xAI는 Grok 4.5를 기반으로, 장시간 동작하는 에이전트와 대화형·시각적 작업에 중점을 둔 Grok 4.6을 공개했다. Artificial Analysis Intelligence Index에서는 GPT-5.6 Sol과 같은 61점이다. Cursor와 Grok Build에서 이용할 수 있으며, API 요금은 입력 100만 토큰당 $2, 출력 100만 토큰당 $6부터다.
xAI는 최신 코딩 모델 Grok 4.6을 GitHub Copilot에서 이용할 수 있게 했다. VS Code를 포함한 GitHub의 개발자들은 모델 피커에서 "Grok 4.6"을 선택해 사용할 수 있다. SpaceX의 xAI 콘솔에서도 입력 100만 토큰당 $2, 출력 100만 토큰당 $6의 가격으로 제공된다.
xAI가 채팅 안에서 앱과 게임을 생성하는 Grok Build를 웹, iOS, Android의 전 요금제에 제공을 시작했다고 밝혔다. 7월 발표 당시에는 SuperGrok Heavy 전용 Early Beta였다. 공개, X 연동, 자체 모델 접근 등의 기능도 추가됐다.
선정 이유: 공개, 공유, API 연동, GitHub 내보내기까지 하나의 흐름으로 정리되어 있어 채팅 내 앱 생성 기능의 활용법을 파악하기 쉽다.
xAI의 Grok 4.6이 Amazon Bedrock에서 정식 출시됐다. 컨텍스트 윈도우는 500K이며, 추론 강도는 low, medium, high, xhigh 중에서 설정할 수 있다. 요금은 입력 100만 토큰당 2달러, 캐시 입력 100만 토큰당 0.50달러, 출력 100만 토큰당 6달러다.
xAI의 Grok 4.6이 Gemini Enterprise Agent Platform의 Model Garden에서 이용할 수 있게 됐다. Grok 4.6은 장시간 실행되는 에이전트와 대화형·시각적 작업을 위한 플래그십 모델로, 500k 컨텍스트 윈도우를 갖추고 있으며 추론 수준을 low, medium, high, xhigh 중에서 설정할 수 있다. 요금은 입력이 100만 토큰당 2달러, 캐시 입력이 같은 기준 0.50달러, 출력이 같은 기준 6달러다.
xAI는 Grok Bot을 모든 SuperGrok, Cursor Pro, Cursor Teams 요금제에서 이용할 수 있도록 했다. Grok Bot은 8월 11일 베타 버전으로 공개됐으며, 이용 한도는 Grok과 Cursor의 기존 요금제와 별도로 마련된다. 엔터프라이즈용에는 대기자 명단(웨이트리스트)이 설정돼 있다.
xAI의 Grok 4.6이 Microsoft Foundry에서 이용할 수 있게 됐다. 컨텍스트 윈도우는 500K이며, 추론 강도는 low, medium, high, xhigh에서 설정할 수 있다. Foundry에서는 다른 프런티어 모델과의 비교 평가, 관리형 엔드포인트 배포, 엔터프라이즈용 보안 및 거버넌스 관리를 할 수 있다.
Grok Bot이 X 계정 연동을 지원하기 시작했다. X 커넥터로 로그인하면 게시물 검색, 타임라인 읽기, 멘션 확인, X에서 일어나는 일 요약을 요청할 수 있다. 유료 Grok Bot 사용자에게는 무료 X API 크레딧이 제공되며, X 계정이 없는 경우 개발자 계정이 생성된다.
제3자 평가기관 LatchBio의 분석에서 Grok 4.6은 위장된 위험 생물학 과제를 거부하는 능력이 테스트한 전체 모델 가운데 가장 강한 결과를 보였다. BioSecBench-Refusal에서 위험 과제 거부율은 59.2%, 일상적인 생물학 과제 완료율은 64.8%로, 두 항목 모두 50%를 넘긴 유일한 모델이었다. BioSecBench-Surveillance의 평균 성공률은 53.5%로, Opus 5 아래, GPT-5.6 Sol 위에 자리했다.
xAI는 업무를 자율적으로 수행하는 AI 팀원 「Grok Bot」을 엔터프라이즈 고객 대상으로 제공을 시작했다고 밝혔다. 각 Bot은 전용 클라우드 컴퓨터에서 동작하며, 접근·네트워크·감사 관리 기능이 추가되었다. Grok 및 Cursor Enterprise 고객은 향후 2주 동안 무료로 이용할 수 있으며, 기존 시트가 없는 구성원을 포함해 조직 전체를 초대할 수 있다.
xAI는 Grok Bot을 대화 세션이 아니라 지속되는 Bot을 중심으로 설계했다고 밝혔다. Bot은 고유한 정체성, 기억, 실행 환경, 도구를 가지며, 채팅 기록 대신 Bot 목록에서 관리된다. 아바타의 움직임으로 대기 중이나 작업 중 같은 상태를 표시하고, 마우스를 올리면 현재 동작을 확인할 수 있다.
xAI는 Grok Bot에 공급업체 지출, 계약, 이용 데이터에 대한 접근 권한을 주었더니 10만 달러가 넘는 직접 비용 절감 사례를 찾아냈다고 밝혔다. 조달용으로 만든 'Haggle Bot'은 90일 동안 사용되지 않은 유료 시트 43개를 찾아내 14,220달러의 절감으로 이어졌다. 다른 SaaS 제품에서는 사용되지 않는 SKU로 연간 85,662달러어치를 찾아냈다. 지출이나 계약의 승인, 벤더에 대한 발송에는 사람의 승인이 필요하도록 설계되었다.
xAI가 Grok Build에 메모리 기능을 추가했다. 작업 중 나오는 규약, 결정 사항, 프로젝트 사실을 메모로 기록해 두었다가 이후 세션에서 관련 코드를 다루기 전에 불러온다. 새 세션부터 적용되며, `/memory`와 `/dream` 명령도 추가됐다.
Microsoft AI CEO 무스타파 술레이만은 TED 강연에서 AI를 '새로운 디지털 종'이라는 비유로 바라보는 새로운 비전을 제시했다. AI 개발자 본인조차 앞으로의 방향을 정확히 설명하는 데 어려움을 겪고 있다고 한다. 강연 후에는 TED의 크리스 앤더슨과의 질의응답이 이어졌다.
Microsoft AI는 모두를 위한 AI 컴패니언으로 Copilot을 만들고 있다고 밝혔다. Copilot은 사용자의 생활 맥락을 이해하면서도 프라이버시, 데이터, 보안을 지키고, 필요한 정보를 정리하며 요청이 있을 때 도움을 준다고 한다. Copilot 앱의 디스커버 피드 경험은 배움, 탐색, 휴식을 결합한 것이라고 한다.
Microsoft AI의 진단 오케스트레이터 MAI-DxO는 NEJM 증례 기록을 이용한 평가에서 최대 85%의 증례를 올바르게 진단했으며, 경험 많은 의사 그룹의 4배 이상의 비율에 이르렀다. 의사보다 비용 대비 효과도 높다고 한다. 평가에는 NEJM의 최신 304개 증례를 단계적인 진단 과정으로 변환한 Sequential Diagnosis Benchmark(SD Bench)가 사용되었으며, 검사에는 가상의 비용이 설정되었다. 다만 보다 일반적인 증상에서의 성능은 추가 검증이 필요하다고 한다.
Microsoft AI(MAI)는 자사 최초의 음성 생성 모델 MAI-Voice-1과 처음으로 엔드투엔드로 학습한 기반 모델 MAI-1-preview를 발표했다. MAI-Voice-1은 단일 GPU로 1분 분량의 음성을 1초 미만에 생성할 수 있으며, Copilot Daily와 Podcasts에서 사용되고 있다. MAI-1-preview는 LMArena에서 공개 테스트를 시작했다.
Microsoft AI가 완전히 자체 개발한 첫 이미지 생성 모델 MAI-Image-1을 발표했다. LMArena의 텍스트-이미지 생성 모델 부문에서 상위 10위에 올랐다. 11월 4일 업데이트에서는 Bing Image Creator와 Copilot Audio Expressions에서 제공을 시작한다고도 전했다.
Microsoft AI는 항상 인간을 위해 일하는 '인간 중심 초지능(HSI)'의 실현을 목표로 한다고 밝혔다. 문제 중심이고 분야 특화된, 제약 속에서 신중하게 조정된 AI를 상정하며, 자율적이고 무제한적인 존재와는 구별한다고 설명했다. MAI Superintelligence Team을 설립했으며, AGI 경쟁론이나 붐이냐 파멸이냐는 이분법적 논리는 배격한다는 입장이다.
Microsoft AI(MAI)는 Copilot 대화 3,750만 건을 분석해 이용 실태를 정리한 보고서를 발표했다. 분석은 대화 요약을 바탕으로 한 익명화된 데이터로 진행됐다. 모바일에서는 건강 관련 주제가 연중 가장 많았으며, 이른 아침에는 종교·철학 관련 대화가 늘어났다. 정보 검색이 여전히 가장 인기 있는 기능인 가운데, 개인적인 고민이나 인생의 결정에 대해 조언을 구하는 이용도 늘고 있다.
Microsoft AI는 2026년 1월 Copilot의 건강·웰니스 관련 대화 50만 건 이상을 분석해 이용 실태를 공개했다. 약 5건 중 1건은 본인의 증상 설명, 검사 결과 해석, 지병 관리에 대해 상담했으며, 증상이나 상태 관리에 관한 질문 7건 중 1건은 타인을 위한 상담이었다. 대화는 사전에 익명화되며 사람이 내용을 읽지는 않는다.
Google은 AI 에이전트가 LLM의 사후 학습을 자율적으로 반복 실행하는 「autofinetune」을 개발했다고 밝혔다. Tunix, Gemma, Cloud TPU를 Antigravity CLI 및 Gemini Flash 3.7과 통합한 구성이다. SFT의 FunctionGemma 실험에서는 TPU v5e-1에서 약 2시간 동안 20회의 자동 실험을 수행해 함수 호출 생성의 정확도를 높였다. GRPO로 Gemma 3 1B를 학습시킨 실험에서는 40회의 실험을 2~3일에 걸쳐 진행했고, 총 보상이 약 10% 향상됐다.
Google은 Gemini Enterprise Agent Platform에서 Model Armor, Semantic Governance Policies, Agent Anomaly Detection을 사용해 에이전트 실행 시점에 의도와 동작을 검사하는 방법을 설명했다. ADK로 만든 환불 에이전트를 예로 들어, 빌드 시점의 통제로는 막을 수 없는 공격에 대한 대응 방안을 보여준다. 전체 코드는 오픈소스 데모 zero-trust-agents-2에서 공개되어 있다.
Google은 Gemini Enterprise Agent Platform 위의 AI 에이전트를 추론 트레이스, 도구 호출, 로그를 기반으로 모니터링하는 「Agent Anomaly Detection」을 프라이빗 프리뷰로 제공을 시작했다고 밝혔다.
Google과 Speakeasy가 OpenAPI 클라이언트 생성 스위트를 AGPLv3 라이선스로 오픈소스화한다. 배경에는 2026년 5월 Google이 이용하던 SDK 생성 제공업체가 인수되어 서비스 종료가 갑자기 발표된 일이 있다. 공개되는 것은 7개 언어용 SDK 생성기, 에이전트용 CLI 생성기, 그리고 OpenAPI와 Markdown 문서에서 MCP 서버를 생성하는 생성기다. Google은 이 구조를 통해 약 1명의 엔지니어가 6개 타깃을 유지보수하고 있다고 밝혔다.
Google은 Google AI 플랜 가입자를 대상으로 Google Colab 프리미엄 혜택 제공을 시작했다. Google AI Ultra 가입자에게는 백그라운드 실행 지속과 Premium GPU 접근도 추가로 제공된다. 기존 Colab 구독에는 변경이 없으며, 혜택은 함께 이용할 수 있다.
Antigravity SDK가 로컬 모델 기반 에이전트 처리를 지원하게 되었으며, Google AI Edge의 LiteRT를 이용해 Gemma 4 26B A4B를 초기 지원 모델로 사용할 수 있게 되었다. 네트워크 연결 없이도 완전 오프라인으로 동작하며, 로컬 GPU와 RAM을 효율적으로 활용한다. 하이브리드 구성 데모에서는 클라우드의 Gemini 3.8 Flash가 계획을 수립하고 로컬의 Gemma 4 26B가 처리를 담당했으며, 기록된 실행에서는 전체 토큰의 97.2%(3,322토큰)가 로컬에서 처리되었다.
Google 팀이 Ai2의 Olmo 3 7B를 MaxText 기반 Google Cloud TPU에서 1단계 사전학습과 2단계 mid-training annealing까지 재현했다. 홀드아웃 C4 손실과 8개 태스크 정확도는 Ai2의 참조 실행과 거의 동등했으며, 실행 간 노이즈 범위 내라고 보고했다. Ironwood에서는 44.5% MFU, v5p에서는 57.4% MFU를 기록했다.
Google Cloud API Gateway가 Public Preview에서 원격 MCP 서버로 동작하게 되었다. 기존 OpenAPI 사양에 주석을 달아 배포하기만 하면 REST 작업을 에이전트용 MCP 도구로 공개할 수 있으며, 별도의 서버를 구축하고 운영할 필요가 없다. 기존 JWT 또는 API 키 인증, 쿼터, 로그도 그대로 사용할 수 있다.
Sparse VideoGen(SVG)의 공간·시간 마스크로 얻는 이론상의 스파스성을 TPU에서 실제 엔드투엔드 고속화로 연결하는 기법을 해설한다. 81프레임 720p 동영상의 시퀀스 길이는 인기 오픈소스 동영상 생성 모델에서 50K에서 400K에 이르며, 720p에서 1440p로 해상도를 높이면 단일 레이어 Attention의 지연 시간이 차지하는 비중은 55.5%에서 88.2%로 증가한다. 스파스 버전은 단일 TPU v6e에서 커널을 측정한 결과 쿼리·키 쌍의 약 38.87%만 보존하여 계산한다.
Google DeepMind, 텍스트·이미지·동영상 프레임·오디오를 하나의 벡터 공간에 매핑하는 오픈 웨이트 임베딩 모델 EmbeddingGemma 2 공개
Claude Code v2.1.303이 GitHub Releases에 공개됐다. 릴리스 노트에는 「Bug fixes and reliability improvements」(버그 수정 및 안정성 개선)이 기재되어 있다. 구체적인 변경 내용은 본문에 명시되지 않았다.
Google은 Gemma 4를 기반으로 한 Apache 2.0 라이선스 오픈 모델 EmbeddingGemma 2를 공개했다. 텍스트, 코드, 이미지, 동영상, 오디오를 768차원 공통 벡터 공간으로 변환하며, 270M부터 740M 파라미터까지 필요한 인코더만 불러올 수 있다. MTEB (Code)에서는 EmbeddingGemma 1보다 14% 높은 점수를 기록했다.
선정 이유: 모듈식 인코더와 차원 축소 선택 방법이 수치와 함께 정리되어 있어, 자체 검색 기반의 구성을 검토할 때 비교 자료로 활용할 수 있다.
Google Developer Knowledge API는 Google Cloud, Firebase, Android 등 개발자용 공식 문서를 Markdown 형식으로 제공하는 API다. gcloud CLI, 에이전트 스킬, API Explorer, 여러 언어의 클라이언트 라이브러리에서 이용할 수 있으며, AI 에이전트와 IDE 확장 프로그램이 웹 스크래핑에 의존하지 않고 최신 문서를 가져올 수 있다.
Google은 운영 환경의 AI 에이전트를 지속적으로 감시하는 품질 에이전트 「AQuA(Ambient Quality Agent)」를 오픈 빌딩 블록으로 공개했다. Google Cloud에서 Cloud Trace, Cloud Logging, BigQuery로부터 세션을 주기적으로 추출하고, 최대 1,000개 세션을 평가해 실패 패턴을 클러스터링한다. AQuA는 요청 경로 밖에서 동작하며 에이전트에 결과를 다시 써넣지 않는다.
Google AI Edge 팀이 온디바이스 AI 추론용 GPU 연산 엔진 ML Drift를 Apache 2.0 라이선스로 공개했다. OpenGL ES, OpenCL, Metal, WebGPU를 지원하며, LiteRT의 GPU 가속 핵심 요소이면서 단독 라이브러리로도 사용할 수 있다. YouTube Shorts에서는 Google 발표 기준으로 프레임 지연 시간이 최대 40% 줄었다.
Google은 Gemini 4 Argon에 google/adk-python을 약 11시간 동안 무인으로 최적화하도록 맡겼으며, 그 결과 긴 세션에서 인메모리 세션 준비 시간을 약 40%, 패키지 임포트 시간을 21% 단축했다고 밝혔다. 제안 6건 중 2건은 코드 리뷰를 거쳐 채택됐고, 4건은 불채택됐다. /goal 모드와 .agents/skills를 활용한 절차도 함께 공개했다.
Google은 Gemini 4 Argon을 공개했다고 밝혔다. 물리적 이해, 코드 생성, 시각·의미 추론이 향상되었으며, ERQA 벤치마크에서 추론만으로 87%를 기록해 다른 프런티어 모델을 앞질렀다고 한다. 로봇 제어, Real2Sim, 물리 이해, 연구·자기 개선 등 4개 분야의 대표적인 프롬프트도 소개했다. Google AI Studio와 Gemini API 등에서 이용할 수 있다.
Apigee hybrid 1.17.0에서 MCP 지원이 가능해져, MCP 데이터 플레인을 고객 자체 Kubernetes 클러스터 안에서 실행할 수 있게 되었다. MCP 요청 트래픽은 요청 시점에 클러스터 밖의 Google Cloud로 전송되지 않는다. 설정은 클러스터 측이 컨트롤 플레인에서 주기적으로 가져오는 방식이다. MCP는 기본적으로 비활성화된 선택 기능이며, overrides.yaml에 enableMcpServer: true를 설정해 활성화한다.
AI 에이전트는 루프에 빠지거나 토큰을 과도하게 소비하고, 그럴듯하지만 틀린 답을 내놓아도 겉보기에는 문제가 없어 보이기 때문에 눈으로 확인하는 방식(바이브 체크)으로는 결함을 잡아내기 어렵다고 지적한다. 대안으로 중요한 사용자 여정(CUJ)을 평가 기준으로 삼고, 시뮬레이션된 사용자로 골든 데이터셋을 만든 뒤 점차 실제 운영 트레이스로 교체하는 방법을 제시한다. 평가는 유닛 테스트, 결정적 메트릭, LLM-as-a-judge, 통합 테스트의 4계층으로 수행하며, judge의 채점은 가능한 한 1~5점 척도 대신 합격/불합격의 이진 판정으로 하기를 권장한다.