Hugging Face는 음성 인식(ASR) 모델이 공개 벤치마크 고유의 패턴에 최적화되어 있는지를 측정하는 3가지 테스트를 제안했다. 오픈소스 ASR 모델 11개를 평가한 결과, 점수 상위의 여러 모델이 음성과 어긋나는 경우에도 VoxPopuli와 LibriSpeech의 참조 전사문을 그대로 재현했다. Open ASR Leaderboard에는 「Benchmark fitting」 탭이 추가되었다.
Papers with Code 검색은 PostgreSQL 전문 검색과 pgvector 벡터 검색을 RRF로 통합한 하이브리드 검색으로 구축되었다. 논문 임베딩은 Hugging Face Jobs의 L4 GPU에서 오프라인으로 생성하며, arXiv와 Daily Papers의 11만 건이 넘는 현행 논문을 대상으로 한다. 온라인에서는 쿼리 임베딩만 Inference Endpoints에서 처리하고, 엔드포인트가 중지되거나 혼잡할 경우 전문 검색으로 전환한다.
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.
Mistral은 기존 검색 인덱스 위에서 다단계 검색 루프를 실행하는 「Agentic Search」를 발표했다. FinanceBench에서는 정답률이 26.7%에서 86%로, OfficeQA Pro에서는 6.3%에서 51.9%로 향상되었으며, p90 레이턴시는 최대 39.6%, 토큰 소비는 최대 3분의 1까지 줄어든다. search, open, navigate, read, grep 등 5개의 도구로 동작하며, Mistral Search Toolkit과 Libraries에서 이용할 수 있다.
Anthropic이 Python SDK v1.0을 공개했다. HTTP 계층은 httpx에서 API 호환 포크인 httpx2로 옮겨갔으며, Python 3.10 이상이 필요하다. 레거시 Text Completions API와 Messages 메서드의 temperature, top_p, top_k 파라미터 등을 삭제했다.
Kimi.ai@Kimi_MoonshotAI 점수2222
Anthropic은 Claude API에서 computer use 도구를 베타에서 제외하고 computer_toolset_20260801로 제공했다. 아울러 브라우저 조작용 browser_toolset_20260801을 공개했으며, Files API와 Agent Skills, Skills API도 베타를 종료했다. Claude Managed Agents에는 도메인 제한과 메모리 스토어 지원이 추가됐다.
Google AI Developers@googleaidevsAI 점수2626
AI 에이전트에 주는 메모리 양은 모델의 능력에 맞춰 조정할 필요가 있다. ALTK-Evolve는 에이전트가 과거 시도에서 추출한 가이드라인을 추론 시점에 주입하는 방식으로, 가중치는 업데이트하지 않는다. 강한 모델인 DeepSeek-V3.2(671B MoE)는 가이드라인을 전부 제공했을 때 작업 완료율(TGC)이 +9.5포인트 향상됐다. 반면 gpt-oss-120b(117B MoE)는 엄선한 검색형 주입으로 +16.1포인트 향상됐으며, 토큰 증가는 +5%에 그쳤다. GLM-5에서는 측정 가능한 개선이 나타나지 않았다.
Google AI Developers@googleaidevsAI 점수3333
Sentence Transformers v6.0에 ColBERT 방식의 Late Interaction 검색을 지원하는 새 모델 유형 「MultiVectorEncoder」가 추가됐다. PyLate와 Stanford-NLP의 ColBERT 체크포인트, colpali-engine 모델을 불러올 수 있으며, 토큰마다 벡터를 보관하고 MaxSim으로 점수를 매긴다. 단일 벡터 모델보다 검색 정확도가 높은 대신 인덱스 크기는 커진다.
Claude Console의 Workbench가 Playground로 명칭이 변경됐다. Playground는 Messages API의 모든 파라미터를 지원하며, 코드 실행이나 웹 검색 등 API 기능을 보여 주는 템플릿을 갖추고 있다. 실행할 때마다 완전한 SDK 요청과 API 응답이 표시된다.
Google AI Developers@googleaidevsAI 점수4242
Google은 스마트폰으로 촬영한 2D 사진에서 체지방률, A/G 비율, V/S 비율을 추정하는 실험 단계의 딥러닝 프레임워크 「PhotoScan」을 소개했다. PhotoBIA 코호트(677명)에서 PhotoScan의 체지방률 평균 절대 오차(MAE)는 2.15로, 스마트워치의 BIA 모델 2.91보다 작다. 독립 검증 코호트(132명)에서도 DXA에 가까운 정확도로 인슐린 저항성을 예측할 수 있게 한다고 밝혔다.
Hugging Face가 2026년 1월부터 8월까지의 Hub 동향을 정리한 보고서를 공개했다. 공개 모델 저장소는 243만 개에서 296만 개로, 데이터셋은 71.1만 개에서 100만 개로 늘었다. 중국 기업의 대규모 모델, 다운로드 수와 좋아요 수의 괴리, Qwen의 파생 모델 수 151,448개, AI 에이전트의 Hub 이용 확대 등을 주요 쟁점으로 제시했다.
선정 이유: 다운로드 수와 좋아요 수의 괴리, Qwen의 파생 모델 수 등 Hub의 실제 데이터에 기반한 수치가 제시되어 있어, 오픈 모델의 현황을 비교해 파악하기 쉽다.
Microsoft는 MDASH에 자사 최초의 사이버 모델 MAI-Cyber-1-Flash를 탑재했다. 작업의 최대 90%를 처리하고, 난도가 높은 10%에는 GPT-5.4를 사용하는 구성으로, 현재 최고 구성(GPT 5.4 + 5.4 mini + 5.3 codex)보다 비용을 50% 줄였다고 밝혔다. 아울러 MDASH 안에서 에이전트 팀을 제공하는 에이전트형 보안 시스템 Perception도 공개했다.
Google AI Developers@googleaidevsAI 점수3636
Strands Robots의 에이전트 루프로 로봇 데모 기록, Hub에서 직접 스트리밍하는 학습, 정책의 하드웨어 재배포를 하나의 데이터 루프로 실행하는 방법을 설명한다. 데이터는 LeRobot 형식 그대로 Storage Bucket에 동기화되며, 동기화할 때마다 변경된 바이트만 업로드된다. 학습 시에는 `stream_dataset(repo_type="bucket")`으로 다운로드하지 않고 읽어 들이며, 배포는 `mode="real"` 인자를 바꾸는 방식으로 이루어진다.
Google DeepMind는 코딩과 에이전트용 최신 Flash 모델 Gemini 3.7 Flash를 발표했다. 3.6 Flash 공개 3주 만이며, FrontierCode 1.1 Main은 34.4%에서 43.6%로, DeepSWE v1.1은 49.0%에서 65.3%로 향상됐다. 도입 가격은 입력 100만 토큰당 $0.75, 출력 100만 토큰당 $3.75이며, 연말까지 적용된다.
DeepSeek@deepseek_aiAI 점수6161DeepSeek@deepseek_aiAI 점수6262
Hugging Face는 ICML 2026의 Open Reproductions 해커톤에서 커뮤니티가 논문 2,226편을 재현한 결과를 공개했다. 조사 대상의 51%(1,103편)에서는 최소 1건의 주장이 검증됐고, 23%(496편)에서는 최소 1건의 주장이 반증되거나 쟁점이 됐다. 사람이 에이전트를 이끄는 역할의 중요성도 함께 보고했다.
선정 이유: ICML 2026 논문의 약 3분의 1을 에이전트로 재현한 결과와, 잘못된 반증까지 포함한 검증 과정이 공개되었다. 심사(피어 리뷰)에서 에이전트와 사람이 어떻게 역할을 나눌지 생각해 볼 만한 자료다.
OlmoEarth Studio에서 오픈소스 OlmoEarth 기반 모델의 임베딩 벡터를 원하는 범위에 대해 계산하고, Cloud-Optimized GeoTIFF(COG)로 내보낼 수 있게 되었다. 맞춤 계산 임베딩은 Studio 사용자를 대상으로 제공되며, 이용은 문의를 통해 이루어진다. 베트남 Ca Mau의 맹그로브 지역에서는 60개 픽셀에 불과한 레이블만으로 학습한 선형 분류기가 가중 F1=0.84의 토지 피복 지도를 만들어냈다.
Microsoft AI는 추론 모델 MAI-Thinking-1을 발표했다. 35B-active, 약 1T-total 파라미터의 스파스 MoE 구조이며, AIME 2025에서 97.0%, AIME 2026에서 94.5%를 기록했다. 다른 회사 모델로부터의 증류는 하지 않았고, 추적 가능한 데이터로 학습했다고 설명했다.
Google DeepMind는 50개 이상의 수어를 학습한 수어-텍스트 번역 모델 SL2T를 발표했다. Pixel 11의 Gboard와 Live Transcribe에서 ASL에서 영어로의 수어-텍스트 입력을 지원한다. FLEURS-ASL(sd-test)에서 제로샷 70 BLEURT를 기록했으며, 기존 보고치를 크게 웃돈다고 설명하고 있다.
선정 이유: 수어를 포즈 좌표만으로 번역하는 설계와 10만 시간이 넘는 학습 데이터, 알려진 오류 사례까지 구체적으로 제시되어 있어 수어 AI의 현황을 파악하기 좋다.
LLM의 사실 오류 대부분은 지식이 아직 없는 "빈 선반"이 아니라 꺼내지 못하는 "잃어버린 열쇠", 즉 회상의 실패라고 Google Research가 밝혔다. Gemini-3-Pro와 GPT-5에서는 사실의 95–98%가 부호화되어 있지만, 직접 회상하지 못하는 사실이 26–34%였고, 사고를 활용해도 11–12%는 실패한다.
Google Research는 Gemini와 Project Astra를 기반으로 실시간 영상 진찰을 수행하는 연구용 AI 시스템 AMIE (Video)를 공개했다. 100개 시나리오, 300건의 모의 진료를 대상으로 한 무작위 배정 연구에서 핵심 임상 역량이 일차 진료의(PCP)와 동등하다고 평가됐다. 다만 평가는 모의 환자를 활용한 환경으로 제한되어 있어, 실제 환자를 대상으로 한 검증이 다음 과제로 꼽힌다.
ALTK-Evolve는 에이전트의 과거 궤적에서 얻은 교훈을 ACE처럼 전부 주입하지 않고 태스크마다 골라서 전달하는 방식으로, AppWorld에서 ACE보다 적은 토큰으로 높은 정확도를 보였다. DeepSeek-V3.2에서는 TGC 89.3, SGC 80.4로 ACE의 TGC 80.4, SGC 73.2를 웃돌았으며, 토큰 수는 263K와 634K였다. gpt-oss-120b에서는 TGC 56.0 대 54.8로 거의 동등했고, 토큰 수는 116K와 777K이다.
Mistral은 추론을 유럽 또는 미국에서 실행할 수 있는 Mistral Regional Endpoints를 일반 제공으로 전환하고, 가동률 SLA가 적용되는 Mistral Priority Tier를 공개 프리뷰로 시작했다고 밝혔다. 아울러 Z.ai의 GLM-5.2를 시작으로 서드파티 오픈 모델을 지원하며, 유럽 컴퓨팅 자원을 장기간 확보하기 위한 기업 연합 구상도 내놓았다. 2030년까지 최대 1 GW의 용량 구축을 계획하고 있다.
Kimi.ai@Kimi_MoonshotAI 점수3131Kimi K3가 @databricks에서 이용 가능해졌다!
Moonshot AI's latest open-weight model, Kimi K3, is now available on Databricks through Unity AI Gateway. @Kimi_Moonshot Run Kimi K3 where your data already lives - governed, secure, and ready for custom AI apps and agents built with the data in your Lakehouse. Unity AI Gateway lets you deploy Kimi K3 with enterprise-grade access controls. Govern every call, monitor performance, and scale securely across your AI apps. Test Kimi K3 alongside other frontier models without changing your application code. The open-weight frontier just arrived on Databricks. Try it today. https://www.databricks.com/blog/kimi-k3-moonshot-ai-now-available-databricks-through-unity-ai-gateway
Anthropic은 Compliance API를 통해 사용자 기기에서 실행되는 Cowork 및 Claude Code 세션의 트랜스크립트를 조회할 수 있도록 했다(Claude Enterprise 조직 대상 베타). 세션 목록, 메타데이터, 트랜스크립트를 가져오는 GET 엔드포인트가 추가되었다. Claude API에는 wrkspc_로 시작하는 워크스페이스 ID를 반환하는 anthropic-workspace-id 응답 헤더도 새로 생겼다.
Microsoft AI가 이미지 생성 모델 MAI-Image-2.6을 발표했다. Arena의 text-to-image 리더보드에서 2위에 올랐으며, MAI-Image-2.5 대비 종합 점수가 +79 Elo 향상됐다. 텍스트 렌더링만 따로 보면 +91 Elo 상승했다. Arena에서 시험해 볼 수 있으며, MAI Playground에는 이번 주 후반, Microsoft Foundry 등에는 순차적으로 제공될 예정이다.
NVIDIA의 오픈 웨이트 음성 합성 모델 「Magpie TTS Multilingual」은 파라미터 364M으로 12개 언어를 지원하며, 이번에 현대 표준 아랍어, 한국어, 브라질 포르투갈어가 새로 추가됐다. NIM을 이용한 온프레미스 측정에서 B200의 단일 스트림 TTFA는 32ms, 64스트림에서는 239ms이고, RTFX는 319.81배다. 자체 인프라에 배포하거나 미세 조정할 수 있으며, Hugging Face에서는 오픈 체크포인트가 제공된다.
Microsoft Copilot을 이용해 코드를 작성하지 않고 AI 에이전트를 만드는 5단계 절차를 설명하는 가이드다. Copilot Chat의 「Agents」에서 「New Agent」를 선택하고 평이한 말로 내용을 전달하면 에이전트 초안이 생성된다. 과제 정의, 기존 에이전트 확인, 지식과 출력 형식 설정, 테스트와 공유까지 공유 수신함 대응과 주간 보고서 작성을 예로 들어 설명한다.
교사 모델의 Top-K logits를 사전에 오프라인으로 계산해 캐시하고, 어휘 전체×시퀀스 길이 행렬을 만들지 않는 융합 청크 방식 KL 손실과 결합함으로써 지식 증류의 학습 비용을 줄이는 기법이 제시되었다. gpt-oss-120b(어휘 201,088개), 시퀀스 길이 32K, 배치 크기 4인 경우 기존 Dense KL은 학습 이터레이션 1회당 피크 VRAM이 약 250GB 필요한 반면, 융합 청크 KL은 약 128GB로 억제된다. 이를 통해 단일 GPU에서 장문 컨텍스트 회복(healing)이 가능해진다.
Meta가 Muse에서 30B 파라미터로 증류한 멀티모달 모델 Muse Glimmer를 Apache 2.0 라이선스로 공개했다. 로컬 환경의 에이전트 용도를 염두에 둔 모델이며, transformers, llama.cpp, vLLM, Inference Endpoints가 day-0부터 지원한다. Hugging Face Hub에서 내려받을 수 있다.
선정 이유: 30B 로컬 모델에 대해 아키텍처, 각 추론 기반에서의 사용법, 파인튜닝 요건이 한꺼번에 정리되어 있다.
Anthropic의 Claude Platform 릴리스 노트는 Claude API, 클라이언트 SDK, Claude Console의 변경 사항을 최신순으로 정리했다. Claude Opus 5.5, Claude Sonnet 5.5, Claude Haiku 5.5의 제공 시작과 함께 Claude Managed Agents의 기능 추가 및 Compliance API 확대가 기재되어 있다.
선정 이유: 모델 추가, 요금 변경, 호환성 문제를 일으키는 변경, Managed Agents 기능이 날짜순으로 정리되어 있어 API 이전 시 확인해야 할 변경 사항을 파악하기 쉽다.
Anthropic은 Claude Managed Agents 세션에 예산 상한을 설정할 수 있는 기능을 추가했다. 예산에 도달한 세션은 budget_reached로 일시 중지되며, 예산을 변경하거나 삭제하면 재개된다. 이와 함께 어드바이저 설정, 추론 지역 지정, GitHub 저장소에서 스킬을 불러오는 기능도 지원하게 됐다.
Google DeepMind는 사이클론의 진로, 강도, 바람 구조를 단일 모델로 예측하는 WeatherNext를 Nature 논문으로 발표하고, WeatherNext 2와 WeatherNext Cyclones의 코드 및 모델 가중치를 공개했다고 밝혔다. 3일 앞의 예측이 기존 모델의 2일 앞 예측 정확도에 해당하며, 평균적으로 하루치 예측 정확도가 더해진다고 한다. 소형 버전인 WeatherNext 2-mini도 함께 공개됐으며, 무료 Colab 노트북에서 단일 TPU로 실행된다.
선정 이유: 단일 모델로 진로, 강도, 바람 구조를 예측하는 방식과 가중치 및 코드의 공개 범위가 구체적으로 제시되어, 기상 분야에서의 재활용을 검토할 자료가 된다.
