제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.
IBM 리서치는 오픈소스인 Granite Timeseries Ensemble(v1)을 출시했으며, PatchTST-FM-r1/r2, FlowState 및 Tiny Time Mixers 등 네 가지 사전훈련 아키텍처를 통합해 제로 편향(zero-shot) 미세조정 없이도 확률적 앙상블 예측을 지원합니다. 기본적으로 동등한 가중치의 확률적 앙상블(Probabilistic Ensemble)을 채택하며, 사분위 범위 기반 적응형 가중치(IQR Ensemble) 옵션도 제공합니다. GIFT-Eval 벤치마크(2026-10-20 기준 스냅샷)에서 점예측 오차(MASE=0.683)는 최고의 단일 모델보다 약간 우수하며, 전반적인 로버스트성이 크게 향상되었습니다.
앨런 인스티튜트 포 AI는 OlmoEarth v1.3을 발표했으며, 전 행성에 걸쳐 10미터 해상도의 64차원 및 128차원 사전 계산된 위성 임베딩 벡터를 제공하고, 여기에 대화형 탐색 도구인 Embeddings Explorer를 함께 제공합니다. 이 도구는 코드 없이 변경 사항 감지, 유사 지역 검색 및 경량 분류 모델링을 지원합니다.
이 글에서는 자체 호스팅 대규모 언어 모델과 클라우드 API 간의 데이터 프라이버시, 비용, 지연 시간 및 성능 측면에서의 균형을 비교하고, 오픈소스 배포 가능 모델의 하드웨어 요구 사항(예: VRAM 및 양자화)과 대표적인 기술 스택을 소개합니다. 또한 n8n을 예로 들어, 작업의 민감도, 복잡성 또는 규정 준수 요구사항에 따라 로컬 및 클라우드 모델 간에 요청을 동적으로 분산하는 혼합형 라우팅 워크플로를 구축하는 방법을 설명합니다.
이 문서에서는 AI 에이전트 시스템에서 stateful(상태 유지형)과 stateless(무상태형) 아키텍처의 핵심 차이점을 탐구하고, 이들이 확장성, 내결함성 및 컨텍스트 연속성에 미치는 실제 영향을 분석한 뒤, n8n 플랫폼을 사례로 들어 메모리 노드(Memory nodes)와 상태 저장소(state stores)를 계층적으로 설계하여 유연하고 제어 가능한 상태 관리를 구현하는 방법을 설명합니다.
AWS 솔루션 아키텍처 팀이 선보인 오픈소스 다중 에이전트 시스템 Deep Insight는 CSV 데이터의 자동 분석과 자연어 보고서 생성을 위한 시나리오를 대상으로 하며, 생산 환경에서 흔히 발생하는 다섯 가지 주요 과제—에이전트 오케스트레이션, 역할 기반 모델 선택, 안정적인 운영, 안전한 코드 실행 및 관찰 가능성—에 대해 체계적으로 대응합니다. 또한 이 시스템은 LG전자와 re:Invent 2025 TechRecon 등 실제 환경에서 이미 검증된 바 있습니다.
메타는 새로운 유형의 의결권 없는 보통주를 신설할 계획이며, 이를 기존 주주들에게 배당금 형태로 지급해 AI 모델, 서비스 및 인프라에 대한 대규모 투자를 지속적으로 뒷받침하는 동시에, 저커버그 등 창업자들의 지배 구조를 유지할 예정입니다.
AWS는 Adaptive Agentic Intelligence Framework(AAIF)를 제안하며, Strands Agents를 활용해 계층형 에이전트 아키텍처를 구축하고, 로컬 소형 언어 모델(SLM)을 통해 작업을 동적으로 라우팅합니다. 일반적인 IoT 원격 측정과 비전 분석은 엣지에서 처리되며, 복잡한 추론은 Amazon Bedrock 클라우드 대규모 모델로 위임됩니다. 이 프레임워크는 하이브리드 배포를 지원하고 비용을 통제할 수 있으며, 책임 있는 AI에 대한 제어 권장 사항도 통합되어 있습니다. 다만 현재는 개념 검증 수준에 머물러 있어, 제3자 검증이나 상용화된 실제 데이터는 제공되지 않습니다.
AI 스타트업 Recursive는 오픈소스 코딩 모델 Flint를 출시했으며, 개발 과정의 대부분이 자체 개발한 AI 연구 시스템 Eureka Machine에 의해 이루어졌다고 밝혔다. 이 모델은 파라미터 수가 400억 개에 불과하며, 실제 테스트에서 활성화 수는 25억 개로 확인되었고, M4 Pro MacBook과 같은 일반 노트북에서도 오프라인으로 실행 가능하다. 추론 속도는 초당 131 토큰에 달하며, SWE-Bench 등 벤치마크 테스트에서 동급 규모의 대부분 모델보다 우수한 성능을 보였다.
구글 클라우드와 엔비디아는 베라 루빈 아키텍처 기반의 A5X 인스턴스를 내달부터 정식으로 상용화한다고 발표했으며, 초기 단계에서는 미국을 대상으로 서비스를 제공하고 이후 유럽으로 확대할 예정입니다. 이 플랫폼은 NVL72 GPU, ConnectX-9 SuperNICs, Virgo 네트워크 및 4세대 액체 냉각 기술을 통합하여, 대규모 강화 학습과 생성형 에이전트 추론 등 고밀도 컴퓨팅 환경에 특화되어 설계되었습니다.
엔비디아는 유럽, 북유럽, 아프리카 및 중앙아시아의 클라우드 파트너들이 NVIDIA DSX 플랫폼 기반의 지역 AI 컴퓨팅 인프라를 대규모로 확장하고 있다고 발표했습니다. 이는 주권 컴퓨팅(현지화된 배치), 오픈 모델 지원(예: Mistral Large 4, Nemotron 시리즈) 및 AI 에이전트의 보안 경계(OpenShell 참조 아키텍처)에 중점을 두며, 학습, 추론, 물리 기반 AI 및 리테일 지능형 에이전트와 같은 다양한 시나리오를 포괄합니다.
NVIDIA는 2026년 10월 26일(UTC)에 cuDSS 라이브러리가 일반 사용 가능(GA) 단계에 진입했다고 발표했습니다. 이 CUDA-X 라이브러리는 GPU에서 대규모 희소 선형 시스템을 효율적으로 해결하도록 설계되어, 칩, 항공, 산업 시스템 등 분야에서 시뮬레이션 처리량과 반복 계산 효율을 크게 향상시킵니다.
NVIDIA는 기밀 컴퓨팅(Confidential Computing) 기술을 확장하여, 기밀 베어메탈 배포 옵션을 추가한다고 발표했습니다. 이를 통해 최첨단 모델 개발자들은 제3자 인프라에서 민감한 AI 워크로드를 베어메탈 방식으로 실행하면서도 모델과 데이터를 완전히 통제할 수 있게 되었습니다. 이 기능은 Grace Blackwell 및 Rubin 플랫폼에 이미 통합되어 있으며, Google Cloud, Cohere 등 파트너사에서도 채택되고 있습니다.
NVIDIA의 오픈소스 에이전트 툴킷은 Agent Knowledge Foundation 등 핵심 구성 요소를 추가했으며, CUDA-X 라이브러리, Nemotron Retriever 및 Kumo 시리즈 개방형 모델, OpenShell 보안 실행 환경, NemoClaw 블루프린트를 통합해, 기업이 데이터를 이전하거나 기존 프로세스를 변경하지 않고도 감사 가능하고 관리 가능한, 비즈니스 의미를 깊이 이해하는 전용 인공지능 에이전트를 구축할 수 있도록 지원합니다.
베를린 템포드롬에서 열린 GTC 베를린 2026 컨퍼런스에서 엔비디아의 CEO 젠슨 황은 다음과 같은 주요 성과를 발표했습니다: DSX POD 모듈형 AI 공장, 베라 루빈 풀스택 AI 에이전트 플랫폼, OpenShell 보안 아키텍처, 에이전트 지식 파운데이션 지식 계층, 그리고 Agile ONE SN 휴머노이드 로봇 참조 플랫폼을 선보였습니다. 또한 100억 유로 규모의 유럽 AI 투자 약속을 발표하고, 이를 통해 12,000여 개의 파트너사를 포괄할 것임을 밝혔으며, 유럽이 자주적이고 통제 가능한 AI 경제 인프라 구축을 가속화하고 있다고 강조했습니다.
설립 18개월 된 AI 원생 소프트웨어 기업 Tenex는 출력 지향 보수, MetaHarness 프레임워크 및 Opus 5.5를 기반으로 한 AI 에이전트 워크플로우를 통해 포춘 2000대 기업의 약 절반을 고객으로 두고 있습니다. 이 회사의 모델은 프로세스 표준화, 비코딩 방식의 가치 재평가, 그리고 기업 수준의 AI 도입에서 발생하는 ‘마지막 1마일’ 문제 해결에 중점을 두고 있습니다.
NVIDIA는 오픈소스 시계열 예측 모델인 Kumo Forecast(구 NV-Tesseract Forecasting)를 출시했습니다. 이 모델은 MOMENT-1-large Transformer 아키텍처를 기반으로 하며, 직접 예측과 도메인 인식 표현 및 검색(DARR)의 두 가지 경로 추론을 지원하고, 모델 구조를 수정할 필요 없이 내장된 해석 가능성 프레임워크를 탑재하고 있습니다.
폴렌 로보틱스와 허깅 페이스가 공동으로 저비용 오픈소스 이족 보행 로봇인 마이크로덕을 발표했으며, NVIDIA 아이시스 랩 3.0과 뉴턴 물리 엔진을 통합해 GPU 기반 병렬 시뮬레이션에서 보행 전략을 학습할 수 있도록 지원합니다. 도메인 랜덤화와 고정밀 액추에이터 모델링(기어 간극, 지연, 마찰 등 포함)을 통해 시뮬레이션에서 실제 로봇으로의 전이 안정성을 높이고, 최종적으로 ONNX 모델을 내보내 실제 로봇에 직접 배포할 수 있습니다.
NVIDIA는 사전 훈련된 관계형 기반 모델인 Kumo Relational을 출시했으며, 이 모델은 기업용 관계형 데이터베이스에서 이탈 예측, 사기 탐지, 수요 예측 등 다양한 예측 작업을 직접 수행할 수 있습니다. 작업 미세조정, 특성 엔지니어링 또는 테이블 평탄화가 필요하지 않습니다. 15개 데이터베이스에 걸친 41개의 벤치마크에서 XGBoost 등 감독 학습 모델을 전면적으로 능가했으며, SAP SALT 기업 벤치마크에서는 MRR 지표에서 AutoGluon보다 8% 앞섰습니다. 또한 5,000억 행 규모의 데이터베이스를 지원하며, Predictive Query Language(PQL)를 통해 코드 없이 예측 호출을 구현할 수 있습니다.
IBM은 Granite Speech 5.0 시리즈의 세 가지 오픈소스 음성 모델—granite-speech-5.0-2b(고정확도 다국어 ASR/MT), granite-speech-5.0-470m-turboctc(초고속 엣지 기반 다국어 음성 전사) 및 업데이트된 granite-speech-4.1-2b-plus(향상된 다화자 대화 모델링)—를 출시했습니다. 이들 모두는 Apache 2.0 라이선스 하에 제공되며, 주요 추론 프레임워크를 지원합니다.
i14는 30.28억 개의 파라미터를 갖는 Laplace 3B 모델을 출시했으며, Softmax 주의 메커니즘을 대체해 게이트 제어 선형 주의(GLA)를 채택했습니다. 이 모델은 추론 시 각 시퀀스의 재귀 상태 크기가 항상 29.5 MB로, 컨텍스트 길이와 무관합니다. 해당 모델은 AWS trn2.48xlarge 인스턴스 한 대(Trainium2 칩 16개 탑재)에서 훈련 및 서비스 검증을 완료했으며, 훈련 처리량은 초당 12만 토큰에 달하고, 서비스 처리량은 초당 11,544 출력 토큰(동시 실행 시퀀스 수 1,280)입니다. 모든 성능 데이터는 i14와 AWS GenAIIC 팀의 내부 실측 결과입니다.
