1. Z.ai, GLM-5.2 오픈 웨이트 모델 공식 출시
6월 13일 발표를 바탕으로, Z.ai는 이제 GLM-5.2 모델 가중치를 공개했습니다. 7,440억 개의 파라미터와 100만 토큰의 컨텍스트 윈도우를 갖춘 이 모델은 vLLM, SGLang, Transformers, llama.cpp와 같은 프레임워크를 통해 셀프 호스팅이 가능합니다. 이 모델은 장기 추론 및 에이전트 작업에 뛰어나지만, 멀티모달 기능이 없는 텍스트 전용 모델입니다.
- • GLM-5.2는 이제 MIT 라이선스 하에 오픈 웨이트 모델로 제공됩니다.
- • 이 모델은 총 7,440억 개의 파라미터와 100만 토큰의 컨텍스트 윈도우를 특징으로 합니다.
- • 장기 추론 및 에이전트 작업에 최적화되어 있으며, 세 가지 사고 노력 모드를 지원합니다.
- • Unsloth Dynamic GGUF를 통해 로컬 실행을 지원하며, 디스크 공간 요구 사항을 줄이기 위한 양자화 옵션을 사용할 수 있습니다.
개발자들은 이제 API 기반 테스트에서 벗어나, 독점적인 대안보다 훨씬 저렴한 비용으로 로컬 에이전트 워크플로우를 위한 전체 추론 모델을 직접 호스팅할 수 있게 되었습니다.
2. Gemma 4 모델, QAT를 활용한 고품질 4비트 로컬 추론 지원
Gemma 4는 네이티브 MTP 및 고품질 저비트 양자화와 같은 상당한 기술적 이점을 제공하지만, 학습 시간 증가로 인해 커스텀 파인튜닝 도입이 다소 늦어지고 있습니다. 그러나 Equinox 및 MeroMero와 같은 초기 커뮤니티 릴리스는 아키텍처에 대한 개발자들의 관심이 커지고 있음을 보여줍니다.
- • Gemma 4 모델은 Apache 2.0 라이선스 하에 12B, 26B-A4B, 31B 크기로 제공되며, 네이티브 이미지 및 비디오 이해 기능을 갖추고 있습니다.
- • QAT(양자화 인식 학습)를 통해 4비트 양자화 버전도 BF16 베이스 모델과 유사한 품질 수준을 유지합니다.
- • 12B 모델은 8GB VRAM에, 31B 모델은 20~24GB VRAM에 탑재 가능합니다.
- • Gemma 4 모델 파인튜닝은 원본 BF16 버전과 비양자화 QAT 버전 모두에서 학습해야 하므로 최대 두 배의 시간이 걸릴 수 있습니다.
- • 모든 모델은 글로벌 MTP(다중 토큰 예측)를 지원합니다.
개발자들은 최소 8GB의 VRAM만으로도 소비자용 GPU에서 고성능의 Apache 2.0 라이선스 멀티모달 모델을 로컬에서 실행할 수 있습니다.
3. Inception Labs, 확산 기반 추론 모델 Mercury 2 출시
전통적인 자기회귀 생성에서 확산 기반 아키텍처로 전환함으로써 Mercury 2는 엄청난 처리량 향상을 달성했습니다. 이는 지연 시간이 역사적으로 제한 요소였던 고주파수, 다단계 에이전트 루프를 실행해야 하는 개발자들에게 특화된 도구가 됩니다.
- • Mercury 2는 초당 약 1,000토큰을 생성하여 Google의 DiffusionGemma를 능가합니다.
- • 이 모델은 이미지 모델에서 일반적으로 사용되는 생성 프로세스를 텍스트 추론에 적용한 확산 기술을 활용합니다.
- • 복잡한 프론티어 수준의 추론 작업보다는 대용량, 속도 민감형 워크플로우에 특별히 최적화되어 있습니다.
- • Mercury 2는 API 또는 클라우드 서비스를 통해서만 이용 가능합니다.
개발자들은 신속하고 구조화된 추론이 필요한 초저지연 워크플로우와 고처리량 에이전트 파이프라인을 구축할 수 있습니다.
4. Alibaba, 다중 이미지 참조 기능을 갖춘 비디오 생성 모델 HappyHorse 1.1 출시
Alibaba의 이번 업그레이드는 여러 자산을 단일 생성 패스로 통합하는 멀티모달 생성의 중요한 진전을 의미합니다. 이번 출시는 Alibaba의 527억 달러 규모 글로벌 클라우드 네트워크 확장과 동시에 이루어졌으나, 최근 동사는 펜타곤의 중국 군사 기업 목록에 추가되었습니다.
- • HappyHorse 1.1은 Alibaba Cloud Model Studio에서 전체 API 액세스와 함께 제공되며, 출시 후 첫 2주간 40% 할인 혜택을 제공합니다.
- • 이 모델은 캐릭터 일관성을 위한 R2V 다중 이미지 참조 기능, 향상된 모션 품질, 제로 드리프트 립싱크 기능을 갖추고 있습니다.
- • 텍스트, 이미지, 비디오, 오디오를 단일 생성 패스로 처리하는 150억 파라미터의 통합 셀프 어텐션 트랜스포머를 기반으로 합니다.
- • 이전 버전인 HappyHorse 1.0은 Artificial Analysis Video Arena 리더보드에서 2위를 차지했습니다.
개발자들은 API로 접근 가능한 통합 모델을 사용하여 일관된 캐릭터와 동기화된 오디오를 갖춘 고급 비디오 생성 및 편집 기능을 구축할 수 있습니다.
5. InclusionAI, Ling-2.6 및 초고속 Ling-mini-2.0 모델 출시
이번 릴리스는 거대한 1조 파라미터 플래그십 모델부터 고도로 최적화된 엣지 모델까지 로컬 배포를 위한 확장 가능한 옵션을 제공합니다. 표준 CPU 및 저사양 GPU 하드웨어에서 보여주는 미니 모델의 성능은 온디바이스 에이전트 작업에 강력한 후보가 됩니다.
- • InclusionAI는 1조 파라미터의 Ling-2.6-1T와 1,000억 파라미터의 Ling-2.6-flash 베이스 모델을 출시했습니다.
- • Ling-2.6-flash는 Q4 양자화 사용 시 24GB 또는 32GB VRAM에서 실행할 수 있습니다.
- • 더 작은 Ling-mini-2.0-IQ4_XS(16B-A1.4B 모델)는 단일 8GB VRAM GPU에서 초당 160토큰을 달성합니다.
- • 32GB RAM을 탑재한 CPU 전용 추론 환경에서 Ling-mini-2.0-IQ4_XS는 초당 50~70토큰을 제공합니다.
개발자들은 8GB VRAM GPU 및 표준 CPU를 포함한 매우 제한적인 하드웨어에서도 빠르고 지연 시간이 짧은 로컬 추론을 실행할 수 있습니다.
6. Moebius: 10B급 성능을 갖춘 0.2B 파라미터 이미지 인페인팅 모델
arXiv 논문 2606.19195에 자세히 설명된 Moebius는 극단적인 구조적 압축으로 인해 발생하는 용량 저하 문제를 해결합니다. LCG를 재구성된 U-Net과 결합함으로써, 이 프레임워크는 기존 10B 파라미터 확산 모델의 거대한 계산 비용 없이 고품질 이미지 인페인팅을 제공합니다.
- • Moebius는 고용량 성능을 달성하기 위해 LCG(Latent Categories Guidance)가 탑재된 LDM(Latent Diffusion Model) 아키텍처를 사용합니다.
- • 이 프레임워크는 단 0.2억 개의 파라미터만 사용하면서 경쟁사인 100억 파라미터 모델보다 15배 빠르게 실행됩니다.
- • 적응형 다중 세분성 증류 전략은 경량 모델을 고용량 교사 모델과 정렬하여 용량 저하를 방지합니다.
- • 디노이징 U-Net은 아키텍처 효율성을 극대화하기 위해 LλM I 블록을 사용하여 재구성되었습니다.
개발자들은 고효율, 저지연 이미지 편집 및 인페인팅 기능을 엣지 디바이스나 저비용 클라우드 인스턴스에 직접 배포할 수 있습니다.
7. Sakana AI, Fugu 멀티 에이전트 오케스트레이션 API 출시
Fugu의 아키텍처는 Sakana의 TRINITY 및 Conductor 연구 논문을 기반으로 하며, 설계상 특정 모델 선택 및 조정 전략을 사용자에게 숨깁니다. 일상적인 작업을 위한 고속 버전과 연구 및 사이버 보안과 같은 복잡한 작업을 위한 플래그십 Fugu Ultra를 제공합니다. 그러나 초기 사용자 보고에 따르면 Fugu Ultra는 속도가 느릴 수 있으며, 일부 복잡한 코딩 테스트는 실행에 최대 30분이 소요되기도 합니다.
- • Fugu와 Fugu Ultra는 OpenAI 호환 API를 통해 단일 모델로 작동하며, 모델 선택, 위임 및 합성을 관리합니다.
- • Fugu Ultra는 입력 토큰 100만 개당 5달러, 출력 토큰 100만 개당 30달러로 책정되었으며, 272K 토큰을 초과하는 워크로드에는 더 높은 요금이 적용됩니다.
- • Fugu Ultra는 SWE-Bench Pro에서 73.7점을 기록하여 Claude Opus 4.8을 능가했지만 Claude Fable 5에는 뒤처졌습니다.
- • 사용자는 학습 데이터 사용을 거부하고 라우팅 풀에서 특정 모델이나 제공업체를 제외할 수 있습니다.
- • 이 서비스는 현재 GDPR 규정 준수 문제로 인해 유럽 연합 및 유럽 경제 지역에서 사용할 수 없습니다.
개발자들은 복잡한 다중 모델 라우팅 인프라를 직접 관리하지 않고도 프론티어 수준의 성능에 접근하고 벤더 종속성을 완화할 수 있습니다.
8. Ai2, 최대 27B 파라미터의 TMax 터미널 에이전트 모델 출시
TMax 학습 레시피는 안정성 수정이 포함된 GRPO를 활용하여 2B에서 27B 파라미터 범위의 모델을 학습시킵니다. 차세대 최대 오픈 터미널 데이터셋보다 2.5배 이상 큰 TMax-15k 데이터셋을 활용하여, 이 모델들은 강력한 명령줄 실행 기능을 제공합니다. Qwen 3.5 기반의 9B 변형은 OpenThoughts 데이터셋에서 DPPO를 사용하여 구축되었으며 TMax 어블레이션을 주도합니다.
- • Ai2는 Hugging Face에 TMax 9B 및 TMax 27B 터미널 에이전트 모델을 출시했습니다.
- • TMax 27B는 Terminal Bench 2.0에서 42.7%의 점수를 기록하여 Kimi K2.5와 같은 훨씬 큰 모델의 성능에 근접했습니다.
- • TMax-9B 모델은 Terminal Bench 2.0에서 27.2%, Terminal Bench Lite에서 53.0%를 달성했습니다.
- • 이 모델들은 14,600개의 강화 학습 환경을 포함하는 TMax-15k 데이터셋을 사용하여 학습되었습니다.
개발자들은 고도로 전문화된 오픈 웨이트 터미널 에이전트를 CLI 도구 및 로컬 자동화 워크플로우에 통합할 수 있습니다.
9. Codex, 과도한 SSD 마모를 유발하는 SQLite 로깅 버그 수정
이 버그는 유지된 행과 기록된 삽입 행 ID 사이에 10,000배의 격차를 보여 심각한 쓰기 증폭을 나타냈습니다. Codex를 로컬에서 실행하는 개발자는 이러한 로깅 필터를 적용하고 하드웨어 수명을 보호하기 위해 최신 업데이트를 받아야 합니다.
- • Codex의 SQLite 피드백 데이터베이스의 글로벌 TRACE 로깅 기본값으로 인해 21일 가동 시간 동안 최대 37TB에 달하는 과도한 디스크 쓰기가 발생했습니다.
- • 이 문제는 내부 로그, 종속성 노이즈, 원시 WebSocket 페이로드를 유지하고 삽입-삭제 주기에서 발생하는 높은 쓰기 증폭이 결합되어 발생했습니다.
- • 2026년 6월 22일, 노이즈가 많은 대상을 필터링하고 모든 WebSocket 이벤트를 로깅하는 것을 중단하기 위해 두 개의 풀 리퀘스트가 병합되었습니다.
- • 병합된 수정 사항은 Codex의 로컬 로그 볼륨을 85% 줄일 것으로 예상됩니다.
Codex를 사용하는 개발자는 심각한 쓰기 증폭과 조기 SSD 고장을 방지하기 위해 즉시 설치를 업데이트해야 합니다.
10. OpenAI, 'Patch the Planet'을 통해 GPT-5.5-Cyber 및 Codex 보안 액세스 확대
5월 Daybreak 보안 에이전트 발표를 바탕으로, OpenAI는 이제 'Patch the Planet' 이니셔티브를 통해 Codex 보안 스캐너와 GPT-5.5-Cyber 모델에 대한 액세스를 개방하고 있습니다. 이 프로그램은 오픈 소스 유지 관리자에게 보조금 지원 보안 스캔 및 전문가 패치 지원을 제공하여 기술을 초기 판매 제한 미리보기 이상으로 확장합니다.
- • OpenAI는 Codex 보안 스캐너를 앱 플러그인으로 출시하여 오픈 소스 및 개인 코드에 대해 20조 토큰을 보조합니다.
- • Trail of Bits, HackerOne, Calif와 파트너십을 맺은 'Patch the Planet' 이니셔티브는 무료 보안 컨설팅 및 취약점 패치를 제공합니다.
- • GPT-5.5-Cyber는 CyberGym 벤치마크에서 85.6%를 기록하여 Anthropic의 Mythos 5 모델을 능가했습니다.
- • 프로그램 참가자는 6개월간의 무료 ChatGPT Pro와 6개월간의 Codex 보안 스캐너 액세스 권한을 받습니다.
- • Trail of Bits 엔지니어들의 5일간의 초기 스프린트를 통해 수백 개의 버그가 발견되었으며 참여 프로젝트 전반에 걸쳐 수십 개의 패치가 생성되었습니다.
오픈 소스 개발자들은 이제 보조금 지원 보안 스캔과 전문가 패치를 활용하여 신흥 AI 기반 사이버 위협으로부터 코드베이스를 보호할 수 있으며, 이는 이전에 엔터프라이즈 파트너에게만 제한되었던 기능을 확장한 것입니다.
11. 'Vibe-Coded' 애플리케이션의 보안 위험 증가
AI로 기능성 소프트웨어를 쉽게 생성할 수 있게 되면서 적절한 보안 감사 없이 배포되는 애플리케이션이 급증했습니다. Claude Code와 같은 도구가 결함 식별을 도울 수 있지만, 개발자는 경계를 늦추지 말고 정기적인 수동 보안 검토를 수행하며 민감한 비즈니스 정보를 처리할 때는 전문 보안 엔지니어를 고용하는 것을 고려해야 합니다.
- • Red Access의 보고서에 따르면 공개적으로 접근 가능한 5,000개의 'vibe-coded' 앱 중 거의 2,000개가 민감한 의료, 금융 또는 전략적 데이터를 유출하고 있습니다.
- • AI 에이전트 소셜 네트워크 Moltbook은 열린 프로덕션 데이터베이스로 인해 수만 개의 개인 메시지와 이메일을 노출했습니다.
- • Claude Code와 같은 AI 코딩 도구는 `/security-review`와 같은 내장 보안 명령을 제공하지만 개발자가 수동으로 호출해야 합니다.
- • 보안 전문가들은 로컬 전용 앱은 위험이 낮다고 보지만, 공유 호스팅 데이터로 전환할 때는 전문적인 보안 표준이 필요하다고 경고합니다.
AI 코딩 어시스턴트를 사용하는 개발자는 프로덕션 환경에서 민감한 사용자 데이터가 유출되는 것을 방지하기 위해 보안 검토를 적극적으로 실행하고 위협 모델을 수립해야 합니다.
12. Self-Harness 프레임워크, AI 에이전트가 자체 운영 규칙을 재작성하도록 허용
상하이 인공지능 연구소에서 개발한 Self-Harness는 측정 가능하고 결정론적인 결과가 있는 환경에 최적화되어 있습니다. 실행 규칙의 개선을 자동화함으로써 이 프레임워크는 수동 프롬프트 엔지니어링의 필요성을 줄여주지만, 개발자는 성능 향상과 증가하는 토큰 비용 및 지연 시간 사이에서 균형을 맞춰야 합니다.
- • Self-Harness는 약점 마이닝, 하네스 제안, 제안 검증의 3단계 루프를 사용하여 에이전트 프로토콜을 업데이트합니다.
- • 이 프레임워크는 GLM-5 및 Qwen-3.5와 같은 모델을 사용하여 Terminal-Bench-2.0 작업에서 33%에서 60%의 상대적 성능 향상을 달성했습니다.
- • 인간의 엔지니어링이나 더 강력한 외부 모델 없이도 에이전트가 모델별 약점에 적응할 수 있게 합니다.
- • 이 시스템은 API 토큰 사용량 증가, 지연 시간, 회귀 테스트 인프라를 포함한 상당한 계산 오버헤드를 발생시킵니다.
- • 연구진은 의학이나 안전이 중요한 시스템과 같은 고위험 또는 주관적인 분야에서 Self-Harness를 사용하는 것을 권장하지 않습니다.
개발자들은 코딩 및 DevOps와 같은 결정론적 환경에서 성능을 최대 60%까지 향상시키기 위해 스스로 개선하는 에이전트 루프를 구현할 수 있습니다.
13. Oak: AI 에이전트를 위해 설계된 Git 대안
전체 저장소 복제의 필요성을 제거함으로써 Oak는 샌드박스 환경이 빠르게 시작되고 코드를 수정해야 하는 에이전트 워크플로우의 주요 병목 현상을 해결합니다. 초기 개발 단계이며 자체 빌드를 위해 GitHub Actions에 의존하지만, 에이전트 네이티브 개발자 도구로의 전환을 의미합니다.
- • Oak는 가상 마운트를 활용하여 에이전트가 저장소의 전체 복사본 없이도 로컬 또는 클라우드에서 작업할 수 있도록 합니다.
- • 이 시스템은 전체 다운로드나 Git 작업 트리 없이도 병렬 작업 실행을 가능하게 합니다.
- • 이 프로젝트는 초기 개발 단계이며 현재 CI, 이슈 추적, 댓글, Windows 지원과 같은 기능이 부족합니다.
- • 이 프로젝트는 몇 달 동안 Git 백업 없이 자체 시스템에서 완전히 부트스트랩되었습니다.
코딩 에이전트를 구축하는 개발자들은 Oak를 사용하여 빠르고 병렬적인 작업 실행을 가능하게 하고 에이전트 샌드박스의 디스크 공간 오버헤드를 줄일 수 있습니다.
14. Llama.cpp PR, Gemma 4 로컬 추론 속도 50% 향상
중복 정렬 작업이 특정 샘플러 체인의 병목 현상으로 확인되었습니다. 풀 리퀘스트 작성자는 레거시 동작에 의존하는 다른 샘플러 구성에 변경 사항이 어떤 영향을 미칠지에 대해 약간의 불확실성을 언급했지만, Gemma 4 모델에 대한 성능 향상은 상당합니다.
- • llama.cpp의 풀 리퀘스트 #22645는 Top-N-Sigma 샘플러에서 중복되는 무조건적인 소프트맥스 및 정렬 작업을 제거합니다.
- • 이 최적화는 Top-N-Sigma 샘플러 뒤에 Dist 샘플러가 올 때 효과적입니다.
- • Gemma 4 모델을 탑재한 M3 Max MacBook Pro에서 테스트한 결과 속도가 초당 30토큰에서 45토큰으로 증가했습니다.
- • 이 변경 사항은 테스트된 하드웨어에서 토큰당 지연 시간을 10ms 줄입니다.
로컬 Gemma 4 모델을 실행하는 개발자들은 최적화된 샘플러 체인을 채택하여 지연 시간을 크게 줄일 수 있습니다.
15. 로컬 코드 생성 및 GPU 인터커넥트를 최적화하는 새로운 기술
이러한 개발은 로컬 모델 실행의 주요 병목 현상을 목표로 합니다. 특정 도메인에 추측적 디코딩을 맞춤화하고 저수준 GPU 커널 튜닝을 자동화하는 등 소프트웨어 계층을 최적화함으로써 개발자들은 저렴한 소비자용 하드웨어 구성에서 엔터프라이즈급 성능을 추출할 수 있습니다.
- • Morph LLM은 코딩 출력에 특화된 추측적 디코딩 드래프터를 학습시켜 코드 생성에서 3.07배의 속도 향상을 달성합니다.
- • Autoresearch는 저사양 NVIDIA 및 AMD GPU에 대한 커널 튜닝을 자동화하여 워프 디코드 커널이 초당 162토큰에 도달할 수 있게 합니다.
- • 새로운 PCIe 인터커넥트 방식은 값비싼 NVLink 설정을 대체하며, TCP를 통해 캐시를 공유하는 커널을 사용하여 첫 토큰까지의 시간을 84% 단축합니다.
개발자들은 값비싼 엔터프라이즈 인터커넥트 없이도 소비자용 또는 저사양 하드웨어에서 로컬 코딩 모델과 다중 GPU 설정을 훨씬 빠르게 실행할 수 있습니다.
16. Claude Code, 로컬 사고 로그 암호화로 사용자 접근 제한
이 설계 선택은 모델의 행동을 유도하는 실제 단계별 추론이 독점적으로 유지되도록 합니다. 개발자는 최종 행동과 요약된 논리 경로를 볼 수 있지만, 복잡한 에이전트 세션 중에 생성된 정확한 로컬 로그는 감사할 수 없습니다.
- • 디스크에 저장된 Claude Code 세션 로그에는 600자 암호화 서명이 포함된 사고 블록이 들어 있습니다.
- • Anthropic은 이러한 블록에 대한 암호화 키를 보유하고 있어 사용자가 로컬 로그를 복호화하는 것을 방지합니다.
- • Claude API와 Claude Code의 확장된 사고 출력은 원시 추론이 아닌 모델 논리의 요약을 제공합니다.
- • 암호화되지 않은 전체 사고 출력에 접근하려면 Anthropic과의 엔터프라이즈 계약이 필요합니다.
에이전트 행동을 분석하는 개발자들은 Anthropic이 독점적인 복호화 키를 보유하고 있기 때문에 원시 추론 로그가 아닌 고수준 요약에 의존해야 합니다.
17. Apostate, 모델 거부를 우회하기 위한 대조적 공동 벡터 연산자 추가
이 접근 방식은 편집 후에도 모델의 일반적인 기능이 그대로 유지되도록 KL 발산(Granite에서 0.081 nats 달성)을 최소화합니다. 광범위한 파인튜닝을 적용하는 대신 특정 거부 구성 요소를 타겟팅함으로써 개발자들은 전문화된 작업을 위해 로컬 모델을 더 정확하게 조종할 수 있습니다.
- • Apostate는 거부 방향을 분리하고 제거하기 위해 E = I − R Dᵀ로 정의되는 대조적 공동 벡터 편집 연산자를 추가했습니다.
- • 이 기술은 안전한 프롬프트에 예측기를 맞추고 유해한 프롬프트에서 이를 억제함으로써 무해한 분산을 보존합니다.
- • granite-3.3-8b 모델에서 테스트한 결과, 95.0%의 준수율을 유지하면서 거부율을 96.0%에서 5.0%로 줄였습니다.
- • 이 방법은 잔차 또는 임베딩 스케일링 승수가 있는 아키텍처에서 매우 효과적입니다.
개발자들은 모델의 일반적인 성능을 저하시키거나 심각한 발산을 일으키지 않고 Granite와 같은 오픈 웨이트 모델에서 완고한 안전 거부를 우회할 수 있습니다.
18. 미국 수출 금지 조치, Anthropic의 Mythos 및 Fable에 대한 해외 접근 제한
이러한 제한은 단일 제공업체의 독점 API에 의존하는 것과 관련된 지정학적 위험이 커지고 있음을 강조합니다. 최고 수준의 미국 모델에 대한 접근이 정치적으로 제한됨에 따라, 국제 개발자들은 애플리케이션 파이프라인을 보호하기 위해 오픈 웨이트 모델과 비미국 제공업체를 점점 더 많이 찾고 있습니다.
- • 미국 정부는 외국인이 Anthropic의 최신 AI 모델인 Mythos와 Fable에 접근하는 것을 금지했습니다.
- • FT 분석에 따르면 Anthropic은 2026년에 OpenAI보다 8배 더 높은 비율로 위험과 규제에 대해 논의했습니다.
- • Yann LeCun을 포함한 비평가들은 수출 금지 조치의 원인을 Anthropic의 잦은 AI 위험에 대한 공개 경고로 돌리고 있습니다.
- • 이 금지 조치는 비미국인의 프론티어 모델 접근에 대한 향후 미국 제한 조치에 대해 유럽과 실리콘 밸리에서 광범위한 우려를 불러일으켰습니다.
비미국 개발자들은 Anthropic의 최신 프론티어 모델을 구축하는 데 즉각적인 제한에 직면하여 대체 제공업체나 오픈 웨이트 아키텍처를 찾아야 합니다.