Mistral이 1조 파라미터 모델의 가중치를 모든 개발자에게 공개하고, DeepMind는 허리케인 예보에 무려 하루의 여유를 추가했으며, xAI는 API 전체에 워터마크(透かし)를 기본으로 활성화했습니다. 지난 며칠간의 7가지 주제를 공식 출처와 함께 전달하는 11월 9일자 AI Daily Digest입니다.
Mistral Large 4 가중치 공개 및 성능 개선
Mistral은 Mistral Large 4의 전체 가중치를 Hugging Face에 공개하며, 이는 프리뷰 기간으로부터 3주가 지난 시점입니다. 별명은 Le Chonk입니다. 총 파라미터는 약 1조 규모의 MoE(Mixture-of-Experts) 구조이며, 토큰당 약 500억 개가 활성화되고 컨텍스트 길이는 100만 토큰을 지원하며 네이티브 멀티모달 기능을 갖추고 있습니다. 이 모델은 유럽 자체 인프라에서 처음부터 학습되었습니다.
주목할 만한 점은 파라미터 수보다 라이선스입니다. Mistral Ecosystem Open-Weight license는 수정된 MIT(modified MIT) 라이선스로, 이용, 개변, Fine-tuning, 상업화가 자유롭습니다. 유일한 조건은 Model-as-a-Service를 제공하는 사업자가 별도의 상업적 라이선스를 취득해야 한다는 것입니다.
능력 면에서는 코딩과 방어 중심의 보안 기능이 핵심입니다. 출시 후보 버전(release candidate)에는 프리뷰 기간으로부터 3주간 강화학습(Reinforcement Learning, RL)이 추가되었으며, Terminal-Bench 4.0에서 41% (기존 대비 +13 포인트, 출력 토큰 30% 감소)의 성능을 보였습니다. Artificial Analysis Coding Agent Index에서는 48%로 GLM-5.3와 동등한 수준이며, 태스크당 토큰 소비는 47% 적습니다. Surge 코드 블라인드 인간 평가(code blind human evaluation)에서는 GLM-5.3, Kimi K3, DeepSeek V4.1 Flash를 능가했으나 Claude Opus 5.5에는 미치지 못했습니다. 보안 측면에서는 악의적인 요청 거부율이 96.6%로 오픈 웨이트 모델 중 최고이며, B3 에이전트 보안(B3 agent security)에서는 97.1%의 공격 내성을 보여줍니다.
배포 생태계는 첫날부터 갖춰졌습니다. transformers, vLLM, llama.cpp (GGUF 양자화)를 네이티브로 지원하며 OpenRouter나 Microsoft Foundry에서도 이용 가능합니다. NVIDIA는 Blackwell용 FP8/NVFP4 및 Vera Rubin용 FP8 레시피가 포함된 NIM 컨테이너를 공개했습니다. API 요금은 입력 100만 토큰당 $0.70, 캐시 $0.07, 출력 $2.10입니다. 추론(Inference)은 low/medium/high의 3단계로 제공되며 기본값은 high이고 비활성화는 불가능합니다. 자체 인프라에서 최첨단 코딩 및 취약점 에이전트를 구동하려는 기업에게 강력한 신규 후보가 추가되었습니다.
— Source: Mistral · Hugging Face · NVIDIA
DeepMind의 WeatherNext Cyclones로 태풍 예보 혁신
Google DeepMind와 Google Research는 Nature 논문과 오픈 모델군을 공개하며, WeatherNext Cyclones가 열대 저기압 예보에서 '역사적인 돌파구'를 달성했다고 보고했습니다. 예보 리드타임이 무려 하루 이상 연장되었으며, 이는 10년 치 기상학 발전량에 해당합니다. 앙상블(Ensemble) 규모는 50개에서 1,000개로 확대되어, 2025년 허리케인 메리사(Hurricane Melissa)에서 관찰된 급격한 강화와 같은 희귀하지만 중대한 시나리오를 포착할 수 있게 되었습니다.
과학적으로 의외인 점은 해상도입니다. 기존에는 높은 공간 해상도가 강도 예보 정확도의 주원인으로 여겨졌으나, WeatherNext Cyclones는 28×28km라는 기존 대비 100배 거친 데이터만으로 정확한 강도 예보를 실현했습니다. 소형 버전인 WeatherNext 2-mini는 111km 해상도로, 무료 Colab 노트북에서 TPU 1개만으로 구동할 수 있습니다. 왜 이렇게 낮은 그리드(grid)로 높은 성능이 나오는지에 대한 원인은 아직 밝혀지지 않았으며, 팀은 연구 커뮤니티에 조사를 요청했습니다.
모든 것이 공개되었습니다. Nature 논문과 함께 WeatherNext Cyclones, 운영 버전인 WeatherNext 2, 2-mini의 코드와 가중치가 공개되어 기상 기관이나 연구자가 지역 특화 모델을 만들 수 있게 되었습니다. 예보 사이트 Weather Lab은 새로운 인터페이스로 개편되었으며, 순환 경로 외에도 전 지구적인 날씨 예보가 표시됩니다. 평가는 실제로 경보를 발령하는 NOAA 국립 허리케인 센터(NOAA National Hurricane Center), CIRA, 영국 기상청과 공동으로 진행되었습니다.
해안 도시에게 하루는 원활한 대피와 혼란스러운 대피의 경계선입니다. 연구 커뮤니티에게는 낮은 해상도에서의 고정밀도가 '답이 일부 숨겨진 숙제'가 되었습니다.
— Source: Google DeepMind · Nature
11월 7일 이후, grok-4.7부터 grok-4.20 패밀리에 이르는 현행 7개 모델의 텍스트 출력에 xAI의 모든 API 엔드포인트에서 눈에 보이지 않는 통계적 워터마크(statistical watermarking)가 적용된다. 통합 측에서는 요청별로 x-watermark 헤더를 통해 검증할 수 있으며, 옵트아웃은 의도적으로 어렵게 설계되었다. 권한은 팀 관리자에게 있으며, 모델 단위로 법적 예외 확인이 필수다. 개발자 문서는 EU AI Act 준수를 언급하고 있는데, 이는 12월 2일 Article 50(2) 마킹 기한보다 3주 전이다.
主要フロンティアAPI에서 '기본 온(default on)' 워터마크 정책이 확인된 것은 이번이 처음이며, 업계가 투명성 의무를 어떻게 충족할지에 대한 첫 번째 구체적인 템플릿이 되었다. Anthropic은 11월 16일 시작되는 2차 라운드 워터마킹을 발표했지만, xAI는 옵트인 실험이 아닌 모든 출력의 기본 상태로 구현했다. 검증이 별도의 도구가 아니라 응답 헤더에 위치한다는 점, 그리고 에스케이프 해치(escape hatch)가 개인 개발자가 아닌 계정 관리자에게 있다는 점은 설계적으로 주목할 만하다.
이는 유럽에서 API를 전개하는 공급업체의 의사 결정 기간을 3주로 압축시킨 것을 의미한다. 통계적 마킹을 구현할지, 적용 제외를 문서화할지, 아니면 xAI 방식의 헤더를 따를지 결정해야 한다. Grok 모델을 사용하는 개발자는 자사의 로깅(logging)이나 캐시 계층이 해당 헤더를 유지하는지 폐기하는지 확인해야 한다. 전송 중에만 존재하는 출처는 절반 손실된 출처와 같다.
워터마크만으로 악용을 막을 수는 없으며, 재진술(言い換え)이나 번역 과정에서 통계적 마킹은 열화될 수 있다. 그럼에도 불구하고 특정 법 조항에 묶여 균일하게 적용되는 '기본 온' 방식은 기존의 옵트인 실험과는 근본적인 자세가 다르다.
— 출처: xAI 개발자 문서 · The Decoder
🔗 xAI Output Watermarking · The Decoder
Amazon은 미국 일부 고객을 대상으로 Alexa for Shopping과의 직접 SMS 대화를 시작했다. 연락처는 'Alexa Shopping'으로 표시된다. '사료가 떨어졌다, 여동생 생일 선물(birthday present)이 필요하다, 키친타월도 부족하다'와 같은 잡다한 메시지를 보내면, 에이전트가 상품 검색·비교·제안의 답변을 하고, 승인을 거쳐 장바구니 추가 및 구매까지 완료한다. 100가지 이상의 쇼핑 기능이 추가되었으며, 레시피 사진으로부터 장바구니 생성이나 목표 가격에서의 자동 구매에도 대응한다.
구조를 보면 Amazon이 자사 에코시스템 내에서 얼마나 높은 수준의 자율성을 추구하는지 알 수 있다. 이 에이전트는 수억 개의 상품 정보, 리뷰, 고객 자신의 구매 기록에 접근하며, 비건 전용 또는 마라톤 준비 중과 같이 선언된 취향을 기억하여 이후 추천에 반영한다. 배송 상황 역시 같은 스레드에서 돌아온다. 전개는 초대에 의한 일부 고객부터 시작되었으며, 앞으로 몇 주 안에 더 많은 미국 고객에게 확대될 예정이다. 이는 5월에 시작된 Alexa for Shopping의 연장선이다.
문맥이 있기 때문에 명확한 한 수다. 지난 9월 Amazon은 Meta의 Muse 쇼핑 에이전트가 상품 정보를 가져가는 것을 차단했고, DoorDash 역시 서드파티(third-party) 에이전트의 주문 건수가 수백 건에 그쳤다고 보고한 후 자사 SMS 에이전트를 전개했다. Amazon에 따르면 Alexa for Shopping의 12개월 이용자는 4억 명을 넘어섰고, 에이전틱 기능의 이용은 2026년 초부터 8배 성장했다. 소매업의 방향성은 일관적이다. 에이전트도 데이터도 결제도 자사 에코시스템 내에 두고 외부 크롤러는 적대적으로 간주한다.
브랜드 측면에서 실질적인 귀결은 명확하다. 상품 피드, 가격 데이터, 배송 정책을 '문자 메시지로 쇼핑하는 기계'가 해석할 수 있는 형태로 정비해야 한다. 새로운 구매 접점은 검색 결과 페이지가 아니라 전화 통화와 같은 대화다.
— 출처: Amazon · The Verge
방위 AI 분야의 Shield는 레이더 전문 기업인 Echodyne(워싱턴주 커크랜드)을 53억 달러 규모로 인수하는 최종 합의를 발표했다. 클로징 시점에는 48억 달러가 지급되고, 실적 조건에 따라 최대 5억 달러가 추가된다. 자금 조달은 총 25억 달러이며, 이는 288억 달러의 포스트머니(post-money) 평가액을 기준으로 한 10억 달러 규모의 Series H(Disruptive와 Innovation X Capital이 공동 주도), Blackstone 계열 펀드의 10억 달러 구조화 지분(structured equity), JPMorgan Chase가 주도한 5억 달러 부채로 구성된다. 평가액은 3월의 127억 달러에서 두 배 이상 증가했다.
Echodyne이 제공하는 것은 자율 시스템에 필요한 감지(sensing) 계층이다. 메타물질 전자 주사 배열(MESA, Metamaterial Electronic Scanning Array) 기술의 소형 고체 레이더는 40개국 이상의 수백 개의 대드론 보안 시스템에 통합되었으며, 지난 9월에는 Joint Interagency Task Force 401로부터 최대 2억 5천만 달러 규모의 계약을 확보했다. 커크랜드에 새로 설립된 4,000만 달러짜리 공장은 연간 약 3만 대를 생산할 수 있다. Shield 자체는 Hivemind 자율 소프트웨어, V-BAT 및 X-BAT 기체, 그리고 완성된 X-BAT 자율 전투기의 풀 스케일 프로토타입을 보유하고 있으며, 2029년 생산을 목표로 하고 있다.
이 거래 발표는 중간 선거 후 AI 데이터센터 투자 우려로 나스닥이 5.5% 하락하며 2020년 이후 최악의 기록을 세운 날과 겹쳤다. 그럼에도 불구하고 방어 AI 분야에 대한 사모 자금(private money)은 3월 대비 두 배 이상의 가격으로 거래되었다. CEO인 Gary Steele은 의회 정파 구도와 관계없이 수요는 견조하며, 해외 매출만 해도 이미 절반을 넘어섰다고 블룸버그(Bloomberg)에 밝혔다. 인수는 규제 승인을 전제로 2027년 초 완료를 예상하고 있다.
논리는 간단하다. 자율 기체는 '감지한 것'에만 대응할 수 있으며, 대드론 수요는 방위 예산에서 가장 크게 성장하는 항목 중 하나다. 레이더 사업을 인수하여 센서를 자율 스택(autonomous stack)에 직접 연결한다.
— 출처: Shield AI · 블룸버그 (Bloomberg)
🔗 Shield AI 발표 · Benzinga
IBM, 에너지부 오크리지 국립 연구소 양자 과학 센터(QSC), AMD는 양자 오류 수정(Quantum Error Correction, QEC) 공동 설계 플랫폼을 공개하고 뉴욕주 포키프시에 위치한 IBM 사이트에 배포했다. 기존의 heavy-hex 방식에서 격자형 레이아웃으로 전환하여 연결성을 약 60% 향상시킨 120큐비트의 IBM Quantum Nighthawk와, AMD Instinct MI355X GPU 및 차세대 EPYC CPU를 탑재한 ORNL의 Umbra HPC가 같은 부지에 배치되었다. 양자 시스템과 고전(classical) 시스템은 일반적으로 클라우드 API를 통해 연결되며, 데이터 전달마다 지연 시간이 발생한다. 여기서는 큐비트 오류를 판별하는 디코더 소프트웨어가 대상 프로세서로부터 몇 미터 떨어진 곳에서 작동한다.
이 플랫폼은 DOE의 Quantum Genesis Mission을 지원한다. 이 임무는 2028년 말까지 100개의 논리 큐비트로 10만 번의 하드 연산(hard operations)을 목표로 한다. IBM의 현재 시연 결과는 70개 논리 큐비트, 438회 수준으로, 업계에는 약 230배의 증가가 필요하다. 플랫폼이 검증을 위해 설계된 유망한 방향 중 하나는 계층적 오류 수정(hierarchical error correction)으로, 물리적 오류율 1/1000에서 1조 번의 논리 연산에 도달할 수 있다는 IBM의 연구가 있다.
AMD에게는 고전 시스템 측면의 정보 제공이기도 하다. EPYC CPU가 하이브리드 오케스트레이션(orchestration)을 담당하고, Instinct GPU가 시뮬레이션 및 디코딩 연구를 가속화한다. 이 플랫폼은 신규 Lux SI를 갖춘 오크리지 리더십 컴퓨팅 시설(Oak Ridge Leadership Computing Facility)에도 연결될 예정이다. IBM은 이 경험을 2029년에 제공 예정인 내결함성 양자 시스템 Quantum Starling에 활용할 것이라고 밝혔다.
양자 컴퓨팅이 AI 일보에 등장하는 것은 드물지만, 컴퓨트의 패턴은 익숙하다. 스케줄링부터 오류 처리까지, 고전 인프라가 전문 가속기(accelerator)를 둘러싸고 작동해야만 구동되는 구조다. 양자 산업계는 GPU 클러스터를 활용한 것과 같은 공동 설계 원칙으로 수렴하고 있다.
— 출처: IBM Newsroom · AMD Newsroom
Linkerd의 회사 Buoyant가 Kubernetes 및 vLLM용 추론 제어 평면(inference control plane)인 Kinference를 Apache 2.0 라이선스로 공개했다. Kinference는 vLLM의 KV-cache 이벤트와 엔진 메트릭을 모니터링하고, 정책 라우팅(policy routing), 부하 분산(load balancing)을 통해 여러 추론 엔드포인트 중에서 선택한다. OpenAI chat-completions 형식의 gRPC 인터페이스를 공개했으며, 설정은 Kubernetes CRD로 수행된다. kinfctl CLI는 서버에 도달하기 전에 정책을 검증할 수 있으며, Buoyant Gateway와 같은 프록시와 결합하여 설계되었다. 내부적으로는 캐시 이벤트 처리에 NVIDIA의 dynamo-kv-router 크레이트(crate)를 이용하고 있다.
문제가 드러나는 순간은 팀이 vLLM 엔드포인트를 여러 개 운영하기 시작할 때이다. 요청들은 컨텍스트 길이와 캐시 재사용 측면에서 크게 다르며, 순수한 Kubernetes serving 환경은 KV-cache의 지역성(locality)을 알지 못한다. 테넌트별 정책은 임시방편적인 스크립트에 의존하는 경향이 있다. Buoyant가 자체적으로 수행한 벤치마크는 순수 Kubernetes serving 대비 평균 첫 토큰까지 걸리는 시간을 최대 95% 단축했다고 주장하지만, 이는 벤더 수치일 뿐 독립적인 검증은 없다. 방향성을 참고하는 수준으로 보는 것이 적절하다.
해당 프로젝트는 명확하게 알파(Alpha) 단계에 있다. README에는 Anthropic 형식의 /v1/messages 미지원, 속도 제한(rate limit), 의미론적 분류기(semantic classifier), 멀티 레플리카 운영 등이 가까운 미래에 진행될 작업으로 언급되어 있다. 그럼에도 불구하고 방향성은 중요하다. 오픈-웨이트 모델 배포는 단일 실험 환경에서 다중 테넌트(multi-tenant) 규모의 플릿(fleet)으로 확장되고 있으며, 이 플릿 운영 도구 계층이 셀프 호스팅(self-hosting)의 지속 가능성을 좌우한다. Linkerd가 플랫폼 엔지니어 세대에게 '컨트롤 플레인(Control Plane) + 선언적 정책(declarative policy)이 스크립트보다 우월하다'는 것을 가르쳤듯이, Kinference는 이러한 패턴을 추론에 적용한 것이다.
이번 주 Mistral의 가중치 공개와 맞물려, 자체 환경에서 프런티어급 오픈 모델을 구동하는 인프라 스택은 가중치(weights), 실행 기반(runtime), 그리고 현재 라우팅 정책까지 하나씩 갖춰지고 있다.
— 출처: Buoyant · GitHub / KD Agentic · AI Daily Digest
