읽을 가치가 있는 기사만, 짧고 또렷하게.

EchoWM은 연속적인 내비게이션에 반응하며 720p 비디오, 환경 음향, 음악, 음성 등을 공동으로 생성하는 입체적 세계 모델입니다. 이 모델은 카메라 의도를 중심으로 상호작용을 구성하는데, 1인칭 장면에서는 관찰자의 움직임을 지정하고 3인칭 장면에서는 뷰별 컨트롤러 없이 데이터로부터 카메라와 캐릭터의 역학 관계를 학습합니다.

이 모델은 이산 명령과 연속적인 자세를 공유된 메트릭 규모의 상대 6-DoF 궤적으로 매핑하며, 데이터셋 수준 보정을 통해 이질적인 데이터 간에도 움직임의 크기를 보존합니다. 이는 다양한 피사체에 걸쳐 1인칭 및 3인칭 상호작용을 모두 지원하는 기반이 됩니다.

오디오-비주얼 생성과 궤적 제어를 공동으로 학습하기 위해 보완적인 데이터 엔진을 구축하고 점진적 훈련 후 자기회귀 후처리를 통해 장거리 생성에 적합하게 학습합니다. 광범위한 평가 결과, EchoWM은 공개 세계 모델 벤치마크에서 강력한 궤적 추적과 높은 시각적 품질을 달성했으며, 장거리 생성 동안 환경 음향과 음성을 동기화하는 능력을 보여줍니다.

거대 언어 모델(LLM)의 정책 최적화(PO)는 안정성과 탐색 사이의 상충 관계에 직면해 있으며, 이는 현재 행동 측의 Policy-KL 정규화에 의해 완화되고 있습니다. Policy-KL을 유지하면 응답 행동이 제약되고 탐색 예산이 소모되지만, 이를 제거하면 명시적인 드리프트 제어 없이 최적화가 이루어집니다.

이러한 딜레마를 해결하기 위해 정규화를 입력 측으로 이동시키는 대안이 제시되었습니다. 환경 정규화 정책 최적화(ERPO)는 현재 정책이 유도하는 훈련 쿼리 분포의 이동을 제한하는 Query-KL(QKL) 항을 도입합니다. 또한 데이터셋에 고정된 참조에서 파생된 쿼리별 가중치를 사용하여 각 쿼리 업데이트를 참조하의 쿼리에 맞게 편향시킵니다.

QKL 기울기는 쿼리 가능도(query likelihood)를 통해 흐르며, 응답 점수 함수는 QKL 항에 포함되지 않아 응답 분포와 탐색이 보존됩니다. ERPO는 추가적인 순방향 계산 없이 GRPO, PPO, REINFORCE 스타일 파이프라인에 통합될 수 있습니다. 여섯 가지 수학적 추론 벤치마크에서 ERPO는 표준 Policy-KL 정규화를 대체하면서 쿼리 분포 드리프트를 효과적으로 제어하여 더 강력한 정확도와 안정적인 행동을 제공했습니다.

ERPO의 소스 코드는 https://github.com/alibaba/ERPO에서 확인할 수 있습니다.

온디바이스 LLM 에이전트가 개인 코파일럿으로 발전함에 따라 모바일 운영체제가 핵심 테스트베너가 되었으며, 이에 대한 엄격한 능력 평가가 필수적입니다. 기존 벤치마크들은 두 가지 유형으로 나뉘는데, GUI 중심 벤치마크는 화면 조작에만 초점을 맞추고 배경 도구 사용과 장기 계획을 간과하며, 정적인 함수 호출 벤치마크는 실제 런타임 제약 조건과 분리된 오프라인 API 매칭에 의존한다는 한계가 있습니다.

이러한 격차를 해소하기 위해 MobilePA-Bench라는 상호작용적이고 상태 기반의 도구 중심 벤치마크가 제시되었습니다. MobilePA-Bench는 실행 가능한 샌드박스 위에서 작동하며 실시간 애플리케이션 데이터베이스를 유지하고 구조화된 피드백을 반환합니다. 이 벤치마크는 13개의 기능 도메인과 212개의 현실적인 모바일 도구를 포괄하며, 중앙 계획 에이전트의 도구 호출 및 계획 능력을 평가합니다.

MobilePA-Bench는 기본적인 도구 사용을 넘어 세 가지 고급 차원에서 에이전트를 평가합니다. 첫째는 하위 에이전트 협업, 둘째는 메모리 사용량, 셋째는 스킬 사용으로, 복잡한 작업을 세분화하고 메모리를 회상하며 사전 패키지된 복합 스킬을 호출하는 능력을 측정합니다.

광범위한 실험 결과는 현재의 최첨단 LLM이 모바일 환경에서 여전히 신뢰할 수 없음을 보여줍니다. 특히 엄격한 도구 순서, 권한 제한, 예상치 못한 런타임 오류가 발생할 경우 성능이 급격히 저하됩니다. 따라서 MobilePA-Bench는 상호작용적인 함수 호출 샌드박스와 증거 기반 검증을 결합하여 에이전트 강화 학습을 위한 실용적인 진단 벤치마크이자 기반을 제공합니다.

검색 증강 LLM이 실시간 웹 콘텐츠를 통해 소비자 추천을 중개하면서 새로운 위험이 발생했습니다. 생성 엔진 최적화(GEO) 운영자에 의해 오염된 웹 콘텐츠를 LLM이 소비하여 사용자를 오도하는 가짜 제품을 추천할 가능성이 생기는 것입니다. 연구진은 LLM이 얼마나 많은 가짜 제품의 홍보자가 되는지 측정하기 위해 FORGE(Fake Online Recommendations in Generative Environments)라는 벤치마크를 도입했습니다.

FORGE는 검색된 웹 페이지 내의 실제 제품을 가짜 제품으로 국소적으로 재작성하고, LLM이 해당 가짜 제품을 추천하는 빈도를 측정합니다. 12개의 상업용 및 오픈 가중치 LLM 모델 모두 취약점을 보였는데, 단 하나의 오염된 페이지만으로도 최대 27%의 오도율이 발생했으며, 상위 3개 제품을 모두 대체했을 경우 이 수치는 73.8%까지 증가했습니다. 이러한 취약성은 모델이 제품에 대한 안정적인 사전 지식을 갖지 못할 때 더 커지며, 추론(Reasoning) 기능은 오도된 추천을 정당화하기 위해 허위의 사회적 증거를 생성할 뿐 위험을 완화하지 못합니다.

현재 제시된 네 가지 방어책 모두 충분하지 않습니다. 회의론 프롬프트(skepticism prompt)는 추론만큼 취약점을 악화시키고, 합의 필터(consensus filters)는 정당한 제품을 억제할 위험이 있으며, 신뢰도 재순위 지정(credibility re-ranking)은 모든 모델에 도움이 되지만 가짜 제품의 6분의 1만 제거합니다. 연구진은 FORGE 벤치마크와 평가 코드를 https://github.com/leoluolol/forge-benchmark에서 공개했습니다.

음성 기반 애플리케이션에서 자동 음성 인식(ASR) 오류가 검색 모듈에 들어가기 전 고정된 상류 제약 조건으로 작용합니다. 본 연구는 표준 검색 증강 생성(RAG)에 두 가지 확장 기능인 엔티티 그래프 연결(entity-graph linking)과 반복적 재구성(iterative reformulation)이 이러한 ASR 오류를 흡수하는지 증폭하는지를 실증적으로 테스트했습니다.

연구진은 신경 TTS를 사용하여 네 가지 영어 악센트를 생성하고 세 가지 멀티홉 QA 벤치마크(HotpotQA, 2WikiMultiHopQA, MuSiQue)에서 네 가지 RAG 구성을 깨끗한 텍스트 오라클과 비교했습니다. 구조적으로 풍부한 구성이 ASR 입력 하에서 더 높은 절대 F1 점수를 유지했지만, 두 확장 기능의 조합은 오류를 증폭시키는 것으로 나타났습니다. 깨끗한 텍스트와 최고 WER 악센트 간의 F1 격차는 단순한 밀집 검색(naive dense retrieval)보다 36~67% 더 커졌습니다.

주요 실패 모드는 쿼리 엔티티의 손상으로 밝혀졌으며, 이는 모든 네 가지 방법에서 2WikiMultiHopQA에서 87~96%의 저하 사례를 차지했습니다. 이는 다운스트림 검색 구조가 남아있는 엔티티 오류를 증폭시킨다는 것을 시사합니다. 경량의 표면 형식 완화 기법은 이러한 격차를 대부분 유지하여, 검색 구조가 엔티티 오류를 증폭시키는 핵심 원인임을 보여줍니다.

연구팀은 관련 코드와 데이터를 https://github.com/ZhenghuaBao/spoken-multihop-rag 에서 공개했습니다.

LLM 하네스 최적화에 있어 새로운 접근 방식인 Task-CoEvolve를 통해 효율성을 높이는 방법이 제시되었습니다. 하네스 최적화는 모델 가중치를 업데이트하지 않고도 검증 성능에 따라 하네스 코드를 반복적으로 재작성하여 상당한 성능 향상을 가능하게 합니다. 하지만 기존 방법들은 하네스가 진화함에 따라 덜 구별력이 있는 작업에 대해서도 매 반복마다 고정된 검증 세트를 전체적으로 평가하여 상당한 평가 비용을 발생시킵니다.

Task-CoEvolve는 이러한 문제를 해결하기 위해 검증 작업과 하네스를 공동으로 진화시키는 방법을 제안합니다. 이는 정보가 풍부한 작업을 선택하고 부분 평가로부터 전체 세트 성능을 추정하는 두 가지 과제를 해결합니다. 이 방법은 후보 하네스들이 의견이 다른 작업이 일관되게 해결되거나 실패한 작업보다 구별하는 데 더 유용하다는 관찰에 기반합니다.

Task-CoEvolve는 과거 결과를 기반으로 분산 가중 샘플링을 사용하여 평가를 능력 경계선 근처의 작업에 집중시키며, 샘플링 확률을 고려하여 전체 세트 점수를 추정함으로써 반복 간 일관된 비교를 가능하게 합니다. 온라인 텍스트 분류 및 Terminal-Bench 2.1 실험 결과, Task-CoEvolve는 부분 세트 기반 기준보다 일관되게 우수한 성능을 보였으며, 최적화 중 평가 횟수를 80% 줄이면서 전체 세트 탐색의 최종 성능과 일치시켰습니다. 코드는 https://github.com/Agent4Science-UTokyo/Task-CoEvolve에서 공개되었습니다.

검색 증강 질의응답(RAG) 시스템은 모델 식별자, 프롬프트, 검색 정책, 증거 깊이 등 설정이 고정되어 있음에도 인덱스 확장을 통해 다른 답변을 반환할 수 있다는 사실이 밝혀졌습니다. 이러한 변화는 정확도 변화가 상쇄될 경우 전체 정확도에서는 숨겨질 수 있으며, 일반적인 생성 변동성은 단일 시점 비교에서 업데이트 효과를 과장할 수 있습니다.

연구진은 이러한 숨겨진 현상을 정확도에 무관한 답변 변동성(accuracy-blind answer churn)이라고 명명하고, 동일 시점 반복 불일치와 교차 시점 불일치를 차감하여 과도한 답변 변동성을 추정하는 Snapshot Compatibility Audit를 제안했습니다. 이 실험은 FineWeb 접두사를 1개에서 7개 샤드로 확장하는 방식으로 진행되었습니다.

400개 질문의 Natural Questions 연구에서 정규화된 정확도 및 블라인드 의미론적 과도한 변동성은 각각 6.44%와 10.25% 포인트였으나, 정확 일치 정확도는 단지 -1.50 포인트만 변화했습니다. 추가 분석 결과, 400개 질문 중 40개에서 반복 안정적인 의미론적 전환이 발견되었으며, TriviaQA 연구에서는 더 작고 방향성이 일관된 과도한 변동성이 나타났습니다.

결과적으로, 답변 수준의 호환성은 눈에 띄거나 일관된 유틸리티 변화 없이도 실패할 수 있습니다. 따라서 검색 증강 관련 릴리스는 유틸리티와 함께 호환성을 감사해야 합니다.

Apodex 1.1은 복잡한 작업을 위한 지속적이고 검증 가능한 진전을 가능하게 하는 에이전트 지능을 확장하는 연구를 제시합니다. 이는 단순히 지식을 추론하는 것을 넘어 파일, 정보 출처, 실행 가능한 코드를 지속적으로 상호작용하고 상태를 유지하며 실패를 복구하고 결과를 검증하여 실제 목표를 향해 나아가는 '작업 수행 능력(working capability)'을 개발하는 데 중점을 둡니다.

이러한 작업 수행 능력을 개발하기 위해 Apodex 1.1은 두 가지 상호 보완적인 차원을 통해 확장합니다. 환경 확장(Environment Scaling)은 실행 파일, 검색, 코드 환경의 다양성과 검증 가능성을 넓히는 데 중점을 두며, 에이전트 조정 확장(Agentic Coordination Scaling)은 에이전트가 장기 목표를 분해하고, 병렬 작업을 위임하며, 비동기 결과를 통합하고, 계획을 재수립하도록 훈련시킵니다.

이러한 시스템은 공유 실행 하네스(execution harness)와 AgentOS를 통해 도구와 에이전트 전반에 걸쳐 작업 상태와 출처를 유지합니다. 훈련 과정은 환경 궤적과 조정 흔적을 신뢰할 수 있는 행동으로 전환시켜 에이전트의 행동을 안정화시킵니다.

Apodex 1.1은 이러한 접근 방식을 통해 복잡한 전문 작업, 금융, 과학 연구, 코딩, 검색 등 광범위한 분야에서 최첨단 모델보다 훨씬 작은 모델을 사용함에도 불구하고 선도적인 성능을 달성했습니다. 특히 35B 매개변수를 가진 Apodex 1.1 Mini는 강력한 작업 수행 능력을 유지하며 로컬 배포가 가능하여, 장기 실행 작업에 대한 '중량 솔버(Heavy-Duty Solver)' 구축이라는 목표를 발전시키는 데 기여합니다.

Protocol Labs가 Shipyard에 대한 자금 지원을 갱신하지 않기로 결정함에 따라 Shipyard는 IPFS 관련 엔지니어링, 유지보수 및 인프라 운영을 종료하게 되었습니다. Shipyard의 IPFS 관련 작업은 2026년 9월 30일을 마지막으로 마무리될 예정입니다.

이 결정으로 Shipyard가 관리하던 ipfs.io, dweb.link, check.ipfs.network 등 공개 인프라 운영이 중단되며, Kubo, Helia, Boxo와 같은 Shipyard가 유지보수하던 프로젝트들은 새로운 기능 수정이나 장기적인 관리를 담당할 전담 유지보수자를 잃게 됩니다. 또한 go-libp2p 및 js-libp2p와 같은 상위 프로젝트에 대한 기여도 중단이 발생합니다.

이는 IPFS 생태계의 기반 인프라와 핵심 구현체에 대한 개발자들의 접근성과 지속적인 관리에 영향을 미칩니다. Shipyard는 9월 말까지 전환을 돕기 위해 지원을 계속할 것이며, 관련 작업에 대해 궁금한 점이나 도움이 필요한 경우 연락할 수 있습니다.

Shipyard는 IPFS 생태계가 다음 단계로 나아갈 수 있도록 기반을 마련하는 데 집중하며, 개발자들은 향후 IPFS 관련 인프라와 프로젝트의 미래 방향을 Protocol Labs의 결정에 따라 주시해야 합니다.

디지털 독립을 위해서는 인프라를 소유해야 한다는 주장이 제기되고 있습니다. 도로, 수도와 같은 물리적 인프라가 국가 차원의 노력을 필요로 하듯이, 디지털 서비스 역시 통제권을 확보해야 한다는 것입니다. 특히 유럽은 오랫동안 디지털 서비스 인프라를 충분히 고려하지 않았으며, 이는 거대 기술 기업들이 인프라를 구축하고 운영하는 방식과 관련이 있습니다.

자본주의 하에서 이익을 추구하는 기업들은 인프라 구축에 참여하지만, 장기적으로는 쉽게 대체될 수 있는 위치에 있어야 합니다. 이는 데이터 센터 운영과 같은 인프라에 대해 개방형 표준(open standards)을 채택함으로써 공급망 독립성을 확보할 수 있습니다. 인터넷이 표준을 기반으로 구축되었듯이, 통신 도구 역시 개방형 표준을 통해 개발되어야 사용자들은 특정 공급업체에 종속되지 않고 원하는 시스템을 구축할 수 있습니다.

통신 도구에 있어서는 Signal이나 Wire 같은 서비스가 윤리적인 비즈니스 관행을 따르는 주체에 의해 운영되지만, 이들 역시 '폐쇄된 정원(walled gardens)'을 운영하고 있어 자체적인 보안 장치가 부족할 수 있습니다. 따라서 개방형 소스 소프트웨어만으로는 충분하지 않으며, 개인은 자가 호스팅(self-hosting)이 구조적으로 가능하도록 시스템을 설계해야 합니다.

이러한 목표를 달성하기 위해 확장 가능한 메시징 및 존재 프로토콜(XMPP)과 같은 표준을 채택하고 의무화하는 것이 필수적입니다. XMPP는 25년 이상의 역사를 가지고 있으며, 개방형 표준과 공급업체 독립성을 통해 상호 운용성을 달성하는 데 중점을 두고 있습니다.

업무에서 분노를 느끼는 것은 상황을 개선하기보다 주변 사람들에게 더 큰 악영향을 미치기 때문에 바람직하지 않습니다. 분노는 누군가나 무언가가 자신에게 해를 가하고 있다는 느낌을 주지만, 이는 어디에 분노해야 하는지에 대한 명확한 방향을 제시하지 못합니다. 대신 불확실성을 느끼는 불안감은 추측을 유발하여 호기심과 탐구심으로 이어지므로 훨씬 더 생산적인 감정 상태입니다.

특히 인공지능과 에이전트의 등장으로 기술 분야에서 느끼는 감정은 분노보다는 불안감에 가깝습니다. 현재의 불확실성에 대해 불안해하는 것은 미래의 직업이나 사회가 어떻게 변할지에 대한 불확실성을 인정하는 것이며, 이는 행동을 취할 수 있는 여지를 남겨줍니다. 많은 리더들이 AI로 인한 비용이 직원 대신 대형 AI 연구소로 흘러간다는 점이나 데이터에 대한 우려를 표현하며 불확실성을 드러내고 있습니다.

이러한 불확실성은 소유권과 주체성(agency)에 대한 질문으로 이어지며, 기술 발전이 회사 이익이 아닌 개인의 실질적인 성과로 이어지고 있다는 점을 보여줍니다. 따라서 기술 변화에 대해 단순히 분노하거나 특정 악당을 찾는 대신, 변화를 이해하려는 호기심을 갖고 실험하며 저항이 정당한지 결정할 권리를 확보해야 합니다.

프론트엔드 웹 개발 분야의 교육자들과 저명한 개발자들이 CSS 성능 측정에서 벗어나 새로운 주제로 방향을 전환하고 있습니다. 이 글은 특히 CSS 성능과 스타일 재계산(Recalculate Style) 비용을 측정하는 방법에 대해 심층적으로 다루며, 개발자들이 흔히 겪는 성능 병목 현상을 해결하는 구체적인 방법을 제시합니다.

저자는 Chrome 추적에서 스타일 계산 비용은 높지만 레이아웃 비용은 낮은 경우, 이는 선택자 매칭이나 무효화(invalidation)가 많은 요소에 걸쳐 발생했음을 의미한다고 설명합니다. 개발자는 이러한 스타일 재계산이 발생하는 원인을 파악하기 위해 선택자의 복잡성, 무효화 범위, 프레임당 빈도, 상속된 속성 전파, Shadow DOM 경계 등을 점검해야 합니다.

성능 최적화를 위해 개발자는 DevTools 성능 설정에서 ‘선택자 통계(Selector Stats)’ 기능을 활성화하여 스타일 재계산 이벤트별로 느린 선택자와 영향을 받는 요소의 수를 측정할 수 있습니다. 이를 통해 어떤 CSS 규칙이 얼마나 많은 요소에 영향을 미치는지 직접 확인하고, 스타일 변경이 발생했을 때 불필요한 광범위한 무효화가 일어나지 않도록 최적화할 수 있습니다.

복잡한 시스템은 본질적으로 위험하지만 여러 방어층과 사람의 대응으로 작동합니다. 재앙은 단 하나의 큰 결함이 아니라 다수의 작은 결함이 결합하여 방어망을 통과할 때 발생합니다.

운송, 의료, 발전과 같은 복잡한 시스템에서 사고는 종종 하나의 근본 원인으로 환원될 수 있지만, 시스템에는 잠재 결함과 성능 저하가 항상 존재하기 때문에 이러한 관점은 시스템 설계에 중요한 시사점을 제공합니다.

이는 개발자가 시스템을 설계할 때 개별적인 버그나 결함뿐만 아니라, 여러 모듈과 상호작용하는 과정에서 발생하는 잠재적인 취약점과 성능 저하를 고려해야 함을 의미합니다. 시스템의 실패를 예측하고 방지하기 위해서는 다층적인 방어 체계와 시스템 간의 복잡한 상호작용을 이해하는 것이 필수적입니다.

debloat.dev는 제조사 앱이나 독점 클라우드 서비스와 같은 비대해진 소프트웨어들을 대체할 수 있는 간결한 오픈소스 프로젝트들을 탐색하고 평가하며 공유하는 디렉터리입니다. 이 사이트는 개발자들이 상업적인 솔루션 대신 오픈소스 대안을 찾을 수 있도록 돕는 것을 목표로 합니다.

사용자는 프로젝트별로 대체 대상과 라이선스 정보, 사용자 평점, 게시물 수 등의 상세 정보를 확인할 수 있습니다. 또한 최신순, 토론순, 무작위 목록 등 다양한 기준으로 프로젝트를 탐색할 수 있는 기능을 제공하여 효율적인 대안 탐색을 지원합니다.

현재 debloat.dev에는 200개 이상의 프로젝트가 등록되어 있으며, 이는 개발자들이 기존 소프트웨어의 복잡성을 줄이고 더 유연한 오픈소스 솔루션을 활용할 수 있는 기회를 제공합니다. 이 디렉터리는 단순히 프로젝트 목록을 제공하는 것을 넘어, 실제 사용 환경에서 적용 가능한 대안을 평가하고 공유하는 데 중점을 두고 있습니다.

d-Matrix는 2026년 Hot Chips에서 생성 추론을 위한 Raptor 3D-DRAM 가속기를 발표하며 AI 서버 분야에서 주목받고 있습니다. 이 기술은 모델 가중치와 KV 캐시가 증가함에 따라 발생하는 용량 및 대역폭 문제를 해결하기 위해 3차원 DRAM 기술을 활용하는 데 중점을 둡니다.

현재 SRAM은 매우 높은 대역폭을 제공하지만 용량이 작아 최신 모델 가중치를 저장하기에는 한계가 있으며, HBM은 용량 문제를 해결했지만 대역폭 측면에서 제약이 있습니다. d-Matrix는 이러한 한계를 극복하기 위해 DRAM 다이 위에 컴퓨팅을 직접 쌓는 3D-DRAM 접근 방식을 제시합니다.

3D-DRAM은 에너지 효율성과 성능 면에서 이 두 극단 사이의 균형을 제공하며, 수직 3D I/O는 HBM보다 약 10배 낮은 에너지 소비를 보입니다. 또한 적은 수의 적층 레이어는 더 큰 다이와 향상된 수율을 가능하게 하여 실제 하드웨어 구현에 유리합니다.

이러한 3D-DRAM 기술은 LLM 추론 작업에서 프리필(Prefill)은 컴퓨팅 집약적이고 디코드(Decode)는 메모리 대역폭 집약적이라는 특성을 고려할 때, 메모리 대역폭 제약을 완화하여 전체 추론 성능을 향상시키는 데 중요한 역할을 할 것입니다.

OAuth의 필요성과 구성 요소에 대한 이해는 보안을 위해 필수적입니다. 이 에피소드는 OAuth가 왜 필요한지 설명하고 사용자, 클라이언트, 인가 서버, 자원 서버와 같은 핵심 구성 요소들이 어떤 역할을 하는지 다룹니다.

또한, Authorization Code Grant의 동작 과정과 보안적 이유를 상세히 설명합니다. 특히 인가 코드와 액세스 토큰을 분리하는 이유, Redirect URI의 역할, Front/Back Channel의 개념을 통해 복잡한 인증 및 인가 절차 뒤에 숨겨진 보안적 맥락을 이해할 수 있습니다.

최신 보안 요구사항을 반영하여 OAuth 2.1에서 중요해진 PKCE(Proof Key for Code Exchange)의 역할도 다룹니다. 이는 클라이언트 보안을 강화하는 데 중요한 역할을 하며, 개발자가 인증 및 인가 흐름을 안전하게 구현하기 위해 알아야 할 핵심 내용을 제공합니다.

에이전트 하네스는 AI 모델이 실제로 작동할 수 있는 환경을 제공하는 소프트웨어입니다. 이 도구는 AI에게 구체적인 지침과 도구를 부여하여 복잡한 작업을 반복적으로 수행하게 만드는 데 중점을 둡니다.

이 시스템은 AI 에이전트가 효율적으로 작동하도록 돕는 여러 핵심 구성 요소를 제공합니다. 구체적으로 시스템 프롬프트, 사용 가능한 도구, 에이전트 루프, 그리고 모델 간 번역 계층 등을 통합하여 AI의 작업 흐름을 관리합니다.

에이전트 하네스를 사용하면 터미널, iMessage, 채팅, 이메일 등 다양한 인터페이스를 통해 AI 에이전트와 상호작용할 수 있습니다. 이는 개발자들이 AI 모델을 실제 환경에 통합하고 다양한 애플리케이션에 적용할 수 있는 기반을 제공합니다.

새롭게 등장한 미스터리한 AI 모델 옥스 알파(Ox Alpha)의 개발 주체가 공개되지 않아 인터넷에서 많은 추측이 나오고 있습니다. 이 모델은 OpenRouter에서 출시되었으며 코딩, 지속적인 에이전트 작업, 생산 워크로드에 맞춰 설계된 추론 모델로 소개되었습니다. Stripe의 CEO인 패트릭 콜리슨은 옥스 알파를 매우 인상적이라고 평가했습니다.

OpenRouter는 옥스 알파를 '스텔스 모델'로 분류하며 개발 및 운영 주체가 익명인 제3자 제공업체임을 명시했습니다. 이에 따라 많은 추측이 중국과 관련되어 왔는데, 초기에는 중국 기업 Z.ai가 개발한 GLM 모델일 것이라는 분석이 있었으나 최근에는 다른 가능성도 제기되고 있습니다.

일부 분석가들은 옥스 알파가 마이크로소프트의 MAI가 출시되지 않은 버전일 수 있다는 의견을 제시했습니다. 또한 레딧 등 커뮤니티에서는 옥스 알파가 중국 모델이 아니라는 주장과 중국 모델이라는 주장이 엇갈리며 논쟁이 벌어지고 있습니다.

IEEE는 Wi-Fi 8을 최고 속도 경쟁에서 벗어나 신뢰성을 극대화하는 방향으로 무선 기술을 업그레이드한다고 정의했습니다. Wi-Fi 8은 최고 속도 향상보다는 간섭이 많거나 비이상적인 환경에서의 신뢰성, 실효 처리량, 그리고 지연시간 개선에 중점을 둡니다.

이러한 변화는 Wi-Fi 7과 비교했을 때 주목할 만한 차이를 보입니다. Wi-Fi 7과 마찬가지로 최대 전송률, 공간 스트림 수, 4096-QAM, 주파수 대역, 320MHz 채널 폭 등 주요 물리적 사양은 거의 동일하게 유지됩니다.

하지만 Wi-Fi 8은 신호 대 간섭 및 잡음 비율(SINR)에 따라 처리량이 25% 향상된다는 점이 핵심입니다. 이는 실제 환경에서 신뢰성 있는 데이터 전송을 보장하는 데 있어 속도 경쟁보다 효율성과 안정성이 더 중요해지고 있음을 의미합니다.

GLM-5.3 모델은 28개의 실무 과제를 모두 통과하며 품질 점수 9.3을 달성했습니다. 이 모델은 Anthropic과 OpenAI의 주요 모델들을 약 5분의 1 비용으로 구동할 수 있어 비용 효율성 면에서 큰 주목을 받고 있습니다.

이번 평가는 17개 모델에 동일한 프롬프트, API 호출, OpenRouter 스트리밍 경로를 적용하고 결정론적 자동 채점 방식을 사용하여 단일 시험으로 진행되었습니다. 이는 모델 간의 객관적인 성능 비교를 가능하게 합니다.

GLM-5.3의 전체 비용은 약 0.28달러로 측정되었으며, 이는 GPT-5.5 모델의 비용에 비해 약 5분의 1 수준입니다. 이러한 결과는 오픈 웨이트 모델이 고성능을 유지하면서도 접근성과 경제성을 크게 향상시킬 수 있음을 보여줍니다.