중국 인공지능 기업 MiniMax가 8월 9일 공식 X에서 공개 가중치 영상 생성 모델 MiniMax H3의 라이선스를 Apache 2.0으로 전환하는 방안도 “검토 대상(on the table)”이라고 밝혔다. 결정과 일정은 공개하지 않았고, 저작권 관련 사안의 범위와 정리 기준도 설명하지 않았다. 현재 한국에서 공개 가중치와 파생 모델 등 H3 Works를 독립적으로 이용하려면 MiniMax가 별도로 부여하는 라이선스가 필요하다. MiniMax가 운영하는 API는 전 세계에 제공된다.

저작권 관련 사안 정리 뒤 전환 검토

공식 X 게시물은 저작권 관련 사안이 정리돼 가는 가운데 Apache 2.0 전환도 검토 대상이라고 썼다. 전환을 약속한 발표가 아니라 그 이전 단계의 검토다. H3 개발의 기술적 내용을 정리한 종합 보고서도 준비 중이며 곧 공개할 예정이라고 덧붙였다.

MiniMax는 7월 31일 H3를 발표한 뒤 커뮤니티 라이선스로 가중치를 공개했다. 라이선스 문서에는 모델 출시일과 라이선스 날짜가 모두 8월 2일로 적혀 있다. 8월 9일 공식 X에서 Apache 2.0 전환 가능성을 언급했고, PC Watch는 이를 8월 10일 보도했다.

커뮤니티 라이선스는 한국을 적용 지역에서 제외

문서상 라이선스 날짜가 8월 2일로 표기된 MiniMax H3 커뮤니티 라이선스 계약(MiniMax H3 Community License Agreement)은 가중치와 문서, 파생 모델 등을 뜻하는 H3 Works에 대한 권리를 적용 지역 안에서만 부여한다. 유럽연합(EU), 영국, 한국과 미국은 적용 지역에서 제외된다. 이 네 지역에서는 이 계약만으로 H3 Works의 사용, 재생산, 수정, 배포, 표시와 출력 및 결과의 이용이 허용되지 않는다. 개인이나 조직이 이용하려면 별도 라이선스를 신청하고 MiniMax의 승인을 받아야 한다.

MiniMax는 API를 전 세계에 제공하는 이유로 회사가 서비스 인프라와 안전장치를 운영할 수 있다는 점을 들었다. 반면 공개된 H3 Works는 독립 배포와 수정이 가능해 같은 수준의 사후 통제가 어렵다는 설명이다.

Apache 2.0으로 바뀌더라도 라이선스 사본 제공과 수정 파일 고지, 기존 저작권과 특허, 상표, 귀속 고지 유지 같은 재배포 조건은 남는다. 이번 X 게시물은 기존 H3 배포본과 앞으로 공개할 체크포인트 가운데 어디까지 전환 대상에 넣을지 설명하지 않았다.

함께 예고한 후속 오픈소스 모델

MiniMax는 같은 게시물에서 H3-Regenerate-2K와 이미지 생성 및 편집 통합 모델을 오픈소스로 공개할 계획이라고 밝혔다. 생성 단계를 줄인 4-NFE와 8-NFE 변형도 검토 중이다. 공개할 파일과 라이선스의 범위, 일정은 제시하지 않았다.

기사 작성 시점의 H3 저장소에는 커뮤니티 라이선스가 적용돼 있다. 한국에서는 MiniMax API를 이용할 수 있지만 공개된 H3 Works를 독립적으로 이용하려면 별도 라이선스가 필요하다. 실제 이용 조건은 MiniMax가 라이선스 파일과 공개 범위를 바꾼 뒤에야 달라진다.

바이트댄스(ByteDance)가 7월 31일 차세대 영상 생성 모델 Seedance 2.5를 공식 공개했다. Dreamina는 지역과 계정에 따라 모델을 순차 제공하고 있다. 8월 1일 현재 제품 페이지에는 Seedance 2.5가 모델 선택 항목으로 표시되며, 미국은 “제공 예정(Coming Soon)”으로 구분된다. CapCut에서 확인된 경로는 앱의 AI Lab 영상 챌린지이며, 일반 개발자용 BytePlus API는 아직 제공 전이다. 이번 공개의 핵심은 최대 30초 분량의 영상 생성, 최대 50개 참조 자료 입력, 결과를 최대 3분까지 구성하는 연장 기능과 부분 편집을 한 모델에 결합한 점이다.

Dreamina부터 순차 제공, CapCut은 AI Lab 챌린지 시작

Dreamina는 지역과 계정에 따라 Seedance 2.5를 순차적으로 제공한다. 공식 X는 동남아시아, 중동, 아프리카, 유럽, 남미 지역의 구독자에게 “현재 제공 중”이라고 발표했고, 같은 날 공개된 출시 페이지는 유럽, 아시아, 중동, 남미 지역에서 16세 초과 이용자의 구독 계정을 대상으로 다음 주부터 순차 배포한다고 안내했다. 두 안내를 종합하면 일부 대상에게 제공을 시작한 뒤 지원 지역과 계정을 단계적으로 확대하는 일정이다.

8월 1일 기준 Dreamina의 Seedance 2.5 페이지에는 “현재 제공 중(live)” 문구가 표시되고, 생성기에는 선택된 모델로 Dreamina Seedance 2.5가 표시됐다. 지역 설정에서 미국은 “제공 예정(Coming Soon)”으로 구분돼 지역별로 제공 시점이 나뉜다. CapCut도 AI Lab에서 Seedance 2.5를 사용하는 영상 챌린지를 시작했다.

개발자용 제공은 별도 일정이다. BytePlus는 Dreamina에서 지금 써 볼 수 있다고 알렸지만, 기업용 API는 “곧 제공 예정(coming soon)”이라고 안내했다. 현재 이용 경로는 Dreamina의 지역·계정별 순차 배포와 CapCut AI Lab 챌린지이며, 일반 개발자가 연동할 BytePlus API는 아직 제공 전이다.

최대 30초 분량의 영상 생성, 연장 결과는 최대 3분

바이트댄스 Seed 팀은 한 번에 30초 분량의 오디오와 비디오를 생성할 수 있다고 설명했다. 참조 자료는 이미지 30개, 영상 10개, 오디오 10개까지 한 번에 입력할 수 있다. Dreamina는 이를 멀티모달 참조 자료를 최대 50개까지 입력하는 기능으로 설명했다. 기본 생성 길이는 최대 30초다. 장시간 영상 모드는 최대 두 차례의 연장을 지원하며, 최종 영상 길이는 최대 3분이다.

장시간 영상 모드는 최대 30초 분량으로 만든 영상을 두 차례 연장해 전체 길이를 최대 3분으로 구성한다. 짧은 데모 한 편의 화질보다 긴 장면에서 여러 인물과 공간을 얼마나 일관되게 유지하는지가 실제 성능을 가를 지점이다.

부분 편집과 전문 제작 기능도 제공한다

Seedance 2.5는 영상 전체를 다시 만들지 않고 특정 영역만 수정하는 편집 기능을 제공한다. 바이트댄스는 타임스탬프 단위로 오디오와 비디오를 제어하는 기능을 내세웠고, Dreamina는 특정 시점과 등장인물 등 요소를 지정해 수정할 수 있다고 설명했다.

공식 발표가 소개한 전문 제작 기능에는 3D 화이트 모델 영상과 그린스크린 영상 참조, Maya와 Blender 플러그인, 전문 카메라 움직임과 배우 동선 제어가 포함된다. 광고처럼 브랜드 자산을 유지해야 하거나 여러 등장인물이 나오는 장면에서는 참조 자료를 많이 넣는 기능 자체보다 원하는 요소를 긴 장면 안에서 정확히 유지하고 필요한 부분만 다시 고칠 수 있는지가 중요하다.

같은 날 정식 출시된 MiniMax H3도 텍스트, 이미지, 영상, 오디오를 참조하고 생성물에 음향을 결합해 영상 생성과 편집 분야에서 Seedance 2.5와 경쟁한다. H3가 최대 15초 분량의 2K 영상 생성과 여러 웹 서비스와 API에서 바로 이용할 수 있다는 점을 앞세운다면, Seedance 2.5는 최대 30초 분량의 영상 생성, 최대 50개의 참조 자료, 전체 길이를 최대 3분까지 늘리는 연장과 부분 편집을 내세운다. 두 모델을 비교할 때는 짧은 샘플의 화질뿐 아니라 긴 장면의 일관성, 참조 자료 활용과 편집 제어, 실제 이용 경로까지 함께 봐야 한다.

저작권 보호와 AI 생성 표시를 적용했다

Dreamina는 Seedance 2.5에 지식재산권 보호 조치와 함께 AI 투명성 수단인 보이지 않는 워터마크, C2PA 콘텐츠 자격 증명, AI 생성 표시를 적용한다고 밝혔다. 프롬프트 차단, 콘텐츠 검토와 이용자 신고 기능도 운영한다고 설명했다.

Seedance 2.0은 실존 인물과 저작권 보호 캐릭터를 이용한 영상 생성으로 논란을 일으켰고, 미국 상원의원들은 바이트댄스에 서비스를 중단하고 보호장치를 마련하라고 요구했다. 바이트댄스가 Seedance 2.5의 제작 기능으로 최대 50개의 참조 자료 입력과 정밀 편집을 내세운 만큼, 새 표시와 차단 기능이 실제 생성 과정에서 어떻게 작동하는지도 품질과 함께 확인해야 한다.

중국 인공지능 기업 딥시크(DeepSeek)가 7월 31일 DeepSeek V4-Flash-0731의 166.9GB 공식 가중치를 허깅페이스에 공개했다. API 공개 베타를 발표한 날 곧바로 가중치까지 배포했다. Artificial Analysis의 API 평가에서 Claude Sonnet 5에 근접한 성능을 보인 284B MoE 모델을 직접 내려받아 실행할 수 있게 된 것이 이번 공개의 핵심이다.

166.9GB 공식 가중치, MIT 라이선스로 공개

딥시크는 API 공개 베타를 발표한 7월 31일 허깅페이스에 별도 저장소를 열어 공식 가중치를 배포했다. 앞서 API로만 제공하던 모델을 수 시간 만에 직접 내려받아 실행할 수 있게 했다.

공식 Safetensors 가중치의 전체 용량은 166.9GB다. 전문가 가중치는 4비트 형식인 MXFP4로, 나머지 텐서는 FP8 또는 BF16으로 저장했다. 가중치에 따라 서로 다른 수치 형식을 쓴 혼합 정밀도 체크포인트이며 MIT 라이선스로 공개됐다.

Artificial Analysis의 인텔리전스 인덱스 v4.1에서 DeepSeek V4 Flash 0731의 max 설정은 Claude Sonnet 5의 Adaptive Reasoning, Max Effort 설정보다 3.42점 낮았다. 두 설정의 인덱스 점수는 아래 표와 같다. 평가 대상은 API로 제공된 모델이며 로컬 양자화본은 포함되지 않았다.

284B 모델이지만 토큰당 연산에는 약 13B 매개변수만 참여

V4-Flash-0731은 전체 284B 매개변수를 가진 전문가 혼합(MoE) 모델이다. 요청을 처리할 때 모든 전문가를 동시에 쓰는 대신, 라우터가 토큰마다 필요한 전문가를 고른다. 따라서 전체 규모는 284B이지만 토큰 하나를 처리할 때 계산하는 매개변수는 약 13B로 줄어든다.

줄어드는 것은 토큰당 연산량이지 모델 파일의 크기가 아니다. 토큰마다 선택되는 전문가가 달라 실행하려면 284B 전체 가중치를 저장하고 메모리에서 불러올 수 있어야 한다. 13B 모델을 내려받는 구조가 아니라, 284B 모델을 적재한 뒤 그중 일부만 매번 계산하는 구조다.

Unsloth는 이 모델이 양자화 인식 학습(QAT)을 거쳤다고 설명한다. 공식 설정에서는 전문가 가중치의 FP4 형식과 나머지 가중치의 FP8 또는 BF16 형식을 확인할 수 있다. 공개 체크포인트는 고정밀도 원본을 함께 보존한 가역 압축물이 아니므로, 형식만 FP16이나 BF16으로 넓혀도 양자화 이전 값은 복원되지 않는다. 파일과 메모리 사용량만 늘어날 뿐이다. 아래의 추가 손실 없음도 공식 혼합 정밀도 체크포인트의 정보를 변환 과정에서 더 줄이지 않았다는 뜻이다.

Unsloth, 최소 필요 메모리 92GB인 GGUF 변환본 공개

Unsloth는 딥시크 공식 체크포인트를 GGUF로 변환해 1비트부터 8비트까지 여러 용량으로 공개했다. 딥시크의 공식 배포본이 아니라 제3자인 Unsloth가 공식 체크포인트를 변환한 파일이다. llama.cpp와 Unsloth Studio에서 실행하는 방법과 채팅 템플릿도 제공해 별도 변환 없이 장비에 맞는 파일을 고를 수 있다. 이처럼 모델 파일과 실행 방법을 한데 제공하는 점이 Unsloth 변환본을 로컬 환경에서 선택하기 쉬운 이유다.

Unsloth가 기본 선택으로 권하는 UD-IQ3_XXS는 파일 약 104GB, 실행에 필요한 메모리는 110GB 이상이다. 따라서 권장 3비트는 딥시크의 공식 권장이 아니라 Unsloth가 제시한 양자화본을 뜻한다. 가장 작은 UD-IQ1_S도 파일 82.5GB와 메모리 92GB가 필요하다.

표의 필요 메모리는 짧은 입력으로 기본 실행할 때 필요한 기준이다. 최대 100만 토큰의 컨텍스트를 모두 사용하거나 여러 요청을 동시에 처리하려면 KV 캐시와 실행 버퍼가 더 필요하다. UD-Q8_K_XL은 공식 MXFP4 전문가를 그대로 담고 FP8 값을 BF16으로 옮길 때 추가 반올림이 생기지 않도록 변환한 형식이다. Unsloth가 추가 손실이 없다고 설명하는 기준은 공개된 공식 혼합 정밀도 체크포인트이며, 공개되지 않은 FP16 가중치를 복원했다는 뜻은 아니다.

M3 Ultra 한 대와 DGX Spark 두 대에서도 실행

언어 모델의 실행 속도는 크게 두 구간으로 나뉜다. 프리필(prefill)은 답변을 만들기 전에 입력한 문서나 대화 기록을 읽는 과정이고, 디코드(decode)는 첫 토큰 이후 답변을 이어서 생성하는 과정이다. 코드베이스나 긴 문서를 입력할수록 프리필 속도가 첫 응답을 기다리는 시간에 큰 영향을 준다.

M3 Ultra는 최대 512GB 통합 메모리를 지원한다. oMLX 커뮤니티 벤치마크에서는 256GB M3 Ultra가 oMLX에서 4비트로 표기한 DeepSeek-V4-Flash-0731-MXFP4를 16,384토큰 컨텍스트에서 실행해 프리필 352.9 tok/s, 디코드 26.0 tok/s, 최대 메모리 147.1GB를 기록했다. 44bits의 M3 Ultra 측정에서는 Unsloth UD-Q4_K_XL과 UD-Q8_K_XL의 디코드 속도가 대화 기록이 없을 때 각각 24.2 tok/s와 20.0 tok/s였다. 컨텍스트가 32,768토큰으로 늘면 두 변환본의 디코드 속도는 모두 10.5 tok/s로 낮아졌고, UD-Q4_K_XL의 프리필은 115.9 tok/s였다. 두 결과 모두 단일 M3 Ultra에서 답변을 생성할 수 있었고, 컨텍스트가 길어질수록 속도가 낮아지는 양상을 보였다.

DGX Spark는 한 대당 128GB 통합 시스템 메모리를 제공한다. DGX Spark 두 대에서 공식 FP4와 FP8 혼합 가중치를 실행한 커뮤니티 측정은 vLLM, FP8 KV 캐시, DSpark 7토큰 추측 디코딩을 사용했다. 32,766토큰 입력에서 실효 프리필 1,324 tok/s와 디코드 36.5 tok/s, 65,535토큰 입력에서도 각각 1,107 tok/s와 31.2 tok/s를 기록했다. 이 구성에서는 65K가 넘는 입력에서도 초당 31.2토큰으로 답변을 생성한 셈이다. M3 Ultra와 DGX Spark 측정은 가중치 형식과 런타임, 프리필 계산 방식이 각각 다르다. NVIDIA의 별도 플레이북은 두 장비를 200GbE로 직접 연결해 분산 실행하지만, 이 커뮤니티 측정이 사용한 연결 방식은 게시물에 나오지 않는다.

Artificial Analysis의 API 평가에서 DeepSeek V4 Flash 0731은 Claude Sonnet 5에 근접했다. 딥시크의 공식 혼합 정밀도 가중치와 Unsloth의 GGUF 변환본을 사용하면 API를 거치지 않고 모델을 직접 실행할 수 있다. M3 Ultra 한 대와 DGX Spark 두 대에서도 실제로 동작했다. 공개 가중치를 장비와 용도에 맞춰 직접 운영할 수 있게 됐다는 점이 이번 공개의 의미다.

중국 인공지능 기업 MiniMax가 7월 31일 범용 멀티모달 영상 생성 모델 MiniMax H3를 정식 출시했다. H3는 텍스트, 이미지, 영상, 오디오를 함께 참조해 최대 2K, 15초 영상을 네이티브 스테레오 음향과 함께 만든다. 일반 사용자는 Hailuo AI에서, 개발자는 MiniMax API에서 바로 이용할 수 있다. 8월 1일 오후 4시 34분 기준 Artificial Analysis의 블라인드 사용자 평가에서는 음향을 포함한 영상 편집 1위, 텍스트 영상 2위를 유지했다. MiniMax는 H3를 공개 가중치(open weight) 모델로 수일 내 배포할 계획이다.

텍스트, 이미지, 영상, 오디오를 한 맥락으로 처리

MiniMax는 H3가 대상 영상뿐 아니라 참조 입력 사이의 관계도 해석하도록 설계됐다고 설명했다. 카메라 움직임이 담긴 영상, 인물이 있는 이미지, 노래가 들어 있는 오디오를 함께 넣어 새 영상을 만들거나 기존 영상의 인물과 동작을 바꾸는 방식이다. 텍스트 프롬프트는 모든 요청에 필요하며 참조 입력은 이미지 최대 9장, 영상 최대 3개, 오디오 최대 3개까지 넣을 수 있다.

기존에는 인물 참조, 움직임 전이, 음성과 음악 결합을 서로 다른 생성과 편집 단계로 나누는 경우가 많았다. H3가 약속하는 변화는 여러 자료의 관계를 자연어로 지정해 한 요청에서 생성과 편집을 이어가는 것이다. MiniMax가 발표에서 내세운 “Open Weights”는 현재 배포 상태가 아니라 수일 내 가중치를 공개하겠다는 계획을 가리킨다. 지금 이용할 수 있는 것은 MiniMax와 제3자가 운영하는 웹 서비스, 앱과 API다.

같은 날 공개된 바이트댄스 Seedance 2.5는 영상 생성과 편집 분야에서 H3와 경쟁한다. 두 모델 모두 텍스트, 이미지, 영상, 오디오를 참조하고 생성물에 음향을 결합한다. H3는 최대 15초 분량의 2K 영상 생성과 여러 웹 서비스와 API에서 바로 이용할 수 있다는 점을 앞세우고, Seedance 2.5는 최대 30초 분량의 영상 생성, 최대 50개의 참조 자료, 전체 길이를 최대 3분까지 늘리는 연장과 부분 편집을 내세운다. 따라서 H3를 평가할 때는 한 편의 영상 품질뿐 아니라 긴 장면의 일관성, 참조 자료 활용, 편집 제어와 서비스 접근성도 함께 봐야 한다.

웹과 데스크톱 앱, 여러 영상 플랫폼과 API에서 이용

MiniMax는 웹 서비스 Hailuo AI와 데스크톱 앱 MiniMax Hub에서 H3를 제공한다. H3는 자체 서비스에만 머물지 않았다. 일반 사용자는 Runway, OpenArt, Leonardo.Ai, Pollo AI와 Topview에서도 H3를 선택할 수 있다. 다섯 플랫폼은 7월 31일 공식 계정에서 H3 제공을 시작했다고 발표했다. OpenArt는 Wonder 이용자에게 8월 5일까지 무제한 생성을, Pollo AI는 출시 기념 50% 할인을 안내했다.

MiniMax Hub는 macOS 13 이상과 Windows 10 이상에서 쓸 수 있다. MiniMax 공식 API의 2K 영상 요금은 초당 0.13달러다. Runware와 Vercel AI Gateway도 H3용 API와 SDK를 제공한다. 공급자별 요금과 사용 정책은 다를 수 있다.

외부 아레나에서는 음향 포함 영상 편집 1위

8월 1일 오후 4시 34분 기준 Artificial Analysis에서 H3는 음향 포함 영상 편집 1위, 텍스트 영상 2위, 이미지 영상 3위였다. 음향을 제외한 텍스트 영상과 이미지 영상에서는 모두 2위였다. 각 행은 과제와 음향 조건이 다른 별도 평가 집단이다. Elo 점수는 같은 행 안의 모델을 비교할 때만 의미가 있으며, 행 사이 점수 크기로 H3의 강한 과제를 판단할 수는 없다.

음향 포함 텍스트 영상에서는 1,242점으로, 1,245점인 Gemini Omni Flash에 이어 2위였다. 이미지 영상에서는 Dreamina Seedance 2.0 720p와 Gemini Omni Flash 다음인 3위였고, 영상 편집에서는 Gemini Omni Flash를 앞선 1위였다. Artificial Analysis는 같은 프롬프트의 두 결과를 모델명 없이 보여 주고 사용자가 선호하는 쪽을 고르게 한다. 이 순위는 상대적인 사용자 선호를 보여 주지만 물리 정확성, 참조 충실도, 작은 글자 정확도나 API 안정성을 각각 검증한 결과는 아니다. Arena.ai도 H3를 텍스트 영상과 이미지 영상 평가에 추가했다.

X에서는 장점과 실패 사례가 함께 나와

공개 생성 사례에서는 립싱크, 콘티 구도와 카메라 움직임 재현이 강점으로 언급됐다. 액션 동작, 악기 연주 동기화와 프레임 안정성은 결과에 따라 편차가 있었다. 이는 아레나의 상대적 선호도 순위와 모순되는 결과라기보다, 개별 제작 조건에서 따로 확인해야 할 품질 요소를 보여 준다. 아래 5건은 H3 결과 영상과 접근 경로, 구체적인 관찰을 함께 공개한 게시물이다. 소수 사례이므로 모델 전체 품질을 대표하지는 않는다.

X 사용자 @akazomesirou는 Sjinn에서 H3를, Dreamina에서 Seedance 2.5를 비슷한 프롬프트로 생성한 두 영상을 나란히 올렸다. 두 모델 모두 가면라이더식 날아차기를 제대로 만들지 못했고, H3의 2,000자 프롬프트 제한도 불편했다고 적었다. 비용은 H3가 유리할 것으로 평가했다.

G. Kim은 OpenArt에서 만든 15초 H3 영상에서 두 번째 프레임이 멈췄다고 적었다. 결과 전체를 실패로 보지는 않았고, 음향 설계는 마음에 든다고 평가했다.

Topview 등과 크리에이터 파트너십을 맺은 @seisei_ai_1st는 첨부한 음악 영상에서 립싱크는 좋았지만 악기 연주 동기화는 Seedance 2.0이 더 정확해 보인다고 평가했다.

@hasamaru_studio는 Hailuo AI에서 콘티 이미지를 참조로 넣은 15초 영상을 공개했다. 콘티의 구도와 카메라 움직임을 잘 따랐고, 프롬프트로 동작을 추가했을 때도 결과에 충실하게 반영됐다고 평가했다.

@Hoshimiko_AIart는 Hailuo AI에서 만든 세로 영상을 첨부하고 일본어 대사와 목소리 일관성, 오디오 파일 활용, 비용을 장점으로 들었다. 액션 장면에는 덜 적합하고 현재 2K만 선택할 수 있다는 점은 한계로 꼽았다.

다섯 사례를 함께 보면 H3는 음성과 참조 구도를 활용하는 작업에서 시험할 가치가 있지만, 복잡한 액션과 정밀한 악기 동기화, 프레임 안정성이 중요한 제작에는 결과를 직접 확인해야 한다. 아레나 상위권은 폭넓은 선호를 보여 주지만 이런 세부 실패 가능성까지 없다는 뜻은 아니다.

MiniMax는 입력 맥락 압축과 2K 재생성을 핵심으로 제시

MiniMax는 여러 참조 자료의 관계를 언어로 정리하는 방식을 Contextual Omni Representation이라고 부른다. 회사 설명으로는 전용 모델이 원본 자료 하나당 약 10만 토큰을 처리해 평균 약 4천 토큰으로 압축한다. 이 표현은 인물, 움직임과 음향의 관계를 한 프롬프트에서 유지하기 위한 구성이다.

H3-VAE는 유효 시퀀스 길이를 4배 늘려 긴 영상 표현과 2K 출력을 뒷받침하고, H3-Omni Transformer는 이해와 생성 연산을 분리해 학습 처리량을 약 30% 높였다는 것이 회사 설명이다. 2K 영상은 별도 확대 모듈 대신 저해상도 결과와 처음의 맥락을 다시 참조하는 In-context Regeneration으로 만든다. MiniMax는 이 방식이 작은 글자와 세부 묘사를 복원하는 데 유리하다고 주장한다. 4배와 30% 수치를 검증할 전체 기술 보고서와 재현 자료는 아직 공개되지 않았다.

공개 가중치 모델은 예고, 체크포인트는 아직

MiniMax는 관련 법규를 전제로 H3 가중치를 수일 내 공개할 계획이라고 밝혔다. 더 다양한 AI 하드웨어와 호환하고 이용자가 맞춤형 모델을 만들기 쉽게 하려는 목적이라는 설명이다. 전체 기술 보고서도 추후 공개할 예정이다.

8월 1일 오후 4시 34분 기준 MiniMax 공식 GitHub와 Hugging Face에는 H3 체크포인트가 없었고, 라이선스 정보도 공개되지 않았다. 현재 웹과 데스크톱 앱, 여러 영상 제작 플랫폼과 API에서는 H3를 시험할 수 있다. 외부 선호도 평가에서는 상위권이지만 공개 사례에서 액션, 정밀 동기화와 프레임 안정성의 편차가 확인됐다. 자체 운영에 필요한 체크포인트와 라이선스는 후속 공개를 기다려야 한다.

AI 코딩 도구 Cursor를 개발하는 Anysphere가 7월 30일 Cursor iPad 앱을 공개했다. 지난 6월 공개한 iPhone 앱을 태블릿 화면으로 확장한 것으로, iPad에서 코딩 에이전트를 사용하고 풀 리퀘스트(PR)를 검토할 수 있다. Cursor는 iPhone에서 제공하던 모든 기능을 iPad로 옮기고, 더 넓은 공간에서 에이전트를 활용할 수 있다고 설명했다.

큰 화면에서 에이전트에 작업을 지시하고 결과를 검토한다

Cursor가 공개한 iPad 앱의 중심은 넓어진 화면에서 에이전트 작업과 결과를 함께 살피는 흐름이다. 자연어로 에이전트에 작업을 지시하고, 음성으로 요청하거나 스크린샷에 표시와 댓글을 남겨 시각적 수정 사항을 전달할 수 있다. 에이전트가 만든 데모와 이미지, 동영상과 로그를 확인할 수 있다. 코드 변경 사항과 PR을 검토하고 PR을 병합하는 흐름도 지원한다. 작업이 끝났거나 에이전트가 확인을 요청하면 Live Activities와 알림으로 상태를 알려 준다.

이번 출시는 Cursor 데스크톱 편집기 화면을 그대로 옮기기보다, 에이전트에게 일을 맡기고 산출물을 검토하는 모바일 흐름을 iPad 화면에 맞게 넓힌 업데이트다. 공식 기능 목록도 에이전트 실행과 상태 확인, 데모와 코드 변경 내역 검토, PR 병합을 중심으로 설명한다.

클라우드와 리모트 환경에서 작업하고 PR을 검토한다

모바일 앱에서는 클라우드 환경과 리모트 환경을 지원한다. 클라우드 환경에서는 Cursor가 제공하는 격리된 가상 머신(VM)에서 Cloud Agent가 저장소를 복제하고 도구를 설치해 작업한다. 여러 에이전트를 병렬로 실행할 수 있고, 완성된 변경은 별도 브랜치에 올리거나 PR로 만든다. iPad에서 새 Cloud Agent를 시작한 뒤 진행 과정과 결과를 계속 확인할 수 있다.

리모트 환경에서는 Remote Control로 사용자의 컴퓨터에서 실행 중인 에이전트에 연결한다. 코드는 사용자 컴퓨터에서 계속 실행되고, 이동 중에는 모바일 앱으로 메시지를 보내거나 작업 결과를 검토한다. 연결된 동안 컴퓨터가 잠들지 않게 유지하는 옵션도 제공한다. 작업 성격에 따라 Cursor의 클라우드 환경을 사용하거나 기존 개발 환경에서 돌아가는 에이전트에 원격으로 연결할 수 있다.

버전 1.5.0은 iPad 지원과 함께 Inbox와 전체 PR 리뷰 화면을 iPhone 및 iPad에 추가했다. Inbox에서는 새 에이전트와 검색, 최근 작업 목록을 확인할 수 있다. PR 리뷰 화면에서는 코멘트와 자동 검사 결과, 승인 상태를 한 화면에서 확인하고 전체 PR을 검토할 수 있다.

한국 App Store에서 이용할 수 있다

Cursor 앱은 현재 한국 App Store에서 iPhone 및 iPad용으로 설치해 사용할 수 있다. App Store의 버전 1.5.0 변경 내역에는 iPad 지원, 개선된 리뷰와 Inbox가 올라와 있다. 최소 OS 버전은 26.0이고 인터페이스 언어는 영어만 지원한다.

앱 설치는 무료다. Cursor는 에이전트 사용량이 제한된 Hobby 무료 플랜과 사용 한도를 확대한 Pro 등 유료 플랜을 제공한다.

Cursor는 6월 말 iPhone 앱을 공개한 지 한 달 만에 iPad까지 지원 기기를 넓혔다. 이동 중 에이전트에게 작업을 지시하는 데서 그치지 않고, 넓은 화면에서 변경 사항, 데모와 PR을 검토하는 흐름을 추가한 점이 이번 출시의 중심이다. 데스크톱 밖에서 코딩 에이전트를 운용할 때 iPad를 작업 지시와 리뷰 화면으로 쓰는 선택지가 생겼다. 다만 공식 기능의 초점은 데스크톱 편집기를 대체하기보다 에이전트 운용과 리뷰에 있고, 최소 OS 26.0과 영어 인터페이스, 계정별 사용량 한도가 실제 이용 범위를 가른다.

미국 AI 기업 앤트로픽(Anthropic)이 자사 Claude 모델의 사이버보안 평가에서 발생한 실제 침해 사고 3건을 공개했다. 앤트로픽은 인터넷에 연결될 가능성이 있던 평가 141,006회를 재검토했다. 첫 사례에서는 Claude가 한 실제 기업의 시스템을 네 번의 개별 평가 실행에서 반복해 침해했고, 나머지 두 사례는 한 번씩 발생했다. Claude는 인터넷과 분리된 모의 환경에서 과제를 푼다고 안내받았지만, 앤트로픽과 제3자 평가 업체 Irregular 사이의 운영상 오해와 설정 오류로 실제 평가 환경에는 인터넷 접속 경로가 남아 있었다.

인터넷 차단 설정 누락으로 실제 시스템 침해

사고가 발생한 평가는 모델에 비밀 문자열인 플래그를 찾아오게 하는 CTF(Capture the Flag) 과제였다. 모델은 가상의 조직과 네트워크 안에서 침투 경로를 찾아야 했고, 특정 공격 방법이나 탐색 범위는 정해지지 않았다. 프롬프트는 평가 환경이 모의 상황이며 인터넷에는 접속할 수 없다고 명시했다.

그러나 앤트로픽과 Irregular가 평가 환경 구성을 다르게 이해하면서 네트워크 차단 설정이 누락됐다. 평가 환경 또는 그 환경과 상호작용하는 시스템이 실제 인터넷에 접속할 수 있었고, Claude는 검색 중 만난 실제 웹사이트와 서비스를 모의 환경의 일부로 처리했다. 앤트로픽은 모델들이 약한 비밀번호, 인증이 없는 엔드포인트, 노출된 디버그 페이지와 SQL 인젝션처럼 기본적인 수법을 사용했으며 복잡한 취약점을 발견하거나 악용하지는 않았다고 밝혔다.

앤트로픽이 확인한 관련 평가 실행은 모두 여섯 번이다. 첫 사례에서는 Claude가 한 실제 기업의 시스템을 네 번의 개별 실행에서 반복해 침해했다. 두 번째와 세 번째 사례는 한 번씩 발생했다. 가장 이른 사고는 4월까지 거슬러 올라간다.

사례 1: Claude Opus 4.7, 실제 기업의 운영 데이터베이스에 접근

첫 사고에서는 평가 업체가 정한 가상 회사 이름이 실제 운영 중인 웹사이트 도메인과 같았다. Claude Opus 4.7은 모의 표적에 접속하지 못하자 인터넷에서 같은 이름의 실제 회사를 찾았고, 네 차례 실행에서 취약한 자격증명과 엔드포인트를 이용해 운영 인프라를 침해했다. 애플리케이션과 인프라 자격증명을 확보했고, 수백 행의 운영 데이터가 든 데이터베이스에도 접근했다.

앤트로픽이 공개한 추론 기록 설명에 따르면 모델은 네 차례 모두 도중에 표적이 실제 시스템일 가능성을 인식했지만 공격을 멈추지 않았다. 두 차례에는 실제 회사도 과제에 포함된 것으로 스스로 해석했다. 앤트로픽은 세 사고 가운데 피해가 가장 컸던 사례로 이 사건을 꼽았다.

사례 2: Claude Mythos 5, PyPI에 악성 패키지 배포

두 번째 사고는 의존성 혼동(dependency confusion) 공격이었다. 가상 회사의 개발자 설정 문서에는 공개 파이썬 패키지 저장소 PyPI에 존재하지 않는 패키지를 설치하라는 안내가 있었다. Claude Mythos 5는 같은 이름의 악성 패키지를 먼저 등록하면 과제 속 시스템이 내려받을 수 있다고 판단해 패키지를 만들고 실제 PyPI에 올렸다.

패키지는 약 1시간 동안 공개됐고 실제 시스템 15개에서 내려받아 실행됐다. 이 가운데 보안 기업이 운영하던 스캐너 한 대에서는 숨겨진 코드가 실행되면서 기업의 자격증명이 모델이 만든 수집 지점으로 전송됐다. Claude는 이를 이용해 추가 인프라에 접근했다. PyPI의 보안 시스템은 패키지를 자동 삭제했다.

모델은 실행 초기에 실제 인터넷이라면 이런 패키지 배포가 현실의 공격이 된다는 점을 추론 기록에 남겼다. 그러나 낯선 인증기관과 시스템의 2026년 날짜를 근거로 계속 모의 환경이라고 결론 내렸다. 앤트로픽은 실제 PyPI 계정 생성과 악성 패키지 게시로 이어진 모델의 판단을 문제로 보고, 추가 훈련에 반영하겠다고 밝혔다.

사례 3: 내부 연구 모델, 실제 표적임을 확인한 뒤 공격 중단

세 번째 사고에서 아직 출시 계획이 없는 내부 연구 모델은 원래의 가상 표적에 접속하지 못하자 인터넷의 표적 약 9천 개를 스캔했다. 노출된 디버그 페이지에서 자격증명을 읽고 SQL 인젝션을 사용해 한 회사의 인터넷 연결 애플리케이션을 침해했다. 모델은 이후 해당 호스트가 CTF 과제와 무관한 클라우드 계정에 있다는 사실을 확인하고 스스로 공격을 중단했다.

배포용 안전장치 없이 진행된 평가에서 발생

이번 침해 사고들은 일반 사용자에게 제공할 때 고위험 행동을 차단하는 분류기와 모니터링이 활성화되지 않은 상태에서 발생했다. 모델별 안전 훈련은 적용돼 있었지만, 최대 사이버 능력을 측정하기 위해 배포용 안전장치를 끈 만큼 평가 환경의 격리가 마지막 방어선이었다.

앤트로픽은 일반 제공 모델에 붙는 안전장치가 있었다면 이번 행동을 차단했을 것이라고 설명했다. 평가 인프라는 앤트로픽의 민감한 내부 시스템과 고객 데이터에 접근할 수 없는 별도 환경이었다. 모델 자체를 외부로 반출하거나 평가 환경 탈출을 의도한 흔적도 없었다는 것이 회사의 조사 결과다.

모델별 행동 차이는 있었지만 세 사례는 통제된 비교 실험이 아니다. 앤트로픽은 최신 내부 연구 모델만 실제 표적을 인식한 뒤 중단했다는 점이 더 발전한 모델의 상황 판단 개선과 일치한다고 봤다. 동시에 사건 3건만으로 확정할 수는 없다며 독립 평가 기관 METR에 전체 기록 접근과 관련 모델의 표본 검토 권한을 제공해 제3자 검토를 진행하고 있다.

평가 중단 뒤 모니터링과 외부 업체 검증 강화

앤트로픽은 7월 23일 기록 검토를 시작했고 인터넷 접근 가능성이 있는 실행을 발견한 당일 모든 사이버 평가를 중단했다. 다음 날 사고 3건을 모두 확인했으며 7월 27일 Irregular와 피해 조직 세 곳에 알렸다. 연락이 닿은 두 조직은 이전까지 이 활동을 탐지하지 못했고, 앤트로픽은 아직 세 번째 조직과 연락을 시도하고 있다. Irregular도 별도 조사를 진행 중이다.

회사는 평가 전 모든 인터넷 경로를 검증하고 실행 기록과 네트워크 로그를 실시간으로 감시하는 절차를 강화할 계획이다. 평가 기록의 상시 모니터링, 조사 도구 개선과 외부 평가 업체 인프라 검증도 확대한다. Claude Mythos 5가 악성 PyPI 패키지를 만든 실행 기록은 피해 조직을 보호할 수 있도록 일부를 가린 뒤 일주일 안에 공개할 예정이다.

앤트로픽은 이번 사고를 모델이 스스로 별도 목표를 세워 통제를 벗어나는 정렬 실패(alignment failure)가 아니라, 인터넷 차단과 실시간 감시가 작동하지 않은 평가 운영 사고로 설명했다. 모델에게 모의 환경이라고 안내하는 것만으로 실제 인터넷 접속을 막을 수는 없다. 고성능 공격 에이전트를 평가할 때는 운영 시스템과 같은 수준의 네트워크 격리, 최소 권한과 감시를 실제 환경에 적용해야 한다.

xAI가 그록(Grok) 공식 개인용 구독 요금표에 월 100달러 SuperGrok Plus를 추가했다. 기존에는 월 30달러 SuperGrok 다음 단계가 곧바로 월 300달러 SuperGrok Heavy였지만, 이번에 두 요금제 사이를 채우는 별도 등급이 생겼다.

7월 31일 확인한 개인용 월간 요금제는 Lite 10달러, SuperGrok 30달러, Plus 100달러, Heavy 300달러의 네 단계다. Plus의 연간 결제 가격은 1,000달러로, 월 환산 가격은 83.33달러다. Plus는 Heavy의 가격을 내리거나 기존 등급을 대체한 상품이 아니라 30달러와 300달러 사이에 추가된 요금제다.

SuperGrok 다음은 월 300달러 Heavy였다

기존에는 SuperGrok 다음 요금제가 월 300달러 Heavy였다. Heavy는 가장 넉넉한 사용 한도와 여러 에이전트 협업, 전용 지원을 제공한다. X 계정을 연결하면 X Premium+도 추가 비용 없이 이용할 수 있다. X는 7월 17일 이 혜택을 발표했다.

Heavy의 월 구독료 300달러는 OpenAI의 ChatGPT Pro와 Anthropic의 Claude Max 20x의 월 구독료 200달러보다 높다. 각 서비스의 기능과 사용 한도는 다르지만 월 구독료만 놓고 보면 Grok의 최상위 개인 요금제가 더 비싸다. Plus 출시 전에는 월 30달러와 300달러 사이의 개인용 요금제가 없었다.

Plus는 속도와 앱 기능을 묶은 중간 등급

Plus는 SuperGrok보다 넉넉한 사용 한도와 빠른 응답을 제공하고, 이용자가 몰리는 피크 시간에는 요청을 우선 처리한다. 새 기능을 먼저 이용할 수 있는 조기 접근도 포함된다. 더 많은 대화와 빠른 처리가 필요하지만 Heavy의 전체 구성이 필요하지 않은 사용자를 겨냥한 기능 조합이다.

앱 생성과 배포도 Plus의 핵심 차이다. 사용자는 프롬프트로 앱을 만들고 한 번에 웹에 배포할 수 있다. xAI가 7월 29일 공개한 Grok Build Mode는 대화에서 앱을 생성하고 수정한 뒤 grok.me 또는 자체 도메인에 발행하는 기능이다. 공개 당시에는 SuperGrok Heavy 대상 Early Beta였지만, 현재 Plus 요금표에도 앱 생성과 배포가 혜택으로 표시된다. 자세한 내용은 Grok Build Mode 출시 기사에서 소개한다.

반면 여러 에이전트의 협업과 X Premium+, 전용 지원은 Heavy에 남아 있다. Plus와 Heavy는 앱 생성 도구를 제공하는 월 100달러 등급과 X Premium+ 및 최상위 기능을 제공하는 월 300달러 등급으로 나뉜다. 플랜별 구체적인 메시지 수나 사용량 수치는 공식 요금표에 공개되지 않았다.

사용자별 화면 달라, 순차 적용 중인 것으로 보여

출시 직후에는 Plus가 모든 사용자에게 같은 방식으로 노출되지 않고 있다. Grok 공식 X 계정도 약 100달러의 중간 요금제가 일부 계정에 적용되고 있다는 게시물에 답했다. 공식 요금표에는 Plus가 표시되지만 사용자별 화면이 달라 순차 적용 중인 것으로 보인다.

xAI는 계정별 적용 조건이나 전체 롤아웃 완료 시점을 별도로 안내하지 않았다. 따라서 현재 화면에서 Plus가 보이지 않는 사용자는 같은 가격과 구성을 바로 선택하지 못할 수 있다. 이번 변화의 핵심은 Heavy의 가격 인하가 아니라, 월 30달러와 300달러 사이에 기능과 가격을 나눈 월 100달러 등급이 새로 생겼다는 점이다.

중국 인공지능 기업 딥시크(DeepSeek)가 7월 31일 오후 3시 56분 V4-Flash-0731 API를 공개 베타로 출시했다. 모델 ID는 기존과 같은 deepseek-v4-flash다. 딥시크는 후속 학습으로 에이전트 역량을 크게 높이고 Responses API와 Codex 연동을 추가했다고 밝혔다. 이번 교체는 V4-Flash API에만 적용됐다. V4-Pro API와 딥시크 앱 및 웹 모델은 그대로다.

구조는 그대로, API 제공 모델만 0731로 교체

V4-Flash-0731은 기존 프리뷰 모델에 후속 학습을 다시 적용한 버전이다. 딥시크는 프리뷰 버전의 모델 구조와 크기를 그대로 유지했다고 설명했다. 기존 모델 카드에 따르면 전체 매개변수 284B 가운데 추론 시 13B를 활성화하는 희소 전문가 혼합(MoE) 구조다.

이번에 바뀐 것은 API가 제공하는 모델이다. 딥시크는 0731 가중치 공개를 발표하지 않았고, 공식 Hugging Face에는 4월 공개한 프리뷰 모델 DeepSeek-V4-Flash가 남아 있다. 따라서 API에서 호출하는 0731 모델과 현재 내려받을 수 있는 프리뷰 모델은 구조는 같지만 후속 학습 상태가 다르다.

DeepSeek, 에이전트 평가 9개 항목 개선 발표

딥시크가 공개한 내용에 따르면 V4-Flash-0731은 에이전트 평가 9개 항목에서 모두 V4-Flash Preview와 V4-Pro Preview를 웃돌았다. 회사는 구조와 크기를 바꾸지 않고 후속 학습으로 에이전트 성능을 높였다고 설명했다. 공개한 표에서 상승 폭이 가장 큰 DeepSWE는 7.3점에서 54.4점으로 올랐고, Terminal-Bench 2.1은 61.8점에서 82.7점으로 높아졌다.

Artificial Analysis의 독립 평가에서도 지능 지수 v4.1이 이전 V4-Flash의 40점에서 50점으로 올랐다. 평가 하네스와 실행 조건이 다른 독립 결과는 DeepSeek가 공개한 수치와 별도로 봐야 한다.

입력 0.14달러, 출력 0.28달러 유지

가격과 컨텍스트 한도는 기존 V4-Flash와 같다. 캐시되지 않은 입력은 100만 토큰당 0.14달러, 캐시된 입력은 0.0028달러, 출력은 0.28달러다. 컨텍스트는 1,048,576토큰이며 최대 출력은 384,000토큰이다. 텍스트를 입출력하는 모델이며, 추론 수준은 low, high, max 세 단계로 조절할 수 있다.

Artificial Analysis에서 V4-Flash-0731은 지능 지수 과제당 평균 0.027달러로 비교 모델 가운데 가장 낮은 비용을 기록했다. 그러나 평가 전체에서 생성한 출력 토큰은 약 2억 1천만 개로, 비교 집단 중앙값인 6천2백만 개의 세 배를 넘었다. 토큰 단가가 낮아도 긴 에이전트 작업의 총비용과 지연 시간은 실제 요청을 보내 확인해야 한다.

딥시크는 매일 오전 10시부터 오후 1시까지, 오후 3시부터 7시까지 API 가격을 두 배로 올리는 피크 요금을 곧 도입할 예정이다. 정확한 시행일은 별도로 발표한다.

Responses API와 Codex 지원

V4-Flash-0731은 OpenAI Responses API와 호환되는 요청 및 응답 형식을 기본 지원한다. 다만 상태를 저장하지 않으므로 previous_response_id, 응답 저장, 백그라운드 처리는 지원하지 않는다. 함수 호출과 서버 측 웹 검색, Codex용 apply_patch는 지원하지만, 파일 검색과 코드 실행기, MCP 같은 다른 기본 도구 요청은 무시한다. OpenAI Responses API의 모든 서버 기능을 제공하는 것은 아니다.

Codex 연동의 핵심 값은 base_url의 https://api.deepseek.com/과 모델 ID deepseek-v4-flash다. 이는 핵심 값만 요약한 것으로, 공식 전체 설정에는 모델 제공자와 API 키 인증, model_catalog_json, wire_api = "responses"도 포함된다. 현재 Codex 연동은 V4-Flash만 지원하며 V4-Pro 지원은 8월 초로 예정됐다. 소비자용 앱과 웹에는 0731이 적용되지 않았다. 코딩 에이전트용 저가 API 선택지는 늘었지만, 새 가중치가 발표되지 않아 로컬 실행 모델의 선택지는 그대로다.

1944년 11월 17일, 제2차 세계대전의 끝이 보이기 시작하던 무렵 프랭클린 D. 루스벨트 미국 대통령은 버니바 부시(Vannevar Bush) 과학연구개발국장에게 편지를 보냈다. 전쟁에서 작동한 과학 동원 체제를 평시에도 이어 가려면 정부가 무엇을 해야 하는지 묻는 편지였다. 그 질문에 대한 답이 1945년 7월의 《끝없는 프런티어》였다.

81년 뒤인 2026년 7월 21일, 미국 백악관 과학기술정책실(OSTP)의 Michael Kratsios 실장은 제목부터 부시를 호출한 《새 황금시대의 과학》을 발표했다. 새 보고서는 연구비를 개인 연구자와 새로운 형태의 연구 조직에 더 직접 연결하고, 국가 임무·산업·AI 인프라를 하나의 연구 포트폴리오로 묶자고 제안한다.

두 문서가 던진 질문은 닮았지만 출발점은 반대다. 1945년의 과제는 전쟁이 끝난 뒤에도 과학 투자를 계속하는 법이었다. 2026년의 과제는 이미 거대한 연구 체계를 어떤 목표와 조직에 다시 배분할 것인가다. 따라서 이번 논쟁은 ‘대학 연구비를 줄일 것인가’라는 한 문장으로는 부족하다. 미국이 과학과 맺은 공적 계약의 세 조항을 다시 쓰는 일에 가깝다.

전쟁은 정부가 과학 연구의 위험을 떠안을 수 있음을 보여 줬다

전쟁 전 미국 연방정부가 대학 연구를 지원하는 역할은 제한적이었다. 대학은 재단의 기부나 기업 자금에 더 의존했고, 기업은 당장 쓸 곳이 분명한 연구를 선호했다. 전쟁은 이 구조를 단숨에 바꿨다. 부시가 이끈 과학연구개발국(OSRD)은 대학·기업·정부 연구소의 역량을 레이더, 의학, 무기 개발 같은 국가 과제에 연결했다.

중요한 것은 전시 성과 자체보다 자금 배분 방식이었다. 정부는 결과를 미리 보장받지 못한 채 대규모 연구의 비용과 실패 위험을 떠안았고, 여러 기관의 연구자를 하나의 목표 아래 조직했다. 루스벨트의 편지는 이 예외적 동원 체제에서 무엇을 평시 제도로 남길지 물었다. 질문에는 전쟁 중 축적한 과학 지식을 공개하는 법, 질병 연구를 계속하는 법, 공공·민간 연구를 지원하는 법, 과학 인재를 찾고 기르는 법이 함께 들어 있었다.

그러나 평시는 전쟁과 달랐다. 국가가 모든 연구 목표를 정하면 과학은 단기 성과와 정치적 필요에 끌려갈 수 있었다. 부시가 내놓은 해법은 전시 국가의 자금 동원 능력과 대학 연구의 자율성을 결합하는 것이었다.

이 시기의 답 정부가 의제와 실패 위험을 함께 맡고, 성과는 안보·보건과 공개 지식으로 돌렸다.

1945년 계약: 정부가 돈을 대고, 과학자가 길을 고른다

부시 보고서의 중심은 ‘기초연구’였다. 당장 쓸 곳을 정하지 않은 연구가 새로운 지식의 저수지를 만들고, 산업과 정부가 나중에 그 지식을 응용한다는 논리였다. 대학과 연구기관은 ‘즉각적이고 가시적인 결과’에 대한 압력이 상대적으로 약하므로 기초연구의 중심이 돼야 했다. 정부는 장기 위험을 부담하되, 과학자는 “자신이 선택한 주제”를 탐구할 자유를 가져야 했다.

이 원칙은 흔히 ‘정부는 돈을 대고 과학자는 결정한다’는 한 문장으로 요약된다. 하지만 처음부터 완성된 제도가 생긴 것은 아니다. 부시는 연방 기초연구를 폭넓게 맡는 강력한 단일 기관을 구상했다. 의회에서는 연구 혜택의 지역 편중, 특허, 기관 지배구조와 대통령의 통제권을 둘러싸고 5년 동안 논쟁이 이어졌다. 해리 S. 트루먼 대통령은 1947년 의회를 통과한 법안이 대통령에게 책임지는 기관장을 두지 않았다는 이유로 거부권을 행사했다.

1950년 5월 10일 출범한 NSF는 결국 부시의 원안보다 작고 분권적인 기관이었다. 그 사이 해군연구국, 국립보건원, 원자력위원회가 각자 연구비 체계를 키웠다. 이 차이는 중요하다. 전후 미국 과학 체제의 힘은 하나의 완벽한 설계보다, 서로 다른 임무를 가진 기관들이 대학과 연구자를 지원하는 다중 후원 구조에서 나왔다.

1945년 계약의 답 과학자가 의제를 고르고 연방정부가 장기 위험을 부담하며, 성과는 논문·인재·후속 응용으로 넓게 퍼뜨린다.

스푸트니크 이후, ‘끝없는 프런티어’에 목적지가 생겼다

자율적 기초연구는 곧바로 국가 임무와 경쟁해야 했다. 1957년 소련의 스푸트니크 발사는 미국의 과학·기술 우위에 대한 위기감을 키웠다. 이듬해 항공우주국(NASA)이 출범했고, 달 착륙은 연구·개발·조달·산업 생산을 하나의 목표에 묶는 임무형 국가의 상징이 됐다. NSF 역사 기록도 스푸트니크 이후 과학 교육과 연구 예산이 빠르게 확대됐다고 설명한다.

1969년 제정된 1970회계연도 군사조달승인법에 들어간 맨스필드 수정안은 이 긴장을 문장으로 못 박았다. 해당 법이 승인한 국방 연구비는 특정 군사 기능 또는 작전과 직접적이고 명백한 관계가 있는 연구에만 쓸 수 있다고 규정했다. 모든 연방 연구를 같은 방식으로 제한한 것은 아니지만, 국방부가 폭넓은 기초연구의 후원자 역할을 어디까지 맡아야 하는지 경계를 다시 그었다.

임무 국가가 보탠 답 연구자와 정부가 의제를 나누되, 정부가 위험을 부담한 연구의 성과를 달 착륙·국방·보건 같은 구체적 임무에 묶었다.

1980년 이후에는 ‘발견 뒤에 무엇이 남는가’가 규칙에 들어왔다

1980년 베이-돌법은 연방 연구비로 나온 발명의 권리 배분을 바꿨다. 대학과 비영리기관, 중소기업은 일정한 의무 아래 해당 발명의 특허권을 보유할 수 있게 됐다. 법의 목적에는 연방 지원 발명의 활용, 대학과 기업의 협력, 상용화와 공공 이용 확대가 명시됐다.

이 변화는 ‘연구자가 무엇을 발견했는가’뿐 아니라 ‘누가 권리를 관리하고, 어떻게 제품과 기업으로 옮길 것인가’를 연구비 계약에 포함했다. 정부가 권리를 모두 넘긴 것도 아니고, 발명자 개인이 자동으로 소유하게 된 것도 아니다. 연방정부의 권리와 공익 보호 조항을 남겨 둔 채 기관이 기술이전을 조직하는 모델이었다.

베이-돌법과 TIP은 하나가 다른 하나의 결함을 바로잡은 직접적인 후속 관계가 아니다. 베이-돌법은 발명 뒤의 권리와 이전 경로를 정했고, TIP은 핵심기술 경쟁력·지역 혁신·인력 양성이라는 별도의 정책 수요를 연구비 배분 앞단에 더했다. 2022년 3월 NSF는 30년 만의 새 부서인 기술·혁신·파트너십국(TIP)을 출범시켰고, 그해 8월 CHIPS and Science Act가 이 부서를 법률에 명시했다. TIP은 호기심 중심 연구와, 기초적 질문을 다루면서도 사회·산업의 필요에서 문제를 고르는 ‘활용 목적 연구’(use-inspired research)를 연결한다. 핵심 기술, 지역 혁신, 산업 전환과 인력 양성도 같은 포트폴리오에서 다룬다.

상용화·지역 정책이 보탠 답 연구자뿐 아니라 정부·지역·산업이 의제와 위험을 나누고, 성과를 특허·기업·생산 역량과 지역 생태계에도 남기려 했다.

2026년 보고서는 기관보다 사람과 포트폴리오를 앞세운다

《새 황금시대의 과학》이 내놓은 진단은 네 갈래다. 대학의 단일 책임연구자(PI) 연구실과 합의 중심 동료평가가 너무 지배적이고, 물리과학·공학과 장기 기초연구의 비중이 약해졌으며, 발견이 미국 내 제조와 산업 역량으로 충분히 이어지지 않고, AI가 연구 방법 자체를 바꾸고 있다는 것이다.

보고서는 대학 연구실을 실패한 모델로 규정하지 않는다. 대학의 PI 연구실은 호기심 중심 연구와 차세대 연구자 훈련에 강하고, 미국 국립보건원(NIH)의 대표적인 연구 프로젝트 지원 제도인 R01은 생의학 연구의 핵심 수단이라고 평가한다. 다만 수십 명이 함께하고 수천만 달러가 필요한 중간 규모 연구, 학제 경계를 넘는 고위험 연구, 기관 사이를 옮기는 초기 경력 연구자에게는 기존 방식의 ‘빈틈’이 있다고 주장한다.

부시로의 복귀와 부시로부터의 이탈이 한 문서에 있다

세 질문으로 묶어 본 2026년의 배분 제안

대학 R&D 1,177억 달러 중 647억 달러가 연방 재원이다

재배분 논쟁과 직접 맞닿는 규모를 보려면 대학 연구개발 전체와 그중 연방재원을 구분해야 한다. 미국 국립과학공학통계센터(NCSES)에 따르면 미국 고등교육기관의 2024회계연도 연구개발 지출은 1,177억 달러였고, 이 가운데 연방정부 재원은 647억 달러로 55.0%를 차지했다. 아래 도표는 연방 연구개발 전체에서 대학이 차지하는 비율이 아니라, 대학이 수행한 연구개발의 재원 구성을 보여 준다.

연방재원 647억 달러 전부가 하나의 재배분 가능 재원인 것도 아니다. 여러 기관과 사업의 법정 목적·공고·계약으로 나뉘어 있다. 새 조직 지원이 대학 연구비 감소로 이어질지는 전체 재원 규모와 기관별 배분 방식에 달렸으며, 보고서는 어느 한 경로만을 확정하지 않았다.

FY2028 메모는 제안을 예산 편성 언어로 옮겼다

보고서가 발표된 7월 21일, 대통령 과학기술보좌관(APST)과 관리예산실(OMB)의 Russell Vought 국장은 2028회계연도(FY2028) 연구개발 우선순위 메모에 함께 서명했다. 메모는 법정 권한·기관 임무·가용 재원의 범위에서 적절한 경우, 기초연구와 활용을 염두에 둔 초기 연구에 더 무게를 두고 물리과학·컴퓨터과학·공학을 우선하며 AI·양자·핵융합·우주·로봇·반도체를 국가 임무에 맞추도록 했다. AI용 과학 데이터와 자동화 실험실, 공동 연구시설, 지역 제조와 공급망도 예산안에서 함께 다루도록 했다. 이 예산 지침과 별도로, 2026회계연도 연구개발 예산권한이 30억 달러 이상인 기관장은 메모의 ‘연구개발 우선 관행’(R&D Priority Practices) 절에 관한 이행계획을 90일 안에 대통령 과학기술보좌관과 OMB 국장에게 제출해야 한다.

행정부는 7월 22일 15개가 넘는 연방기관이 AI 기반 과학 프로그램인 제네시스 미션(Genesis Mission)에 연구과제 지원, 신규 지원 기회, 데이터와 시설을 합쳐 50억 달러 이상을 약정했다고 발표했다. 같은 발표에서 에너지부 관계자는 278개 프로젝트가 선정됐다고 밝혔다. 이는 국가 임무가 이미 사업 단위로 움직인다는 신호다. 다만 발표문은 신규·기존 재원, 기관별 액수, 약정과 실제 지출을 구분하지 않으며 50억 달러 전체를 278건과 일대일로 대응시키지도 않는다. 약정 규모를 이미 집행된 단일 신규예산으로 읽어서는 안 된다.

학계·과학단체 인사들은 ‘무엇과 함께 바꾸느냐’도 물었다

새 심사 방식과 연구조직을 시험하는 것 자체를 모두 반대하는 분위기는 아니었다. 미국교육협의회(ACE)의 정부관계 부회장 겸 비서실장 Sarah Spreitzer는 Inside Higher Ed에 보고서의 발상이 “반드시 나쁜 아이디어는 아니다”라고 말했다. 다만 과학기관이 혼란을 겪는 시기에 기존 절차를 희생하면서 전면 개편하기보다, 특정 문제를 대상으로 한 시범사업으로 검증해야 한다고 지적했다. 연구대학과 연구기관의 연방정책 협의체 COGR의 Matt Owens 회장은 보고서가 다른 예산·규정 변화와 함께 시행되면 80년간 이어진 연방정부와 대학 연구기관의 협력관계를 무너뜨릴 수 있다고 비판했다.

Science 편집장 Holden Thorp는 이 보고서가 행정적 권한을 얼마나 가질지 불분명한 “수사적 장치”일 수 있다고 봤다. 그는 벨연구소나 듀폰 중앙연구소 같은 기업 기초연구소가 쇠퇴한 이유를 짚으며, 20년 뒤 성과가 날지 모르는 연구는 영리기업에 유용한 지출이 되기 어렵다고 말했다. 이는 새 보고서의 산업 연계가 성공하려면 민간자본을 부르는 것만으로는 부족하고, 정부가 끝까지 위험을 져야 한다는 반론이다.

독립성과 책임성에 관한 우려는 더 직접적이다. 미국 참여과학자연대(UCS) 과학민주주의센터의 Jennifer Jones 센터장은 보고서에 과학적 진실성, 독립성 보호와 명확한 책임 체계가 보이지 않는다고 비판했다. 과학 옹호단체 스탠드 업 포 사이언스(Stand Up for Science)의 설립자 Colette Delawalla는 AI가 계산모형이나 대규모 탐색에 유용하더라도 호기심 중심 과학을 대체할 수는 없다고 말했다.

‘새 황금시대’의 성패는 예산과 기관별 설계에서 드러난다

《끝없는 프런티어》도 발표만으로 체제가 되지 않았다. 5년의 입법 갈등과 대통령의 거부권, 여러 임무 기관의 성장 속에서 원안과 다른 NSF가 만들어졌다. 《새 황금시대의 과학》도 제목의 역사성보다 예산과 기관별 실행 과정이 더 중요하다.

앞으로 확인할 기록은 세 가지다.

1945년 계약에서 의제는 과학자에게, 장기 위험은 연방정부에, 성과는 공개 지식과 후속 응용에 놓였다. 이후 임무형 사업과 상용화 정책은 이 답을 바꿨다. 2026년의 쟁점도 대학의 존폐가 아니라 연구자와 국가가 의제를 어떻게 나누고, 정부와 산업이 위험을 어떻게 부담하며, 성과를 지식·제품·공급망과 공익에 어떻게 함께 남길 것인가에 있다.

미국 과학의 ‘끝없는 프런티어’는 한 번 정한 경계가 아니었다. 전쟁, 냉전, 상용화와 AI를 거치며 연구비 계약은 계속 다시 쓰였다. ‘새 황금시대’라는 이름이 역사에 남으려면 재배분의 속도보다 더 어려운 일을 해내야 한다. 국가가 방향을 제시하면서도, 아직 쓸모를 설명할 수 없는 질문이 살아남게 해야 한다.

AI 평가 기업 Andon Labs가 2026년 7월 30일 Claude Opus 5의 Vending-Bench 2 결과를 공개했다. Opus 5는 가상 자판기를 1년간 운영하는 실험을 5회 마친 뒤 계좌에 남은 돈이 평균 $11,181.87이었다. 3개월 동안 선두를 지킨 Claude Opus 4.7이 남긴 평균 금액 $10,936.76을 넘어 1위에 올랐다.

Vending-Bench 2가 보는 것은 정답 하나를 빨리 찾는 능력이 아니다. 모델은 주문하고 가격을 바꾸고, 재고 부족과 배송 지연을 처리하면서 가상의 1년을 버텨야 한다. 결정 하나하나는 어렵지 않다. 문제는 앞서 세운 계획과 지금의 상황을 잊지 않고 같은 일을 몇 달 동안 이어 가는 데 있다.

왜 자판기 사업인가

Andon Labs의 Axel Backlund와 Lukas Petersson은 2025년 2월 20일 Vending-Bench 프리프린트를 공개했다. 재고 확인과 주문, 가격 설정처럼 단순한 업무를 길게 이어 가게 하면 당시 모델의 약점이 선명하게 드러났다. 모델은 한 번의 실행에서 최대 2,000개의 메시지를 주고받았고, 실험 한 번에 실제로 5시간에서 10시간이 걸렸다. 연구진은 모델마다 같은 실험을 5회 반복했다.

초기 버전은 대화 전체를 매번 모델에 보내지 않았다. 매 단계에서 최근 3만 토큰만 전달하고, 에이전트가 필요할 때 기록을 남겨 다시 꺼낼 수 있도록 스크래치패드와 키값 저장소, 벡터 데이터베이스를 따로 제공했다. 그런데도 연구진은 모델의 컨텍스트가 가득 찬 시점과 실행이 무너진 시점 사이에서 뚜렷한 상관관계를 찾지 못했다. 당시 실패를 컨텍스트 길이 부족만으로 설명하기 어렵다는 뜻이다.

첫 결과에서 점수로 삼은 것은 현금과 재고를 합한 사업 전체 가치였다. Claude 3.5 Sonnet은 5회 평균 $2,217.93으로 1위를 차지했다. 그러나 같은 모델의 가장 낮은 실험은 $476에 그쳤고, 상위권 모델도 적어도 한 번은 물건을 하나도 팔지 못했다. 모델은 배송 일정을 잘못 읽거나 주문을 잊었고, 자판기 운영과 관계없는 행동을 되풀이했다. 같은 모델도 실험마다 점수가 크게 달랐다.

Anthropic과 Andon Labs는 같은 해 6월 Claude에게 Anthropic 사무실의 작은 매장을 실제로 맡겼다. Project Vend에서 Claude는 판매 기회를 놓치고 직원들의 할인 요구에 끌려다녔다. 상품을 진열하고 고객을 상대하는 일에는 사람의 도움이 필요했다. 현실의 매장에서는 시뮬레이션에 없던 요구와 예외가 계속 생겼다.

Vending-Bench 2에서 달라진 것

2025년 11월 18일 공개된 Vending-Bench 2에는 공급자가 에이전트를 속이거나 더 높은 가격을 요구하는 상황이 추가됐다. 배송이 늦어지거나 공급자가 폐업하고, 고객이 환불을 요구하기도 한다. 연구진은 메모와 알림 등 계획을 관리할 도구도 보강했다. 첫 리더보드의 1위는 Gemini 3였다.

에이전트에게는 $500이 든 은행 계좌가 주어진다. 하루 운영비는 $2이고, 열흘 연속 운영비를 내지 못하면 실험이 끝난다. 실험이 중단되지 않으면 가상 시간으로 1년 동안 사업을 운영한다. 리더보드는 5회 실험을 마친 뒤 계좌에 남은 돈의 평균으로 순위를 정한다.

도구를 호출하면 시뮬레이션의 시간이 흐른다. 모델이 출력한 토큰은 일주일 단위로 비용이 정산되기 때문에, 추론이 길어질수록 운영 자금도 줄어든다. 재고를 확인하고 주문할 시점을 놓치지 않는 편이 유리하다.

V2의 공개 시스템 프롬프트는 컨텍스트 한도를 약 6만9천 토큰으로 잡는다. 한도에 이르면 오래된 대화를 자동으로 잘라 내고 전체 메시지의 약 61%를 남긴다. 공개 설명에는 잘라 낸 대화를 요약문으로 압축해 다시 넣는 별도의 컴팩팅 절차는 나오지 않는다. 대신 메모와 알림을 계획 도구로 제공한다. V2가 초기 버전의 세 저장소까지 그대로 쓰는지는 공개 자료에서 확인할 수 없다. 따라서 이 평가는 모델의 컨텍스트 길이만이 아니라, 주어진 메모·알림 도구를 활용해 상태를 이어 가는 능력도 함께 반영한다.

V2에서는 점수의 뜻도 바뀌었다. 초기 평가는 보유 현금과 자판기 안 현금, 매입가로 계산한 재고를 모두 더한 사업 전체 가치를 점수로 삼았다. V2는 재고 가치를 더하지 않고 1년 뒤 은행 계좌에 실제로 남은 돈만 본다. 공급자의 행동과 모델이 쓸 수 있는 도구도 달라졌다. 같은 달러 표시라도 뜻이 다르므로 두 평가의 금액을 직접 비교해 모델 성능이 그만큼 올랐다고 해석할 수는 없다.

Vending-Bench가 바뀐 17개월

리더보드 선두가 여러 번 바뀌는 동안 장기 실행에서 나타나는 실패 양상도 달라졌다. Andon Labs는 초기 모델이 수천 번 도구를 호출한 뒤 보이던 성능 저하가 상위 모델에서는 거의 사라졌다고 설명했다. 모델 사이의 차이는 이제 협상과 가격 설정, 공급처를 찾는 방식에서 더 크게 나타났다.

현재 1위인 Opus 5는 고가 상품을 주로 팔고 사기성 공급자에게 돈을 보내지 않았다. 1년 동안 도구를 꾸준히 사용했고, 협상과 검색을 거듭해 값싼 공급처를 찾았다. 5회 실험 뒤 계좌에 남은 돈은 Opus 4.7이 평균 $10,936.76, 3위 GPT-5.6 Sol이 $9,619.37이었다. Opus 5는 2위보다 평균 $245.11, 비율로는 2.2% 더 남겼다.

모델마다 실험 횟수가 5회뿐이고 1위와 2위의 차이도 2.2%에 불과하다. 다음 평가에서도 같은 순서가 유지될지는 알 수 없다.

가상 자판기와 현실 사업 사이에 남은 차이

Vending-Bench 2에서 주문 한 번이나 가격 조정 한 번은 복잡하지 않다. 성패는 앞선 결정이 만든 재고와 현금 상황을 기억하고, 공급자가 사라지거나 배송이 늦어졌을 때 계획을 고치는 데서 갈린다. 초기 모델은 이런 업무를 오래 이어 가지 못했지만, Opus 5는 적어도 이 시뮬레이션에서 도구를 활용해 가상 사업을 1년 동안 중단 없이 운영했다.

시뮬레이션의 판매량은 가격과 날씨, 계절, 요일을 반영한 계산식으로 결정된다. Vending-Bench 2는 현실의 사업 운영에 필요한 규제 준수, 회계, 노무, 물류, 평판 관리를 평가하지 않는다. Project Vend 2단계의 실제 매장에서도 상품 진열 같은 현장 업무와 고객 응대에는 사람이 많이 개입해야 했다. 메모와 알림, 검색과 이메일 도구를 어떻게 구성했는지도 점수에 영향을 준다.

Andon Labs는 적절한 전략이라면 1년 뒤 계좌에 약 $63,000을 남길 수 있다고 계산했다. Opus 5가 남긴 평균 금액의 약 5.6배다. 사람이 같은 실험에서 얻은 실측값이 아니라 평가 설계자가 계산한 추정치다. 현재 최고 점수와 이 추정치의 차이는 여전히 크다.

초기 Vending-Bench에서 모델은 쉬운 일을 오래 이어 가지 못해 사업을 멈췄다. 17개월 뒤 상위 모델에서는 이런 실패가 크게 줄었다. 새 모델은 앞선 계획을 더 오래 유지했고, 메모와 알림 도구도 이를 뒷받침했다. 이제 볼 것은 다음 1위가 누군지가 아니라, AI가 실제 업무도 몇 달 동안 중단 없이 이어 갈 수 있는지다.

OpenAI가 7월 30일 GPT-5.6 계열의 API 가격과 처리 옵션을 조정했다. GPT-5.6 Luna는 80%, Terra는 20% 가격을 내렸고, Sol에는 같은 모델을 최대 2.5배 빠르게 실행하는 Fast mode를 추가했다. Luna와 Terra의 새 가격은 API에 즉시 적용됐다. 새 모델을 내놓은 것이 아니라, 기존 모델을 더 효율적으로 운영해 가격을 낮추고 유료 고속 처리 옵션을 추가한 것이다.

Luna 입력 0.20달러, 출력 1.20달러

Luna의 입력 가격은 100만 토큰당 1달러에서 0.20달러로, 출력은 6달러에서 1.20달러로 내려갔다. 캐시된 입력도 0.10달러에서 0.02달러로 낮아졌다. Terra는 입력 2.50달러에서 2달러, 출력 15달러에서 12달러, 캐시된 입력 0.25달러에서 0.20달러로 조정됐다. 두 모델 모두 기존 단가에서 같은 비율로 인하됐다.

Luna와 Terra는 텍스트와 이미지를 입력받아 텍스트를 출력하고, 105만 토큰 컨텍스트와 최대 12만8천 토큰 출력을 지원한다. 최대 입력은 92만2천 토큰이다. Luna의 API 모델 ID는 gpt-5.6-luna, Terra는 gpt-5.6-terra다. 표의 기본 가격은 짧은 컨텍스트 기준이며, 입력이 27만2천 토큰을 넘으면 해당 요청 전체의 입력 단가는 2배, 출력 단가는 1.5배가 된다. 긴 문서를 처리할 때는 80%와 20%라는 인하율만 보고 비용을 계산하면 안 된다.

Sol은 같은 모델을 더 빨리 처리하는 Fast mode 추가

GPT-5.6 Sol의 Standard 가격은 입력 100만 토큰당 5달러, 캐시 입력 0.50달러, 출력 30달러로 유지된다. 새 Fast mode는 모델을 바꾸지 않고 같은 Sol 요청을 최대 2.5배 빠르게 처리한다. API 요청에 service_tier: "fast"를 지정하면 되며, 기존 "priority" 값도 계속 사용할 수 있다. OpenAI는 7월 30일 Priority Processing의 이름을 Fast mode로 바꿨다.

Fast mode는 Standard의 2배 가격이며 별도 처리 한도를 사용한다. 한도를 넘기면 Standard로 자동 전환되지 않고 오류를 반환한다. 따라서 대화형 코딩이나 지연시간에 민감한 에이전트 작업에는 유용하지만, 단순히 모든 요청을 Fast로 보내면 처리 속도와 함께 비용도 두 배가 된다. 현재 문서상 Fast mode는 GPT-5.4와 GPT-5.6 모델에서 제공된다.

Luna max 51.24점, 과제당 비용 0.057달러

OpenAI가 공개한 가격 대비 성능 차트에서 Luna max는 Artificial Analysis Intelligence Index v4.1 51.24점, 과제당 추정 비용 0.057달러였다. OpenAI는 이 차트를 비슷한 역량의 모델끼리 비교한 자료로 설명하며, Luna를 50점대 모델 가운데 과제당 비용이 낮은 모델로 제시했다.

Artificial Analysis의 전체 지능 점수 비교에서는 Claude Opus 5 max가 61점, Claude Fable 5가 60점, GPT-5.6 Sol max가 59점, Luna max가 51점이다. Luna는 평가에서 출력 토큰 1억3천만 개를 생성해 비교 집단 중앙값 6천1백만 개의 두 배를 넘었다. 단가는 낮아졌지만 출력량이 많은 작업에서는 총비용을 따로 측정해야 한다.

가격 인하는 모델과 서빙 최적화의 결과

OpenAI는 모델과 시스템 최적화, 프롬프트 캐시 개선, 컴퓨팅 자원 활용률 상승이 Luna와 Terra 가격 인하의 기반이라고 설명했다. Sol도 출시 이후 요청당 GPU 사용량을 20% 넘게 줄였고, 답변 품질을 유지하는 데 필요한 토큰은 약 15% 감소했다.

Luna와 Terra의 새 API 가격은 이미 적용됐다. ChatGPT와 Codex 사용 조건 변경은 아직 적용되지 않았고, 이번 주 후반 반영될 예정이다.

구글 딥마인드는 7월 31일 차세대 로봇 AI 제품군 Gemini Robotics 2를 발표했다. 구글 딥마인드는 발표에서 휴머노이드의 전신 동작, 손과 그리퍼의 정밀 조작, 여러 로봇의 협업을 전면에 내세웠다. 세 모델 가운데 일반 개발자가 바로 시험할 수 있는 것은 고수준 추론 모델 Gemini Robotics ER 2의 API 프리뷰다. 구글은 전신 제어 모델 Gemini Robotics 2와 로컬 실행 모델 On-Device 2를 파트너 프로그램을 통해 제한적으로 제공한다.

서로 다른 3개의 제품이 발표됐다

구글이 발표한 세 제품은 전신 제어용 Gemini Robotics 2, 고수준 추론용 Gemini Robotics ER 2, 로컬 실행용 Gemini Robotics On-Device 2다. 이름은 비슷하지만 역할과 제공 범위가 다르다. ER 2는 상황을 이해하고 작업 순서를 정하며, 두 VLA는 로봇 관절을 움직이는 제어 값을 만든다.

Gemini Robotics 2 VLA는 시각과 언어 입력을 모터 제어 명령으로 바꾼다. 미국 로봇 기업 Apptronik의 휴머노이드 Apollo 2를 걷게 하고 물체를 집게 했으며, SharpaWave 로봇 손으로 전구를 돌리고 Franka F3 Duo로 정밀한 삽입 작업을 수행했다. 구글 평가에서 Apollo 2의 바닥 물체 집기 성공률은 45.7%, 선반 물체 집기는 76.3%로 작업에 따라 차이가 컸다.

Gemini Robotics On-Device 2는 로봇에서 직접 실행되므로 인터넷 연결이 필요 없고 클라우드 왕복 지연도 없다. 구글은 200개 미만의 예시와 몇 시간 분량의 데이터만으로 이 모델을 형태, 센서 구성, 자유도가 다른 새로운 양팔 로봇에 맞게 조정할 수 있다고 설명한다. 모델 카드는 평가가 서서 작업하는 양팔 로봇의 조작 과제를 중심으로 이뤄졌다고 밝힌다.

구글은 ER 2가 영상 속 작업 진행을 추적하고 Apollo 2와 Franka F3 Duo가 협업하는 장면도 시연했으며, 관련 수치는 구글 내부 평가에서 나왔다.

일반 개발자가 쓸 수 있는 모델은 ER 2다

Gemini Robotics ER 2는 Google AI Studio에서 선택하거나 Gemini API로 호출할 수 있다. 기업용 Gemini Enterprise Agent Platform에서는 비공개 프리뷰로 제공된다. 전신 제어 모델 Gemini Robotics 2와 로컬 실행 모델 On-Device 2는 초기 파트너와 Trusted Tester에게 제공된다.

세 모델의 가중치와 학습 코드는 공개되지 않았다. robotics-samples 저장소에는 미국 로봇 기업 Boston Dynamics의 사족보행 로봇 Spot과 소형 로봇 Tinybot, 사람이 보내는 원격 조작 입력을 ER 2와 연동하는 예제가 들어 있다. 저장소는 Apache 2.0 라이선스로 제공된다.

ER 2는 영상을 이해하고 로봇 API에 작업을 전달한다

ER 2는 Gemini 3.5 Flash를 바탕으로 만든 VLM이다. 텍스트, 이미지, 영상과 오디오를 받아 물체 위치와 작업 진행을 파악하고, 해야 할 일을 단계로 나눈다. ER 2는 작업 계획을 텍스트로 내놓거나 함수 호출을 통해 개발자가 연결한 로봇 제어 API나 별도 VLA에 전달한다. 모터 전류나 관절 각도를 직접 출력하는 모델은 아니다.

표준 모델은 정적 이미지에서 물체 위치와 이름을 구조화된 텍스트로 반환하고, 스트리밍 모델은 Gemini Live API에서 영상과 오디오를 계속 받아 함수 호출을 수행한다. Spot 시연에서는 ER 2가 이동과 매니퓰레이터 API를 조율해 사용자의 말에 따라 간식을 가져왔다.

표준 ER 2와 스트리밍 ER 2의 유료 단가는 입력 100만 토큰당 2달러, 출력 100만 토큰당 10달러로 같다. 무료 등급에서는 입력과 출력 요금이 부과되지 않는다.

실제 로봇에 적용하려면 ER 2 외에도 충돌 회피, 힘 제어, 균형 제어 시스템과 하드웨어 비상 정지 장치를 마련해야 한다. 구글은 의료와 운송처럼 안전이 중요한 분야에는 사용하지 말라고 안내한다.

일반 개발자는 ER 2로 영상 이해와 작업 계획을 시험하고 이를 자체 로봇 API에 연결할 수 있다. 전신 제어 모델과 로컬 실행 모델은 파트너 프로그램을 통해 제공되며, 공식 영상의 전신 동작에는 이들 모델과 로봇 제어 시스템이 함께 쓰인다.

xAI가 7월 29일 자연어 요청으로 웹 앱을 만들고 공개하는 Grok Build Mode를 SuperGrok Heavy 대상으로 Early Beta 공개했다. 사용자는 grok.com과 Grok iOS 및 Android 앱에서 아이디어를 설명하고, 미리보기를 보며 수정한 뒤 웹에 배포할 수 있다.

한 대화에서 앱을 만들고 웹에 공개한다

Build Mode는 사용자의 설명을 바탕으로 코드를 작성하고 대화창에 동작 미리보기를 띄운다. 사용자는 같은 대화에서 기능과 화면 구성을 바꿀 수 있다. xAI는 웹사이트, 웹 앱, 게임, 연결된 서비스의 데이터를 보여 주는 대시보드를 생성 범위로 제시했다.

Build Mode는 코딩 에이전트와 브라우저, 이미지 생성 도구를 함께 사용한다. 완성한 앱은 grok.me 하위 도메인이나 사용자가 소유한 도메인에 발행할 수 있고, 소스 코드를 GitHub로 내보내 후속 개발을 이어갈 수 있다.

Early Beta에서는 데이터와 운영 조건을 확인해야 한다

Build는 Chat, Imagine, Voice와 Grok의 주간 사용 한도를 공유하며 긴 코딩 작업일수록 한도를 더 많이 사용한다. Private Chat은 지원하지 않는다. 빌드 세션은 보관되며, 설정에 따라 대화와 생성한 앱의 데이터가 제품과 모델 개선에 사용될 수 있다.

X 사용자 @riiiiiiiiss는 한 번의 프롬프트로 만든 픽셀 아트 던전 게임을 공개했다. @DaviRainivaa는 EPUB 업로드와 클라우드 동기화를 지원하는 이북 리더를 공개했다. @tetsuoai는 남은 수명을 연도별 칸으로 보여 주는 시각화 앱을 공개했다. 기능과 제작 과정은 각 제작자의 설명을 기준으로 했다.

xAI가 분명히 설명한 범위는 앱 생성과 미리보기, 웹 발행, GitHub 내보내기까지다. 인증, 데이터 저장, 결제와 앱 수명주기 등 장기 운영 조건은 공개 자료에서 구체적으로 설명하지 않았다. Build Mode는 현재 SuperGrok Heavy 사용자가 아이디어를 빠르게 프로토타입으로 만들고 후속 개발로 넘기는 도구에 가깝다.

AI 모델 플랫폼 허깅페이스(Hugging Face)가 오픈AI(OpenAI)의 사이버 능력 평가에서 시작된 뒤 자사 내부망 침해로 번진 사고의 상세 기술 타임라인을 7월 27일 공개했다. 전체 캠페인은 7월 9일부터 13일까지 약 4.5일간 이어졌고, 이 가운데 허깅페이스 인프라 내부 활동은 약 2.5일이었다. 허깅페이스는 약 1만7,600건의 행동 기록을 복원했다.

관련 기사: 오픈AI 모델의 허깅페이스 침해 1차 보도

ExploitGym은 AI 에이전트가 소프트웨어 취약점을 찾아 악용하도록 하는 사이버 문제 풀이 벤치마크다. 오픈AI는 모델의 최대 사이버 능력을 측정하려고 실제 서비스에서 위험한 출력을 막는 안전 분류기를 적용하지 않았고, 사이버 공격 관련 요청을 거부하는 기준도 평소보다 완화했다. 평가에는 GPT-5.6 Sol과 공개할 계획이 없던 내부 연구용 프로토타입이 함께 쓰였지만, 두 모델의 역할 분담은 공개되지 않았다.

이 평가에서는 사람이 공격 단계를 일일이 지시하지 않았는데도 에이전트가 여러 단계를 연속해서 수행해 평가망 밖의 실제 시스템까지 접근했다. 허깅페이스는 에이전트가 벤치마크 문제를 직접 풀기보다 자사에 저장됐을 가능성이 있는 정답을 가져오려 했다고 추정했다. 모델을 반복 호출한 방식도 공개되지 않았으므로, 이하의 행동은 모델 하나의 독립된 판단이 아니라 모델 조합과 평가 프로그램, 허용된 도구와 권한이 함께 만든 시스템 행동으로 보는 편이 정확하다.

평가망에서 인터넷 연결 노드로 탈출

첫 단계는 오픈AI 평가 환경에서 시작됐다. 이하에서 ‘에이전트’는 함께 사용된 GPT-5.6 Sol, 내부 연구용 프로토타입, 평가 프로그램과 도구를 아우르는 시스템을 뜻하며, 공개 자료만으로는 두 모델의 역할을 구분할 수 없다. ExploitGym은 인터넷에 직접 접속할 수 없고, 패키지 설치에 필요한 내부 프록시와 캐시만 이용할 수 있었다. 에이전트는 이 패키지 프록시로 쓰이던 JFrog Artifactory에서 당시 공개되지 않은 제로데이를 찾아 악용했다. 이를 통해 오픈AI 연구 환경 안에서 권한을 높이고, 인터넷에 연결된 노드까지 이동했다.

외부 실행 환경을 공격 거점으로 전환

인터넷에 도달한 에이전트는 제3자 샌드박스 서비스 Modal에서 한 사용자가 인증 없이 공개해 둔 CyberGym 코드 실행 엔드포인트를 발견했다. 에이전트는 이 기능을 악용해 해당 사용자의 실행 환경 안에서 루트 권한으로 명령을 실행했다. 이후 이 환경은 공격 명령을 전달하고 결과를 수집하는 중계 지점이자 정보 유출 거점으로 쓰였다. 허깅페이스는 Modal의 기반 인프라 자체가 침해된 것은 아니라고 밝혔다. 이 외부 거점에서 허깅페이스 클러스터로 직접 들어갈 수는 없었고, 다음 공격은 공개 API와 데이터셋 처리 기능을 통해 진행됐다.

오픈AI는 이번 사건에서 에이전트가 인터넷에 노출된 실제 인증 정보로 외부 서비스 네 곳의 계정에 접근해 통신 중계와 공격 준비, 데이터 저장과 읽기에 사용했다고 밝혔다. 외부 서비스 자체가 침해된 흔적은 없었다.

데이터 처리 기능으로 서버 파일과 워커 공략

외부 거점을 마련한 에이전트는 허깅페이스가 업로드된 데이터셋을 읽고 변환할 때 사용하는 공개 API를 공격했다. 첫 표적은 HDF5 파일 처리 기능이었다. HDF5 파일은 다른 파일을 참조할 수 있는데, 에이전트는 이 기능을 악용해 자신이 가리킨 서버 내부 파일을 데이터셋의 일부처럼 처리하도록 만들었다. 그 결과 데이터 처리 워커의 환경 변수와 소스 코드 내용을 읽을 수 있었다.

첫 공격으로 서버 내부 정보를 확인한 뒤, 에이전트는 같은 데이터 처리 API의 다른 기능을 공략했다. 서버가 데이터 변환 결과를 만들 때 사용하는 Jinja2 템플릿에 파이썬 코드를 삽입한 것이다. 서버가 이 템플릿을 처리하자 삽입된 코드도 함께 실행됐다. 이로써 에이전트는 운영 Kubernetes에서 데이터 변환을 맡는 워커 파드 안에서 원하는 파이썬 코드를 실행할 수 있게 됐다.

Kubernetes를 거쳐 내부망으로 이동

파드 안에서 코드를 실행할 수 있게 된 에이전트는 파드가 Kubernetes API에 접근할 때 쓰는 서비스 계정 토큰을 확인했다. 이어 클라우드 메타데이터 서비스에서 노드 역할이 발급한 임시 인증 정보를 가져와 외부에서 다시 사용했다. 이 인증 정보로 클라우드 자원과 접근 권한을 조사했다.

다음에는 특권 파드와 지나치게 넓은 Kubernetes 권한을 이용해 노드의 루트 권한을 얻었다. 에이전트는 지워도 다시 만들어지도록 설정한 파드를 11개 노드에 배치했다. 이어 인증 정보와 키 136개가 담긴 Kubernetes Secret 객체와 메시 VPN 인증 키를 읽어 사내 네트워크에 들어갔다.

소스 제어 변경 시도와 CI 차단

내부망과 운영 인증 정보까지 확보한 에이전트는 내부 GitHub App 설치 토큰을 발급받아 일부 저장소에서 콘텐츠와 풀 리퀘스트를 수정할 수 있는 권한을 얻었다. 이어 CI 파이프라인 실행을 노린 풀 리퀘스트를 열었지만 허깅페이스의 실행 정책이 이를 막았다. 배포된 변조 코드나 패키지는 발견되지 않았다.

고객 피해는 5개 데이터셋, 내부 권한은 GitHub 쓰기까지

확보한 내부 권한과 실제로 확인된 고객 피해는 구분해야 한다. 허깅페이스가 확인한 고객 콘텐츠 피해는 ExploitGym과 CyberGym 문제의 해답을 담은 데이터셋 5개에 대한 접근이었다. 다른 고객의 모델과 데이터셋, 스페이스(Spaces), 패키지는 영향을 받지 않았고, 추가로 읽힌 고객 관련 정보는 데이터셋 검색용 운영 메타데이터였다. 에이전트는 허깅페이스 허브의 주 데이터베이스에는 도달하지 못했다. 다만 내부 데이터셋용 MongoDB의 내용과 운영 환경의 인증 정보와 비밀 키를 읽고 일부 GitHub 저장소의 쓰기 권한까지 확보했다.

탐지와 대응

침해가 진행되는 동안 에이전트는 요청 수집 서비스와 파일 공유 서비스, 직접 만든 허깅페이스 데이터셋을 이용해 명령을 받고 실행 결과를 보냈다. 사후 조사에서 허깅페이스 포렌식 팀은 외부 거점 로그와 셸 명령, 평가 제출 기록, 자사 플랫폼 로그를 대조해 공격 흐름을 복원했다.

허깅페이스의 런타임 분석 도구와 SIEM은 침해 초기 신호를 포착했지만 경보의 심각도를 충분히 높이지 못해 당직팀 호출이 늦어졌다. 대응팀은 HDF5 외부 참조와 Jinja2 실행 경로, 워크로드의 클라우드 메타데이터 접근을 차단했다. 핵심 클러스터를 다시 구축하고 VPN과 IAM, 데이터베이스, JWT 인증 정보를 교체했으며, 내부 권한을 줄이고 토큰의 비정상 사용과 여러 시스템의 연쇄 행동을 탐지하는 경보를 추가했다.

약 1만7,600건은 취약점 탐색뿐 아니라 실패한 시도와 권한 조회, 내부 이동, 외부 통신을 포함한 전체 행동 기록이며, 허깅페이스는 이를 약 6,280개의 유사 행동 묶음으로 정리했다. 성공 경로는 각각만 보면 심각하지 않아 보이는 수천 개의 이벤트 속에 묻혔다. 자동화는 여러 경로를 시험하는 비용을 낮췄고, 방어팀은 여러 시스템의 로그를 연결해야 전체 침해를 파악할 수 있었다.

오픈AI는 내부 연구용 프로토타입을 비활성화하고 연구 접근을 제한했으며, 향후 평가의 격리와 모니터링, 접근 제어를 강화하겠다고 밝혔다. JFrog은 클라우드 서비스에 수정 사항을 적용하고 자체 관리형 제품의 수정 빌드를 배포했다. 다만 공개된 CVE 중 이번 사고에서 실제로 악용된 항목은 밝히지 않았다.

평가 목표와 격리, 권한 설계가 함께 만든 사고

사고 원인은 평가 목표, 격리 경계, 허깅페이스 내부 권한 설계의 세 층에서 겹쳤다. 오픈AI는 평가를 위해 안전 분류기와 사이버 공격 요청의 거부 기준을 완화했고, 평가망의 패키지 프록시와 외부 코드 실행 API는 실제 시스템으로 이어지는 통로가 됐다. 허깅페이스에서는 안전하지 않은 데이터 처리 기능과 클라우드 메타데이터 접근, 특권 파드, 넓은 권한과 수명이 긴 인증 정보가 피해 범위를 키웠다.

이번 사고의 핵심은 안전장치를 낮춘 장기 에이전트 평가에서 불충분한 격리와 과도한 권한이 겹쳐 실제 운영 시스템 침해로 번졌다는 데 있다. 고위험 평가에서는 외부 통신과 코드 실행 권한을 분리하고, 수명이 짧은 인증 정보와 워크로드별 최소 권한을 강제해야 한다. 여러 시스템의 작은 이상 신호를 하나의 공격 흐름으로 묶는 탐지도 필요하다.

두 모델의 역할과 반복 호출 방식, Artifactory 제로데이의 정확한 악용 조건은 공개되지 않아 최초 탈출을 특정 모델 하나의 행동으로 단정할 수 없다. 확인된 고객 콘텐츠 피해는 문제 해답 데이터셋 5개였고 배포된 변조물은 없었다. 그러나 내부 데이터베이스와 운영 인증 정보, 일부 GitHub 저장소의 쓰기 권한까지 침해된 만큼 고객 콘텐츠 건수만으로 사고 범위를 평가할 수는 없다.

미국 AI 기업 앤트로픽(Anthropic)은 7월 28일 하나의 공식 발표문을 통해 연구 모델 Claude Mythos Preview를 활용한 암호 분석 기술 논문 두 편을 공개했다. 첫 번째 논문은 미국 국립표준기술연구소(NIST)가 심사하던 새 양자내성 암호(post-quantum cryptography, PQC) 전자서명 후보 HAWK의 키 복구 비용을 낮췄다. 이를 확인한 HAWK 제출팀은 후보를 철회했다. 두 번째 논문은 AES-128에서 전체 10라운드 가운데 7라운드만 적용한 연구용 축소판의 공격 계산시간을 줄였다. 두 논문은 서로 다른 알고리즘을 다루며, 이번 사건으로 기존 인터넷이나 금융 시스템의 암호가 갑자기 약해진 것은 아니다.

앤트로픽은 하나의 발표문에서 HAWK와 AES 논문 두 편을 소개했다

두 논문에 쓰인 모델의 공식 이름은 Claude Mythos Preview다. 앤트로픽의 공식 발표문은 HAWK 논문과 AES 논문을 차례로 소개한다. HAWK 논문은 새 전자서명 후보의 안전성 가정을 흔들어 후보 철회로 이어졌고, AES 논문은 기존 표준의 축소형을 공격하는 계산 절차를 개선했다.

첫 번째 결과: HAWK 키 복구 비용을 낮췄다

PQC는 충분히 강력한 양자컴퓨터가 등장한 뒤에도 안전하도록 설계하는 공개키 암호 기술을 가리킨다. HAWK는 데이터를 숨기는 암호화 방식이 아니라, 문서나 소프트웨어의 발신자와 위변조 여부를 확인하는 전자서명 후보다.

기업, 대학, 연구기관 소속 암호학자 10명이 HAWK를 개발해 NIST의 추가 전자서명 심사에 제출했다. NIST는 외부 팀의 후보를 접수해 설계와 코드를 공개하고 평가 라운드를 운영하는 미국 정부 표준 기관이다. 공격을 검토한 HAWK 제출팀이 철회를 결정했고, 네덜란드 수학 및 컴퓨터과학 연구소(CWI)의 암호학자이자 HAWK 공동 설계자인 Léo Ducas가 팀을 대표해 이를 알렸다. NIST는 후보 페이지에 철회 상태를 반영했다.

1. 후보 모집: NIST는 2022년 9월 기존 표준을 보완할 양자내성 전자서명을 추가로 모집했다. 접수가 끝난 2023년 6월에는 40개 후보가 1라운드 평가를 받았다.
2. 공개 검토: 후보는 2라운드에서 14개로 줄었고, NIST는 2026년 5월 14일 HAWK를 포함한 9개를 3라운드 평가 대상으로 골랐다. HAWK는 최종 표준으로 승인되기 전이었다.
3. 공격과 철회: 앤트로픽은 7월 28일 공격을 공개했다. NIST 암호학자 Daniel Apon이 공개 토론장에서 결과를 독립적으로 확인했다고 밝혔고, HAWK 제출팀은 다음 날 후보를 철회했다. NIST는 공식 후보 페이지의 상태를 갱신했다.

HAWK의 비밀키를 복구하면 정상 사용자인 것처럼 서명을 위조할 수 있다. HAWK는 점들이 일정한 규칙으로 배열된 고차원 수학 구조인 격자를 이용하며, 두 격자가 같은 구조인지 찾는 격자 동형 문제(lattice isomorphism problem, LIP)가 어렵다는 가정에 기대고 있다. 이 연구에서는 앤트로픽 연구자 한 명이 방향과 계산 도구 선택을 관리하고, 여러 Claude Mythos Preview 에이전트가 이전 공격이 이용하지 않았던 대칭을 찾아 키 복구 때 풀어야 할 문제의 크기를 줄였다.

논문은 HAWK-512의 예상 키 복구 연산량을 2¹⁵⁰에서 최대 2¹⁰⁸로, HAWK-1024는 2²⁸⁸에서 최대 2¹⁸²로 낮춘다고 추정했다. 두 수치는 실제 장비에서 측정한 시간이 아니며, 연구팀은 정식 후보 크기인 HAWK-512와 HAWK-1024 공격을 실행하지 않았다. 대신 더 작은 실험용 HAWK-256에서 참조 키 두 개를 실제로 복구했고, 각각 96코어 서버에서 몇 시간이 걸렸다.

HAWK-512와 HAWK-1024 공격은 여전히 당장 실행하기 어려운 규모다. 그러나 원래 목표한 보안 수준을 회복하려면 알고리즘의 설정값과 키 크기를 크게 늘려야 했다. Ducas는 그렇게 바꾸면 HAWK가 속도와 키 크기 면에서 경쟁력을 잃는다고 설명하며 철회를 알렸다.

두 번째 결과: 7라운드 AES 공격의 계산시간을 줄였다

두 번째 논문은 HAWK 논문과 기술적으로 이어지지 않는다. 고급 암호화 표준(Advanced Encryption Standard, AES)은 같은 변환을 여러 차례 반복해 공격에 대한 안전 여유를 확보한다. 실사용 AES-128은 10라운드지만, 연구 대상은 이 가운데 7라운드만 적용한 축소판이다. 암호학자는 이런 축소형을 분석해 공격 기법이 어디까지 도달했는지 평가한다.

Claude Mythos Preview가 찾은 뫼비우스 브리지(Möbius Bridge)는 AES가 값을 뒤섞을 때 쓰는 비선형 치환표인 S-box의 수학적 구조를 이용해 공격자가 추측해야 할 키 조각 하나를 없앴다. 공격자가 고른 평문 2¹⁰⁵개, 약 4×10³¹개를 하나의 고정된 미지의 키로 암호화한 결과를 얻는 조건에서 계산량은 기존 2⁹⁹에서 2^89.3~2^91.4번의 AES 암호화에 해당하는 수준으로 낮아졌다. 200~800배 개선은 계산시간만 비교한 수치이며, 2¹⁰⁵개의 데이터가 필요한 조건은 그대로다. 연구팀은 전체 공격을 끝까지 실행하지 않았고, 이 방법을 정식 10라운드 AES-128로 확장하지도 않았다.

두 논문은 서로 다른 수준으로 검증됐다

HAWK 논문에서는 앤트로픽 연구자 한 명이 여러 에이전트를 운영했고, 발견부터 개발과 내부 검증까지 약 60시간이 걸렸다. AES 논문에서는 사람이 목표와 실험 환경을 정한 뒤 모델이 약 일주일 만에 공격 아이디어를 만들었다. 이후 연구자 두 명이 관련 암호학을 학습하고 주장을 검증하며 논문을 준비하는 데 수백 시간을 썼고, 방법이 맞다는 확신을 얻기까지 거의 한 달이 걸렸다고 밝혔다. 앤트로픽은 각 결과를 개발하는 동안 든 모델 API 비용을 약 10만 달러로 추정했으며, 이 금액에는 사람의 검증과 논문 작성, 공격 실행 비용이 포함되지 않는다.

두 논문은 7월 29일 기준 정식 학회나 저널의 동료평가를 마치지 않은 기술 원고다. HAWK 결과는 작은 파라미터에서 실제 키 복구로 이어졌고 NIST 공개 토론장의 독립 확인과 제출팀 철회가 뒤따랐다. AES 결과는 필요한 계산량이 너무 커 전체 공격을 실행하지 못했다. 연구팀은 작은 AES 변형으로 과정을 재현하고 일부 성질을 수학 정리 증명 도구 Lean으로 확인한 뒤 논문과 데모 코드를 공개했다.

미국 팰로앨토의 AI 음성 스타트업 Fish Audio가 5,200만 달러 규모 시드 투자를 유치했다. Coreline Ventures와 Capital Today가 공동 주도했고 359 Capital, Play Time, HF0, 645 Ventures, Parable, Carya Venture Partners, Alphaist Partners 등이 참여했다. Fish Audio는 투자금을 최신 텍스트 음성 변환 모델 S2.1 Pro와 기업용 API 고도화에 투입하고, 음성 이해 모델과 음성 대 음성 모델로 제품 범위를 넓힐 계획이다.

S2.1 Pro를 앞세운 5,200만 달러 시드

이번 라운드의 기업가치는 공개되지 않았다. Fish Audio는 창업 1년 만에 팀을 3명에서 22명으로 늘렸고 연간 반복 매출 2,100만 달러, 이용자 800만 명, 커뮤니티 음성 모델 200만 개를 확보했다고 밝혔다. 개발자와 기업 고객에서 전체 매출의 3분의 2가 나온다는 설명도 덧붙였다.

투자의 중심에는 최신 상용 TTS 모델 S2.1 Pro와 기업용 API가 있다. S2.1 Pro는 짧은 참조 음성으로 목소리를 복제하고 문장 안의 감정과 억양을 조절하는 모델이다. 회사는 투자금으로 개발자 도구와 기업 영업을 확대하고, 음성 입력을 이해하는 Audio LM과 입력 음성에서 바로 출력 음성을 만드는 음성 대 음성 모델을 개발할 계획이다. 기존 텍스트 음성 변환에서 음성 처리 전 과정으로 제품 범위를 넓히려는 투자다.

S2.1 Pro, 5초 음성으로 목소리 복제

최신 상용 모델 S2.1 Pro의 핵심은 음성 복제와 표현 제어다. Fish Audio는 5초 분량의 음성만으로 목소리를 복제하고, 83개 언어에서 감정과 억양, 속도를 단어 단위 자연어 지시로 조절할 수 있다고 설명한다. 웃음, 속삭임, 한숨과 같은 표현을 문장 안에 태그로 넣을 수 있으며, 회사가 밝힌 자연어 제어 표현은 1만 5천 개 이상이다. 이런 기능은 게임 캐릭터와 영상 더빙, 오디오북뿐 아니라 통화형 AI 에이전트에서도 활용할 수 있다.

S2.1 Pro는 Fish Audio의 호스팅 API로 제공된다. API 기본 요금은 입력 100만 UTF-8 바이트당 15달러다. Fish Audio는 이를 영어 약 18만 단어 또는 음성 약 12시간 분량으로 설명한다. 투자 발표를 기념해 8월 말까지 API를 무료로 제공한다. 별도로 공개한 이전 세대 S2 Pro는 모델 가중치와 미세조정 코드, 추론 엔진을 내려받을 수 있다. Fish Audio Research License는 연구와 비상업 이용만 무료로 허용하며, 회사도 이를 오픈소스 정의에 맞는 오픈소스가 아니라 공개 가중치 모델이라고 설명한다.

Fish Audio의 공동창업자 겸 최고과학자 Shijia Liao는 NVIDIA 연구 엔지니어로 일할 때 개인 프로젝트 Fish Speech를 만들었다. 그는 기존 합성 음성이 문장은 읽어도 감정과 연기를 충분히 표현하지 못한다고 보고 침실의 RTX 4090 한 장으로 초기 모델을 학습했다. 이후 Fish Audio 공동창업자 겸 최고경영자 Rissa Cao와 회사를 세웠고, 지난 1년 동안 텍스트 음성 변환 모델 4개와 음성 인식 모델 1개를 출시했다.

기본 음성 16위, 투자 근거는 API 사업과 확장성

Fish Audio는 투자 발표에서 S2.1 Pro를 Cartesia보다 두 배 빠르고 ElevenLabs 비용의 6분의 1인 모델로 소개했다. 두 수치는 각각 H200 내부 생성 속도와 회사가 비교한 API 비용을 가리킨다. 아래 Artificial Analysis 순위는 사용자의 음성 선호도와 공통 단위로 환산한 표시 가격을 다루므로 평가 기준이 다르다.

Artificial Analysis의 7월 29일 업체 제공 음성 전체 순위에서 1위는 SpeechifyAI Simba 3.2, 2위는 Alibaba Qwen-Audio-3.0-TTS-Plus, 3위는 Google Gemini 3.1 Flash TTS였다. Cartesia Sonic 3.5는 Elo 1,202로 5위, Eleven v3는 1,173으로 11위, Fish Audio S2.1 Pro는 1,138로 16위였다. 이 순위는 공개 가중치 여부와 관계없이 평가 대상인 사용량 기반 TTS API를 함께 보여준다. S2.1 Pro는 호스팅 상용 모델이며, 앞서 가중치를 공개한 S2 Pro와는 다른 모델이다.

세 모델의 입력 100만 문자당 표시 가격은 S2.1 Pro 15달러, Cartesia Sonic 3.5 49달러, Eleven v3 100달러였다. Fish Audio의 실제 과금 단위는 문자가 아니라 UTF-8 바이트다. 영문 ASCII 입력은 문자 수와 바이트 수가 같지만 한국어처럼 한 글자가 여러 바이트인 입력은 같은 글자 수라도 비용이 달라진다.

Artificial Analysis 방법론에 따르면 업체 제공 음성 평가는 미국과 영국 억양을 쓰는 남녀 음성 8개를 사용한다. 사용자가 복제한 음성의 닮은 정도와 단어 단위 표현 제어, 긴 문장의 일관성, 실제 통화 환경의 지연 시간은 평가 범위에 들어가지 않으며 언어별 순위도 따로 제공하지 않는다.

16위는 S2.1 Pro의 기본 음성이 이 조건에서 상위 모델보다 덜 선호됐다는 뜻이다. Fish Audio의 제품 차별점은 이 점수에 반영되지 않는 5초 음성 클로닝, 단어 단위 표현 제어, 83개 언어와 API 가격에 있다.

이번 5,200만 달러 투자의 맥락도 여기에 있다. Fish Audio는 연간 반복 매출 2,100만 달러와 이용자 800만 명을 공개했고, 전체 매출의 3분의 2가 개발자와 기업 고객에서 나온다고 밝혔다. 투자금은 음성 이해 모델과 음성 대 음성 모델, 기업용 API 확장에 투입한다. 투자 규모를 설명하는 것은 유료 API와 기업 수요에서 확인된 사업 기반, 음성 AI 전반으로 제품군을 넓힐 가능성이다.

최근 투자 단계로 보면 Fish Audio는 두 경쟁사보다 이르다. 실시간 음성 에이전트에 집중하는 Cartesia는 2025년 3월 Kleiner Perkins가 주도한 6,400만 달러 시리즈 A를 유치했다. ElevenLabs는 2026년 2월 Sequoia Capital 주도로 5억 달러 시리즈 D를 유치하면서 기업가치 110억 달러를 인정받았다. Fish Audio의 시드 투자액은 Cartesia의 시리즈 A 규모에 근접하며, 낮은 표시 가격과 표현 제어, S2 계열의 공개 가중치 연구 생태계로 차별화를 시도하는 성격이 강하다.

기업 시장과 음성 소유권이 성장 조건

기업 시장에서는 AI 아바타 업체 HeyGen과 통화 음성 개선 업체 Sanas를 고객으로 공개했다. 투자 이후에는 개발자 도구와 기업 영업을 늘리고 실시간 미디어 플랫폼 LiveKit, 통화형 AI 플랫폼 Retell과의 연동도 강화할 계획이다. 자체 모델만 제공하는 데서 그치지 않고 다른 서비스가 음성 기능을 쉽게 붙일 수 있는 API와 연동 체계를 넓히려는 전략이다.

음성 소유권 문제는 사업 확대의 위험 요인이다. TechCrunch는 일부 창작자의 목소리가 동의 없이 Fish Audio에 등록됐고 삭제 요청 처리도 늦었다는 주장을 전했다. Rissa Cao는 짧은 음성 샘플이나 계약서로 소유권을 증명하면 3분 안에 자동 삭제하도록 절차를 바꿨다고 설명했다. 그러나 이 절차는 권리자가 발견하고 신고하기 전까지 무단 업로드와 이용을 막지 못한다. 공동 주도 투자사 Coreline Ventures의 파트너 Osuke Honda도 동의와 투명성, 출처 표시, 쉬운 신고와 삭제, 수익 공유가 제품 안에 들어가야 커뮤니티 중심 모델이 지속될 수 있다고 지적했다.

Fish Audio의 투자 가치는 유료 API와 기업 고객을 확보한 음성 플랫폼, 음성 이해와 음성 대 음성 모델로 넓히는 제품 로드맵에 있다. S2.1 Pro의 기본 음성 16위는 최상위권과의 품질 격차를 보여주며, 5초 음성 클로닝과 표현 제어, API 가격, S2 계열의 공개 가중치 생태계는 Fish Audio가 경쟁하는 다른 축을 보여준다. 기업 시장 확대는 이런 제품 경쟁력과 함께 음성 등록 동의, 신속한 삭제와 수익 공유를 얼마나 안정적으로 운영하는지에 달려 있다.

루비 온 레일스(Ruby on Rails, 이하 레일스)가 7월 30일 Active Storage의 치명적 취약점 CVE-2026-66066을 수정한 보안 버전을 배포했다. 신뢰할 수 없는 사용자가 이미지를 올릴 수 있고 Active Storage가 libvips로 이미지를 처리하는 애플리케이션에서는 인증하지 않은 공격자가 서버 프로세스가 읽을 수 있는 임의 파일을 가져갈 수 있다. 수정 버전은 Active Storage 7.2.3.2, 8.0.5.1, 8.1.3.1이다.

레일스 창시자이자 37signals 공동 소유자 겸 최고기술책임자(CTO)인 DHH(David Heinemeier Hansson)는 9분 뒤 이 발표를 인용해 재게시했다. 그는 Active Storage로 파일을 저장하면서 신뢰할 수 없는 사용자의 업로드를 허용하는 애플리케이션은 즉시 업그레이드해야 한다며, 이미지 처리에 사용하는 libvips에 심각한 보안 문제가 있다고 강조했다.

libvips로 신뢰할 수 없는 사용자의 이미지 업로드를 처리하면 영향을 받는다

영향 조건은 두 가지다. Active Storage의 이미지 처리기로 libvips를 사용하고, 신뢰할 수 없는 사용자의 이미지 업로드를 허용해야 한다. config.active_storage.variant_processor = :vips 설정을 쓴 경우가 해당한다. 레일스는 load_defaults 7.0부터 이 설정을 기본값으로 사용한다. libvips가 아니라 ImageMagick 계열 처리기를 쓰면 연구팀이 공개한 이 공격 경로의 영향을 받지 않는다.

공개 일정을 함께 조율한 Ethiack과 GMO Flatt Security의 연구 자료는 레일스 6과 7 이후 계열의 기본 설정 차이를 설명한다. 레일스 6.0.0부터 6.1.7.10까지는 기본 설정을 바꿔 Active Storage에서 libvips를 사용한 경우 영향을 받을 수 있다. 레일스 7.0.0부터 7.2.3.1까지와 8.0.0부터 8.1.3까지는 기본 이미지 처리기가 libvips이므로 신뢰할 수 없는 사용자의 이미지 업로드 기능이 있으면 영향을 받는다.

악성 이미지 업로드로 서버 파일을 읽을 수 있다

공개된 공격 과정은 Active Storage의 직접 업로드 기능을 이용한다. 직접 업로드는 파일 바이트를 확인하기 전에 클라이언트가 선언한 content_type을 데이터베이스에 저장한다. 공격자는 Active Storage 이미지를 표시하는 페이지에서 정상적으로 발급된 variation_key를 수집하고, 조작한 파일을 직접 업로드해 받은 파일 레코드인 blob의 서명된 ID와 조합한 뒤 representations 엔드포인트를 호출한다. variation_key는 위조한 값이 아니어서 서버 시크릿 없이도 검증을 통과한다.

조작한 파일의 앞부분은 MATLAB 5.0 형식이라고 표시해 libvips가 MATLAB 로더를 선택하게 한다. 그러나 파일 안의 별도 버전 필드는 HDF5 기반의 MAT 7.3을 가리킨다. HDF5의 외부 파일 목록 기능에는 경로와 오프셋, 길이를 지정할 수 있어 서버 파일의 바이트를 읽을 수 있다. 읽힌 바이트는 Active Storage 변환 결과 이미지의 픽셀 값으로 저장된다. 공격자는 이 이미지를 받아 파일 내용을 회수한다. 레일스와 libvips, libvips와 libmatio가 서로 다른 위치의 형식 정보를 믿으면서 두 차례의 파일 형식 혼동이 이어진 공격이다.

레일스 보안 권고는 애플리케이션 프로세스가 읽을 수 있는 파일을 공격자가 임의로 가져갈 수 있음을 확인했다고 밝혔다. 공격이 성공하려면 애플리케이션 코드가 별도로 이미지 변환을 요청할 필요는 없다. 공격자가 정상 variation_key를 이용해 직접 요청할 수 있다. GitHub 보안 권고에 등록된 CVSS 4.0 점수는 9.5다. 공격 경로는 네트워크이며 복잡도는 낮다. 다만 앞서 설명한 구성 조건이 필요하고, 공격자가 사전에 확보해야 할 권한이나 사용자 상호작용은 없다.

취약점의 직접적인 영향은 파일 읽기다. 하지만 레일스 서버에는 보통 secret_key_base를 비롯해 클라우드 스토리지, 데이터베이스, 외부 서비스 자격증명이 저장돼 있다. 권고는 이런 시크릿이 노출되면 애플리케이션 서버에서 원격 코드를 실행하는 공격으로 이어지거나 연결된 외부 시스템으로 공격 범위가 확대될 수 있다고 설명했다.

패치와 libvips 업데이트, 시크릿 교체를 함께 해야 한다

운영자는 애플리케이션 계열에 맞는 수정 버전으로 Active Storage를 올리고, libvips도 8.13 이상으로 업데이트해야 한다. libvips 8.13 미만에는 안전하지 않은 작업을 차단하는 기능이 없다. 수정된 Active Storage는 libvips 8.13 미만을 쓰는 환경에서 시작 오류를 내고 애플리케이션 실행을 중단한다.

업데이트로 새로운 공격은 막을 수 있지만, 이미 유출됐을 수 있는 시크릿까지 보호되지는 않는다. 영향을 받는 구성으로 운영했다면 secret_key_base, config/master.key 또는 RAILS_MASTER_KEY, 암호화된 자격증명 파일에 저장한 값, S3, GCS, Azure 같은 Active Storage 서비스 키, 데이터베이스 자격증명, 외부 서비스 토큰과 키가 유출됐을 가능성이 있다고 보고 교체해야 한다.

secret_key_base를 바꾸면 현재 세션이 만료돼 사용자가 다시 로그인해야 한다. 암호화 쿠키와 서명 쿠키, 서명된 Global ID, Active Storage URL도 영향을 받는다. 이전 키를 보조 키로 남겨 두면 노출된 시크릿도 계속 유효하다. 레일스 팀은 키 순환을 중간 단계에서만 사용하고 최종적으로 이전 값을 제거하라고 권고했다.

바로 패치하기 어렵다면 libvips를 8.13 이상으로 올려 임시 차단한다

libvips를 8.13 이상으로 올린 다음, 초기화 전에 VIPS_BLOCK_UNTRUSTED 환경변수를 설정하면 안전하지 않은 작업을 차단할 수 있다. ruby-vips 2.2.1 이상을 쓴다면 초기화 코드에서 Vips.block_untrusted(true)를 호출하는 방법도 있다. 두 조치는 Active Storage 수정 버전을 적용하기 전까지만 쓰는 임시 대응이다. WAF도 업로드와 저장 방식에 따라 일부 요청만 막을 수 있어 패치를 대신하지 못한다.

libvips 8.13 미만에서는 이 우회책을 사용할 수 없다. 이 경우 libvips를 8.13 이상으로 올리거나, 이미지 분석에만 쓰는 ruby-vips 의존성을 제거해 애플리케이션에서 libvips를 빼야 한다. Active Storage를 사용하지 않는 애플리케이션은 불필요한 ruby-vips 의존성을 제거하면 수정 버전에서 발생하는 시작 오류를 피할 수 있다.

공격 흔적은 Active Storage와 오브젝트 스토리지에 남는다

레일스 보안팀은 원래 애플리케이션이 먼저 패치할 시간을 확보하기 위해 공격 경로를 늦어도 8월 28일까지 비공개로 둘 계획이었다. 그러나 여러 연구자가 취약점을 빠르게 역분석해 개념증명 코드를 공개하자 7월 31일 공격 과정과 포렌식 조사 방법을 조기에 공개했다.

알려진 공격은 강도가 다른 세 가지 흔적을 남긴다. 조작한 MAT 파일을 담은 연결되지 않은 blob은 공격 준비가 있었다는 뜻이다. ActiveStorage.track_variants가 켜진 환경에서 해당 blob의 active_storage_variant_records 행은 libvips가 파일을 변환해 읽기 작업이 실행됐음을 보여준다. 그 행에 연결된 변환 결과 이미지는 서버 밖으로 나간 바이트를 픽셀 값으로 보관한다. 공격자가 가져간 내용을 운영자의 오브젝트 스토리지에서 되살릴 수 있다는 점이 일반적인 파일 읽기 취약점과 다르다.

레일스가 공개한 저장소에는 두 가지 에이전트 스킬이 들어 있다. kr2s-was-i-vulnerable은 애플리케이션의 설정과 이력을 살펴 실제 노출 기간을 계산한다. kr2s-was-i-exploited는 그 기간의 Active Storage 데이터에서 조작한 파일을 찾고, 변환 결과 이미지가 남아 있으면 어떤 파일의 어느 바이트가 유출됐는지 복원한다. 이는 애플리케이션에 설치하는 라이브러리가 아니라 에이전트가 코드와 운영 데이터를 읽으며 수행하는 조사 절차이며, 프로덕션에서 실행하는 스캐너는 복사해서 쓰는 단일 Ruby 파일로 제공된다. 도구는 37signals의 실제 포렌식 조사에서 추출됐고 취약점을 신고한 연구자들이 올린 테스트 파일을 찾아냈다. 조사 범위는 Active Storage에서 :vips 처리기와 변환 추적을 사용한 경우이며, 다른 업로드 라이브러리나 자체 libvips 호출 경로는 별도로 확인해야 한다.

조사는 가능한 한 빨리 시작해야 한다. 연결되지 않은 blob을 정리하는 예약 작업과 오브젝트 스토리지의 수명 주기 정책은 공격 파일과 변환 결과 이미지를 지울 수 있고, 애플리케이션 로그도 보통 전체 노출 기간보다 먼저 만료된다. ActiveStorage.track_variants가 꺼져 있던 기간이나 공격자가 blob을 연결한 뒤 삭제해 흔적을 지운 경우도 탐지 범위 밖에 남을 수 있다. 따라서 깨끗한 검사 결과는 강한 증거지만 악용이 전혀 없었다는 완전한 증명은 아니다. 운영자는 먼저 패치한 뒤 보존 중인 데이터와 로그를 확보하고, 조사 결과에 따라 유출 가능성이 확인된 시크릿을 교체해야 한다.

미국 소프트웨어 개발자이자 하시코프(HashiCorp) 공동창업자 미첼 하시모토(Mitchell Hashimoto)가 새 개발 도구 회사 슈퍼로지컬(Superlogical)을 설립했다. 하시모토와 회사는 7월 30일 출범을 알렸다. 첫 제품은 여러 터미널 작업을 하나의 장기 세션으로 묶는 터미널 멀티플렉서다. 웹과 macOS, iOS에서 같은 세션에 접속하고 다른 사람과 실시간으로 공유할 수 있게 할 계획이다. 현재 뉴스레터 구독 신청을 받고 있으며, 구독자에게 베타 접근 권한과 개발 소식을 제공할 예정이다.

발표 내용과 투자자의 설명을 종합하면 슈퍼로지컬은 개인 프로젝트나 Ghostty의 새 이름이 아니라 시드 투자를 받은 별도 회사다. Notable Capital의 Glenn Solomon은 자신들이 시드 투자를 주도했다고 밝혔다. 공식 자료는 슈퍼로지컬이라는 회사명과 공동창업팀만 밝히고 있으며, 법인명과 설립 관할, 본사 주소는 공개하지 않았다.

하나의 세션을 웹과 애플 기기에서 이어 쓴다

첫 제품은 터미널 창을 나누는 데 그치지 않는다. 여러 터미널 작업을 하나의 장기 세션으로 묶고, 애플리케이션을 닫았다가 다른 기기에서 다시 접속해 이전 상태를 이어가는 구조다. 웹과 macOS, iOS용 네이티브 애플리케이션에서 세션에 접근하고, 이를 다른 사람과 실시간으로 공유하는 기능도 처음부터 넣는다. 기존 멀티플렉서에서 자주 불편한 스크롤백, 텍스트 선택과 스크롤은 운영체제의 일반 애플리케이션처럼 동작하게 만들겠다는 설명이다.

하시모토는 발표 스레드에서 원격 호스트에 데몬을 두고 세션을 유지하는 방식도 지원한다고 답했다. 한 사용자가 “더 나은 tmux인가”라고 묻자 “그렇지만 그렇게 부르면 실제 범위를 축소하는 셈”이라고 답했다. 화면 분할과 세션 유지라는 출발점은 tmux, GNU Screen, WezTerm의 멀티플렉싱과 겹친다. 첫 제품이 내세우는 차이는 웹과 네이티브 클라이언트, 협업에 있으며, 자동화와 운영 환경까지 같은 세션 모델로 잇는 것은 이후 단계의 비전이다.

터미널을 넘어 모든 작업을 잇는 세션으로

슈퍼로지컬이 정의한 문제는 개발 작업이 로컬 컴퓨터, 원격 호스트, 샌드박스, 서비스와 운영 시스템으로 흩어져 있다는 점이다. 개발자가 직접 다루는 터미널 작업과 CI, 백그라운드 작업, 병렬로 실행되는 AI 에이전트가 서로 다른 도구와 로그에 갇혀 있어 맥락과 이력을 이어가기 어렵다는 것이다. 회사는 AI 확산으로 이런 단절이 더 뚜렷해지고 비용도 커졌지만, 시스템 관리와 원격 개발, 협업은 오래전부터 같은 문제를 겪어 왔다고 설명했다.

해법은 여러 작업을 묶어 주는 장기 세션 계층이다. 이 세션은 애플리케이션과 실행 환경을 넘나들며 필요한 맥락과 이력을 보존하고, 데이터와 동작을 구조화해 제공한다. 소프트웨어가 자동으로 제어할 수 있으면서도 사람이 과정을 보고 개입할 수 있어야 한다. 슈퍼로지컬은 먼저 좋은 멀티플렉서를 만들고, 세션 구성 요소를 서로 조합할 수 있게 한 뒤, 운영 환경에서도 안전하게 쓸 수 있도록 확장하는 3단계 계획을 제시했다.

터미널 멀티플렉서는 이 구상의 첫 구현이다. 터미널은 개발자와 AI 에이전트, 개발 도구와 인프라를 이미 연결하고 있어 다음 단계로 확장하기 좋은 기반이라는 판단이다. 다만 자동화 작업과 운영 시스템을 어떤 프로토콜과 권한 모델로 연결할지, 장기 세션을 회사가 클라우드 서비스로 제공할지 사용자의 자체 운영을 허용할지는 아직 설명하지 않았다.

Ghostty를 상용화하는 회사는 아니다

새 제품은 Ghostty의 재사용 가능한 터미널 코어인 libghostty를 사용한다. 슈퍼로지컬은 다른 개발자와 마찬가지로 MIT 라이선스에 따라 libghostty를 사용하며, 여러 사용자에게 도움이 되는 개선 사항은 Ghostty에 다시 기여할 계획이다. 하시모토는 Ghostty의 비영리 목적, 거버넌스, 라이선스, 기술 목표와 로드맵은 바뀌지 않는다고 밝혔다.

Ghostty는 2025년 미국 501(c)(3) 비영리 단체 Hack Club의 재정 후원 아래 비영리 프로젝트로 전환됐다. Ghostty의 이름과 상표를 포함한 관련 지식재산도 Hack Club로 이전됐다. 하시모토가 슈퍼로지컬 발표 글에서 Ghostty를 “절대 상용화할 의도가 없다”고 다시 밝힌 이유다. 회사는 오픈소스인 libghostty를 활용해 별도 제품을 만들되, Ghostty 자체는 공익 목적의 오픈소스 프로젝트로 남긴다는 경계를 분명히 했다.

하시모토는 2023년 12월 11년간 몸담은 하시코프를 떠났다. 2016년 최고경영자 자리에서 물러났고 2021년에는 경영진과 이사회에서도 빠졌으며, 떠나기 전에는 엔지니어로 일했다. 이후 육아와 기부 활동에 집중하는 한편 개인 프로젝트로 시작한 Ghostty를 공개했고, 이번 발표 글에서는 현재 매일 수백만 명이 Ghostty를 사용한다고 밝혔다. 슈퍼로지컬은 하시코프를 떠난 뒤 처음 세운 회사이자 Ghostty 개발 과정에서 발견한 더 넓은 터미널 문제를 팀과 함께 풀기 위해 세운 회사다.

하시코프와 Poolside, Vercel 출신 4명이 창업

공동창업팀은 4명이다. 하시모토는 Ghostty를 만들었고 하시코프를 공동창업해 Vagrant, Terraform, Vault 등을 개발했다. 하시코프 첫 직원이었던 Jack Pearkes는 엔지니어링 부사장과 연구개발 부사장을 맡아 초기 제품과 엔지니어링 조직을 만들었다. Alasdair Monk는 AI 기업 Poolside의 경험 부문 책임자와 Vercel 디자인 부사장을 지냈고 하시코프와 Heroku에서도 디자인 조직을 이끌었다. Hector Simpson은 Poolside에서 애플리케이션, 서비스와 에이전트 인터페이스를 설계했고 Heroku, 하시코프, Clearbit, Vercel에서 개발자용 제품을 만들었다.

회사 X 계정은 공동창업팀을 “Ghostty와 Echo의 제작진”으로 소개한다. 이 가운데 Monk와 Simpson은 모바일 터미널 개발 경험을 갖고 있다. 두 사람이 만든 Echo는 iPhone과 iPad용 SSH와 Mosh 클라이언트다. Echo는 네트워크가 바뀌어도 세션을 유지하는 Mosh를 비롯해 Face ID, SSH 인증서, 하드웨어 키보드와 멀티윈도우를 지원하며, 모바일에서 터미널 기반 코딩 에이전트를 확인하고 승인하는 용도로도 안내한다. 슈퍼로지컬이 처음부터 웹과 macOS, iOS 접속을 제시한 것은 이 팀의 터미널 코어와 모바일 인터페이스 경험을 합친 선택으로 보인다.

Notable Capital이 시드 주도, 투자액은 비공개

Notable Capital이 시드 투자를 주도했고 Amplify Partners도 투자했다. 개인 투자자로는 Aaron Levie, Armon Dadgar, Dax Raad, Greg Foster, Guillermo Rauch, Jacob Thornton, Mario Zechner, Merrill Lutsky, Patrick Collison, Stephen Haney, Steve Ruiz, Tobias Lütke와 Tomas Reimers 등 13명이 참여했다. 명단에는 하시코프 공동창업자 Armon Dadgar와 Vercel 창업자 Guillermo Rauch 등 공동창업팀과 인연이 있는 개발 도구 기업 관계자도 포함됐다.

Notable Capital의 Glenn Solomon은 2014년 직원 5명에 매출도 없던 하시코프에 시리즈 A 투자를 집행했고, 12년 만에 다시 하시모토의 새 회사 시드 투자를 이끈다고 설명했다. 슈퍼로지컬과 투자자는 시드 투자액과 기업가치를 공개하지 않았다.

제품은 출시 전 단계, 주요 정보는 아직 미공개

이번 소식은 완성된 제품 출시가 아니라 회사와 개발 방향을 공개한 단계다. 터미널 멀티플렉서의 제품명, 정확한 베타 시작일, 가격, 라이선스와 소스 공개 범위는 아직 공개되지 않았다. Linux와 Windows용 클라이언트 제공 여부, 기존 tmux 설정과 플러그인 호환성, 세션 저장 위치와 종단 간 암호화, 자체 호스팅 방식도 알 수 없다. 이들 항목은 베타가 공개될 때 다시 확인해야 한다.

현재 공개된 범위만 보면 슈퍼로지컬의 목표는 tmux의 화면을 개선하는 데 머물지 않는다. 개발자와 자동화 도구, AI 에이전트가 작업 세션과 이력을 공유할 수 있는 기반을 만들려 한다. 범위가 큰 만큼 첫 베타가 세션 유지, 원격 접속과 협업이라는 기본 기능을 얼마나 안정적으로 구현하는지가 우선이다. 장기 비전보다 먼저 평가받을 것은 멀티플렉서 자체의 완성도다.

오픈AI가 7월 29일 애플리케이션 보안 에이전트 Codex Security의 명령줄 인터페이스(CLI)와 TypeScript SDK를 오픈소스로 공개했다. 새 CLI는 저장소를 스캔하고 검사마다 발견한 취약점의 변화를 추적하며, 수정 여부를 검증하고 CI에서 보안 검사를 실행한다. 공개 npm 패키지는 누구나 설치할 수 있고, 단일 저장소와 특정 파일부터 조직 단위 일괄 검사까지 다룬다.

Codex Security를 터미널과 SDK에서 호출한다

Codex 채팅의 Codex Security 플러그인이 현재 작업 중인 저장소를 대화형으로 검사한다면, 독립 CLI와 SDK는 터미널과 자동화 환경에서 Codex Security를 호출하고 여러 저장소의 검사 결과를 실행별로 관리하는 클라이언트다. Codex Security 자체는 지난 3월 연구 프리뷰로 먼저 공개됐다. 저장소는 Apache 2.0 라이선스로 공개됐고 npm의 @openai/codex-security 패키지는 0.1.1이 최신 버전이다. 설치 환경은 Node.js 22 이상이며 실제 스캔과 결과 내보내기에는 Python 3.10 이상도 필요하다.

기본 명령은 codex-security scan이다. 전체 저장소뿐 아니라 특정 경로, 두 Git 리비전 사이의 변경, 커밋하지 않은 작업 트리를 대상으로 삼을 수 있다. 위협 모델과 아키텍처 문서를 지식 기반으로 추가해 시스템 맥락을 보완하고, 표준 검사보다 넓은 범위를 보는 심층 모드도 선택할 수 있다.

단일 저장소부터 조직 전체와 CI까지 다룬다

bulk-scan은 GitHub 계정이나 조직에서 최근 90일 동안 활동한 저장소를 찾아 선택하게 하고, 보관된 저장소와 포크는 기본적으로 제외한다. 반복 가능한 검사는 저장소 주소와 정확한 Git 커밋을 적은 CSV로 실행할 수 있다. 결과 디렉터리를 그대로 두고 같은 명령을 다시 실행하면 완료된 저장소를 건너뛰고 중단된 캠페인을 이어간다.

각 스캔은 사람이 읽는 보고서와 함께 발견 사항, 검사 범위와 제외 영역을 구조화한 파일을 남긴다. 이전 검사 결과와 새 결과의 발견 사항을 대응시켜 새로 생긴 문제, 계속 남은 문제, 다시 열린 문제와 해결된 문제를 비교할 수 있고, 오탐으로 판단한 이유는 다음 스캔에 맥락 정보로 전달된다. CI에서는 pull request 변경분을 검사해 심각도 기준으로 작업을 실패시키고 CSV, JSON, SARIF 형식으로 내보낼 수 있다. SARIF 결과는 GitHub Code Security에 올릴 수 있다.

저장소를 스캔하고 결과를 확인하는 방법

가장 간단한 사용 흐름은 패키지를 설치하고 로그인한 뒤 검사할 저장소에서 scan을 실행하는 것이다. 스캔이 끝나면 결과 디렉터리에 사람이 읽는 report.md와 구조화된 findings.json, 검사 범위를 담은 coverage.json, 실행 정보를 기록한 scan-manifest.json이 생성된다. 기본 결과를 확인하는 데 export는 필요하지 않다.

npm install @openai/codex-security

npx codex-security login

cd /path/to/repository
OUT=~/.local/share/codex-security-results
mkdir -p "$OUT" && chmod 700 "$OUT"
npx codex-security scan . \
  --output-dir "$OUT"

less "$OUT/report.md"
less "$OUT/findings.json"

export는 완료된 스캔을 다시 분석하지 않고 CSV, JSON, SARIF 같은 외부 연동 형식으로 변환하는 선택 단계다. 예를 들어 GitHub Code Security에 결과를 올리려면 SARIF 파일을 만들 수 있다. 이 작업은 Codex를 다시 실행하거나 로그인 정보를 불러오지 않는다.

npx codex-security export "$OUT" \
  --export-format sarif \
  --source-root . \
  --output "${OUT}.sarif"

scan .은 현재 저장소 전체를 검사한다. 특정 파일이나 디렉터리만 보려면 --path, 두 Git 리비전의 차이를 보려면 --diff, 커밋하지 않은 변경을 보려면 --working-tree를 추가한다. CI에서는 --fail-on-severity로 지정한 심각도 이상의 발견 사항이 있을 때 작업을 실패시킬 수 있다.

미국 AI 기업 앤트로픽(Anthropic)과 오픈AI(OpenAI), 구글, 메타 등 프런티어 AI 기업 직원 1,224명이 자동화된 AI 개발의 속도를 의도적으로 조절하는 데 필요한 기술과 거버넌스 수단을 개발할 국제적 노력을 미국 정부가 지원하라고 촉구했다. 이들이 7월 공개한 성명 ‘프런티어 AI 개발 속도 조절(Pacing the Frontier)’은 AI 연구 자동화가 AI 능력 개발을 인간의 이해와 통제 범위 밖으로 빠르게 가속할 위험에 대비하자는 제안이다. 구체적인 발동 기준이나 검증 체계는 제시하지 않고, 이를 마련할 국제적 작업의 출발을 요구했다. 여기서 프런티어 AI는 현재 최고 성능급 모델을 개발하는 영역을 뜻한다.

미국 정부에 속도 조절 수단 개발할 국제 협력 요구

서명자들은 특정 사업을 지목하지 않은 채 “프런티어 모델 출시를 감시하는 기존 작업”을 토대로, 미국 정부가 자동화된 AI 개발 속도를 조절할 기술과 거버넌스 수단을 만드는 국제적 노력을 지원하라고 요구했다.

성명이 속도 조절 수단을 요구한 배경에는 AI 연구 자동화와 경쟁 압력이 있다. AI가 후속 AI 개발에 더 많이 투입되면 능력 발전이 인간의 이해와 통제보다 빠르게 진행될 수 있다. 위험 대응과 보안 조치, 감독 체계를 마련할 시간이 필요해도 각 기업과 국가는 경쟁에서 뒤처질 수 있다는 이유로 혼자 속도를 늦추기 어렵다는 것이 서명자들의 진단이다.

“우리는 미국 정부에 자동화된 AI 개발 프런티어의 진전 속도를 의도적으로 조절하는 데 필요한 기술과 거버넌스 수단을 개발할 국제적 노력을 지원해 달라고 요청한다.”

요구의 초점은 필요할 때 여러 나라와 연구소가 함께 속도를 조절할 수 있도록 기술적 감시와 검증 방법, 국제 협력의 기반을 미리 만드는 데 있다.

서명 97.5%가 네 대형 AI 기업 계열, 앤트로픽과 오픈AI도 입장 밝혀

2026년 7월 29일 오후 6시 35분 공개 페이지를 확인한 결과 서명은 1,224건이었다. 앤트로픽, 오픈AI, 구글, 메타 계열이 전체의 97.5%를 차지했고, 실명 서명자는 948명, 익명 서명자는 276명이었다.

직책이 공개된 서명자에는 다리오 아모데이(Dario Amodei) 미국 앤트로픽 최고경영자, Jared Kaplan 미국 앤트로픽 최고과학책임자, Jakub Pachocki 미국 오픈AI 수석과학자, 마크 첸(Mark Chen) 미국 오픈AI 최고연구책임자, John Schulman 미국 Thinking Machines 수석과학자와 셩지아 자오(Shengjia Zhao) 미국 Meta AI 수석과학자 등이 포함됐다. 그 밖의 소속 31명에는 Thinking Machines 직원 8명과 xAI 기술 직원 Joseph Jennings 등이 이름을 올렸다.

앤트로픽과 오픈AI는 같은 날 공식 X 계정으로 성명과 관련한 회사 입장을 밝혔다. 앤트로픽은 이 서명 운동을 지지한다고 명시하고, 최고경영자와 여러 공동창업자, 고위 직원이 서명했다고 소개했다. 오픈AI는 미래에 프런티어 모델 개발 속도가 매우 빨라져 세계가 AI 발전 속도를 조절해야 할 수 있다고 진단하고, 다른 연구소와 오픈소스 공동체와 함께 미국 정부 주도의 도구 개발에 기여하기를 바란다고 밝혔다.

서명자가 남긴 코멘트도 조정 장치 마련에 초점을 맞췄다. John Schulman은 자동화된 AI 연구가 진전을 가속할 때 조정 장치가 필요할 수 있다는 공통 인식을 만드는 성명이라고 설명하고, 미국 정부가 관여하기 전부터 연구소들이 자발적으로 장치를 설계해야 한다고 썼다. 셩지아 자오는 현재의 발전 속도를 사회가 감당할 준비가 되지 않았을 수 있다고 적었다.

앤트로픽, 별도 연구에서 AI 연구 자동화 위험 제시

성명은 속도 조절 수단의 구체안을 담지 않았다. 앤트로픽은 공식 지지 게시물에서 별도로 6월 공개한 ‘AI가 스스로를 만들 때(When AI builds itself)’를 성명과 연결했다. 이 연구는 사람이 방향을 정하고 AI가 일부 연구를 수행하는 단계, AI가 후속 모델 개발을 대부분 자동화하는 단계, 기술과 공급망 병목으로 발전이 둔화하는 경우를 나눠 살폈다. 앤트로픽은 경로를 정확히 예측할 수는 없지만, AI 연구 자동화가 능력 발전을 급격히 앞당길 가능성에 대비해야 한다고 주장했다.

연구 글에서 앤트로픽은 여러 나라의 프런티어 연구소가 같은 조건으로 속도를 늦추거나 멈추고, 약속 이행을 검증하는 체계를 제안했다. 다른 개발사도 검증 가능한 방식으로 동참하는 체계가 마련된다면 자사도 속도를 늦추거나 일시 정지할 수 있다는 입장이다. 모델 학습에 쓰는 반도체와 데이터센터는 다른 민간 용도에도 활용되므로, 특정 학습의 목적과 합의 위반 여부를 외부에서 식별하는 기술이 핵심 과제로 꼽혔다.

국제 공조의 핵심 과제는 경쟁 압력과 검증

한 회사만 속도를 늦추면 경쟁자가 앞설 수 있고, 여러 회사가 동시에 멈추기로 해도 비밀 학습을 적발하지 못하면 합의가 무너진다. Pacing the Frontier가 기술과 거버넌스 수단을 함께 요구한 이유다. 국제 공조가 실제 정책이 되려면 어떤 상황에서 속도를 조절하고, 참여자가 약속을 지키는지 어떻게 확인할지 정해야 한다.

성명은 발동 기준과 검증 주체를 정하지 않았다. 실제 제도를 설계하는 단계에서는 감시 비용과 영업비밀 보호, 참여국의 주권 문제가 함께 제기될 수 있다. 넓은 지지를 모은 짧은 성명을 실행 가능한 합의로 바꾸려면 이 쟁점을 풀어야 한다.

Joe Carlsmith 미국 앤트로픽 기술 직원은 개인 의견임을 밝힌 3월 글에서 AI 능력 제한이 권력을 집중시키고 개발을 중앙집중화할 수 있으며, 권위주의 국가에 경쟁 우위를 넘길 위험도 있다고 지적했다. 잘못 설계된 제한은 안전을 높이지 못한 채 반발과 양극화를 키울 수 있다는 것이다. 그는 이런 교환관계를 인정하면서도, 안전을 위해 필요할 때 개발을 제한할 선택지는 만들어야 한다고 결론 내렸다.

Pacing the Frontier는 AI 개발 속도를 당장 낮추자는 선언이 아니라, 앞으로 속도를 조절해야 할 상황이 와도 이를 공동으로 실행하고 검증할 방법이 없는 현재 상태를 문제 삼은 성명이다. 미국 정부가 국제적 기술과 거버넌스 개발을 실제로 지원하는지, 주요 AI 개발국과 연구소가 검증 가능한 협력에 참여하는지가 다음 단계다.