - Sliding Window (local attention) - Global attention - FlashAttention - Multi-Head Attention (MHA) - Multi-Query Attention (MQA) - Grouped-Query Attention (GQA) - Multi-Head Latent Attention (MLA) - Interleaved Head Attention (IHA) - & Slim Attention, - KArAt, XAttention, - Mixture-of-Depths Attention (MoDA) Learn the names so you can tell when a lab is selling architecture vs selling a memory trick.
now people think there's just no way to create good new benchmarks. but there is, and it'll look obvious once we find them. it's getting harder but it's still possible. and i think that creating good benchmarks is the best way to advance ai towards being more useful for humans
➖ 30,000피트 상공 Austrian Airlines의 Starlink 연결포스트 1
Starlink가 Austrian Airlines 기내에서 빠르고 안정적인 연결을 제공하기 시작했다는 서비스 소식입니다. 승객은 30,000피트 상공에서도 streaming, scrolling, surfing을 이어갈 수 있는 환경을 얻습니다.
세부 내용 보기
- Starlink 연결이 Austrian Airlines 항공기 안에 제공되며, 대상 환경은 30,000 feet 상공의 기내입니다. 항공기 내 승객이 네트워크에 접속해 stream, scroll, surf를 수행하는 사용 장면이 제시됐습니다.
- 서비스의 입력은 기내 승객의 인터넷 접속 요청이고, Starlink 네트워크가 이를 기내 연결로 전달해 streaming·scrolling·surfing 결과를 제공합니다. 원문에는 실제 속도, 지연 시간, 적용 항공기 수 또는 서비스 요금이 없습니다.
- 위성 연결이 항공기 이동 중 사용 환경으로 확장되면서 Starlink의 적용 장소가 지상 고정 위치에서 기내로 넓어졌습니다. 다만 Austrian Airlines 노선별 적용 범위나 품질 비교는 원문에 제시되지 않았습니다.
용어 해설
- 위임된 권한(Delegated Authority)
- — 에이전트가 외부 시스템에서 어떤 행동까지 수행할 수 있도록 배정받았는지를 뜻합니다. 권한 범위가 넓어질수록 작업 실행력은 커지지만 승인, 복구, 독립 검증의 부담도 함께 커집니다.
- 시간적 지속성(Temporal Persistence)
- — 에이전트가 한 번의 응답을 넘어 얼마나 오래 상태와 목표를 유지하며 행동하는지를 가리킵니다. 지속 시간이 길어질수록 이전 행동의 결과가 다음 단계와 연결됩니다.
- 환경 결합도(Environmental Coupling)
- — 에이전트의 행동이 외부 환경의 상태 변화와 얼마나 밀접하게 연결되는지를 나타냅니다. 환경 결합도가 높으면 모델 출력만으로 결과를 평가하기 어렵고 실제 상호작용의 검증이 필요합니다.
- 슬라이딩 윈도 어텐션(Sliding Window Attention)
- — 각 토큰이 전체 시퀀스가 아니라 인접한 일정 범위의 토큰만 참조하도록 제한하는 Attention 방식입니다. 긴 문맥에서 모든 층의 전체 Attention 비용을 줄이는 데 쓰입니다.
- KV 캐시(KV Cache)
- — 언어 모델이 이전 토큰의 Key와 Value를 저장해 다음 토큰 생성에서 같은 계산을 반복하지 않도록 하는 메모리 구조입니다. 저장량은 문맥 길이와 Attention 방식의 영향을 받습니다.
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.
