AI 뉴스

Copilot 사용량 메트릭 API, 클라이언트 텔레메트리 누락과 IDE·확장 버전 미달 사용자 표시

GitHub Copilot 사용량 메트릭 API가 클라이언트 텔레메트리가 수신되지 않은 사용자와 IDE 또는 확장 버전이 최소 요구치 미만인 사용자를 표시하도록 바뀌었다. 엔터프라이즈 및 조직의 사용자 리포트와 일별 리포트에 새 필드와 집계 수치가 추가됐다. 새 사용자 단위 필드는 client_telemetry_present와 usage_metrics_requirements다. client_telemetry_present가 false이면 Copilot이 사용자의 활동은 확인했지만 해당 에디터에서 사용량 이벤트가 도착하지 않았다는 뜻이다. usage_metrics_requirements는 사용자가 쓰는 각 IDE와 Copilot 확장을 최소 지원 버전 대비 met, unmet, unknown으로 구분해 보여준다. 일별 집계 필드로는 missing_client_telemetry_user_count와 below_usage_metrics_minimum_user_count가 제공된다. 두 값은 하루 단위 집계이며, 한 사용자가 두 항목에 동시에 포함될 수 있으므로 합산하지 않아야 하고 여러 날짜의 값을 더해 고유 사용자 수를 구해서도 안 된다. 값이 null이거나 생략되면 데이터가 없다는 뜻이며 false나 0이 아니다. 이번 릴리스 이전 날짜에는 값이 없다. 접근 권한은 엔터프라이즈 소유자, 엔터프라이즈 빌링 관리자, 조직 소유자, 그리고 View Copilot Metrics 권한이 있는 커스텀 역할 사용자에게 주어진다. 이 기능을 쓰려면 Copilot 사용량 메트릭 정책이 활성화되어 있어야 한다. 사용자 필드는 1일 및 28일 사용자 리포트에, 집계 수치는 1일 리포트와 28일 리포트의 day_totals 항목에 나타난다.

usage_metrics_requirements와 missing_client_telemetry_user_count 필드로 오래된 에디터나 확장, 비활성화된 IDE 텔레메트리, 프록시·방화벽으로 차단된 이벤트를 식별해 해당 사용자에게 직접 후속 조치를 할 수 있다.

Cursor, 에이전트와 실시간 음성 대화 기능 추가 - Start voice chat 버튼과 Grok Voice 기반

Cursor가 에이전트와 실시간 음성 통화로 대화할 수 있는 Voice chat 기능을 선보였다. 말로 변경 사항을 설명하거나 에이전트의 작업 상황을 물어보고, 진행 업데이트를 음성으로 들을 수 있다. Agents Window, IDE, 웹, iOS 앱에서 사용할 수 있다. 에이전트가 유휴 상태이고 채팅 입력창이 비어 있을 때 Send 버튼 옆의 파형(waveform) 버튼 「Start voice chat」을 누르면 통화가 시작된다. iOS에서는 「Hey Siri, call Cursor」라고 말해 새 에이전트와 통화를 시작할 수 있고, 잠금 화면의 Live Activity로 음소거와 종료를 할 수 있다. 에이전트가 작업하는 동안에도 대화를 이어갈 수 있으며, diff에서 무엇이 바뀌었는지 묻거나 실행 상태를 확인하고 이 에이전트와의 이전 메시지와 통화를 검색할 수 있다. 음성은 Grok Voice 기반이며 Voice settings에서 Ara, Eve, Leo, Rex, Sal 등 여러 목소리 중 고를 수 있다. Privacy Mode를 켜면 음성 대화는 데이터 보존 없이(zero data retention) 실행된다. Voice chat은 이전 릴리스에서 Voice Mode라고 불리던 dictation(음성을 채팅 입력창의 텍스트로 바꾸는 기능)과 별개이며, IDE에서 Cmd+Shift+Space로 dictation을 켜고 끌 수 있다.

Privacy Mode를 켜면 Grok Voice 기반 Voice chat이 zero data retention으로 동작하므로, 보안 정책이 엄격한 팀은 Privacy Mode 설정을 먼저 확인해야 한다.

OpenAI, ChatGPT Images 2.6 공개… 이미지 GIF 생성·재사용·생성 시간 절반 단축, API 가격은 2.5와 동일

OpenAI가 11월 4일(미국 시간) ChatGPT Images 2.6을 공개했다. 이미지를 GIF로 움직이게 하는 기능, 사진을 저장해 반복 사용하는 기능, 생성 시간이 절반으로 줄어든 점이 주요 변경 사항이다. 무료 플랜을 포함한 모든 요금제에서 바로 사용할 수 있다고 밝혔다. 기사 작성자는 API 단가가 2.5와 같다는 점을 이번 발표에서 주목할 대목으로 꼽았다. 기능이 늘고 생성 시간이 줄었지만 가격은 그대로라고 전했다. 작성자는 직접 계정에서 테스트한 결과도 함께 공유했으나, 본문에는 구체적인 테스트 수치가 포함되지 않았다.

API 단가가 2.5와 동일하게 유지되어, Images 2.6으로 전환할 때 추가 비용 없이 GIF 생성과 생성 시간 단축을 적용할 수 있다.

Sentinel Bio 공동창립자 Joshua Monrad, 프런티어 AI의 생물보안 위험과 DNA 합성 스크리닝 논의

Sentinel Bio의 공동창립자이자 managing director인 Joshua Monrad는 프런티어 AI와 자율 에이전트가 생물보안에 주는 위험을 Nathan Labenz와 함께 짚었다. 그는 최근 wet lab 현장 uplift 시험과 멀티모달 문제해결 벤치마크를 근거로, 신규 모델이 wet lab의 암묵지 장벽을 빠르게 허물고 있다고 설명했다. 기사에서 Monrad는 병원체 학습데이터 필터링부터 DNA 합성 스크리닝까지 여러 거버넌스 개입 방안을 분석했다. 그는 로봇공학 개발이 마지막 물리적 병목으로 다가오고 있다고 보았다. 생물학 도구가 dual-use 방향으로 대중화되는 흐름 속에서, 견고한 방어 체계를 세우기 위해 남은 시간 범위도 함께 다뤘다. 에피소드에는 생물무기 역사, wet lab uplift 측정, dual-use 생물데이터 거버넌스, DNA 합성 스크리닝, 단기 위험 평가, AI 일시 중단 논쟁, 소홀히 다뤄진 생물보안 병목 등이 챕터로 나뉘어 포함된다.

중간선거에서 AI 정치자금 단체들의 성과 엇갈려, 데이터센터 규제 주민투표 약 40건 통과

AI 관련 슈퍼팩(super PAC)들이 화요일 중간선거에서 엇갈린 성과를 냈다. 새로 출범한 AI 규제 옹호 단체 Guardrails Alliance PAC는 지출한 5건에서 모두 승리했다고 발표했다. 반면 지역 주민투표로 데이터센터 개발을 제한하는 안건은 전국에서 약 40건이 통과됐다. AI 옹호 단체 Leading the Future는 공화당 Darline Graham의 상원 보궐선거 출마를 지지하며 480만 달러를 썼지만 그는 패배했다. 민주당 당선자 Annie Andrews는 캠페인 중 그를 "Data Center Darline"이라 불렀다. 같은 단체는 Jared Moskowitz 하원의원(민주당, 플로리다)의 당선을 도왔지만, 지원한 공화당 하원 후보들은 모두 졌다. Anthropic과 연계된 Public First Action은 본선에 2,000만 달러를 써 Valerie Foushee, Brian Poindexter, Manny Rutinel, Scott Wiener 등을 당선시켰고, 이 네트워크가 지지한 공화당 후보들은 패배했다. Guardrails Alliance는 낙선시키려 한 5명의 후보에 총 310만 달러 이상을 쓰고 모두 낙선시켰다고 밝혔다. 돈으로도 살 수 없었던 결과는 데이터센터 관련 지역 주민투표였다. Semafor에 따르면 Leading the Future 측은 이 투표의 성공에 놀랐고 대응 자원을 투입하지 않았다. Leading the Future 대변인 Jesse Hunt는 전국 단위 규제 체계를 추진하겠다는 입장을 밝히며 2028년 선거에서 누가 이 문제에 진심인지 드러날 것이라고 말했다.

Guardrails Alliance PAC가 5개 지출 건에서 모두 승리하고 Leading the Future가 지원한 Darline Graham이 패배한 점은, AI 관련 정치자금의 영향력이 후보별로 차이가 크다는 것을 보여준다.

Amazon Bedrock AgentCore Gateway에 추가된 Web Answer, 한 번의 도구 호출로 출처가 달린 답변 반환

AWS가 Amazon Bedrock AgentCore의 Web Answer를 정식 출시(GA)했다. 에이전트는 자연어 질문 하나를 도구 호출로 보내 출처가 인용된 합성 답변을 받을 수 있어, 검색·수집·합성·인용 파이프라인을 직접 구현하지 않아도 된다. Web Answer는 AgentCore Gateway를 통해 연결되는 AWS 소유의 관리형 커넥터다. 게이트웨이가 IAM 또는 JWT로 호출을 인증한 뒤 Web Answer를 호출하면, Web Answer가 검색을 계획해 여러 건을 병렬로 실행하고 핵심 페이지를 읽어 사실을 검증한다. 근거가 부족하면 다시 검색하며, 각 주장을 원본 URL과 연결한 답변을 작성해 MCP 도구 결과로 반환한다. 모델에는 오늘 날짜가 전달되어 최신 정보를 검색한다. Web Search는 순위가 매겨진 URL, 제목, 스니펫과 메타데이터를 반환하고 합성은 사용자의 모델이 맡는다. 반면 Web Answer는 모델 실행, 검색 루프, 합성, 출처 표기를 대신 처리해 완성된 인용 답변을 준다. 기사는 두 도구를 함께 쓰는 경우도 언급한다. 광범위한 조사에는 Web Search를, 특정 사실 질문에는 Web Answer를 쓰는 방식이다.

Gateway 관리자가 기존 AgentCore Gateway에 Web Answer를 대상(target)으로 추가하면 MCP의 tools/list와 tools/call을 통해 연결된 에이전트가 바로 이 도구를 사용할 수 있어, 검색 파이프라인을 따로 유지하지 않고 Web Answer를 에이전트의 하위 작업으로 붙일 수 있다.

Microsoft Foundry 확장, Azure Developer CLI에서 정식 출시(v1.0)

Microsoft Foundry 확장 번들(microsoft.foundry)이 Azure Developer CLI(azd)용 버전 1.0으로 정식 출시되었다. azd로 Azure 리소스를 프로비저닝하고 앱 코드를 배포하는 기존 흐름에 에이전트 설정과 로컬 테스트를 더해, 에이전트 배포 설정을 코드와 함께 관리할 수 있게 되었다. 에이전트 설정과 배포 구성은 azure.yaml에 코드와 함께 두며, 같은 구성을 로컬과 CI/CD에서 함께 사용한다. azd ai agent init으로 Python Agent Framework 샘플을 초기화하고, azd provision으로 모델 배포 등 리소스를 만든 뒤, azd ai agent run으로 Agent Inspector를 열어 로컬에서 요청과 응답을 확인한다. azd deploy는 소스를 Foundry에 업로드해 원격 빌드하므로 로컬 컨테이너 빌드가 필요 없다. 평가는 azd ext install azure.ai.evaluations 후 azd ai eval generate와 azd ai eval run으로 진행하며, azd pipeline config로 GitHub Actions 또는 Azure DevOps 파이프라인을 구성할 수 있다. 사전 조건은 Azure CLI 또는 azd 1.37.0 이상, Python 3.13 이상, Azure 구독, Foundry 권한과 선택 리전의 모델 쿼터이며 프로비저닝 리소스와 모델 사용에는 Azure 요금이 부과된다.

azure.yaml에 모델 배포(gpt-5.4-mini), 런타임(python_3_13), 컨테이너 리소스(cpu 0.5, memory 1Gi)를 선언해 두면 azd up 한 번으로 로컬 테스트, 배포, CI/CD 파이프라인 구성까지 같은 정의를 재사용할 수 있다.

GitHub, 5,000개 동시 에이전트와 초당 7,200회 푸시를 처리하는 새 Git 스토리지 아키텍처 공개

GitHub가 GitHub Universe에서 새 Git 스토리지 아키텍처를 발표했다. 내부 테스트에서 하나의 저장소에 5,000개의 동시 에이전트가 작업하며 초당 7,200회 푸시를 처리하면서도 읽기 트래픽을 일정한 낮은 지연 시간으로 제공할 수 있음을 보였다. 이 아키텍처는 초당 수천 건의 쓰기를 처리하고 읽기는 수요에 따라 확장되도록 설계됐다. 핵심 원칙은 조정(coordination)을 최소화하고 스토리지와 컴퓨트를 분리하는 것이다. Git 객체는 불변이고 내용으로 이름이 붙기 때문에 여러 작성자가 합의 없이 동시에 저장할 수 있으며, 합의가 필요한 부분은 크기가 작은 참조(reference) 업데이트뿐이다. 이를 위해 99.99999%의 저장소를 Azure로 옮기고, Azure Blob Storage 기반의 가상 레플리카를 구성했다. 개발자 입장에서 Git 사용 방식(push, fetch, branch)과 보호 설정은 그대로 유지된다. 기사는 설계 목표로 저장소 단위에서 현재 대비 최소 두 자릿수 높은 규모를 잡았다고 밝혔다. 가장 바쁜 GitHub.com 저장소도 현재는 한 번에 수십 건 수준의 쓰기를 받는다고 설명한다. 이 설계명은 'Project Rubicon'이며, 요청은 Spokes가 라우팅하고 가상 레플리카 집합이 읽기와 쓰기 데이터를 처리하는 구조다.

에이전트가 하나의 저장소에 대량으로 푸시하고 CI와 배포 시스템이 같은 커밋을 반복해서 가져오는 환경에서는, 초당 7,200회 푸시 같은 수치가 모노레포 운영 기준을 가늠하는 참고치가 된다.

NVIDIA Vera CPU, 단일 CPU로 에이전트 속도와 와트당 에이전트 처리량 동시 확보

AI 에이전트는 검색, 데이터베이스 조회, 코드 작성·테스트 등 단계마다 CPU를 사용하며, AI 팩토리는 전력 한계 안에서 더 많은 에이전트를 빠르게 처리해야 한다. NVIDIA는 Vera CPU 하나로 빠른 에이전트 성능과 와트당 높은 처리 용량을 함께 제공한다고 밝혔다. NVIDIA는 100메가와트 데이터센터 비교에서 단일 Vera CPU가 가장 빠른 x86 CPU 및 가장 에너지 효율적인 x86 CPU보다 우수하다고 설명했다. 가장 빠른 x86 CPU 대비 와트당 에이전트 수는 1.6배, 가장 에너지 효율적인 x86 CPU 대비 에이전트 속도는 2배 빠르다고 밝혔다. 파트너 사례로 Perplexity는 에이전트 코딩 작업을 기존 CPU 대비 1.5배 빠르게 실행했다고 밝혔으며, DeepInfra는 최고의 x86 프로세서 대비 에이전트 오케스트레이션에서 최대 2.2배 속도를 기록했다. Daytona는 1,000개의 에이전트 샌드박스를 10.8초 만에 가동했으며, x86에서는 88.4초가 걸렸다고 밝혔다.

Daytona가 Vera에서 1,000개 에이전트 샌드박스를 10.8초에 가동한 반면 x86에서는 88.4초가 걸렸다는 수치는, 에이전트 워크로드 인프라를 설계할 때 CPU 선택이 샌드박스 기동 시간에 직접 영향을 준다는 점을 보여준다.

Anthropic, S-1에 '급격한 AI 주도 진전' 조항 가능성 명시 — Binance 대규모 해킹과 함께 주간 AI 소식 정리

Anthropic의 수정된 S-1 공개 문서가 회사가 Responsible Scaling Policy에서 정의한 'AI에 기인한 급격히 가속된 진전'의 기준에 곧 도달할 수 있다고 밝혔다. 같은 주 Binance가 수십억 달러 규모의 해킹을 당해 올해 최대 규모의 암호화폐 해킹으로 기록됐다. 기사는 Anthropic이 S-1에 'we may imminently meet our Responsible Scaling Policy's definition of dramatically accelerated progress attributable to AI'라는 문장을 넣은 점을 가장 큰 이슈로 소개한다. 필자는 이를 회사가 S-1에 쓰기에는 매우 우려스러운 문장이라고 평가한다. 기사는 이 외에 OpenAI가 Model Spec을 업데이트했다는 소식과, 국가안보 관련 연구 논쟁을 다룬 Scott Alexander의 글을 함께 언급한다. 기사에서 소개된 실무 소식으로는 Cisco가 2년 안에 레거시 코드의 98%를 두 명의 팀으로 재작성하려 한다는 계획, Claude 요금제의 명칭 변경(Free, Pro 월 20달러, Max 월 100달러, Ultra 월 200달러이며 Ultra 사용량 한도는 Pro의 10배), GDPx 벤치마크에서 최고 모델이 12%(7개 중 1개)만 통과했다는 결과가 있다. 한편 AI 피어 리뷰어가 인간 리뷰어보다 더 많은 주요 오류를 찾아냈다는 연구도 소개되며, 기사는 이것이 AI 지적이 더 유용하다는 뜻은 아니라고 덧붙인다.

Cisco의 두 명 팀 레거시 코드 재작성 계획과 Claude Ultra 요금제(월 200달러, Pro 사용량의 10배)는 코드 마이그레이션 비용과 개발 도구 구독 비용을 따져볼 때 직접 참고할 수 있는 수치다.

Amazon Marketplace, SageMaker AI로 A+ Content 품질을 평가하는 VLM 기반 멀티모델 융합 구조

Amazon Marketplace가 상품 상세 페이지의 A+ Content 품질을 평가하기 위해 Amazon SageMaker AI 기반 VLM(비전-언어 모델) 멀티모델 융합 구조를 소개했다. 이미지·텍스트·레이아웃을 하나의 스냅샷으로 렌더링해 개별 자산이 아닌 페이지 전체를 평가하는 방식이다. A+ Content는 구매자의 구매 결정을 돕는 상품 상세 페이지의 리치 미디어 위젯으로, 기사에 따르면 고품질 A+ Content를 사용한 셀링 파트너는 사용하지 않은 경우보다 판매가 8~20% 높았다. 브랜드마다 디자인 역량이 달라 콘텐츠 품질이 일정하지 않으며, 이미지 비율이나 글자 수 같은 엄격한 규격이 없어 구성 차이가 크다. 기사는 이미지·텍스트·비디오가 하나의 상품 스토리로 결합되는 점을 들어, 자산을 하나씩 검사하면 함께 작동할 때 드러나는 품질 문제를 놓친다고 설명한다. 예로 든 블렌더 페이지에서는 각 이미지와 문장이 개별적으로는 통과해도, 불릿 포인트의 64oz 용량 설명과 1인용 모델이 나온 라이프스타일 사진이 어긋나는 문제는 전체를 봐야 발견된다. 이를 위해 기사는 페이지 전체를 단일 스냅샷으로 렌더링해 VLM에 전달하고, 전문가 주석으로 학습한 경량 CatBoost 분류기에서 VLM의 의미 점수와 OCR 가독성 신호를 결합하며, SHAP으로 품질 판정의 근거를 설명해 셀링 파트너에게 개선 권고를 제시하는 파이프라인을 제안한다. 기사는 데이터 수집·주석 작업부터 모델 호스팅, 설명 가능성, 운영 모니터링까지 전 과정을 SageMaker AI에서 구현하는 방법을 다룬다. 기사에 명시된 세 가지 요구사항은 전문가 품질 기준과의 일치, 대규모에서의 정확하고 효율적인 평가, 결과마다 수정 방향을 설명하는 것이다.

스냅샷 기반 VLM 평가와 CatBoost·SHAP 조합은 멀티모달 콘텐츠 품질 검증을 개별 자산 검사에서 페이지 단위 평가로 옮기는 구체적인 설계 예시다.

Cloudflare, AI 에이전트를 사이트 입장에서 식별·책임 추적하는 방식 제안

Cloudflare 블로그는 AI 에이전트가 수백만 명을 대신해 웹에서 행동하면서 사이트가 사용자를 식별하고 책임을 물을 수 없게 되는 문제를 다뤘다. 글은 사이트가 에이전트 접근을 최대한 허용하려면 Identity, Reputation, Accountability 세 요소를 확보할 새로운 메커니즘이 생태계에 필요하다고 주장한다. 기사는 '개인 AI 에이전트'를 사용자(User)의 지시를 받아 클라우드 컴퓨터나 브라우저를 제어해 목표를 수행하는 자동화로 정의한다. Meta의 Muse와 OpenAI의 dots가 예시로 언급된다. 에이전트는 지치지 않고, 24시간 작동하며, 병렬로 행동할 수 있어 사이트가 기존에 전제한 인간의 한계를 벗어난다. 글은 원격 호스팅 에이전트를 사용자와 사이트 사이의 중개자(intermediary)로 규정하며, 클라우드 브라우저와 VPN 같은 프록시도 같은 범주에 속한다고 설명한다. 사이트는 중개 트래픽을 차단하는 방식이 에이전트 트래픽이 대다수가 되면 더 이상 통하지 않는다고 지적한다. 기사는 에이전트가 사용자 기기가 아닌 곳에서 실행되는 경우를 다루며, 로컬 에이전트(예: OpenClaw)는 이 글의 주 범위에서 제외했다. 글은 '중개 원칙(Intermediation Principle)'을 제시한다. 즉 중개가 있더라도 사용자와 사이트 간 비즈니스 관계와 각 참여자의 보안 책임은 유지되어야 하며, 에이전트와 그 운영자(Operator)도 식별 가능하고 책임을 질 수 있어야 한다는 것이다. 기사는 에이전트가 사이트 접근을 거의 무제한으로 확장할 수 있어 기존에 무해하던 행동에서도 새로운 위험이 생긴다고 덧붙인다.

사이트 운영자는 Cloudflare가 제시한 Identity, Reputation, Accountability 세 축을 기준으로 에이전트 트래픽을 식별·평가하는 설계를 검토할 필요가 있다.

Chris Alexiuk, NVIDIA Nemotron 오픈 모델 교육으로 오픈 웨이트 AI 확산 강조

NVIDIA의 딥러닝 시니어 제품 리서치 엔지니어 Chris Alexiuk은 완전 공개된 AI(가중치, 학습 데이터, 학습 레시피 포함)가 지능의 민주화에 필요하다고 주장하며, YouTube와 X를 통해 오픈 LLM 활용법을 가르치고 있다. 그는 NVIDIA Nemotron 패밀리를 가장 중요한 프로젝트로 꼽는다. 기사는 Nemotron 패밀리가 장시간 실행되는 자율 에이전트, 심층 연구, 기업 업무를 위한 멀티모달 오픈소스 모델이라고 소개한다. 개인 개발자는 반복적이고 빈도 높은 실행 작업에 Nemotron 3.5 Lightning을, 기업은 장기 자율 에이전트와 엔터프라이즈 작업에 Nemotron Ultra를 쓰는 식으로 사용 범위가 나뉜다는 설명이다. Alexiuk은 이 모델군을 필요한 작업에 맞는 모델을 고르는 '주문서(spell)' 목록에 비유했다. Alexiuk의 AI 입문은 캐나다 온타리오 Trent University의 계산물리학 수업이었다. 그는 TensorFlow로 친구의 앵무새가 웹캠에 나타나면 알려주는 이미지 분류기를 만든 경험을 계기로 AI에 빠졌다고 밝혔다. 기사는 그가 이후 노트북에서 돌아가는 모델로 웹사이트를 몇 분 만에 만들 수 있게 된 변화를 언급하며, AI 입문이 지금이 가장 쉽다고 말했다고 전한다.

Nemotron 3.5 Lightning(반복 실행 작업)과 Nemotron Ultra(장기 자율 에이전트·엔터프라이즈 작업)처럼 용도별로 나뉜 오픈 모델 라인업을 워크로드에 맞춰 선택하는 기준이 된다.

GitHub, 저장소 루트·.github·docs 디렉터리의 ACCESSIBILITY.md 인식 시작

GitHub가 저장소 루트, .github/ 또는 docs/ 디렉터리의 ACCESSIBILITY.md 파일을 인식해 저장소 개요 페이지에 표시하기 시작했다. 접근성 목표, 기여 기대치, 지원 환경, 알려진 한계, 장애 신고 절차를 한 곳에 모을 수 있어 접근성 정보를 찾기 쉬워진다. 기사에 따르면 저장소는 조직의 .github/ 저장소에서 접근성 문서를 상속받을 수도 있다. 공개 저장소의 메인테이너는 Insights > Community Standards에서 간단한 시작 문서를 추가하거나 제안할 수 있다. 새 저장소에는 기본적으로 accessibility 이슈 라벨이 포함되며, 문서는 장애 신고 방법과 이후 절차를 설명하고 라벨은 관련 작업을 분류·추적하는 데 쓰인다. GitHub CLI의 접근성 문서는 스크린 리더에서 표 출력을 읽기 어려운 이유를 설명하고, 풀 리퀘스트 번호와 제목을 한 줄씩 출력하는 명령을 대안으로 제시한다. GitHub Annotation Toolkit의 문서는 Figma 라이브러리의 한계를 밝히며, 주석 관계를 구조화된 텍스트 설명으로 전달하라고 안내하고 키보드 전용 및 스크린 리더 테스트를 거치지 않았다고 명시한다. 기사는 ACCESSIBILITY.md의 형식을 고정하지 않으며, 프로젝트가 계속 유지할 수 있는 정확한 정보부터 시작하라고 권한다. 장애 신고 경로는 장애 신고 시 장애 증명, 스크린샷, 녹화를 요구하지 않아야 한다고 설명한다. WCAG 버전과 등급은 목표일 뿐 검증된 적합성 주장이 아니며, 적합성 주장에는 평가 범위·날짜·방법·평가자가 필요하다고 기사는 덧붙인다.

저장소 개요에 표시되는 ACCESSIBILITY.md와 Community Standards 시작 문서를 통해 프로젝트 접근성 정책을 기존 SECURITY·CODE_OF_CONDUCT 파일과 같은 방식으로 관리할 수 있다.

PDD Kit, Verus로 에이전트가 작성한 풀스택 웹 앱의 로그인 로직 형식 검증

Microsoft Research가 AI 코딩 에이전트가 작성한 코드를 Verus 기반 형식 증명으로 검증하는 도구 PDD Kit을 공개했다. 개발자가 의도를 형식 명세로 옮기면 에이전트 코드가 모든 입력에 대해 명세를 충족하는지 증명하고, 증명이 닿지 않는 부분은 테스트로 보완한다. PDD Kit은 GitHub Next의 실시간 협업 기획 환경 Chopin 안에서 동작하며, 팀이 평이한 언어로 의도를 검토하면 도구가 이를 intent artifact라는 문서에 기록하고 형식 명세와 비형식 테스트 명세로 나눈다. 형식화 가능한 부분은 Rust용 증명 언어 Verus로 명세화되어 코드가 모든 입력에 대해 명세를 충족한다는 증명이 자동 생성되며, 테스트로 다뤄야 하는 부분은 단위·E2E 테스트, 터미널 자동화, 브라우저 에이전트, 컴퓨터 사용 에이전트로 검증한다. 시연에서는 Rust로 작성된 Pet Store 스토어프런트의 로그인 로직을 대상으로 적용했고, 개발자는 생성된 코드를 한 줄씩 읽지 않고 의도만 검토했다. Verus가 코드를 강화하면서 기존 버그도 찾아냈고, 명세 기준으로 로그인 버그가 없음을 증명했다고 기사는 밝혔다. 증명과 테스트의 경계는 신뢰 컴퓨팅 기반(TCB)으로 정의되며, 증명이 전제하는 코드가 명세대로 동작한다는 가정을 PDD Kit이 명시적으로 드러내 각 부분마다 개발자의 승인을 받도록 한다. 테스트로 검증된 항목은 증명이 아니라 증거로 분류되며, 제3자 암호화 라이브러리나 사용자 인터페이스처럼 증명이 닿지 않는 영역은 이 방식에 해당한다고 기사는 설명한다.

에이전트가 수만에서 수십만 줄을 생산하는 상황에서 Verus로 명세 기준 로그인 로직을 증명하고 TCB 경계를 승인받는 방식은, 줄 단위 코드 리뷰 없이 핵심 기능을 검증하는 실무 대안이 된다.

NVIDIA, 전체 스택 공동설계로 AI 메모리 한계 해결 방식 제시

NVIDIA는 대형 모델, 긴 컨텍스트, 에이전트 애플리케이션으로 GPU 메모리 부담이 커지는 상황에서 GPU, CPU, 네트워킹, 스토리지, 소프트웨어를 함께 설계하는 전체 스택 공동설계(full-stack codesign)를 내세웠다. 기사에 따르면 Blackwell Ultra에서 Vera Rubin 플랫폼까지 GPU당 HBM 용량은 약 3% 늘었지만 SemiAnalysis AgentX 기준 에이전트 처리량 대비 비용은 최대 30배 개선됐다고 한다. 기사는 AI 팩토리가 HBM, CPU 메모리, 로컬 SSD, 공유 스토리지로 이어지는 메모리·스토리지 계층 위에서 동작한다고 설명한다. 이에 맞춰 NVFP4 형식으로 모델 가중치와 KV 캐시의 공간을 FP8 대비 줄이고, NVL72 시스템에서는 가중치를 최대 72개 GPU에 분산한다. 또한 Vera CPU의 LPDDR 메모리와 NVIDIA CMX 컨텍스트 메모리 스토리지를 활용해 비활성 컨텍스트를 옮겼다가 재사용 전에 되돌리며, NVIDIA Dynamo의 KV Cache Reuse가 GPU 메모리, CPU 메모리, 스토리지를 하나의 시스템 자원으로 관리한다. RAG 임베딩을 압축하고 인덱스를 HBM 밖에 두는 방식도 함께 소개됐다. 기사는 HBM 용량만 늘리면 메모리 대역폭이 이를 따라가지 못해 이른바 메모리 월(memory wall)에 부딪히고, 그 이후의 추가 HBM은 비용과 전력만 더한다고 지적한다. NVFP4 체크포인트를 공개한 모델로 FLUX.2 [klein], Inkling, Beam 1.0, Meta Muse Spark, Step 5 Preview, Nemotron 3.5 Super VL이 언급됐다.

NVL72 시스템에서 모델 가중치를 최대 72개 GPU에 나누고 NVFP4 체크포인트를 쓰면 GPU당 HBM을 KV 캐시와 동시 사용자 처리에 더 많이 남길 수 있다.

Slack과 GitHub 규모 확장 경험: 썸원 이모지 23개 제한과 Koi Pond 부하 테스트 도구

전 Slack 백엔드 성능 인프라 팀장이자 GitHub 데이터베이스 확장을 담당했던 Maude Lemaire가 대규모 제품의 확장 과정을 공유했다. Slack이 커스텀 이모지를 23개로 제한해 썬더링 허드를 막은 사례와 GitHub의 16개 샤드 한계가 주요 내용이다. Slack은 한 채널의 모든 사용자에게 팬아웃되는 커스텀 이모지가 과도한 네트워크 부하를 만들지 않도록 개수를 23개로 제한했다. 50만 사용자 규모의 신규 고객을 앞두고 Maude는 헤드리스 Chrome 인스턴스로 부하 테스트를 하면 세션당 5시간에 인스턴스당 0.37달러가 들어 총 비용이 크다는 점을 확인했다. 이에 Go로 WebSocket 연결을 맺는 경량 Slack 버전 'Koi'를 만들고 이를 실행하는 도구 Koi Pond를 개발했다. GitHub에서는 Ruby on Rails 모놀리스의 Active Record가 홈페이지 한 번 로드에 세 개 데이터베이스 클러스터에 걸쳐 100개의 SQL 쿼리를 발생시키는 문제가 드러났다. 기사에 따르면 GitHub는 샤드 키가 없는 스캐터 쿼리 때문에 데이터베이스 샤드를 16개 넘게 늘릴 수 없었다. 스캐터 쿼리는 모든 샤드 인스턴스에서 실행되어야 하며 샤드가 많아질수록 느려진다. Maude는 플랫폼 작업에서는 LLM이 낸 결과를 직접 검증한다고 밝혔다.

Active Record 같은 추상화가 샤드 키 없는 쿼리를 만들면 16개 샤드 이상으로 확장할 수 없다는 점은, 데이터 계층을 설계할 때 ORM이 생성하는 쿼리 형태를 확인해야 함을 보여준다.

OpenAI textGrain 텍스트 워터마크, 짧거나 편집된 글에서 탐지 약화로 EU AI Act 요건 충족 여부 불투명

OpenAI가 10월 공개한 텍스트 워터마크 textGrain은 EU AI Act 준수를 위해 개발됐지만, 테스트에서 150단어 미만이거나 추가 편집된 텍스트에서는 워터마크가 잘 유지되지 않았다. 법적 기준이 명확하지 않아 EU 투명성 규정 충족 여부는 아직 불확실하다. textGrain은 워터마크 삽입에 엔트로피(단어 선택의 예측 불가능성)를 예산처럼 배분하는 방식을 사용하며, 개발자가 허용할 엔트로피 목표치를 지정하면 그에 맞춰 조정된다. OpenAI의 오탐률은 1퍼센트로 설계됐다. ELI5 데이터셋 기반 테스트에서 200토큰(약 150단어) 텍스트의 탐지율은 약 80퍼센트, 400토큰(약 300단어) 텍스트는 약 95퍼센트였다. 400토큰 텍스트에서 단어의 10퍼센트를 동의어로 바꾸면 탐지율이 92퍼센트에서 66퍼센트로, 25퍼센트를 바꾸면 17퍼센트로 떨어졌다. 기사는 짧은 텍스트에서 탐지 신호가 부족한 것이 텍스트 워터마킹 기술의 기본 한계이며 해결이 복잡하다고 지적한다. OpenAI는 워터마크만으로는 AI 생성 여부를 판단하기 부족하며 Google DeepMind의 SynthID 같은 다른 출처 확인 도구를 보완재로 사용하겠다고 밝혔다. textGrain은 OpenAI 자체 테스트에서 Google의 SynthID Text와 같거나 더 나은 성능을 보였으나 독립적 검증은 아직 이루어지지 않았다. 코넬대 John Thickstun과 KInIT 연구진이 접근 권한을 얻었지만 평가는 시작하지 않았다고 한다.

textGrain의 1퍼센트 오탐률과 200토큰 이하 텍스트에서의 낮은 탐지율을 고려하면, 짧은 AI 생성 텍스트를 다루는 서비스에서는 워터마크 탐지만으로 규정을 충족한다고 보기 어렵다.

Justin Chavez, 취향과 진정성을 기준으로 한 빌더 이야기 탐구 계획 공유

Justin Chavez는 Kindle과 Spotify 기록을 Codex로 추출하고 Opus 5.5로 분석해 자신의 관심사를 확인했다고 밝혔다. 그 결과 단순한 비즈니스 서적이나 창업자 이야기보다 '어떻게 했는가'와 다른 선택을 한 사람들의 이야기에 끌린다는 결론을 얻었다. 그는 David Senra의 팟캐스트와 인터뷰를 최근 주로 보고 있으며, 이야기가 제품을 파는 힘이라는 생각이 계속 남는다고 적었다. 예로 Granola는 경쟁 제품이 많지만 창업자와 회사의 가치, 제품을 만드는 정성 때문에 선택한다고 설명했고, Kith의 옷도 창업자의 생각을 알기 때문에 산다고 밝혔다. 그는 앞으로 취향 있는 빌더들의 이야기를 다루는 인터랙티브 사이트를 만들 계획이며, 일부는 영상과 제작 과정의 비하인드를 담을 예정이라고 했다. 그는 수익화 방식은 아직 생각하지 않았다고 말하며, 흥미로운 형식이 주제에 관심을 갖게 만든다는 점을 The Pudding의 인터랙티브 에세이를 예로 들어 강조했다. 그가 읽은 책 기록을 스크롤 가능한 타임라인으로 만든 사례도 함께 소개했다.

Kindle과 Spotify 기록을 Codex로 추출한 뒤 Opus 5.5로 관심사를 분석한 방식은 개인 데이터를 활용한 AI 도구 사용 사례로 참고할 만하다.

Foundry Local로 Qwen3.8-27B를 기기 내에서 구동해 GitHub Copilot과 연결하는 방법

Microsoft Foundry Local을 사용해 Qwen3.8-27B 모델을 로컬 GPU에서 실행하고 GitHub Copilot의 BYOK 기능으로 연결하는 방법이 소개되었다. 코드와 컨텍스트가 기기 밖으로 나가지 않아 개인정보 보호, 예측 가능한 추론 비용, 오프라인 작업이 가능하다는 점이 강조된다. Qwen3.8-27B는 4비트 양자화로 모델 크기가 약 18GB로 줄어 VRAM 24GB 이상의 소비자용 GPU에서 실행할 수 있으며, 24GB 환경에서는 최대 64K 토큰, 32GB 이상에서는 최대 262K 토큰의 컨텍스트 창을 지원한다. Foundry Local은 ONNX Runtime 기반으로 DFlash 투기적 디코딩, CUDA 그래프 융합, KV 캐시 양자화, 프리픽스 캐싱, 연속 배칭 등을 적용했다. 기사에 따르면 RTX 5090(32GB)과 DGX Spark(128GB 통합 메모리)에서 llama.cpp와 비교해 모든 테스트 프롬프트 길이에서 생성 속도가 더 빠랐고, 131K 토큰을 넘어서면서 격차가 커졌다. 설치에는 Foundry Local CLI 0.13.0 이상과 별도로 설치하는 CUDA 및 cuDNN 런타임이 필요하다. 기사는 로컬 모델이 크기 때문에 고수준 추론 능력이 고급 클라우드 모델보다 제한될 수 있다고 명시하며, 복잡한 고난도 작업에는 클라우드 모델이 여전히 강력한 선택이라고 설명한다.

24GB VRAM GPU에서 Qwen3.8-27B(4비트, 약 18GB)를 최대 64K 토큰 컨텍스트로 실행하고 GitHub Copilot의 BYOK로 연결할 수 있어, 로컬 코딩 에이전트 환경을 구성하는 데 직접 참고할 수 있다.

GeForce NOW, Hogwarts Legacy에 DLSS 5 3D-Guided Neural Rendering 적용

NVIDIA는 Hogwarts Legacy에 DLSS 5 3D-Guided Neural Rendering 업데이트를 적용해 GeForce NOW에서 조명과 재질 표현을 개선했다고 발표했다. 기존 지오메트리와 텍스처를 유지한 채 사실적인 조명과 재질 디테일을 더하는 방식이다. Avalanche Software는 DLSS 5의 개발자 제어 기능으로 통합을 조율해 게임의 원래 아트 의도와 스타일을 유지했다. 게임은 DLSS Multi Frame Generation과 Ray Reconstruction도 지원하며, 클라우드에서 DLSS 4.5 제어 기능으로 설정을 세부 조정할 수 있다. Ultimate 멤버는 PC, Mac, 휴대용 기기, 브라우저, 모바일 기기, 호환 TV 등에서 GeForce RTX 5080급 성능으로 이 업데이트를 경험할 수 있으며, 설치와 업데이트는 GeForce NOW가 처리한다. 기사는 같은 시기 다른 신규 콘텐츠도 함께 소개했다. Blizzard Entertainment의 World of Warcraft: Forever는 11월 4일 출시되어 GeForce NOW에서 스트리밍되며, 활성 구독 또는 Game Time이 있으면 접근할 수 있다. Ubisoft는 Tom Clancy's The Division 2: Echoes of Central Park과 Anno 117: Pax Romana – Dawn of the Delta 확장팩을 클라우드에 추가했다. 11월에는 총 24개 게임이 라이브러리에 합류할 예정이라고 밝혔다.

DLSS 5 3D-Guided Neural Rendering이 GeForce NOW의 클라우드 스트리밍 환경에서 RTX 5080급 성능으로 제공된다는 점은, 고사양 PC 없이 레이 트레이싱 그래픽 설정을 조정하려는 게임 개발·테스트 워크플로에 참고가 된다.

GPU 시간 단위 렌털 가격 헤지로 컴퓨팅 비용을 예측하려는 GPU 파생상품 시장

AI 기업은 GPU 렌털 가격 상승을, GPU 운영사는 하락을 우려하는데, GPU 파생상품은 이 이견을 시장으로 바꿔 컴퓨팅 비용과 수익을 예측 가능하게 만들려는 시도다. 기사는 GPU 1시간 단위 렌털 가격 헤지의 작동 방식을 설명한다. 기사는 렌털 가격 헤지가 가격은 고정하지만 클러스터를 예약해 주지는 않는다고 짚는다. ORNN, Silicon Data, Liquid Compute, Architect와 제안된 CME 및 ICE 계약이 이 구조의 요소를 만들고 있으며, 2026년 11월 4일 기준 미국 선물시장의 상당 부분은 아직 심사 중이다. 같은 GPU 이름이라도 클러스터마다 성능이 다르고, 베이시스 리스크, 얇은 유동성, 취약한 벤치마크, 증거금 콜이 수익보다 먼저 도착하는 문제 등 추상화가 깨지는 지점도 다룬다. 저자는 더 큰 기회가 자금 조달과 컴퓨팅 자산 관리 소프트웨어에 있다고 본다.

기사에서 언급된 ORNN, Silicon Data, CME·ICE 제안 계약처럼 GPU 시간 단위 가격을 기준으로 한 파생상품이 도입되면, 컴퓨팅 비용을 재무 계획에 반영하는 도구 수요가 생길 수 있다.

Agility Robotics, 나스닥 상장으로 휴머노이드 로봇 시장 검증 요구 제기

휴머노이드 로봇 전문 개발사 Agility Robotics가 11월 5일 나스닥에 상장했다. 증권 신고서에는 휴머노이드 로봇이 아직 대규모로 검증되지 않았고 상용화도 널리 이뤄지지 않았다는 위험 요인이 명시됐다. 회사는 로봇을 임대하거나 판매하는 방식으로 사업을 구상하고 있다. Agility Robotics는 오리건주 세일럼에 본사를 둔 회사로, 2024년 고객 창고에서 휴머노이드 로봇을 전일제로 상업 배치한 첫 사례를 만들었다고 기사는 전했다. 기사는 창고와 공장에서 수십 년간 실적을 쌓아온 산업용 로봇과 비교할 때 휴머노이드 로봇은 아직 입증되지 않았다는 점을 상장 자료가 솔직하게 인정했다고 설명한다. 공동 창업자이자 최고 로봇 책임자인 Jonathan Hurst는 로봇 서비스형(RaaS) 모델을 두고, 고객이 첫날부터 투자 수익을 얻는 구조이며 지불 요율이 인간 노동 요율과 비슷해 경제성 계산이 단순하다고 Ars Technica에 말했다.

Agility Robotics의 RaaS 모델은 인간 노동 요율과 비슷한 요율로 로봇을 임대하는 방식이므로, 휴머노이드 도입을 검토하는 기업은 로봇 구매비보다 시간당 요율과 투자 회수 시점을 기준으로 비용을 비교해볼 수 있다.

Microsoft Foundry, Copilot 하네스 공개 미리보기와 Browser Automation 정식 출시

Microsoft Foundry는 2026년 10월 업데이트로 Microsoft Copilot 하네스를 공개 미리보기로 내놓았고, Browser Automation을 정식 출시(GA)했으며, 호스팅 에이전트의 장기 실행 복원력을 GA로 전환했다. 에이전트가 작업을 끝까지 수행하고 중단 후 복구하며 코드 제어권을 넘기는 경계를 다룬 업데이트다. Copilot 하네스는 에이전트에 관리형 실행 루프와 샌드박스를 제공해 파일 읽기, 코드 실행, 지원되는 도구 사용, 재사용 가능한 스킬 적용을 수행하게 한다. 사용자는 지원 모델을 선택하고, 루프가 설정한 도구와 권한 범위 안에서 동작한다. 에이전트 정의와 스킬은 소스 관리가 가능하다. 기사에 따르면 GPT-6.1 Terra와 Decisions API도 GA로 전환됐다. 장기 실행 복원력은 GA이지만, 복구는 애플리케이션 체크포인트와 반복 작업의 안전한 처리에 여전히 의존한다. Browser Automation은 Playwright Workspaces를 통해 브라우저 워크플로에 에이전트를 연결하며, 승인과 민감 데이터 통제는 설계 단계에서 함께 고려해야 한다. Copilot 하네스 관리형 루프는 미리보기 단계다.

Foundry의 Browser Automation(Playwright Workspaces 연동)과 GPT-6.1 Terra·Decisions API GA 전환으로, 브라우저 작업 에이전트를 직접 루프로 구현하지 않고 관리형 구성으로 설계할 수 있다.