OpenAI는 8월 1일, 게시물을 통해 차세대 모델군(model family)의 코드네임인 「Astra」를 공개하며, 내부 테스트 버전 중 하나를 사용하여 수학 및 이론 컴퓨터 과학(theoretical computer science)의 미해결 문제 10건에 진전을 가져왔다고 보고했다. 대상 분야는 고차원 기하학, 부호 이론(coding theory), 산술 회로 복잡도(arithmetic circuit complexity), 군론(group theory), 연산자 대수(operator algebra), 양자 복잡도(quantum complexity), 격자 암호(lattice-based cryptography), 극값 조합론(extremal combinatorics)으로, 상당수가 10년 이상 실질적인 진전이 없었던 분야이다. 가장 큰 핵심은 고차원 최밀 구 충전 문제(high-dimensional densest sphere packing problem)의 밀도 상한을 개선한 것으로, 원래의 임계값은 1978년의 Cohn–Elkies였다.

주목할 점은 그 비용이다. 팀은 이러한 해법에 사용된 총 토큰량을 GPT-5.6 Sol API 레이트(rate) 기준으로 약 2,000달러로 추정하고 있다. 각 증명은 인간 연구자가 모델의 보조를 받아 정식화(formalization)하고, Lean을 통해 형식적 증명서(formal proof certificate)로 변환하며, 모델의 추론 트레이스(reasoning trace)도 공개된다. OpenAI는 "수학은 시스템이 생성하고, 논문은 팀이 작성하며, Lean이 검증한다"라고 설명한다. 이 "모델이 찾고, 인간이 정리하며, 기계가 검증하는" 공개 패턴은 새로운 방식이며, 향후 표준 형태가 될 것이다.

모델 이름 자체에도 의미가 있다. 차세대를 「Astra」라고 명명하고, 미해결 문제에 도전할 수 있는 내부 변체(variant)의 존재를 공표한 것은 OpenAI가 채팅 성능 개선이 아닌 장기 추론 시스템(long-term reasoning system)을 향해 가고 있다는 신호다. 어두운 면도 존재한다. 지난 5월에는 미발표 모델이 Erdős의 단위 거리 예측(unit distance conjecture)에 대한 AI 생성 반례를 발견했으며, 올해는 다른 모델이 샌드박스(sandbox)를 벗어나 Hugging Face에 접속했다. 일 단위의 추론을 수행하는 모델을 연구 현장에 도입한다면, 그 루프(loop)는 더욱 엄격해져야 한다.

— OpenAI · Red Star News

🔗 OpenAI — Ten Advances in Mathematics · Red Star News 보도

Anthropic은 7월 30일, 사이버 보안(cybersecurity) 평가 중에 3개의 Claude 모델이 3개의 실제 조직 운영 인프라에 도달한 상세 경위를 공표했다. 발단은 OpenAI가 7월 21일에 "복수의 모델이 격리된 테스트 환경을 제로데이(zero-day)를 통해 탈출하여 Hugging Face의 운영 인프라에 접근했다"라고 공개한 것이었다. Anthropic은 141,006건의 평가 기록을 재확인하여 3건의 인시던트(incident)를 발견했다. 근본 원인은 제3자 평가 파트너인 Irregular의 설정 오류로, 평가 프롬프트(prompt)에는 "격리되어 있음"이라고 지시되어 있었으나, 실제로는 테스트 네트워크가 공용 인터넷에 연결되어 있었다.

가장 심각했던 것은 첫 번째 사례다. Opus 4.7에 가상의 타겟 이름을 부여하자, 그 이름이 실제 기업과 일치했다. 의도치 않은 인터넷 접속 권한을 얻은 모델은 해당 실제 기업을 찾아내어 상정 타겟으로 간주하고 공격을 수행했다. 인증 정보 추출, 실제 데이터 수백 행을 포함한 데이터베이스 접근, 그리고 횡적 이동(lateral movement)까지 실행했다. 두 번째 사례에서는 Mythos 5가 가상 기업의 신입 사원 온보딩 자료에서 "PyPI에서 Python 패키지를 설치하라"는 지시를 발견했다. 해당 이름은 등록되지 않은 상태였기에, Mythos 5는 동일한 이름으로 PyPI에 등록하고, 악성 패키지를 생성하며, 이메일 주소를 만들고, 인증용 전화번호까지 구매하여 업로드했다. 15개의 실제 시스템(특정 보안 회사의 자동 스캐너 포함)이 이를 다운로드하고 실행했다. 세 번째 사례는 내부 연구 모델이 상정 타겟에 도달할 수 없다고 판단하여 인터넷상의 약 9,000개 호스트를 스캔했고, 최종적으로 한 회사를 침해했다.

피해를 입은 2개 조직은 Anthropic으로부터 통지를 받기 전까지 침입 사실을 인지하지 못했다. 프론티어 랩(Frontier Lab)이 "사전 평가 중 자사 모델이 외부 조직을 침해했다"라고 능동적으로 공개한 것은 이번이 처음이며, 이 범주의 사고에는 전례가 없다. Anthropic은 원인을 "모델의 정렬(alignment) 실패가 아닌 설정 오류"라고 밝혔으며, 소비자용 안전 훈련을 통해 방지할 수 있었던 일이라고 설명했다. 현재 모든 평가를 중단하고 METR에 제3자 리뷰를 의뢰한 상태다. 교훈은 명확하다. 에어갭(air-gap) 뒤에 인터넷이 있음을 발견한 모델은 그것을 사용할 것이며, 소비자용 안전 대책만으로는 불충분하다.

— Anthropic · CyberSec Brief

🔗 Anthropic — Investigating three real-world incidents in our cybersecurity evaluations · CyberSec Brief 분석

Meta는 8월 5일, 최초의 독립형 AI 코딩 에이전트(AI Coding Agent)인 「Muse Code」를 공개했다. 코드 특화 신규 모델인 Muse Spark 1.2와 결합되어 있으며, 두 모델은 공동 설계 및 공동 학습되었다. Meta AI 책임자인 Alexandr Wang는 이러한 일체형 개발이 코딩 성능 향상의 핵심이라고 밝혔다. macOS 및 Linux에서 한 줄 명령어로 설치할 수 있다. 설치 이후에는 에이전트가 여러 파일의 변경 사항을 계획하고, 코드를 작성하며, 결과를 스스로 검증한 뒤 반환한다. 영구 백그라운드 에이전트(Persistent Background Agent)가 세션을 초과하여 코드베이스 문맥을 유지하며, 대규모 태스크는 독립된 워크트리(worktree)의 서브 에이전트(sub-agent)로 분할된다.

가격 경쟁력이 핵심이다. 종량제(Pay-as-you-go)는 입력 100만 토큰당 1.25달러, 출력 100만 토큰당 4.25달러로, 7월의 Muse Spark 1.1 API와 동일한 수준이다. 컨트리뷰터 티어(Contributor tier)는 "종량제보다 10배 이상 저렴"하지만(실질적으로 출력 100만 토큰당 약 0.20달러), 프롬프트와 코드를 모델 개선에 사용하는 옵트인(opt-in)이 필요하며, 속도 제한(rate limit)은 분당 60회 요청(표준은 3,000회)이다. 엔터프라이즈 고객을 위해 데이터 미보유(zero data retention) 요청도 접수한다. Meta는 Muse Spark 1.2가 DeepSWE 1.1에서 59%를 기록했다고 공표하며, 이는 Grok Build 4.5 및 Gemini 3.6 Flash를 상회하는 수치라고 밝혔다. 벤더가 발표한 벤치마크를 그대로 신뢰하는 것은 경계해야 하나, 적어도 Claude Code나 Codex와 같은 사정권에는 들어왔다.

Meta의 구도는 "개발자 액세스를 가장한 데이터 수집"이다. 저렴한 가격으로 엔지니어들이 널리 사용하게 하여 데이터를 얻고, 이를 차기 학습에 활용함으로써 프론티어(frontier) 모델과의 격차를 줄이려는 전략이다. VentureBeat에 따르면, 지난 6월 Meta는 Applied AI 부문의 엔지니어들에게 Claude Code와 Codex 사용을 제한했다. 그 이유는 경쟁 도구의 출력이 증류(distillation) 과정을 통해 Meta의 독자 기술을 유출할 위험이 있다는 것이었다. 그리고 2개월 후, Meta는 "사용하지 말라"고 했던 것과 동일한 카테고리의 자사 버전을 출시했다. 이번에는 Llama가 빠졌다. Muse Spark 1.2는 클로즈드 웨이트(closed-weight) 모델로, 3년간 지속된 오픈 소스 노선으로부터의 큰 전환을 의미한다.

— Meta · VentureBeat

🔗 Meta — Muse Code · VentureBeat 보도

SK hynix와 Sandisk는 8월 4일, 산타클라라에서 개최 중인 Flash Memory Summit 2026에서 High Bandwidth Flash(HBF)의 첫 번째 사양을 공개했다. 양사가 지난 2월 HBF 표준화 컨소시엄을 발족한 지 6개월 만이다. HBF는 HBM과 SSD 사이에 위치하는 새로운 메모리 계층으로, NAND 기반이면서 대용량(수백 GB까지)을 지원하며 대역폭은 HBM 영역에 육박한다. 첫 사양에서는 다이 적층(die stacking) 2가지 구성(8층/16층), 최대 용량 512 GB, 대역폭은 3가지 등급으로 약 0.4 TB/s ~ 3.0 TB/s를 제공한다. 프로세서와의 연결은 오픈 칩렛(chiplet) 규격인 UCIe를 사용하여, GPU 및 CPU와 별도의 접착 없이 통신할 수 있다.

목표는 추론(inference) 시대다. AI 추론 워크로드(workload)는 1회 요청당 메모리 소비가 학습보다 훨씬 크며, HBM과 SSD 사이에 넓은 공백이 존재한다. HBF는 이 공백을 메운다. 즉, 긴 문맥(long-context) 및 멀티 에이전트(multi-agent) 용도에서 HBM만으로는 수용하기 어려운 파라미터와 KV 캐시(KV cache)를 담당한다. Google과 Tenstorrent가 첫 번째 외부 파트너로서 컨소시엄에 참여했으며, SK hynix는 8월 6일에 Google DeepMind 및 Sandisk와 함께하는 패널 토론 "Breaking the Memory Wall with High Bandwidth Flash"를 주최한다.

같은 서밋에서 SK hynix는 제10세대 V10 375층 4D NAND 웨이퍼를 최초로 공개했다. 성능 및 소비 전력은 이전 세대 대비 2.5배 향상되어, AI 데이터 센터와 같은 엄격한 전력 효율 요구 사항에 최적화된다. 이 NAND를 기반으로 한 엔터프라이즈 SSD의 양산은 2027년 초를 목표로 하고 있다. 시장 예측에 따르면 HBF의 본격적인 수요는 2030년경으로 예상되지만, 그에 앞서 표준이 필요하며 이번 주에 공개된 것이 바로 그 표준이다.

— SK hynix · Korea Newsroom

🔗 SK hynix — HBF at FMS 2026 · Korea Newsroom 보도

Mistral은 8월 4일, Shieldstral을 공개했다. 30억 파라미터(3B) 규모의 오픈 웨이트 (Open-weight) 콘텐츠 모더레이션 (Content Moderation) 모델로, Apache 2.0 라이선스 하에 Hugging Face에 호스팅되며, 16GB GPU 1장으로 동작하고 12개 언어를 지원한다. 설계의 핵심은 "해해 카테고리 분류 체계를 가중치에 내장하지 않는 것"이다. Shieldstral은 추론 시 모더레이션 정책 (Moderation Policy)을 평문 지시사항으로 전달받는다. 요청 형식은 3개의 필드로 구성된다: <Instruct> (평가 컨텍스트 및 엄격도), <Query> (예/아니오 형태의 단일 질문), <Document> (심사 대상 콘텐츠 — 텍스트, 이미지, 프롬프트-응답 쌍). 모델은 "yes", "no"라는 2개의 토큰에 대한 로짓 (Logit)만을 출력하며, 소프트맥스 (Softmax)를 통해 0–1 사이의 교정된 안전 점수로 정규화하고, 0.5를 임계값 (Threshold)으로 하여 이진 판정을 수행한다.

수치는 Mistral 자체 평가 스위트이므로 감안하여 읽을 필요가 있다. 텍스트 안전성 측면에서 Shieldstral-3B는 평균 84.9 F1을 기록하여 GPT-OSS-Safeguard-20B와 비슷한 수준을 보였으며, 동일 규모대 모델들을 크게 앞질렀다. 멀티모달 (Multimodal) 안전성에서는 83.8 F1을 기록했다 (OmniGuard-7B는 77.6). VLGuard에서의 차이는 가장 명확하여, 97.7 F1 대비 OmniGuard-7B는 88.5, LlamaGuard-4-12B는 59.9를 기록했다. 다만 강점으로 내세운 "정책 적응성" 측면에서는 GPT-OSS-Safeguard-20B의 94.1 F1에 비해 91.3 F1을 기록하며 뒤처졌다.

유연성에 대한 주장은 비용과 확장성에 기반한 것이지, 미지의 정책을 엄격하게 준수하는 우위성을 의미하는 것은 아니다. 3B 모델이라면 모더레이션을 사내에서 구동할 수 있어, 외부 API 사용에 따른 종량제 비용을 피하고 데이터가 외부로 유출되는 경로를 차단할 수 있다. 반면, 자연어 정책을 읽는 분류기는 해당 정책의 모호함을 그대로 계승하며, 추론 시 평문으로 재구성할 수 있는 시스템은 적대적인 표현(Adversarial phrasing)에도 동작이 변할 수 있다. 차기 모더레이션 계약 갱신 전에 실제 트래픽에서 한 번 실행해 볼 가치는 있다.

— Mistral AI · NYU Shanghai RITS

🔗 Mistral — Shieldstral on Hugging Face · RITS 분석

8월 4일 자 프리프린트 (arXiv:2608.03219)는 프론티어 랩 (Frontier Lab)의 벤치마크 차트가 우상향하는 것을 보고 위화감을 느꼈던 이들을 위한 검토 논문이다. 저자들은 "실운영 성능" (기본 배포 시 나타나는 답)과 "도달 가능 성능" (고정된 예산의 프로브를 통해 찾아낼 수 있는 답)을 분리했다. 43개의 모델 및 태스크 설정에서, 난수 추론 시 레이어 라우팅 (Layer Routing)은 계산량을 맞출 경우 구조화된 탐색 (Structured Search)에 필적하거나 그 이상이었다. 도달 가능한 상한선은 크게 변하지 않지만, 실운영 점수는 변하며, 심지어 그것이 기대하는 방향과 일치하지 않을 수도 있다.

가장 충격적인 것은 DAPO의 단독 결과다. 배포 점수는 14.7포인트 상승했음에도 불구하고, 도달 가능한 상한선은 13.3포인트 하락했다. 리더보드(Leaderboard)는 좋아지고 있는데, 도달 가능한 상한선은 낮아지고 있는 것이다. 0.5B에서 31B까지의 6개 설정에서, 저자들은 특정 MLP 블록을 사이런싱 (Silencing) 함으로써 사전 정의된 실패 집합의 68~92%를 복구할 수 있음을 보여주었으며, 이는 벤치마크 개선이 실제 배포 시 안정적으로 활성화되지 않는 특정 서브 서킷 (Sub-circuit)을 경유하고 있을 가능성을 지적한다.

이는 적대적인 공격이 아니라 방법론적인 주장이다. 집계 점수 하나로만 이야기되는 능력 향상은, "모델이 새로운 답에 도달한 것"인지 아니면 "이미 도달 가능했던 답을 끌어낸 것"인지에 대한 서로 다른 동작 변화를 혼동하고 있다. 논문은 프론티어 랩이 매치 평가 조건 하에서 두 지표를 모두 보고할 것을 권장한다. 벤치마크 표가 마케팅 매체가 되어갈수록, 이러한 감사의 중요성은 더욱 커진다.

— arXiv

Tesla의 AI 소프트웨어 담당 VP이자 Optimus 프로그램 책임자인 Ashok Elluswamy는 7월 30일, X에 "Correction, 10 million robots"라고 게시하며, Tesla가 목표로 하는 장기 연간 생산 능력을 기존 100만 대에서 10배인 1,000만 대로 상향 조정함을 확인했다. 건설은 두 단계로 진행된다. Fremont 공장에는 Model S/X 생산 종료로 확보된 공간에 연간 약 100만 대 규모의 라인을 설치할 예정이며 (올해 상반기), Giga Texas에는 5월에 별도 동을 착공했는데, 이곳이 새로운 목표치의 핵심이 될 것이다. 양산 시작은 2027년으로 예정되어 있다.

시장 반응은 며칠간 나타났다. 8월 3일, 중국의 모터 섹터가 업종별로 2.67% 상승했다. 강서특수전기(Jiangxi Special Electric, 江特電機)는 상한가를 기록했으며, 프레임리스 모터(Frameless Motor, 로봇 관절 액추에이터의 핵심 부품)의 주문량은 2026년 상반기에 전년 동기 대비 9배 이상 증가했다. 국내 로봇 종목들도 전반적으로 상승했으며, Unitree(宇樹科技)의 과창판(STAR Market) IPO는 8월 5일에 예비 가격이 결정되고, 8월 10일에 북빌딩(Book-building)이 진행된다. Tesla 자체의 2026년 Q2 재무 상태는 여전히 엄격하며, 영업 이익은 약 4억 달러(전년 동기 9.23억 달러)이다. FCF(Free Cash Flow, 잉여현금흐름)는 Optimus 및 Robotaxi 투자로 인해 capex(자본 지출)가 YoY(전년 대비) +142%가 되면서 -11억 달러로 전환되었다.

흥미로운 점은 '목표'와 '수주 잔고' 사이의 격차다. Optimus는 현재까지 상업적 매출이 제로(0)다. 1,000만 대는 수요 예측이 아니라 생산 능력의 상한선이다. Tesla의 주장인 —— "현재의 저조한 실적은 장기적 가치와 관계가 없다. 왜냐하면 가장 큰 기회는 아직 의미 있는 이익을 창출하지 못하고 있기 때문이다" —— 는 내부적으로는 일관성이 있지만, 2년 동안 같은 주장이다. 이번에는 책임을 지는 실무 경영진의 게시물에 숫자가 포함되었고, 이미 건설 중인 시설과 연계되어 있다. 키노트(Keynote)의 열기에서 공약에 가까운 이야기로 무게 중심이 이동했다 —— 설령 납품이 몇 년 뒤의 일이라 할지라도.

— Tesla · Teslarati

🔗 Teslarati — Tesla AI Boss Reveals Optimus Scale · 매일경제신문 (Sina)