AI

granite-switch-4.1, 내 PC에서 돌리는 8B·30B GGUF 2종 공개… IBM

IBM이 언어모델 'granite-switch-4.1'을 개인 컴퓨터에서도 돌릴 수 있게 양자화한 버전 2종을 공개했다. IBM 공식 계정(ibm-granite)이 허깅페이스에 올린 모델 카드를 보면, IBM은 지난 22일 'granite-switch-4.1-8b-GGUF'와 'granite-switch-4.1-30b-GGUF'를 내놨다. 두 버전 모두 원래 모델보다 메모리를 덜 쓰거나 추론 속도를 높이도록 경량화·양자화한 모델이다.두 모델은 모두 GGUF 형식으로 배포된다. GGUF는 대형 언어모델을 데이터센터 서버가 아닌 개인 PC에서 실행할 때 많이 쓰는 양자화 모델 파일 형식이다. 양자화는 모델 안의 가중치를 더 적은 비트로 표현해 파일 크기와 메모리 사용량을 줄이는 기법이다. 계산 정밀도를 일부 낮추는 대신 고가의 GPU 서버가 없어도 모델을 돌릴 수 있게 해 준다. IBM이 이번 버전을 내놓은 목적도 '적은 메모리'와 '빠른 추론'에 있다.모델 이름 끝의 '8b'와 '30b'는 모델 규모를 나타낸다. 업계의 일반적인 표기법대로라면 각각 약 80억 개, 300억 개 매개변수급 모델이라는 뜻이다. 매개변수가 많을수록 표현력은 커지지만 실행에 필요한 메모리도 늘어난다. 크기를 둘로 나눠 내놓은 만큼, 이용자는 비교적 가벼운 8b 버전과 더 큰 30b 버전 가운데 자기 컴퓨터 사양과 용도에 맞는 쪽을 고르면 된다.원본 모델을 쓰려면 대개 고성능 GPU를 갖춘 서버나 클라우드 서비스가 필요하다. GGUF 양자화 버전이 나오면서 같은 계열의 모델을 개인 노트북이나 데스크톱에 내려받아 직접 실행할 수 있게 됐다. 모델을 내 컴퓨터에서 돌리면 외부 서버에 질문을 보내지 않아도 되고, 인터넷 연결이나 사용량 과금에 덜 얽매인다는 장점이 있다. 개발자나 연구자 입장에서는 클라우드 비용 없이 모델을 시험해 볼 수 있는 선택지가 하나 더 생긴 셈이다.두 모델은 허깅페이스 IBM 공식 저장소에서 내려받을 수 있다. 8b 버전 주소는 huggingface.co/ibm-gra

Kimi K3.1 Pro (Max), 문샷AI 코딩 모델 LMArena 웹 개발 부문 8위로 첫 진입

문샷AI의 Kimi K3.1 Pro (Max)가 AI 코딩 실력을 겨루는 순위표에 처음 오르자마자 10위 안에 들었다. LMArena가 10월 23일 공개한 웹 개발(코딩) 부문 리더보드 자료에 따르면, 이번에 새로 집계된 Kimi K3.1 Pro (Max)는 투표 2,451표를 바탕으로 8위에 올랐다. 1위는 앤트로픽의 Claude Opus 5.5 (Max)였다.LMArena는 옛 이름이 Chatbot Arena인 AI 모델 비교 플랫폼이다. 사용자는 어느 모델이 낸 답인지 모르는 상태에서 두 모델의 결과물을 비교해 더 나은 쪽에 표를 준다. 이렇게 모인 표로 체스 순위에 쓰는 Elo 계열 방식의 점수를 추정해 순위를 매긴다. 웹 개발 부문에서는 웹 페이지나 앱 코드를 만들어 달라는 요청에 각 모델이 내놓은 결과물을 놓고 사람들이 투표한다. 벤치마크 시험 점수와 달리 실제 사용자가 어느 쪽을 더 낫다고 느꼈는지가 그대로 순위에 반영된다.이번 웹 개발 부문 상위 10위는 다음과 같다. 1위 Claude Opus 5.5 (Max)(앤트로픽), 2위 GPT-6 Astra (Max)(오픈AI), 3위 Claude Sonnet 5.5 (xHigh)(앤트로픽), 4위 GPT-6.1 Sol (Max)(오픈AI), 5위 Claude Fable 5.1 (Max)(앤트로픽), 6위 Muse Wonder Full (Max)(메타), 7위 Claude Sonnet 5.5 (High)(앤트로픽), 8위 Kimi K3.1 Pro (Max)(문샷AI), 9위 Claude Opus 5 (Max)(앤트로픽), 10위 GPT-6 Sol (Max)(오픈AI).회사별로 보면 앤트로픽이 1·3·5·7·9위에 모델 다섯 개를 올려 상위권의 절반을 차지했다. 오픈AI는 2·4·10위에 세 개, 메타는 6위에 한 개를 올렸다. 상위 10위 가운데 앤트로픽·오픈AI·메타가 아닌 회사의 모델은 Kimi K3.1 Pro (Max) 하나뿐이다. 새로 집계되자마자 이 세 회사 모델들 사이에 끼어든 셈이다.순위

Spark-X2.6-4B, XHToken 공개… 100만 토큰 입력에 상업 이용 가능한 41억 매개변수 모델

XHToken이 텍스트 생성 모델 'Spark-X2.6-4B'를 AI 모델 공유 플랫폼 허깅페이스(Hugging Face)에 공개했다. 허깅페이스 모델 정보를 보면 이 모델은 2026년 10월 19일 등록됐다. 매개변수는 41억 1천만 개이고, 한 번에 입력할 수 있는 길이(컨텍스트)는 최대 1,048,576 토큰이다. 라이선스는 상업 이용을 허용하는 apache-2.0이다.공개 뒤 내려받기는 1,060회, 즐겨찾기는 408회를 기록했다. 허깅페이스는 전 세계 개발자들이 공개 AI 모델을 올리고 내려받는 곳이다. 이 수치는 모델이 나온 직후 개발자들이 보인 반응을 보여준다.이 모델에서 가장 눈에 띄는 점은 모델 크기에 비해 입력 길이가 길다는 것이다. 1,048,576 토큰은 2의 20제곱으로, 흔히 '100만 토큰'이라고 부르는 규모다. 토큰은 AI 모델이 글을 처리할 때 쓰는 기본 단위다. 입력 길이가 길수록 긴 보고서나 여러 문서, 긴 대화 기록을 한꺼번에 넣고 처리할 수 있다. Spark-X2.6-4B는 매개변수 40억 개 수준의 소형 모델이면서 이만큼 긴 입력 길이를 내세웠다.크기도 작은 편이다. 허깅페이스에 올라온 가중치 파일은 약 8.2GB다. 가중치를 4비트로 줄이는 '양자화'를 하면 약 2.3GB 안팎까지 작아진다. 양자화는 모델이 담고 있는 숫자의 정밀도를 낮춰 용량과 메모리 사용량을 줄이는 방법으로, 개인 PC나 노트북처럼 자원이 제한된 환경에서 모델을 돌릴 때 주로 쓴다. 다만 이 용량은 가중치 파일만 따진 것이다. 실제로 실행하려면 이보다 많은 메모리가 필요하다. 특히 입력이 길어질수록 처리 과정에서 쓰는 메모리도 함께 늘어나므로, 최대 입력 길이를 모두 활용하려면 그만큼 여유 있는 하드웨어가 필요하다.라이선스 조건은 기업과 개인 개발자 모두에게 부담이 적다. apache-2.0은 대표적인 공개 소프트웨어 라이선스로, 모델을 내려받아 고쳐 쓰거나 상업 서비스에 넣는 것을 허용한다. 저작권 표기 같은 조건은 라이선스 문서를 따라야 한다.한

오픈AI 헬프센터 채팅 상담 성능 저하… "이메일로 문의해 달라"

오픈AI의 고객지원 창구인 헬프센터 채팅 상담에서 24일(현지시간) 장애가 발생했다. 오픈AI는 공식 상태 페이지에 'Help Center Chat Support Degraded(헬프센터 채팅 지원 성능 저하)'라는 제목의 공지를 올렸다. 회사는 원인을 조사하고 있으며, 그동안 이용자들에게 이메일로 지원팀에 연락해 달라고 안내했다. 오픈AI는 대화형 인공지능 서비스 챗GPT를 만든 회사다.상태 페이지 공지를 보면 이번 장애의 현재 단계는 'Investigating(조사 중)'이다. 오픈AI는 공지에서 "현재 헬프센터 채팅 지원 서비스의 성능이 저하된 상태"라고 밝혔다. 이어 "문제를 해결하는 동안 지원이 필요하면 이메일(support@openai.com)로 지원팀에 연락해 달라"고 안내했다. 불편을 끼친 데 사과하며 새로운 내용이 나오는 대로 알리겠다고도 덧붙였다.공지 제목과 설명이 가리키는 범위는 '헬프센터 채팅 지원'이다. 헬프센터 채팅은 결제·계정·이용 관련 문의를 채팅으로 접수하고 답변받는 고객지원 창구다. 공지에 나온 장애 대상도 이 채팅 상담 기능으로 한정돼 있다. 챗GPT 대화 기능 자체나 개발자용 API는 이번 공지의 장애 대상에 포함돼 있지 않다. 다시 말해 AI 서비스를 쓰는 데 문제가 생겼다기보다, 문제가 생겼을 때 도움을 요청하는 통로가 원활하지 않은 상황이다.'성능 저하(Degraded)'라는 표현도 눈여겨볼 만하다. 상태 페이지에서 이 표현은 보통 서비스가 완전히 끊긴 '중단'과 구분해 쓴다. 기능은 남아 있지만 응답이 늦거나 일부 요청이 제대로 처리되지 않는 상태를 뜻한다. 이용자 입장에서는 채팅 상담 창이 열리더라도 답변이 지연되거나 상담이 매끄럽게 이어지지 않을 수 있다는 얘기다. 오픈AI가 이메일이라는 대체 창구를 따로 안내한 것도 이 때문으로 보인다.오픈AI 같은 클라우드 기반 서비스 기업들은 장애가 생기면 상태 페이지에 진행 상황을 단계별로 공개한다. 이용자는 이를 보고 문제가 자기 쪽에서 생긴 것인지, 회사 쪽에서 생긴 것

Claude Tag API, 엔터프라이즈 조직에 베타 공개…슬랙 채널 설정을 API로 관리

앤트로픽이 슬랙(Slack) 채널과 워크스페이스에 적용되는 'Claude Tag' 설정을 코드로 읽고 바꿀 수 있는 'Claude Tag API'를 베타로 내놨다. 앤트로픽 클로드(Claude) API 공식 변경 이력에 10월 20일자로 올라온 항목을 보면, 이 API는 Claude Enterprise 조직만 쓸 수 있다. 호출할 때는 'experimental-claude-tag-2026-10-21' 베타 헤더를 붙여야 한다.변경 이력에 적힌 기능은 크게 세 가지다. 첫째, 슬랙 채널과 슬랙 워크스페이스에 걸린 Claude Tag 설정을 읽고 바꿀 수 있다. 둘째, 특정 채널에 실제로 적용되는 설정이 무엇이고 그 설정이 어디에서 왔는지 보여준다. 셋째, 액세스 번들(Access bundles)을 붙일 수 있다. 엔드포인트는 모두 '/v1/organizations/claude_tag/' 아래에 있다. 개별 기능이 아니라 조직 단위 관리 기능이라는 점이 경로에서도 드러난다.두 번째 기능은 설정이 여러 단계에 걸쳐 있는 구조에서 특히 쓸모가 있다. 설정은 워크스페이스 전체에도, 개별 채널에도 걸 수 있다. 그래서 한 채널에 최종적으로 어떤 값이 적용됐는지, 그 값이 워크스페이스에서 내려온 것인지 채널에서 따로 정한 것인지 따져볼 일이 생긴다. 이번 API는 이를 조회 결과로 바로 알려준다. 채널이 많은 대규모 조직의 관리자는 화면을 하나씩 열어보지 않고도 설정 상태를 점검하고, 바꿔야 할 곳을 찾아 일괄 수정할 수 있게 된다.인증 방식도 따로 정해져 있다. Claude Tag API를 호출하려면 Admin API 키가 필요하다. 이 키는 조직의 기본 소유자(primary owner)가 claude.ai에서 직접 만들어야 한다. 키에는 권한 범위(scope)를 지정하는데, 조회만 하려면 'read:claude_tag', 설정을 바꾸려면 'write:claude_tag'를 준다. 읽기와 쓰기 권한이 나뉘어 있으니 감사·모니터링 도구에는 읽기 전용 키를, 설정 자동화 도

OpenAI, 프런티어 모델 훈련 환경 보안 강화…오프라인 격리·고연산 레드티밍 도입

OpenAI는 공식 블로그 'OpenAI News'에 프런티어 모델 훈련 환경의 보안을 어떻게 강화했는지 설명하는 글을 올렸다. 글의 제목은 'Securing our frontier model training environment(프런티어 모델 훈련 환경 보호)'다. 회사는 최첨단 모델을 훈련하고 평가하는 과정 전반에서 격리(containment) 조치를 강화했다고 밝혔다.OpenAI가 소개한 조치는 크게 두 가지다. 하나는 오프라인 환경이다. 모델 훈련과 평가를 외부와 분리된 환경에서 진행하는 방식이다. 다른 하나는 대규모 연산 자원을 투입한 레드티밍이다. 레드티밍은 공격자 입장에서 시스템의 약점을 찾아내는 보안 점검 방식이다. OpenAI는 이 점검에 많은 컴퓨팅 자원을 들였다고 설명했다.이번 글은 모델의 성능보다 모델을 만들고 시험하는 환경을 지키는 데 초점을 맞췄다. OpenAI는 훈련 단계뿐 아니라 평가 단계도 격리 대상에 넣었다고 밝혔다.

LASAGNA로 본 RAG 기법 조합의 함정…IBM "따로 좋은 기법, 합치면 효과 줄어"

검색증강생성(RAG)에 쓰이는 기법을 여럿 함께 적용하면 하나씩 따로 쓸 때 얻은 성능 향상이 그대로 더해지지 않는다는 연구 결과가 나왔다. IBM 소속 이도 레비(Ido Levy) 등 연구자 3명은 사전공개 논문 저장소 arXiv에 논문 「Retrieval Augmented Generation Compositionality」를 올렸다. 논문에 따르면 검색 기법 세 가지의 개별 효과를 합산하면 성능이 47% 오를 것으로 예측됐지만, 실제로 세 기법을 함께 적용했을 때 개선 폭은 17%에 그쳤다. 연구진은 실험에 쓴 오픈소스 평가 프레임워크 'LASAGNA'도 함께 공개했다.RAG는 대규모언어모델(LLM)이 외부 지식을 찾아 참조한 뒤 답변하게 하는 기술이다. 요즘 RAG 파이프라인은 여러 단계로 이뤄진다. 문서를 벡터로 바꾸는 임베딩, 문서를 작은 단위로 나누는 청킹, 검색, 검색 결과의 순서를 다시 매기는 리랭킹, 질문을 보강하는 질의 확장, 모델에 넣을 맥락을 줄이는 컨텍스트 압축, 에이전트 방식의 검증까지 들어간다. 그런데 연구진은 이런 기법들이 대개 하나씩 따로 평가돼 왔다고 짚었다. 따로 잰 성능 향상이 여러 기법을 묶었을 때도 유지되는지, 검색 품질과 답변 충실도가 같은 설계를 선호하는지, 작은 문서 집합에서 얻은 결론이 대규모 환경에서도 통하는지는 아직 제대로 검증되지 않았다는 것이다.연구진은 이 세 가지 질문에 맞춰 가설 세 개를 실험 전에 미리 밝혀 두고 검증에 나섰다. 8개 벤치마크에서 450개 구성을 시험했고, 검색 대상 문서 집합(코퍼스)은 5천 건에서 20만 건까지 규모를 달리했다.결과는 세 가지로 정리된다. 첫째, RAG 파이프라인의 서로 다른 단계에서 각자 뛰어난 성능을 보인 기법이라도 함께 쓰면 효과가 꼭 더해지지는 않았다. 앞서 말한 47% 예측과 17% 실측의 차이가 대표적인 사례다. 둘째, 각 구성 요소의 향상 효과가 검색 품질과 답변 충실도에서 서로 다르게 쌓였다. 한쪽을 최적화하면 다른 쪽이 나빠질 수도 있었다. 관련 문서

Policy-Mask, 정해진 채널 예산 안에서 확산 모델 특징을 골라 분할·분류에 쓰는 기법

이반 리스토파도프(Ivan Listopadov) 등 연구진 3명이 사전공개 논문 저장소 arXiv에 올린 초록에 따르면, 이들은 가중치를 고정한 확산 모델에서 이미지 분할·분류·의미 대응 같은 판별 과제에 쓸 중간 특징을 자동으로 골라내는 기법 'Policy-Mask'를 제안했다. 논문 제목은 「Policy-Mask: Budget-Aware Adaptation of Diffusion Features to Discriminative Tasks」(arXiv:2610.28889)다. 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서는 추천 25회를 받았다. 동료평가를 거치지 않은 사전공개 논문이다.연구진이 풀려고 한 문제는 '어디서 특징을 꺼낼 것인가'다. 초록에 따르면 고정된 확산 모델의 중간 특징을 판별 과제에 활용하는 일은 간단하지 않다. 쓸모 있는 신호가 노이즈 제거 궤적(타임스텝), 네트워크 깊이(블록), 채널에 걸쳐 흩어져 있기 때문이다. 그래서 실제로 쓰려면 어느 타임스텝에서, 어느 블록의, 어떤 채널 묶음을 가져올지를 모두 정해야 한다. 연구진은 기존 방법들이 이 선택을 사람이 직접 고정하거나, 타임스텝처럼 일부 추출 하이퍼파라미터만 최적화하는 데 그쳤다고 지적했다. 한번 정한 규칙을 입력 이미지나 허용된 특징 크기가 달라져도 그대로 다시 쓴다는 점도 한계로 꼽았다.Policy-Mask는 이 세 가지를 한꺼번에 고르는 정책이다. 미리 정한 채널 예산, 곧 남길 채널 수를 조건으로 받고 최종 과제의 목표 함수로 학습한다. 타임스텝·블록·채널을 각각 맡는 정책 헤드 세 개가 함께 학습되는 구조다. 연구진은 이 과정에서 생기는 불균형도 다뤘다. 별도 정규화가 없으면 선택한 채널이 많을수록 채널 점수의 기여가 커져, 타임스텝과 블록 쪽 업데이트를 압도한다. 연구진은 채널 점수를 선택한 부분집합의 크기로 나눠 정규화했다. 이렇게 세 정책 헤드의 크기를 비슷한 수준으로 맞춰 공동 학습을 안정시켰다고 설명했다.성능은 같은 예산 조건에서 고정 추출 방식과 특징

NVIDIA Minerva 공개, AI 팩토리 장애 조짐 미리 찾는 AIOps 플랫폼

NVIDIA는 공식 블로그(NVIDIA Blog)에서 AI 팩토리 운영 플랫폼(AIOps) 'NVIDIA Minerva'를 공개했다. 인프라와 AI 작업에서 나오는 원격 측정 데이터를 한곳에 모은 뒤, 전용 AI 모델로 분석해 운영자가 바로 조치할 수 있는 정보로 바꿔 준다.Minerva는 NVIDIA GPU, 네트워크, 스토리지, 스케줄러, 작업 데이터를 연결해 '지식 그래프'를 만든다. 이 그래프는 GPU, SuperNIC, 스위치, 케이블 같은 장비와 그 위에서 돌아가는 작업의 관계를 나타낸다. 이를 통해 GPU가 수십만 개 규모인 시설에서도 학습 작업이 느려지면 원인이 된 부품을 찾아낼 수 있다. Minerva는 지도·비지도 머신러닝으로 시간당 수십억 개의 데이터를 분석해 이상 징후와 앞으로 생길 고장을 예측한다. 한꺼번에 쏟아지는 경보는 가능성이 높은 근본 원인과 함께 하나의 사건으로 묶어 보여 준다. 자체 AI 어시스턴트가 들어 있어 운영자는 대화하듯 클러스터 상태를 확인하고 해결 방법을 추천받을 수 있다.IREN이 이미 Minerva를 쓰고 있다. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI, Tesla도 도입할 계획이다. Dell Technologies, Lenovo, Supermicro는 각자의 AI 팩토리 운영 제품군에 Minerva를 넣어 제공한다.

MiniMax-M3.1-Flash 공개… 미니맥스, 이미지·텍스트 이해에 100만 토큰 입력

미니맥스(MiniMax)가 10월 17일 이미지와 텍스트를 함께 이해하는 AI 모델 ‘MiniMax-M3.1-Flash’를 허깅페이스(Hugging Face)에 공개했다. 미니맥스가 허깅페이스 공식 계정에 올린 모델 카드에 따르면 이 모델의 매개변수는 2,205억 개다. 한 번에 받아들일 수 있는 입력 길이(컨텍스트)는 최대 1,048,576토큰이다. 라이선스로는 미니맥스의 자체 라이선스인 ‘minimax-community’를 적용했다.모델 카드는 이 모델의 용도를 ‘이미지·텍스트 이해’로 밝혔다. 글만 처리하는 언어 모델과 달리 사진이나 도표 같은 이미지와 문장을 함께 입력받아 내용을 해석하는 방식이다. 모델은 허깅페이스의 ‘MiniMaxAI/MiniMax-M3.1-Flash’ 저장소에서 내려받을 수 있다. 미니맥스는 이번에 이 모델 하나만 올렸다.이번 모델에서 가장 눈에 띄는 수치는 입력 길이다. 최대 1,048,576토큰은 약 100만 토큰에 해당한다. 토큰은 AI가 글을 처리할 때 쓰는 기본 단위다. 입력 한도가 클수록 긴 보고서나 여러 문서를 나눠 넣지 않고 한꺼번에 넣어 질문할 수 있다. 이미지와 텍스트를 함께 다루는 모델이므로 많은 분량의 자료를 한 번의 요청으로 처리하는 작업에 쓸 수 있다.매개변수 2,205억 개는 공개 모델 가운데서도 큰 편이다. 매개변수는 모델이 학습하면서 조정한 내부 값으로, 수가 많을수록 모델이 크고 돌리는 데 드는 자원도 늘어난다. 모델 카드 기준으로 가중치 파일은 약 224GB다. 가중치를 4비트로 줄이는 양자화를 해도 약 123GB 안팎이 남는다. 양자화는 모델의 숫자 정밀도를 낮춰 용량을 줄이는 기법으로, 큰 모델을 적은 메모리로 돌릴 때 흔히 쓴다. 하지만 실제로 실행하려면 이 파일 크기보다 메모리가 더 필요하다. 그래픽카드 한 장을 단 일반 개인 PC로는 돌리기 버거운 규모여서, 직접 운영하려면 메모리가 넉넉한 서버급 장비를 갖추는 것이 현실적이다.라이선스도 짚어볼 부분이다. MiniMax-M3.1-Flash는

OpenMOSS-Team, 이미지 생성 모델 ‘MOSS-Image-SFT’ 허깅페이스 공개… 12일 만에 내려받기 6,890회

OpenMOSS-Team이 이미지 생성 모델 ‘MOSS-Image-SFT’를 공개했다. 허깅페이스(Hugging Face) 모델 정보에 따르면 이 모델은 2026년 10월 11일 허깅페이스에 올라왔고, 지금까지 내려받기 6,890회와 즐겨찾기 571회를 기록했다. 라이선스는 아파치 2.0(apache-2.0)이다.허깅페이스는 전 세계 개발자와 연구자가 AI 모델을 올리고 내려받는 공유 플랫폼이다. 새 모델이 나오면 보통 이곳에 모델 파일과 설명이 함께 올라온다. 그래서 허깅페이스의 수치는 새 모델에 대한 개발자들의 초기 반응을 보여주는 지표로 쓰인다. 내려받기는 모델 파일을 실제로 받아 간 횟수이고, 즐겨찾기는 이용자가 관심 있는 모델로 표시한 횟수다. 내려받기가 실제 사용으로 이어질 가능성을 보여준다면, 즐겨찾기는 계속 지켜보겠다는 관심에 가깝다.이번 수치를 기간으로 나눠 보면 흐름이 더 뚜렷하다. 공개일인 10월 11일부터 10월 23일까지는 12일이다. 같은 기간 내려받기가 6,890회였으니 단순 계산하면 하루 평균 570회가량이다. 즐겨찾기 571회는 내려받기의 약 8% 수준으로, 내려받기 12회당 1회꼴로 즐겨찾기가 붙은 셈이다. 공개 2주가 안 된 모델이 이 정도 수치를 냈다는 것은 이미지 생성 분야 개발자들이 MOSS-Image-SFT를 직접 받아 써 보고 있다는 뜻으로 읽힌다.모델 이름 끝의 ‘SFT’는 AI 업계에서 흔히 ‘지도 미세조정(Supervised Fine-Tuning)’을 줄여 부르는 말이다. 미리 학습된 모델에 정답이 붙은 데이터를 더 학습시켜 특정 목적에 맞게 다듬는 과정을 가리킨다. 오픈소스 모델 생태계에서는 같은 계열 모델이 학습 단계나 용도에 따라 이처럼 이름 뒤에 꼬리표를 붙여 공개되는 경우가 많다.라이선스도 눈여겨볼 대목이다. 아파치 2.0은 오픈소스 라이선스 가운데 제약이 적은 편에 속한다. 원저작자의 저작권 표시와 라이선스 고지만 지키면 상업적 이용과 수정, 재배포가 모두 허용된다. 연구 목적으로만 쓰도록 묶어 둔 라

우버, 직원 3만여 명 전원에 'ChatGPT Work' 도입

글로벌 차량호출·배달 플랫폼 기업 우버가 3만 명이 넘는 전 직원에게 오픈AI의 업무용 인공지능(AI) 서비스 'ChatGPT Work'를 도입한다. OpenAI는 자사 공식 뉴스 채널인 OpenAI News를 통해 우버와 함께 이 서비스를 전사에 배포한다고 발표했다.OpenAI에 따르면 이번 도입 대상은 우버 직원 3만여 명이다. 특정 부서나 일부 팀에만 시범 적용하는 방식이 아니라 전 직원이 대상인 전사 단위 배포다.우버 직원들은 ChatGPT Work를 자료 조사와 데이터 분석, 프레젠테이션 작성 같은 일상 업무에 쓰게 된다. 여러 단계를 거쳐야 하는 복잡한 업무 흐름(워크플로)을 처리하는 데도 활용된다.OpenAI는 이번 도입으로 우버의 각 팀이 리서치부터 분석, 결과물 작성까지 업무 전반을 더 수월하게 처리하도록 돕겠다고 설명했다. 3만여 명 규모의 직원이 같은 AI 업무 도구를 쓰게 되면서, 우버 사내에서 ChatGPT Work를 쓰는 업무의 범위도 넓어질 것으로 보인다.