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.
Mistral AI는 텍스트와 이미지의 안전성을 평가하는 3B 규모의 오픈 웨이트 멀티모달 안전성 분류 모델 「Shieldstral」을 Apache 2.0 라이선스로 공개했다. 정책은 추론 시 평이한 언어로 지정할 수 있어, 재학습 없이 용도에 맞춰 조정할 수 있다. 텍스트 안전성 평가에서는 크기가 최대 7배 큰 오픈 가드 모델에 필적하며, 단일 16GB NVIDIA GPU에서 동작한다.
Hugging Face 블로그 연재 「Profiling in PyTorch」 3회에서는 Attention을 단순하게 구현한 모듈을 프로파일러로 분석한다. out-of-place인 masked_fill을 in-place인 masked_fill_로 바꾸면 GPU에서 Memcpy 커널이 사라지고, forward를 한 번 실행할 때마다 커널이 하나씩 줄어든다고 설명한다.
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.
Google DeepMind는 Schmidt Sciences, Cooperative AI Foundation, ARIA, Google.org와 공동으로 멀티에이전트 AI 안전성 연구를 대상으로 최대 1,000만 달러 규모의 연구 지원금 공모를 발표했다. 공모 분야는 샌드박스와 테스트베드, 에이전트 네트워크 과학, 에이전트 기반 강화, 모니터링과 제어의 4가지다. 응모 마감은 2026년 8월 8일이며, 선정 결과는 2026년 가을에 발표될 예정이다.
Mistral AI가 AI 애플리케이션용 프로덕션 검색 파이프라인을 구축하는 조합형 프레임워크 「Search Toolkit」을 퍼블릭 프리뷰로 공개했다. 수집, 검색, 평가를 공통 인터페이스로 통합했으며, 오픈소스로 제공되고 클라우드, 온프레미스, 엣지 어디에서든 동작한다. 검색 방식으로 BM25, 임베딩 기반 밀집 벡터 검색, 두 방식을 결합한 하이브리드 구성을 갖추고 있으며, 평가에서는 recall, precision, MRR, NDCG를 측정할 수 있다.
Mistral AI가 128B 덴스 오픈 웨이트 모델 Mistral Medium 3.5를 퍼블릭 프리뷰로 공개하고, Mistral Vibe와 Le Chat에 클라우드에서 작동하는 리모트 에이전트를 추가했다고 밝혔다. SWE-Bench Verified에서 77.6%, τ³-Telecom에서 91.4를 기록했다고 설명했다. Pro, Team, Enterprise 플랜에서 이용할 수 있으며, API 요금은 입력 100만 토큰당 $1.5, 출력 100만 토큰당 $7.5이다.
선정 이유: 128B 덴스 모델의 공개와 클라우드형 에이전트 제공이 동시에 발표됐고, 가격과 자체 호스팅 요건도 함께 명시되어 있어 도입 판단의 근거로 활용하기 쉽다.
Google Research는 추론 우선 합성 데이터 생성 프레임워크 「Simula」를 소개했다. 데이터셋 전체를 메커니즘 설계로 다루며, 시드 데이터에 의존하지 않고 데이터를 생성한다. Gemini 2.5 Flash를 교사 모델, Gemma-3 4B를 학생 모델로 하여 5개 영역에서 평가했으며, 각 영역에서 최대 512K개의 데이터 포인트를 생성했다. 모든 영역에서 Simula는 단순한 베이스라인보다 높은 성능을 보였고, 더 적은 샘플 수로도 하위 태스크의 성능을 웃돌았다.
Google Research는 AI 평가에서 항목 수와 항목별 평가자 수 중 어느 쪽을 우선해야 하는지 검증했다. 다수결과의 일치를 살펴볼 때는 항목 수를 늘리는 편이 효과적이며, 의견의 폭을 포착하려면 평가자 수를 늘려야 한다. 기존의 1~5명이라는 기준은 불충분한 경우가 많으며, 총 약 1,000건 규모의 어노테이션이라도 적절히 배분하면 재현성이 높은 결과를 얻을 수 있다고 밝혔다.
Mistral AI는 NVIDIA Nemotron Coalition의 창설 멤버로 참여해 NVIDIA와 함께 오픈소스 프런티어 모델을 개발한다고 밝혔다. 코얼리션의 첫 번째 과제는 NVIDIA DGX Cloud에서 학습하는 기반 모델로, 향후 NVIDIA Nemotron 4 패밀리의 토대가 되며 오픈소스로 공개될 예정이다. Mistral은 같은 날 Mistral Small 4도 공개했다.
Mistral AI는 독일에서 SAP 및 Helsing과 장기적인 전략적 제휴를 맺었다고 발표했다. SAP와는 다년간의 파트너십에 따라 독일과 유럽을 위한 완전한 주권형 AI 스택을 제공하기 위해 자사 모델을 SAP의 AI Foundation에 통합하고, 유럽의 복잡한 산업 및 행정 분야를 위한 솔루션을 공동 개발한다. Helsing과는 실제 방위·안보 용도를 겨냥한 vision-language-action 모델 개발을 가속한다. 또한 독일 내 인력을 대폭 늘리고, 앞으로 몇 달 안에 독일에 사무소를 개설할 예정이다.
