TL;DR
이번 포스트 묶음에서는 Hermes Agent의 기여자 2,500명 돌파와 컨텍스트 압축 정책이 커뮤니티 규모와 실제 사용 구조를 함께 드러냈습니다. Grok Bot은 계획·오케스트레이션부터 일상적인 코딩·디버깅, 로봇 명령 전달까지 작업 흐름 안에 배치됐고, 여러 모델을 조합한 개발 파이프라인도 공유됐습니다. 연구 측면에서는 과거 궤적을 잠재 컨텍스트로 압축하는 자기 증류와 GRPO 기반 연구 재현 학습이 제시됐으며, AgentLoop Audit은 세션·도구 사실과 비밀·앱·사용자별 영향을 연결해 에이전트 보안 경보의 잡음을 줄이는 구조를 내세웠습니다. Qwen3.8 27B는 로컬 코드 모델로 소개됐습니다.
𝕏 실시간 트렌드 토픽
🔥 Hermes Agent의 2,500명 기여자와 컨텍스트 압축포스트 7
Hermes Agent가 2,500명 기여자를 확보했고, Desktop·Bot Mode와 컨텍스트 압축 정책이 실제 사용 확장을 뒷받침했습니다.
- Hermes Agent 관련 포스트는 커뮤니티 기여자 수가 주말 사이 2,500명에 도달했고, 아직 검토·통합하지 못한 기여가 남아 있다고 전했습니다. 기여자들이 만든 변경 사항을 검토하고 통합하는 구조가 커뮤니티 확장의 다음 병목으로 남은 셈입니다.
- 사용자 포스트에서는 Hermes Desktop이 터미널 중심 작업을 대체하는 새 작업 환경으로 언급됐고, 인용된 내용에서는 며칠 만에 추가된 Bot Mode가 에이전트 활용의 핵심 기능으로 평가됐습니다. Hermes Agent는 아이디어를 실제 결과물로 옮기는 도구로 쓰인다는 사용자 경험과 함께 확산됐습니다.
- Hermes Agent의 컨텍스트 정책은 기본 사용률 50%에서 압축을 시작하고, 어떤 경우에도 85%의 컨텍스트 한도를 넘기지 않는 방식입니다. 작업 기록을 압축해 입력 공간을 관리하는 처리 단계가 장시간 에이전트 세션의 중단을 막는 운영 장치입니다.
원문 트윗 2개 보기
Teknium
@Teknium
Hermes Agent hit 2,500 contributors sometime this weekend. Amazing what the community can do coming together, and we've barely scratched the surface on reviewing and integrating everyone who's contributed's work! Thank you all for making Hermes Agent great!
Nous Research
@NousResearch
Thank you to all the developers and contributors who make Hermes Agent world class.
Hermes Agent hit 2,500 contributors sometime this weekend. Amazing what the community can do coming together, and we've barely scratched the surface on reviewing and integrating everyone who's contributed's work! Thank you all for making Hermes Agent great!
📈 Grok 기반 오케스트레이션과 로봇 제어포스트 3
Grok Bot이 계획·조정과 코드 작업에 들어가고, Matic Robots에 문자 명령을 전달하는 연결 사례가 공유됐습니다. 여러 모델을 단계별로 배치한 개발 워크플로도 함께 등장했습니다.
- Grok 관련 포스트는 에이전트가 같은 목표를 향해 협업하면서 사람 사이의 조정 비용을 줄이는 작업 파트너처럼 쓰인다는 경험을 전했습니다. 단순 대화보다 목표 공유와 역할 분담을 중심으로 에이전트를 배치한 사례입니다.
- 한 사용자는 Grok Bot에 기능을 요청한 뒤 Matic Robots에 보낼 문자를 Grok을 통해 작성할 수 있게 됐다고 전했습니다. Grok Bot이 요청을 받아 기능을 실행하고, 외부 로봇 시스템에 전달할 명령으로 연결하는 입력·처리·출력 흐름입니다.
- 공유된 개발 순서는 실시간 조사, Grok Bot의 계획·오케스트레이션, Grok Bot의 코딩·디버깅, Grok Build와 Grok 4.6의 테스트 작성·실행 및 복잡한 디버깅, GPT-5.6 Sol의 프런트엔드 작업, Fable 5의 순서였습니다. 모델마다 조사·조정·구현·검증 역할을 나누는 방식이 구체적인 작업 파이프라인으로 제시됐습니다.
원문 트윗 2개 보기
Yun-Ta Tsai
@yunta_tsai
OMG. I asked my Chief Engineer on Grok @bot to bring up the feature and it's done. I can text my @maticrobots now through my Grok @bot —anywhere and anytime.
Okay, I need to figure out how to connect my Grok @bot to @maticrobots so I can text it where to clean.
Min Choi
@minchoi
This is literally my new workflow now: Realtime Research → Grok Bot Planning & Orchestration→ Grok Bot Day-to-day Coding/Debug → Grok Build + Grok 4.6 Write & Run Tests → Grok Build + Grok 4.6 Complex Coding/Debug → GPT-5.6 Sol Frontend → Fable 5 Bookmark this.
📈 자기개선 에이전트와 연구 재현 학습포스트 2
두 연구 포스트가 경험 표현을 학습하는 자기 증류와 연구 논문의 실험 메커니즘을 재현하는 GRPO 학습을 다뤘습니다. 에이전트 학습에서 사람의 수작업 개입과 롤아웃 수를 줄이는 방향이 공통으로 나타났습니다.
- Latent On-Policy Self-Distillation은 기존 자기개선 에이전트가 교사에게 추가 정보를 주고 사람이 경험 표현 방식을 정해야 했던 문제에서 출발했습니다. 과거 궤적을 잠재 컨텍스트로 압축하고, 학생이 실제로 방문한 상태에 맞는 교사 신호를 모델이 스스로 만들도록 한 뒤 그 신호를 자체 가중치에 증류하는 구조입니다.
- 이 방식에서는 학습 중 잠재 컨텍스트가 교사 역할을 보조하지만, 추론 단계에서 그 추가 컨텍스트를 계속 요구하지 않는 설계가 핵심입니다. 포스트는 더 적은 롤아웃으로 도구 사용과 코딩 성능을 높였다고 전했습니다.
- Faraday는 GRPO와 GPT-5.5를 코딩 도구로 사용해 연구 논문에서 누락된 그림을 재현하도록 후처리 학습됐습니다. 턴 단위 공로 할당을 포함한 기준표 기반 평가자가 실제 실험 메커니즘을 재현하도록 학습 신호를 만들고 지름길을 막았으며, 보류된 AI-for-science 논문에서 GPT-5.5와 Claude Opus 4.8보다 높은 성능을 기록했다고 전했습니다.
원문 트윗 2개 보기
alphaXiv
@askalphaxiv
"Latent On-Policy Self-Distillation" Self-improving agents usually learn from experience through a teacher that gets extra information, but humans still have to decide how that experience should be represented. This paper makes that representation learnable. Past trajectories are compressed into latent context that helps the model become a better teacher for itself on the exact states the student visits. The student then distills that guidance into its own weights, so the extra context is only needed for training, while still improving tool use and coding with much fewer rollouts. https:// alphaxiv.org/abs/2608.13040 v1 …
alphaXiv
@askalphaxiv
"Training AI Scientists to Replicate Research" Faraday is post-trained with GRPO to replicate missing figures from research papers while using GPT-5.5 as a coding tool. They used a rubric-based judge with turn-level credit assignment to teach it to reproduce the actual experimental mechanism and prevent it from taking shortcuts. This transfers to held-out AI-for-science papers, where Faraday beats GPT-5.5 and Claude Opus 4.8 despite using the GPT-5.5 as its own tool. https:// alphaxiv.org/abs/2608.13331 v1 …
➖ AgentLoop Audit의 에이전트 보안 경보 정제포스트 2
AgentLoop Audit이 에이전트 보안 경보에서 실제 위험과 잡음을 분리하는 감사 기능을 내세웠습니다. 세션·도구 기록과 영향 범위를 함께 연결해 증거 확인 경로를 짧게 만드는 구조입니다.
- Alibaba Cloud의 포스트는 에이전트 보안 경보가 잡음에 묻히는 문제를 전제로 삼았습니다. AgentLoop Audit은 전체 세션과 도구 사실을 수집하고, 맥락을 반영한 위험 분석으로 단순 경보와 실제 위험을 구분하는 흐름을 구성합니다.
- 이 도구는 위험 증거의 위치를 한 번에 찾는 기능과 비밀·앱·사용자 단위의 영향 추적을 함께 제공합니다. 경보 발생 뒤 세션 기록을 확인하고, 위험이 어떤 비밀이나 앱·사용자에 닿았는지 이어서 확인하는 감사 과정입니다.
- 동일한 기능 설명이 두 포스트에서 반복됐으며, 포스트에 명시된 기능은 전체 세션·도구 사실, 맥락 기반 위험 분석, 원클릭 증거 위치 확인, 비밀·앱·사용자별 영향 추적입니다. 에이전트 운영에서 경보의 양보다 조사 가능한 근거와 영향 범위가 중요하다는 방향을 담고 있습니다.
원문 트윗 2개 보기
Alibaba Cloud
@alibaba_cloud
Agent security alerts often drown in noise. AgentLoop Audit separates real risks from noise: ꔷ Full session & tool facts ꔷ Contextual risk analysis ꔷ One-click evidence location ꔷ Impact traced by secret, app & user https:// click.alibabacloud.com/m/20000002385/ #AIAgent #Security #AgentSecurity #AISecurity #LLMOps
Alibaba Cloud
@alibaba_cloud
Agent security alerts often drown in noise. AgentLoop Audit separates real risks from noise: ꔷ Full session & tool facts ꔷ Contextual risk analysis ꔷ One-click evidence location ꔷ Impact traced by secret, app & user https:// click.alibabacloud.com/m/20000002385/ #AIAgent #Security #AgentSecurity #AISecurity #LLMOps
➖ Qwen3.8 27B의 로컬 코드 모델 포지셔닝포스트 1
Alibaba Cloud가 Qwen3.8 27B를 로컬 코드 모델로 소개하고 Qwen Cloud와 Model Studio 링크를 함께 공유했습니다. 포스트에는 성능 수치나 세부 구현 정보가 포함되지 않았습니다.
- Qwen3.8 27B는 포스트에서 로컬 환경의 코드 모델로 소개됐고, 사용자가 더 많은 코드를 만들 수 있도록 Qwen Cloud와 Model Studio 접근 경로가 함께 제시됐습니다. 모델의 역할과 제공 경로는 확인되지만, 학습 방식·추론 성능·하드웨어 요구량은 원문에 명시되지 않았습니다.
- 이번 포스트는 이전 기간의 Qwen 3.8 계열 로컬 생성 언급과 이어지지만, 새로 확인되는 내용은 Qwen3.8 27B의 코드 모델 포지셔닝과 관련 서비스 링크입니다. 구체적인 벤치마크가 없어 모델 간 우열이나 실제 성능은 판단할 수 없습니다.
용어 해설
- 컨텍스트 압축(Context Compaction)
- — 에이전트가 대화나 작업 기록을 계속 유지하면서 컨텍스트 한도에 가까워질 때, 기존 내용을 압축해 이후 작업에 필요한 정보만 남기는 처리 방식입니다. Hermes Agent는 기본 50%, 최대 85%의 컨텍스트 사용률을 압축 시점으로 삼습니다.
- 도구 사용(Tool Use)
- — 언어 모델이 답변만 생성하지 않고 외부 도구를 호출해 파일 수정, 코드 실행, 로봇 제어 같은 작업을 수행하는 방식입니다. 이번 포스트에서는 에이전트의 코딩과 로봇 명령 처리 성능이 이 방식과 연결됩니다.
- 오케스트레이션(Orchestration)
- — 여러 모델이나 도구에 작업을 나누고 순서를 조정하는 과정입니다. 한 워크플로에서는 Grok Bot이 계획과 조정을 맡고, 다른 모델들이 코드 작성·테스트·디버깅을 이어받는 구조로 쓰였습니다.
- GRPO
- — 모델의 출력 결과를 그룹 단위로 비교해 보상 신호를 만들고, 그 신호로 모델을 추가 학습하는 후처리 학습 방법입니다. Faraday는 연구 재현 작업을 학습할 때 GRPO를 사용했습니다.
- 잠재 컨텍스트(Latent Context)
- — 과거 작업 궤적을 모델 내부 표현으로 압축해 다음 학습 단계의 조건 정보로 사용하는 방식입니다. Latent On-Policy Self-Distillation은 이 표현을 학습 대상으로 삼아 에이전트가 자기 경험에서 교사 신호를 만들도록 했습니다.
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.
