TL;DR
이번 기간에는 Codex의 장문 컨텍스트 기능이 실제 구독 계정 한도와 어긋난다는 정정이 이어지며, Hermes Agent가 이를 따라가는 과정이 집중됐습니다. Qwen 3.8 계열과 Mini-Whale-1처럼 로컬 환경에서 실행되는 모델의 코딩·게임 생성 사례도 이어졌습니다. Anthropic의 텍스트 워터마킹과 제거 도구, 비영어권 안전성 평가의 측정 한계가 맞물리며 생성물 추적과 안전성 검증의 기준이 쟁점이 됐습니다. 기업의 AI 지출 격차와 에이전트용 데이터 인프라, 로컬 음악 생성 도구는 모델 성능을 실제 사용 환경에 연결하는 흐름을 형성했습니다.
𝕏 실시간 트렌드 토픽
🔥 Codex 1M 컨텍스트와 Hermes Agent 한도 정정포스트 8
Codex의 GPT-5.6 Sol 1M-token 컨텍스트 설정이 ChatGPT 계정에도 열렸다는 소식 뒤에 실제 구독 계정의 서버 측 한도가 약 350K~371K라는 정정이 이어졌습니다. Hermes Agent는 이 제한에 맞춰 350K 컨텍스트를 제공하고, 1M 한도가 공개되면 확장할 계획으로 정리됐습니다.
- Codex에서 API 키에 한정됐던 GPT-5.6 Sol 1M-token 컨텍스트 사용이 ChatGPT 계정에도 열렸지만, 게시자는 현재 기본 한도가 성능과 비용에 맞춰 조정된 값이라고 설명했습니다.
- Hermes Agent는 Codex 구독 계정의 실제 서버 측 최대치가 360K 안팎 또는 371K라고 정정한 뒤, 사용 가능한 컨텍스트 창을 350K로 올렸습니다.
- Codex는 거의 100% 신뢰성과 간헐적 리셋, 오픈소스화, 향후 Astra 지원이 함께 언급됐고, Hermes Agent 사용자는 CLI·Desktop·모바일 설정과 Grok Bot 내부 실행까지 연결하려는 흐름을 보였습니다.
원문 트윗 2개 보기
Tibo
@thsottiaux
GPT-5.6 Sol 1M in Codex. This used to only work for API keys, but we just flipped the switch and works for usage through ChatGPT accounts now too. The same warning applies, there is a reason the current context length is the default, we have tuned it to ~perfection. But you do you!
Here is how to enable a 1M-token context window in Codex for GPT-5.6 Sol. Even though we have tuned the context limit in Codex to be set optimally when it comes to performance and cost, this is a common ask, so here it is documented. A larger context window lets Codex retain
Teknium
@Teknium
Well, this was wrong. The actual server-side max for codex subscriptions is just 360~K. That said, raised the ctx window to 350K in Hermes Agent for codex users. If they expose 1M, will open that up as soon as they do
Here is how to enable a 1M-token context window in Codex for GPT-5.6 Sol. Even though we have tuned the context limit in Codex to be set optimally when it comes to performance and cost, this is a common ask, so here it is documented. A larger context window lets Codex retain
📈 Qwen 3.8 계열과 Mini-Whale-1의 로컬 생성포스트 5
Qwen 3.8 27B를 개인 컴퓨터에서 실행한 경험과 브라우저용 FPS 게임 생성 사례가 공유됐습니다. Mini-Whale-1은 DeepSeek V4 Flash DNA와 Qwen 4B 구조를 결합한 12B 하이브리드 모델로 소개됐고, Qwen3.8 Max는 4× DGX Spark에서 53,448토큰과 7.76 tok/s를 기록했습니다.
- Qwen 3.8 27B는 개인 컴퓨터에서 실행되는 로컬 모델로 평가됐고, 별도 포스트에서는 브라우저에서 동작하는 shooting FPS 게임을 로컬로 구축한 사례가 제시됐습니다.
- Mini-Whale-1은 DeepSeek V4 Flash DNA를 Qwen 4B skeleton에 결합해 12B 모델로 만든 구조이며, Strong reasoning·spatial intelligence·design·coding·agentic tasks와 three.js 프롬프트 성능이 언급됐습니다.
- Qwen3.8 Max는 4× DGX Spark에서 53,448 tokens와 7.76 tok/s를 기록했고, 같은 장비에서 GLM-5.2 NVFP4와 Qwen3.8 Max 1-bit를 비교하는 로컬 성능 측정이 이어졌습니다.
원문 트윗 2개 보기
Simon Willison
@simonw
Here’s my review of Qwen 3.8 27B - I can't remember the last time I've had this much fun playing with a local model that runs on my own computers
Md Ismail Šojal
@0x0SojalSec
Qwen3.8 Max created an entire interactive world on 4× DGX Spark. 53,448 tokens , 7.76 tok/s
📈 Anthropic 텍스트 워터마킹과 제거 도구포스트 3
Anthropic이 EU AI Act 준수를 위해 텍스트 워터마킹을 구현한다고 밝힌 가운데, Claude·Gemini SynthID-Text·OpenAI provenance·이미지 C2PA/EXIF를 겨냥한 오픈소스 제거 도구가 빠르게 확산됐습니다. 포스트에서는 생성물 추적을 원하는 정책과 인터넷 학습 콘텐츠에 보이지 않는 추적 신호를 원하지 않는 사용자 사이의 충돌이 드러났습니다.
- Anthropic은 워터마킹 관련 FAQ에서 EU AI Act 준수를 위해 텍스트 워터마킹을 구현하며, 다른 주요 모델 개발사도 같은 Code of Practice에 서명해 이를 구현한다고 밝혔습니다.
- 오픈소스 watermarks-remover는 Claude와 Gemini SynthID-Text의 텍스트 신호, OpenAI provenance, 이미지와 파일의 C2PA/EXIF 메타데이터를 대상으로 하며, 저장소가 거의 하룻밤 사이 11K stars를 얻었다는 수치가 공유됐습니다.
- 워터마크를 품질 저하 없이 넣는 방식은 직관에 어긋난다는 반응과 함께, 그 기능을 이해하기 위한 Claude 기반 artifact가 공유됐지만 일부 포스트에서는 추적 가능성과 제거 가능성의 충돌을 비판했습니다.
워터마킹이 규제 준수와 생성물 식별을 위해 도입되더라도, 사용자는 학습 콘텐츠에 보이지 않는 추적 신호가 남는 것을 원하지 않을 수 있으며 제거 도구의 빠른 확산이 그 반발을 드러낸다는 입장입니다.
원문 트윗 2개 보기
Md Ismail Šojal
@0x0SojalSec
Anthropic ships text watermarks But the open-source watermarks remover tool hits 11k stars almost overnight. tool that targets Claude, Gemini SynthID-Text, OpenAI provenance & C2PA/EXIF from images & files. A lot of people simply don’t want invisible tracking on internet training content. - http:// github.com/guillaumemeyer /watermarks-remover …
We’ve written an FAQ to answer some of the questions we've received about watermarking. In summary: • We’re implementing watermarking to comply with the EU AI Act. Other major model developers have signed the same Code of Practice and will also be implementing watermarking;
Md Ismail Šojal
@0x0SojalSec
The post showing the amazing features turned out to be worse than good.
Watermarking without quality loss is a bit unintuitive, doesn't feel like it should work. I made this artifact with Claude to help me understand how it works, sharing in case it's helpful. x.com/AnthropicAI/st…
➖ 비영어권 안전성 평가와 GLM-5.3 보안 검증포스트 2
COLM 2026에 채택된 논문은 Jailbreak Success Rate 하나만으로는 비영어권에서 안전장치가 약해지는 원인을 분리하기 어렵다고 지적하고, 네 가지 추정 가능한 양으로 평가 방식을 세분화합니다. 별도 포스트에서는 Z ai가 사이버보안 조직과 독립 연구자에게 GLM-5.3 조기 접근을 제공해 보안 평가를 모집했습니다.
- Jailbreak Success Rate는 탈옥이 성공했는지만 집계하므로, 비영어권에서 나타나는 안전성 저하의 여러 원인을 하나의 숫자에 함께 넣는 문제가 있다는 지적이 나왔습니다.
- COLM 2026 논문은 단일 JSR을 네 가지 추정 가능한 양으로 대체하는 방향을 제시했으며, 포스트는 이를 통해 안전성 저하의 원인을 분리하려는 평가 절차를 언급했습니다.
- Z ai는 사이버보안 조직과 독립 연구자에게 GLM-5.3 조기 접근을 제공하고 보안 평가 참여 신청을 받았으며, 코딩과 emergent cybersecurity capabilities의 진전이 참여 이유로 제시됐습니다.
원문 트윗 2개 보기
Sanmi Koyejo
@sanmikoyejo
JSR tells you a model was jailbroken. It can't tell you why. @AmeenPatel0 and Max's new COLM 2026 paper replaces that single number with four estimable quantities. 1/
Our paper "Why Do Safety Guardrails Degrade Across Languages?" has been accepted to #COLM2026! TLDR: Large language models exhibit safety degradation in non-English languages. Standard evaluation relies on Jailbreak Success Rate (JSR), which confounds several safety-driving
Md Ismail Šojal
@0x0SojalSec
Security researchers, this is a rare opportunity. Z ai is inviting cybersecurity organizations and independent researchers to evaluate GLM-5.3 with early access. The model shows significant advances in coding and emergent cybersecurity capabilities. If you’d like to contribute to its security evaluation, please complete the form here: https:// docs.google.com/forms/d/e/1FAI pQLSdglmwm_I0NokCuzhsJgDznexW4Rd2g2d4WebOwbzjWSAlE2w/viewform …
➖ 기업별 AI 지출 격차포스트 1
Ramp AI Index와 a16z를 출처로 한 수치에서 직원 1인당 월간 AI 지출의 중앙값은 12달러, 상위 1% 기업은 7,500달러로 나타났습니다. 두 집단 사이의 625배 격차는 대다수 기업이 실험 단계에 머무는 동안 소수 기업이 훨씬 큰 규모로 AI를 투입하는 구조를 가리킵니다.
- 포스트는 기업의 직원 1인당 월간 AI 지출 중앙값을 $12, 상위 1% 기업의 지출을 $7,500으로 제시했습니다.
- 두 수치를 나누면 625배 차이가 나며, 포스트는 이를 짧은 기간에 나타난 기술 도입 격차로 표현했습니다.
- 중앙 기업은 아직 AI를 barely experimenting 수준으로 사용하고, 상위 소수 기업은 all-in 상태라는 대비가 기업별 도입 단계 차이의 근거로 쓰였습니다.
📈 ACE-Step 1.5의 4GB급 로컬 음악 생성포스트 1
ACE-Step 1.5와 오픈소스 인터페이스를 결합해 중급 GPU와 4GB VRAM 환경에서도 보컬 포함 곡을 로컬 생성하는 구성이 공유됐습니다. 가사 편집, BPM·키·구조 제어, 배치 생성, stem 추출을 한 장비에서 처리해 API 비용과 온라인 전송 없이 반복 생성하는 흐름입니다.
- ACE-Step 1.5 기반 인터페이스는 보컬이 포함된 full song 생성, 실시간 가사 편집과 AI 보정, BPM·key·structure 제어를 로컬에서 수행합니다.
- 배치 생성과 stem tools를 제공하고 Demucs를 내장해 stem 추출을 지원하며, AI 도움을 받는 가사 편집과 4GB VRAM 가능 환경이 함께 제시됐습니다.
- 포스트는 4분이 넘는 트랙을 수초 안에 생성하고 워터마크·검열·API 비용 없이 무제한 생성할 수 있다고 적었으며, 구현의 중심은 ACE-Step 1.5와 로컬 오픈소스 UI입니다.
📈 Alibaba Cloud의 에이전트용 데이터 레이크포스트 1
Alibaba Cloud는 기존 데이터 레이크가 사람을 위한 구조로 만들어졌다는 전제에서, 에이전트가 사용할 수 있는 agent-ready data로 재구축하는 방향을 내놓았습니다. Agentic Lake 세션에서는 기업 데이터를 AI 에이전트가 처리할 수 있도록 바꾸는 이유와 라이브 데모가 다뤄질 예정입니다.
- Alibaba Cloud 포스트는 기존 데이터 레이크가 사람을 위한 구조였지만 에이전트 시대에는 agent-ready data가 필요하다고 설명했습니다.
- Agentic Lake는 기업 데이터를 AI 에이전트가 사용할 수 있는 형태로 재구성하는 개념이며, 포스트는 데이터 레이크 자체가 다시 만들어져야 한다는 방향을 제시했습니다.
- AgenticTalks EP3는 Agentic Lake가 기업 데이터를 AI용으로 준비하는 방식과 라이브 데모를 예고했고, 8월 18일 Alibaba Cloud에서 진행될 예정으로 적혔습니다.
➖ Rust 기반 로컬 PDF 구조화포스트 1
Rust로 만든 오픈소스 도구가 텍스트 기반 PDF를 20ms 안에 감지하고 로컬에서 Markdown으로 변환하는 사례가 공유됐습니다. 표·그래프·문서 구조를 처리하며 200개 PDF를 2.8초에 처리했다는 수치가 제시돼, 외부 API 없이 문서 입력을 빠르게 정리하는 도구 흐름을 보여줬습니다.
- 도구는 텍스트 기반 PDF를 20ms 안에 감지한 뒤 문서 내용을 로컬에서 clean Markdown으로 변환하며, 입력 문서를 외부 서비스로 보내지 않는 방식입니다.
- 변환 과정에서 표, 그래프, 문서 구조를 함께 처리하고, 200개 PDF를 2.8초에 처리했다는 실행 수치가 공유됐습니다.
- 이 사례는 긴 문서를 AI 파이프라인에 넣기 전에 구조화된 Markdown으로 바꾸는 전처리 도구가 Rust 기반 로컬 실행 형태로 제공되는 흐름에 해당합니다.
용어 해설
- 컨텍스트 윈도(Context Window)
- — 모델이 한 요청에서 유지하고 처리하는 입력 문맥의 최대 길이입니다. Codex에서는 긴 코드와 대화 기록을 함께 보존하는 데 쓰이지만, 길이가 커질수록 성능과 비용의 균형을 고려해야 합니다.
- 서버 측 한도(Server-side Limit)
- — 사용자 설정과 별개로 서비스 서버가 실제로 허용하는 최대 처리량이나 입력 길이입니다. 이번 포스트에서는 Codex 구독 계정의 1M-token 설정이 실제로는 약 350K~371K 수준으로 제한된다는 맥락에서 등장합니다.
- 워터마킹(Watermarking)
- — AI가 생성한 텍스트나 이미지에 식별 가능한 신호를 삽입하는 방식입니다. Anthropic은 EU AI Act 준수를 위해 텍스트 워터마킹을 구현한다고 밝혔고, 이에 대응하는 제거 도구도 확산됐습니다.
- 탈옥 성공률(Jailbreak Success Rate)
- — 안전장치를 우회한 요청의 비율로 모델 안전성을 측정하는 지표입니다. 이번 포스트에서는 언어별 안전성 저하의 원인을 하나의 비율만으로 분리하기 어렵다는 한계가 제기됐습니다.
- 에이전트용 데이터 레이크(Agentic Lake)
- — AI 에이전트가 사용할 수 있도록 기업 데이터를 재구성하는 Alibaba Cloud의 개념입니다. 기존 데이터 레이크를 에이전트가 읽고 처리하기 쉬운 형태로 바꾸는 방향을 가리킵니다.
- 도메인 랜덤화(Domain Randomization)
- — 학습 환경의 조건을 의도적으로 바꿔 에이전트가 다양한 상황에 적응하도록 만드는 기법입니다. 이번 포스트에서는 강화학습 환경에서 안전장치가 사라지는 현상을 이 용어로 비꼬아 표현했습니다.
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.
