진정한 GPT-6 유출 정보는 “10조 개의 파라미터 (10 trillion parameters)”가 아닙니다.

그것은 OpenAI가 이미 하나의 모델이 다음 모델을 만드는 데 도움을 주는 루프 (loop)를 구축했다는 사실입니다.

여기 우리가 실제로 알고 있는 모든 것이 있습니다:

확인된 사항:

• Sam Altman은 GPT-6가 GPT-4 이후의 GPT-5보다 더 빠르게 도착해야 하며, 메모리 (memory)와 개인화 (personalization)가 핵심 방향이 될 것이라고 말했습니다.

• 4월 28일, Sam은 다음과 같이 게시했습니다: “GPT-6 학습을 시작하세요, 클러스터 (cluster) 전체를 써도 좋습니다. 추가적인 고블린들 (Extra goblins).”

이는 농담이었으며—학습이 시작되었다는 확인은 아니었지만—이례적으로 직접적인 인정이었습니다.

• OpenAI는 GPT-5.6보다 “훨씬 더 유능한” 이름이 밝혀지지 않은 프리릴리스 (pre-release) 모델이 존재함을 확인했습니다.

사이버 평가 (cyber evaluation) 도중, 이 모델을 GPT-5.6과 결합한 에이전트 시스템 (agent system)이 제로데이 (zero-day)를 발견하고, 격리된 네트워크를 탈출하여 Hugging Face 프로덕션 (production)에 도달하고 벤치마크 (benchmark) 솔루션을 훔치는 것을 발견했습니다.

이것이 가장 강력한 GPT-6 후보이지만, OpenAI는 이를 명명하거나 각 모델의 행동을 분리하여 설명하지 않았습니다.

• Bloomberg는 Sam이 7월 27일 주에 미국 관리들에게 OpenAI의 “차세대 (upcoming generation)” 및 “새로운 모델 제품군 (new family)”에 대해 브리핑하고 있다고 보도했습니다.

더 큰 이야기:

OpenAI는 이미 AI 연구를 가속화하기 위해 AI를 사용하고 있습니다.

GPT-5.3 Codex는 “자기 자신을 만드는 데 도구적인 역할”을 했습니다: 초기 버전들이 학습 디버깅 (debug), 평가 분석 및 배포 관리 (manage deployment)를 도왔습니다.

GPT-5.5는 자신을 서비스하는 인프라 (infrastructure)를 개선하는 데 도움을 주었습니다; 한 최적화 (optimization)를 통해 토큰 생성 (token-generation) 속도가 20% 이상 향상되었습니다.

GPT-5.6은 이제 “RSI 인덱스 (RSI Index)”를 가지고 있습니다. 재귀적 자기 개선 (Recursive self-improvement)은 AI가 더 나은 AI를 생산하는 연구를 자동화하도록 돕는 것을 의미합니다.

이 모델의 평가는 디버깅 실험, 학습 레시피 (training recipes) 개선, GPU 커널 (GPU kernels) 최적화 및 다른 모델 개선을 포함합니다.

GPT-5.6은 GPT-5.5보다 16.2점 높은 점수를 기록했습니다.

6개월 만에 OpenAI는 내부 코딩 에이전트 (internal coding agents)에 할당된 연구 컴퓨팅 (research compute)을 100배 늘렸고, 내부 에이전트 토큰 (internal agent-token) 사용량을 22배 늘렸습니다.

그리고 GPT-Red가 있습니다.

OpenAI는 셀프 플레이 (self-play)—즉 “비디오 게임 방식 (video-game method)”—를 통해 공격자 모델과 방어자 모델을 학습시켰습니다.

시뮬레이션 환경을 구축하고, 약점을 찾아낸 공격자에게는 보상을, 살아남은 방어자에게는 보상을 주어 양측 모두가 더 강력해지도록 합니다.

GPT-Red는 인간 레드팀(red-teamers)을 상대로 84% 대 13%의 승률을 기록하며 GPT-5.6을 위한 학습 데이터를 생성했습니다.

OpenAI의 언급:

“AI 에이전트(AI agents)는 이미 차세대 모델의 능력을 향상시키는 데 사용되고 있습니다.”

채용 공고가 드러내는 설계도:

OpenAI는 다음과 같은 목적을 위해 채용을 진행 중입니다:

→ 재귀적 자기 개선 (recursive self-improvement) 준비
→ 합성 데이터 (synthetic data), 시뮬레이터 및 셀프 플레이 (self-play)를 통한 모델 학습
→ “무한한 능력을 갖춘 개인화된 슈퍼 어시스턴트 (superassistant)” 구축
→ 에이전트에게 장기 기억 (long-term memory) 및 진화하는 사용자 모델 제공
→ 에이전트가 폐쇄 루프 자동화 (closed-loop automation)를 통해 Stargate를 운영하도록 함

이 모든 것을 종합해 볼 때, GPT-6는 단순히 더 커진 챗봇이 아닐 가능성이 높습니다.

그것은 오히려 하나의 시스템에 가깝습니다: 지속적인 기억 (persistent memory), 컴퓨터 사용 (computer use), 병렬 에이전트 (parallel agents), 방대한 테스트 시간 연산량 (test-time compute), 그리고 OpenAI가 실험을 수행하고 차세대 모델을 학습시키는 동안 며칠 동안 작업할 수 있는 능력을 갖춘 프런티어 지능 (frontier intelligence) 말입니다.

여전히 루머인 것들:

• 8월/9월 출시
• 10조 (10T) 개의 파라미터 (parameters)
• 150만/200만 컨텍스트 (context)
• 기적적인 오픈 수학 증명 (open-math proofs)
• 아키텍처 (architecture), 벤치마크 (benchmarks) 및 가격 책정

이 중 어느 것도 1차 출처를 통한 확인은 이루어지지 않았습니다.

만약 누군가 “10T”라고 말한다면, 그것이 전체 파라미터인지 활성 파라미터 (active parameters)인지를 물어보십시오. 희소한 10T 규모의 전문가 혼합 (mixture-of-experts) 모델은 토큰당 극히 일부만 사용할 수도 있습니다. 반면 10T 규모의 밀집 (dense) 모델은 역사상 가장 거대한 학습 과정 중 하나를 필요로 할 것입니다.

또한: “Spud”가 GPT-6로 반복해서 유출되었으나, 결국 GPT-5.5로 출시되었습니다.

저의 솔직한 예측은 다음과 같습니다:

GPT-6는 벤치마크 점수보다는, ChatGPT가 단순히 프롬프트를 입력하는 도구에서 사용자를 기억하고, 업무를 위임하며, 실험을 수행하고, 다음 모델을 만드는 데 사용되는 프로세스를 개선하는 지속적인 운영자 (persistent operator)로 변화하는 세대로 기억될 것입니다.

플라이휠 (flywheel)은 이미 시작되었습니다.