이 원고는 2026년 10월 22일 11시 17분 33초(KST)를 기준으로 작성한 첫 시험 호입니다. 공식 원문 10건, 원문 이미지 8장, 신규 생성 0장을 사용했습니다. 발표 수치는 원 발표자의 결과입니다.
각 소식의 원문 요약에서는 발표 배경·작동 방식·결과와 조건을 1,000자 이내로 읽을 수 있습니다. 핵심내용에는 이를 바탕으로 확인할 판단 기준을 정리했습니다.
먼저 보는 7가지
약 2분 · 7개 흐름 · 자세히 읽기 약 18분
이번 호에서는 AI를 어디서 실행하고, 어떤 기준으로 결과를 확인할지에 관한 변화를 모았습니다.
- Mac에서 AI를 돌리는 PyTorch MPS가 메모리 사용을 줄였습니다
2.15 후보 버전의 특정 영상 시험에서 드라이버 메모리가 약 270GiB에서 8GiB로 줄었습니다. - NVIDIA Kumo는 연결된 데이터베이스에서 예측합니다
고객·주문·상품의 관계를 유지해 예측하며, 미리 학습된 모델과 과거 사례를 사용합니다. - IBM Granite Speech가 정확도와 속도에 따라 세 모델을 나눴습니다
전사·번역과 빠른 처리, 화자 구분을 각각 겨냥합니다. 명시된 지원 언어에 한국어는 없습니다. - FairStress는 AI가 압박을 받을 때 판단을 얼마나 바꾸는지도 봅니다
설득 문구를 넣었을 때 집단별로 판단을 바꾸는 정도를 비교하는 평가입니다. - GitHub가 패키지를 설치하기 전에 검사하는 방화벽을 시험 제공합니다
Enterprise Cloud 대상 공개 프리뷰이며 현재 npm 패키지 설치 요청을 검사합니다. - IBM은 에이전트의 작업 규칙을 개선해 반복 성공률을 높였습니다
ALTK-Evolve는 경험에서 뽑은 규칙을 프롬프트에 추가했습니다. 성공률과 토큰 비용이 함께 늘었습니다. - 추가 업데이트는 TorchTPU, NVIDIA Sentry, Copilot 모델 정책 API입니다
실행 장치의 선택과 에이전트 외부의 접근 제어, 조직별 모델 관리가 함께 바뀌고 있습니다.
숫자와 배경
주요 키워드: Mac 실행 환경 · 관계형 데이터 · 음성 인식 · 판단 안정성 · 에이전트 운영
중심 변화: 새 모델을 고르는 일과 함께 실행 환경, 작업 규칙, 접근 권한을 점검할 이유가 늘었습니다.
- 270.1GiB에서 8.1GiB — Hugging Face가 제시한 Wan2.2 tiled VAE 디코딩의 최대 드라이버 메모리 비교입니다. MPS 원문
- 15개 데이터베이스의 41개 과제 — NVIDIA가 Kumo Relational 평가에 사용한 범위입니다. Kumo 원문
- 29개 영역의 300개 시나리오 — Ai2가 공개한 FairStress의 두 후보 비교 상황입니다. FairStress 원문
- 57.5%에서 67.5% — IBM의 소매 고객 응대 시험에서 네 번 모두 성공한 과제 비율인 Pass⁴의 변화입니다. ALTK-Evolve 원문
이번 자료를 함께 읽으면 모델 자체의 능력 외에도 실행 결과를 좌우하는 조건이 보입니다. 같은 모델이라도 메모리 처리나 작업 규칙에 따라 성능이 달라집니다. 예측과 음성 인식은 입력 데이터와 지원 언어를 먼저 확인해야 합니다. 평가에서는 첫 답뿐 아니라 반복 성공과 판단의 안정성을 살펴볼 필요가 있습니다. 설치 경로와 접근 정책을 관리하는 기능은 이 결과를 실제 업무에 연결할 때의 운영 조건입니다.
시간 흐름
한국 시각 KST 기준입니다. 원문 구조화 데이터의 게시 시각을 분 단위로 표시했습니다. 자정으로 기록된 게시물의 시각이 실제 기능 배포 시각을 뜻하지는 않습니다.
- 10/20 06:32 · 게시 — GitHub가 Copilot 모델 정책 API의 정식 제공을 안내했습니다.
- 10/20 09:00 · 게시 — Hugging Face가 PyTorch 2.15 MPS와 TorchTPU 기술 글을 공개했습니다.
- 10/21 00:19 · 게시 — IBM Research가 ALTK-Evolve 평가 결과를 소개했습니다.
- 10/21 01:09 · 게시 — Ai2가 FairStress 평가를 공개했습니다.
- 10/21 01:11 · 게시 — GitHub가 패키지 방화벽 공개 프리뷰를 발표했습니다.
- 10/21 18:52 · 게시 — NVIDIA가 Sentry의 실행 중 접근 제어 구조를 설명했습니다.
- 10/21 23:58 · 게시 — IBM이 Granite Speech 5.0과 관련 모델 업데이트를 소개했습니다.
- 10/22 03:26 · 게시 — NVIDIA가 Kumo Relational을 소개했습니다.
1 PyTorch 2.15 후보 버전에서 Mac 영상 디코딩 메모리를 줄였습니다
- Hugging Face의 PyTorch 팀은 Mac GPU 실행 경로인 MPS의 개선 내용을 공개했습니다.
- Wan2.2의 특정 tiled VAE 시험에서 최대 드라이버 메모리는 270.1GiB에서 8.1GiB로 줄었습니다.
- MPS는 macOS 15 이상, PyTorch 2.15는 Python 3.11 이상을 요구한다고 안내합니다.
원문 요약
Hugging Face의 PyTorch 팀은 Mac GPU에서 AI 연산을 처리하는 MPS의 개선 내용을 공개했습니다. 팀은 실제 언어·이미지·영상 모델을 실행해 병목을 찾고, 일부 연산을 MPSGraph에서 Metal 전용 처리로 옮겼다고 설명합니다. 이번 글은 영상 메모리 절감뿐 아니라 수를 8비트로 저장하는 FP8 지원, 언어 모델의 출력 생성 속도, 선형대수와 오디오·학습 연산의 개선도 다룹니다.
그림 1. 특정 디코딩 시험의 드라이버 메모리 비교입니다. 전체 영상 생성의 측정값은 아닙니다. 출처: Hugging Face. 원본 확대
영상 사례는 Wan2.2의 압축된 표현을 영상으로 되돌리는 VAE 디코딩입니다. 영상을 나눠 처리하는 28개 타일의 시험에서 여백을 채우는 연산을 Metal로 바꾸자 최대 드라이버 메모리가 약 270.1GiB에서 8.1GiB로 줄었습니다. 같은 표의 텐서 할당 최대치는 약 4.42GiB와 4.10GiB였고, 할당기가 확보한 메모리는 두 방식 모두 약 8.07GiB였습니다. 따라서 도표의 큰 차이는 전체 영상 생성량이나 모든 메모리 지표가 같은 비율로 줄었다는 뜻이 아닙니다.
설치 안내는 PyTorch 2.15 후보 버전의 시험 경로를 제시합니다. MPS에는 macOS 15 이상, PyTorch 2.15에는 Python 3.11 이상이 필요하다고 명시합니다. 글 뒤에 소개한 2.16 개발 내용은 이번 후보 버전의 기능과 구분됩니다. 수치는 발표 팀이 공개한 특정 작업의 결과이며 이번 원고에서 직접 재현한 값은 아닙니다. 공식 원문
함께 볼 내용: 설치 안내는 정식판이 아닌 후보 버전의 시험 경로입니다.
핵심내용: 특정 메모리 문제를 실행 환경의 개선으로 줄인 사례입니다. 자신의 모델과 설정에서 메모리와 안정성을 비교해 적용 여부를 판단하세요.
#PyTorch #MPS #로컬AI
근거 자료 1건 · 공식 기술 글 · 후보 버전
2 NVIDIA Kumo는 여러 표의 관계를 유지한 채 예측합니다
- Kumo Relational은 고객·주문처럼 서로 연결된 표에서 결과를 예측하는 사전 학습 모델입니다.
- 새 과제에서는 최대 1만 개의 과거 사례를 문맥으로 사용하며, 별도의 과제별 학습 없이 예측할 수 있다고 설명합니다.
- NVIDIA는 15개 데이터베이스의 41개 과제로 성능을 평가했습니다.
원문 요약
NVIDIA는 고객·주문·상품처럼 여러 표가 연결된 기업 데이터베이스에서 결과를 예측하는 Kumo Relational을 소개했습니다. 기존에는 표를 합치고 예측에 필요한 특징을 설계한 뒤 과제마다 모델을 학습시키는 준비가 필요했습니다. Kumo는 미리 학습된 관계형 모델에 예측 질의와 관련 데이터를 전달하고, 표 사이의 연결을 유지한 채 이탈·수요·사기 같은 결과를 예측하는 방식입니다.
그림 2. 데이터베이스 연결과 질의, 문맥 생성의 원문 구조도입니다. 출처: NVIDIA. 원본 확대
질의는 무엇을 누구에 대해 언제 예측할지 표현하는 PQL로 작성합니다. 시스템은 최대 1만 개의 과거 정답 사례와 관련 표를 모아 문맥으로 사용합니다. 관계의 시점을 반영해 예측 당시 알 수 있었던 데이터로 과거 사례를 구성합니다. 과제별 추가 학습 없이 예측한다는 설명은 사전 학습이나 과거 정답 데이터도 전혀 필요 없다는 뜻은 아닙니다. 공개 구조도는 질의와 데이터 연결, 문맥 생성의 흐름을 보여줍니다.
발표에서는 15개 데이터베이스의 41개 과제로 기존 관계형 학습 모델과 특징을 설계한 비교 방식을 평가했습니다. 다만 학습 사례가 매우 많은 과제에서는 전용 모델이 더 유리할 수 있고, 예측에 필요한 신호가 탐색할 수 있는 표의 연결 범위 안에 있어야 한다는 한계도 설명합니다. 공개 라이브러리나 별도 서비스 방식으로 사용할 수 있으며, 평가 결과는 NVIDIA가 제시한 범위의 결과입니다. 공식 원문
함께 볼 내용: 학습 자료가 매우 큰 과제에서는 전용 모델이 앞설 수 있다고 설명합니다.
핵심내용: 과제별 학습 준비를 줄이려는 접근입니다. 사전 학습과 과거 정답 사례는 사용하므로 데이터 준비와 검증은 여전히 필요합니다.
#NVIDIA #Kumo #데이터예측
근거 자료 1건 · 공식 기술 글 · 공개 연구 결과 소개
3 Granite Speech는 정확한 전사와 빠른 처리 및 화자 구분을 나눴습니다
- IBM은 Speech 5.0 2B, Turbo CTC, Speech 4.1 2B Plus의 변화를 함께 공개했습니다.
- 5.0 2B는 원문에 제시된 영어 단문 시험 평균 WER가 5.06%였습니다. WER는 단어 인식 오류율입니다.
- 주력 2B 모델은 영어·프랑스어·독일어·스페인어·포르투갈어·일본어 전사를 지원한다고 설명합니다.
원문 요약
IBM은 Granite Speech 제품군에서 새 5.0 2B 모델과 Turbo CTC, 4.1 2B Plus의 업데이트를 함께 발표했습니다. 세 모델은 같은 역할을 겨루기보다 정확한 전사·번역, 빠른 음성 처리, 여러 사람이 말하는 녹음의 화자 구분으로 용도를 나눕니다. 2B는 모델 규모가 약 20억 개의 매개변수라는 뜻이고, 전사는 녹음된 말을 글로 바꾸는 작업입니다.
그림 3. 영어 단문 인식 오류율 비교이며 낮을수록 좋습니다. 출처: IBM Granite. 원본 확대
5.0 2B는 영어·프랑스어·독일어·스페인어·포르투갈어·일본어 전사를 지원합니다. 공개 영어 단문 시험들의 평균 단어 인식 오류율인 WER는 5.06%로 제시됐습니다. 이 값은 영어 시험의 평균이므로 다른 언어나 긴 회의 녹음의 성능을 직접 나타내지는 않습니다. 입력 언어를 지정하거나 제품명·인명·약어 등 최대 2천 개 용어를 제공해 전사와 번역을 유도하는 기능도 안내합니다.
Turbo CTC는 작은 모델 규모를 유지하면서 다국어 전사와 문장부호·대문자 처리를 추가하고 잡음·잔향 대응을 개선했습니다. Plus는 회의·통화처럼 여러 화자가 등장하는 긴 녹음에서 누가 언제 말했는지와 시간 표시를 개선하는 데 초점을 둡니다. 주력 2B 모델의 전사 언어 목록에 한국어는 포함되지 않습니다. 모델별 지원 언어와 평가 자료가 다르므로 하나의 점수를 제품군 전체의 성능으로 읽지 않아야 합니다. 공식 원문
함께 볼 내용: 최대 2천 개의 용어 목록으로 인식을 유도할 수 있습니다.
핵심내용: 정확도와 처리량, 화자 구분을 나눠 비교할 수 있습니다. 지원 목록에 한국어가 없으므로 영어 점수를 한국어 회의 성능으로 해석하지 않아야 합니다.
#IBM #GraniteSpeech #음성인식
근거 자료 1건 · 공식 모델 업데이트
4 FairStress는 같은 판단이 설득 문구에도 안정적인지 평가합니다
- Ai2는 두 후보 중 하나를 고르는 29개 영역의 300개 시나리오를 공개했습니다.
- 인구학적 정보를 바꾼 뒤 최초 선택과 설득 문구를 넣었을 때의 선택 변화를 비교합니다.
- 근거가 같은 판단에 대해 집단에 따라 흔들리는 정도도 같은지를 측정합니다.
원문 요약
Ai2는 AI가 처음에 누구를 선택했는지뿐 아니라, 설득 문구를 받은 뒤 그 판단을 얼마나 쉽게 바꾸는지 살펴보는 FairStress를 공개했습니다. 채용·교육·의료처럼 사람에게 영향을 줄 수 있는 판단에서 후보자의 조건은 유지하고 인구학적 정보만 바꿨을 때, 첫 답이 같더라도 이후의 대응은 다를 수 있다는 문제에서 출발합니다.
그림 4. 최초 판단과 압박 이후 판단의 차이를 구분한 원문 도표입니다. 출처: Ai2. 원본 확대
평가는 29개 영역의 두 후보 비교 상황 300개로 구성됩니다. 기준상 더 적합한 후보가 뚜렷한 상황과 어느 쪽이 낫다고 단정하기 어려운 상황을 포함합니다. 인구학적 정보도 생략, 이름을 통한 암시, 간접 설명, 명시적인 표기처럼 드러나는 정도를 달리합니다. 이후 권위나 사회적 합의를 내세우는 설득 문구를 넣어 최초 선택과 선택 변화, 설명의 차이를 비교합니다.
연구진은 여러 공개 모델과 상용 모델, 학습 단계에서 같은 설득 논리라도 어느 집단에 유리한지에 따라 판단 변경 가능성이 달라지는 현상을 보고했습니다. 이 평가는 근거가 같으면 같은 기준을 적용하고 판단을 바꾸는 압박에도 동등하게 저항해야 한다는 공정성 정의를 채택합니다. 역사적 불이익을 고려하는 관점 등 모든 공정성 정의를 포괄하지는 않습니다. 자료와 코드를 공개했으며 결과는 이 시나리오와 평가 기준의 범위에서 읽어야 합니다. 공식 원문
함께 볼 내용: 모든 공정성 관점이 아닌 동등한 판단 기준과 저항성에 초점을 맞춥니다.
핵심내용: 첫 답에서 판단을 바꾸는 과정까지 평가를 넓혔습니다. 사내 평가에서도 공정성의 정의와 안정성을 시험할 상황을 먼저 정해야 합니다.
#Ai2 #FairStress #AI평가
근거 자료 1건 · 공식 연구 소개
5 GitHub 패키지 방화벽은 설치 요청을 정책으로 검사합니다
- GitHub Enterprise Cloud 고객 대상 공개 프리뷰이며 현재 npm 패키지를 지원합니다.
- 새 패키지를 바로 설치하지 않도록 대기 기간을 두거나 악성 코드·취약점 공지를 확인하는 정책을 제공합니다.
- 프리뷰는 무료이며 정식 제공 시 사용량 기반 과금 예정이라고 안내합니다.
원문 요약
GitHub는 코딩 에이전트나 자동 빌드 서버가 패키지를 설치할 때 조직의 정책을 적용하는 패키지 방화벽을 공개 프리뷰로 제공합니다. 패키지는 프로그램이 가져다 쓰는 외부 코드 묶음입니다. 사람이 매번 확인하지 않는 자동 설치 과정에서 악성 코드가 실행될 수 있다는 문제에 대응하며, 설치 대상과 상위 패키지 저장소 사이에 검사 경로를 두는 방식입니다.
그림 5. 기사에 게재된 공식 설정 예시입니다. 출처: GitHub. 원본 확대
관리자는 새 패키지에 대기 기간을 두거나 GitHub Advisory Database의 악성 코드·취약점 공지를 확인하는 정책을 설정할 수 있습니다. 공급망 증명의 수준이 낮아지는 변화도 검사 항목에 포함됩니다. 이후 에이전트와 빌드 서버의 패키지 목록 조회와 실제 다운로드 요청을 방화벽으로 보내면 해당 정책에 따라 허용하거나 차단합니다. 설치 후 코드 전체를 검증한다는 의미와는 구분됩니다.
잘못 차단된 패키지는 예외를 요청하는 절차를 제공합니다. 대상은 데이터 보관 지역을 지정한 환경을 포함한 GitHub Enterprise Cloud 고객이며, 원문에서 안내한 지원 패키지는 npm으로 한정됩니다. 프리뷰 기간은 무료이고 정식 제공 때는 사용량에 따른 과금을 적용할 예정이라고 설명합니다. 따라서 현재 지원 범위와 향후 과금 계획, 실제 요청 경로를 각각 확인할 수 있는 발표입니다. 공식 원문
함께 볼 내용: 잘못 차단된 패키지는 예외를 요청할 수 있습니다.
핵심내용: 설치 주체 외부에서 패키지 접근을 제어합니다. 대상 플랜과 npm 지원 범위, 설치 요청의 실제 연결 경로를 확인해야 합니다.
#GitHub #패키지보안 #에이전트운영
근거 자료 1건 · 공식 변경 기록 · 공개 프리뷰
6 ALTK Evolve는 작업 경험을 규칙으로 바꿔 반복 성공을 높였습니다
- IBM Research는 작업의 성공과 실패에서 행동 규칙을 뽑아 에이전트 프롬프트에 추가했습니다.
- GPT-4.1 기반 소매 시험에서 Pass⁴는 57.5%에서 67.5%로 올랐습니다.
- 전체 규칙을 넣는 설정에서는 소매 대화당 비용이 기준보다 65% 늘었다고 보고합니다.
원문 요약
IBM Research는 고객 응대 에이전트가 과거 작업의 성공과 실패에서 규칙을 뽑고, 다음 작업의 프롬프트에 붙이는 ALTK-Evolve를 소개했습니다. 모델의 가중치 자체를 다시 학습시키는 대신 고객 인증, 거래 확인, 반품 처리 같은 행동 지침을 축적합니다. 규칙 추출과 실제 응대에 같은 GPT-4.1 모델을 사용하고, 고객 역할은 별도 모델로 모의 실행했습니다.
그림 6. 규칙의 양을 달리한 시험이며, 분야에 따라 유리한 설정이 다릅니다. 출처: IBM Research. 원본 확대
시험에는 정책과 도구 사용을 함께 평가하는 τ²-bench의 소매·항공 과제를 사용했습니다. 학습용 작업에서 얻은 규칙을 평가용 작업에 그대로 적용하고, 규칙이 없는 기준 설정·여러 작업에서 반복 확인된 소수 규칙·정리 후 남은 전체 규칙을 비교했습니다. Pass⁴는 각 과제를 네 번 독립적으로 시도해 모두 성공한 과제의 비율입니다. 소매에서는 이 값이 기준 57.5%에서 전체 규칙 설정의 67.5%로 높아졌습니다.
규칙의 양에 따라 유리한 설정은 분야별로 달랐습니다. 전체 규칙을 넣은 소매 설정은 대화당 비용이 기준보다 65% 늘어, 반복 성공률 향상과 입력 토큰 비용 증가가 함께 나타났습니다. 순위 비교도 발표 시점의 실시간 전체 순위가 아닌 2026년 10월 12일 저장 자료를 기준으로 합니다. 결과는 정해진 모의 고객·정책·도구 환경의 시험이며 실제 고객 서비스에서 같은 성과를 재현했다는 발표는 아닙니다. 공식 원문
함께 볼 내용: 순위 비교는 최신 전체 순위가 아닌 10월 12일 저장 자료 기준입니다.
핵심내용: 모델 교체 전에 작업 규칙의 효과도 시험할 수 있습니다. 규칙의 양에 따른 반복 성공률과 비용을 함께 비교하세요.
#IBMResearch #에이전트기억 #반복성공률
근거 자료 1건 · 공식 연구 소개 · 자체 실험
7 추가 업데이트 TorchTPU와 Sentry 및 Copilot 모델 정책
- TorchTPU — Hugging Face는 PyTorch의 기본 장치처럼 TPU를 사용하는 경로와 Transformers·Diffusers 연동을 소개했습니다.
- NVIDIA Sentry — BlueField-4라는 별도 하드웨어 영역에서 에이전트의 접근과 실행 상태를 살피는 구조를 설명했습니다.
- Copilot 모델 정책 API — GitHub는 기업·기업 팀·에이전트 앱·조직의 모델 정책을 읽고 바꾸는 GET·PATCH API를 정식 제공합니다.
원문 요약
TorchTPU: Hugging Face는 Google의 AI 연산 장치인 TPU를 PyTorch의 기본 실행 장치처럼 사용하는 경로를 소개했습니다. 기존의 별도 실행 방식 대신 Transformers와 Diffusers에서 장치를 TPU로 지정하는 예시와 컴파일·분산 실행 방법을 제공합니다. 공개 자동 시험 화면은 해당 시점의 검사 결과이며 모든 모델과 실행 조건의 호환성을 보증하는 표는 아닙니다. TorchTPU 원문
그림 7. Hugging Face가 공개한 자동 시험 화면입니다. 해당 시점의 개발용 검사 결과이며 모든 모델의 호환성을 보장하는 표는 아닙니다. 출처: TorchTPU 소개. 원본 확대
NVIDIA Sentry: NVIDIA는 에이전트가 바꿀 수 있는 호스트 소프트웨어와 분리된 BlueField-4 하드웨어 영역에서 접근 정책을 적용하는 구조를 설명했습니다. 요청을 검사하는 DOCA Tower와 실행 환경을 관찰하는 DOCA Argus의 정보를 연결해, 어떤 프로세스와 환경이 접근을 요청했는지까지 판단에 사용합니다. 아래 그림은 이 구조를 설명하는 원문 도표이며 이번 시험에서 설치한 화면은 아닙니다. Sentry 원문
그림 8. 요청 검사와 실행 상태 관찰을 결합하는 NVIDIA의 원문 구조도입니다. 실제 설치 화면이나 이번 시험의 구축 결과는 아닙니다. 출처: Sentry 기술 설명. 원본 확대
Copilot 모델 정책 API: GitHub는 기업·기업 팀·에이전트 앱·조직 수준의 모델 정책을 조회하고 바꾸는 GET·PATCH API를 정식 제공합니다. 기업 정책에 따라 조직 또는 팀·앱에 모델 제어를 위임할 수 있습니다. 이는 사용할 수 있는 모델의 범위를 관리하는 기능이며 개별 모델의 성능을 평가하는 기능과는 구분됩니다. 세 소식은 실행 장치와 접근 제어, 모델 이용 정책이라는 서로 다른 운영 조건을 다룹니다. Copilot 원문
함께 볼 내용: Copilot 모델 정책 API는 모델 이용 가능 범위를 조직적으로 관리하는 기능입니다. 개별 모델의 성능 평가와는 구분해 볼 수 있습니다.
핵심내용: 실행 가능한 장치를 늘리는 일과 허용할 접근을 정하는 일이 함께 진행되고 있습니다. 도입할 때는 실행 환경 호환성과 권한 정책을 각각 확인해야 합니다.
#TorchTPU #NVIDIASentry #Copilot
근거 자료 3건 · 공식 기술 글과 변경 기록
흐름 진단
- 현장 적용 — 데이터 예측과 음성 인식은 업무에 필요한 입력 구조와 출력 역할을 구체적으로 나누고 있습니다.
- 실행 효율 — MPS와 TorchTPU 소식은 모델 선택 외에도 실행 경로를 점검할 이유를 보여줍니다.
- 검증 강화 — FairStress와 ALTK-Evolve는 첫 답의 정확도와 판단 안정성, 반복 성공률을 구분합니다.
- 운영 점검 — GitHub 방화벽과 Sentry는 설치와 접근 제어를 에이전트 바깥에서 다루는 사례입니다.
이 진단은 이번에 다룬 자료를 연결한 편집 해석입니다.
바로 쓰는 방법
- Mac 실행 환경은 따로 시험합니다
현재 환경을 보존하고 후보 버전을 별도 환경에서 비교하세요. 같은 입력으로 최대 메모리와 결과 파일을 확인하는 방법이 유용합니다. MPS 안내 - 예측 입력의 시점을 먼저 정합니다
예측 시점 이후의 정답 정보가 입력에 섞이지 않도록 표의 시간 기준을 맞추세요. Kumo가 설명한 과거 상태 재구성 방식을 참고할 수 있습니다. Kumo 설명 - 음성 인식은 실제 언어로 비교합니다
지원 언어를 확인한 뒤 실제 소음과 발화 조건이 담긴 샘플을 쓰세요. 영어 단문 순위로 한국어 회의 성능을 대신 판단하지 않습니다. Granite 안내 - 평가에는 판단을 바꾸는 상황도 넣습니다
최초 답과 추가 설득 문구 이후의 답을 나눠 기록하세요. 어떤 기준의 일관성을 평가할지는 먼저 정합니다. FairStress 설명 - 작업 규칙은 성공률과 비용으로 비교합니다
같은 과제를 여러 번 실행하고, 규칙을 넣기 전후의 반복 성공과 토큰 비용을 함께 보세요. ALTK-Evolve 평가 - 에이전트 작업을 편집기로 이어 검토합니다
GitHub는 Copilot 앱 세션을 VS Code에서 열어 대화와 변경 내용을 이어 보는 방법을 안내합니다. 같은 계정과 저장소 권한을 확인하고 변경 파일을 직접 살펴보세요. GitHub의 세션 이어 보기
취재와 확인 기록
공식 원문 10건을 새로 열어 게시일, 기능 범위, 평가 조건과 이미지 내용을 확인했습니다. Hugging Face에 실린 글은 게재 플랫폼과 NVIDIA·IBM·Ai2 등 발표 기관을 구분했습니다. 본문의 벤치마크 수치는 원 발표자의 결과이며, 이번 작성 시험에서 모델 실행이나 보안 제품 구축으로 재현한 값은 아닙니다.
조회 기간은 한국 시각 2026년 10월 19일 11시 17분 33초부터 22일 11시 17분 33초까지입니다. 최근 7일로 확대하지 않았습니다. 이미지 8장은 원문에 실제로 게재된 자료이며 새로 생성한 이미지는 없습니다. 원문 게재 자료의 공개 재사용 조건은 발행 전 별도 검토 대상입니다.
자료 표시 안내
- 공식 발표 — 발표 기관이 직접 공개한 내용입니다.
- 공개 연구 — 방법과 결과가 공개된 연구 자료를 말하며 동료 심사 여부와는 구분합니다.
- 배포 단계 — 후보 버전·공개 프리뷰·정식 제공을 구분합니다.
- 편집 해석 — 공개 내용을 연결한 흐름 진단과 실무 적용 제안입니다.