전체메뉴
미디어룸
오늘을 넘어 미래의 가치를 만드는 더존ICT그룹의 소식을 만나보세요.
[AI트렌드] 같은 날 쏟아진 신모델 3종, 모델 검증 주기를 다시 봐야 한다
데일리 AI 트렌드
Qwen3.8 시리즈 출시 임박 및 모델 크기별 기대감
●무슨 일이?
Qwen팀이 3.8 시리즈 모델 공개를 예고하면서 27B, 2.4T-A95B 등 다양한 크기의 모델이 순차적으로 언급되고 있습니다. 커뮤니티에서는 27B 모델이 이전 3.6 버전처럼 MTP(Multi-Token Prediction) 헤드를 탑재할지, 아니면 DFlash 방식을 채택할지에 대한 기술적 궁금증이 제기되었습니다. 한 사용자는 32GB 통합 메모리, 780M 환경에서 3.6 27B MTP 모델이 초당 약 8토큰 속도를 보였다고 언급하며, 27B 모델이 자신의 주력 모델인 35B-A3B보다 느릴 것을 우려했습니다. 출시일을 안내하던 ModelScope 링크가 일시적으로 404 오류를 띄우면서 출시 일정이 변경된 것 아니냐는 추측도 나왔습니다.
●왜 중요해?
MTP나 DFlash 같은 추론 가속 기법 채택 여부는 로컬 환경에서의 실제 체감 속도를 좌우하는 핵심 요소입니다. 같은 날 Grok 4.6, DeepSeek V4 Pro 출시 소식까지 겹치면서 오픈소스와 상용 모델 진영 모두의 경쟁이 치열해지는 모습입니다.
Grok 4.6 출시 및 벤치마크 공개
●무슨 일이?
xAI가 Grok 4.6을 출시했고 같은 날 DeepSeek v4 pro와 오픈소스 Qwen 3.8 모델도 함께 공개되면서 커뮤니티에서 화제가 되고 있습니다. Artificial Analysis Arena 벤치마크에 따르면 Grok 4.6은 Sol 5.6과 동등한 수준의 성능을 보이는 것으로 나타났습니다. 레딧 이용자들은 Grok 4.6의 세부 벤치마크 결과를 공유하며 이전 버전인 Grok 4와의 성능 차이, 그리고 경쟁 모델들과의 비교에 주목하고 있습니다. 여러 회사가 비슷한 시기에 신규 모델을 쏟아내면서 AI 모델 출시 주기가 점점 짧아지고 경쟁이 격화되는 양상이 뚜렷하게 드러나고 있습니다.
●왜 중요해?
xAI, DeepSeek, Alibaba 등 주요 플레이어들이 동시다발적으로 신모델을 내놓는 상황은 AI 개발 속도가 얼마나 빨라졌는지를 보여줍니다. Grok 4.6이 경쟁 모델과 대등한 성능을 기록했다는 점은 후발주자인 xAI의 기술격차 축소를 시사합니다.
DeepSeek V4 Flash/Pro 출시 및 검열 우회(jailbreak) 논의
●무슨 일이?
DeepSeek V4 Pro 0813 버전이 API를 통해 순차적으로 배포되기 시작했으며, 같은 날 Grok 4.6과 오픈소스 Qwen 3.8 모델도 함께 공개될 것이라는 기대가 커뮤니티에 퍼졌습니다. 앞서 공개된 V4 Flash 0731 버전에대해서는 검열을 제거한 언센서드(uncensored) 버전이 두 번째로 등장해 잭브레이크 관련 논의가 이어지고있습니다. 한편 하드웨어 성능 테스트에서는 DGX Spark 1대로 124B 모델을 일주일간 벤치마크한 결과가 공개됐으며, 가장 빠른 경로에서 초당 38.7토큰을 기록해 같은 장비에서 구동한 DeepSeek V4 Flash보다 2.4배빠른 속도를 보였다고 보고됐습니다. 이는 대형 모델을 단일 장비에서 로컬로 구동할 때의 실질적인 처리량 비교 자료로 주목받고 있습니다.
●왜 중요해?
DeepSeek이 짧은 주기로 Flash와 Pro 버전을 동시다발적으로 출시하며 오픈소스·상업용 모델 경쟁이 가속화되고 있음을 보여줍니다. 동시에 검열 우회 버전과 로컬 구동 성능 검증이 함께 논의되면서, 모델의 자유도와실사용 효율성 모두가 커뮤니티의 핵심 관심사로 부각되고 있습니다.
Meta Muse Glimmer 30B 관련 성능 개선 및 생태계 확산
●무슨 일이?
Meta의 Muse Glimmer 30B 모델을 두고 커뮤니티에서 다양한 최적화 성과가 공유되고 있습니다. Mac 환경에서는 mlx-dspark를 적용해 최대 3.3배 빠른 추론 속도를 달성했다는 보고가 있었고, Intel은 LLM-Scaler에 Muse Glimmer 지원을 추가해 자사 하드웨어에서의 구동을 공식화했습니다. 반면 RTX 5080 환경에서 커스텀 llama.cpp 빌드로 비교한 결과, Qwen3.6 35B가 2분 만에 처리를 마친 반면 Muse Glimmer 30B는 4분이 걸려 속도 면에서 상대적으로 느리다는 벤치마크도 제기됐습니다. 채팅 템플릿이 중복 제거 방식으로 업데이트되어 성능에 영향을 줄 수 있다는 점도 언급됐습니다. 한 개발자는 자체 양자화 기법을 적용해 UD-Q8_K_XL보다작은 크기로 BF16 대비 21% 더 근접한 Q8 양자화 모델을 공개하며, 모든 VRAM 클래스에서 기존 양자화 모델을 능가하는 성능을 보였다고 밝혔습니다.
●왜 중요해?
Meta의 오픈 모델이 하드웨어 벤더(Intel)와 개인 개발자 양쪽에서 활발히 최적화되고 있다는 점은 생태계의자생적 확장력을 보여줍니다. 다만 GPU 환경에서의 속도 이슈처럼 상충되는 벤치마크 결과도 함께 나타나, 실제 활용 시 하드웨어별 성능 편차를 신중히 검토할 필요가 있습니다.
Liquid AI LFM2.5-VL 모델 및 온디바이스 비전 활용
●무슨 일이?
Liquid AI가 30억 파라미터 규모의 비전언어모델 LFM2.5-VL-3B를 Hugging Face에 공개했습니다. 이 모델은 클라우드 서버 없이 스마트폰 자체에서 구동되는 것이 특징이며, 실제로 아이폰17에서 로컬로 실행되어 마인크래프트 캐릭터 '스티브'를 실시간으로 인식하는 데모가 커뮤니티에 공유되었습니다. Liquid AI는 자사 모델과 LEAP SDK를 활용한 예제와 튜토리얼을 모은 'cookbook' 저장소도 함께 공개해 개발자들이 온디바이스앱을 쉽게 만들 수 있도록 지원하고 있습니다. 이러한 흐름 속에서 커뮤니티에서는 메타의 스마트글라스처럼 카메라가 달린 웨어러블 기기에도 로컬 모델을 적용할 수 있는지에 대한 논의가 이어지고 있으며, 특히 시각장애인 사용자가 개인정보를 외부 서버에 전송하지 않고도 시각 보조 기능을 이용하고 싶다는 요구가 제기되었습니다.
●왜 중요해?
이 사건은 비전언어모델이 데이터센터를 벗어나 개인 기기에서 직접 작동하는 수준까지 발전했음을 보여줍니다. 특히 개인정보 보호가 중요한 웨어러블 기기나 접근성 기술 분야에서 온디바이스 AI가 실질적인 대안으로자리잡을 가능성을 시사합니다.
NVIDIA RTX PRO 6000 가격 급등 이슈
●무슨 일이?
레딧 LocalLLaMA 커뮤니티에 따르면 NVIDIA 공식 웹사이트에서 RTX PRO 6000의 판매 가격이 기존보다 거의 두 배 가까이 오른 1만 6천 달러로 표시되고 있습니다. RTX PRO 6000은 96GB 대용량 VRAM을 탑재해 로컬 환경에서 대형 언어모델을 구동하려는 사용자들 사이에서 인기가 높았던 블랙웰 아키텍처 기반의 워크스테이션급 GPU입니다. 게시글 작성자들은 원래 가격대가 8천~9천 달러 수준이었다는 점을 지적하며, 갑작스러운인상폭에 놀라움을 표하고 있습니다. 커뮤니티에서는 이번 인상이 메모리 수급난이나 AI 하드웨어 수요 급증과관련이 있을 것이라는 추측이 나오고 있습니다.
●왜 중요해?
RTX PRO 6000은 로컬 LLM 구동을 위한 현실적인 고VRAM 옵션으로 꼽혀왔던 만큼, 가격 급등은 개인 및 소규모 연구자들의 하드웨어 접근성을 크게 낮출 수 있습니다. 이는 AI 하드웨어 시장 전반의 가격 상승 흐름을 보여주는 신호로도 해석될 수 있습니다.
에이전틱 AI 확산에 따른 CPU-GPU 비율 변화 전망
●무슨 일이?
OCP APAC 2026 행사에서 AMD, Arm, Microsoft가 에이전틱 AI가 인프라 구성에 미치는 영향을 발표했습니다. AMD의 컴퓨트 및 엔터프라이즈 AI 수석 부사장은 AI 에이전트가 GPU 수요를 줄이는 것이 아니라 오케스트레이션, 검색, 툴 호출 같은 작업을 CPU에 추가로 부과한다고 설명했습니다. 이에 따라 기존 1:4였던 CPU- GPU 비율이 1:2 혹은 1:1까지 이동할 수 있다고 밝혔습니다. Arm의 대만·동남아 총괄은 AI 에이전트가 인간보다 최대 15배 많은 요청을 발생시키며, 끊임없이 작동하고 다른 에이전트를 생성할 수 있어 CPU에 병목을 일으킨다고 덧붙였습니다. Microsoft 역시 자사의 신규 칩 Cobalt 200을 "에이전트 네이티브 CPU"로 소개하며, 에이전트 호출 지연을 33% 줄이고 에이전틱 워크로드 처리량을 23% 높였다고 밝혔습니다.
●왜 중요해?
챗봇 중심의 단순 추론에서 다단계 작업을 수행하는 에이전트 방식으로 AI 활용이 이동하면서, GPU뿐 아니라 CPU, 메모리, 스토리지, 네트워킹까지 동시에 확장해야 하는 상황이 되었습니다. 이는 데이터센터 설계와 하드웨어 투자 전략 전반에 영향을 미칠 수 있는 중요한 변화입니다.
AI 안전성 및 투명성 관련 이슈 (숨은 추론 디코딩, EU 규제, 활성화 드리프트)
●무슨 일이?
한 논문이 Claude와 GPT 계열 모델의 추론 토큰을 100% 복원할 수 있는 방법을 공개했습니다. 이를 통해 AIME 같은 벤치마크 문제를 모델이 이미 답을 외워서 풀고 있다는 정황이 드러나, 프론티어 모델의 성능 수치가과장됐을 가능성이 제기됐습니다. 오픈소스 모델에서 흔히 보이는 이상한 추론이나 오버씽킹 현상도 실은 프론티어 모델에서도 똑같이 나타나는 정상적인 현상으로 확인됐습니다. 한편 중국의 증류 학습에 활용됐던 이 취약점이 막히면서 향후 증류 속도가 느려질 것이라는 전망도 나옵니다. 이와 별개로 Gemma-3-1b 모델을 대상으로 한 실험에서는, 100~3000 토큰 길이의 평범하고 의미가 일관된문맥을 앞에 붙이는 것만으로 깊은 레이어(약 85% 깊이)의 활성화값이 크게 흔들리고(ΔH₂≈3434), 출력 분포가 정답과 동떨어지는 현상(KL발산≈22.87nats, 엔트로피 325배 증가)이 확인됐습니다. 텍스트를 뒤섞는 대조 실험으로 이 현상이 순수하게 의미 연관성 때문임이 검증됐습니다. 같은 날 Anthropic, OpenAI, Google, Meta, Microsoft, Mistral은 EU의 AI 생성 콘텐츠 투명성 실천규범에 서명했습니다.
●왜 중요해?
추론 과정이 해독되면서 벤치마크 성능의 신뢰성과 오픈소스와 프론티어 모델 간 격차에 대한 근본적 재평가가필요해졌습니다. 또한 별도의 탈옥 시도 없이도 평범한 긴 문맥만으로 안전장치가 무력화될 수 있다는 점은 RLHF 정렬의 견고성에 의문을 제기합니다. 동시에 주요 기업들의 EU 규범 서명은 규제 대응이 본격화되고 있음을 보여줍니다.
AI 발전 방향성 논쟁 (오픈소스 vs 폐쇄형, 초지능, 연속학습)
●무슨 일이?
Google 공동창업자 세르게이 브린이 재귀적 자기개선(RSI, Recursive Self-Improvement)을 강하게 추진하고 있다는 소식이 화제가 되면서, AI가 스스로를 개선해 초지능으로 향하는 경로에 대한 기대와 우려가 동시에커지고 있습니다. 동시에 Ilya Sutskever가 연속학습 문제를 해결했는지에 대한 논의도 활발한데, 연속학습은모델이 재훈련 없이 새로운 정보를 지속적으로 습득하는 능력으로 현재 LLM의 핵심 한계로 꼽힙니다. 한편 Meta의 마크 저커버그는 오픈소스/오픈웨이트 모델을 지지하는 진영의 대표 인물로 언급되며, Meta·Google·Nvidia처럼 하드웨어를 판매하는 기업은 오픈소스를 지원하는 반면 Anthropic·OpenAI처럼모델 자체가 수익원인 기업은 폐쇄형을 고수한다는 구조적 분석도 나옵니다. 이런 사업 모델 차이가 미중 AI 경쟁 구도와 맞물려 하드웨어 판매 중심의 오픈소스 생태계로 이어질지에 대한 전망도 제기되고 있습니다. 이 외에도 AI가 해킹이나 내부 이상행동에는 뛰어난 능력을 보이면서도 화이트칼라 업무 대체는 더딘 이유에 대한 의문도 함께 제기되고 있습니다.
●왜 중요해?
오픈소스와 폐쇄형 중 어느 쪽이 주도하느냐에 따라 AI 생태계의 권력 구조와 접근성이 크게 달라집니다. 또한 RSI와 연속학습 같은 기술적 돌파구는 초지능 도달 시점을 좌우할 핵심 변수로 평가받고 있습니다.
본 콘텐츠는 공개된 자료를 참고하여 자체적으로 요약·재구성한 것이며, 원문 저작권은 각 언론사 및 원저작자에게 있습니다.
5000