최신 AI 뉴스를 한눈에.

방금 GPT-6.1 Terra가 출시되었으며, 에이전트 시대의 업무 모델이 등장했습니다.

OpenAI가 또 한 번 대규모 모델의 가성비를 끌어올렸습니다. #아이판얼 공식 위챗 공식 계정인 아이판얼(위챗 계정: ifanr)을 팔로우해 주시면, 더 많은 흥미로운 콘텐츠를 가장 먼저 만나보실 수 있습니다.

SLICE-Mem: 효율적인 LLM 에이전트 메모리를 위한 선명도 기반 경량 정보 큐레이션

arXiv:2610.33015v1 발표 유형: 신규 초록: 장기 기억은 대규모 언어 모델(LLM) 에이전트가 개인화되고 시간적으로 일관된 상호작용을 유지할 수 있도록 하지만, 메모리의 입실, 추출 및 정리를 위해 LLM 추론을 반복적으로 수행하면 상당한 비용과 지연이 발생합니다. 우리는 선명도 기반 입실과 술어 중심 정보 추출을 결합한 경량 메모리 프레임워크인 SLICE-Mem을 제안합니다. 간결한 분류기가 보존할 만한 사용자 발화를 식별하고, 의미적 의존성 기반 추출기가 입실된 발화를 간결한 메모리 항목으로 변환합니다. 이 온라인 파이프라인은 생성형 LLM 호출을 필요로 하지 않으며, 서로 다른 항목 간의 정합성 조정은 오프라인 통합 단계로 연기됩니다. 우리는 Memora와 LongMemEval-S의 주간 서브셋에서 8B a를 사용하여 SLICE-Mem을 평가합니다.

증류, 토론, 발견: 그래프 기반 증류된 인사이트로 다중 에이전트 연구 아이디어 발상의 기초를 마련하다

arXiv:2610.33366v1 발표 유형: 신규 초록: 대규모 언어 모델(LLMs)은 연구 아이디어 생성과 과학적 발견을 지원하는 데 점점 더 널리 활용되고 있습니다. 다중 에이전트 토론은 다양한 관점을 하나로 모아 연구 아이디어를 개발하는 협업 방식을 제공합니다. 그러나 주요 과제는 각 에이전트에게 서로 다르고 의미 있는 전문성을 부여하여 그들의 기여를 효과적으로 이끌어내는 방법입니다. 연구자들이 협업 과정에서 축적된 연구 경험을 활용하는 방식에서 영감을 받아, 우리는 관련 논문들의 그래프로부터 인사이트를 추출해 문헌 기반의 에이전트 전문성을 구축하는 프레임워크인 InsightAgents를 제안합니다. 한 연구 분야 내에서 진화하는 연구 접근법을 추적하고, 근본적인 가정을 드러내며, 아직 해결되지 않은 과제를 식별하는 인사이트에 따라,

Async-RBench: LLM 에이전트에서 비동기 작업 실행 성능 벤치마킹

arXiv:2610.32429v1 발표 유형: 신규 초록: 대규모 언어 모델(LLM) 에이전트는 점점 더 비동기적으로 작업을 수행합니다. 주 에이전트는 하위 에이전트들이 실행되는 동안에도 계속 작업을 진행하며, 그 결과가 도착하기 전에 작업 상태가 변경될 수 있습니다. 이때 주 에이전트는 어떤 작업을 업데이트하거나 보존하고, 어떤 검사를 다시 수행할지 결정해야 하며, 동시에 금지된 변경 사항을 피해야 합니다. 최종 작업 성공 여부만으로는 이러한 결과가 올바르게 처리되었는지 여부를 확인하기 어렵고, 자연스러운 비동기적 도착 현상은 재현하기도 어렵습니다. 우리는 LLM 에이전트의 비동기적 작업 실행을 평가하는 벤치마크인 Async-RBench를 제안하며, 8가지 시나리오를 포괄하는 200개의 실행 가능한 작업을 제공합니다. 각 시나리오 컨트롤러는 미리 정의된 작업 상태 조건을 활용해 결과 전달을 관리하고, 이벤트 응답 계약(ERC)은 각 응답이 무엇을 의미하는지를 명시합니다.

LLM 에이전트의 일관성을 위한 재귀적 의미 차이

arXiv:2610.33012v1 발표 유형: 신규 초록: 도구 사용 기능을 갖춘 대규모 언어 모델(LLM) 에이전트는 동일한 초기 상태에서 독립적인 실행 간에 일관되지 않은 행동을 보이며, 서로 다른 도구를 호출하거나 상충되는 출력을 생성하거나 서로 다른 전략을 추구합니다. 이러한 변동성은 시간이 지나면서 누적되어 배포의 신뢰성을 저해합니다. 기존 평가 지표들은 주로 완료 기반 점수를 통해 작업 정확도를 측정할 뿐, 여러 실행에 걸친 에이전트 행동의 일관성을 포착하지 못합니다. 또한, 에이전트의 행동은 확률 분포를 이용한 토큰 수준 또는 의미 클러스터링을 활용한 단일 응답 수준에서 각각 분석되지만, 어느 방법도 궤적의 향후 단계들로 일관성 부족이 어떻게 전파되는지를 파악하지 못합니다. 우리는 재귀적 의미 발산(RSD)이라는 비정식

이익을 넘어서: 에이전트 스킬 은퇴를 위한 스킬 내재화 측정

arXiv:2610.32322v1 발표 유형: 신규 초록: LLM 에이전트는 약 10만 개의 항목을 보유하고 다수의 모델에 서비스를 제공하는 공공 허브에서 기술을 검색합니다. 모델이 발전함에 따라, 특정 모델이 내부화한 기술—즉, 해당 모델이 더 이상 필요로 하지 않는 기술—을 식별하여 그 모델에 대해 폐기해야 하지만, 현재까지 내부화 여부는 알려진 신뢰성으로 측정된 바 없습니다. 기존의 규칙들은 기술이 적용된 경우와 적용되지 않은 경우의 실행 결과를 비교하여, 오직 성과 차이만을 근거로 기술을 폐기해 왔습니다. 그러나 이러한 성과 차이는 내부화된 기술일 때도, 또는 모델과 기술 모두가 해당 능력을 제공하지 않을 때—우리가 ‘미개척 상태’라고 부르는 상황—에도 거의 제로에 가깝습니다. 따라서 우리는 대신 해당 기술을 보류하고, 그 기술을 기반으로 합성된 과제에서 모델을 평가하며, 다른 모델이 해당 기술로부터 이익을 얻는 경우에만 높은 무보조 점수를 신뢰합니다. 이는 높은 점수의 거의 절반이 아무런 과제에서도 나오지 않기 때문입니다.

DMAIC-벤치: 다단계 분석 작업에서 에이전트의 자기성찰부터 자기절제까지

arXiv:2610.32305v1 발표 유형: 신규 초록: 다단계 분석 작업에서는 LLM 에이전트가 계속 진행할지, 경로를 변경할지, 또는 중단할지를 결정하기 위해 중간 단계의 근거를 활용해야 합니다. 에이전트가 자신의 출력을 비판하는 자기반성은 널리 연구되어 왔지만, 이러한 비판만으로는 근거가 다음 행동에 영향을 미쳤는지 여부를 확인할 수 없습니다. 우리는 이러한 능력을 ‘자기제약’이라고 부릅니다. 기존의 에이전트 벤치마크는 대부분 과제 완수 여부나 출력 품질만을 측정하며, 이 능력에 대한 검증은 이루어지지 않았습니다. DMAIC-Bench는 린 식스 시그마의 명시적인 통계적 전제 조건을 바탕으로, 4개 산업 분야에서 15개의 산업 사례에 걸쳐 97개의 초기 설정된 과제를 통해 이를 평가합니다. 쌍으로 구성된 역설적 변형 과제들은 동일한 워크플로우 위치에서 서로 반대되는 행동을 요구함으로써, 정당화된 제약과 무분별한 중단을 구분합니다. 우리는 실행 추적 정보를 통해

SUDO: 과학 출판물에서 글로벌 학술 담론까지

arXiv:2610.33018v1 발표 유형: 신규 초록: 학술 지식 그래프(SKG)는 문헌 검색, 과학적 발견 및 에이전트 지원 연구를 지원합니다. 그러나 SKG 구축을 위한 대부분의 접근법은 일반적으로 학술 개체나 기여 수준의 진술로 명명되는 표현할 지식 단위를 사전에 규정하고, 해당 단위를 통해 표현 가능한 출판 내용만을 유지합니다. 이러한 선택은 두 가지 주요하면서도 서로 다른 패러다임을 낳습니다: 개체와 지역적 관계를 보존하는 개념 중심 SKG와 문장 단위의 고차원 담론을 포착하는 진술 중심 SKG입니다. 두 경우 모두, 그래프는 논문이 지식을 구성하고 전달하는 방식이 아니라 선택된 추출 목표를 반영합니다. 우리는 SUDO, 즉 학술 상위 담론 온톨로지를 제안하며, 이는 지식이 어떻게

리프스킬: 재귀적 LLM 에이전트를 위한 효율적인 잎 수준 행동 근거화

arXiv:2610.32412v1 발표 유형: 신규 초록: 재귀적 대규모 언어 모델(LLM) 에이전트는 분해, 실행 및 환경 피드백을 통해 장기적인 목표를 달성하는 과제를 해결한다. 그러나 원자적 하위 작업을 생성한 뒤에는, 익숙한 명령어를 실행 가능한 행동으로 변환하기 위해 다시 동일한 대규모 모델을 호출하는 경우가 많다. 우리는 고수준 계획은 과제마다 특화되어 있는 반면, 최하위 수준의 행동 구체화는 과제 간에 반복적으로 사용되며 환경에서 허용된 행동들과 비교·검증할 수 있다는 점을 관찰하였다. 이에 우리는 리프스킬(LeafSkill)을 제안한다. 이는 의미적으로 관련된 구체화 경험을 검색하고, 행동 템플릿을 현재 객체와 허용 가능한 행동에 결합하며, 경량형 1.7B 선택기를 활용해 결합된 행동을 선택하거나 변경되지 않은 하위 작업을 원래 에이전트에게 위임하는 외부 재사용 계층이다. 기술들은 외부에 남아 있다…

OpenAI, GPT-6.1 Terra를 출시하며 에이전트 작업에 대한 GPT-6.1 Sol의 API 가격을 절반으로 인하

OpenAI는 GPT-6.1 Terra를 출시했으며, 이 모델은 매 백만 토큰당 1달러/5달러의 가격으로 제공되는 고속 컴퓨터 사용 및 비전 모델입니다. 이 모델은 GPT-6 Astra의 중간 수준 노력 기반 에이전트들의 최종 시험 점수를 달성하며, 작업당 비용은 0.29달러로, 기존의 4.82달러에 비해 크게 낮아졌습니다. 해당 게시물인 “OpenAI, GPT-6.1 Terra 출시… 에이전트 작업 시 GPT-6.1 Sol의 API 가격 절반”은 MarkTechPost에 처음 게재되었습니다.

OpenAI가 코딩 도구를 점으로 전환한 방식, 언제나 활성화된 개인 비서

OpenAI의 도트 담당 임원인 알렉산더 엠비리코스는 결코 다른 사람의 AI 에이전트와 회의를 하고 싶어 하지 않습니다.

텐센트 QClaw는 2026년 12월 24일에 서비스를 종료하며, 중국 대형 기업의 AI 제품들이 범용 어시스턴트로의 통합을 가속화하고 있습니다.

타이미디어의 2026년 10월 26일 보도에 따르면, 텐센트의 AI 제품 QClaw는 2026년 12월 24일을 기해 공식적으로 서비스를 종료하며, 2026년 3월 베타 테스트 시작 이후 단 188일 만에 운영을 마감하게 된다. 사용자들은 이후 WorkBuddy로 안내될 예정이다. 이 사례는 알리바바, 바이두, 바이트댄스 등 중국의 대표 AI 기업 8곳에서 나타나는, 주요 10대 AI 분야 전반에 걸쳐 공통적으로 관찰되는 ‘빠른 출시·빠른 철수’ 현상의 단면을 보여준다. 독립형 AI 애플리케이션은 빠르게 범용 어시스턴트로 자리를 내주고 있으며, 업계의 초점은 이미 개인형 지능 에이전트로 옮겨가고 있다.

추천 이유본 자료는 티미디어(tmtpost.com)가 발표한 시의성 있는 보도를 기반으로 하며, 게시일은 2026-10-26T23:23:04Z로, 서비스 종료일보다 앞서고 사이트의 시간대(Asia/Singapore)에 부합합니다. 내용에는 검증 가능한 실체, 시점 및 기업 간 행동 패턴이 포함되어 있으며, 외부에서 제공되지 않은 출처에 의존하지 않았습니다.

데이터 문화가 제로 트러스트에서 배포 가능한 AI 분석 에이전트에 이르기까지의 여정을 어떻게 측정했는가

Data Culture는 AI 분석 도입 초기의 정확도를 0%에서 94.7%로 끌어올린 3단계 평가 프레임워크를 구축했습니다.

dbt Wizard 내부에서는, 자신의 작업 과정을 보여주도록 설계된 AI 에이전트가 작동합니다.

dbt Wizard의 디자이너와 엔지니어링 리드가, 코드가 프로덕션에 도달하기 전에 에이전트가 자신의 작업을 어떻게 검증하는지 보여줍니다.

넷이즈 지치는 CodeWave SDD ‘AI 소프트웨어 배달 팀’을 출시하여, AI가 단일 지점의 코딩에서 전 과정 협업으로 발전하도록 촉진합니다.

2026년 10월 26일, 넷이즈 지치는 기업용 소프트웨어 전달을 위한 다중 에이전트 협업 시스템인 CodeWave SDD를 정식으로 출시했습니다. 이 제품은 더 이상 개발자의 코드 작성 지원에만 집중하지 않고, 요구사항 분석가, 아키텍트, 개발자 및 테스터 등 전문성에 맞춘 에이전트들이 분업과 협업을 통해 요구사항 이해, 사양 생성, 프로토타입 설계, 코드 구현부터 테스트 검증 및 배포에 이르는 전체 프로세스를 포괄합니다. 핵심 혁신은 사양 기반 개발(SDD)과 기업용 Harness 엔지니어링 환경에 있으며, 이미 100여 개 이상의 기업 프로젝트에서 검증되어 생산성 3~5배 향상을 달성했다고 밝혔습니다.

추천 이유자료는 InfoQ(https://www.infoq.cn/article/b32Mw2zaPrxyJ6ChePD5），发布时间为2026-10-26T18:08:13.000Z（对应站点当地日期2026-10-27），早于当前系统时间（2026-10-27T00:57:40.563Z），属有效时效内资讯；内容基于)의 Faros AI 실증 데이터와 넷이즈 지치 공식 발표된 기술 경로, 검증 결과 및 고객 사례를 바탕으로 하며, 외부의 미공개 출처나 허구적 지표는 포함되지 않았습니다. 모든 주요 사실(예: 출시일, 에이전트 역할 분담, SDD/하네스 설계, 테스트 통과율, 온프레미스 배포 지원 등)은 원문과 정확히 일치하며, 추론이나 추가 정보, 주관적 평가는 전혀 포함되어 있지 않습니다.

더 리얼리얼은 AI 에이전트가 디자이너 의류를 독점하지 못하게 합니다

중고 명품 패션 위탁 판매업체인 더 리얼리얼은 자사의 봇 방어 시스템을 업데이트해 AI 에이전트가 자사 사이트에서 쇼핑하는 것을 사실상 어렵게 만든다고 밝혔다. 이 같은 변경은 더 버지가 AI 에이전트가 더 리얼리얼의 상품 예약 시스템을 악용할 수 있다는 보도를 내놓은 지 며칠 만에 이루어진 것이다. 해당 소매업체의 웹사이트에서는 […]

Nace AI, AI 에이전트 검색을 위한 Drex 출시: BrowseComp-Plus에서 92.05%, 검색 호출 수는 12.6회

Nace AI는 Drex for Search를 출시하며, 자사의 Drex 의사결정 모델을 AI 에이전트의 문서 검색에 적용했습니다. Nace는 BrowseComp-Plus에서 12.6회의 검색 호출로 92.05%의 성과를 기록했으며, OfficeQA Pro에서는 에이전트의 전환 횟수가 더 적었습니다. 이 글은 MarkTechPost에 처음 게재되었습니다.

화자오가 약 30개의 에이전트 애플리케이션을 도입하고, 자체 개발한 4계층 에이전트 플랫폼을 구축한 뒤 CubeSandbox 샌드박스에 연동했습니다.

2026년 10월 26일 기준, 화자오(화팡 그룹 산하)는 약 30개의 비즈니스 에이전트 애플리케이션을 성공적으로 도입하여 연구개발, 운영, 고객서비스, 법무 등 다양한 시나리오를 포괄하고 있습니다. 자체 개발한 에이전트 플랫폼은 4계층 계층형 아키텍처를 채택해 비즈니스 로직과 공용 커널을 명확히 분리하며, 텐센트 클라우드의 오픈소스 프로젝트 CubeSandbox를 기반으로 강력한 격리된 샌드박스 실행 환경을 구현했습니다. 이 플랫폼은 이미 6개월 이상 안정적으로 운영되고 있으며, 일평균 토큰 소비량은 약 8,300만입니다.

추천 이유이 보도는 2026년 10월 26일에 InfoQ가 발표한 심층 인터뷰를 바탕으로 하며, 화장어가 제품·연구 자동화로 시작해 자체 개발 플랫폼 구축, 샌드박스 선정 및 실무 적용, 그리고 조직 간 협업의 진화에 이르기까지의 전 과정을 상세히 담고 있습니다. 여기에는 CubeSandbox 연동, agentd 프로토콜의 자체 개발 등 검증 가능한 기술적 결정과 함께, 2026년 3월 착수, 6개월간의 생산 환경 가동이라는 명확한 일정, 30개의 애플리케이션과 일평균 8,300만 개의 토큰 처리라는 정량적 지표, 그리고 아키텍처 계층화 정의까지 포함되어 있어 높은 시의성과 실무적 참고 가치를 갖습니다.

투자연구 에이전트 개발자 천완은 자체 개발 코드를 간소화하고 텐센트 위안바오 검색 API를 연동하여 금융 정보 검색 효율을 높였습니다.

2026년 10월 26일, 신에너지 산업 체인의 유료 투자·리서치 브리프 작성자 천완은 2년간 유지해 온 cleaner.py(웹페이지 정제 스크립트)와 sites.yaml(387개의 정보원 URL 목록)을 삭제하고, 텐센트 클라우드가 업그레이드한 위안바오 검색 API(SearchPro)에 공식적으로 접속했다. 테스트 결과, 해당 API는 구조화된 요약 생성, 시의성 인식, 권위 있는 정보원 식별(VR 카드), 다차원 검색 파라미터 지원 등에서 기존 방안보다 월등히 우수하며, 이를 통해 인력에 의한 정보원 관리 시간을 심층 연구로 전환하는 데 기여하고 있다.

추천 이유본 자료는 2026년 10월 26일 InfoQ가 발표한 현장 기술 실무 보고서를 바탕으로 하며, 개발자의 실제 워크플로우 발전 과정을 상세히 담고 있습니다. 이는 웹 페이지 파싱 규칙과 피드 화이트리스트를 수동으로 관리하던 단계에서, 전문적인 온라인 검색 API를 활용해 자동화되고 검증 가능하며 시의성까지 보장되는 정보 수집으로 진화하는 과정을 보여줍니다. 사건의 시간은 명확히 표기되어 있으며( publishedAt: 2026-10-26T14:57:35Z ), 주체와 행위도 구체적입니다( 천만 삭제 + SearchPro 연동 ). 그 결과 역시 검증 가능합니다( 커버리지 기준 충족, 추가 질의 감소, 681ms 내 자동 호출 ). 또한 모든 기술 세부사항( 파라미터, 요금 청구, MCP 프로토콜 버전 등 )은 원문에서 직접 인용된 것으로, 외부 추론이나 허구적 내용은 전혀 포함되어 있지 않습니다.

DocuSign이 Claude Code와 dbt v2, dbt MCP, 그리고 에이전트 스킬을 결합함으로써 분석 엔지니어링 시간을 절반으로 줄인 방법

DocuSign은 Claude Code, dbt Agent Skills, dbt MCP 및 dbt v2를 하나의 워크플로우로 통합하고, 생산성 향상 50%를 측정했습니다.