오늘의 흐름 정리
주말과 월요일 사이의 AI 뉴스는 두 축으로 수렴된다. 하나는 연구 쪽이다 – 월요일 arxiv 피드에 나란히 오른 장기 실행 에이전트 논문 네 편이 서로 다른 환경에서 같은 결론을 가리켰다. 성능의 병목은 모델의 지능도 상호작용 횟수도 아니고, 실행 상태를 올바르게 유지하는 능력이라는 것이다. 다른 하나는 모델 쪽이다 – Tencent가 총 770B 규모의 차세대 LLM Hy4 프리뷰를 오픈 웨이트로 풀며 지난 회차에서 다룬 flash급 경량 경쟁과는 정반대 방향, 초대형 오픈 웨이트의 문을 열었다. 본인은 이 두 축이 같은 질문으로 이어진다고 본다 – 모델이 커지고 흔해질수록, 그 모델을 오래 굴리는 층의 설계가 승부처가 된다.
논문 네 편이 같은 곳을 가리켰다 – 병목은 상태 관리
첫 축은 연구다. SKILL.state는 대화 히스토리를 계속 이어 붙이는 기존 에이전트 런타임 대신, 명시적으로 고쳐 쓰는 실행 상태 하나만 유지하는 런타임 아키텍처를 제안한다. 매 스텝 모델에게 주어지는 것은 스킬 명세와 현재 상태, 최신 관찰뿐이고, 중간 추론은 상태를 갱신하는 즉시 버려진다. 여러 데이터셋과 실행 환경에서 정확도를 올리면서 누적 토큰 소비를 크게 줄였다는 것이 이번 개정판의 요지다.
측정 쪽도 같은 결론이다. 장기 다중턴 데이터 분석 벤치마크 LongDS에서는 최고 모델도 평균 정확도 48.45%에 그쳤고, 초반 턴에서 후반 턴으로 가며 성능이 47포인트 가까이 떨어졌다. 저자들의 진단이 흥미로운데, 스텝을 더 줘도 성능이 나아지지 않았다는 점을 들어 병목은 상호작용 예산이 아니라 분석 상태를 올바로 유지하는 능력이라고 못박는다. 모바일 에이전트 벤치마크 GMA도 컨텍스트 유지·명시적 상태 추적 같은 하네스 설계 선택이 성능을 갈랐다고 보고했고, 코딩 에이전트를 지휘하는 컨트롤러 모델의 역량만 따로 떼어 측정하는 LoopArena까지 더하면, 벤치마크의 대상이 모델에서 “상태를 다루는 층”으로 옮겨가는 흐름이 뚜렷하다.
770B가 오픈 웨이트로 – Tencent Hy4 프리뷰
둘째 축은 모델이다. Hy4 프리뷰는 총 770B·활성 49B 파라미터에 100만 토큰이 넘는 컨텍스트 창을 갖췄고, 코딩·문서 작업·게임 개발 같은 실제 생산성 작업에 초점을 맞췄다. 가중치는 지난 금요일 Hugging Face에 먼저 올라왔다. 배포 부담을 의식한 듯 공식 초저비트 GGUF 양자화까지 직접 내놨는데, 주요 벤치마크 하락이 2포인트 아래라는 자체 수치를 붙였다.
이 체급이 오픈 웨이트로 풀리면 첫 축과 바로 만난다. 프런티어급 가중치를 자체 인프라에서 오래 굴리는 순간 토큰 예산과 상태 유지가 곧 비용이 되고, 위 논문들이 재기 시작한 “상태를 다루는 층”의 품질이 실사용 단가를 가른다.
운영 전선 단신 – 뚫린 Auto Mode와 광고 10억 달러
경계 쪽 소식도 있었다. 웹사이트 요약을 시키는 것만으로 Claude Code Opus 5의 Auto Mode를 탈취해 코드 실행까지 이끌어낸 프롬프트 인젝션 사례가 월요일 공개됐는데, WebFetch 실패를 유도해 모델이 curl과 셸로 우회하게 만드는 방식으로 소표본 기준 60~80% 성공률을 보고했다. 자율 실행 모드가 흔해질수록 이런 공격면 점검은 도입 전 표준 절차가 될 것이다. 수익화 쪽에서는 OpenAI의 ChatGPT Ads가 연환산 매출 10억 달러에 도달해 글로벌 확장에 들어갔다.
한 줄 정리
모델은 770B까지 공짜로 풀리는데 벤치마크는 모델이 아니라 상태를 관리하는 층을 재기 시작했다 – 오픈 웨이트 시대의 격차는 가중치가 아니라 하네스에서 벌어진다.
조회수: 0