구글은 59년간 정설로 여겨졌던 핵융합 플라즈마 자기장 이론이 뒤집힌 최신 연구 결과를 Gemini 4 에이전트에게 제공했고, 에이전트는 몇 시간 만에 기존 연구자들이 발견하지 못한 두 가지 새로운 해법을 찾아낸 것으로 소개됐습니다①.

GPT-6 Astra는 미발표 이론물리학 문제 50개 중 49개를 자율적으로 풀었으며, 문제당 비용은 3달러 미만이었습니다. 연구자들이 처음 오답으로 분류했던 답변 가운데 일부는 실제로는 세계적인 물리학자들의 계산 오류를 짚은 것으로 확인됐습니다②.

한 개발자는 자율적으로 작업하는 Claude 에이전트들에게 천문학 탐색을 제안했고, 에이전트들이 밤새 작업해 104개의 신규 식쌍성을 발견하고 이를 찾는 방법론까지 고안했다는 개인 사례를 공유했습니다③.

Sabi-Noema는 Qwen 3.8 27B를 코딩·에이전트 작업에 맞춰 파인튠한 모델로, TB2.1 벤치마크에서는 토큰을 50%, DeepSWE에서는 25% 덜 사용하면서 GPT 6 Luna-high보다 높은 성능을 보였다고 제시됐습니다. 변형 모델인 Sabi-Noema-MLA는 추가 학습 없이 보정용 데이터만으로 어텐션 구조를 GQA에서 MLA로 바꿔 KV 캐시를 최대 8.4배 압축했으며, 24GB GPU에서 약 53만 토큰 컨텍스트를 지원한다고 소개됐습니다①.

Telperion도 같은 기반 모델의 MLA·GLA 변형을 내놓으며 KV 캐시를 4배 줄이고 SWE-bench 성능이 6.58% 높아졌다고 밝혔습니다②.

Zellige AI의 Tessera-27B-B-CJK는 모델이 영어·중국어·기호를 섞은 압축 표기로 사고 과정을 쓰도록 만들어 사고 토큰을 평균 50% 줄였으며, 도구 호출 정확도는 그대로 유지했다고 제시됐습니다③.

Anthropic 직원 대부분이 'AI로 인해 앞으로 6개월밖에 남지 않았다'고 생각한다는 내용이 알려지며 커뮤니티에서 반발이 일었습니다. 비판자들은 이런 발언이 정치인과 대중에게 공포를 심어 자사에 유리한 규제 장벽, 이른바 '입법적 해자'를 만들려는 전략이라고 주장했습니다①.

Anthropic 경영진은 오픈소스 AI 모델이 사이버보안 측면에서 더 높은 위험을 가진다고 발언했고, LocalLLaMA 커뮤니티를 중심으로 폐쇄형 모델을 선호하는 기업이 경쟁 생태계인 오픈소스를 위험한 것으로 몰아간다는 비판이 제기됐습니다②.

창작 글쓰기 평가에서 Gemini 4 Argon(high)은 0.80점을 기록해 이전 버전인 Gemini 3.1 Pro Preview의 -2.17점보다 크게 높아졌고 50건의 비교에서 모두 앞섰지만, 이름을 반복해 쓰거나 감정 결말을 지나치게 깔끔하게 처리하는 습관은 여전히 남아 있다고 평가됐습니다①.

한 연구자는 em dash나 ‘it's not X, it's Y’ 같은 상투적 어시스턴트 문체인 '슬롭'을 담당하는 내부 방향을 Qwen3-4B-Instruct에서 찾아냈습니다. OLMo 2 1B의 학습 단계별 분석에서는 선호 데이터로 답변을 조정하는 DPO 단계에서 슬롭 점수가 두 배로 늘었고, 선호 데이터 3,000쌍 중 57%는 '선택된' 답변이 오히려 더 슬롭한 쪽이었습니다. 해당 방향을 rank-16 LoRA로 압축해 적용하자 슬롭 점수가 83% 줄었으며, 질의응답(QA) 성능 저하는 나타나지 않았습니다②.

Kokon 앱은 Qwen-Image 2.1을 stable-diffusion.cpp 엔진으로 구동해 파이썬 설치 없이 12GB 이상 GPU에서 사진 편집을 할 수 있게 했으며, RTX 5070 Ti 기준 1.5K 해상도 편집에 약 24초가 걸린다고 소개됐습니다①.

Private Mind 앱은 휴대폰에서 구동되는 1.7B 모델이 별도 검색 API 없이 DuckDuckGo 결과를 직접 읽어 들여 웹 검색 답변을 생성하는 구조를 선보였습니다②.

Runner 도구는 모델 용량을 줄이는 양자화가 적용된 GGUF 모델에 PyTorch 없이 직접 LoRA(모델 일부만 추가로 학습시키는 경량 파인튜닝)를 학습시킬 수 있게 해, 실행과 학습에 같은 가중치를 쓸 수 있다고 공유됐습니다③.