이번 주 자세히 살펴볼 가치가 있는 다섯 가지 소식입니다.

7월 27일, Kimi K3 가중치가 HuggingFace에 공개되었습니다

Moonshot AI는 API가 출시된 지 일주일 만인 7월 27일, K3 가중치를 공개적으로 출시했습니다. 이 모델은 총 2.8조 개의 파라미터(parameters)를 보유하고 있으며, MXFP4 양자화(quantization)가 적용된 희소 MoE(sparse MoE) 구조입니다. 또한 Frontend Code Arena에서 1위, Artificial Analysis Intelligence Index에서 3위를 기록했습니다. 컨텍스트 윈도우(Context window)는 1M 토큰입니다.

vLLM 예산을 책정하기 전에 고려해야 할 두 가지 사항이 있습니다. 첫째, 출시 첫 주의 벤치마크 차트는 예상되는 운영 성능보다는 최상의 실행 결과(best-of-run)를 반영하는 경향이 있습니다. K3의 초기 독립 평가에는 한 에이전트 작업 하위 집합에서 51%의 환각(hallucination) 비율이 포함되었으며, 이는 제가 이전 큐레이션 기사에서 지적했던 부분입니다. 이제 그 수치는 공개된 가중치(open weights)를 통해 직접 확인할 수 있습니다. 둘째, 조 단위 규모의 MoE 모델은 합리적인 지연 시간(latency) 내에 서비스를 제공하기 위해 실제 H100 인프라가 필요합니다. 그러한 인프라를 갖추지 못했다면, 이 모델은 현재로서는 벤치마크 참조용일 뿐, CI 파이프라인에서 Claude Haiku를 즉시 대체할 수 있는 수단은 아닙니다.

MCP 2026-07-28 사양 출시 — 핵심은 상태 비저장(stateless)

Model Context Protocol 2026-07-28 사양이 7월 28일에 공개되었으며, 이는 MCP 출시 이후 가장 큰 규모의 개정입니다. 핵심적인 아키텍처 변화는 프로토콜의 핵심이 상태 비저장(stateless) 방식으로 전환되었다는 점입니다. 이전에는 MCP 서버가 다단계 도구 호출(multi-step tool calls)을 처리하기 위해 스티키 세션(sticky sessions)과 공유 세션 저장소가 필요했습니다. 이제 서버는 일반적인 라운드 로빈(round-robin) 로드 밸런서 뒤에서 실행될 수 있으며, 연결 상태(connection state) 대신 Mcp-Method 헤더를 기반으로 라우팅할 수 있습니다.

기타 추가 사항: 다중 왕복 요청 (Multi Round-Trip Requests, 서버가 도구 호출(tool-call) 중간에 클라이언트에게 질문할 수 있어 실제 비동기 패턴을 가능하게 함), ttlMs를 포함한 캐시 가능한 tools/list 응답, 권한 강화(authorization hardening), 그리고 공식 확장 프레임워크(extensions framework)가 포함되었습니다. Python, TypeScript, Go, C#용 베타 SDK가 릴리스 후보(release candidate)를 대상으로 공개되었습니다. 만약 MCP 서버를 구축하거나 유지 관리하고 있다면, 상태 비저장(stateless)으로의 전환은 기존 구현에서 세션 관련 상태(session-adjacent state)를 처리하는 방식에 직접적인 영향을 미칩니다. 의존성(dependency)을 고정(pin)하기 전에 읽어볼 가치가 있습니다.

OfficeCLI — Office 파일을 다루는 AI 에이전트용 Apache 2.0 CLI

OfficeCLI는 7월에 출시되었으며, 10,800개 이상의 GitHub 스타를 기록하고 Apache 2.0 라이선스를 따릅니다. 이는 단일 바이너리 C# 도구로, .NET 런타임이 내장되어 있어 Microsoft Office가 필요하지 않으며, AI 에이전트에게 명령줄(command line)에서 .docx, .xlsx, .pptx 파일에 대한 읽기, 쓰기 및 렌더링 권한을 부여합니다.

테스트해 볼 만한 부분은 다음과 같습니다: 시각적 검사를 위해 문서를 PNG로 렌더링하며, 350개 이상의 Excel 함수를 네이티브로 지원하고, 상주 모드(resident mode)에서 명명된 파이프(named pipes)를 통해 메모리에 문서를 유지합니다. 이 상주 모드는 에이전트 루프(agentic loops)에서 매우 중요한데, 도구 호출(tool call)마다 문서를 역직렬화(deserializing)할 필요가 없기 때문입니다. 현재 사람이 직접 Office 파일을 열어야 하는 모든 파이프라인에서, 이것은 분명히 가장 먼저 평가해야 할 대상입니다. 에이전트는 지금까지 대부분의 Office-in-CI 해킹 방식처럼 원시 XML(raw XML)을 보고 추측하는 대신, 자신이 생성한 결과물을 직접 볼 수 있습니다.

GLM-5.2는 조 단위 규모(trillion-scale)의 모델들이 모두 오픈 웨이트(open-weight)로 공개된 지금 다시 살펴볼 가치가 있습니다

K3와 GLM-5.2가 모두 공개됨에 따라, 이제 실질적인 비교가 가능해졌습니다. Z.ai의 GLM-5.2는 7,530억 개의 파라미터(parameters)를 보유하고 있으며, MIT 라이선스를 따르고, 서빙(serving) 비용 면에서도 측정 가능한 수준으로 더 저렴합니다. K3는 API를 통해 100만 토큰당 입력 $3.00 / 출력 $15.00의 비용이 발생하지만, GLM-5.2의 요율은 이보다 낮습니다. GLM-5.2는 Arena Agent 보드에서 5위를 차지했으며, Terminal-Bench 2.0에서 81%를 기록하여 K3의 88.3%와 대비되었습니다.

만약 사용 사례가 K3의 에이전트적 우위(agentic edge)나 프론트엔드 코딩 여유 공간(headroom)을 필요로 하지 않는다면, GLM-5.2는 많은 성능을 희생하지 않으면서도 의미 있는 비용 절감을 제공합니다. 또한 MIT 라이선스는 셀프 호스팅(self-hosting) 계산을 더 깔끔하게 만들어 줍니다. 즉, 확인해야 할 상업적 이용 제한이 없다는 뜻입니다. 저는 리더보드 순위만 보고 제 ETL 파이프라인을 Claude Haiku에서 바꾸지는 않겠지만, 3개월 차에 모델 비용을 재검토할 때 GLM-5.2를 살펴볼 것입니다.

VS Code 2026년 7월 — 멀티 세션 Copilot 및 PDF를 위한 비전 기능

VS Code 2026년 7월 릴리스에서는 멀티 채팅 세션(multi-chat sessions), Copilot Chat에서의 이미지 및 PDF에 대한 비전(vision) 지원, 내장된 받아쓰기(dictation), 그리고 현대적인 UI 프리뷰가 추가되었습니다. 저에게는 PDF를 위한 비전 기능이 가장 즉각적으로 유용한데, HTML 형식이 아닌 출판 가이드라인이나 API 문서를 작업할 때 자주 수행하는 '복사해서 붙여넣기' 단계 대신, 사양(spec) PDF를 Copilot 채팅에 직접 첨부할 수 있어 단계를 줄여주기 때문입니다. 멀티 채팅 세션은 문맥(context)을 잃지 않으면서 기능 계획 스레드와 별개로 디버깅 스레드를 독립적으로 열어둘 수 있음을 의미합니다.

두 기능 중 하나를 기반으로 워크플로우를 구축하기 전에 확인해 볼 가치가 있는 점은, 두 기능 모두 플랜 등급(plan-tier) 요구 사항이 있다는 것입니다. 받아쓰기 추가 기능은 경험이 적은 개발자들에게 시도해 보라고 권하고 싶은 기능인데, 이는 사람들이 장문의 코딩 작업과 상호작용하는 방식을 예상보다 더 크게 변화시키는 경향이 있기 때문입니다.

출처 및 추가 읽을거리:

출처 및 추가 읽을거리:

• Kimi K3 Tech Blog: Open Frontier Intelligence — Moonshot AI
• The 2026-07-28 MCP Specification — Model Context Protocol Blog
• OfficeCLI on GitHub — Apache 2.0, iOfficeAI organization
• Kimi K3 vs DeepSeek V4 Pro vs GLM-5.2 on benchmarks, license, and serving cost — MarkTechPost
• Beta SDKs for the 2026-07-28 MCP Spec Release Candidate — Model Context Protocol Blog

진행 중인 6개월간의 AI 큐레이션 디렉토리 사이트 실험의 일부입니다. 여기에 언급된 기술적 주장은 사실이며, 이 기사는 AI의 도움을 받았습니다.