Meta는 이번 주, Muse Spark 1.1을 출시했으며, Mark Zuckerberg가 3년 만에 X에 게시하며 직접 발표했다. 이 모델은 에이전트 성능과 코딩 능력 면에서 시장 최강임을 주장하며, OpenAI의 GPT-5.6 및 Anthropic의 Claude Opus 4.8에 정면으로 도전한다.

그 수치는 무시할 수 없다: Muse Spark 1.1은 MCP Atlas, JobBench, Humanity's Last Exam, Finance Agent V2에서 1위를 차지했다. Vals AI Harvey 법률 에이전트 벤치마크에서는 20%(Claude Fable 5의 11% 대비)를 기록하며 경쟁사를 거의 두 배에 달하는 점수로 앞질렀다. 100만 토큰의 컨텍스트 윈도우(Context Window)를 보유하며, 데스크톱, 브라우저, 모바일에서의 컴퓨터 조작을 지원한다.

가격 책정은 공격적이며, 입력 토큰 100만 개당 $1.25, 출력 토큰 100만 개당 $4.25이다. 현재는 클로즈드 소스(Closed Source)로 제공된다. Alexandr Wang(Scale AI 창립자, 현 Meta Super Intelligence Lab 책임자)은 "에이전트 태스크와 코딩에 있어 최강의 모델"이라고 평가했다.

— Meta Blog · ThursdAI

🔗 Meta Blog · ThursdAI Coverage · Zuckerberg on X

Jensen Huang은 NVIDIA의 차세대 AI 칩 플랫폼인 Vera Rubin이 이미 양산 단계에 진입했음을 확인하며 연기 루머를 일축했다. KeyBanc Capital Markets와 SemiAnalysis는 발열 문제와 HBM 인증 지연을 우려했으나, Huang 본인이 Bloomberg에 "그러한 보도는 사실이 아니다"라고 말했다.

이와 동시에 NVIDIA는 미국 전역에서 다크 파이버(Dark Fiber) 매입을 진행하고 있다. Wolfe Research에 따르면, 100쌍의 양방향 파이버(총 200개)를 확보하여 DWDM 기술을 통해 총 대역폭 7.6Pb/s를 달성했다. 이는 초당 200만 편의 1080p 영화를 전송할 수 있는 규모다. 3년간의 총 투자액은 50억~100억 달러로 추산된다.

한편, NVIDIA의 중국 시장 점유율은 2023년 95%에서 추정 8%로 급락했다. 미국의 수출 규제와 DF1000(14nm 프로세스, BF16에서 520TFLOPS, 완전 국산 공급망)과 같은 국내 대체제의 등장으로 경쟁 환경이 급변했다.

— NVIDIA (Bloomberg) · Wolfe Research · Bernstein Research

🔗 Bloomberg: Vera Rubin Mass Production · Wolfe Research · Bernstein Research

OpenAI는 GPT-Live를 출시했다. 기존의 턴제 방식(말하기 → 기다리기 → 응답 듣기)이 아닌 전이중 통신(Full-duplex communication)을 구현하여, 모델이 말을 하면서 동시에 들을 수 있다. 끼어들기, 침묵의 이해, "음음", "알겠어"와 같은 필러 구절(Filler phrase)을 통한 경청 표현, 그리고 고민할 때의 대기까지 자연스럽게 수행한다.

GPT-Live-1(유료 사용자용)과 GPT-Live-1 mini(무료 사용자용) 두 가지 버전으로 제공되며, Web, iOS, Android에 순차적으로 전개 중이다. OpenAI는 매주 1.5억 명 이상의 사용자가 ChatGPT의 음성 기능을 이용하고 있다고 발표했으며, 이는 이번 달 최대의 컨슈머 AI 제품 출시라고 할 수 있다.

GPT-Live는 텍스트 모델 위에 음성 인터페이스를 얹은 것이 아니라, 스트리밍 모델로서 처음부터 설계되었으며, 초당 수차례의 판단을 통해 발화, 청취, 중단, 도구 호출(Tool call)을 전환할 수 있다. 백그라운드에서는 GPT-5.5가 복잡한 추론을 담당한다.

— OpenAI

🔗 OpenAI GPT-Live Announcement · OpenAI Newsroom

Anthropic은 7월 6일, Claude 모델 내부에 인간 뇌의 "글로벌 워크스페이스(Global Workspace)"와 매우 유사한 인지 구조가 존재함을 밝혔다. J-Space라고 명명된 이 신경 패턴의 집합은 멀티스텝 추론(Multi-step reasoning), 주관적 기술 태스크, 고차원 사고를 처리할 때 활성화되며, 모델의 대부분을 차지하는 자동적·무의식적 연산과는 명확히 구분된다.

Google DeepMind의 해석 가능성(Interpretability) 팀 리더인 Neel Nanda는 Qwen3.6-27B 모델에서 모든 핵심 결론을 재현했음을 확인하고, "LLM이 내부에 인지 공간을 가지고 있다는 강력한 증거를 제공하는 매우 가치 있는 논문"이라고 평가했다.

J-Space는 Claude의 추론 프로세스를 실시간으로 감사(Audit)하는 것을 가능하게 한다. 금융이나 의료와 같은 고규제 산업 분야에서 이는 AI 설명 가능성(Explainability)의 성배와 같다. Anthropic은 코드를 오픈 소스(Open Source)로 공개했으며, Neuronpedia와 협력하여 인터랙티브 데모를 제공하고 있다.

— Anthropic Research · Google DeepMind

🔗 Anthropic J-Space Paper · DeepMind Replication

Mistral AI는 7월 2일, Leanstral 1.5를 출시했다. Lean 4 형식 검증(Formal Verification)에 특화된 모델로, Apache 2.0 라이선스로 공개되었다. 119B 파라미터 MoE(활성화 6B) 모델로, miniF2F의 검증 및 테스트 세트 모두에서 **100%**를 달성했다. PutnamBench에서는 672문제 중 587문제를 해결했으며, 대학원 수준의 대수 벤치마크인 FATE-H(87%)와 FATE-X(34%)에서 신기록을 수립했다.

가장 주목할 점은 비용이다. PutnamBench 문제당 약 $4로, 경쟁사의 고비용 정리 증명기(Theorem Prover)가 $300 이상인 것과 비교하여 75배의 비용 절감을 실현했다.

실질적인 영향력도 크다. 57개의 오픈 소스 리포지토리(Repository)를 스캔하여 47개의 속성 위반(Property Violation)과 11개의 실제 버그를 발견했다. 그중 5개는 미보고 상태였다. 발견 사례 중 하나로는 varint 디코딩 라이브러리의 부호 함수(Sign Function)에서 발생하는 정수 오버플로(Integer Overflow)가 있었는데, 이는 디버그 모드에서는 충돌을 일으키고 릴리스 모드에서는 데이터를 조용히 파괴하는 문제였다.

— Mistral AI · HuggingFace

🔗 Mistral Leanstral 1.5 Announcement · HuggingFace Model

NVIDIA와 HuggingFace는 로보틱스용 오픈 소스 기반 모델의 공동 개발을 발표했다. Isaac GR00T 1.7 추론 비전-언어-행동(Vision-Language-Action) 모델과 Isaac Teleop 데이터 수집 프레임워크를 HuggingFace의 LeRobot 생태계에 통합한다.

동시에 Open Data for Agents 이니셔티브도 발표했다. 에이전트 구축을 위해 특별히 설계된 10조 개 이상의 사전 학습(Pre-training) 토큰과 수백만 개의 사후 학습(Post-training) 샘플을 공개한다. 여기에는 지역 특화 합성 페르소나(Synthetic Persona) 및 Nemotron Post-Training v3 Prompt Atlas도 포함되어 있어, 기업이 독점 데이터(Proprietary Data)를 공개하지 않고도 에이전트 모델을 파인튜닝(Fine-tuning)할 수 있도록 지원한다.

이러한 움직임은 휴머노이드 로보틱스와 AI 에이전트 개발 모두에서 가장 큰 병목 현상인 '고품질의 다양한 훈련 궤적(Training Trajectories)에 대한 접근성' 문제를 해결하고자 하는 것이다.

— NVIDIA · HuggingFace

🔗 NVIDIA + HuggingFace Robotics · HuggingFace Open Data for Agents

ByteDance의 Seed 팀은 7월 7일, 충격적인 발견을 발표했다: AI 에이전트의 환경 내 학습 속도가 약 3개월마다 두 배씩 증가하고 있다.

논문 arXiv:2607.05155에서 소개된 EdgeBench는 134개의 실제 세계 장기 태스크(Long-term Tasks)를 다루는 벤치마크 플랫폼이다. 5개의 프론티어 모델에 걸친 누적 38,000시간의 에이전트 환경 상호작용 데이터를 분석한 결과, 학습 진전이 로지스틱 시그모이드 곡선(Logistic Sigmoid Curve)을 따르며, R² = 0.998의 거의 완벽한 적합도를 보였다.

2025년 9월부터 2026년 4월 사이, 에이전트가 환경 상호작용을 통해 학습하는 속도는 분기마다 두 배로 증가했다. 이 추세가 지속된다면, 실제 환경에 배포된 에이전트가 새로운 상황에 적응하기 위해 필요한 인간의 감독(Human Supervision)이 극적으로 감소할 가능성이 있다.

— ByteDance Seed · arXiv