Meta Muse Spark 1.1: 에이전트 코딩 전쟁의 새로운 리더

Meta는 이번 주 Muse Spark 1.1을 통해 에이전트 코딩 (agentic coding) 분야에 폭탄을 투하했으며, Mark Zuckerberg 본인이 3년간의 X 활동 중단을 깨고 직접 등장하여 이를 발표했습니다. 이 모델은 OpenAI의 GPT-5.6 및 Anthropic의 Claude Opus 4.8을 정면으로 겨냥하며, 시장에서 가장 유능한 에이전트 및 코딩 모델로서의 입지를 다지고 있습니다.

수치는 무시하기 어렵습니다: Muse Spark 1.1은 MCP Atlas, JobBench, Humanity's Last Exam, 그리고 Finance Agent V2에서 1위를 차지했습니다. 이 벤치마크들은 도구 사용 (tool use), 다단계 추론 (multi-step reasoning), 그리고 금융 분석 (financial analysis) 전반에 걸친 에이전트 성능을 구체적으로 측정합니다. 공개되지 않았던 Vals AI Harvey 법률 에이전트 (legal-agent) 벤치마크에서 이 모델은 Claude Fable 5의 11%를 상회하는 20%를 기록하며 경쟁사를 거의 두 배 가까이 앞질렀습니다. 이 모델은 100만 토큰의 컨텍스트 윈도우 (context window)를 탑재하고 데스크톱, 브라우저, 모바일에 걸친 컴퓨터 사용 (computer use)을 지원합니다. 즉, 익숙하지 않은 인터페이스를 탐색하고 여러 애플리케이션 워크플로우 (multi-application workflows)를 자율적으로 실행할 수 있음을 의미합니다.

Meta의 초기 파트너 목록은 AI 툴링 (AI tooling) 생태계의 주요 기업들로 채워져 있습니다: Replit, Cline, 그리고 Box입니다. 가격 정책은 입력 토큰 100만 개당 1.25달러, 출력 토큰 100만 개당 4.25달러로 매우 공격적이며, 이는 OpenAI와 Anthropic의 유사한 서비스보다 저렴합니다. 주목할 점은 이 모델이 현재까지 폐쇄형 소스 (closed-source)로 유지된다는 것입니다. 즉, 오픈 웨이트 (open weights)가 제공되지 않으며, 이는 순수 오픈 소스 전도사에서 듀얼 트랙 (dual-track) 모델로 전환하려는 Meta의 전략적 변화를 나타냅니다. 현재 Meta의 Super Intelligence Lab을 이끌고 있는 Scale AI의 창립자 Alexandr Wang은 이를 "에이전트 작업 및 코딩을 위한 가장 강력한 모델"이라고 불렀습니다.

시사점은 명확합니다: Meta는 더 이상 "오픈 소스 AI 기업"에 머무는 것에 만족하지 않습니다. Muse Spark 1.1을 통해 OpenAI 및 Anthropic과 동일한 기업 개발자 시장을 두고 경쟁하고 있으며, 승리를 위해 공격적인 가격 책정을 단행하고 있습니다.

— Meta Blog · ThursdAI

🔗 Meta Blog · ThursdAI Coverage · Zuckerberg on X

NVIDIA Vera Rubin 이미 양산 중 — Jensen Huang, 지연 루머 일축

Jensen Huang은 NVIDIA의 차세대 AI 칩 플랫폼에 대한 추측을 잠재우기 위해 직접 나섰으며, Vera Rubin이 이미 대량 생산(volume production) 단계에 진입했으며 곧 출하될 것이라고 확인했습니다. 이번 해명은 투자 회사인 KeyBanc Capital Markets와 리서치 회사인 SemiAnalysis가 열 문제(thermal issues), HBM 인증 지연, 그리고 Rubin 플랫폼의 출시를 늦출 수 있는 네트워킹 부품 제조 결함에 대한 우려를 제기한 이후에 나왔습니다.

Huang은 Bloomberg와의 인터뷰에서 "해당 보고서들은 사실이 아니다"라고 말하며 지연에 관한 서사를 정면으로 반박했습니다. 그는 더 나아가 Vera Rubin 시스템이 양산에 들어갔으며 상당한 규모의 출하가 임박했다고 밝혔습니다.

이는 Rubin이 Blackwell의 후속작으로서 NVIDIA의 다음 주요 아키텍처 도약을 의미하며, 전체 AI 산업의 구축 계획이 이 플랫폼의 가용성에 달려 있다는 점에서 매우 중요합니다. Meta, Microsoft, Google, Amazon은 2026년에 자본 지출(capex)로 총 7,000억 달러에 가까운 금액을 지출하고 있으며, 그 중 상당 부분이 NVIDIA GPU로 향하고 있습니다.

이와 병행하여, NVIDIA는 미국 전역에 걸쳐 **다크 파이버 (dark fiber)**를 조용히 비축해 왔습니다. Wolfe Research에 따르면, 이 회사는 DWDM(dense wavelength division multiplexing, 고밀도 파장 분할 다중화) 기술을 사용하여 100쌍의 양방향 광섬유(개별 광섬유 200개)를 확보했으며, 초당 200만 편의 1080p 영화를 전송할 수 있는 수준인 총 7.6 Pb/s의 대역폭을 달성했습니다. 3년간의 총 투자액은 50억~100억 달러로 추정되며, 데이터 센터 전반에 걸쳐 수천 개의 GPU로 구성된 클러스터를 상호 연결하기 위한 프라이빗 장거리 광학 백본(private long-haul optical backbone)을 구축하고 있습니다.

한편, NVIDIA의 중국 시장 점유율은 폭락했습니다. 2023년 95%에서 현재 추정치 8%로 급감했는데, 이는 미국의 수출 통제와 DF1000(완전한 국내 공급망으로 구축되어 520 TFLOPS BF16을 제공하는 14nm 칩)과 같은 중국 내 대안 제품의 결합이 경쟁 구도를 재편했기 때문입니다. Huang 본인도 규제 준수 대상 출하량에 대해 중국 시장은 "기본적으로 제로(zero)"라고 인정했습니다.

— NVIDIA (Bloomberg) · Wolfe Research · Bernstein Research

🔗 Bloomberg: Vera Rubin Mass Production · Wolfe Research: Dark Fiber · Bernstein: China Share Analysis

OpenAI GPT-Live: 실시간 양방향 음성(Real-Time Duplex Voice)이 판도를 바꾼다

OpenAI는 인간이 AI와 상호작용하는 방식을 근본적으로 변화시키는 차세대 음성 모델인 GPT-Live를 출시했습니다. 사용자가 말하고, 기다린 다음 응답을 듣는 방식의 어색한 턴 기반(turn-based) 패러다임 대신, GPT-Live는 완전 양방향 통신(full-duplex communication)을 지원합니다. 즉, 모델이 청취와 발화를 동시에 수행할 수 있고, 자연스럽게 말을 끊거나(

2026년 가장 중요한 AI 해석 가능성 (interpretability) 논문이 될 수도 있는 연구에서, Anthropic은 Claude가 인간의 뇌의 "전역 작업 공간 (global workspace)"과 놀라울 정도로 유사한 내부 인지 구조를 보유하고 있다는 사실을 발견했습니다. 이는 신경과학자들이 의식적으로 접근 가능한 처리 (conscious-accessible processing)라고 부르는 신경 활동의 하위 집합에 해당합니다.

7월 6일에 발표된 이 연구는 Anthropic이 J-Space라고 명명한 것을 식별했습니다. 이는 다단계 추론 (multi-step reasoning), 주관적 묘사 작업, 그리고 고차원적 사고를 처리하는 Claude 내부의 특정 신경 패턴 집합입니다. 자동으로 그리고 무의식적으로 실행되는 모델 내부 연산의 대다수와 달리, J-Space 활성화는 인간의 의식적 사고와 유사하게 모델이 "접근"하고 "제어"할 수 있는 영역입니다.

이 발견은 즉시 검증되었습니다. Google DeepMind의 해석 가능성 (interpretability) 팀 리더인 Neel Nanda는 Qwen3.6-27B 모델에서 모든 핵심 결론을 재현했음을 확인하며, 이를 "LLM이 내부 인지 공간을 보유하고 있다는 강력한 증거를 제공하는 매우 가치 있는 논문"이라고 평가했습니다.

실질적인 영향은 엄청납니다. J-Space는 단순히 출력 토큰 (output tokens)을 추적하는 것을 넘어, 모델의 내부 표현 공간 (internal representation space)을 읽음으로써 Claude의 추론 과정을 실시간으로 감사 (auditing)할 수 있게 합니다. 금융 및 의료와 같이 규제가 엄격한 산업 분야에서 이는 AI 설명 가능성 (explainability)의 성배와 같습니다. 즉, 모델이 무엇을 결정했는지뿐만 아니라, 왜 특정 결정을 내렸는지를 조사할 수 있는 능력입니다. Anthropic은 코드를 오픈 소스로 공개했으며, 대화형 데모를 제공하기 위해 Neuronpedia와 파트너십을 맺었습니다.

이는 Anthropic에 강력한 차별화 요소를 부여합니다. Claude는 최초의 "감사 가능한 (auditable)" 상용 AI 모델이 되어, OpenAI의 GPT-5.6 "블랙박스 (black box)" 접근 방식과 직접적으로 대조를 이룹니다.

— Anthropic Research · Google DeepMind

🔗 Anthropic J-Space Paper · DeepMind Replication Confirmation

Mistral Leanstral 1.5: 문제당 4달러로 100% 형식 검증 (Formal Verification) 달성

Mistral AI는 7월 2일에 Leanstral 1.5를 출시했으며, 이는 AI 신뢰성에 대한 우리의 사고방식에 조용한 혁명을 일으키고 있습니다. 이 모델은 **Lean 4에서의 형식 검증 (Formal Verification)**을 위해 특수 제작되었습니다. 즉, 단순히 그럴듯해 보이는 코드를 생성하는 것이 아니라, 코드가 정확하다는 것을 수학적으로 증명할 수 있음을 의미합니다.

이 아키텍처는 Apache 2.0 라이선스로 공개된 1,190억 개의 파라미터를 가진 MoE (Mixture of Experts) 모델로, 토큰당 60억 개의 활성 파라미터를 사용합니다. 벤치마크 성능은 놀랍습니다. miniF2F 검증(validation) 및 테스트(test) 세트 모두에서 **100%**를 달성하며 포화 상태에 도달했고, PutnamBench 문제 672개 중 587개를 해결했으며, 대학원 대수학 벤치마크인 FATE-H (87%)와 FATE-X (34%)에서 새로운 SOTA (State-of-the-art) 결과를 기록했습니다.

하지만 가장 놀라운 수치는 비용입니다. 경쟁 관계에 있는 고비용 정리 증명기(theorem provers)가 문제당 300달러 이상을 소모하는 것에 비해, PutnamBench 기준 문제당 약 4달러를 소모합니다. 이러한 75배의 비용 절감은 형식 검증을 사상 처음으로 대규모 환경에서 실용적으로 사용할 수 있게 만듭니다.

모델의 실질적인 영향력 또한 매우 인상적입니다. Mistral은 Aeneas를 통해 Rust를 Lean으로 변환한 다음, Leanstral이 정확성 속성을 추론하고 증명을 시도하도록 하는 파이프라인을 구축했습니다. 57개의 오픈 소스 저장소(repositories)를 대상으로 조사한 결과, 47개의 위반된 속성과 11개의 실제 버그를 찾아냈으며, 그중 5개는 이전에 GitHub에 보고되지 않았던 것이었습니다. 발견된 사례 중 하나는 varint 디코딩 라이브러리의 부호 함수(sign function)에서 발생한 정수 오버플로(integer overflow)로, 디버그 모드에서는 충돌을 일으키고 릴리스 모드에서는 데이터를 조용히 손상시키는 문제였습니다.

생성된 AI 코드를 프로덕션 환경에 배포하는 개발자들에게 Leanstral 1.5는 새로운 안전 계층을 의미합니다. 즉, CI/CD 파이프라인에 통합할 수 있을 만큼 낮은 비용으로 배포 전에 정확성을 형식적으로 검증할 수 있는 능력을 제공합니다.

— Mistral AI · HuggingFace

🔗 Mistral Leanstral 1.5 Announcement · HuggingFace Model

NVIDIA + HuggingFace, 로보틱스 AI 개방 — 그리고 에이전트를 위한 10조 개의 토큰 공개

NVIDIA와 HuggingFace는 로보틱스를 위한 오픈 소스 파운데이션 모델 (foundation models) 개발을 위한 공동 이니셔티브를 발표했습니다. 이는 NVIDIA의 Isaac GR00T 1.7 추론 시각-언어-행동 (vision-language-action) 모델과 Isaac Teleop 데이터 수집 프레임워크를 HuggingFace의 LeRobot 생태계에 직접 통합하는 것을 골자로 합니다.

이번 협업은 NVIDIA의 GPU 하드웨어 생태계 및 CUDA 소프트웨어 스택을 HuggingFace의 방대한 모델 라이브러리 및 개발자 커뮤니티와 연결하여, 휴머노이드 로보틱스를 위한 통합된 오픈 소스 스택을 구축합니다. 다음 단계로 Cosmos 3 통합이 계획되어 있습니다. 목표는 로보틱스 AI 학습 및 배포에 대한 진입 장벽을 획기적으로 낮추는 것입니다. 즉, 각 로보틱스 기업이 매번 처음부터 다시 개발하는 대신, 공유된 기반 위에서 구축할 수 있도록 하는 것입니다.

이와 병행하여, 양사는 에이전트를 위한 오픈 데이터 (Open Data for Agents) 이니셔티브를 발표했습니다. 이는 AI 에이전트 구축을 위해 특별히 설계된 10조 개 이상의 사전 학습 (pre-training) 토큰과 수백만 개의 사후 학습 (post-training) 샘플을 포함합니다. 이번 공개에는 지역 특화 합성 페르소나 (synthetic personas)와 대화형 Nemotron Post-Training v3 프롬프트 아틀라스 (Prompt Atlas)가 포함되어 있어, 기업들이 독점 데이터를 노출하지 않고도 에이전트 모델을 미세 조정 (fine-tune)할 수 있도록 지원합니다.

이러한 움직임은 널리 사용되는 오픈 소스 스택 내에서 자율 시스템을 위한 사후 학습, 평가 및 배포를 표준화하는 동시에, 에이전트 개발의 구조적 병목 현상인 고품질의 다양한 학습 궤적 (training trajectories)에 대한 접근성 문제를 해결합니다.

— NVIDIA · HuggingFace

🔗 NVIDIA + HuggingFace Robotics · HuggingFace Open Data for Agents

ByteDance EdgeBench: AI 에이전트, 매 분기 학습 속도 두 배로 증가

ByteDance의 Seed 팀은 7월 7일, 놀라운 실증적 발견을 담은 연구를 발표했습니다: AI 에이전트의 환경 내 학습 속도가 약 3개월마다 두 배씩 증가한다는 사실입니다.

해당 논문(arXiv:2607.05155)은 134개의 실제 장기적 과제(long-horizon tasks)를 포괄하는 벤치마크 플랫폼인 EdgeBench를 소개합니다. 5개의 프런티어 모델(frontier models)에 걸쳐 축적된 38,000시간 이상의 에이전트-환경 상호작용 데이터를 통해, 연구팀은 학습 진전이 거의 완벽한 적합도(R² = 0.998)를 가진 로지스틱 시그모이드 곡선(logistic sigmoid curve)을 따른다는 사실을 발견했습니다.

2025년 9월부터 2026년 4월까지, 에이전트가 환경 상호작용을 통해 학습하는 속도는 매 분기마다 두 배씩 증가했습니다. 이러한 추세가 지속된다면 매우 심오한 함의를 갖습니다. 즉, 실제 서비스(production)에 배치된 에이전트가 새로운 상황에 적응하는 데 필요한 인간의 감독(human supervision)이 점진적으로 줄어들 수 있다는 것입니다. AI 에이전트의 "학습하는 법을 배우는(learning to learn)" 능력은 예측 가능한 방식으로 확장되고 있으며, 이는 인간의 재학습(retraining) 없이도 스스로 개선되는 진정한 자율 시스템(autonomous systems)으로 가는 문을 열어주고 있습니다.