이번 주말 다이제스트에서는 Anthropic에서 표준 모델이 변경되고 프롬프트 작성 방식도 바뀌었다는 내용, AI가 생성한 372건의 수학적 성과라는 이례적인 공개, Meta의 코딩 에이전트 참여, 그리고 DRAM 사용량을 절반으로 줄이면서 성능은 99%를 유지하는 메모리 엔진을 다룹니다. 개발자용 로드아웃 두 가지와 에이전트를 위한 클라우드 시뮬레이터 및 음성 에이전트 노코드 구축 플랫폼도 추가됩니다.
Anthropic은 Claude Opus 5.5를 Pro, Max, Ultra, Team의 모든 유료 플랜에서 표준 모델로 변경했습니다. 함께 공개한 지식 작업 가이드(knowledge work guide)에서는 이전 세대부터 이어져 온 프롬프트 습관이 모델의 잠재력을 충분히 이끌어내지 못하고 있다고 지적합니다. 첫 번째 권장 사항은 'think hard', 'think carefully'와 같은 구문을 사용하지 않는 것입니다. 회사에 따르면 Opus 5.5는 상시 자율적으로 추론하며, 작업과 선택된 노력 수준에 따라 추론의 깊이를 자동으로 조정하기 때문에, 심층적인 사고를 촉진하는 명시적인 지시는 필요 없습니다. 내부 테스트에서는 이러한 구문을 제외했을 때 응답 시작이 빨라졌으며, 품질 측정치 하락은 없었습니다.
두 번째 권장 사항은 새로운 표준인 Medium 노력 수준부터 시작하는 것입니다. Anthropic의 내부 테스트에 따르면, Medium 설정의 Opus 5.5는 High 설정의 이전 세대 Opus 5와 필적하는 성능을 보였으며, 높은 설정이 비용 증가 대비 결과가 반드시 좋다고 할 수는 없다고 설명합니다. 또한, 일상적인 작업에는 저렴한 Sonnet을 사용하고 난제에만 Opus를 아껴 쓰는 등 활용 방식을 재검토할 것을 촉구합니다. 고성능 모델은 적은 단계로 작업을 완료할 수 있어 토큰 단가 높은 비용을 상쇄할 수 있으며, Sonnet을 Extra High나 Max로 구동하는 것이 Opus 5.5와 비슷한 수준의 비용이 될 수 있습니다.
남은 조언은 모델을 지시를 주고받는 대상이 아니라 위임(delegation)의 대상으로 다루어야 한다는 것입니다. 목표, 출력 형식, 확인 포인트를 하나의 메시지에 모아 전달하고, 표나 도표는 직접 그리지 않고 이미지나 파일로 제공해야 합니다 (최소 노력 수준의 Opus 5.5가 최고 수준의 Opus 5보다 밀도 높은 차트 수치를 정확하게 읽어낼 수 있었다고 합니다). 초안이 아닌 완성물을 직접 요구해야 하며, 디자인에서는 '범용적인 디자인을 피하라' 대신 구체적인 스타일 이름을 언급해야 합니다. 그리고 커넥터(connector)를 이용해 파일이나 시스템을 연결하여 모델이 필요한 정보를 스스로 가져오게 해야 합니다. 벤치마크 비교는 모두 자체 테스트에 기반하며 점수는 비공개이므로, 변경을 고려하는 팀은 자사의 워크로드를 통해 토큰 소비량을 측정해야 한다고 말합니다.
— Anthropic · The Decoder
🔗 Anthropic · The Decoder
OpenAI는 사내 미공개 프론티어 모델(frontier model)이 생성한 수학적 성과 372건의 패밀리와 논문 722편을 GitHub 리포지토리에 공개했습니다. 오랫동안 해결되지 않았던 문제에 대한 진전을 주장하고 있으며, 4차원 Kakeya 추측의 해결이나 리만 가설에 대한 진전이 포함됩니다. 회사에 따르면, 건당 평균 계산 시간은 ChatGPT Pro 수준으로 약 3시간이며, 많은 증명은 논쟁을 한 단계씩 검증하는 형식 증명 언어(formal proof language)인 Lean에서 검증되었습니다.
수학자들이 주목하는 부분은 방법론입니다. OpenAI는 이전에 1만 개 에이전트로 구성된 'agentic swarm'을 수백만 달러의 비용으로 구동하여 Navier-Stokes 문제의 성과를 발표한 적이 있습니다. 이번 배치에서는 거의 모든 논문이 단일 에이전트에 대한 단일 프롬프트에 귀속됩니다. 이것이 검증된다면, 수학적 발견의 방식 자체가 바뀔 수 있습니다. OpenAI는 AI 생성 수학을 공개하기 위한 가이드라인을 만들기 위해 수학·AI 자문 그룹(AGMAI)을 설립했지만, 각 문제의 프롬프트와 계산 시간 공개를 포함한 권장 사항 전체를 따르지는 않고 있습니다.
반응은 축하보다는 신중합니다. 토론토 대학의 Daniel Litt는 결과가 옳다면 메커니즘을 비밀로 할 이유가 없다고 지적했으며, MIT의 Andrew Sutherland는 OpenAI가 모델을 공개하여 제3자가 독립적으로 재현할 수 있을 때까지, 단일 에이전트에 의한 문제 해결 주장은 미검증으로 다루어야 한다고 말했습니다. 당면한 시험대는 리포지토리 그 자체이며, 수학자들이 722편의 논문을 실제 성과/엄밀화가 필요한 주장/오류로 분류하는 작업이 시작될 것입니다.
— OpenAI · Engadget
🔗 GitHub 리포지토리 · Engadget
Meta는 개발자가 여러 코딩 에이전트를 병렬로 전개하고 관리할 수 있는 플랫폼을 갖춘 AI 코딩 스타트업 Conductor의 인수를 확인했다. Conductor는 2024년에 설립되었으며, CEO Charlie Holtz와 CTO Jackson de Campos가 이끌고 있다.同社の製品は각 에이전트에 구획화된 워크스페이스를 제공하며, 클라우드, 로컬, 모바일 환경에서 작동하여 에이전트 간의 간섭을 피하면서 프로젝트의 여러 부분을 동시에 진행할 수 있도록 한다. 재무 조건은 비공개다.
이번 인수는 Meta의 명확한 흐름에 따른 것이다.同社는 2026년 8월 Muse Code를 출시했으며, 그 이전에 에이전트 플랫폼인 Moltbook을 인수했다. 오케스트레이션 계층(orchestration layer) 확보는 개발자가 매일 사용하는 도구를 장악함으로써 엔터프라이즈 지출을 흡수하고 모델 개선의 피드백 루프를 확보하려는 전략의 일환이다. Meta 자신도 코딩과 수학 능력이 프론티어 모델 성능의 레버라고 공언했으며, 모델이 실제 코드베이스와 어떻게 상호작용하는지 보여주는 오케스트레이션 시스템은 제품인 동시에 훈련 신호(training signal)가 된다.
업계 전반의 통합 맥락도 중요하다. Conductor 발표 당일, OpenAI가 Pierre Computer를 인수할 계획이라는 보도가 전해졌다 (6월 Ona 인수에 이어). 이달 초에는 OpenAI가 Astral 인수를 완료하고 uv와 Ruff를 툴체인에 도입했다. Holtz는 다음 인터페이스에 대해 “야심 찬 계획이 있다”고 말했지만 로드맵은 비공개이며, Meta 역시 Conductor의 독립형 클라우드 서비스와 기존 사용자 이행 계획을 상세히 공개하지 않았다.
— Meta · Axios
AMD는 데이터센터에서 가장 비용이 많이 드는 병목 현상 중 하나인 DRAM 용량 문제에 도전하는 예측형 메모리 엔진 MEXT의 세부 사항을 공개했다. 이 시스템은 트랜스포머 모델(Transformer model)과 플래시 스토리지(flash storage)를 사용하여 서버가 필요로 하는 데이터를 예측하고, '핫'한 데이터는 DRAM에, 나머지는 플래시로 옮긴다. AMD에 따르면 MEXT를 구동하는 서버는 DRAM 사용량을 절반으로 줄이면서 표준 성능의 최대 99%를 유지할 수 있으며, 이미 145대의 서버에서 가동 중이며, 2027년까지 2,000대로 확대할 계획이다.
목표는 구조적인 문제에 있다. AI 도입 확산은 DRAM 밀도 향상을 추월하는 속도로 메모리 수요를 끌어올렸고, 추론 기반(inference base)에서는 메모리가 서버 비용의 큰 비중을 차지하게 되었다. 성능을 메모리 용량으로부터 분리하는 접근 방식은 AI 인프라 구축의 경제성을 변화시킨다. 연산 장치나 전력에 예산을 할당할 수 있게 되기 때문이다. 초기 배포 대수를 보도한 Tom's Hardware는 MEXT를 GPU 러시(GPU rush)에 따른 메모리 부족(memory crunch)에 대한 AMD의 해답으로 규정하고 있다.
한계점도 짚고 넘어가야 한다. 예측 엔진은 워크로드 의존적이며, 접근 패턴이 안정적인 워크로드는 잘 압축할 수 있지만, 완전히 무작위 접근 패턴(random access pattern)은 플래시로의 폴백(fallback)을 증가시켜 99%라는 수치를 떨어뜨린다. 플래시의 레이턴시(latency)는 DRAM보다 훨씬 높기 때문에 예측 정확도가 곧 성능 계약이 된다. 그럼에도 불구하고, 145대에서 2,000대로 배포가 예정대로 진행된다면 MEXT는 클라우드 사업자가 이전에 갖지 못했던 조정 레버를 제공할 것이다. 인프라 비용의 매달러(dollar)가 면밀히 검토되는 지금, 타이밍도 나쁘지 않다.
— AMD · Tom's Hardware
🔗 AMD · Tom's Hardware
NVIDIA는 Hugging Face 블로그에서 Hugging Face상의 OpenUSD 시뮬레이션 대응 에셋 라이브러리인 “SimReady Central”의 에셋을 사용하여 Isaac Sim 6.2로 로봇의 피크&플레이스(pick & place) 시뮬레이션을 구축하는 절차를 공개했다. 예시에서는 UR17G 암, Robotiq 2F-140 그리퍼, 음료 캔을 조합하여 AI 에이전트가 태스크 코드를 생성하고 실행한다. 공개된 예시의 에이전트는 GPT-6 Sol이지만, 필요한 스킬을 읽어와 Isaac Sim 상에서 Python을 실행할 수 있는 에이전트라면 대체 가능하다는 점을 NVIDIA는 밝혔다.
이것을 일회성 데모가 아닌 재사용 가능한 절차로 만드는 것이 검증 레이어(verification layer)입니다. SimReady 에셋은 명시적인 시뮬레이션 프로파일을 가지고 있으며, 가이드라인은 Robot-Body 4.0.0과 Robot-Gripper 3.0.0의 검증 파일에 의존합니다. 이들은 PhysX 구동 조인트 체크(drive joint check)를 통과했으며, 개발자는 관절 물리나 충돌 설정을 수작업으로 재조정할 필요 없이 인증된 에셋을 재사용할 수 있습니다. 동작 전에는 세 가지 사전 점검이 이루어집니다. 관절 설정, 팔의 미세 이동 및 그리퍼 개폐, 그리고 음료 캔이 작업대에 안정적으로 놓여 있는지에 대한 충돌 확인입니다. 물건 잡기 자체는 접근(approach) → 파지(grasp) → 들어 올리기(lift) → 유지(hold) → 이송(transfer) → 해제(release) 순서로 진행되며, 그리퍼의 구동 노력 상한은 시뮬레이션 테스트에서 선택된 2N·m입니다.
이 워크스루는 한계점 또한 명시하고 있습니다. 시작 위치는 고정되어 있고, 시각 정보가 없으며, 재계획(re-plan) 기능이 없는 스크립트화된 동작만 가능합니다. 그렇기 때문에 에이전트가 에셋 조립과 코드 생성을 담당하고, 시뮬레이션 계층이 실행 전에 물리적 검증을 수행하는 Physical AI 워크플로우의 실용적인 기준선으로 기능합니다. 임베디드 시스템(embodied system)을 구축하는 팀에게 제공되는 결과물은 인증된 에셋, 프로파일 검증, 그리고 검증된 시나리오에 대한 에이전트 제어 코드 생성이라는 반복 가능한 파이프라인입니다.
— NVIDIA · Hugging Face
🔗 Hugging Face 블로그 · SimReady Central
Expo가 Expo Simulators를 발표했습니다. 이는 모바일 개발에 부족했던, 즉 AI 코딩 에이전트가 자신의 작업을 실제로 검증할 수 있는 환경을 클라우드에서 제공하는 서비스입니다. 에이전트는 단 하나의 명령으로 세션을 시작하고 빌드를 설치하며, iOS 또는 Android 시뮬레이터에서 앱을 조작하여 변경 사항이 의도대로 작동하는지 확인할 수 있습니다. 화면 녹화(screen recording), 스크린샷, 로그가 결과의 증거로 반환되며, 에이전트의 풀 리퀘스트(Pull Request)를 검토하는 사람은 에이전트가 본 것을 확인할 수 있습니다. 현재 모든 유료 플랜에서 이용 가능합니다.
채워진 공백은 설명하기 쉽습니다. 웹 코딩 에이전트는 테스트를 실행하고 미리보기 서버를 띄울 수 있지만, 모바일 에이전트는 실행할 수 없는 코드만 작성할 수 있었습니다. 그 이유는 시뮬레이터가 Xcode와 Android Studio 뒤편, 즉 개발자의 머신 안에 있었기 때문입니다. 시뮬레이터를 클라우드로 옮기고 에이전트를 위한 커맨드라인 진입점(command line entry)을 제공함으로써, Expo는 '자신의 변경 사항을 검증하는 것'을 수동 단계에서 에이전트 루프의 일부로 변화시켰습니다. 다음 날 공개된 후속 가이드에서는 주변 설정에 대해 설명하고 있습니다. GitHub 리포지토리 연결, 로봇 사용자 추가, 에이전트 연결, 워크플로우에 GitHub 토큰 부여 등이 포함됩니다.
이번 발표는 결제 레일(payment rail)부터 오케스트레이터까지 에이전트 인프라의 움직임이 이어지는 한 주 동안 이루어졌습니다. 목표는 모바일에서 코딩 에이전트가 가장 자주 실패하는 단계, 즉 코드 작성 자체가 아니라 '작동 여부'를 아는 것입니다. Expo 생태계에게 걸고 있는 베팅은 단순합니다. 만약 에이전트가 검증 루프(verification loop)를 스스로 닫을 수 있게 된다면 앱 출시 비용은 낮아지고, 그 루프를 호스팅하는 플랫폼이 에이전트 구축 앱의 기본 장소가 될 것입니다.
— Expo
🔗 Expo 블로그 · Agentic workflows 가이드
Fish Audio는 전화 발신 및 수신이 가능한 커스텀 AI 음성 에이전트를 구축할 수 있는 노코드 플랫폼인 Fish Agent를 공개 베타로 출시했으며, 모든 Fish Audio 계정이 이용 가능하게 했습니다. 강점은 배포 속도입니다. 설정부터 가동까지의 중앙값은 32초이며, 대화 중 끼어들기나 자연스러운 턴 테이킹(turn-taking)을 처리하는 풀 더플렉스 음성 모델인 Fish Live 3를 사용합니다. 빌더는 콘솔이나 REST API로 프롬프트, 음성, 지식 기반(knowledge base), 도구 등을 설정할 수 있으며, 번들된 모델이 아닌 자신만의 LLM을 연결할 수도 있습니다.
요금 구조는 음성 스택의 통합화(bundling)를 보여줍니다. 음성 인식(STT), 음성 생성(TTS), 지식 검색, 도구 호출을 포함하는 에이전트 번들은 2026년 12월 31일까지 분당 $0.035 (일반적으로 $0.07)부터 시작합니다. 표준 전화 회선은 분당 $0.01가 추가되며(일부 국제 목적지는 더 높은 요율), 전용 번호는 월 $1.20입니다. 상위 언어 모델을 사용할 경우 해당 토큰 비용이 추가됩니다. STT, TTS, 오케스트레이션, 전화 통신 기능을 각기 다른 벤더로 구성했던 팀에게 있어, 이 모든 것이 하나의 번들로 통합되었다는 것 자체가 제품입니다.
내부 동작은 데모용 콘솔이 아니라 버전 관리된 소프트웨어에 가깝다. 공개는 불변의 설정 버전(immutable configuration version)을 만들고, 세션은 단기 자격 증명(short-term credentials)과 함께 API를 통해 생성되며, 브라우저 SDK가 라이브 연결을 담당하는 한편, 플랫폼 측에서 인식(recognition), 합성(synthesis), 턴테이킹(turn-taking)이 서버 사이드에서 실행된다.
— Fish Audio
KD Agentic · AI Daily Digest
