TL;DR
Elon·Chamath의 논의는 Grok을 오픈소스로 전환하면 모델층의 마진이 인프라와 앱층으로 이동할 수 있다는 경제적 논리로 수렴했다. LeRobot v0.6.0은 깊이 카메라 입력을 12-bit 정밀도로 보존하거나 무손실 저장을 선택하는 비디오 인코딩 파이프라인을 열어, Stanford SVL의 BEHAVIOR-1K(20,000 에피소드)에 깊이 데이터를 공급하는 구조를 제시했다. K3는 단일 프롬프트로 약 30분·95단계의 작업을 거쳐 로컬 ASR·TTS·LLM 연동, 장면 렌더링·디버깅(ADB 사용), 에이전트 군집(33개) 병렬 반복을 통해 VR 동반자 초기 버전을 완성했다. 이들 사례는 모델 공개·멀티모달 데이터 파이프라인·에이전트 자동화가 동시에 진화하며 인프라·데이터·도구 통합이 경쟁력의 핵심 축으로 부상하고 있음을 시사했다.
𝕏 실시간 트렌드 토픽
🔥 Grok 오픈소스 전환 논의포스트 1
Chamath는 Grok을 오픈소스로 전환하면 모델층 마진이 하향 이동해 인프라(칩·CSP)와 앱에 수익 기회가 발생한다고 보았다. 그는 데이터센터·추론 AI·앱 보유를 고려하면 오픈소스 전환이 기업 이익 구조에 유리할 수 있다고 주장했다.
- 오픈소스화가 모델 자체의 마진을 축소시키고 인프라·애플리케이션 쪽으로 마진 축이 이동한다는 경제적 논리.
- Chamath는 자신의 인프라·앱 포지션(데이터센터 구축, 차세대 추론, 주요 앱 소유)을 근거로 오픈소스 전환이 더 큰 수익을 만들 수 있다고 봄.
오픈소스 전환은 모델 마진을 인프라와 앱으로 이동시키며, 인프라·앱을 보유한 주체에게 더 큰 수익 기회를 만든다는 논리였다.
📈 LeRobot v0.6.0의 3D·비디오 파이프라인포스트 1
LeRobot v0.6.0은 깊이 카메라 입력을 학습 파이프라인으로 직접 흘려보내며 12-bit 정밀도 보존 또는 무손실 원시 저장을 선택할 수 있게 했다. 비디오 인코딩 파라미터를 전면 개방하고 라이브 벤치마크 리더보드를 제공해 실험적 튜닝을 지원했다.
- 깊이 카메라 데이터를 엔드투엔드로 학습 데이터에 포함시키며 12-bit 정밀도로 인코딩하거나 무손실 저장을 선택할 수 있음.
- 비디오 RGB 인코딩 파라미터를 모두 노출해 연구자가 화질-용량 트레이드오프를 조정할 수 있음.
- 이 깊이 파이프라인이 Stanford SVL의 BEHAVIOR-1K(20,000 시뮬레이션 조작 에피소드) 데이터셋 구축에 사용되었다.
📈 K3의 에이전트형 워크플로로 VR 동반자 제작포스트 4
K3는 단일 프롬프트로 약 30분 동안 95단계 작업을 거쳐 로컬 ASR·TTS·LLM을 찾아 연동하고 장면·상호작용을 구성해 초기 VR 동반자 버전을 완성했다. 또한 렌더링으로 자체 검증을 수행하고, Android 디바이스 디버깅에 ADB를 사용했으며 33개 에이전트 군집으로 동작을 개선했다.
- 한 프롬프트로 종합 개발 파이프라인을 자동화해 자율적 기능 조합(ASR, TTS, LLM, 렌더링)을 수행함.
- 개발 중 렌더링 스크린샷으로 자체 검증을 하고 플랫폼 전환 시 ADB로 디버깅을 진행함.
- 병렬 처리로 3개 장면을 동시에 작업하고 33개 에이전트 스웜으로 캐릭터 움직임과 표정을 개선함.
원문 트윗 2개 보기
Kimi Developers
@KimiDevs
He gave K3 a 3D model and one prompt, then went to dinner. In about 30 minutes, K3 completed 95 steps to create the first version. K3 found and deployed local ASR and TTS solutions by itself, connected the LLM, and built the scenes and interactions around them.
Kimi Developers
@KimiDevs
K3 also checked its own work by rendering scenes, taking screenshots, and adjusting the visuals and motions. When development moved from a Mac to an Android phone, it used ADB to run the app, inspect screenshots, and debug across both devices. For later refinements, K3 ran 3 scene tasks in parallel and used a swarm of 33 agents to improve the character’s movements and expressions.
➖ Microsoft와 Mistral의 파트너십 확대포스트 1
Microsoft와 Mistral은 파트너십을 확대해 Mistral의 프런티어 모델을 Azure·Microsoft Foundry·Copilot Studio·Azure Local에 제공하기로 했다. 발표는 유럽 고객에게 데이터 통제권을 유지하면서 최신 모델 접근을 제공하는 것을 목표로 삼았다.
- 파트너십 확대를 통해 Mistral 모델을 Microsoft의 여러 상용·온프레미스 환경으로 통합할 계획임.
- 유럽에서 데이터 주권과 운영 제어를 유지하면서 고성능 모델을 제공하려는 목적이 명시됨.
📈 Hermes Agent 기능 보강과 llama.cpp 통합포스트 3
Hermes Agent는 PowerPoint·PDF·Excel·Word 편집 및 생성 기능을 추가해 비기술 사용자 핵심 스킬을 보완했고, pi 0.81.0은 ggerganov의 llama.cpp 서버와 1등급 통합을 지원했다. 개발자 측은 Hermes 자체가 데이터 수집을 하지 않는다고 밝혔다(다만 모델 제공자별 행위는 다름).
- Hermes Agent에 문서·스프레드시트·프레젠테이션 관련 내장 스킬이 추가되어 비기술 사용자 지원 범위가 확장됨.
- pi 0.81.0 릴리스는 llama.cpp 서버와의 1등급 통합을 통해 로컬 추론 연동 사례를 보였음.
- 데이터 수집 여부는 Hermes 본체와 개별 모델 제공자별로 달라질 수 있다는 안내가 함께 유통됨.
원문 트윗 2개 보기
Teknium
@Teknium
Somehow Hermes Agent was missing built in skill support for excel spreadsheets and docs. That is no more - powerpoint and pdf skills updated and enhanced, and excel spreadsheets and word document support is now in. https:// github.com/NousResearch/h ermes-agent/pull/68595 …
tek i think hermes agent is definately the future its an awesome app which in 1 years time will be an unbeatable asset but for example its missing basic skills for non technical users like word, excel, pdf creation and editing i think you need to define core user groups and do
Pi
@pidotdev
Hi kids, gramps here, taking over for the intern. Just released pi 0.81.0 which features first class integration with @ggerganov wonderful llama.cpp server. Professional video demo recorded in an echo-y Austrian office below. Shout out to our friends at @huggingface .
📈 의료·웨어러블·병리 모델·데이터셋 최신 동향포스트 2
Microsoft Research의 Flash 버전(GigaPath-Flash, GigaTIME-Flash)은 경량화된 인코더 구조(22M ViT-S 타일 인코더 + 21M LongNet 슬라이드 인코더)로 원형 모델 성능의 97%를 유지했고, GigaTIME-Flash는 기존보다 6× 빠르고 GPU 메모리를 8× 적게 사용했다. OpenMHC(OpenMyHeartCounts)는 19개 센서 채널, 60M+ 시간 규모의 웨어러블 데이터와 11,894명 참여를 포함하는 대규모 공개 데이터셋을 공개했다.
- GigaPath-Flash는 경량 인코더 구조로 고성능을 거의 보존하면서 실행 효율을 크게 개선함(97% 성능 유지).
- GigaTIME-Flash는 CNN을 대체해 예측 품질을 유지하거나 개선하면서 추론 속도와 메모리 사용을 크게 줄였음(6× 빠름, 8× 적은 GPU 메모리).
- OpenMHC는 19개 센서 채널, 60M 시간 이상·11,894명 규모의 웨어러블 데이터셋으로 심층 헬스케어 연구용 공개 데이터를 제공함.
원문 트윗 2개 보기
Tanishq Mathew Abraham, Ph.D.
@iScienceLuvr
Microsoft Research releases "Flash" versions of their pathology AI models: - GigaPath-Flash combines a 22M-parameter ViT-S tile encoder with a 21M-parameter LongNet slide encoder, distilled from the original GigaPath (ViT-g) model while retaining 97% of the performance - GigaTIME-Flash extends GigaPath-Flash to predict the tumor immune microenvironment directly from routine H&E images, replacing the CNN backbone of the original GigaTIME model. It surpasses the original CNN-based GigaTIME in prediction quality while running 6× faster and using 8× less GPU memory.
Tanishq Mathew Abraham, Ph.D.
@iScienceLuvr
OpenMHC: Accelerating the Science of Wearable Foundation Models "we release OpenMyHeartCounts (OpenMHC), the largest and most comprehensive open-access wearable health dataset to date" ">60 million hours of wearable data across 19 sensor channels (e.g., step count, heart rate, sleep, workouts) and up to 169 linked variables, including health, lifestyle, mood, and behavior from 11,894 consenting participants."
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.