Dharma Field Extractor는 문서 이미지에서 지정한 필드를 JSON 형식으로 추출하는 2B 파라미터 모델이다. DharmaOCR-LITE v1.1을 기반으로 하며, 43,384건의 학습 데이터로 만든 LoRA 어댑터를 적용했다. 546개 문서, 1,638건 케이스로 이루어진 벤치마크에서는 테스트한 범용 프론티어 LLM보다 품질이 1.8~9.3포인트 높았고, 비용은 약 6분의 1에서 약 147분의 1 수준인 것으로 알려졌다.
Kimi.ai@Kimi_MoonshotAI 점수4747
Collinear AI의 사이버보안 평가 벤치마크 「CWE-bench v2」는 실제 오픈소스 리포지토리에서 기존 기능을 깨뜨리지 않고 보안 취약점을 수정하는 과제를 91종의 CWE에 걸쳐 100건 공개했다고 밝혔다.
Palette는 20B 오픈 웨이트 모델을 IBM Design Language에 맞춘 합성 데이터로 파인튜닝해 슬라이드 덱을 생성하는 시도다. 디자이너 역할이 JSON 설계서를 만들고 코더 역할이 각 슬라이드의 pptxgenjs 코드를 작성하는 2단계 구조이며, 단일 LoRA 어댑터로 구현되었다. PresentBench의 세 가지 평가 영역 중 두 곳에서 1위를 차지했고, 코딩 단계는 약 6~7배 빨라졌다고 한다.
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.
Mistral은 1조 파라미터 오픈 모델 Mistral Large 4(ML4)의 가중치를 공개했다. 기업과 정부가 내려받아 자체적으로 배포할 수 있다. GLM-5.3과 동등한 성능을 내면서 작업 1건당 토큰 사용량은 47% 적다고 주장하고 있다. 가중치는 Hugging Face와 해당 API를 통해 제공된다.
Mistral은 약 1조 파라미터(활성 52B)의 Mistral Large 4(애칭 Le Chonk) 가중치를 Hugging Face에 공개했다. Artificial Analysis의 Intelligence Index에서는 26점으로, DeepSeek V4.1 Flash와 GLM-5.3의 32점에는 미치지 못한다. 반면 Terminal-Bench 4.0에서는 41%를 기록했고, 생성 속도는 161토큰/초로 속도와 비용 면에서 강점을 보인다.
Mistral Large 4(애칭 Le Chonk)가 Hugging Face에서 공개됐다. 텍스트와 이미지를 입력할 수 있는 다국어 MoE 모델로, 총 파라미터는 약 1T, 활성 파라미터는 49B, 컨텍스트 윈도우는 1M 토큰이다. Mistral Ecosystem Open-Weight License로 배포되며, transformers, vLLM, llama.cpp가 day-0부터 지원한다.
선정 이유: 아키텍처, 벤치마크, 각 추론 환경에서의 실행 절차와 실측값이 한 편의 기사에 정리되어 있어 도입 시 비교 자료로 활용하기 좋다.
Mistral AI@MistralAIAI 점수4848
NVIDIA는 음성 받아쓰기, 번역, 화자 식별을 하나의 모델로 처리하는 오픈 음성 인식 모델 Nemotron 3.5 Transcribe를 공개했다. 40개 언어의 음성 받아쓰기를 지원하며, 31개 언어에서 영어로의 번역, 13개 언어에서 화자 식별이 가능하다. Hugging Face의 영어 Open ASR Leaderboard에서는 오픈 웨이트 모델 중 1위(평균 단어 오류율 5.33%)를 기록했으며, 약 844,000시간 분량의 학습 데이터셋 Granary v2도 함께 공개됐다.
NVIDIA는 전사, 화자 식별, 번역, 음성 Q&A를 하나의 체크포인트로 처리하는 오픈 웨이트 모델 Nemotron 3.5 Transcribe를 Hugging Face와 ModelScope에 공개했다. 40개 언어의 전사를 지원하며, Hugging Face Open ASR Leaderboard 영어 부문에서 오픈 웨이트 모델 중 1위인 평균 WER 5.33%를 기록했다. 학습 데이터 파이프라인 Granary v2와 파인튜닝 절차도 함께 공개됐다.
LFM3는 텍스트, 비전, 음성, 옴니, 의사결정의 6개 모델을 2B급 파라미터의 공통 백본으로 통일한 차세대 Liquid Foundation Models이다. LFM3-1.7B는 파라미터 수가 35% 적음에도 불구하고 이전 세대인 LFM2.5-2.6B를 능가한다. 텍스트 모델은 4비트 정밀도에서 약 1GB이며 256K 컨텍스트 윈도우를 갖추고 있고, 각 모델은 단일 GPU에서 파인튜닝할 수 있다.
Hugging Face의 Transformers 라이브러리, llama.cpp, vLLM, SGLang에 8월 이후 「Qwen4-Exp」용 풀 리퀘스트가 추가되고 있다. 반면 알리바바는 오픈 웨이트 27B 모델의 공개 일정을 아직 발표하지 않았다.
Allen AI가 위성 임베딩 모델 OlmoEarth v1.3을 공개했다. 10m 해상도의 전 지구 연간 임베딩(64차원·128차원)도 함께 공유하며, 브라우저에서 지도를 탐색하고 맞춤 설정할 수 있는 OlmoEarth Embeddings Explorer도 제공한다. 27건의 평가 가운데 128차원 버전은 20건에서 최고 점수를 기록했다고 한다.
AI 스타트업 Recursive가 실험의 제안, 실행, 평가를 수행하는 AI 시스템 'Eureka Machine'을 개발의 거의 전 과정에 활용해 첫 언어 모델 Flint를 공개했다. Flint는 MoE 모델로, 총 파라미터 40B, 토큰당 활성 파라미터는 2.5B다. 가중치는 Apache 2.0 라이선스로 Hugging Face에 공개됐으며, 벤치마크 결과는 아직 독립 검증을 거치지 않았다.
Hugging Face는 목요일 DNA에 대해 자연어로 질문할 수 있는 오픈소스 모델 Carbon-X를 공개했다. 파라미터 수는 14B이며 노트북PC에서 로컬로 실행할 수 있다. 개발자는 실제 웻랩 실험을 통한 검증은 아직 이뤄지지 않았으며 예측 정확도는 알려지지 않았다고 설명했다.
AI 스타트업 Recursive가 첫 모델인 코딩 모델 Flint를 공개했다. Apache 2.0 라이선스로 Hugging Face에서 무료로 내려받을 수 있으며, 노트북에서도 동작한다. 회사의 자동 연구 시스템 Eureka Machine이 개발 거의 전 과정을 지원했고, 소규모 팀이 4개월 미만에 완성했다고 한다.
NVIDIA는 기업 데이터베이스에서 추가 학습 없이 예측할 수 있는 사전 학습된 관계형 기반 모델 Kumo Relational을 공개했다. 최대 10,000건의 과거 사례를 컨텍스트로 읽어 들여, 한 번의 포워드 패스로 이탈, 수요, 부정 거래 등을 예측한다. 15개 데이터베이스에 걸친 41개 과제에서 지도 학습 모델과 전문가가 설계한 그래디언트 부스팅 트리 파이프라인을 능가했다고 밝혔다.
선정 이유: 관계형 데이터를 위한 기반 모델의 구조, 벤치마크 결과, 한계, 활용 방법이 한 흐름으로 정리되어 있어 기존 예측 파이프라인과 비교하는 자료로 쓸 만하다.
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.
Nathan Lambert는 Meta가 공개한 Muse Spark Open을 미국산 오픈 모델 중 압도적으로 가장 강하다고 평가했다. 성능은 GLM 5.2보다 위이고 DeepSeek V4.1 Flash 부근이며, GLM 5.3이나 Kimi K3에는 미치지 못한다고 보았다. 또한 독자적인 라이선스의 제약이 보급의 걸림돌이 될 수 있다고 지적했다.
DeepSeek는 Flash 모델의 업데이트 버전인 DeepSeek-V4.1-Flash-1017을 공개했다. 공식 사이트, 앱, API에서 이용할 수 있으며, 가중치는 Hugging Face와 ModelScope에서 오픈소스로 공개됐다. 회사는 DeepSWE에서 평균 태스크당 약 0.20달러로 77.0%를 달성했다고 밝혔다. 사내 검색 엔진인 Search & Fetch API도 개발자에게 제공한다.
Hugging Face@huggingfaceAI 점수3030라이브 방송: 새로운 오픈 웨이트 모델 https://x.com/i/broadcasts/1DxleVaPLagKL
Hugging Face@huggingfaceAI 점수6060Beam is now available across platforms, with open weights under the Apache 2.0 license - in collaboration with an ecosystem of 40+ partners. We're releasing: - Weights, tokenizer, and reference implementation - BF16, FP8 and NVFP4 weights and a DFlash2 drafter - The open source harness we built and trained Beam on: Mirror CLI Weights and model card on Hugging Face: https://huggingface.co/reflection
NVIDIA와 IIT 마드라스의 AI4Bharat은 인도 헌법이 정한 22개 언어에 걸친 약 2.8조 토큰 규모의 Nemotron-pretraining-Indic-v1을 근일 공개한다고 발표했다. 데이터 생성에 사용한 GPU 가속 파이프라인과 함께 공개하며, 프롬프트, LLM 워크플로, 품질 검사까지 포함한 생성 레시피를 개방한다. Nemotron 3.5 Super VL의 Indic 지속 사전 학습에서는 보고된 5개 Indic 벤치마크 모두에서 점수가 상승했다.
신생 미국 연구소 Reflection이 첫 모델 Beam을 Apache 2.0 라이선스로 공개했다. 총 파라미터 501B, 토큰당 23B만 활성화되는 MoE 모델이며, 컨텍스트 윈도우는 1M 토큰이고 코딩과 에이전트 용도에 중점을 둔다. transformers, vLLM, SGLang이 Day-0부터 지원하며, BF16, FP8, NVFP4 세 종류의 체크포인트를 제공한다.
선정 이유: 아키텍처 구성, 정밀도별 체크포인트의 벤치마크, 필요한 GPU 구성, SFT와 GRPO 절차가 정리되어 있어 자체 운영 규모를 산정할 때 유용하다.
Granite Switch 4.1의 8B와 30B 모델은 범용 Decision aLoRA, 안전성 판정용 Guardian aLoRA, OpenASR Leaderboard에서 가장 빠른 것으로 알려진 ASR 모델 Granite-Speech-5.0-Turbo-CTC를 하나의 모델로 통합하여, 하나의 엔드포인트에서 채팅, 판정, 문자 변환을 처리한다. 필요한 VRAM은 베이스 모델 단독과 거의 같으며 KV 캐시도 재사용할 수 있다. vLLM에서는 플러그인으로 동작하고, llama.cpp도 네이티브로 지원한다.
NVIDIA는 120B 파라미터의 오픈 모델 Nemotron 3.5 Super VL과 엣지용 Nemotron 3.5 Bolt 74B-A9B 24GB, Bolt E4B 4GB를 발표했다. Super VL과 Bolt 74B-A9B는 현재 제공 중이며, Bolt E4B는 Oct. 23에 제공될 예정이다. NVIDIA는 Super VL이 같은 급의 차점 모델보다 최대 5배의 처리량을 보였다고 밝혔으며, 가중치와 데이터셋도 공개했다.
선정 이유: 서버용과 엣지용 3개 모델을 메모리 용량 및 배포 대상과 함께 정리하고 있어, 자사 환경에 맞는 규모를 비교해 고르기 쉽다.
Apertus 1.5는 Apertus 1.0의 8B 및 70B 모델을 확장한 최신 버전으로, 이미지와 음성 이해, 선택적으로 사용할 수 있는 사고 모드, 4배인 262,144토큰의 컨텍스트 윈도우를 갖췄다. 8B와 70B의 가중치는 2026년 7월 24일 Hugging Face에서 Apache 2.0 라이선스로 공개되었다. 학습 데이터는 8B 모델에 4조 토큰, 70B 모델에 2조 토큰의 지속 사전학습을 추가했으며, 합계는 각각 19T와 17T이다.
Meta가 오픈 웨이트 모델 「Muse Spark Open」을 공개했다. 총 파라미터는 약 816B이며, 토큰당 활성 파라미터는 약 42B인 MoE 구조다. 텍스트, 이미지, 음성, 동영상을 입력으로 받을 수 있고, 컨텍스트 윈도우는 최대 1M 토큰이다. Hugging Face 블로그에서는 transformers, llama.cpp, SGLang, vLLM, MLX에서의 실행 방법과 TRL을 활용한 파인튜닝, 데모를 소개하고 있다.
선정 이유: 총 파라미터 약 816B, 활성 파라미터 약 42B라는 구성과 각 추론 환경에서의 실행 방법 및 필요한 메모리 용량이 정리되어 있어, 도입 규모를 가늠하는 데 참고가 된다.
Black Forest Labs의 FLUX.3 Image Klein이 공개되었으며, Diffusers에서 출시 첫날부터 작동한다. 하나의 모델로 text-to-image, 여러 참조 이미지를 이용한 image-to-image, 바운딩 박스를 통한 레이아웃 제어를 지원한다. 증류 버전은 16스텝, CFG 없이 H100에서 1024 × 1024 이미지를 약 2초 만에 생성한다. NVFP4와 FP8 가중치, LoRA 학습 스크립트, Modular Diffusers 파이프라인도 함께 제공된다.
선정 이유: 프롬프트에 bbox를 적어 배치와 이동을 지정하는 방법과 H100에서의 속도 및 메모리 실측치가 함께 제시되어 있어, 도입 부담을 가늠하기 쉽다.
LiquidAI는 총 파라미터 24B, 활성 파라미터 2B 규모의 추론 모델 「LFM2.5-24B-A2B」를 공개했다. 도구 호출과 다단계 작업을 지원하며, 로컬 하드웨어에서 에이전트를 지속적으로 실행할 수 있다고 한다. 에이전트 벤치마크 LiveClaw에서는 48.09점을 기록해 Qwen3.6-35B-A3B의 38.19점을 웃돌았다. 추론 속도는 Apple M5 Max에서 184 tok/s, 단일 NVIDIA B300 GPU에서 최대 21K output tok/s를 나타냈다.
Qwen@Alibaba_QwenAI 점수5656Meet Qwen-Image-2.1, the most balanced and cost-effective image generation model in the Qwen-Image series! Now open weights! 🎨 A unified model for both generation and editing, delivering top-tier quality in a lightweight package. Highlights: 👀 - Compact & exceptionally fast: A lightweight 7B architecture that outperforms most closed-source models, with drastically accelerated inference for multi-image inputs. - Native transparency: Natively generates and edits RGBA layers, enabling seamless compositing and text editing within transparent images. - Versatile, high-fidelity editing: Supports up to 10 reference images and precise local control while preserving strict fidelity for portraits and products. - Broad coverage & stunning aesthetics: Excels at panoramas, infographics, and virtual try-ons, delivering realistic textures and elegant typography. Start to create your next masterpiece with Qwen-Image-2.1! 🖼️ - Blog: https://qwen.ai/blog?id=qwen-image-2.1 - GitHub: https://github.com/QwenLM/Qwen-Image-2.1 - Model Scope: https://www.modelscope.cn/models/Qwen/Qwen-Image-2.1 - Hugging Face: https://huggingface.co/Qwen/Qwen-Image-2.1
Holo4는 GUI, 코드, MCP, API를 상황에 맞게 골라 쓰며 컴퓨터를 조작하는 에이전트형 모델 시리즈로, 27B 덴스(dense) 버전과 35B-A3B(Mixture of Experts) 버전 두 가지 크기로 제공된다. OSWorld 2.0에서 Holo4 27B는 61.7%를 기록했으며, Opus 5.5의 81.8%에는 미치지 못하지만 파라미터 수와 비용은 크게 적은 것으로 알려졌다. 두 모델은 H Models API를 통해 이용할 수 있으며, Holotron4 Nano도 함께 공개되었다.
Hugging Face가 260M과 800M 두 가지 크기로 구성된 다국어 멀티모달 인코더 「NeoMME」를 발표했다. 사전 학습된 비전 타워를 사용하지 않고, 단일 양방향 Transformer로 텍스트 토큰과 이미지 패치를 동시에 처리한다.
IBM의 Granite 4.2는 3B, 8B, 30B 세 가지 크기로 제공되는 추론 특화형 디코더 전용 dense형 LLM 패밀리다. Granite-4.1 베이스 모델을 사후 학습하여 만들었으며, 모두 Apache 2.0 라이선스로 공개된다. 8B와 30B는 샌드박스 환경에서 도구를 조작하는 에이전트 RL을 거쳤으며, 전 모델이 사고/비사고 모드 전환과 네이티브 도구 호출을 지원한다.
Liquid AI가 LFM2.5-1.2B-Instruct, LFM2.5-2.6B, LFM2.5-8B-A1B 3개 모델용 DSpark 드래프트 모델을 공개했다. 투기적 디코딩을 통해 출력 품질을 바꾸지 않고 GPU에서 최대 3.18배, 온디바이스에서 최대 2.87배의 처리량 향상을 보였다. llama.cpp와 SGLang에서 출시 첫날부터 사용할 수 있으며, LFM2.5-2.6B의 함수 호출 지연 시간은 평균 57% 줄었다.
Microsoft Research와 Paige(현 Tempus 산하)는 조직 이미지와 병리 보고서에서 얻은 언어로 학습한 병리 기반 모델 PRISM2를 개발해 Nature Medicine에 발표했다. 전립선암, 유방암, 유방 림프절 전이 검출 등 여러 벤치마크에서 전용 암 검출 시스템과 대등하거나 이를 웃도는 성능을 보였다. 모델 가중치는 연구 목적으로 Hugging Face에 공개됐다.
LG AI연구원이 31일 독자 AI 파운데이션 모델 프로젝트 2차수 모델인 K-EXAONE 2.0을 Hugging Face에 공개했다. 파라미터는 750B로 1차수 모델(236B)의 3배 이상이며, 라이선스는 상업적 이용이 가능한 Apache 2.0으로 전환했다. 24개 벤치마크 평균은 70.1점으로 1차수 모델의 63.3점을 웃돌았다.
선정 이유: 1차수 모델 236B와 비교한 규모 확대와 24개 벤치마크 결과, 라이선스 전환이 함께 정리돼 있어 모델의 위치를 가늠하기 좋다.
Thinking Machines Lab이 이미지, 텍스트, 음성을 입력할 수 있는 약 1T 파라미터 오픈 모델 Inkling을 Hugging Face에 공개했다. 총 파라미터 975B, 활성 파라미터 41B의 MoE 구조이며 1M 컨텍스트를 지원한다. 총 276B, 활성 12B인 Inkling-Small도 추가되었으며, Inference Endpoints에서 원클릭으로 배포할 수 있다.
선정 이유: 아키텍처 세부 사항, 필요 VRAM, 각 추론 엔진별 실행 절차, 벤치마크 표가 한데 정리되어 있어 도입 여부를 판단하는 자료로 활용할 수 있다.
Mistral AI는 Lean 4에서의 형식 검증을 지원하는 Apache-2.0 라이선스 모델 「Leanstral 1.5」를 공개했다. 총 파라미터 119B, 활성 파라미터 6B 규모이며, miniF2F를 포화시키고 PutnamBench에서는 672문제 중 587문제를 풀었다. FATE-H에서 87%, FATE-X에서 34%를 기록해 새로운 state-of-the-art를 달성했으며, Hugging Face와 무료 API를 통해 이용할 수 있다.