MIT 연구진이 공개한 연구에 따르면 GPT-6 Astra는 소형 Qwen 모델의 가중치 중 0.016%만 직접 편집해 수학 문제 벤치마크 MATH-500 점수를 7.9%에서 48.1%로 높였으며, 이 과정에는 경사 기반 학습이나 별도의 훈련 루프가 사용되지 않았습니다①.

같은 'Weight-Space Programming' 연구에서 GPT-6 Astra는 신경망의 원시 가중치만 보고 그 네트워크가 어떤 작업을 위해 훈련됐는지 파악했고, 환경 피드백 없이 게임을 플레이하는 소형 신경망을 처음부터 작성했습니다. 이렇게 작성된 네트워크는 강화학습 기법 PPO로 1억 스텝 동안 학습한 네트워크보다 높은 성능을 보였으며, 연구진은 이러한 능력이 별도로 최적화된 적이 없는데도 나타났다는 점에 주목했습니다②.

Unsloth는 DeepSeek-V4.1을 512K 컨텍스트로 테스트해 ISTA의 양자화 기법 GSQ-RCO보다 10~20% 높은 성능을 기록했다고 발표했습니다. 검증용 벤치마크 데이터는 기존 1.3B 토큰에서 35.1B 토큰으로 27배 늘렸고, 이 조건에서 GSQ-RCO의 IQ1_M이 주장한 복원율 98.7%는 97.24%로 측정돼 p값 0.0013의 통계적 차이가 제시됐습니다. 반면 IQ2_XS의 복원율 100% 주장은 p값 0.21로 타당성이 인정됐다고 밝혔습니다①.

MiniMax는 428B 모델 M3.1 Flash(252.4GB)를 커뮤니티가 10일 만에 93GB까지 압축한 데 감사 인사를 전했으며, 같은 소식에서 SAGE-EXL3는 상위 1 정확도 96.89%를 기록한 것으로 제시됐습니다②.

한 사용자는 Qwen 3.8 27B가 물리 문제를 푸는 도중 스스로 Blender MCP 도구에 접근해 파이썬 코드를 작성·실행하며 계산을 가속화했다는 사례를 공유했습니다①.

다른 사용자는 RTX 5090 환경에서 이 모델을 OpenCode와 조합해 코딩 지식 없이 인보이스 데스크톱 앱을 직접 만들었다고 밝혔습니다. 작업 중 평균 속도는 초당 80~90토큰이었고, 입력 2억 9,400만 토큰과 출력 126만 토큰을 처리했다고 전했습니다②.

Sam Altman은 올해 초만 해도 AI가 가장 뛰어난 과학자들보다 똑똑하지 않았지만 지금은 대부분의 경우 그들보다 똑똑하다고 말했으며, 올해 초에는 불가능했던 화이트칼라 업무의 상당 부분을 이제 AI가 수행할 수 있다고 덧붙였습니다①.

Anthropic은 SEC 제출 문서에서 미래 모델이 AI 주도 연구로 AI 발전 속도를 두 배로 끌어올리는 임계점에 '곧' 도달할 수 있다고 경고했으며, 이러한 가속이 실제로 일어난 뒤에야 이를 감지할 가능성이 있다고 인정했습니다②.