TL;DR
이번 기간에는 Coding Agent의 코드베이스 기여를 추적하는 Git AI의 OpenAI 합류, ChatGPT Sites 500만 개 돌파와 데스크톱·이미지·Voice 기능 업데이트가 함께 나타났습니다. AgentZip 논문은 여러 에이전트 샌드박스의 템플릿·형제 샌드박스 간 중복 페이지를 압축해 메모리를 최대 8.7배 줄이는 방식을 제시했고, 추론 엔진 내부에서는 KV·Prefix Caching, Continuous Batching, Paged Attention, Chunked Prefill이 핵심 처리 단계로 다뤄졌습니다. GPT-Live-1의 동시 청취·발화와 Muse Spark의 업무 자동화 사례는 에이전트와 Voice 기능이 실제 작업 흐름으로 확장되는 양상을 드러냈습니다. 한편 AI가 수학 연구와 인간의 이해를 보완해야 하는지, 안전성 진척과 사고 사례를 외부에 공개해야 하는지를 둘러싼 발언도 이어졌습니다.
𝕏 실시간 트렌드 토픽
📈 Git AI 팀의 OpenAI 합류와 Codex 작업 가시화포스트 2
Git AI 팀이 OpenAI에 합류하면서 Coding Agent가 코드베이스에 기여한 내용을 개발자와 기업이 확인하는 오픈소스 도구의 확장이 예고됐습니다. 관련 포스트는 Git AI의 오픈소스 운영 지속과 Codex 작업 효과의 가시화를 함께 전했습니다.
세부 내용 보기
- Git AI 팀은 개발자가 Coding Agent의 코드베이스 기여를 이해하도록 돕는 오픈소스 도구를 만들었고, OpenAI 합류 뒤에도 Git AI를 오픈소스로 유지할 계획이라고 밝혔습니다. 도구가 에이전트의 변경 내역과 작업 기여를 어떤 방식으로 산출하는지는 원문에 구체적으로 적혀 있지 않지만, 기업이 개인과 팀의 문제 해결 과정에서 Codex가 만든 차이를 확인하는 용도를 겨냥했습니다.
- 두 포스트는 같은 합류와 오픈소스 투자 소식을 전했으며, 각각 389개·234개의 좋아요와 122개·60개의 답글을 기록했습니다. 반복된 발표가 개발 도구의 코드 기여 추적과 기업용 가시성에 초점을 맞췄다는 점이 이번 토픽의 핵심입니다.
원문 트윗 2개 보기
Tibo
Excited to welcome Aidan & @ Sasha from the Git AI team to OpenAI! They are building in the open and have developed an open-source tool that helps developers understand how coding agents contribute to their codebase. Together, we’ll make it easier for businesses to see where Codex is making a difference when working through problems for individuals and teams. We’ll also keep Git AI open source and continue investing in it.
Tibo
Excited to welcome @Aidan & @Sasha from the @Git AI team to OpenAI! They are building in the open and have developed an open-source tool that helps developers understand how coding agents contribute to their codebase. Together, we’ll make it easier for businesses to see where Codex is making a difference when working through problems for individuals and teams. We’ll also keep Git AI open source and continue investing in it.
🔥 ChatGPT Sites 500만 개와 데스크톱 기능 확장포스트 3
ChatGPT Sites가 500만 개를 넘긴 가운데 데스크톱의 Pet·Mini, 이미지 편집, 파일 공유, 위치 기반 답변, Voice 기능이 함께 업데이트됐습니다. 기능들은 대화 접근성과 파일 협업, 입력 이해, 음성 응답을 각각 개선하는 방향으로 묶였습니다.
세부 내용 보기
- ChatGPT Sites는 사용자가 기능형 인터랙티브 웹 앱을 만들고 호스팅하는 서비스로 소개됐으며, 출시 후 500만 개 이상의 사이트가 생성됐습니다. 데스크톱 앱에서는 Pet에서 새 채팅을 시작하거나 화면을 덜 차지하는 Mini를 선택할 수 있도록 해 대화 접근 경로를 바꿨습니다.
- ChatGPT Images는 더 빠른 처리와 정밀한 편집, 복잡한 지시 이해를 목표로 업데이트됐고, 생성한 문서·발표 자료·스프레드시트에는 이메일별 보기·편집 권한 공유가 추가됐습니다. 사용자 동의가 있으면 위치를 답변에 활용하며, Voice의 높은 지능 옵션에서는 GPT-6 Astra를 사용할 수 있지만 원문은 느린 응답을 함께 알렸습니다.
- Sites 관련 포스트는 500만 개 생성 수치를 전했고, 기능 업데이트 포스트는 이미지·iOS·파일·위치·Voice를 한 번에 묶었습니다. 각각의 수치와 기능은 ChatGPT가 단일 채팅 제품에서 웹 앱 제작과 파일 협업, 음성 인터페이스까지 사용 범위를 넓히는 흐름을 뒷받침합니다.
원문 트윗 2개 보기
Greg Brockman
5M ChatGPT sites, and new feature drops:
Three months ago, we launched ChatGPT Sites – an easy way for anyone to build and host fully functional, interactive web apps. Since then, people have created over 5M sites. We’ve been listening to your feedback and ICYMI, we’ve launched a few Sites updates: Build together:
Adam Fry
This week's ChatGPT feature drop - Sept 11: 1/ We upgraded ChatGPT Images: it's much faster, more precise at edits, and better at understanding complex instructions. It's remarkable how much people love generating images, and it's only accelerating! 2/ Two fun features on the iOS app: when you send a message, the animation is faster and smoother. You can also pull down from anywhere in the conversation to start a new chat. 3/ When ChatGPT creates a file for you – a note, a document, a presentation or a spreadsheet – it's now much easier to share it. You can give other email addresses view or edit rights, and they'll see those files in their ChatGPT Library. 4/ We've improved 'location' use in answers (with user permission). A few weeks ago we improved the use of time in answers. Now, "what events are happening in my neighborhood" should be a lot better. 5/ Voice got smarter - When you select the 'higher intelligence' options in Voice, you can now use GPT-6 Astra, our latest frontier model. Warning, it's slow, but it's the best intelligence, hands-free. We're making answers better, and making the app much easier to use!
📈 고병렬 Agent Sandbox의 중복 메모리 압축포스트 1
AgentZip 논문은 RL·평가 작업에서 동시에 실행되는 샌드박스들이 같은 템플릿과 유사한 궤적을 공유한다는 점을 이용해 메모리를 최대 8.7배 줄였습니다. 압축 작업을 에이전트의 LLM 대기 시간에 배치하고 복원 시 페이지를 미리 가져와 실행 지연을 3.1배에서 1.40배로 낮췄습니다.
세부 내용 보기
- 여러 Agent Sandbox가 병렬로 실행되면 각 환경의 페이지 상당수가 템플릿 또는 다른 샌드박스와 중복되어 메모리 용량이 병목이 됩니다. HKUST 연구진은 페이지의 76~96%에서 템플릿 상대 또는 샌드박스 간 중복을 측정했습니다.
- AgentZip은 페이지를 공통 템플릿과 형제 샌드박스에 각각 대조해 동일하지 않아도 유사한 페이지를 압축합니다. 에이전트가 LLM 응답을 기다리는 동안 비용이 큰 압축을 수행하고, 복원 단계에서는 페이지를 Prefetch해 계산 재개 지연을 줄입니다.
- 샌드박스 소유 메모리는 최대 8.7배 감소했으며, Linux 설정의 2.1배보다 큰 절감 폭이 기록됐습니다. 공격적인 압축만 적용하면 실행이 3.1배 느려졌지만 Scheduling과 Prefetching을 결합한 뒤 slowdown은 1.40배로 낮아져, 높은 병렬성을 유지하는 메모리 관리의 근거가 마련됐습니다.
➖ 추론 엔진의 요청 처리 파이프라인포스트 1
한 발표 자료가 요청 수신부터 출력 생성과 Agentic Loop까지 추론 엔진의 전체 수명 주기를 다루며 KV·Prefix Caching, Continuous Batching, Paged Attention, Chunked Prefill, Sampling을 핵심 단계로 묶었습니다. 모델 자체보다 요청 처리 구조와 메모리·배치 관리에 초점을 둔 기술 토픽입니다.
세부 내용 보기
- 추론 엔진은 요청을 받아 모델 계산과 Sampling을 거쳐 결과를 반환하고, 에이전트 작업에서는 다시 도구 호출과 다음 요청으로 이어지는 Agentic Loop를 처리합니다. 발표 자료는 이 End-to-End 흐름 안에서 캐시, 배치, Attention 메모리, Prefill 분할이 어떤 위치를 차지하는지 설명하는 구성을 취했습니다.
- KV와 Prefix Caching은 이전 계산 결과를 재사용하고, Continuous Batching은 실행 중인 요청 사이에 새 요청을 넣으며, Paged Attention은 KV 캐시를 페이지 단위로 관리합니다. Chunked Prefill은 긴 입력 계산을 나눠 다른 요청의 처리와 함께 스케줄링하고, Sampling은 최종 토큰 선택을 담당합니다.
- 포스트에는 성능 수치나 특정 엔진 이름은 없지만, 요청 하나의 생애를 기준으로 추론 시스템을 설명하는 전체 발표 슬라이드가 공개됐습니다. 모델 품질만이 아니라 캐시 재사용과 요청 스케줄링, 에이전트 반복 실행이 실제 처리량과 지연을 좌우한다는 관점을 담았습니다.
➖ AI가 수학과 인간의 이해에 미치는 영향포스트 6
Fields Medal 수상자들의 AI 관련 선언을 계기로 AI가 수학 문제를 대신 푸는 방향과 인간의 이해를 넓히는 보조 수단 사이의 긴장이 부각됐습니다. 발언들은 AI의 수학 접근성 확대 가능성과 인간 판단·목표 지정·장기적 취향의 중요성을 함께 다뤘습니다.
세부 내용 보기
- 관련 포스트들은 25명의 Fields Medal 수상자가 AI 기업과 수학 공동체 사이의 불일치를 경고했다는 인용과, AI가 수학을 수백만 명에게 열어줄 수 있다는 반론을 함께 전했습니다. 일부 발언은 AI가 증명을 대신 수행하는 것보다 인간의 이해를 발전시키는 방식으로 쓰여야 한다는 기준을 제시했습니다.
- Thinking Machines 관련 인용에서는 모델이 발전하고 스스로 개선되더라도 지저분한 현실 과제를 다루는 법을 가르치고, 장기적으로 무엇이 작동하는지 판단하며, 실제로 원하는 목표를 지정하는 일이 인간의 몫으로 남는다고 했습니다. 이 흐름은 모델 성능 자체보다 목표 설정과 판단의 질을 핵심 문제로 놓습니다.
- Math and AI 선언을 따라 일일 블로그를 시작하거나 수학의 미래를 다루겠다는 포스트가 이어졌고, 한 포스트는 AI가 모든 수학 문제를 풀면 은퇴하고 소설을 쓰겠다는 Fields Medal 수상자의 발언을 전했습니다. 원문 포스트들의 반응 규모는 대체로 작았지만, AI를 연구 가속 도구로 쓸지 인간의 이해를 대체할지에 대한 가치 판단이 반복됐습니다.
AI가 수학 연구의 진입 장벽을 낮추고 더 많은 사람에게 수학적 탐구를 열 수 있다는 입장입니다. 연구 가속과 이해 증진을 위한 보조 도구로 활용할 여지도 함께 인정합니다.
AI가 증명과 이해를 통째로 대신하면 인간이 세계를 깊이 이해하려는 과정이 약해질 수 있다는 입장입니다. AI 사용의 기준을 인간 이해를 보완하는 방향에 두어야 한다고 봅니다.
모델이 발전해도 현실 문제를 다루는 판단, 장기적 취향, 목표 지정은 별도의 인간 역량으로 남는다는 관점입니다. AI 활용 여부보다 무엇을 맡기고 무엇을 직접 이해할지의 경계 설정에 초점을 둡니다.
원문 트윗 2개 보기
Jerry Liu
There's something deeply philosophical about the importance of human understanding in a world where most work is done by AI. Terence Tao's whole point in the letter isn't that AI is universally bad, but that it should be used in a way that complements the advancement of human understanding rather than doing work (like solving math proofs) for its own sake. You can obviously use AI to help accelerate research and understanding, but the point here is that you also don't have to in order to get things done. As someone who's largely optimistic about AI, I don't have concrete opinions on this matter yet, but I empathize with the broader question of how deeply humans should strive to understand the world vs. fully offloading it to others.
Twenty-five Fields Medal winners have published a joint declaration warning about what they see as a severe misalignment between AI companies and the mathematics community.
Mira Murati
An important conversation about where AI is going and the work that is cut out for us.
Our own @johnschulman2 talks with Dwarkesh about where human judgment still matters as models improve and self-improve: teaching them to handle messy real-world tasks, applying taste to what works in the long run, and, above all, specifying what we actually want. x.com/dwarkesh_sp/st…
📈 GPT-Live-1의 동시 청취·발화 Voice Agent포스트 1
GPT-Live-1이 API에 공개되면서 Voice Agent가 사용자의 말을 들으면서 동시에 말하고, 중간 끼어들기를 처리하는 상호작용이 제시됐습니다. 포스트는 분당 0.05달러의 비용도 함께 전했습니다.
세부 내용 보기
- 기존 Voice Agent의 어색한 침묵은 사용자의 발화를 모두 기다린 뒤 응답을 생성하는 순차 처리에서 생깁니다. GPT-Live-1은 청취와 발화를 겹치고 사용자의 Interruption을 처리하는 방식으로 대화 흐름을 바꾸며, 개발자는 ChatGPT와 유사한 자연스러운 왕복 대화를 앱에 넣을 수 있습니다.
- OpenAI Developers 포스트는 GPT-Live-1을 API에서 사용할 수 있다고 밝혔고, 원하는 모델과 Harness를 조합해 Voice Agent를 구성할 수 있다고 했습니다. 인용된 비용은 분당 0.05달러이며, 실제 품질 지표나 지연 수치는 원문에 없습니다.
- 동시 입력·출력과 끼어들기 처리는 음성 대화의 턴 전환을 줄이는 핵심 구현 요소입니다. 따라서 이 업데이트는 단순 음성 출력보다 사용자의 발화와 모델 응답이 겹치는 실시간 상호작용에 초점을 맞춥니다.
➖ Muse Spark의 업무 자동화와 로컬 모델 실행포스트 4
Muse Spark와 Muse CLI가 업무용 계정에 연결돼 임대료·대출·수수료를 계산하고 손익표를 만드는 사례가 공유됐습니다. 별도 포스트에서는 소비자 하드웨어에서 실행 가능한 Uncensored 모델과 대규모 Context를 내세운 주장이 이어졌지만, 일부 모델 정보는 유출·루머로 표시됐습니다.
세부 내용 보기
- Muse Spark 사례에서는 부동산 관리 소프트웨어와 모기지 계정에 로그인 정보를 연결한 뒤 각 부동산의 임대료를 대출 및 기타 수수료와 대조하고 손익표를 산출했습니다. 입력은 여러 계정의 금융 데이터이고, 처리 과정은 자동 집계와 비용 차감이며, 출력은 부동산별 Profit/Loss Statement입니다.
- Muse CLI에 대한 인용은 사용성이 좋다고 평가했고, 사업 운영에 Muse를 쓰라는 포스트는 반복 업무를 대신 처리하는 방향을 강조했습니다. 다만 계정 권한 관리, 오류 검증, 실제 절감 시간 외의 성능 수치는 원문에 적혀 있지 않습니다.
- 별도 로컬 실행 포스트는 4GB~8GB 노트북에서 Uncensored Spark-X2.5-4B를 실행할 수 있고 1M Context와 Agent·Tool Call 중심 설계를 갖췄다고 주장했습니다. DeepSeek V4.1-Flash의 로컬 실행과 GLM-5.5 유출 주장은 각각 모델 구조·Context·출시 시점에 관한 세부사항을 담았지만, 원문 자체가 유출 또는 루머로 표시해 확정 정보와 구분했습니다.
원문 트윗 2개 보기
Alexandr Wang
use muse to run your business!
I gave @Muse my property management software login and my mortgage account login. Now it runs all the rent against the mortgage and other fees and provides me a profit/loss statement for all my properties. This is a huge work off my shoulder. It would have taken me hours to do.
Alexandr Wang
try out muse spark with muse code!
Muse Spark is actually pretty pleasant to work with, including the Muse CLI. Good job Meta.
용어 해설
- 코딩 에이전트(Coding Agent)
- — 개발자의 요청에 따라 코드를 작성하거나 수정하고 실행하는 AI 시스템입니다. 코드베이스에 어떤 변경을 만들었는지 추적하면 에이전트의 기여와 작업 범위를 확인할 수 있습니다.
- 연속 배칭(Continuous Batching)
- — 추론 중인 요청이 끝날 때까지 기다리지 않고 새 요청을 배치에 계속 추가하는 처리 방식입니다. GPU 유휴 시간을 줄여 여러 요청을 동시에 처리하는 데 쓰입니다.
- Paged Attention
- — Attention의 KV 캐시를 고정된 페이지 단위로 관리하는 메모리 처리 방식입니다. 요청마다 필요한 캐시 공간을 동적으로 배정해 추론 서버의 메모리 활용도를 높입니다.
- Prefix Caching
- — 반복되는 입력 앞부분의 계산 결과를 저장한 뒤 다음 요청에서 재사용하는 기법입니다. 동일한 문맥을 처리하는 데 필요한 토큰 계산을 건너뛰어 지연과 비용을 줄입니다.
- Residual Connection
- — 신경망의 입력을 변환 결과에 바로 더하는 연결 구조입니다. 입력 정보가 여러 층을 통과해 전달되도록 하여 깊은 네트워크에서 Gradient 소실과 폭주를 줄입니다.
- 고병렬 에이전트 샌드박스(High-Fanout Agent Sandbox)
- — 하나의 작업에서 여러 에이전트 실행 환경을 동시에 생성하는 구조입니다. 샌드박스들이 같은 템플릿과 유사한 실행 경로를 공유하므로 메모리 중복이 주요 용량 제약으로 이어집니다.
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.
