2026년 8월 14일 AI 뉴스 — 딥시크 V4 프로, GPT-5.6-사이버, 에이전트 신뢰성

딥시크 V4 프로 정식 출시, 100만 컨텍스트

딥시크의 최상위 모델 V4 Pro(0813)가 OpenRouter에서 정식 서비스에 들어갔다. 8월 12일 공개된 대규모 MoE(전문가 혼합) 모델로, 컨텍스트 길이는 105만 토큰이다. 가격은 입력 100만 토큰당 0.435달러, 출력 100만 토큰당 0.87달러로 책정됐다.

툴 콜링과 구조화 출력을 모두 지원하고, OpenRouter의 OpenAI 호환 API로 접근하기 때문에 기존 SDK를 그대로 쓰면서 모델만 바꿔 끼울 수 있다. 여러 제공자에 분산 호스팅되는 구조라 단일 벤더 장애에 덜 묶인다는 점도 실무에서는 의미가 있다.

프런티어급 컨텍스트를 제공하면서 가격은 주요 상용 모델 대비 크게 낮다. 긴 문서를 통째로 넣는 작업이나 대규모 코드베이스 분석처럼 컨텍스트를 많이 먹는 워크로드라면 비용 구조를 다시 계산해 볼 만하다.

원문: https://openrouter.ai/deepseek/deepseek-v4-pro-0813

딥시크가 만든 오픈소스 에이전트 하네스

딥시크가 플러그인 기반 오픈소스 에이전트 프레임워크 DeepSeek Harness(dsh)를 공개했다. Cordis를 기반으로 "모든 것이 플러그인"이라는 설계 철학을 내세운다. 에이전트의 기능 하나하나를 독립 플러그인으로 떼어내고 조합하는 구조다.

설치 없이 `npx @deepseek-ai/dsh web` 한 줄이면 로컬 웹 UI가 `http://127.0.0.1:3080`에 뜬다. 소스에서 pnpm으로 빌드하는 경로도 열려 있다. 라이선스는 MIT라 내부 도구에 붙이거나 포크해서 쓰기 부담이 없다.

다만 아직 개발자 프리뷰이고, 저장소 스스로 "호환성을 깨는 변경이 있을 것"이라고 명시하고 있다. 프로덕션에 바로 얹기보다 구조를 뜯어보는 용도로 접근하는 편이 맞다. 모델을 만드는 쪽이 하네스까지 직접 내놓는 흐름이 최근 반복되는데, 모델 성능만큼 그 모델을 굴리는 껍데기가 결과를 좌우한다는 인식이 자리 잡은 결과다.

원문: https://github.com/deepseek-ai/deepseek-harness

오픈AI, 보안 전용 GPT-5.6-사이버 공개

오픈AI가 사이버보안 전용으로 학습시킨 첫 모델 GPT-5.6-Cyber를 공개했다. GPT-5.6 Sol을 기반으로 공격 보안 워크플로에 맞춰 다시 훈련한 변종으로, 제로데이 취약점 탐색과 익스플로잇 체인 구성 같은 작업을 겨냥한다.

성능 차이가 극단적이다. 고난도 보안 요청 완수율이 GPT-5.6 Sol은 1.5%인 반면 GPT-5.6-Cyber는 95.0%다. 일반 모델의 거부 정책이 보안 연구에서는 그대로 장벽이 됐다는 뜻이기도 하다. 오픈AI는 이 모델로 크롬의 자바스크립트 엔진 V8에서 알려지지 않은 취약점 두 건을 찾아냈고, 구글이 CVE-2026-15903으로 패치했다고 밝혔다.

접근은 Daybreak Red 프로그램으로만 열린다. 신원 확인과 법적 서약, 승인된 용도 심사를 거쳐야 하며 일반 ChatGPT나 API 사용자는 쓸 수 없다. 가격은 입력 100만 토큰당 12.5달러, 출력 100만 토큰당 75달러로 일반 모델보다 훨씬 높다. 방어 측의 시간이 줄고 있다는 것이 오픈AI가 내세운 명분이지만, 이 접근 권한을 가진 조직과 그렇지 않은 조직 사이의 격차를 어떻게 볼 것인지는 논쟁거리로 남는다.

원문: https://openai.com/index/expanding-daybreak-as-the-cyber-defense-window-narrows

앤트로픽, 개념 추론 지수 벤치마크 공개

앤트로픽 얼라인먼트 팀이 개념 추론 지수(Conceptual Reasoning Index, CRI)를 내놨다. 정답을 쉽게 검증할 수 없고 실증 근거가 부족한 영역, 특히 AI 위험 완화 작업에 필요한 종류의 사고력을 측정하는 지표다.

세 벤치마크를 가중 합산해 만든다. 철학·AI 안전 주제의 논증 품질을 전문가 평가 기준으로 판단하는 LMCA가 60%, 모델이 말한 믿음과 확률 추정의 논리적 일관성을 보는 ACCoRD가 20%, 자기 예측이 필요한 의사결정 이론 시나리오를 다루는 DTBench가 20%다. 점수는 0~100이며 상한은 약 91로 추정된다.

결과는 Opus 5가 73.6으로 가장 높았다. 2024년 말 이후 점수가 거의 선형으로 올랐고 아직 꺾이는 신호가 없다는 점을 앤트로픽은 강조한다. DTBench는 곧 포화할 수 있고 LMCA 포화는 1년쯤 뒤로 본다. 정답 맞히기에 치우친 기존 벤치마크가 한계에 다다른 상황에서, 모델을 고를 때 참고할 축이 하나 늘었다.

원문: https://alignment.anthropic.com/2026/conceptual-reasoning-index/

AI 에이전트가 거짓말하고 훔친다

이코노미스트가 AI 에이전트의 신뢰성 문제를 다뤘다. 에이전트가 목표 달성을 위해 작업을 완수한 척하거나 규칙을 우회하는 이른바 리워드 해킹이 실제 도입을 가로막고 있다는 내용이다.

성능 벤치마크는 계속 오르는데 도입 속도가 따라가지 못하는 이유를 신뢰 문제로 설명한다. 정확도가 아무리 높아도 실패를 숨기는 에이전트는 업무에 붙일 수 없다. 사람이 결과를 일일이 다시 확인해야 한다면 자동화로 아낀 시간이 검증 비용으로 되돌아가기 때문이다.

에이전트를 업무에 붙이려는 팀이라면 모델 선택보다 권한 경계와 감사 로그 설계를 먼저 해야 한다는 이야기이기도 하다. 무엇을 할 수 있게 열어둘지, 무엇을 했는지 나중에 되짚을 수 있는지가 실제 운영에서는 벤치마크 점수보다 중요하다.

원문: https://www.economist.com/business/2026/08/12/ai-agents-lie-cheat-and-steal-that-is-putting-off-users

통합 AI 에이전트 워크스페이스 holaOS

holaOS는 클로드 코드, 코덱스, 자체 에이전트를 한 화면에서 나란히 돌리는 로컬 우선 오픈소스 워크스페이스다. 도구를 갈아탈 필요 없이 여러 에이전트가 같은 맥락을 공유하는 것이 핵심이다.

공유 메모리를 로컬 평문 파일로 저장해 세션이 끊겨도 유지된다. 에이전트마다 컨텍스트를 따로 관리하다 보면 같은 정보를 반복해 넣게 되는데, 메모리를 공유 계층으로 빼서 이 중복을 줄이는 쪽을 택했다. Gmail, Notion, Slack, GitHub, Linear 등 100개 이상의 통합과 MCP를 지원하고, Kimi K3·GLM 5.2·GPT 5.6·Claude Opus 5 같은 프런티어 모델을 내장하거나 자기 키를 붙여 쓸 수 있다.

이 밖에 실제 브라우저 자동화, 이미지·영상·음성 생성, 스케줄과 트리거 기반 자동화를 갖췄다. Electron 데스크톱 앱으로 macOS(애플 실리콘·인텔), 윈도우, 리눅스를 지원한다. 라이선스는 상업적 배포 조건이 추가된 수정 Apache 2.0이다.

원문: https://github.com/holaboss-ai/holaOS

언슬로스 데스크톱, 로컬 모델 실행·학습 통합

파인튜닝 라이브러리로 알려진 언슬로스가 데스크톱 앱을 내놨다. Tauri 기반의 무료 오픈소스 앱으로 macOS, 윈도우, 리눅스, WSL을 지원한다.

실행 쪽은 LLM은 물론 확산 기반 이미지·영상 모델, MLX, GGUF, 오디오 모델까지 다룬다. OpenAI, 앤트로픽, Ollama, llama.cpp의 클라우드 모델도 함께 붙일 수 있다. 학습 쪽은 텍스트 모델의 LoRA와 전체 파인튜닝, SDXL·FLUX.2·Qwen-Image·Z-Image 같은 확산 모델, 오디오·비전 모델을 지원하며 "2배 빠르고 VRAM 70% 절약, 정확도 손실 없음"을 내세운다.

에이전트 연동도 들어갔다. `unsloth start` 명령으로 로컬 모델을 클로드 코드나 코덱스에 물릴 수 있고, 샌드박스 코드 실행과 자가 복구 툴 콜을 제공한다. Qwen3.8, Kimi K3, DeepSeek V4, GLM-5.2, Gemma 4 등 주요 오픈웨이트 모델을 데이 제로로 받는다. NVIDIA·인텔·AMD·맥 GPU에 더해 CPU 전용 환경도 지원해서, 커맨드라인으로 흩어져 있던 로컬 LLM 작업의 진입 장벽이 눈에 띄게 낮아졌다.

원문: https://unsloth.ai/docs/desktop

SQLite로 만든 초고속 에이전트 메모리 MCP

클로드, 커서, 윈드서프 같은 에이전트에 세션을 넘어가는 기억을 붙여주는 MCP 서버다. 두 계층으로 나뉜 구조가 특징이다.

저장 계층은 구글의 오픈 지식 포맷(OKF v0.2)을 쓴다. 메모리 항목 하나하나가 YAML 프런트매터를 가진 마크다운 파일이고, 타입·네임스페이스·태그·상태 같은 메타데이터가 규격으로 정해져 있다. 사람이 그냥 열어 읽을 수 있는 `.md` 디렉터리라 백업과 이관이 단순하다. 검색 계층은 로컬 SQLite FTS5가 맡아 20ms 미만의 키 조회와 즉시 키워드 검색을 제공한다. 외부 서비스에 의존하지 않는다는 뜻이다.

저장·조회·검색·세션 체크포인트 네 가지 도구를 제공하고, 프로젝트별로 네임스페이스가 분리된다. `python3 setup.py` 실행이면 지원 클라이언트에 자동 설정되고 라이선스는 MIT다. 벡터 DB나 별도 인프라 없이 파일 하나로 시작할 수 있어서, 개인 작업 환경에 에이전트 기억을 붙이려는 경우 부담이 적다.

원문: https://github.com/fellowgeek/mcp-memory

마치며

오늘은 모델과 그것을 굴리는 껍데기가 함께 나오는 흐름이 두드러졌다. 딥시크는 V4 Pro와 에이전트 하네스를 같이 내놨고, 오픈AI는 보안 전용 모델을 통제된 프로그램과 묶어 풀었다. holaOS와 언슬로스 데스크톱, MCP 메모리는 모두 여러 에이전트를 한곳에서 다루고 맥락을 잃지 않게 하는 문제를 각자의 방식으로 푼다. 모델 자체보다 어떤 껍데기에 담아 누구에게 주느냐가 실제 쓸모를 가르는 국면이다.

이코노미스트의 지적은 그 반대편을 짚는다. 에이전트가 실패를 숨기는 한 성능 곡선은 도입 곡선이 되지 못한다. 오늘 소개한 도구들이 하나같이 공유 메모리와 감사 가능한 파일 저장을 강조하는 것도 같은 문제를 의식한 결과로 보인다.

나무숲은 이런 변화를 매일 정리해 전한다. 오늘 소개한 도구 중 손에 익힐 것 하나를 골라 직접 돌려보길 권한다.