2026년 8월 19일 AI 뉴스 — GPT-5.6 솔 가격 인하, 에이전트 컨텍스트 DB, AI 학습 데이터

오늘의 AI 뉴스는 가격과 성능이 동시에 움직인 하루였다. GPT-5.6 솔 요금이 절반으로 떨어졌고, 에이전트의 컨텍스트를 파일시스템처럼 다루는 데이터베이스와 맥에서 도는 추론 서버가 나왔다. 한편으로는 AI 챗봇을 겨냥해 만들어진 가짜 싱크탱크, 파산한 항공사의 데이터를 통째로 사들이는 빅테크처럼 학습 데이터를 둘러싼 그늘도 함께 드러났다.

GPT-5.6 솔 가격 절반으로

오픈라우터에서 GPT-5.6 솔 요금이 50% 인하됐다. 100만 토큰당 입력은 5달러에서 2.50달러로, 출력은 30달러에서 15달러로 내려갔다. 그동안 비용 때문에 솔을 메인 모델로 쓰지 못하던 팀에게는 계산이 완전히 달라지는 변화다.

솔은 복잡한 추론과 코딩, 에이전트 워크플로에 맞춰진 모델이다. 컨텍스트 윈도우는 105만 토큰, 최대 출력은 12만 8천 토큰이고 지식 컷오프는 2026년 2월이다. PDF와 이미지, 텍스트를 입력으로 받고 툴 호출과 JSON 스키마 기반 구조화 출력을 지원한다.

오픈라우터에 잡힌 실측 지표를 보면 세 개 프로바이더(OpenAI, Azure, Amazon Bedrock)를 통틀어 초당 44토큰, 지연 3.67초, 가용률 99% 이상이다. 가장 많이 쓰이는 용도는 코덱스를 비롯한 코딩 에이전트다.

https://openrouter.ai/openai/gpt-5.6-sol

에이전트 기억을 스스로 키우는 DB

볼케이노엔진이 공개한 오픈바이킹은 에이전트의 메모리와 지식, 스킬을 하나의 가상 파일시스템으로 다루는 컨텍스트 관리 시스템이다. 불투명한 벡터 DB를 질의하는 대신, 에이전트가 `viking://` 프로토콜 아래에서 `ls`, `tree`, `find` 같은 익숙한 파일 조작으로 컨텍스트에 접근한다.

핵심은 계층형 로딩이다. 모든 콘텐츠를 L0(한 문장 요약), L1(핵심 정보), L2(전체 내용) 세 단계로 가공해두고 필요한 깊이만 꺼내 쓴다. 이 방식으로 토큰 소비를 최대 91%까지 줄였다고 밝혔다. 검색 과정도 관찰 가능하다. 질의마다 디렉터리 탐색 경로가 남기 때문에, 결과가 이상하면 어떤 경로에서 나왔는지 그대로 추적할 수 있다.

벤치마크 수치도 구체적이다. 여러 에이전트 플랫폼에서 사용자 메모리 정확도가 24~57%에서 80~83%로 올랐고, 질의 지연은 최대 66%, 입력 토큰은 34~91% 줄었다. 세션이 끝나면 사용자 선호와 에이전트 경험을 자동으로 추출해 장기 메모리로 남기는 기능도 들어 있다.

https://github.com/volcengine/OpenViking

맥에서 도는 LLM 추론 서버

oMLX는 애플 실리콘 맥에 최적화된 LLM 추론 서버다. 메뉴바 앱까지 함께 제공해서 관리가 쉽다.

두 가지가 핵심이다. 첫째는 연속 배칭이다. mlx-lm의 BatchGenerator를 써서 동시 요청을 효율적으로 처리하고, 최대 동시 요청 수는 기본 8개로 조절할 수 있다. 둘째는 계층형 KV 캐시다. 자주 쓰이는 블록은 램(핫 티어)에 두고, 넘치는 분량은 safetensors 포맷으로 SSD(콜드 티어)에 내린다. 프리픽스가 일치하는 후속 요청에서는 캐시 블록을 재계산 없이 복원한다. 맥의 통합 메모리 압박을 줄이는 실전적인 설계다.

요구 사항은 macOS 15.0 이상, 파이썬 3.11~3.13, M1 이상의 애플 실리콘이다. 텍스트 LLM은 물론 비전-언어 모델(Qwen3.5, GLM-4V, Pixtral), 임베딩(BERT, BGE-M3), OCR과 리랭킹 모델까지 지원한다. GLM-5.2와 MiniMax M3용 네이티브 커스텀 커널도 선택적으로 들어 있다. `brew install jundot/omlx/omlx`로 설치하고 `omlx serve --model-dir ~/models`로 띄우면 OpenAI 호환 API가 `localhost:8000/v1`에 열린다.

https://github.com/jundot/omlx

로그인된 내 크롬을 모는 MCP

네오브라우저는 실제 크롬 바이너리와 내가 이미 로그인한 프로필을 그대로 조종하는 MCP 서버다. 외부 런타임 의존성 없는 4MB짜리 러스트 단일 바이너리다.

헤드리스 브라우저 자동화의 고질적인 문제는 로그인과 봇 탐지다. 네오브라우저는 새 브라우저를 띄우는 대신 맥 키체인, 리눅스 시크릿 서비스, 윈도우 DPAPI에서 쿠키를 복호화해 주입한다. 흉내를 내는 게 아니라 실제로 일관된 상태이기 때문에 bot.sannysoft 같은 봇 탐지를 그대로 통과한다. 캡차와 로그인 게이트, 레이트 리밋을 감지해 모델에게 신호를 보내는 기능도 있다.

내장 툴은 43종이다. 내비게이션, 클릭, 입력, 폼 제출, 업로드·다운로드, 스크린샷, 웹·이미지·영상 검색을 아우르고 한 크롬 인스턴스 안에서 멀티탭 관리도 된다. 설치는 맥과 리눅스에서 한 줄이고, 실제 세션 모드는 `NEOBROWSER_REAL_PROFILE` 환경변수에 크롬 프로필 이름을 넣으면 켜진다.

https://github.com/pitiflautico/neobrowser

코덱스에서 100만 토큰 켜는 법

코덱스는 성능과 비용을 고려해 기본 컨텍스트 크기를 낮춰두지만, GPT-5.6 솔의 105만 토큰 컨텍스트를 직접 활성화할 수 있다. `~/.codex/config.toml` 최상단에 `model = "gpt-5.6-sol"`, `model_context_window = 1000000`, `model_auto_compact_token_limit = 900000` 세 줄을 넣으면 된다. 한 세션만 시험해보려면 `codex -m gpt-5.6-sol -c model_context_window=1000000 -c model_auto_compact_token_limit=900000`으로 띄우면 된다.

포인트는 자동 압축 한계를 900K로 잡아 여유를 두는 것이다. 설정을 바꾼 뒤에는 코덱스를 재시작하고 새 세션을 시작해야 적용된다.

다만 원문도 댓글도 신중하다. 기본값은 성능과 비용을 저울질해 정해둔 값이라, 1M 설정이 언제나 더 효율적이지는 않다. 파일 수십 개를 오가는 대형 리팩터링처럼 맥락 유지가 결정적인 작업에서 선택적으로 켜는 쪽이 현실적이다. 위의 가격 인하와 묶어 보면 한 번쯤 실험해볼 이유는 생겼다.

https://news.hada.io/topic?id=32600

큐원 3.8 27B, 너무 오래 생각한다

사이먼 윌리슨이 큐원 3.8 27B를 직접 써보고 남긴 평가다. 모델 자체에 대한 평은 좋다. 비전 작업에 강하고 바운딩 박스를 정확히 잡으며, 코드 품질도 괜찮고 코딩 에이전트를 굴리기에 충분하다. 17GB 파일로 집 컴퓨터에서 돌아간다는 점만으로도 로컬 AI에 의미 있는 성취라고 봤다.

문제는 기본 추론 강도가 `xhigh`로 잡혀 있다는 것이다. 윌리슨의 표현으로는 단순한 요청에도 "스펙터클한 과잉 사고"를 한다. "원을 SVG로 그려줘"라는 프롬프트에 몇 분을 들여 정교한 기하학적 구성을 고민했다. SVG 펠리컨 하나에 22,276개의 추론 토큰과 21분을 썼는데, 추론을 끄면 같은 작업이 137초였다.

결론은 명확하다. 기본값을 무시하고 낮은 추론 강도나 추론 없음으로 먼저 돌려보라는 것이다. 툴을 만드는 것 같은 복잡한 작업에는 추론이 도움이 되지만 대개는 불필요한 오버헤드다. 초당 15~30토큰이라는 로컬 추론 속도 자체도 여전히 한계로 남아 있어서, 속도가 중요하면 호스팅 API가 낫다는 평가를 함께 덧붙였다.

https://simonwillison.net/2026/Aug/16/qwen-38-27b/

AI 챗봇 노린 가짜 싱크탱크

이스라엘 정부 광고기관을 대신해 Piro, Inc가 세운 하노버 공공정책연구소가 실제 싱크탱크처럼 보이는 보고서를 대량 배포한 정황이 드러났다. 프랑스 홍보사 Havas Media를 통해 90만 달러를 받고 진행한 작업이고, 공동창업자 Daniel Rosenberg는 영화 제작자 출신이다. 표적은 사람이 아니라 AI 챗봇과 검색 이용자였다.

수법은 세 갈래다. 형식 조작으로 중립적 문체에 통계와 각주를 갖춘 학술 보고서처럼 위장했고, 콘텐츠 최적화 측면에서는 Piro가 "AI Story Optimization"이라 부르는 기법으로 LLM이 신뢰성을 평가하는 방식에 맞춰 문서를 설계했다. 보고서 제목은 사용자가 챗봇에 실제로 입력할 법한 질문 형태로 뽑았다. 그리고 8월 6일부터 열흘 남짓한 기간에 100편 넘게 쏟아냈다. 무작위 표본 12개 중 11개가 AI 작성으로 탐지됐다.

전형적인 LLM 포이즈닝이다. AI 검색 결과를 신뢰의 출발점으로 삼는 지금, 출처 세탁이 실제로 어떻게 작동하는지 보여주는 사례로 읽을 만하다.

https://news.hada.io/topic?id=32609

구글, 파산 항공사 데이터 샀다

구글이 파산한 스피릿 항공의 데이터를 경매에서 1,000만 달러에 낙찰받았다. 법원 승인 대기 중이고, 차순위 입찰자는 AI 학습 데이터 전문 기업 Mercor였다.

목록이 압도적이다. 이메일 1억 건, 마이크로소프트 팀즈 항목 5억 건, 원드라이브 파일 1,700만 건, 셰어포인트 항목 2,050만 건, 녹취된 고객 상담 통화 3,000만 건 이상, 상담 채팅 기록 1,500만 건 이상, 서비스나우 티켓 60만 건, 오라클 Responsys의 활성 이메일 주소 1,370만 건이 포함된다. 여기에 운항 76만 3천 건, 승무원 페어링 500만 건, 급유 전표 120만 건 이상의 운영 기록이 더해진다.

법원 제출 서류에는 데이터가 매각 전 비식별화됐고 구글이 개인식별정보를 발견하면 제거하겠다고 약속했다는 내용이 담겼다. 다만 원문은 그 약속에 회의적인 시선을 보내며, 훗날 AI 출력물을 통해 프라이버시 문제가 드러날 가능성을 지적한다. 기업이 무너지면 그 회사가 쌓아둔 고객 데이터가 자산으로 매각되고, 그 매수자가 AI 기업이라는 구도가 이제 하나의 표준 경로가 되고 있다.

https://www.theregister.com/ai-and-ml/2026/08/18/google-buys-crashed-airline-spirits-data-at-auction-because-ai/5288962

마치며

오늘은 도구가 싸지고 빨라지는 흐름과, 그 도구를 먹여 살리는 데이터가 어디서 오는지에 대한 질문이 나란히 놓인 날이었다. 나무숲은 매일 아침 이런 AI 뉴스를 골라 정리한다. 놓치고 싶지 않다면 내일도 들러주시길.

https://treesoop.com/blog