TL;DR
이번 기간 X에서는 Grok Build의 워크플로 기능 도입과 Tavily 플러그인 통합으로 대규모 에이전트 병렬화와 LLM 최적화 웹 검색 연결이 부각됐다. Grok은 워크플로로 100+ 이슈 처리, 수천 줄 코드 리뷰를 기획하고 최대 1,024 에이전트를 병렬 실행하는 스테이지형 플랜을 제시했다. Claude 쪽은 '줌 툴'을 통해 모델이 관심 영역을 원본에서 다시 크롭해 재처리하도록 함으로써 Chartography에서 Fable 5 정확도를 29%→73%, Sonnet 5를 13%→44%로 끌어올렸다. ActiveVision 벤치마크는 단계적 시각 관찰을 요구해 GPT-5.5 10.6%, Claude Fable 5 3.5%, 인간 96.1%의 격차를 드러냈고, 결과는 단순 입력 토큰 확대가 아닌 인지-추론 루프의 구조적 개선 필요성을 시사한다.
𝕏 실시간 트렌드 토픽
🔥 Grok Build: 워크플로·대규모 에이전트 실행포스트 5
Grok Build는 복잡한 작업을 여러 에이전트로 분산해 처리하는 워크플로를 도입했고, 플랜을 단계별로 실행해 최대 1,024개 에이전트를 병렬 운영하는 구조를 제시했다. 저장된 워크플로는 슬래시 커맨드로 전환되어 팀 저장소와 공유되고, 각 단계에 독립적인 검증자(skeptics)를 두어 결과를 합산해 단일 보고서를 반환한다. Tavily 플러그인 연동으로 LLM 최적화 웹 검색을 워크플로에 실시간으로 주입할 수 있다.
세부 내용 보기
- 워크플로는 Triage·검토 같은 대량 작업을 계획·병렬 실행·통합 보고하는 파이프라인을 구성한다.
- 각 실행은 단계별로 나뉘며 독립적인 skeptical 에이전트들이 결과를 검증해 신뢰도를 높인다.
- 저장된 워크플로는 슬래시 커맨드로 호출 가능하며, 레포지토리에 저장된 워크플로는 팀 공유가 가능하다.
- Tavily 플러그인은 실시간 LLM-최적화 웹 검색을 제공해 워크플로의 외부 정보 취득을 개선한다.
워크플로·에이전트 병렬화는 대량 이슈 처리와 코드 리뷰 같은 반복 작업의 처리량을 늘리며, 저장된 워크플로의 슬래시 커맨드화는 재현성과 팀 협업을 개선한다.
에이전트 수를 1,024까지 늘리는 계획은 처리량을 극대화하나, 단계별 검증과 리스크 관리가 부족하면 잘못된 자동화 결과가 증폭될 위험이 있다.
원문 트윗 2개 보기
Grok
Workflows are now in Grok Build. Hand Grok a task a single conversation can't hold: Triage 100+ issues, or review thousands of lines of code in detail. Build plans the work, runs up to hundreds of agents in parallel, and comes back with one report.
SpaceXAI
Try the Tavily plugin for LLM-driven search inside Grok Build
Tavily is now live as an official plugin in @grok Build. Bring real-time, LLM-optimized web search into your Grok Build workflows. You'll get fast results, clean content, and reliable sources built for AI applications. Type /plugin, search for Tavily, and start building.
📈 Claude의 줌 툴과 Chartography 성능 개선포스트 2
ClaudeDevs는 대형 이미지가 축소될 때 잃어버린 디테일을 보완하는 '줌 툴' 쿡북을 공개했고, 모델이 관심 영역을 요청해 원본에서 해당 크롭을 받아 재처리하는 방식이 핵심이다. 이 방식을 Chartography 벤치마크에 적용해 Fable 5 정확도가 29%에서 73%로, Sonnet 5는 13%에서 44%로 향상했다. 쿡북은 언제·어떤 크롭 전략을 쓰는지가 성능에 결정적임을 제시한다.
세부 내용 보기
- 줌 툴은 모델이 관심 영역을 식별하면 서버가 고해상도 크롭을 전달해 세부 정보를 보존한다.
- Chartography에서 Fable 5는 정확도 29%→73%, Sonnet 5는 13%→44%의 개선을 기록했다.
- 다운스케일로 인한 정보 손실을 보완하므로 차트나 작은 라벨을 읽는 작업에서 특히 효과적이다.
줌 툴은 다운스케일 과정에서 손실된 시각적 디테일을 원본 크롭으로 복구해 멀티모달 모델의 실제 이해도를 크게 높였다.
성능 개선 폭이 크지만, 줌 툴 도입은 추가 네트워크/IO 비용과 시스템 설계 복잡도를 수반하므로 적용 대상과 비용-이득 평가가 필요하다.
원문 트윗 2개 보기
We've updated our "zoom tool" cookbook. When large images get downscaled, important detail can be lost. A zoom tool lets Claude request a region and get that crop back from the full-res original.
On the Chartography benchmark (100 questions over dense real-world charts), Fable 5's accuracy goes from 29% to 73% with a zoom tool, and Sonnet 5’s from 13% to 44%. See the cookbook to learn more:
➖ ChatGPT Voice 데스크톱과 GPT-Live 기반 실시간 제어포스트 1
ChatGPT Voice가 데스크톱 앱으로 확장되어 GPT-Live를 기반으로 음성 입출력과 에이전트 제어를 동시에 수행한다. 음성으로 컴퓨터를 제어하고 ChatGPT Work·Codex에서 다중 에이전트를 동시 조정하는 워크플로가 가능해졌고, 글로벌 롤아웃이 진행 중이다. 실시간 음성 제어는 인간-컴퓨터 상호작용 흐름을 바꾸며 에이전트 조정의 대기 시간을 줄인다.
세부 내용 보기
- GPT-Live는 음성 합성·음성 인식·에이전트 조정을 실시간으로 결합해 동시 작업을 지원한다.
- 데스크톱 앱은 로컬 작업 제어와 다중 에이전트 조정(동시 듣기·말하기)을 통합한다.
- 출시 문구는 전세계 롤아웃을 명시해 점진적 배포가 이뤄지고 있음을 시사한다.
음성 기반 실시간 제어는 복잡한 작업에서 대화형 오케스트레이션을 단축시키고 사용자 편의성을 높인다.
실시간 음성 에이전트 조정은 대역폭·지연·보안 측면의 추가 제약을 불러올 수 있어 도입 환경별 검증이 필요하다.
📈 ActiveVision 벤치마크가 드러낸 관찰 기반 멀티모달 한계포스트 1
ActiveVision은 모델이 장면을 여러 단계로 스캔·추적·비교해 관찰 기반 질문에 답해야 하는 평가 과제다. 공개된 수치에서 GPT-5.5는 10.6%, Claude Fable 5는 3.5%를 기록한 반면 인간은 96.1%를 기록해 큰 격차가 확인됐다. 코딩 에이전트들도 24.7–50.6% 범위를 보여 시각적 도구가 잘못되었을 때 이를 감지·교정하는 능력에 한계가 존재한다.
세부 내용 보기
- ActiveVision은 단일 정적 응답이 아니라 모델의 단계적 관찰과 비교 능력을 요구해 실세계 시각 작업에 더 가까운 난이도를 제공한다.
- 보고된 결과는 멀티모달 모델이 '보는 능력'보다 '능동적 관찰·검증 루프'가 부족함을 시사한다.
- 코딩 에이전트의 성능(24.7–50.6%)도 인간 대비 크게 낮아 시각 도구 신뢰성 문제와 통합 추론의 필요성이 드러났다.
수치상 모델들은 단계적 관찰 과제에서 인간과 큰 격차를 보였고, 이는 단순한 모델 크기·토큰 증가로 해결되지 않는 구조적 문제를 나타낸다.
벤치마크 결과는 특정 실험 세팅과 데이터에 기반하므로, 일반화하려면 더 다양한 평가와 재현성 검증이 필요하다.
용어 해설
- 줌 툴(Zoom Tool)
- — 이미지가 축소되어 중요한 세부가 사라질 때, 모델이 관심 영역을 요청하고 원본 고해상도에서 해당 크롭을 받아 재처리하는 방식이다. 다운스케일 손실을 보완해 시각 이해 정확도를 끌어올리는 데 사용되며, 모델이 전체 이미지가 아닌 부분을 반복적으로 재검토하도록 만든다.
- 액티브 비전(ActiveVision) 벤치마크(ActiveVision)
- — 모델이 한 번의 정적 시선으로 답하는 대신, 여러 단계에 걸쳐 장면을 스캔·추적·비교하며 관찰을 통해 정답을 찾아야 하는 평가 벤치마크다. 시각적 탐색과 단계적 추론 능력을 측정해 단순한 멀티모달 입력 처리 이상의 '지속적 관찰' 역량을 검증한다.
- 에이전트 워크플로(Agent Workflow)
- — 여러 에이전트(또는 서브태스크)를 단계별로 조정해서 대규모 작업을 자동화하는 실행 구조다. 계획 수립·병렬 실행·검증·통합 보고 단계를 포함해 대량 이슈 처리나 코드 리뷰 같은 복잡한 작업을 분산 처리한다.
- 멀티모달 LLM(Multimodal LLM)
- — 텍스트뿐 아니라 이미지·음성 등 여러 입력 모달리티를 함께 처리하는 대형 언어 모델을 가리킨다. 시각 정보를 텍스트 추론과 결합해 질문 응답, 지시 수행, 시각적 비교 등 복합 작업을 수행할 때 핵심 역할을 한다.
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.
