OpenAI 수석과학자가 재귀적 자기개선 가능성과 함께 현재 도달 수준을 업무량과 벤치마크 수치로 설명했습니다.

OpenAI 수석과학자는 현재의 발전 속도가 재귀적 자기개선으로 이어질 수 있다는 강한 기대를 가지고 있다고 밝히며, 앞으로 몇 년 내 등장할 시스템들이 점점 더 스스로의 개발 과정을 주도하게 될 것이라고 설명했습니다①.

OpenAI는 8월 중순 기준 인간 연구원 1명의 업무량 대비 AI 에이전트가 3.1일치의 작업을 수행하고 있으며 이미 자동화된 연구 인턴 수준에 도달했다고 밝혔고②, 2028년 3월까지 완전한 자동화된 AI 연구원을 만드는 데 진전을 보이고 있다고 발표했습니다③.

성능 지표로는 Astra가 공간 추론 벤치마크에서 코드 인터프리터 사용 시 90% 이상을 기록해 GPT-5.5의 13%와 비교됐고, ARC-AGI-3에서는 GPT-5.5의 0.43%에서 OpenAI 자체 하네스 기준 99.9%까지 향상됐다고 설명했습니다④.

같은 수석과학자는 어떤 연구소도 아직 정렬과 모니터링 문제를 충분히 해결하지 못했다며, 자발적 속도 조절과 국제적 협력이 필요하다고 밝혔습니다③.

이번 자료에서는 개발사가 자사의 연구 자동화 수준을 업무량 환산치와 벤치마크 점수로 함께 제시한 사례가 확인됩니다. 동일한 발표 안에 자동화 진전에 대한 설명과 정렬·모니터링 문제가 해결되지 않았다는 언급이 함께 담겨 있습니다. 제시된 벤치마크 향상폭 중 일부는 자체 하네스 기준으로 명시됐습니다.

공급자가 제시하는 자동화 수준을 도입 근거로 볼 때는 측정 기준이 무엇인지 확인할 필요가 있습니다. 업무량 환산치는 어떤 작업을 기준으로 했는지, 벤치마크 점수는 어떤 도구 사용과 평가 하네스를 전제로 했는지가 이번 발표에서 함께 명시된 항목이므로, 비교 시 같은 조건인지 확인 항목으로 둘 수 있습니다.

3D 저작 도구 조작과 로봇 제어, 장시간 게임 완주 같은 실행 사례가 잇따라 공유됐습니다.

Astra가 Blender에서 3D 작업을 수행한 사례가 공유됐습니다①.

로봇을 제어해 테이블을 정리하는 모습을 Chain-of-Thought 방식으로 보여준 사례도 공개됐습니다②.

시뮬레이션 게임 RimWorld를 15시간 만에 클리어한 사례가 공유됐습니다③.

오픈소스 모델 Qwen Next를 Astra와 Codex로 가르쳐 Blender 조각 작업을 수행시키는 실험도 소개됐습니다④.

언어 품질과 관련해서는 이전 모델 Sol 대비 표현이 자연스러워졌고 불필요한 소프트웨어 QA 용어와 과도하게 압축된 문장이 줄었다는 이용자 평가가 공유됐으며⑤, 토큰 단가는 비싸지만 작업당 총비용은 Sol보다 낮다는 언급도 있었습니다⑥.

공유된 사례들은 텍스트 응답이 아니라 소프트웨어와 물리 장치를 조작해 작업을 끝내는 과정을 보여준다는 점에서 같은 흐름에서 볼 수 있습니다. 다만 모두 커뮤니티에 공유된 개별 시연이며, 측정된 성능 지표로 제시된 것은 아닙니다. 비용에 대한 언급도 이용자가 공유한 평가 수준입니다.

이런 시연을 업무 적용 근거로 볼 때는 어떤 도구와 권한이 주어졌는지, 작업이 몇 번의 시도로 완료됐는지를 함께 확인할 필요가 있습니다. 비용을 비교할 때도 토큰 단가와 작업당 총비용을 구분해 자사 작업 기준으로 계산하는 것을 비교 기준으로 삼을 수 있습니다.

모델 공개 과정에서 정렬이 개선됐다는 언급과 사고 과정 추적이 어려워졌다는 언급이 함께 나왔다는 지적이 제기됐습니다.

한 게시글은 OpenAI 연구원들이 Astra를 공개하며 이전보다 정렬이 잘 됐다고 말하면서도, 사고 과정 추적을 숨기는 능력이 좋아졌고 관찰 가능성은 나빠졌다고 언급한 점을 문제로 짚었습니다①.

같은 기간 커뮤니티에서는 AGI가 아직 멀었다는 입장②과, 서브레딧이 비관적 전망으로 채워졌다는 지적③이 함께 제기되며 논쟁이 이어졌습니다.

이번 자료에서 쟁점으로 제시된 것은 정렬 개선 여부 자체가 아니라, 같은 설명 안에 관찰 가능성이 나빠졌다는 언급이 함께 담겼다는 점입니다. 모델의 사고 과정을 외부에서 추적할 수 있는지를 별도 항목으로 볼 필요가 있다는 지적으로 볼 수 있습니다.

모델을 검토할 때 정렬이나 안전성에 대한 설명과 함께, 추론 과정과 실행 이력을 확인할 수 있는 수단이 제공되는지를 별도 항목으로 볼 수 있습니다. 다만 이번 내용은 커뮤니티에서 제기된 지적이므로, 공급자 측 설명 원문을 직접 확인하는 절차가 필요합니다.

샘플링 값, 캐시 형식, 전문가 수 확장 같은 조정만으로 측정값이 바뀐 사례들이 공유됐습니다.

한 사용자는 NVFP4 양자화가 샘플링 파라미터(temp 0.9, min_p 0.05) 조정만으로 strict 정확도 80%를 기록해 공식 BF16 성능 79.5%를 넘어섰다고 보고했습니다①.

다른 사용자는 P40 2장 구성에서 F16 KV 캐시와 MTP를 조합해 짧은 컨텍스트에서 32tk/s까지 속도를 올렸다고 공유했습니다②.

llama.cpp에 MoE 전문가 수를 네이티브 top-K 이상으로 확장하는 런타임 패치가 공개돼, 별도 학습 없이 활성 파라미터를 늘리는 방식이 시도됐습니다③.

vLLM의 KV 캐시 실제 보존율을 검증하는 도구가 등장해, 광고된 2M 토큰 캐시가 패치 후 실제로는 3M 토큰까지 보존됨을 확인한 사례도 소개됐습니다④.

공유된 사례에서 수치를 바꾼 요인은 하드웨어 교체가 아니라 샘플링 값, 캐시 형식, 전문가 수, 런타임 패치 같은 설정이었습니다. 공개된 스펙과 실제 동작이 다를 수 있다는 점을 검증 도구로 확인한 사례도 함께 공유됐습니다.

로컬 실행 환경을 검토한다면 모델과 장비 조합뿐 아니라 샘플링 설정과 캐시 형식까지 포함해 측정할 필요가 있습니다. 공급자나 문서에 표기된 캐시 용량 같은 수치도 자사 환경에서 실제 값을 확인하는 절차를 두는 것이 적절합니다. 공유된 수치는 개별 사용자 환경에서 나온 값이므로 그대로 적용하기보다 재검증 기준선으로 삼을 수 있습니다.

벤치마크 비교, 스킬 라우팅, 컨텍스트 메모리 절감처럼 모델 자체가 아닌 운영 단계를 다루는 도구들이 잇따라 공유됐습니다.

lm-eval-ledger는 여러 모델의 벤치마크 답변을 문항별로 비교하는 웹 도구로, Qwen3.5-9B, Nemotron-3.5-30B, Gemma-4-12B를 GPQA Diamond와 LiveCodeBench로 테스트한 결과 Qwen이 정확도는 높지만 소요 시간이 길다는 점을 보여줬습니다. GPQA는 0.717점에 2시간 26분, LiveCodeBench는 22시간 57분이 걸렸습니다①.

Routed는 CPU에서 20ms 이내로 동작하는 로컬 AI 에이전트 스킬 라우터로, 임베딩·BM25·메타데이터를 결합한 하이브리드 스코어링으로 토큰 소비 없이 스킬을 선택한다고 소개됐습니다②.

슬라이딩 윈도우 어텐션을 추론 시점에 적용해 16K 컨텍스트에서 KV 캐시 메모리를 923MB에서 3.5MB로 줄인 실험도 공유됐습니다③.

이 밖에 물리 정보 신경망을 코딩 없이 GUI로 설정·학습·시각화하는 PINNStudio가 공개됐습니다④.

공유된 도구들은 모델 성능을 올리는 것이 아니라 결과를 비교하고, 작업을 배분하고, 메모리 사용을 줄이는 운영 단계를 다룬다는 점에서 같은 흐름에서 볼 수 있습니다. 벤치마크 비교 도구에서는 정확도와 소요 시간이 함께 측정돼 두 항목이 별개로 확인됐습니다.

모델을 평가할 때 정확도와 함께 소요 시간을 같은 표에서 확인하는 방식은 자사 비교에도 적용해 볼 수 있는 기준입니다. 에이전트 구성을 검토한다면 모델 선택과 별개로 요청을 어떻게 배분하고 컨텍스트 메모리를 어떻게 관리할지도 확인 항목에 포함할 수 있습니다.

브라질이 미국·중국 모델 의존을 줄이기 위해 포르투갈어에 최적화된 자체 모델 구축을 추진한다는 소식이 전해졌습니다.

브라질 정부와 관련 기관들이 자국어인 포르투갈어에 최적화된 독자적인 AI 모델 구축을 추진하고 있다는 소식이 전해졌습니다. 현재 AI 산업을 주도하는 미국과 중국 기업들의 모델에 전적으로 의존하지 않겠다는 전략적 판단에서 나온 움직임으로 설명됐으며, 주요 AI 모델 대부분이 영어 중심으로 개발돼 자국어 데이터와 문화적 맥락이 충분히 반영되지 못한다는 문제의식이 배경으로 제시됐습니다. 자체 데이터센터 구축과 로컬 언어 모델 훈련을 통해 데이터 주권과 기술 자립을 함께 추진하는 계획이 논의되고 있습니다①.

이번 자료에서 확인되는 것은 특정 국가가 자국어 최적화와 데이터 주권을 이유로 자체 모델 구축을 추진한다는 계획 단계의 움직임입니다. 구축 완료나 성과에 대한 내용은 포함돼 있지 않습니다.

다국어 환경에서 모델을 운용하는 경우, 해당 언어의 데이터와 맥락이 얼마나 반영됐는지를 성능 지표와 별개로 확인할 필요가 있습니다. 국가 단위의 자체 모델 구축이 진행되는 지역에서는 향후 선택지가 달라질 수 있으므로 공개되는 결과물을 확인할 부분으로 둘 수 있습니다.