오픈 모델, 프레임워크, 저장소. 가중치 공개, 빠르게 커지는 커뮤니티, 오픈과 클로즈드의 역학 관계.
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.
Moonshot은 Kimi K3.1 Pro를 발표했다. 총 파라미터 2.8T, 활성 파라미터 104B, 1M 토큰 컨텍스트 윈도우를 갖춘 멀티모달 MoE 모델이며, 가중치는 2026년 11월 4일까지 공개할 예정이라고 예고했다. Artificial Analysis의 Intelligence Index에서는 55점으로 4위를 기록했다. Highspeed 버전은 출력이 2~3배 빠르고 요금은 표준의 2배라고 설명되었다.
선정 이유: 독립 평가, API 가격, 사이버 역량의 취급, 벤치마크 제시에 대한 의문이 나란히 정리되어 있어, 공식 발표와 제3자 평가를 구분해 읽을 수 있다.
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.
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.
Hugging Face는 네이티브 PyTorch 백엔드 TorchTPU를 통해 Transformers, Diffusers, Kernels가 TPU에서 그대로 동작한다고 발표했다. `device_map="tpu"`나 `pipe.to("tpu")`를 지정하기만 하면 사용할 수 있으며, `pip install torch-tpu --extra-index-url https://download.pytorch.org/whl/cpu`로 설치할 수 있다.
선정 이유: TPU를 장치 지정만으로 사용하는 절차와 배치 64에서의 가속 수치, CI 통과율을 함께 제시하고 있어 도입 가능 여부를 판단하기 쉽다.
Google가 PyTorch를 TPU에서 네이티브로 실행하는 TorchTPU를 기반으로 vLLM-TorchTPU와 SGLang-TorchTPU 두 가지 추론 엔진을 발표했다. Qwen 3.5를 Ironwood TPU(TPU 7x)에서 돌린 공개 벤치마크에서는 고동시성 구성 기준 백만 토큰당 2.01센트를 기록했다고 밝혔다. vLLM은 Inferact, SGLang은 RadixArk와 공동 개발했으며, GitHub에서 공개되어 있다.
선정 이유: TPU에서 PyTorch 네이티브로 vLLM과 SGLang을 구동하는 구성과 지원 기능, 공개된 벤치마크 수치가 정리되어 있어 추론 기반 선택을 위한 비교 자료로 활용할 수 있다.
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.
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.
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.
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.
Mistral은 총 파라미터 1조, 활성 파라미터 520억의 네이티브 멀티모달 모델 Mistral Large 4(ML4)의 공개 프리뷰를 시작했다. 프리뷰 API는 Mistral Studio에서 체험할 수 있으며, 가중치는 이번 달 말 공개될 예정이다. 코딩, 에이전트형 워크플로, 멀티모달 이해에서 높은 성능을 보인다고 밝혔으며, Artificial Analysis Cyber Index에서는 세계 상위 5개 모델에 든다고 밝혔다.
선정 이유: 사이버보안, 금융, 법무 분야의 평가 결과와 함께 학습 인프라 및 RL 운영 규모까지 공개되어, 오픈 웨이트 대형 모델의 위치를 비교하기 쉽다.
Hugging Face Hub에 RL 환경(RL Environments)용 필터가 추가되었다. rl-environment 태그가 붙은 데이터셋 리포지토리가 목록에 표시되며, Harbor, Verifiers, OpenEnv, NeMo Gym 등 4개 프레임워크의 태그도 등록되었다. 새로운 리포지토리 유형이나 레지스트리, 회원 가입은 필요 없다.
선정 이유: 기존 데이터셋 저장소에 태그만 붙이면 여러 프레임워크에서 공통으로 사용할 수 있는 설계가 제시되어 있어, 환경 공개 절차를 구체적으로 파악할 수 있다.
Hugging Face는 transformers에 GGUF 모델을 `from_pretrained`로 불러와 실행하는 기능을 추가했다. ggml 커널을 kernels 라이브러리를 통해 재사용하며, 우선 Apple Silicon의 Qwen3.5 아키텍처를 대상으로 한다. 현재는 main 브랜치에서 이용할 수 있으며, 패킹된 추론 경로는 MPS만 지원한다.
선정 이유: GGUF를 transformers API로 불러오는 절차와 llama.cpp와의 역할 분담, Apple Silicon에서의 현재 지원 범위가 구체적으로 정리되어 있다.
Hugging Face 블로그가 Surya Narreddi의 수채화 생성 기법을 TRL과 OpenEnv로 재현했으며, 데이터셋, RL 환경, 학습 스크립트, 학습된 모델을 모두 공개했다고 밝혔다. Qwen/Qwen3.5-35B-A3B에게 p5.brush용 JavaScript를 작성하게 하고, 심사 모델과 미적 평가 모델의 보상으로 학습시켰다. 세 가지 보상 배분 방식 모두에서 보상이 상승했다.
선정 이유: 보상 설계에서 실패한 실험과 비용까지 구체적인 수치로 정리되어 있어, 선호도를 보상으로 삼는 RL을 직접 재현할 때 판단 근거로 활용할 수 있다.
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.
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.
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.
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.