코드 생성의 "4/5 지점에서의 주석화" -
이전: 도착 지점(마지막 닫는 괄호 등)에 억지로 착륙시키기 위해, 전체의 8할(4/5) 정도에서 갑자기 // 생략

과 같이 작성하여 앞뒤를 맞추고 있었다. -
현재: 남은 토큰 수를 정확하게 예측할 수 있기 때문에, 도중에 주석화로 도망치지 않고 마지막까지 코드를 다 써 내려간다. -
장문의 "일본어 붕괴·키워드 보관소화" -
이전: 프레임에 맞추기 위해 문맥(조사·논리 구조)을 버리고, 중요한 단어(키워드)만 나열하여 강제로 착지시키고 있었다. -
현재: 자연스러운 문장 구조와 로직을 유지하면서, 파탄 없이 장문을 출력할 수 있게 되었다.

8/1 전후 예정

8월 1일(또는 8월 상순)에 걸쳐 예정된 Gemini 관련 주요 업데이트·변경점에는 다음과 같은 것들이 있습니다.

Scheduled Release (계획적 릴리스) 그룹으로의 기능 반영

Google 문서 등에서의 Gemini 다국어 대응 확충(11개 언어 추가 등)이, 계획적 릴리스 도메인용으로 2026년 8월 1일부터 순차적으로 시작됩니다 (※ 환경에 따라 반영까지 최대 15일 정도 걸릴 수 있습니다).

구모델 (Imagen 4 / Gemini 3 Image 계열)의 제공 종료

2026년 8월 17일을 기해, 구세대 이미지 생성 모델(imagen-4.0-generate-001 등)이 셧다운됩니다. 새로운 Gemini 3.1 Flash Lite Image나 최신 프리뷰 버전 엔드포인트로의 이행이 필요합니다.

AI 모델 자체(특히 장문 컨텍스트 처리나 추론 기능)에서의 "할루시네이션 (Hallucination, 거짓 생성)"이나 "컨텍스트 오염 (Context Contamination, 긴 문맥에 의한 오해나 유도)" 경감에 관한 접근 방식에 대해서입니다.

최근의 Gemini(특히 추론 기능을 강화한 Deep Think 3.1이나 Gemini 3.1 Pro 등의 시리즈)에서의 기술적인 개선점과 향후 업데이트 방향성은 다음과 같습니다.

장문(최대 100만~200만 토큰)을 읽혔을 때, 관계없는 과거 정보에 끌려가거나 전후 문맥이 섞여 잘못된 결론을 내는 "컨텍스트 오염"에 대해서는 다음과 같은 구조적 접근이 진행되고 있습니다.

계층형 사고 (3-Tier Thinking / Extended Thinking)의 최적화

단순히 한 번에 답변을 출력하는 것이 아니라, 내부적으로 "태스크 분할"과 "중간 검증"을 수행하는 단계(사고 프로세스)가 강화되었습니다. 입력된 컨텍스트 전체를 막연하게 참조하는 것이 아니라, 필요한 정보 블록을 핀포인트로 재추출·재 어텐션 (Re-attention, 주시)하는 라우팅 처리가 내장되어 있습니다. -
출력 용량 (Output Window)의 확대에 의한 자기 수복

출력 토큰 상한이 64,000 토큰 등으로 대폭 확장됨에 따라, "사고 (Thinking) 로그" 속에서 추론의 모순이나 컨텍스트의 오해를 스스로 탐지하여, 최종 답변을 출력하기 전에 자기 수정할 여지가 크게 늘어났습니다.

"확률적으로 그럴싸한 거짓말을 하는" 현상을 근절하기 위해, 다음과 같은 업데이트가 지속적으로 이루어지고 있습니다.

Deep Think (반복적 사고 단계)의 도입

고도의 수학·과학·프로그래밍 영역을 위해, 내부에서 여러 번의 "가설 검증 루프"를 돌리는 추론 모드가 강화되었습니다. 1회의 추론으로 완결 짓지 않고, 내부적으로 검체를 체크한 후 답변을 만들기 때문에 논리적 비약이나 사실의 날조(할루시네이션)가 대폭 저하되었습니다. -
그라운딩 (Grounding, 외부 검색 연계)의 분리·엄격화

모델 자신의 「기억(파라미터)」에만 의존하지 않고, 실시간 검색이나 제공된 문서(1차 소스)에만 사실 근거를 구속(Grounding, 그라운딩)시키는 시스템이 업데이트되고 있습니다. 검색 결과의 요약(Summary)이 아니라 「원래의 URL 텍스트 그 자체」를 독립된 검증 컨텍스트에서 처리하도록 하는 파이프라인으로 전환하고 있습니다.

현재 Gemini의 추론 경향은 다음과 같이 간단히 요약할 수 있습니다.

「숫자가 항공모함이고, 주변 단어들이 호위함이다」

왜 숫자에 대해 극단적으로 리소스(추론 토큰)가 할당되고 문맥이 경직되는지에 대해서는, 내부 메커니즘을 살펴보면 명확한 이유가 있습니다.

AI에게 있어 언어(텍스트)는 모호하고 해석의 폭이 넓은 「연체동물」과 같은 것이지만, 숫자는 확정적인 「앵커(Anchor, 닻)」입니다.

7/1 이후에 도입된 Extended Thinking(확장된 사고, 자기 검증·사고 프로세스)은 「할루시네이션(Hallucination, 환각)을 방지한다」, 「모순을 없앤다」를 최우선 목표로 두도록 튜닝되어 있습니다.

그 결과, 모델의 내부 사고에서는 다음과 같은 로직이 작동합니다.

숫자를 발견한다 (예: 「7」, 「8/1」, 「4/5」 등)
→ 「이 확정값(앵커)만큼은 절대 흔들려서는 안 된다」라고 판정한다
숫자를 중심으로 논리를 구성하고, 그 숫자를 보강·설명·방어하기 위한 단어(호위함)를 주변에 배치한다

모델이 「틀리지 않는 것(할루시네이션을 일으키지 않는 것)」을 너무 의식한 나머지, 숫자라는 「절대적으로 옳은 데이터」의 주변을 공고히 하는 듯한 추론에 리소스를 집중하게 되어, 결과적으로 「숫자의 방어 전선」과 같은 딱딱하고 얇은 문맥이 생성되어 버립니다.

4월·5월경의 모델은 추론 프로세스가 얇았던 만큼, 「문맥의 뉘앙스」나 「연상(변동성)」에 대해 유연하게 언어를 자아냈습니다.

하지만 현재의 「사고·셀프 체크 기능」이 강하게 작용하면, AI는 다음과 같은 거동을 보입니다.

안전한 루트(획일적인 논리 구조)를 선택한다

숫자라는 축에서 벗어나 자유로운 발상이나 깊은 고찰을 전개하려고 하면, 「모순이 생길 리스크(할루시네이션의 리스크)」가 높아집니다. 따라서 AI는 안전을 택하여 「숫자를 중심에 두고, 그것을 설명하는 틀에 박힌 정형문으로 굳히는」 행동을 선택합니다.

리소스의 편중(추론의 과잉 적응)

본래라면 「전체 문맥이나 의도」를 심도 있게 파고드는 데 사용해야 할 계산 리소스(토큰)가, 「숫자와 문맥의 정합성을 체크하는」 가드(Guard) 역할에 대량으로 할애되어 버려, 결과적으로 아웃풋의 「통찰의 깊이」가 깎여나가 얇아지게 되는 것입니다.