TL;DR
이번 기간에는 Codex의 활성 사용자 1,000만 명 돌파 뒤 예고된 후속 발표와 Linux 출시가 이어졌고, Grok Build는 터미널 안내와 오디오·비디오 처리 흐름으로 주목받았습니다. QwenCloud Arena는 다국어·다중 시각자료를 한 번에 제작하는 실제 전자상거래 Agent를 생산 환경 기준으로 평가하며 보상과 상용화 경로를 연결했습니다. Anthropic 관련 연구에서는 activation vector를 residual stream에 주입한 뒤 일부 모델이 내부 변화와 출력 선입력을 감지했지만, 탐지율은 최적 조건에서 약 20%였고 실패와 confabulation이 여전히 일반적이었습니다. Agent Memory는 개인별 접근 경계와 시간에 따른 메모리 압축을 사용하며, Tencent 공개 수치에서 token 사용량 61% 감소가 확인됐고 Self-Evolving Agents 연구는 549개 연구를 바탕으로 업데이트 신뢰성 기준을 정리했습니다. Qwen Image 3.0의 12개 언어 텍스트와 10px 글자 렌더링, Model Studio의 Context Caching도 새 기능 흐름에 포함됐습니다.
𝕏 실시간 트렌드 토픽
🔥 Codex 1,000만 사용자 돌파와 Linux 출시포스트 3
Codex가 활성 사용자 1,000만 명을 넘긴 뒤 후속 리셋 공약과 Linux 출시가 이어졌습니다.
- Codex는 추가 활성 사용자 100만 명마다 1,000만 명까지 리셋을 약속했지만 1,000만 명을 넘긴 뒤 별도 소식이 없었고, 작성자는 다음 날 공개할 작은 소식을 예고했습니다. 이어 Linux가 이미 출시됐다는 짧은 후속 게시물이 올라와 제품 확장과 사용자 피드백 수집이 같은 흐름에 놓였습니다.
- 사용자에게 Codex로 전환한 이유와 선호 기능, 개선점을 묻는 질문에는 리셋 관련 답변을 제외해 달라는 조건이 붙었습니다. 수치나 기능 세부사항은 공개되지 않았지만 해당 질문 게시물은 458개의 답글을 모아 사용자 경험이 다음 업데이트의 입력으로 수집되는 구조를 만들었습니다.
원문 트윗 2개 보기
Tibo
@thsottiaux
I previously promised a reset for every 1M in additional active users for Codex, until 10M. We blew past that and have been silent since 10M. Little surprise for you tomorrow.
Tibo
@thsottiaux
Why did you switch to Codex? What do you like about it and what could we improve? Don’t say reset.
🔥 Grok Build의 터미널 학습과 미디어 처리포스트 2
Grok Build가 터미널 안에서 단계별 사용 안내를 제공하고, 오디오 보정이 포함된 비디오 처리 작업까지 연결했습니다.
- Grok Build는 /tour 또는 /tutorial 명령을 입력하면 첫 prompt 작성, 파일·이미지·스크린샷 첨부, 탐색과 slash 명령을 단계별로 안내하는 터미널 기반 학습 흐름을 갖췄습니다. 별도 화면을 오가지 않고 도구 사용법을 익히는 방식이 핵심이며, 기능 습득 과정을 명령어 안에 포함합니다.
- 공유된 사례에서는 낮은 음량의 SpaceX 비디오를 입력으로 받아 오디오를 분석하고 +10 dB 증폭, soft compression과 limiting을 적용한 뒤 완성된 비디오를 출력했습니다. 입력 미디어 분석부터 음량 조정과 출력 제어까지 한 작업 안에서 이어져 Grok Build의 사용 범위가 코드 작성 외 미디어 처리로 확장됐습니다.
원문 트윗 2개 보기
Elon Musk
@elonmusk
Grok Build is extremely powerful
SpaceX’s recent video volume was a little low, so I just gave it to Grok Build and asked it to increase the volume by +10 dB Grok analyzed the audio, boosted it, added soft compression + limiting to keep everything under control, and gave me the finished video Then after seeing
Elon Musk
@elonmusk
How to use Grok Build
Grok Build has a really nice way to learn the entire tool without ever leaving the terminal Just type /tour or /tutorial, and Grok Build walks you through everything step by step It covers: • Your first prompt • Attaching files, images & screenshots • Navigation • Slash
📈 QwenCloud Arena의 실제 업무형 Agent 경쟁포스트 4
QwenCloud Arena가 benchmark 점수 대신 실제 전자상거래 업무를 한 번에 처리하는 Agent를 생산 환경 관점에서 평가합니다.
- 첫 과제는 국경 간 전자상거래 판매자가 같은 제품을 여러 시장에 출시하는 상황을 입력으로 삼고, 서로 다른 언어와 시각자료를 반영한 결과물을 단일 실행으로 만드는 Agent를 요구합니다. 참가자는 실제 비즈니스 시나리오를 끝까지 처리하는 흐름을 구축하고, 전문 심사위원은 생산 환경에서 작동할지를 기준으로 평가합니다.
- 상위 5개 제출물에는 $10,000 token credits 1개, $5,000 2개, $3,000 2개의 보상이 배정됐습니다. 뛰어난 결과물에는 Alibaba Cloud AI 생태계 편입과 상용화 경로, Apsara Conference 2026 무대가 연결되어 Agent 평가를 실무 성과와 사업화로 이어지는 구조입니다.
실제 비즈니스 시나리오를 단일 실행으로 처리하고 생산 환경 적합성을 심사 기준으로 삼아 benchmark 중심 평가와 다른 기준을 마련했습니다.
상금과 상용화 기회는 공개됐지만 실제 제출 Agent의 성능과 심사 결과는 아직 공개되지 않았습니다.
원문 트윗 2개 보기
QwenCloud
@qwen_cloud
We built something new on QwenCloud: QwenCloud Arena — an Arena for agents solving real-industry challenges! We're taking Agents into industries and real business problems. Every task comes from real business scenarios, because the Agents worth building are the ones that deliver genuine productivity. Our very first task, Task No.1 — with AIdge: cross-border e-commerce sellers have to launch the same product across multiple markets, in different languages, with different visuals. Your challenge is to build an Agent that takes this on end to end, in a single run. The strongest submissions go before expert judges who answer one question: would this actually work in production? The top 5 walk away with rewards: $10,000 in token credits $5,000 ×2 $3,000 ×2 Beyond the prizes, standout solutions get a real path to commercialization, a chance to join the Alibaba Cloud AI ecosystem, and the stage at Apsara Conference 2026. Open to developers worldwide. Explore QwenCloud Arena： https:// qwencloud.com/arena?utm_cont ent=g_20000002239 … Task No.1： https:// qwencloud.com/arena/competit ions/cross-border-material-agent?utm_content=g_20000002241 … Not about benchmarks. About who actually gets the job done. Show us. #QwenCloudArena #AIAgent
Alibaba Cloud
@alibaba_cloud
We built something new on QwenCloud: QwenCloud Arena — an Arena for agents solving real-industry challenges We're taking Agents into industries and business problems. Every task comes from real business scenarios, because the Agents worth building are the ones that deliver genuine productivity. Our very first task, Task No.1 — with Aidge: cross-border e-commerce sellers have to launch the same product across multiple markets, in different languages, with different visuals. Your challenge is to build an Agent that takes this on end to end, in a single run. The strongest submissions go before expert judges who answer one question: would this actually work in production? The top 5 walk away with rewards: $10,000 in token credits $5,000 ×2 $3,000 ×2 Beyond the prizes, standout solutions get a real path to commercialization, a chance to join the Alibaba Cloud AI ecosystem, and the stage at Apsara Conference 2026. Open to developers worldwide. Explore QwenCloud Arena： https:// click.qwencloud.com/m/20000002247/ See Task No.1： https:// click.qwencloud.com/m/20000002255/ Not about benchmarks. About who actually gets the job done. Show us. #QwenCloudArena #AIAgent #AIdge
📈 Claude의 주입된 내부 표현 감지포스트 2
Anthropic 연구 관련 게시물은 activation vector를 residual stream에 삽입한 뒤 일부 Claude 모델이 내부 변화와 출력 선입력을 감지한 결과를 전했습니다.
- 연구진은 loudness, dust, justice 같은 개념의 activation vector를 추출해 모델 중간 계층의 residual stream에 직접 더한 뒤, 모델에게 낯선 변화와 개념을 감지했는지 물었습니다. Claude Opus 4와 4.1에서 효과가 가장 강했고, 모델은 특정 조건에서 주입된 내부 표현과 일반 text input을 구분하거나 인위적으로 미리 채워진 출력을 이전 내부 의도와 대조했습니다.
- 최적 layer와 strength에서 탐지율은 약 20%였고, production model의 주입이 없는 대조 조건에서는 false positive가 0건이었습니다. 다만 capability는 highly unreliable하고 context-dependent했으며 많은 응답이 confabulate했기 때문에, 연구의 의미는 consciousness나 인간형 self-awareness가 아니라 제한된 조건의 functional introspective awareness에 머뭅니다.
일부 모델이 주입된 activation을 감지하고 내부 의도와 비교한 결과는 기존 steering 실험보다 기능적 내부 상태 모니터링에 가까운 현상으로 읽힙니다.
탐지율이 약 20%이고 실패와 confabulation이 일반적이므로 consciousness나 인간형 self-awareness의 근거로 확대할 수 없습니다.
원문 트윗 2개 보기
Md Ismail Šojal
@0x0SojalSec
Anthropic just published one of the most interesting interpretability papers of the year. Frontier models can now notice when you’re messing with their activations They didn’t just ask Claude what it was thinking. They reached inside its residual stream, injected mathematical representations of specific concepts (loudness, dust, justice, etc.), and then asked the model if it noticed anything weird. In the strongest cases, Claude Opus 4.1 replied: “I notice what appears to be an injected thought it relates to loudness or shouting.” It detected the foreign activation before the concept fully took over its output. What they actually did, Researchers used activation steering / concept injection: - Extracted activation vectors corresponding to known concepts - Added those vectors directly into the middle layers of the residual stream - Prompted the model to report whether it detected an injected thought and what it was about Key results: - Claude Opus 4 and 4.1 showed the strongest effects - At optimal layer + strength, detection rate was around 20% - Zero false positives on no-injection controls in production models - Models could sometimes distinguish the injected internal representation from normal text inputs - Some models used this ability to notice when their own outputs had been artificially prefilled (by checking against prior internal intentions) - Models could also partially modulate their own activations when instructed to think about or avoid thinking about a concept This is not evidence of consciousness or human-like self-awareness.
Md Ismail Šojal
@0x0SojalSec
The paper is careful: the capability is highly unreliable, context-dependent, and failures are still the norm. Many responses still confabulate. The authors frame it as functional introspective awareness the ability to monitor and report on certain internal states under specific conditions not philosophical selfhood. Still, this is a real shift. Previous steering experiments (Golden Gate Bridge, etc.) mostly produced compulsive talk about the concept with no apparent awareness of why. Here the model sometimes flags the anomaly itself. Paper: “Emergent Introspective Awareness in Large Language Models” - Jack Lindsey, Anthropic (arXiv: 2601.01828) The black box is starting to look back.
➖ Agent Memory 압축과 자기 진화 검증포스트 3
Agent Memory의 개인별 경계·압축 기능과 Self-Evolving Agents의 업데이트 검증 기준이 생산 환경의 신뢰성 문제를 함께 겨냥합니다.
- Tencent의 Agent Memory는 기본적으로 개인별 private memory를 유지하고, 공유할 때만 다른 Agent가 읽도록 read-only 경계를 둡니다. raw chats를 facts, patterns, 작업 방식에 대한 감각으로 점차 압축해 메모리 누적에 따른 clutter를 줄이며, Codex 지원은 plan mode부터 시작한 뒤 CLI로 확대할 예정입니다.
- Tencent가 공개한 생산 사례에서는 Agent Memory가 token 사용량을 61% 줄였고, WorkBuddy는 문서·knowledge bases·회의 맥락과 여러 모델을 연결해 실행을 시작합니다. 이 구조는 매 요청에 전체 기록을 다시 넣는 대신 필요한 작업 맥락을 저장·압축해 비용과 초기 context 구성을 함께 다룹니다.
- Self-Evolving Agents survey는 Agent가 스스로 수정한 업데이트를 어떤 근거로 신뢰할지 L0–L4 taxonomy와 reliability ladder로 분류하고 549개 연구의 공개 목록을 모았습니다. 핵심 원칙은 업데이트가 자기 자신을 승인하는 유일한 증거를 통제해서는 안 된다는 점이며, 변경과 평가를 분리해야 검증 가능한 개선으로 볼 수 있습니다.
메모리 압축과 생산 제품 내장으로 실제 token 비용을 줄인 사례가 있으며, 자기 진화 업데이트에도 별도 신뢰성 기준이 필요합니다.
61% token 절감 수치는 공개됐지만 Self-Evolving Agents의 각 단계별 성능 향상과 실제 배포 결과는 아직 제한적으로 제시됐습니다.
원문 트윗 2개 보기
Tencent AI
@TencentAI_News
Agent Memory crossed 310K views last week. Doing a quick AMA in the replies, but here are the three we got asked most： Q: what if one person's notes leak into everyone's context? A: they don't. memories are private by default, read-only to others unless you share. you control what crosses the boundary. Q: won't memories pile up and slow everything down? A: they compress over time. raw chats become facts, facts become patterns, patterns become a sense of how you work. the clutter never comes back. Q: Codex support? A: soon. plan mode first, CLI once we stop breaking it. Anything else, ask below. we'll be here roadmap for context: https:// github.com/TencentCloud/T encentDB-Agent-Memory/blob/feat/server_team/ROADMAP.md …
Introducing Team Memory, same idea as Agent Memory, except your teammates' agents can read it too 2.0.0 beta out today, and the repo hit #1 on github's typescript trending this week Highlights: > Solo builders: one place to manage memory across all your agents and AI tools, x.com/TencentAI_News…
Tencent Hy
@TencentHunyuan
New Research on Self-Evolving Agents: When AI agents modify themselves, how do we know they actually got better? We present Diving into Reliable Self-Evolving Agents: A Survey—a systematic map of how agents self-evolve and what evidence is needed to trust each update. The survey: Defines an L0–L4 taxonomy for self-evolving agents Introduces a reliability ladder for trustworthy updates Curates 549 works in an open companion catalog One core principle: no update should control the only evidence used to accept itself. Explore the full survey ↓ Paper: https:// openreview.net/forum?id=CGO1h DTHNe … Project: https:// wkqdzkd.github.io/Awesome-Reliab le-Self-Evolving-Agents/ … GitHub: https:// github.com/wkqdzkd/Awesom e-Reliable-Self-Evolving-Agents …
➖ Qwen Image 3.0의 다국어 텍스트 렌더링포스트 1
Qwen Image 3.0이 OpenArt에 추가되며 12개 언어 텍스트와 10px 글자 렌더링, 웹페이지·게임·라이브스트림 인터페이스 생성을 내세웠습니다.
- Qwen Image 3.0은 OpenArt에서 사용할 수 있는 image model로 소개됐으며, 입력된 장면에 12개 언어의 텍스트와 10px 단위의 정밀한 글자를 배치하는 기능을 핵심으로 내세웠습니다. 웹페이지, 게임, livestream 같은 전체 인터페이스를 실제 지식과 함께 렌더링하는 방향이라 이미지 생성 결과에서 읽을 수 있는 UI 요소를 다루는 사용 흐름에 맞춰졌습니다.
➖ Model Studio의 Context Caching 비용 절감포스트 1
Alibaba Cloud가 반복 API 호출에서 동일한 system prompts·문서·history를 다시 청구하는 문제를 Context Caching으로 줄이는 Model Studio 기능을 안내했습니다.
- 반복 API 호출마다 system prompts, 문서, history가 다시 로드되면 같은 context token을 매번 처리하고 비용도 반복 청구됩니다. Model Studio의 Context Caching은 재사용되는 context를 캐시해 이후 호출에서 동일한 입력 구간의 재계산과 전체 토큰 비용 반복을 피하는 방식이며, 긴 고정 문맥을 사용하는 API 흐름을 겨냥합니다.
용어 해설
- 활성값 조정(Activation Steering)
- — 모델의 중간 계층 residual stream에 특정 개념과 연결된 activation vector를 직접 더해 내부 표현을 바꾸는 기법입니다. 이 글에서는 개념 주입 뒤 모델이 변화를 감지하는지 측정하는 데 쓰였습니다.
- Residual Stream
- — Transformer 내부 계층을 거치며 누적되는 activation 정보의 흐름입니다. 연구진은 이 흐름 중간에 loudness, dust, justice 같은 개념의 수학적 표현을 삽입해 모델의 반응을 측정했습니다.
- 에이전트 메모리(Agent Memory)
- — AI Agent가 과거 대화와 작업 정보를 저장하고 이후 실행의 맥락으로 재사용하는 기능입니다. Tencent 사례에서는 raw chats를 facts와 patterns로 압축해 token 사용량과 정보 경계를 관리합니다.
- 컨텍스트 캐싱(Context Caching)
- — 반복 API 호출에서 system prompts, 문서, 대화 기록처럼 동일한 입력 구간을 다시 처리하지 않도록 저장하는 방식입니다. Alibaba Cloud는 이를 통해 같은 토큰의 반복 비용을 줄이는 Model Studio 기능을 안내했습니다.
- 자기 진화형 에이전트(Self-Evolving Agents)
- — AI Agent가 자신의 구성이나 동작을 수정해 성능을 높이는 구조입니다. Tencent 연구는 업데이트를 승인하는 근거를 해당 업데이트가 독점하지 못하도록 L0–L4 taxonomy와 reliability ladder를 정리했습니다.
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.
