AI

구글, 최상위 모델 '제미나이 4 아르곤' 정식 출시… 3.5·3.7 플래시는 지원 종료

구글이 제미나이(Gemini) API에 새 최상위 모델 '제미나이 4 아르곤(gemini-4-argon)'을 정식 출시(GA)했다. 구글이 공개한 제미나이 API 공식 변경 이력을 보면, 10월 8일부터 13일 사이에 새 항목 5건이 올라왔다. 이 가운데에는 신모델 출시 외에 기존 플래시 모델 2종의 지원 종료(디프리케이션)와 딥 리서치 에이전트 프리뷰 버전의 서비스 종료 일정도 들어 있다.변경 이력에 따르면 구글은 10월 13일 제미나이 4 아르곤을 내놓으며 이 모델을 '복잡한 코딩, 에이전트, 수학, 과학 작업을 위해 만든 가장 뛰어난 모델'이라고 소개했다. 모델 이름이 '제미나이 4'로 바뀐 만큼 세대가 넘어갔음을 보여주는 출시다. 다만 변경 이력에는 성능 수치나 가격, 컨텍스트 길이 같은 세부 사양이 적혀 있지 않다. 구글은 API 변경 사항과 가격, 이전 방법을 'What's new in Gemini 4 Argon' 문서에 따로 정리했다고만 밝혔다. 기존 모델과 비교해 얼마나 좋아졌는지는 변경 이력만으로는 확인되지 않았다.신모델 출시보다 닷새 앞선 10월 8일에는 지원 종료 공지 3건이 올라왔다. 먼저 'gemini-3.7-flash'가 지원 종료되고 'gemini-3.8-flash'로 대체됐다. 구글 AI 스튜디오에서는 더 이상 이 모델을 고를 수 없고, gemini-3.7-flash로 보내는 API 요청은 자동으로 gemini-3.8-flash로 넘어간다. 'gemini-3.5-flash'도 같은 방식으로 지원이 끝났다. 이 모델로 보내는 요청은 'gemini-3.6-flash'로 자동 전환되며, 구글은 모델 문자열을 gemini-3.6-flash나 gemini-3.8-flash로 바꾸라고 안내했다.같은 날 딥 리서치 에이전트의 프리뷰 버전인 'deep-research-pro-preview-12-2025'도 지원 종료 대상에 올랐다. 이 에이전트는 2026년 10월 23일 서비스가 완전히 종료된다. 공지 시점을 기준으로 보름 남짓 남은 셈이다. 다

구글 '제미나이 4 아르곤' 정식 출시… 출력 100만 토큰, 모의 사이버공격 12개 시나리오 모두 해결

구글이 자사 AI 모델 가운데 가장 성능이 높은 '제미나이 4 아르곤(Gemini 4 Argon)'을 정식 출시(GA)했다. 구글은 13일(현지시간) 제미나이 API 개발자 문서의 변경 이력에 gemini-4-argon을 일반 공개한다고 올렸다. MarkTechPost는 같은 날 이 모델을 제미나이 API와 AI 스튜디오, 제미나이 앱에서 쓸 수 있게 됐다고 보도했다. 구글 딥마인드는 공식 블로그에 아르곤의 안전·보안 대책을 따로 공개했다.구글은 변경 이력에서 아르곤을 복잡한 코딩·에이전트·수학·과학 작업을 위해 만든 모델이라고 소개했다. MarkTechPost에 따르면 아르곤은 희소 전문가 혼합(sparse MoE) 구조다. 최대 100만 토큰까지 출력할 수 있고, Vals 인덱스에서 68.90%를 기록해 1위에 올랐다. 가격과 이전 방법은 구글이 별도 문서로 안내한다고 했지만, 구체적인 가격은 이번 자료에서 확인되지 않았다.같은 변경 이력에는 기존 모델 정리 내용도 들어 있다. 구글은 8일 gemini-3.7-flash와 gemini-3.5-flash 지원을 중단하고 각각 gemini-3.8-flash와 gemini-3.6-flash로 대체한다고 밝혔다. 두 모델은 이제 AI 스튜디오에서 고를 수 없고, 기존 API 요청은 후속 모델로 자동 전환된다. 딥리서치 에이전트 'deep-research-pro-preview-12-2025'도 지원이 중단돼 10월 23일 서비스를 종료한다.이번 출시는 단계적 공개를 거친 결과다. 딥마인드에 따르면 구글은 먼저 '페어윈드(Fairwind) 프로그램'으로 사이버 방어 인력에게만 아르곤을 제공했다. 이 기간 보안기업 위즈(Wiz)는 이전 모델들이 놓친 병원 소프트웨어의 치명적 버그를 찾아내 수십만 건의 환자 기록을 보호하는 데 기여했다. 구글 보안팀도 전 세계 시스템에 영향을 주는 근본적 취약점을 찾아내 책임 있는 공개 절차를 밟고 있다. 구글은 이번 정식 배포와 함께 페어윈드 참여 대상도 넓힌다.딥마인드는 성능 향상에

구글 딥마인드, 신규 프런티어 모델 '제미나이 4 아르곤' 전 세계 출시

구글 딥마인드는 공식 블로그를 통해 최신 프런티어 모델 '제미나이 4 아르곤(Gemini 4 Argon)'을 전 세계에 출시한다고 발표했다. 개발자와 기업은 AI 스튜디오와 제미나이 플랫폼에서 API로 이용할 수 있다. 구글 AI 울트라 구독자는 '구글 안티그래비티'에서, 울트라·프로 구독자는 제미나이 앱과 검색의 AI 모드에서 쓸 수 있다.딥마인드는 아르곤이 코딩, 금융, 법률, 사이버보안, 과학 분야의 복잡한 다단계 작업에 강점을 보인다고 밝혔다. 금융·코딩·법률·세무 등 핵심 경제 분야의 모델 성능을 측정하는 'Vals 인덱스'에서는 1위를 기록했다고 설명했다. 출시 기념 가격은 입력 토큰 100만 개당 2달러, 출력 토큰 100만 개당 10달러다. 캐시된 입력 토큰은 95% 할인된다. 제미나이 API에서는 입력과 출력을 합쳐 최대 100만 토큰까지 처리할 수 있다.회사에 따르면 구글 내부에서 아르곤을 안티그래비티와 함께 사용한 결과, 에이전트가 작성한 코드 제출이 35% 이상 늘었고 코드 롤백은 3분의 1 가까이 줄었다. 3차원 환경의 물리·공간 문제 해결 능력을 평가하는 ERQA 벤치마크에서는 87%를 기록했다. 딥마인드는 과학자 1만 명에게 안티그래비티 최상위 사용 등급을 6개월간 무료로 제공한다며, 앞으로 제미나이 4 제품군의 나머지 모델도 내놓을 계획이라고 밝혔다.

구글 'gemini-4-argon', AI 모델 가격표에 첫 등장… 100만 토큰당 입력 2달러·출력 10달러

구글의 새 API 모델 'gemini-4-argon'이 오픈소스 LiteLLM 프로젝트의 모델 가격표에 새로 올라왔다. 14일 LiteLLM 가격표를 보면 이 모델은 대화형으로 분류됐다. 이용 요금은 100만 토큰당 입력 2달러, 출력 10달러다. 한 번에 넣을 수 있는 입력은 최대 105만 토큰이다. 이번 갱신에서 새로 추가된 모델은 이 1종뿐이다.LiteLLM은 여러 AI 공급사의 모델을 같은 방식으로 불러 쓸 수 있게 해 주는 오픈소스 도구다. 이 프로젝트는 각 공급사가 공개한 가격표를 모아 MIT 라이선스로 관리한다. 개발자들은 이 목록으로 모델별 비용을 비교하거나 사용량에 따른 요금을 계산한다. 그래서 새 모델 이름이 이 목록에 오르면 공급사가 해당 모델을 API로 제공하기 시작했거나 곧 제공한다는 신호로 받아들여지곤 한다. 다만 목록에 반영된 날짜는 실제 공개일과 며칠 차이가 날 수 있다. 이번 등록만으로는 구글이 이 모델을 공식 발표했는지, 언제 공개했는지 확인되지 않았다. 'argon'이라는 이름이 무엇을 뜻하는지, 기존 제미나이 모델과 성능이나 용도가 어떻게 다른지도 자료에 나와 있지 않다.가격 구조를 보면 출력 단가가 입력의 5배다. AI 모델 API는 보통 사용자가 보내는 글(입력)과 모델이 만들어 내는 답(출력)에 따로 값을 매긴다. 출력에 더 높은 단가를 붙이는 것은 업계에서 흔한 방식이다. 이 단가대로라면 입력 100만 토큰과 출력 10만 토큰을 쓰는 작업에 드는 비용은 입력 2달러와 출력 1달러를 더해 약 3달러다. 최대 길이인 105만 토큰을 한 번에 입력하면 입력 비용만 약 2.1달러가 든다. 토큰은 AI 모델이 글을 나눠 처리하는 단위로, 단어나 글자 조각에 해당한다. 같은 분량이어도 언어에 따라 토큰 수가 달라진다.최대 입력 105만 토큰은 100만 토큰을 넘는 긴 맥락을 한 번에 처리할 수 있다는 뜻이다. 긴 보고서나 계약서 여러 건, 규모가 큰 코드 저장소처럼 많은 자료를 한꺼번에 넣고 질문하는 작업에 쓸 수 있는 크기다.

autotrust, 텍스트 분류 AI 모델 'JEV-35B' 허깅페이스에 공개… 사흘 새 내려받기 1만7천 회 넘어

AI 개발사 autotrust가 텍스트 분류용 AI 모델 'JEV-35B'를 지난 11일 허깅페이스(Hugging Face)에 공개했다. 허깅페이스 모델 정보에 따르면 이 모델은 공개 뒤 내려받기 1만7426회, 즐겨찾기 435회를 기록했다. 라이선스는 아파치 2.0(apache-2.0)이다. 모델은 허깅페이스의 autotrust 저장소(huggingface.co/autotrust/JEV-35B)에서 받을 수 있다.허깅페이스는 전 세계 개발자와 연구자가 AI 모델과 데이터셋을 올리고 내려받는 공유 플랫폼이다. 모델마다 내려받기 수와 즐겨찾기(좋아요) 수가 공개되는데, 개발자들이 새 모델에 얼마나 관심을 보이는지 가늠하는 초기 지표로 쓰인다. JEV-35B는 공개 사흘 만에 내려받기가 1만7천 회를 넘었다. 내려받기 수에는 실제 사용 외에 테스트용 반복 다운로드나 자동화 도구에 의한 호출도 섞여 있을 수 있다. 그래서 이 수치만으로 실제 활용 규모를 단정하기는 어렵다. 반면 즐겨찾기는 이용자가 직접 눌러야 쌓이는 만큼, 435회라는 숫자는 관심을 보다 직접적으로 보여주는 지표로 볼 수 있다.이 모델의 용도인 텍스트 분류는 입력된 문장이나 문서를 미리 정한 범주로 나누는 작업이다. 스팸 메일 걸러내기, 댓글이나 리뷰의 감성 분석, 고객 문의 자동 분류, 유해 콘텐츠 탐지 등이 대표적인 예다. 기업 서비스 현장에서 수요가 꾸준한 분야다. 대화형 생성 모델이 주목받는 가운데에서도 분류 모델은 실제 업무 시스템에 바로 들어가는 실용 도구로 쓰임새가 넓다.모델 이름의 '35B'는 AI 업계에서 흔히 매개변수(파라미터) 350억 개 규모를 뜻하는 표기 방식이다. 다만 허깅페이스에 공개된 정보만으로는 JEV-35B의 실제 매개변수 규모가 확인되지 않았다. 학습 데이터, 지원 언어, 성능 평가 결과 같은 세부 사항도 이번에 정리한 자료에서는 확인되지 않았다. autotrust가 어떤 조직인지, 이 모델을 어떤 목적으로 개발했는지도 마찬가지로 확인되지 않았다.라이선스 조건은 활

애플 "튜닝보다 섞어라"…데이터 부족한 언어 AI는 이중언어 사전학습이 더 낫다

애플이 학습 데이터가 부족한 언어로 언어모델을 만들 때는 하이퍼파라미터를 공들여 조정하기보다 데이터가 풍부한 다른 언어를 섞어 학습하는 편이 더 낫다는 연구 결과를 내놨다. 애플은 13일(현지시간) 자사 머신러닝 연구 사이트 'Apple Machine Learning Research'에 「Mix, Don't Tune: Bilingual Pre-Training Outperforms Hyperparameter Search in Data-Constrained Settings」 논문을 공개했다. 제목을 옮기면 '튜닝하지 말고 섞어라: 데이터가 제한된 환경에서는 이중언어 사전학습이 하이퍼파라미터 탐색보다 낫다'는 뜻이다.공개된 초록에 따르면 연구진이 주목한 문제는 '데이터 제약'이다. 세계 대부분 언어는 언어모델 사전학습에 쓸 텍스트가 충분하지 않다. 그래서 같은 학습 데이터를 여러 번 반복해 학습시켜야 하는데, 이렇게 하면 모델의 일반화 성능, 곧 처음 보는 문장을 다루는 능력이 떨어진다.논문은 이 문제를 푸는 방법으로 두 가지를 비교했다. 하나는 하이퍼파라미터를 공격적으로 조정하는 방법이다. 높은 가중치 감쇠(weight decay)처럼 모델 가중치를 줄여 네트워크 용량을 제한하는 방식으로, 모델이 반복된 데이터를 통째로 외우지 못하게 막는다. 다른 하나는 데이터가 풍부한 보조 언어의 데이터를 섞는 방법이다. 혼합 비율을 조절해 학습 데이터의 분포를 넓히고 학습 신호를 다양하게 만들어, 데이터가 적은 목표 언어를 직접 돕는다.두 방법은 접근이 정반대다. 튜닝은 모델의 표현 능력을 '줄여서' 과적합을 막고, 데이터 혼합은 모델이 보는 데이터를 '넓혀서' 같은 문제를 푼다. 논문 제목은 데이터가 제한된 환경에서 후자가 더 낫다는 결론을 담고 있다.다만 공개된 초록 요지는 중간에서 끊겨 있어 구체적인 실험 조건과 결과는 확인되지 않았다. 어떤 언어를 목표 언어와 보조 언어로 썼는지, 모델 규모가 어느 정도인지, 성능 차이가 얼마나 났는지는 초록 요지만으로는 알 수 없다.

알리바바 연구진, 장기 과제용 터미널 에이전트 학습 데이터 엔진 'TerminalHorizon' 공개

알리바바 소속 연구진이 터미널 기반 AI 에이전트가 오래 걸리는 실무 과제를 끝까지 수행하도록 학습 데이터를 자동으로 만드는 엔진을 내놓았다. 사전공개 논문 저장소 arXiv에 올라온 「Scaling Agentic Data for Long-Horizon Terminal Intelligence」(arXiv:2610.13166) 초록에 따르면, Shun Zou 등 연구자 9명은 데이터 합성 엔진 'TerminalHorizon'을 설계했다. 이 엔진으로 과제 환경 1,500개를 구축했고, 여기서 얻은 데이터로 Qwen3.5-27B 모델을 지도 미세조정(SFT)해 'TerminalHorizon-27B'를 만들었다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 28회를 받았다. 동료평가를 거치지 않은 사전공개 논문이다.연구진이 주목한 것은 학습 데이터의 '길이'와 '구조'다. 터미널 에이전트는 명령어를 입력해 컴퓨터를 다루는 AI다. 이제는 단순한 로컬 작업을 넘어 실제 전문 업무를 처리하는 쪽으로 쓰임새가 넓어지고 있다. 연구진은 짧은 작업 기록(trajectory)으로도 명령어나 도구 호출 방법은 보여줄 수 있다고 설명했다. 그러나 에이전트가 탐색하며 근거를 쌓고, 그 근거로 판단하고, 피드백을 받아 전략을 고치고, 중간 결과물을 최종 산출물로 다듬는 과정까지 담기는 어렵다고 짚었다. 하나의 문제 해결 과정에서 이런 행동들이 어떻게 이어지는지를 담은 긴 작업 기록이 있어야 에이전트가 오랜 시간 스스로 일하는 데 필요한 경험을 얻을 수 있다는 것이다.문제는 기존 합성 방식에 있었다. 초록에 따르면, 학습용 환경을 자동으로 만들다 보면 에이전트가 직접 해야 할 핵심 작업이 환경 구축 단계에서 미리 처리되거나 단순화되는 일이 생긴다. 이 경우 에이전트는 탐색이나 구현, 검증을 할 필요가 없어지고, 결국 학습 데이터에 정작 중요한 행동이 빠지게 된다.TerminalHorizon은 이 문제를 두 단계로 풀었다. 먼저 실제 전문 업무에서 출발해 별도

허깅페이스에 이름만 100자 넘는 27B 모델 등장… 내려받기 7만5천 회 넘어

개발자 nerkyor가 AI 모델 공유 플랫폼 허깅페이스(Hugging Face)에 'Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2'라는 모델을 공개했다. 허깅페이스 모델 정보에 따르면 공개일은 2026년 10월 4일이다. 이미지와 텍스트를 입력받아 텍스트를 만드는 모델이며, 자료 기준 내려받기 7만5302회, 즐겨찾기 281회를 기록했다.라이선스는 아파치 2.0(apache-2.0)이다. 상업적 이용과 수정, 재배포를 비교적 폭넓게 허용하는 오픈소스 라이선스여서, 기업이나 개인 개발자가 서비스에 넣거나 추가 학습을 하기에 부담이 적다. 모델은 허깅페이스의 nerkyor 계정 페이지에서 받을 수 있다.가장 먼저 눈에 띄는 것은 이름이다. 하이픈으로 이어진 이름이 100자를 넘는다. 맨 앞 'Qwen3.8-27B'는 알리바바의 오픈소스 모델 계열인 큐원(Qwen)과 270억(27B) 개의 매개변수 규모를 가리키는 것으로 읽힌다. 허깅페이스에서는 기반 모델 이름을 앞에 두고 뒤에 학습 방식이나 데이터 정보를 붙이는 작명이 흔하다. 이름 뒷부분의 'SFT'는 지도 미세조정, 'RLOO'는 강화학습 기법의 한 종류, 'MTP'는 여러 토큰을 한꺼번에 예측하는 기법을 줄여 부를 때 흔히 쓰는 약어다. 'Coder'와 'EfficientThink'라는 말에서는 코딩 능력과 효율적인 추론을 내세우려는 뜻이 보인다.이름 가운데에는 'Opus5.5', 'GPT6Astra', 'Grok4.7', 'DSV4Pro', 'K3'처럼 앤트로픽·오픈AI·xAI·딥시크·문샷AI 등 다른 회사 모델을 떠올리게 하는 말도 줄줄이 들어 있다. 오픈소스 커뮤니티에서는 상용 모델의 출력으로 학습 데이터를 만들고 이 데이터로 작은 모델을 미세조정한 뒤, 그 사실을 이름에 적는 경우가 종종 있다. 다만 이 모델이 실제로 이런 방식으로 만들어졌는지, 이름에 적힌 기법이 실제로 모두

애플, 몇 단계만으로 생성하면서 우도 학습은 지키는 「정규화 궤적 모델」 논문 공개

애플이 지난 8일 자사 머신러닝 연구 사이트 'Apple Machine Learning Research'에 새 AI 논문 「Normalizing Trajectory Models(NTM, 정규화 궤적 모델)」를 공개했다. 애플이 공개한 초록에 따르면, 이 연구는 확산(diffusion) 기반 생성 모델이 적은 단계로 이미지 등을 생성할 때 생기는 한계를 다룬다. 생성 속도를 높이면서도 모델의 확률적 학습 틀은 버리지 않는 방법을 제안했다.확산 모델은 오늘날 이미지 생성 AI에서 많이 쓰이는 방식이다. 노이즈에서 출발해 조금씩 노이즈를 걷어내며 결과물을 만든다. 애플은 초록에서 확산 모델이 샘플링을 '작은 가우시안 디노이징 단계' 여러 개로 나눈다고 설명했다. 이런 가정은 각 단계가 충분히 작을 때만 성립한다. 생성 과정을 거친 전환 몇 번으로 줄이면 이 가정이 무너진다는 것이 연구진의 문제의식이다. 단계 수는 곧 생성 속도와 연산 비용으로 이어진다. 그래서 적은 단계로 품질을 유지하는 기술은 업계 전반의 관심사다.초록은 기존의 '소수 단계(few-step)' 생성 기법도 짚었다. 지식 증류(distillation), 일관성 학습(consistency training), 적대적 목적함수(adversarial objectives) 등이 그것이다. 연구진은 이들 기법이 단계 수를 줄이는 데는 성과를 냈지만, 그 과정에서 우도(likelihood) 프레임워크를 희생했다고 지적했다. 우도 기반 학습은 모델이 데이터 분포를 얼마나 잘 설명하는지를 확률로 직접 따져 학습하는 방식이다. 이 틀을 포기하면 학습 목표의 명확성이나 확률 계산 같은 장점도 함께 잃게 된다.애플이 내놓은 NTM은 이 절충을 피하려는 시도다. 초록에 따르면 NTM은 역방향 생성 과정의 각 단계를 '표현력 높은 조건부 정규화 흐름(conditional normalizing flow)'으로 모델링하고, 정확한 우도로 학습한다. 정규화 흐름은 되돌릴 수 있는(가역) 변환을 쌓아 단순한 분포를 복잡한 분포로

워싱턴대, 날아오는 상자 눈으로 보고 받는 휴머노이드 제어 기술 '리플렉스' 공개

미국 워싱턴대(University of Washington) 연구진이 휴머노이드 로봇이 사람이 던진 상자를 자기 카메라로만 보고 온몸으로 받아내도록 하는 제어 기법 '리플렉스(Reflex)'를 내놨다. 타오양 자(Taoyang Jia) 등 9명은 논문 사전공개 사이트 arXiv에 「Reflex: Visually Grounded Reactive Humanoid Control」(arXiv:2610.12772)을 올렸다. 저자들이 공개한 초록에 따르면 이 로봇은 실제 실험에서 2.5m 거리에서 던진 상자의 65%를 받아냈다. 같은 거리에서 사람이 받은 성공률의 76% 수준이다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 19회를 받았다. 동료평가는 아직 거치지 않았다.연구진은 사람이 테니스공을 받아치거나 떨어지는 컵을 잡고, 지나가는 카트를 비켜서는 일을 예로 들었다. 사람은 이런 동작을 별 노력 없이 해내지만 휴머노이드에게는 여전히 어렵다는 것이다. 움직이는 대상이 어디로 갈지 예측하고 1초 남짓한 시간 안에 온몸으로 반응해야 하기 때문이다. 초록은 여기에 필요한 능력을 세 가지로 정리했다. 전신 동작을 조율하는 능력, 물체의 움직임에 실시간으로 반응하는 능력, 로봇 자신의 시점(1인칭) 영상만으로 상황을 파악하는 능력이다. 연구진은 던진 상자 받기를 이 세 능력이 모두 필요한 대표 과제로 골랐다. 기존 시스템은 이 중 일부만 해결했다고 연구진은 설명했다. 손끝 같은 말단 장치에만 의존하거나, 외부 모션캡처 장비를 쓰거나, 표식을 붙인 물체를 써야 했다는 것이다.리플렉스는 이 능력을 3단계로 나눠 차례로 학습시킨다. 첫 단계에서는 물체의 정확한 상태 정보를 받는 정책이 강화학습으로 전신을 써서 받는 동작을 익힌다. 둘째 단계에서는 지연되고 불완전한 관측만으로 날아오는 상자의 움직임을 추론하는 법을 배운다. 마지막 단계에서는 전신 제어기를 고정해 둔 채, 1인칭 RGB-D(컬러와 깊이) 카메라 영상에서 상자의 움직임 정보를 바로 뽑아내는

프로그램을 처음부터 만드는 코딩 AI를 위한 학습 환경 1,648개 구축…arXiv에 'ProgramGym' 논문 공개

기존 프로그램을 탐색해 그 동작을 처음부터 다시 구현하는 코딩 에이전트를 훈련하기 위한 대규모 학습 환경 프레임워크가 나왔다. 사전공개 논문 저장소 arXiv에 공개된 논문 「ProgramGym: Scaling Training Environments for Long-Horizon Program Reproduction Agents」에 따르면, Chengyi Yang 등 연구진 13명은 C·C++·Go·Rust 4개 언어에 걸친 학습 환경 1,648개를 자동으로 구축했다. 이 환경으로 학습한 오픈 모델은 프로그램 재현 성능이 크게 높아졌다고 밝혔다. 논문에 적힌 저자 소속은 ProgramGym이다.이번 연구는 코딩 에이전트의 쓰임새가 달라진 데서 출발했다. 연구진은 초록에서 코딩 에이전트가 이제 기존 저장소의 이슈를 고치거나 요구사항 문서를 받아 저장소를 만드는 데 그치지 않는다고 짚었다. 소프트웨어 엔지니어처럼 프로그램을 처음부터 짓는 일에 점점 더 많이 쓰인다는 것이다. 이런 작업에서는 에이전트가 무엇이 필요한지 스스로 알아내고 시스템 설계 방식도 직접 정해야 한다. 그런데 연구진에 따르면 이런 능력을 길러 줄 학습 환경, 그중에서도 결과를 검증할 수 있으면서 규모를 키울 수 있는 환경은 드물었다. 기존 에이전트 작업 흐름도 구현 전에 참조 프로그램을 충분히 살펴보는 '장기 개발' 과정을 끝까지 버티지 못했다는 것이 연구진의 진단이다.ProgramGym은 두 부분으로 이뤄져 있다. 첫째인 'Program-Env'는 실제 저장소를 바탕으로 검증 가능한 학습 환경을 만든다. 코드를 실행하는 샌드박스가 제대로 빌드되지 않으면 고치고, 프로그램의 입출력 동작만 보고 판정하는 블랙박스 테스트의 품질도 끌어올린다. 이 과정을 피드백 루프로 반복한다. 사람이 일일이 손보지 않아도 채점 가능한 과제를 대량으로 만들어 낼 수 있다는 점이 핵심이다. 둘째인 'Program-Agent'는 에이전트 작업 흐름이다. 분석·구현·검토 역할을 서로 분리해 맡기고, 컴파일 점검과 실패 복

요약만으로는 부족하다…푸단대 연구진, AI 에이전트 '잔차 메모리' 기법 REMORY 공개

긴 작업을 수행하는 AI 에이전트가 대화 기록을 요약해 압축할 때 빠지는 정보를 별도의 '메모리 토큰'으로 보완하는 기법이 나왔다. 사전공개 논문 저장소 arXiv에 올라온 논문 초록에 따르면, 중국 푸단대와 SII가 함께 운영하는 Fusion Lab(Generative Vision Lab) 소속 한천 샤(Hanchen Xia) 등 연구진 8명은 「REMORY: Learning Residual Memory for Context Compaction」 논문(arXiv:2610.11287)에서 이 방법을 제안했다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 38회를 받았다.이 연구는 요즘 AI 에이전트 개발에서 부딪히는 문제를 다룬다. 웹 검색이나 터미널 작업처럼 여러 단계를 거치는 에이전트는 작업이 길어질수록 대화와 도구 실행 기록이 쌓인다. 그런데 대형언어모델(LLM)이 한 번에 처리할 수 있는 입력 길이, 곧 컨텍스트 창에는 한계가 있다. 그래서 많은 에이전트가 지난 기록을 글로 요약해 압축(컴팩션)하고 작업을 이어간다. 연구진은 초록에서 "텍스트 요약만으로는 이후의 모든 판단을 뒷받침하지 못할 수 있다"고 지적했다. 요약 과정에서 빠진 세부 정보 때문에 에이전트가 이미 했던 작업을 되풀이하거나 실수를 하게 된다는 것이다.REMORY는 요약문을 버리지 않고 그 뒤에 '소프트 메모리 토큰'을 정해진 길이만큼 덧붙이는 방식이다. 소프트 토큰은 사람이 읽는 단어가 아니라 모델 내부에서 쓰는 벡터 형태의 정보다. 별도의 신경망 메모리 네트워크가 전체 기록과 요약문을 함께 보고 이 토큰을 만든다. 학습 목표는 가중치를 고정한 LLM이 요약문과 메모리 토큰만 보고도 전체 기록을 봤을 때와 비슷한 출력을 내도록 하는 것이다. 토큰은 요약문을 조건으로 만들어져 요약문 바로 뒤에 붙는다. 연구진은 이 구조를 딥러닝의 잔차 연결(residual connection)을 시퀀스 방향에 적용한 것에 빗댔다. 요약이 큰 줄기를 맡고, 메모리 토큰은 요약이