14 개 뉴스 — 🟡 11 주목 , 🟢 3 흥미
AWS가 P-EAGLE을 발표했습니다. 단일 모델 순전파에서 모든 추측 토큰을 예측하는 병렬 추측 디코딩 방법입니다. Qwen3-Coder-30B-A3B와 NVIDIA B200 FP8 정밀도에서 P-EAGLE은 HumanEval 기준 EAGLE-3의 955토큰/초 대비 1167토큰/초를 달성(+22%)하며, 기준 추론 대비 최대 3.97배 빠릅니다. 사전 학습된 P-EAGLE 헤드는 Amazon SageMaker AI에서 GPT-OSS-120B, GPT-OSS-20B, Qwen3-Coder-30B-A3B, Gemma-4-31B에 사용 가능합니다.
논문은 벤치마크 결과가 측정 프로토콜에 크게 의존한다는 것을 보여줍니다. 소프트웨어, 수학, 의학, 사이버보안의 7개 고난도 테스트에서 12개 프런티어 모델을 테스트했습니다. 더 큰 토큰 예산은 FrontierMath, Humanity's Last Exam, TerminalBench의 결과를 크게 향상시키며, 모델 순위는 추론 컴퓨팅 예산에 따라 달라집니다. 저자들은 능력을 단일 수치가 아닌 추론 시점 컴퓨팅의 함수로 보고할 것을 권장합니다.
LangChain은 에이전트 주변에 여러 피드백 루프를 구성하여 신뢰성과 자기 개선을 실현하는 접근법인 「loop engineering」을 소개했습니다. 네 가지 기술을 정의합니다：Agent Loop(기본 도구 호출), Verification Loop(평가기가 루브릭에 따라 출력을 채점하고 반복 실행), Event-Driven Loop(이벤트에 의해 실행되는 에이전트), Hill Climbing Loop(프로덕션 트레이스를 활용해 프롬프트와 도구를 자동 개선). 예시로 Slack 요청을 받아 수정안을 작성하고 테스트를 실행한 후 실패를 스스로 분석하는 내부 문서 에이전트가 소개됩니다.
새 논문은 에이전틱 기술 평가를 위한 최초의 체계적 프레임워크를 제안합니다：500개의 실제 기술과 1000개의 태스크에 지시 준수 및 목표 달성을 별도로 평가하는 루브릭을 적용하여 19가지 독점 및 오픈 모델 구성에서 테스트했습니다. 모델은 기술 지시의 정확도에 따라 유의미한 성능 차이를 보였습니다. 평가 세트는 공개되었으며, 연구 결과는 에이전트의 프로덕션 도입에 직접적인 함의를 가집니다.
AMD는 MLPerf Training v6.0에서 Instinct MI355X가 LLM 벤치마크에서 동급 NVIDIA GPU와 약 5% 성능 차이를 보였음을 공개했습니다. MI355X는 작년 MI300X보다 3.5배, 이전 라운드보다 13~19% 빠릅니다. AMD는 최초로 MXFP4(FP4) 학습 레시피와 Primus 통합 프레임워크를 도입했으며, 512개 MI300X GPU, 64개 노드의 멀티노드 제출도 완료했습니다.
NVIDIA는 Blackwell 플랫폼이 MLPerf Training 6.0의 전체 7개 테스트에서 최고 성적을 달성했다고 발표했습니다. GB300 NVL72는 GB200 NVL72 대비 최대 1.6배 빠른 학습 속도를 제공하며, 최대 규모 제출에서는 8192개의 Blackwell GPU로 6710억 파라미터의 DeepSeek-V3 모델을 학습했습니다. CoreWeave는 8192개 GPU로 DeepSeek-V3 671B를 2.02분에 학습했고, Microsoft Azure는 Llama 3.1 405B를 7.07분에 완료했습니다.
Anthropic이 Claude Code를 활용한 에이전트 코딩에 관한 경제 연구를 발표했습니다. 사용자는 계획 결정의 약 70%를, Claude는 실행 결정의 약 80%를 담당합니다. 전문 사용자는 프롬프트당 12개 액션과 3200개 단어를 얻는 반면 초보자는 5개 액션과 600개 단어를 얻으며, 검증된 작업 성공률은 28~33% 대 15%입니다. 디버깅 세션 비율이 2025년 10월에서 2026년 4월 사이 33%에서 19%로 감소한 반면 평균 작업 가치는 약 25% 상승했습니다.
AWS가 Amazon SageMaker AI에 컨테이너 이미지 사전 캐싱 기능을 도입했습니다. 스케일링 시 ECR에서 이미지를 가져올 필요가 없어지며 자동으로 활성화됩니다. Qwen3-8B의 경우 시작 지연이 525초에서 258초로 약 51% 감소했습니다. 사용자들은 P50 지연이 38~65% 감소하고 엔드-투-엔드 스케일링이 최대 2배 빨라졌다고 보고합니다. 이 기능은 모든 상용 AWS 리전의 모든 가속기 인스턴스 유형에서 사용 가능합니다.
Google DeepMind, 영국 정부, Google Cloud, Faculty AI가 공동으로 AI 프로토타입을 개발 중이며 건축 허가 심사 시간을 50% 단축하는 것을 목표로 합니다. 정부 목표는 2029년까지 150만 채의 신규 주택을 건설하는 것입니다. 주택 소유자의 신청이 연간 전체 신청의 약 70%를 차지하며, 의회당 연간 약 255시간을 절약할 수 있을 것으로 추정됩니다. 도구는 현재 Barnet, Camden, Dorset에서 테스트 중이며 2027년 전국 확대 도입이 계획되어 있습니다.
Anthropic 레드팀이 Verizon과 협력하여 실제 AI 무장화 사이버 작전을 MITRE ATT&CK 프레임워크에 매핑한 분석을 발표했습니다. 이 연구는 실제 관찰된 AI 지원 공격 패턴을 분석합니다. 동시에 레드팀은 대형 언어 모델이 이미 공개됐지만 아직 패치되지 않은（N-day） 취약점 악용을 어떻게 가속화하는지에 대한 분석도 발표했습니다.
AWS는 Amazon Bedrock에 InvokeGuardrailChecks를 도입했습니다. 이는 자동 차단 없이 점수를 반환하고 사전 생성된 guardrail 리소스도 필요 없는 탐지 API입니다. 콘텐츠 필터, 프롬프트 공격 탐지（탈옥, 삽입, 유출）, 31가지 엔티티 유형을 가진 개인정보 인식의 세 가지 보호를 다룹니다. API는 0에서 1.0 범위로 심각도와 신뢰도 점수를 반환하며, 개발 팀이 직접 임계값을 제어하는 다단계 에이전트 루프를 위해 설계되었습니다.
