1. NVIDIA, Nemotron 3 Embed 오픈 모델 컬렉션 출시
NVIDIA는 8B BF16 모델, 1B BF16 모델, 그리고 Blackwell 하드웨어에 최적화된 1B NVFP4 모델 등 3개의 오픈 트랜스포머 인코더 체크포인트로 구성된 Nemotron 3 Embed 컬렉션을 출시했습니다. 세 모델 모두 양방향 어텐션 마스킹과 최대 32,768 토큰의 시퀀스 길이를 지원합니다. 1B 모델은 NVIDIA ModelOpt Neural Architecture Search를 사용하여 8B 교사 모델로부터 가지치기(pruning) 및 증류(distillation) 과정을 거쳐 개발되었습니다. 또한, NVIDIA는 1B 모델을 위한 최적화된 Rust 기반 NIM 마이크로서비스를 공개했으며, 이는 GB200 및 RTX PRO 6000 하드웨어에서 vLLM 체크포인트와 동등하거나 더 나은 성능을 제공합니다.
- • Nemotron-3-Embed-8B-BF16 모델은 Retrieval Embedding Benchmark(RTEB)에서 평균 NDCG@10 점수 78.46으로 1위를 차지했습니다.
- • 이 컬렉션에는 8B BF16 모델, 1B BF16 모델, 그리고 Blackwell 하드웨어에 최적화된 1B NVFP4 모델이 포함되어 있습니다.
- • 1B NVFP4 모델은 BF16 버전 대비 검색 정확도를 99% 이상 유지하면서 Blackwell 하드웨어에서 최대 2배 더 높은 처리량을 제공합니다.
- • 모든 모델은 OpenMDW 라이선스 계약 버전 1.1에 따라 출시되었으며 최대 32,768 토큰의 시퀀스 길이를 지원합니다.
개발자는 프로덕션 RAG, 에이전트 메모리 및 코드 검색을 위해 최대 32k 컨텍스트를 지원하는 고정밀 오픈 웨이트 임베딩 모델을 배포할 수 있습니다.
2. trellis.cpp, GGML 기반 TRELLIS.2 3D 생성 버그 수정
trellis.cpp 개발자는 GGML로 포팅된 TRELLIS.2 이미지-to-3D 생성 파이프라인의 치명적인 버그가 수정되었다고 발표했습니다. 포팅된 모델의 에셋 품질은 이제 참조 모델과 동등한 수준이며, GPU 또는 CPU를 통해 로컬 하드웨어에서 고품질 오픈 소스 3D 생성이 가능해졌습니다. 원시 엔진은 GitHub에서 제공되며, 향상된 경험과 선택적인 텍스트-to-3D 캐스케이드를 위해 Lemonade와 통합할 수 있습니다.
- • GGML로 포팅된 TRELLIS.2 이미지-to-3D 생성 파이프라인의 버그가 수정되어 에셋 품질이 참조 모델과 동등해졌습니다.
- • 이 도구를 사용하면 충분한 GPU 성능을 갖춘 하드웨어나 CPU를 통해 로컬에서 오픈 소스 3D 생성이 가능합니다.
- • 원시 엔진은 GitHub에 호스팅되어 있으며, 통합된 경험과 선택적인 텍스트-to-3D 캐스케이드를 위해 Lemonade와 함께 사용할 수 있습니다.
개발자는 이제 최적화된 GGML 포트를 사용하여 소비자용 하드웨어에서 로컬로 고품질 오픈 소스 이미지-to-3D 생성을 실행할 수 있습니다.
3. Capital One, AI 보안 도구 VulnHunter 오픈 소스 공개
Capital One은 Apache 2.0 라이선스 하에 GitHub에서 사용할 수 있는 오픈 소스 에이전트형 AI 보안 도구인 VulnHunter를 출시했습니다. VulnHunter는 소스 코드의 취약점을 스캔하고, 잠재적인 공격 경로를 매핑하며, 프로덕션 배포 전에 타겟팅된 코드 수정을 제안합니다. 이 도구는 API나 파일 업로드와 같은 시스템 진입점에서 시작하여 잠재적인 공격 경로를 추적하는 공격자 우선 전방 분석 방식을 활용합니다. 또한 개발자에게 제시하기 전에 잠재적인 취약점을 반증하도록 설계된 내장 위조 엔진을 포함하여 오탐(false positive)을 줄입니다.
- • Capital One은 오픈 소스 에이전트형 AI 보안 도구인 VulnHunter를 Apache 2.0 라이선스로 출시했습니다.
- • 이 도구는 소스 코드를 스캔하고, 공격자 우선 전방 분석 방식을 사용하여 공격 경로를 매핑하며, 코드 수정을 제안합니다.
- • 내장된 위조 엔진은 잠재적인 취약점을 반증하여 오탐을 최소화합니다.
- • VulnHunter는 현재 Claude Code 환경 내에서 Anthropic의 Claude Opus 4.8 모델을 기반으로 작동합니다.
개발자는 오픈 소스 에이전트형 보안 스캐너를 CI/CD 파이프라인에 통합하여 공격 경로를 자동으로 추적하고 타겟팅된 코드 수정을 생성할 수 있습니다.
4. Brex, AI 에이전트를 위한 네트워크 프록시 CrabTrap 오픈 소스 공개
Brex는 AI 에이전트를 위한 오픈 소스 네트워크 거버넌스 도구인 CrabTrap을 출시했습니다. HTTP/HTTPS 프록시로 작동하는 CrabTrap은 네트워크 트래픽을 가로채어 결정론적 정적 규칙과 익숙하지 않은 요청(일반적으로 전체 트래픽의 3% 미만)에 대한 'LLM-as-a-judge' 방식을 결합하여 보안 정책을 시행합니다. 이 도구는 프레임워크, 언어, API에 구애받지 않으며 표준 프록시 환경 변수만 설정하면 됩니다. 프롬프트 인젝션을 완화하기 위해 CrabTrap은 요청을 JSON 객체로 구조화하여 평가 전에 사용자 제어 콘텐츠를 이스케이프 처리합니다.
- • CrabTrap은 AI 에이전트에 대한 보안 정책을 시행하기 위해 네트워크 트래픽을 가로채는 오픈 소스 HTTP/HTTPS 프록시입니다.
- • 이 도구는 결정론적 정적 규칙을 사용하며 전체 트래픽의 3% 미만에 대해서만 LLM-as-a-judge를 트리거합니다.
- • 프레임워크, 언어, API에 구애받지 않으며 HTTP_PROXY 및 HTTPS_PROXY 환경 변수 설정만 필요합니다.
- • CrabTrap은 요청을 JSON으로 구조화하여 사용자 제어 콘텐츠를 이스케이프하고 프롬프트 인젝션 위험을 완화합니다.
개발자는 프레임워크에 구애받지 않는 프록시를 통해 아웃바운드 네트워크 요청을 가로채고 필터링함으로써 에이전트 배포 환경을 보호할 수 있습니다.
5. GitHub, 맞춤형 앱 통합을 위한 Copilot SDK 출시
GitHub은 개발자가 GitHub Copilot 에이전트를 자신의 맞춤형 애플리케이션 및 개발자 도구에 통합할 수 있도록 Copilot SDK를 공개했습니다. 이 SDK는 외부 워크플로우 내에서 Copilot의 에이전트 기능을 활용하는 데 필요한 인터페이스를 제공하여, 개발자가 Copilot 기반 지원을 배포할 수 있는 범위와 방법을 확장합니다.
- • Copilot SDK는 공개 GitHub 저장소에서 사용할 수 있습니다.
- • 이 SDK를 통해 GitHub Copilot 에이전트를 맞춤형 애플리케이션 및 개발자 도구에 통합할 수 있습니다.
개발자는 GitHub Copilot의 에이전트 기능을 독점 개발자 도구 및 맞춤형 내부 애플리케이션에 직접 내장할 수 있습니다.
6. Anthropic, Claude Code 자동 계속(Auto-Continue) 기능 철회
Anthropic은 2026년 7월 1일 Claude Code 버전 2.1.198을 출시하며, 60초 동안 활동이 없으면 AskUserQuestion 도구가 자동으로 진행되는 문서화되지 않은 자동 계속 기능을 도입했습니다. 이 기능에는 내부 '키보드 부재(AFK)' 지정, 카운트다운 타이머, 분석 추적 기능이 포함되었습니다. 사용자 피드백에 따라 Anthropic은 2026년 7월 3일 버전 2.1.200에서 이 동작을 철회했습니다. Claude Code 소스 코드가 공개되어 있지 않기 때문에 사용자는 컴파일된 바이너리를 비교(diff)하여 이러한 변경 사항을 식별해야 했습니다.
- • Anthropic은 Claude Code 버전 2.1.198에서 60초 동안 활동이 없으면 자동으로 진행되는 문서화되지 않은 자동 계속 기능을 도입했습니다.
- • 이 기능은 사용자 피드백에 따라 2026년 7월 3일 버전 2.1.200에서 철회되었습니다.
- • 사용자는 CLAUDE_AFK_TIMEOUT_MS 및 DISABLE_AUTOUPDATER와 같은 환경 변수를 사용하여 자동 계속 동작을 관리하거나 자동 업데이트를 비활성화할 수 있습니다.
Claude Code를 사용하는 개발자는 버전 2.1.200으로 업데이트하거나 환경 변수를 구성하여 예기치 않은 자동 도구 실행을 방지해야 합니다.
7. Anthropic, Claude Code를 활용한 대규모 코드 마이그레이션 상세 설명
Anthropic은 Claude Code를 사용하여 대규모 코드 마이그레이션을 실행하기 위한 내부 방법론을 상세히 설명했습니다. 이 프로세스는 규칙집(rulebook) 작성, 종속성 분석, 변환 규칙 스트레스 테스트를 포함하는 6단계 전략에 의존합니다. 마이그레이션 효율성과 코드 품질을 보장하기 위해 Anthropic은 여러 에이전트를 배치하여 코드를 반복적으로 변환, 검토 및 수정하며, 적대적 검토자와 기계적 검증의 사용을 강조합니다.
- • Anthropic은 Claude Code를 사용한 대규모 코드 마이그레이션을 위해 6단계 프로세스를 사용합니다.
- • 이 전략은 여러 에이전트를 배치하여 코드를 반복적으로 변환, 검토 및 수정하는 과정을 포함합니다.
- • 프로세스에는 규칙집 작성, 종속성 분석, 변환 규칙 스트레스 테스트가 포함됩니다.
- • Anthropic은 마이그레이션 효율성을 높이기 위해 적대적 검토자와 기계적 검증을 활용합니다.
개발자는 Anthropic의 검증된 다중 에이전트 워크플로우 패턴을 채택하여 복잡하고 대규모인 코드베이스 마이그레이션을 더 높은 신뢰성으로 자동화할 수 있습니다.
8. Intuit, 4개월 만에 에이전트 아키텍처 두 번 재구축
VB Transform 2026에서 Intuit의 AI 부사장 Nhung Ho는 회사가 4개월 만에 에이전트 아키텍처를 두 번 재구축했다고 밝혔습니다. Intuit는 처음에 전문 에이전트에서 중앙 오케스트레이션 계층으로 이동했으나, 자연어 핸드오프로 인한 복합적인 오류로 인해 실패했습니다. 이후 60일 만에 기술 및 도구 기반 아키텍처로 성공적으로 전환했습니다. 이러한 모듈식 접근 방식은 개별 구성 요소를 제품 전반에 재사용할 수 있게 하며 엔지니어링 초점을 시스템 평가로 전환합니다. Intuit는 또한 인간 지원 직원이 전체 컨텍스트를 가지고 활성 AI 에이전트 대화에 참여할 수 있는 기능을 테스트하고 있습니다.
- • Intuit는 에이전트 간 자연어 핸드오프로 인한 복합적인 오류로 인해 3개월 만에 중앙 오케스트레이션 계층을 포기했습니다.
- • 회사는 시스템을 기술 및 도구 기반 아키텍처로 재구축했으며, 두 번째 재구축을 60일 만에 완료했습니다.
- • 새로운 아키텍처는 개별 구성 요소를 제품 전반에 재사용할 수 있게 하며 엔지니어링 초점을 시스템 평가로 전환합니다.
- • Intuit는 인간 지원 직원이 전체 컨텍스트를 가지고 활성 AI 에이전트 대화에 참여할 수 있는 기능을 테스트하고 있습니다.
개발자는 자연어 에이전트 핸드오프를 우회하고 재사용 가능한 기술 및 도구 기반 설계를 선택함으로써 비용이 많이 드는 아키텍처의 막다른 길을 피할 수 있습니다.
9. 기술 리더들, 레거시 인프라를 AI 에이전트 확장 병목 현상으로 지목
VB Transform 2026에서 LinkedIn, Walmart, Zendesk의 인프라 리더들은 AI 에이전트 확장 시의 과제에 대해 논의했습니다. LinkedIn은 느린 Kubernetes 프로비저닝 문제를 사전 프로비저닝된 컨테이너 풀로 이동하여 해결했으며, LLM은 추론에만 사용하고 80%는 결정론적 코드로 전환하여 환각 현상을 줄였습니다. Zendesk는 대규모 대화 기록을 컨텍스트 창에 직접 입력하는 것보다 데이터 파이프라인 투자에 우선순위를 두었으며, Walmart는 에이전트 중복을 관리하기 위한 거버넌스를 구현했습니다. LinkedIn과 Walmart 모두 모델 및 공급업체 독립성을 유지하기 위해 내부 AI 게이트웨이를 개발했습니다.
- • 인프라 리더들은 AI 모델이 아닌 레거시 인프라를 에이전트 확장의 주요 병목 현상으로 지목했습니다.
- • LinkedIn은 80%를 결정론적 코드로 전환하고 LLM은 추론에만 사용하여 에이전트 환각 현상을 줄였습니다.
- • LinkedIn은 온디맨드 컨테이너 생성에서 사전 프로비저닝된 풀로 이동하여 느린 Kubernetes 프로비저닝 문제를 해결했습니다.
- • LinkedIn과 Walmart는 모델 및 공급업체 독립성을 유지하기 위해 내부 AI 게이트웨이를 구축했습니다.
개발자는 사전 프로비저닝된 컨테이너 풀, 결정론적 코드 경로 및 내부 AI 게이트웨이를 채택하여 더 신뢰할 수 있는 에이전트 아키텍처를 설계할 수 있습니다.
10. Harness Handbook, 에이전트 동작과 코드 구현 매핑
Harness Handbook은 코딩 에이전트 하네스를 위해 특별히 설계된 동작 수준 매핑으로 출시되었습니다. 이는 실행, 권한 및 안전에 관한 일반 언어 질문과 이를 구현하는 데 필요한 구체적인 프롬프트, 도구, 상태 로직, 구성 및 원격 측정 간의 격차를 해소합니다. 이 매핑은 개발자가 AI 에이전트의 운영 경계를 체계적으로 설계하고 감사하는 데 도움을 줍니다.
- • Harness Handbook은 코딩 에이전트 하네스를 위해 설계된 동작 수준 매핑입니다.
- • 실행, 권한 및 안전에 관한 일반 언어 질문을 특정 프롬프트, 도구, 상태 로직, 구성 및 원격 측정에 연결합니다.
개발자는 이 핸드북을 사용하여 추상적인 에이전트 안전 및 실행 요구 사항을 구체적이고 프로덕션 준비가 완료된 코드와 프롬프트로 변환할 수 있습니다.
11. MongoDB, 에이전트형 이벤트 장소 운영자 튜토리얼 출시
MongoDB는 에이전트형 이벤트 장소 운영자 데모를 구축하기 위한 참조 튜토리얼을 출시했습니다. 이 아키텍처는 MongoDB Atlas를 운영 기록, 의미론적 메모리, 시각적 문서 및 에이전트 상태를 위한 통합 계층으로 활용합니다. 애플리케이션 스택은 FastAPI, Vision RAG를 위한 Claude Vision, Voyage AI 임베딩, 에이전트 오케스트레이션을 위한 LangGraph를 통합하며, 관측 가능성을 위해 선택적으로 Langfuse를 통합할 수 있습니다. 데모는 4개의 탭으로 구성된 UI와 벡터 유사성 및 어휘 점수를 결합한 하이브리드 검색 기능을 제공합니다.
- • MongoDB는 MongoDB Atlas, Voyage AI 임베딩, LangGraph를 사용하여 에이전트형 이벤트 장소 운영자를 구축하는 튜토리얼을 출시했습니다.
- • 이 아키텍처는 MongoDB Atlas를 운영 기록, 의미론적 메모리, 시각적 문서 및 에이전트 상태를 위한 통합 계층으로 사용합니다.
- • 애플리케이션 스택에는 FastAPI, Vision RAG를 위한 Claude Vision, 관측 가능성을 위한 선택적 Langfuse가 포함됩니다.
- • 필수 조건으로는 Python 3.12 이상, 벡터 검색이 포함된 MongoDB Atlas 클러스터, Anthropic 및 Voyage AI API 키가 있습니다.
개발자는 이 참조 아키텍처를 따라 MongoDB Atlas를 통합 데이터베이스 및 메모리 계층으로 활용하는 멀티모달 상태 유지 에이전트를 구축할 수 있습니다.
12. 화면 모니터링 앱 Observer, 로컬 LLM 통합
화면 활동을 모니터링하고 알림을 보내기 위해 LLM을 사용하는 오픈 소스 애플리케이션인 Observer가 AGPLv3 라이선스 하의 SignPath Foundation FOSS 프로젝트로 전환되었습니다. 이 애플리케이션은 이제 브라우저 기반 transformers.js, Ollama, 번들된 llama.cpp, vLLM 또는 OpenAI 호환 엔드포인트를 통한 로컬 추론을 지원하여 화면 데이터가 사용자의 로컬 컴퓨터에 유지되도록 합니다. 또한 설정이 단일 자연어 명령으로 간소화되었습니다.
- • Observer는 로컬 LLM 추론을 지원하는 오픈 소스 AGPLv3 라이선스 화면 모니터링 애플리케이션입니다.
- • 이 애플리케이션은 transformers.js, Ollama, 번들된 llama.cpp, vLLM 또는 OpenAI 호환 엔드포인트를 통한 로컬 추론을 지원합니다.
- • 설정 과정이 수동 다단계 프로세스에서 단일 자연어 명령으로 간소화되었습니다.
- • 개인정보 보호를 위해 화면 데이터는 전적으로 사용자의 로컬 컴퓨터에 유지됩니다.
개발자는 완전히 로컬인 모델과 간소화된 설정 프로세스를 사용하여 개인정보 보호 중심의 화면 모니터링 및 자동화 워크플로우를 구축할 수 있습니다.