🤖💻 AI Daily Digest — 2026년 7월 30일

Google DeepMind, 기업용 에이전트 효율성을 겨냥한 Gemini 3.6 Flash 시리즈 출시

Google DeepMind는 7월 21일, Gemini 3.6 Flash를 필두로 한 세 가지 새로운 Flash 시리즈 모델을 공개했습니다. Gemini 3.6 Flash는 실무형 모델로서, 3.5 Flash 대비 출력 토큰 (output token) 사용량을 17% 줄이면서도 더 나은 코딩, 지식 작업 및 멀티모달 (multimodal) 성능을 제공합니다. 이 모델의 가격은 입력 토큰 100만 개당 $1.50, 출력 토큰 100만 개당 $7.50로 책정되어, 에이전트 작업 (agentic task)당 비용 측면에서 이전 모델보다 저렴합니다.

이와 함께, Gemini 3.5 Flash-Lite는 초당 350개의 출력 토큰을 달성하며 3.5 시리즈 중 가장 빠른 모델이 되었으며, 입력 토큰 100만 개당 $0.30의 가격으로 문서 처리 및 대규모 데이터 추출과 같은 고처리량 에이전트 워크플로 (agentic workflows)에 특화되어 설계되었습니다. 세 번째 출시 모델인 Gemini 3.5 Flash Cyber는 정부 및 신뢰할 수 있는 파트너를 위해 CodeMender를 통해서만 독점 제공되는 특화된 사이버 보안 (cybersecurity) 모델로, 대규모 취약점을 찾아내고 수정할 수 있는 능력을 갖추고 있습니다.

이러한 전략적 신호는 명확합니다. Google은 AI 배포의 다음 단계가 단순한 파라미터 (parameter) 수량이 아닌, 토큰 효율성 (token efficiency)과 수직적 전문화 (vertical specialization)에 의해 정의될 것이라는 데 베팅하고 있습니다. 벤치마크 결과에 따르면, 3.6 Flash는 DeepSWE에서 49% (3.5 Flash의 37% 대비), MLE Bench에서 63.9% (49.7% 대비), OSWorld-Verified에서 83.0% (78.4% 대비)를 달성했습니다. 또한 회사는 Gemini 3.5 Pro가 현재 파트너들과 테스트 중이며, 가장 야심 찬 훈련 과정인 Gemini 4의 사전 학습 (pre-training)이 시작되었음을 확인했습니다.

— Google Blog · DeepMind Blog

🔗 Gemini 3.6 Flash Announcement · DeepMind Blog · Artificial Analysis Index

OpenAI, 제품 라인업 확장: Presence, Health 및 학술 연구 도구

OpenAI는 7월 22일에서 7월 29일 사이에 수많은 제품 업데이트를 출시하며 기능 출시 주기가 가속화되고 있음을 보여주었습니다. 7월 22일, 이 회사는 사용자가 ChatGPT 세션 전반에 걸쳐 지속적인 정체성(identity)과 컨텍스트(context)를 유지할 수 있도록 설계된 새로운 제품인 OpenAI Presence를 출시했습니다. 이틀 후에는 강화된 인용 도구, 논문 분석, 학술 데이터베이스와의 통합을 제공하는 ChatGPT for Academic Researchers가 출시되었습니다.

7월 23일, OpenAI는 Health in ChatGPT를 도입하여 어시스턴트에 건강 지능(health intelligence)을 도입했습니다. 이는 임상 지식 베이스(clinical knowledge bases)와의 파트너십을 통해 웰니스 추적, 복약 알림, 증상 분류(symptom triage)를 포함합니다. 이 기능은 회사가 6월 GPT-5.6 발표 당시 예고했던 헬스 AI 분야로의 광범위한 확장 전략의 일환입니다. 이와 별도로, OpenAI는 7월 28일에 "에이전트형 AI 시대의 과학적 컴퓨팅 (Scientific Computing in the Age of Agentic AI)"이라는 제목의 기술 심층 분석 보고서를 발표하여, GPT-5.6의 에이전트 오케스트레이션(agent orchestration) 능력이 어떻게 계산 연구(computational research)를 가속화할 수 있는지 설명했습니다.

또한 회사는 7월 21일에 새로운 이사회 멤버인 David Vélez(Nubank 설립자)와 Robin Vince(BNY Mellon CEO)를 발표했으며, 이와 함께 ChatGPT Small Business Program 및 Hugging Face와의 공동 보안 사고 대응(security incident response)을 발표했습니다.

— OpenAI · Reuters

🔗 OpenAI Presence · Health in ChatGPT · ChatGPT for Academic Researchers · Small Business Program

25개 조직, 오픈 웨이트(Open-Weight) AI 제한에 반대하는 공개 서한 서명

Microsoft, NVIDIA, Meta, HuggingFace, Mistral, IBM, Dell, Palantir, Perplexity, Replit, 그리고 벤처 캐피털인 Andreessen Horowitz와 Y Combinator를 포함한 25개 조직 연합은 7월 24일, 미국 정책 입안자들이 오픈 웨이트 (open-weight) AI 모델에 대한 성급한 제한을 피할 것을 촉구하는 공개 서한에 서명했습니다.

"Open-Weight Models and US Leadership in AI"라는 제목의 이 서한은 정당한 모델 증류 (model distillation)를 무단 추출 (unauthorized extraction)과 혼동해서는 안 된다고 주장합니다. 서한은 포괄적인 제한 조치가 실제 위험을 줄이는 데는 거의 도움이 되지 않으면서 혁신을 저해할 것이라고 경고합니다. 서한은 "오픈 웨이트 (open-weight) AI 모델은 기회를 확대하고, 경쟁을 강화하며, AI의 이점이 소수의 손에 집중되기보다 널리 공유되도록 합니다"라고 명시하고 있습니다.

NVIDIA의 CEO 젠슨 황 (Jensen Huang)은 자신의 개인 X 계정을 통해 이 서한을 공유하며 — 이는 그의 플랫폼 내 첫 게시물입니다 — "오픈 모델은 보안과 사이버 보안을 강화하고, 혁신과 도입을 가속화하며, 주권적 자율성 (sovereign autonomy)을 지원합니다"라고 밝혔습니다. Microsoft의 CEO 사티아 나델라 (Satya Nadella) 또한 강력한 지지 성명을 발표했습니다.

이 서한은 DeepSeek, Alibaba의 Qwen, Z.ai (구 Zhipu AI), MoonshotAI의 중국산 오픈 웨이트 모델에 대한 접근을 제한하려는 백악관의 논의가 보고되면서 촉발되었습니다. 주목할 점은 서명자 명단에 Google, Amazon, OpenAI가 없었다는 것인데, 이들은 각각 중국의 오픈 웨이트 생태계와 직접적으로 경쟁하는 독점 모델 (proprietary model) 전략을 유지하고 있습니다.

— Meta · Microsoft · NVIDIA · HuggingFace

🔗 Meta 공개 서한 관련 보도 · NVIDIA CEO 성명 · Microsoft CEO 지지

Poolside, Laguna S 2.1 출시: 118B MoE 오픈 웨이트 코딩 모델

Poolside AI는 7월 21일, 허용 범위가 넓은 OpenMDW-1.1 라이선스 하에 1,180억 개의 파라미터를 가진 Mixture-of-Experts (MoE) 모델인 Laguna S 2.1 (토큰당 8B 활성)을 출시했습니다. 이 모델은 100만 토큰의 컨텍스트 윈도우 (context window)를 지원하며, 사고 모드 (thinking mode)와 비사고 모드 (no-thinking mode) 추론 방식을 모두 제공하여 개발자가 지연 시간 (latency)과 추론 깊이 (reasoning depth) 사이에서 선택할 수 있게 합니다.

벤치마크 결과는 놀랍습니다. Terminal-Bench 2.1에서 Laguna S 2.1은 70.2%를 기록했으며, Poolside는 SWE-Bench Pro 및 SWE-Bench Multilingual에서 자신보다 몇 배나 더 큰 모델들과 대등하거나 이를 능가한다고 주장합니다. 이 모델은 단일 NVIDIA DGX Spark에서 실행될 수 있을 만큼 컴팩트하여, 자체 호스팅 하드웨어에서 대규모 에이전트 코딩 (agentic coding) 워크로드를 실행하는 것을 가능하게 합니다.

Poolside는 자체 Model Factory 플랫폼을 사용하여 4,096개의 NVIDIA H200 GPU 환경에서 9주 미만의 기간 동안 모델을 학습시켰습니다. 이 플랫폼은 아키텍처 탐색 (architecture search)을 자동화하고 코드 실행으로부터의 강화학습 (reinforcement learning)을 적용합니다. 즉, 생성된 코드가 실제로 실행되고 테스트를 통과할 때 시스템에 보상을 주는 방식입니다.

이번 출시는 오픈 웨이트 (open-weight) 모델을 중국 AI 연구소들에 대항하는 서구의 대항마로 포지셔닝하려는 Poolside의 전략을 지속하는 것입니다. NVIDIA의 지원을 받아 120억 달러의 기업 가치로 20억 달러를 유치한 이 회사는, 자사의 오픈 웨이트 출시를 DeepSeek 및 Qwen 생태계에 대한 대안으로 명시적으로 프레임화하고 있습니다.

— Poolside · NVIDIA · VentureBeat

🔗 Poolside Laguna S 2.1 Blog · OpenMDW License · HuggingFace Model

NVIDIA Vera Rubin NVL72 양산 돌입, Spectrum-6 네트워크 스위치 데뷔

NVIDIA는 7월 21일, 차세대 기가와트 규모의 AI 팩토리를 위해 설계된 Vera Rubin NVL72 플랫폼이 양산에 돌입했으며 CoreWeave, Google Cloud, Microsoft Azure, Oracle Cloud에 채택되었다고 발표했습니다. CoreWeave의 테스트 결과에 따르면, 이전 세대 인프라와 비교했을 때 와트당 토큰 처리량 (token throughput per watt)이 10배 향상되었습니다.

컴퓨팅(compute) 발표와 더불어, NVIDIA는 이전 모델보다 두 배의 용량을 갖춘 102.4Tbps 이더넷(Ethernet) 스위치 시스템인 Spectrum-6를 출시했습니다. 이 스위치는 AI 팩토리 클러스터 내에서 수십만 개의 GPU를 연결하는 네트워크를 위해 특수 설계되었으며, 회사가 병목 현상(bottleneck)으로 규정한 문제를 해결합니다. 즉, 모델 파라미터(parameter) 규모가 조 단위(trillion-count) 임계값을 넘어서면서 네트워크 대역폭(bandwidth)과 에너지 효율성이 학습 처리량(training throughput)의 제약 요인이 되고 있습니다.

Vera Rubin과 Spectrum-6의 조합은 AI 인프라 경쟁의 중심이 단일 칩의 피크 FLOPS(peak FLOPS)에서 컴퓨팅, 네트워킹, 전력 공급 전반에 걸친 시스템 수준의 효율성으로 이동했다는 NVIDIA의 판단을 나타냅니다. 이와 병행하여, Wistron은 NVIDIA AI 시스템 구축을 전담하기 위해 텍사스주 포트워스(Fort Worth)에 첫 번째 미국 제조 시설을 열었습니다.

— NVIDIA Blog · Microsoft Azure

🔗 NVIDIA Vera Rubin Blog · Spectrum-6 Announcement

EdgeBench: AI 에이전트 학습 속도가 매 분기 두 배로 증가

ByteDance의 Seed 팀은 7월 7일(arXiv:2607.05155), AI 에이전트가 실제 환경으로부터 학습하는 방식에 대한 정밀한 스케일링 법칙(scaling law)을 밝혀낸 획기적인 연구를 발표했습니다. 이 연구는 과학적 발견, 소프트웨어 엔지니어링, 조합 최적화(combinatorial optimization), 전문 지식 작업, 형식 수학(formal mathematics), 인터랙티브 게임 등 **134개의 실제 장기적 과제(long-horizon tasks)**에 대해 5개의 프런티어(frontier) AI 모델이 최대 12시간 동안 연속적으로 작업하는 과정을 추적하였으며, 약 **38,000 총 에이전트 시간(agent-hours)**의 환경 상호작용 데이터를 축적했습니다.

핵심 발견 사항은 다음과 같습니다: 에이전트 학습 곡선(learning curves)은 정밀한 로그-시그모이드 스케일링 법칙 (log-sigmoid scaling law) (R² = 0.998)을 따릅니다. 이는 에이전트가 초기에 빠르게 학습하고, 문맥(context)을 수집함에 따라 정체기(plateau)를 거친 뒤, 더 높은 수준의 전략을 형성하면서 다시 가속화됨을 의미합니다. 더욱 놀라운 점은, 에이전트가 환경 상호작용을 통해 학습하는 속도가 2025년 9월부터 2026년 4월 사이에 약 3개월마다 두 배씩 증가했다는 사실입니다.

이는 실제 서비스용 에이전트 배포(production agent deployment)에 직접적인 시사점을 줍니다. 이 추세가 유지된다면, 오늘 에이전트 학습에 12시간이 필요한 작업은 6개월 후에는 단 3시간, 12개월 후에는 1시간 미만이면 충분할 것입니다. 연구팀은 에이전트가 실제 세계의 경험으로부터 어떻게 학습하는지에 대한 연구를 가속화하기 위해, 134개 작업 중 51개를 전체 평가 프레임워크와 함께 공개적으로 출시했습니다.

— ByteDance Seed · arXiv

🔗 EdgeBench Paper (arXiv:2607.05155) · AI工具日报 Coverage

Tsinghua AIR + ByteDance Seed: 0.58%의 파라미터로 서브스페이스 정렬 리와이어링(Subspace-Aligned Rewiring)을 통한 추론 능력 향상 구현

Tsinghua University의 AIR 연구소와 ByteDance Seed의 공동 연구팀은 7월 28일, 모델 파라미터의 단 0.58%만이 강화학습 (RL) 훈련의 신호를 담고 있다는 점을 입증하는 논문(arXiv:2607.03065)을 발표했습니다. 또한, 해당 파라미터들을 정밀하게 사후 처리(post-processing)함으로써 재학습 없이도 상당한 추론(reasoning) 이득을 얻을 수 있음을 보여주었습니다.

**서브스페이스 정렬 리와이어링 (Subspace-Aligned Rewiring, SAR)**이라 불리는 이 기술은 RL 훈련이 실제로 모델의 행동을 수정하는 저차원 서브스페이스(low-dimensional subspace)를 식별한 다음, 작업 간 간섭(cross-task interference)을 제거하기 위해 해당 수정 사항들을 재정렬하는 방식으로 작동합니다. 실질적인 관점에서 설명하자면, 수학과 코딩 능력을 동시에 향상시키기 위해 모델을 재학습시키는 대신(이는 상충하는 그래디언트(conflicting gradients)를 생성함), SAR은 유용한 업데이트를 격리하고 이를 재분배하여 서로 충돌하는 대신 서로를 강화하도록 만듭니다.

결과는 놀랍습니다. SAR로 처리된 모델은 더 적은 활성 파라미터 (active parameters)를 사용하면서도 더 나은 벤치마크 점수를 달성했으며, 테스트 시간 포화 (test-time saturation, 더 많은 후보 답변을 생성해도 개선이 멈추는 현상)가 감소함을 보여주었습니다. 이 논문은 현재 강화학습 (RL) 훈련의 두 가지 근본적인 병목 현상인 추론 포화 (reasoning saturation)와 교차 도메인 간섭 (cross-domain interference)을 다루며, 이 두 문제는 프런티어 모델 (frontier models)이 확장됨에 따라 점점 더 심각해지고 있습니다.

— Tsinghua AIR · ByteDance Seed · arXiv

🔗 SAR Paper (arXiv:2607.03065) · 清华AIR Coverage