Apex Intelligence는 AI가 개발 과정에 자율적으로 참여해 만든 35B 범용 모델 「Apex-35B-V1.0」을 공개했다. 기반은 Qwen3.6-35B-A3B이며, 중간 학습과 사후 학습을 추가해 개발했다. 회사의 평가에서는 21개 벤치마크 중 20개에서 Qwen3.6-35B-A3B를, 18개에서 Recursive Flint(40B)를 앞섰고, 1개에서는 동점이었다. 가중치는 Hugging Face에서 공개되었으며, 코드와 배포 가이드는 GitHub에서 제공된다.
Abliteration은 플래그십 모델의 저가형 버전 'Abliterated Large Flash'를 공개했다. 이미지와 텍스트 입력을 지원하며 컨텍스트 윈도우는 100만 토큰이다. 회사는 이를 가장 높은 사이버 역량의 모델이 필요한 제품 운영자와 방어 측을 위한, 기존 모델보다 저렴한 대안으로 자리매김하고 있다. 회사 게시물에 따르면 이 모델은 DeepSeek-V4.1-Flash-1017을 기반으로 한다.
NVIDIA는 언어, 로보틱스, 생물, 양자 분야에서 오픈 모델을 확충하며 Nemotron 3.5 Super VL, Nemotron 3.5 Bolt, Kumo, Cosmos 3.5, Alpamayo 2 Edge, BioNeMo, Ising 등을 발표했다. 회사는 이를 각 지역의 언어와 산업에 맞는 애플리케이션을 자사 데이터로 커스터마이즈하고, 관리하는 인프라에 배포할 수 있는 기반으로 자리매김하고 있다. 대부분은 Hugging Face, GitHub, build.nvidia.com을 통해 제공된다.
Microsoft AI가 코딩 모델 MAI-Code-1.1-Flash를 발표했다. 6월 Microsoft Build에서 공개한 모델과 비교해 코드 품질이 향상되었고, 토큰 효율은 25% 높아졌으며, 비용은 4분의 1이다. GitHub Copilot에서 실제 운영 중이며, 로컬 실행을 위한 다운로드도 가능하다. GitHub Copilot에서의 실험적 제공은 월말까지 시작된다.
Microsoft AI는 모델, 하네스, RLE를 동시에 최적화해 토큰 효율을 높이는 방침을 밝혔다. MAI-Cyber-1-Flash와 MDASH의 조합은 CyberGym에서 96%(any crash 점수)를 기록했으며, MDASH의 현행 최고 구성 대비 50%의 비용으로 작동한다고 한다. 여러 MAI 모델이 자사 제품에 탑재되어 GPU 비용을 50~90% 절감한 사례도 소개했다.
Microsoft AI는 GitHub Copilot용 MAI-Code-1-Flash와 여기서 파생된 Excel용 MAI 모델의 결과를 공개했다. Excel 모델은 가장 일반적인 작업에서 GPT-5.6과 동등한 품질을 보이면서도 비용 효율이 높다고 한다. 앞으로는 Copilot Chat, Outlook, PowerPoint 등에도 같은 방식을 확대할 계획이다.
Microsoft AI는 코딩 모델 MAI-Code-1-Flash를 발표했다. GitHub Copilot의 프로덕션 하네스에서 직접 학습했으며, SWE-Bench Pro에서는 51.2% 대 35.2%로 Claude Haiku 4.5를 앞섰다고 밝혔다. SWE-Bench Verified에서는 최대 60% 적은 토큰으로 문제를 해결했다고 한다.
선정 이유: GitHub Copilot의 프로덕션 하네스에서 학습과 평가를 진행했다는 점과, 동일한 하네스에서 Claude Haiku 4.5와 비교한 수치가 제시되어 있어 비교의 전제 조건을 파악하기 쉽다.