TL;DR
이번 기간에는 DeepSeek 중심의 로컬 모델·도구 확장성과 비전·에이전트 연구의 성능·환경 개선 사례가 주를 이룹니다. DeepSeek 계열은 대규모 토큰 소비(예: 8T 토큰)와 모델-실행 스택(DeepSeek Harness, KTransformers)으로 로컬 추론과 에이전트 실행을 밀어붙이는 점이 반복해서 관찰됩니다. Chimera와 Seedance 2.5는 시각 생성 쪽에서 연산 절감·장문·카메라 제어 등 구현적 접근을 통해 성능·프루프 포인트를 제시했고, Echoverse는 에이전트 학습 환경의 깊이(환경 공진)를 성과 상승과 연결했습니다. 보안 쪽에서는 Claude Code가 하드웨어 지갑 취약점을 빠르게 식별했다는 사례와 Coldcard 패치 후 기기 벽돌 사례가 함께 떠올라 취약점 탐지·패치 절차의 실무적 영향이 부각되었습니다.
𝕏 실시간 트렌드 토픽
🔥 DeepSeek: 대용량 토큰 소비와 로컬 실행 툴체인포스트 6
DeepSeek 관련 게시물이 대규모 토큰 집계(예: 8T)와 로컬 실행/미들웨어를 한데 묶어 강조하며, 성능·접근성 쪽 논의가 집중되었습니다.
- 대화형·로컬 사용 수요에서 토큰 공급과 실행 스택이 병행해야 한다는 맥락에서 DeepSeek은 8T 토큰 집계(8T 중 5T 무료 + 3T OpenCode Go)라는 이용 지표를 공개했고, 이는 트래픽·학습 데이터 운영의 스케일을 보여줍니다.
- 실행 측면에서는 DeepSeek Harness와 KTransformers 같은 구성요소가 모델 실행과 에이전트 연계를 맡고, KTransformers는 24GB GPU 단일 장치에서 DeepSeek(671B) 지원·추론 가속을 표방합니다.
- 공개 숫자(토큰량, 단일 GPU 동작, '3–28x 빠른 추론' 등)는 로컬 배포 가능성의 근거로 제시되며, 로컬 우선 모델 전략의 산업적 타당성을 부각합니다.
- 이런 스택이 실무화되면 중앙화된 대형 인프라 의존도를 낮추고 로컬 사용 사례(프라이버시·지연)에서 비용·속도 경쟁 우위가 생길 수 있습니다.
대량 토큰 공급과 실행 도구(DeepSeek Harness, KTransformers)가 결합되면 로컬에서 대형 모델을 운영할 현실적 경로가 생깁니다.
제시된 성능·동작 주장은 여러 커뮤니티 게시물에 의존하므로 독립적 벤치마크나 재현이 필요합니다.
원문 트윗 2개 보기
OpenCode
@opencode
DeepSeek Flash did 8T tokens on August 1st 5T of free usage + 3T on OpenCode Go
Md Ismail Šojal
@0x0SojalSec
Open-sourced KTransformers, a framework that runs DeepSeek (671B params) on a single 24GB graphics card. - 3-28x faster inference - Fine-tune DeepSeek on 4x 4090s (80GB) - 6-12x faster than ZeRO-Offload - Runs Kimi, GLM, Qwen3-Next out of the box
📈 코딩 에이전트 경쟁: DeepSeek Harness vs Claude Code포스트 4
DeepSeek가 'Claude Code 킬러' 목표로 자사의 agent execution layer(DeepSeek Harness)를 공개 초대 형식으로 알리며 에이전트 실행·레퍼런스 경쟁이 가열됩니다.
- 에이전트 경쟁 맥락에서 핵심은 모델 자체뿐 아니라 컨텍스트, 툴 통합, 장기 워크플로우를 다루는 실행 계층입니다; DeepSeek Harness는 이 부분을 표준화하려는 시도로 제시되었습니다.
- 초대 기반 접근으로 오픈소스 Agent Harness 개발자를 모으는 과정이 관측되며, 최근 V4 코딩 벤치마크가 자체 Harness에서 실행되었다는 언급이 나와 벤치마크 환경의 통일성이 경쟁력 요소로 작용합니다.
- 이로 인해 코딩 에이전트 성능 비교는 모델 성능 외에 실행 환경·툴체인 유무가 결과를 결정짓는 요소가 됐습니다.
- 실무 차원에서는 에이전트 실행 계층의 표준화 여부가 도입 비용·재현성·보안에 직접적 영향을 줍니다.
에이전트 성능은 모델+실행 스택의 결합에 달려 있으므로 DeepSeek Harness 같은 실행 레이어는 경쟁 우위를 만들 수 있습니다.
성능 비교에서 벤치마크 환경 차이가 결과에 큰 영향을 주므로, 타사 검증 자료가 나오기 전까지는 판단을 보류할 필요가 있습니다.
원문 트윗 2개 보기
Md Ismail Šojal
@0x0SojalSec
Breaking: DeepSeek is building a Claude Code killer. They tested “DeepSeek Harness” their official coding agent. Only open-source Agent Harness developers are being invited right now, Submit your GitHub & best project for access Recent V4 coding benchmarks were already run on their own Harness. Claude Code and Codex just got a new problem.
Md Ismail Šojal
@0x0SojalSec
DeepSeek Harness, This is their official agent execution layer the part that turns a strong model into a real autonomous coding agent (context, tools, long-running workflows, repo awareness).
📈 비전·비디오 생성의 구조적 개선: Chimera와 Seedance 2.5포스트 4
Adobe의 Chimera 논문과 Seedance 2.5 관련 게시물이 연산 효율·장문 시각 생성·카메라 제어 측면의 구현 기법을 중심으로 관심을 모았습니다.
- 문제는 고해상도·장시간 시각 생성에서의 비용과 전역 정보 전달이며, Chimera는 KDA 선형 어텐션으로 대부분의 full attention을 대체하고 MLA로 주기적 전역 혼합을 더해 연산 절감을 노립니다.
- Chimera는 이 접근으로 Wan 2.1 대비 동일 손실에 도달하는 데 FLOPs를 7.3x 절감했다고 보고하며, zero-shot으로 5초→30초 비디오 외삽을 수행했다고 표기합니다.
- Seedance 2.5는 카메라 제어(돌리·핸드헬드·로봇암 트래킹)를 실제 촬영 용어로 다루는 제어 신호를 도입해 생성된 영상의 연출적 정밀도를 끌어올렸다는 게시물이 반복됩니다.
- 비전 생성 파이프라인에서 연산 절감·카메라 언어 지원이 결합되면 프로덕션 수준의 자동화가 용이해지며, 장편 비디오 생성의 실무 적용 문턱이 낮아질 수 있습니다.
KDA/MLA/모달리티 인지 컨브를 결합한 구조는 연산 대비 성능을 높여 장문·장시간 비디오 생성의 비용 장벽을 낮춥니다.
제시된 FLOPs·zero-shot 실험은 논문·시연에 근거하므로 구현 세부와 공개 검증 결과에 따라 체감 개선은 달라질 수 있습니다.
원문 트윗 2개 보기
alphaXiv
@askalphaxiv
"Chimera: Designing and Chinchilla-Scaling Hybrid Visual Diffusion Transformers" This paper from Adobe Research called Chimera is a Chinchilla-scaled hybrid DiT for long-context visual generation. It replaces most full attention with KDA linear attention, adds periodic MLA for global token mixing, uses modality-aware short convs for spatiotemporal locality, and MoE for sparse capacity. They then makes the heterogeneous backbone scale predictably across width and depth. Result is 7.3x fewer FLOPs than Wan 2.1 2B to reach the same loss, plus zero-shot 5s to 30s video extrapolation without length finetuning. Read more here: https:// alphaxiv.org/abs/2607.28611
Md Ismail Šojal
@0x0SojalSec
Seedance 2.5’s camera control is genuinely next-level, It speaks real camera language: dolly pushes, handheld motion, and robotic arm tracking all with impressive precision. Cinematic AI video is about to feel a lot more professional.
📈 에이전트 학습 환경의 깊이: Echoverse 결과포스트 1
Echoverse는 에이전트 훈련에서 얕은 웹 클론 대신 상태·검증기가 함께 진화하는 '깊은' 환경을 도입해 성능 향상을 기록했습니다.
- 문제는 에이전트가 현실적 결과·결과의 연속성을 경험하지 못할 때 생기는 일반화 저하이며, Echoverse는 세계·태스크·검증자·모델을 공동 진화시키는 실험 설계로 이를 해결합니다.
- 구현은 합성 앱의 상태·리셋·데이터베이스 기반 채점 체계를 둔 다중 환경 롤아웃이며, 9B 에이전트가 12개 월드에서 학습할 때 14개 평가 분할에서 36.5%→67.1%로 성능이 오른 실험 수치가 제시됩니다.
- 이는 환경의 '깊이'가 행동 선택과 검증 신호의 질을 높여 에이전트의 일반화 성능을 개선할 수 있음을 시사합니다.
- 에이전트 실전 적용에서는 환경 설계의 복잡도가 증가하나 장기적 성능·안정성 확보에서 중요한 설계 축이 됩니다.
에이전트는 결과에 대한 '결과성'이 있는 환경에서 더 잘 학습하므로, Echoverse 방식은 실무적 행동 성과를 끌어올립니다.
🔥 보안 사례: Claude Code의 취약점 탐지와 Coldcard 패치 문제포스트 3
Claude Code가 몇 분 만에 하드웨어 지갑의 오래된 난수 취약점을 찾아낸 사례와, Coldcard의 패치 후 일부 기기에서 벽돌 현상이 보고된 흐름이 함께 보였습니다.
- 사건 맥락은 5년 전 펌웨어에서 난수 생성 취약점이 존재했고, Claude Code가 짧은 프롬프트로 취약 경로를 추적해 빠르게 식별했다는 주장입니다.
- 연결된 운영 이슈로 Coldcard 사용자들이 새 패치를 적용한 뒤 검증 오류나 벽돌 현상을 겪었다는 보고가 나왔고, 복구 권고로는 먼저 백업된 시드로 자금 이전 후 패치를 적용하는 절차가 반복됩니다.
- 이 흐름은 자동화된 모델 도구가 취약점 탐지 시간을 단축하는 반면, 패치 배포·적용 과정의 실무적 위험(기기 벽돌, 업데이트 실패)이 동반됨을 보여줍니다.
- 보안 운영에서는 '먼저 자산을 보호(백업·이전)한 뒤 패치'라는 실무적 순서가 우선적이라는 교훈이 강조됩니다.
대형 코드/보안 모델은 취약점 탐지에서 인간보다 훨씬 빠른 탐지 능력을 발휘할 수 있습니다.
모델이 취약점을 찾아내는 속도는 빠르지만, 패치 적용 과정에서의 위험과 복구 절차가 병행되지 않으면 현장 피해가 발생할 수 있습니다.
원문 트윗 2개 보기
Md Ismail Šojal
@0x0SojalSec
Claude just found a 5-year-old hardware wallet bug in 8 minutes that let attackers drain 1,367 BTC ($89M). Found Just weak entropy from a firmware mistake. Coldcard seeds generated since 2021 were far more guessable than anyone realized, Humans missed it for half a decade, One broad prompt to Claude Code was enough. Attackers offline-generated candidates, matched addresses on-chain, and drained them. Claude Code later traced the exact broken path in under 10 minutes when asked only to check for vulnerabilities. Humans had half a decade. The model needed one prompt. This is the new reality of vulnerability research.
Wtf, 594 BTC gone in 25 minutes. from 500 air-gapped Coldcards without internet connection, A 5-year-old firmware bug just cost Bitcoin holders $38 million. And the devices were never connected to the internet. A 2021 firmware bug made the devices skip proper randomness when x.com/coldcardwallet…
Md Ismail Šojal
@0x0SojalSec
Double trouble for Coldcard owners. Wallets drained by a predictable Attackers emptied wallets using a long-standing seed entropy bug. Users who try to install the new patch are now reporting bricked Coldcards stuck on verification or error screens. Firmware patch now bricking devices for some users. Don’t upgrade first. Recommendation from multiple sources: Transfer funds using your seed backup first, then carefully update only if needed for generating a new seed. Stay cautious and verify every step. Backups first Secure the coins first. Only then consider the update, following official guides carefully Hardware wallets remain useful, but this is a clear reminder that no device is perfect.
Wtf, 594 BTC gone in 25 minutes. from 500 air-gapped Coldcards without internet connection, A 5-year-old firmware bug just cost Bitcoin holders $38 million. And the devices were never connected to the internet. A 2021 firmware bug made the devices skip proper randomness when x.com/coldcardwallet…
➖ 실무형 추론 엔지니어링 로드맵(팁·계측·스케일)포스트 1
한 엔지니어의 10주 계획이 추론 관련 핵심 역량(스케줄러·카시·캐시·계측·양자화 등)을 체계적으로 학습·검증하라고 권장합니다.
- 문제는 현업에서 성능 최적화가 단순한 튜닝을 넘어서 계측·로드테스트·스케줄링으로 이어진다는 점이며, 제안된 학습 목록은 이 과정을 체계화합니다.
- 구체 항목으로는 roofline 모델, vLLM/SGLang 스케줄러, paged attention 소스 코드 이해, prefix caching, 연속 배칭, TTFT·지연·스루풋 계측 등이 포함되어 있습니다.
- 목표는 1000+ 동시 요청을 지나치는 공개 가능한 재현 가능한 추론 서비스 아티팩트를 만드는 것으로, 실무에서 비용·지연·품질을 동시에 관리하는 능력을 키우는 데 초점이 맞춰집니다.
- 이 로드맵은 추론 엔지니어가 단편적 지표 대신 종단 간 시스템 관점으로 성능을 개선하도록 방향을 제시합니다.
추론 최적화는 계측·재현 가능한 벤치마크·인프라 기술 습득을 전제로 해야 실무적 성과가 납니다.
➖ 운영 DB 브랜칭과 CI/CD: Glaspoort의 Lakebase 패턴포스트 1
Glaspoort는 데이터베이스 마이그레이션을 단일 신뢰 원천으로 삼아 PR마다 일회용 DB 브랜치를 만들어 CI에서 마이그레이션을 재생하고 테스트하는 패턴을 공유했습니다.
- 문제는 코드·스키마 변경을 병렬로 다룰 때 발생하는 충돌과 스테이징 신뢰성 저하이며, 해법으로 Glaspoort는 production에서 직접 분기하는 개발·수용 브랜치와 PR별 disposable DB 브랜치를 조합했습니다.
- CI는 마이그레이션을 재생하고 새 앱 이미지를 스테이징의 마이그레이션된 브랜치에서 테스트해 프로덕션으로 들어가기 전 검증을 끝냅니다.
- Glaspoort는 이 패턴으로 반복 횟수를 10배로 올렸고, 이전에는 팀 단위로 몇 달 걸리던 케이스를 소수 인력이 며칠 내 배포하는 사례로 바뀌었다고 보고합니다.
- 이 접근은 데이터베이스 변경 주기의 민첩성을 높이면서 마이그레이션 충돌 리스크를 CI 단계에서 해소하는 운영적 이점이 있습니다.
마이그레이션을 CI의 단일 소스로 삼고 disposable DB 브랜치를 활용하면 데이터베이스 관련 롤아웃 속도와 안전성이 동시에 향상됩니다.
📈 문서 OCR의 장문 처리: Baidu의 one-shot OCR 주장포스트 1
Baidu가 공개했다는 소형(3B) OCR은 페이지별 분할 없이 32K 컨텍스트로 한 번에 100페이지를 파싱한다고 주장하면서 로컬 실행과 벤치마크 수치(93%, +6) 등을 제시했습니다.
- 문제는 대량 페이지 문서에서 문맥 연결과 오류 누적이며, Baidu는 32K 컨텍스트로 문서를 한 번에 처리해 페이지 단절로 인한 문맥 손실을 피한다고 표기했습니다.
- 제시된 수치로는 3B 파라미터 모델, 93% 표준 파싱 벤치마크(+6), 40페이지 이후 0.11 오류율, 완전 로컬 실행이 있습니다.
- 이 방식은 대형 문서 일관성 유지와 개인정보·프라이버시 측면에서 로컬 실행의 이점을 강조합니다.
- 다만 성능 주장과 실제 파일 형식·OCR 전처리 조건은 게시물에 상세하지 않아 추가 검증이 필요합니다.
한 번에 긴 컨텍스트로 문서를 파싱하면 페이지 단위 분할에서 발생하는 맥락 손실을 줄여 파싱 정확도를 높일 수 있습니다.
제시된 정확도·오류율은 유망하나 실제 문서 형식·언어별 성능 변동은 추가 확인이 필요합니다.
용어 해설
- KDA 선형 어텐션(KDA linear attention)
- — Chimera 설계에서 대부분의 full attention을 대체한 기법으로, 전체 토큰 간 완전한 상호작용 대신 선형화된 연산을 도입해 FLOPs를 크게 낮추는 방향으로 사용됩니다.
- MLA (periodic mixing)(MLA)
- — Chimera가 전역 토큰 혼합을 위해 주기적으로 삽입하는 모듈로, 지역적 선형 어텐션과 결합해 장문 시퀀스에서 글로벌 정보를 교환하게 설계되었습니다.
- 모달리티 인지 단기 컨볼루션(modality-aware short convs)
- — Chimera가 시공간적 지역성을 포착하기 위해 도입한 짧은 합성곱층 계열로, 비전/비디오 토큰의 지역 패턴을 효율적으로 처리하도록 설계되었습니다.
- MoE (Mixture of Experts)(MoE)
- — Chimera에서 희소 용량을 확보하기 위해 사용한 구성으로, 전체 파라미터 가운데 선택적 전문가 경로만 활성화해 계산 비용 대비 모델 용량을 키우는 방식입니다.
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.