Google Research는 주관적인 AI 분류기 작성을 반복적인 대화로 다루는 프레임워크 「Agile Deliberation」을 제안했다. 개념의 범위, 하위 범주, 제외 조건을 단계적으로 정의하도록 하며, VLM이 정의의 경계에 해당하는 이미지를 제시해 사용자의 판단을 유도한다. 「Healthy Food」와 「Pay-to-Play」 두 영역에서 회당 1.5시간의 라이브 세션을 18건 진행해 평가했으며, 코드와 알고리즘은 GitHub에서 공개되어 있다.
AWS Machine Learning Blog는 프로덕션 AI 에이전트를 위한 컨텍스트 엔지니어링 4계층을 오픈소스 멀티 에이전트 데이터 분석 솔루션 'Deep Insight'의 구현 코드와 함께 해설했다(Part 2). 단일 쓰기·실행 도구로 스크립트가 컨텍스트에 추가하는 토큰을 약 95% 줄였고, 스킬을 필요할 때만 읽어 들이도록 하여 시스템 프롬프트를 약 97% 축소했다. Deep Insight는 Strands Agents SDK와 Amazon Bedrock AgentCore 위에 구축되어 있다.
Kimi.ai@Kimi_MoonshotAI 점수4747
Hugging Face@huggingfaceAI 점수4545Introducing RoboColosseum An open robot eval initiative by @huggingface @BitRobotNetwork @eaic_sg @DJiafei Access: - 100+ robots (@UnitreeRobotics G1s, @LeRobotHF SO-101s, YAMs, Franka and more) - 140+ in-the-wild scenes - Open rollout data - 10,000 FREE eval hrs Thread ↓
Anthropic@AnthropicAIAI 점수3939Anthropic@AnthropicAIAI 점수3838Collinear 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.
동일한 오픈 웨이트 모델 GLM-5.3-flash를 AppWorld의 90개 태스크로 비교한 결과, 하네스에 따라 태스크 완료율이 CUGA의 81.1%에서 Deep Agents의 30.0%까지 크게 달랐다. 세 조건 모두 성공한 시나리오의 비율(SGC)도 CUGA 66.7%, Hermes 26.7%, Deep Agents 6.7%였다.
Mistral AI@MistralAIAI 점수5858ML4 is now open-weight! Frontier capabilities on code agents & cyber, way more efficient and compact than its Preview version three weeks ago (!) and cherry on the cake: technical report telling its epic backstory. Check it out: https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B/blob/main/assets/technical_report.pdf
Amazon SageMaker AI에서 프런티어 모델을 교사로 삼아 시퀀스 수준 지식 증류(SeqKD)로 쇼핑 에이전트를 소형 학생 모델에 파인튜닝하는 방법을 해설한다. 에이전트는 검색과 검증을 반복하므로 한 과제에서 여러 번 호출이 발생하지만, 소형 모델로 대체하면 비용과 응답 속도를 줄일 수 있다. SeqKD는 교사 모델의 텍스트 출력만 사용하기 때문에 API로만 이용할 수 있는 모델에도 적용할 수 있으며, 과제를 해결한 궤적만 학습 데이터로 남긴다.
IBM의 Granite Switch 4.1.1은 패치 릴리스로, 4.1과 완전한 하위 호환성을 가지며 마이그레이션 작업은 필요하지 않다. 업데이트된 Granite Speech ASR 모델은 10개 언어의 음성 인식을 지원하며, 구두점과 대문자화를 포함한 전사문을 출력하므로 별도의 정형화 과정 없이 후단 모델에 전달할 수 있다. 베이스 모델은 재계산되지 않았으며, 최신 어댑터를 결합해 배포하는 구성이다.
AnySpeechRecognizer와 AnyDecisionModel은 Apple 플랫폼에서 오픈 모델을 사용해 음성 인식과 판단을 수행하는 Swift 패키지다. AnySpeechRecognizer는 SpeechAnalyzer와 동일한 API를 그대로 유지하면서, NVIDIA의 Parakeet이나 Alibaba의 Qwen3-ASR 등 여러 인식 엔진 중에서 선택할 수 있게 하며 화자 분리 기능도 추가한다. AnyDecisionModel은 예/아니오, 다지선다, 평가 척도 질문에 대해 텍스트를 생성하는 방식이 아니라 모델의 확률로부터 답을 도출하며, 타입이 지정된 결과와 확률을 반환한다.
카카오가 개인화 AI 에이전트의 기반 기술인 임베딩 모델 'Kanana-2-embedding' 2종을 허깅페이스에 오픈소스로 공개했다. 30억 파라미터의 Kanana-2-3b-embedding과 13억 파라미터의 Kanana-2-1.3b-embedding이며, 유사 규모의 공개 모델과 비교한 평가에서 가장 높은 한국어 성능과 유사한 수준의 영어 성능을 보였다. 두 모델에는 상업적 활용이 가능한 '카나나 오픈 라이선스'가 적용됐다.
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.
Google Research는 LLM이 지속 학습 과정에서 지식을 보존하도록 돕는 “sleep framework”를 제안했다. 깨어 있는(active) 단계에서 얻은 단기적 문맥을 수면 단계에서 해제되는 Mixture-of-Experts(MoE) 메모리 블록에 통합하고, 이를 장기적인 파라미터로 정착시키는 구조다. 원문에 따르면 이 교대 반복을 통해 새로운 사실을 지속적으로 습득하고, 최대 10M 토큰의 장문맥 지식을 유지하면서 복잡한 추론 성능을 향상시킬 수 있다고 제시되어 있다.
AWS는 SageMaker Python SDK v3를 활용해 엣지 환경에서 카메라별 외관 검사 모델을 학습, 평가, 등록하는 샘플을 공개했다. 카메라마다 이상 탐지 모델과 결함 분류 모델을 학습하며, 품질 게이트를 통과한 모델만 SageMaker Neo로 컴파일해 등록한다. 합성 데이터로 파이프라인을 한 번 실행하는 데 드는 계산 비용은 약 $0.07이다.
Anthropic은 AI 에이전트에 전문 지식과 워크플로를 부여하는 오픈 표준 Agent Skills를 Linux Foundation 산하의 Agentic AI Foundation(AAIF)에 기증했다고 밝혔다. 2025년 12월 표준 공개 이후 ChatGPT, Cursor, GitHub Copilot, VS Code를 포함한 70여 개 이상의 에이전트 플랫폼이 이를 통합했다. 지금까지 100만 개의 스킬이 공개되었고, 설치 수는 약 2.8억 건에 달했다.
선정 이유: Agent Skills의 보급 규모와 명칭 및 도메인을 포함한 이관 내용, 향후 로드맵이 제시되어 있어 표준의 운영 체계를 파악하기 쉽다.
AWS Machine Learning Blog는 AI 에이전트가 문장을 생성할 때마다 그 문장을 Kokoro-82M TTS 모델로 보내, 전체 텍스트 생성을 기다리지 않고 음성 합성을 시작하는 방법을 소개했다. Kokoro-82M(8,200만 파라미터)은 SageMaker AI 실시간 엔드포인트에서 ml.g5.xlarge GPU 인스턴스로 동작하며, 컨테이너는 POST /invocations와 WS /invocations-bidirectional-stream 두 가지 라우트를 제공한다.
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.
IBM이 Granite 시계열 모델 4종을 조합한 예측 레시피 「Granite Timeseries Ensemble」을 공개했다. 재학습이나 학습 완료된 앙상블 가중치가 필요 없으며, 중앙값과 분위수 예측을 반환한다. 기본값인 Probabilistic Ensemble은 각 멤버에 동일한 영향력을 부여하고 확률 공간에서 분위수를 통합한다. 대안인 IQR Ensemble은 예측의 분산 정도에 따라 가중치를 달리한다. granite-tsfm>=0.3.11을 설치한 뒤 ibm-granite/granite-timeseries-ensemble-r1을 불러오면 바로 사용해 볼 수 있다.
NVIDIA는 시계열 예측 모델 「Kumo Forecast」(구 NV-Tesseract Forecasting)를 공개했다. 사전 학습된 Transformer와 이력 패턴 검색(DARR)을 결합해, 직접 예측과 검색 결과를 섞어 예측한다. 기반은 MOMENT-1-large이며, 약 3억 4000만 파라미터의 인코더를 사용하고 라이선스는 Apache 2.0이다. 해석 기능도 갖추고 있다.
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.
Hugging Face가 Apple Foundation Models 프레임워크를 대체할 수 있는 AnyLanguageModel 1.0을 공개했다. swift-huggingface 1.0과 swift-xet 1.0도 함께 릴리스했다. import를 `import AnyLanguageModel`로 바꾸기만 하면 시스템 모델, llama.cpp, MLX, Core ML, 각종 호스팅형 제공업체를 같은 코드로 다룰 수 있다.
Amazon SageMaker JumpStart는 2026년 1~9월에 30개 프로바이더의 100개가 넘는 신규 모델을 추가했다. 가장 많은 것은 Alibaba(Qwen)의 29개 모델이며, 이어서 NVIDIA가 17개, Mistral이 7개, Google이 6개 모델을 추가했다. 추론, 멀티모달, 양자화 모델 등 폭넓은 모델을 포함하며, 원클릭 배포를 지원한다.
AI at Meta@AIatMetaAI 점수5252
xAI는 Grok 구독을 Nous Research의 오픈소스 자기 개선형 에이전트 「Hermes Agent」 안에서 바로 이용할 수 있도록 했다고 밝혔다. 이용 가능한 기능은 텍스트 대화와 고도의 추론을 위한 Grok 4.3, 음성 응답을 위한 Grok Text-to-Speech, 이미지와 동영상 생성을 위한 Grok Imagine이며, 모든 요금제에서 연결할 수 있다. 설정은 Hermes Agent의 프로바이더에서 「xAI Grok OAuth（SuperGrok Subscription）」를 선택하고 브라우저에서 로그인하기만 하면 된다.
xAI는 SpaceXSI의 코딩 에이전트이자 TUI인 Grok Build의 소스 코드를 GitHub에 공개했다. 컨텍스트 구성부터 도구 호출 디스패치까지의 구현을 직접 읽어볼 수 있다. 직접 컴파일해 자체 로컬 추론 환경에 연결할 수 있고, config.toml로 조작하는 로컬 우선(local-first) 운용도 지원한다.
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 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 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.
Reflection AI가 에이전트형 코딩과 장기 작업을 위한 오픈 웨이트 모델 Beam을 공개했다. 총 파라미터 501B, 활성 파라미터 23B의 희소 MoE(Mixture of Experts) 구조이며, 회사 측은 실효 컨텍스트 길이가 1M 토큰이라고 밝혔다. 가중치는 Apache 2.0 라이선스로 Hugging Face에서 제공되며, 발표 시점에는 Amazon SageMaker JumpStart의 미국 동부(버지니아 북부, 오하이오) 리전에서 이용할 수 있다.
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.
Meta의 코딩 특화 오픈 웨이트 모델 「Muse Spark Open」이 Amazon SageMaker JumpStart에서 이용 가능해졌다. MoE 아키텍처로 총 파라미터 816B, 활성 파라미터 42B, 컨텍스트 윈도우는 1M 토큰이다. BF16 버전은 ml.p6-b300.48xlarge, NVFP4 양자화 버전은 ml.p5e.48xlarge에서 동작하며, SageMaker Studio 또는 SageMaker Python SDK를 통해 자신의 AWS 계정 엔드포인트에 배포할 수 있다.
AI at Meta@AIatMetaAI 점수5959
Perplexity@perplexity_aiAI 점수5050
NVIDIA@nvidiaAI 점수6262Meet NVIDIA Nemotron 3.5 Super VL Our new open model combines reasoning and tool use with text, image, document, and video understanding for long-running AI agents. 120B total parameters with 12B active 🧵
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.