🔴 🤖 모델
Meta: Brain2Qwerty v2 — 수술적 임플란트 없이 61% 정확도로 생각을 텍스트로 비침습적 해독
Brain2Qwerty v2는 MEG 스캐닝을 사용하여 수술 없이 뇌 신호를 텍스트로 변환하는 Meta Research의 AI 시스템입니다. 단어 인식 평균 정확도는 61%에 달하며, 이는 다른 비침습적 방법(8%)보다 7배 높습니다. 학습 코드와 데이터셋이 오픈 소스로 공개되었습니다.
2026년 6월 29일 월요일
15 개 뉴스 — 🔴 2 중요 , 🟡 9 주목 , 🟢 4 흥미
🤖 모델 (4)
🟡 🤖 모델
GitHub: Claude Opus 4.8 fast mode가 Copilot 프리뷰에 출시; Anthropic은 Opus 4.6의 fast 모드 종료
Claude Opus 4.8 fast mode가 이제 GitHub Copilot 사용자를 위한 프리뷰 단계에 있으며, 모델의 지능 수준을 유지하면서 출력 토큰 생성 속도를 크게 향상시킵니다. 동시에 Anthropic은 Opus 4.6의 fast mode를 종료합니다 — fast mode 기능을 유일하게 남은 모델로 통합합니다.
🟢 🤖 모델
Allen Institute: DiScoFormer — 하나의 트랜스포머로 다양한 분포의 밀도와 점수 추정
DiScoFormer는 Allen Institute for AI(AI2)의 트랜스포머 모델로, 하나의 순전파(forward pass)에서 밀도 함수(분포 밀도)와 점수 함수를 동시에 추정합니다. 기존에는 별도 모델이 필요했던 작업입니다. KDE를 고차원으로 일반화하며, 재학습 없이 새로운 분포에 적응합니다.
🟢 🤖 모델
arXiv:2606.28166: Tandem RL — 더 읽기 쉬운 사고 연쇄와 소형 모델 핸드오프를 갖춘 검증 가능한 보상
Tandem RL은 언어 모델 학습의 새로운 방법으로, RLVR(검증 가능한 보상을 사용한 강화 학습)과 탠덤 접근 방식을 결합합니다. 더 강한 모델이 고정된 더 약한 모델과 협력하여 사고 연쇄를 생성합니다. Qwen3-4B에서 유사한 성능을 달성하면서 가독성과 소형 모델 핸드오프 견고성이 크게 향상됩니다.
📦 오픈소스 (1)
⚖️ 규제 (1)
🤝 에이전트 (4)
🔴 🤝 에이전트
Microsoft Research: Memora — 토큰 최대 98% 감소와 장문 대화 SOTA를 달성하는 AI 에이전트 메모리
Memora는 장기 지평선 AI 에이전트를 위한 Microsoft Research의 확장 가능한 메모리 프레임워크입니다. 무엇을 저장할지와 어떻게 검색할지를 분리하는 조화로운 아키텍처, 큐 앵커, 정책 기반 검색기를 도입합니다. 전체 컨텍스트 접근 방식 대비 토큰 소비를 최대 98% 줄이면서 LoCoMo와 LongMemEval 벤치마크에서 SOTA를 달성합니다.
🟡 🤝 에이전트
arXiv:2606.27483: Internalizing the Future — LLM 에이전트 세계 모델 계획을 위한 통합 에이전트 학습 패러다임
『Internalizing the Future』는 Tencent의 Xuan Zhang과 8명의 공저자가 2026년 6월 25일 arXiv에 제출한 프리프린트입니다. 3단계 학습(WM-AMT, FE-SFT, FC-RL)을 제안하며, 이를 통해 LLM 에이전트는 세계 모델을 개발합니다 — 단순히 반응적으로 행동하는 대신 미래 상태 예측과 계획 성공 평가 능력을 갖추게 됩니다.
🟡 🤝 에이전트
LangChain: Deep Agents의 Dynamic Subagents — 에이전트가 수백 개의 하위 에이전트를 병렬로 디스패치하는 코드 작성
Dynamic Subagents는 LangChain Deep Agents 프레임워크 내의 오케스트레이션 아키텍처로, 모델이 수백 개의 하위 에이전트를 병렬로 디스패치하는 JavaScript 스크립트를 작성할 수 있게 합니다. QuickJS 인터프리터가 스크립트를 결정론적으로 실행하여 300개 이상의 순차적 도구 호출을 제거합니다. 시스템은 classify-and-act부터 loop-until-done까지 6개의 오케스트레이션 패턴을 정의합니다.
🟢 🤝 에이전트
Microsoft: 2026 Agent Confidence Index — 300명의 개발자, AI 에이전트에 대한 평균 신뢰도 64/100
2026 Agent Confidence Index는 Microsoft가 MIT Technology Review Insights와 함께 12개 산업의 300명의 기술 전문가를 대상으로 101개 작업에서 AI 에이전트에 대한 신뢰도를 조사한 연구입니다. 평균 점수는 64/100이며, 30개의 작업만이 70점 임계값을 초과합니다. 전문가의 59%는 인간 감독 루프 유지를 주요 우려 사항으로 꼽습니다.
🔧 하드웨어 (1)
🏥 실무 (1)
🛡️ 보안 (3)
🟡 🛡️ 보안
arXiv:2606.28270: Agent-Native Immune System — AI 에이전트 추론에 내장된 6계층 런타임 방어
Agent-Native Immune System은 보호 메커니즘을 AI 에이전트의 인지 루프에 직접 내장하는 방어 프레임워크입니다. 6개 방어 계층(L0-L5), 위협의 형식적 분류 체계, 적응형 학습이 런타임 보호의 기반을 이룹니다 — 학습 시간 정렬(training-time alignment)에만 의존하는 기존 방법과 달리 런타임에 작동합니다.
🟡 🛡️ 보안
arXiv:2606.28061: ToolPrivacyBench — 도구를 사용하는 LLM 에이전트의 『필요한 만큼만』 프라이버시 측정
ToolPrivacyBench는 『목적 구속』 프라이버시를 테스트하는 새로운 벤치마크입니다 — 민감한 정보가 승인된 도구에만 전송되는지 확인합니다. 2,150개의 테스트 사례(합성 1,150개 + 기존 적응 1,000개)는 테스트된 9개 에이전트가 과제를 수행하면서 개인 데이터를 불필요하게 노출한다는 것을 보여줍니다.
🟡 🛡️ 보안
AWS: 행 수준 보안과 Split-Plane SQL 암호화 데이터 경계를 갖춘 다중 테넌트 AI 에이전트
AWS는 PAR Technology와 함께 300개 이상의 레스토랑 체인 분석을 위해 다중 테넌트 SaaS 플랫폼용 안전한 AI 에이전트의 프로덕션 아키텍처를 설명했습니다. 아키텍처는 SigV4 암호화 서명, Amazon Bedrock의 의미론적 유효성 검사, 데이터베이스 수준에서 행 수준 보안을 시행하는 Split-Plane SQL을 결합합니다 — 프롬프트 지시가 아닌 아키텍처 수준에서.