2026년 8월 22일 AI 뉴스 — 딥시크 비전 모델, 옥스 알파, 에이전트 메모리

오늘의 AI 뉴스는 모델 공개와 에이전트 인프라가 절반씩 차지한다. 딥시크가 비전 모델을 API 문서와 함께 열었고, 정체를 밝히지 않은 연구소가 100만 토큰 컨텍스트 모델을 무료로 풀었다. 나머지 절반은 코딩 에이전트를 실제 업무에 붙이는 도구들이다.

딥시크 v4 비전 모델 공개

딥시크가 `deepseek-v4-flash-vision-exp` 실험 모델의 API 문서를 공개했다. base64 인라인, 외부 이미지 URL, Files API 참조 세 가지 방식으로 이미지를 받는다. JPEG, PNG, GIF, WebP를 지원하는데 확장자가 아니라 파일 내용으로 포맷을 판별한다.

제한 수치가 꽤 관대하다. 요청당 최대 600장, 단일 이미지는 base64/URL 기준 32MiB, Files API 기준 64MiB까지 허용한다. 이미지 한 변은 8,192px까지 가능하지만 한 요청에 15장 이상 넣으면 4,096px로 줄어든다. 과금은 이미지당 최대 384토큰으로 계산된다.

주목할 점은 호환성이다. OpenAI Chat Completions와 Responses API, 그리고 Anthropic `/messages` 엔드포인트를 모두 지원한다. 기존 파이프라인의 베이스 URL과 모델명만 바꿔서 그대로 붙일 수 있다는 뜻이다. 문서 파싱이나 차트 분석처럼 대량 처리가 필요한 작업이라면 비용 구조를 다시 계산해 볼 만하다.

https://api-docs.deepseek.com/guides/vision/

지능 비용, 6개월새 56배 하락

벤저민 디히터가 AI 발전을 두 축으로 나눠 분석했다. 하나는 능력 천장(새로 가능해지는 일), 다른 하나는 비용 바닥(기존 작업이 감당 가능해지는 지점)이다. 그리고 지금 극적으로 움직이는 쪽은 후자라고 짚는다.

숫자가 구체적이다. 지능 지수 40 수준의 작업 비용은 2월 1.22달러에서 지금 0.022달러로 떨어졌다. 6개월이 안 되는 사이 56배다. 지수 40의 반감기는 약 28일, 지수 30은 약 73일이다. 클로드 4.5 소네트급 성능을 GPT-5.6 루나로 대체하면 40분의 1 비용이라는 비교도 나온다.

여기서 저자가 말하는 건 제번스 역설이다. 싸지면 총 소비가 줄지 않고 오히려 늘어난다. 논문 수천 편을 표본이 아니라 전수로 훑기, 아카이브 전체에서 특정 조항 찾기, 같은 작업을 세 번 돌려 다수결로 검증하기, 새 논문이 올라오면 자동으로 스캔하는 상시 모니터링 — 전부 비용 때문에 포기했던 접근이다. 저자 본인의 문헌 재사용 조사도 파일럿에서 전수 조사로 규모가 바뀌었다.

https://catalystneuro.com/blog/cost-of-intelligence-drops-100x/

정체불명 무료 모델 옥스 알파

8월 20일 오픈라우터와 오픈코드에 "Ox Alpha"라는 이름만 달린 모델이 올라왔다. 어느 연구소가 만들었는지 밝히지 않았고, 컨텍스트 1,048,576토큰에 출력 131,072토큰, 텍스트·이미지·영상을 받으며, 일주일가량 무료다.

성능이 화제가 된 이유다. DeepSWE 벤치마크에서 Pass@1 80%를 기록했다고 알려졌는데, 같은 기준에서 클로드 페이블 5가 65%, GLM-5.3이 62%, GPT-5.6-sol이 52%다. 긴 호흡의 소프트웨어 엔지니어링과 에이전틱 작업을 겨냥한 추론 모델로 소개된다.

개발자 커뮤니티는 토크나이저 지문과 API 시그니처를 근거로 중국 즈푸AI(현 Z.ai)를 지목하고 있다. GLM-5.3 계열 변종이라는 관측이다. 오픈라우터의 스텔스 슬롯은 정식 출시 전 프리뷰인 경우가 많으니, 긴 컨텍스트 작업을 비용 없이 실험해 볼 기회이긴 하다. 다만 어디로 데이터가 흘러가는지 알 수 없으므로 민감한 코드베이스나 사내 문서는 넣지 않는 게 좋다.

https://www.reddit.com/r/artificial/comments/1vueqca/an_anonymous_lab_dropped_a_model_on_openrouter/

앤트로픽, 클로드 아카데미 공개

앤트로픽이 academy.claude.com을 열었다. 제품 교육과 AI 기초, 두 축으로 구성된다.

제품 교육은 클로드 도구별로 나뉜다. Claude.ai(대화형 분석·문서 작성), Claude Cowork(작업 위임), Claude Code(개발), Claude Tag(팀 연동), Claude Platform(API 구축) 다섯 갈래다. AI 기초 쪽은 'AI Fluency' 컬렉션이 위임·기술·판별·성실(Delegation, Description, Discernment, Diligence)이라는 4D 프레임워크로 협업 원칙을 다루고, 다음 토큰 예측이나 컨텍스트 제약 같은 모델의 작동 원리와 한계도 설명한다.

7분짜리 짧은 튜토리얼부터 퀴즈가 붙은 4시간 코스까지 길이가 다양하다. 그동안 클로드 활용법이 문서와 커뮤니티 글에 흩어져 있었던 걸 생각하면, 팀 온보딩 자료를 직접 만들 필요 없이 가져다 쓸 레퍼런스가 생긴 셈이다.

https://www.reddit.com/r/ClaudeAI/comments/1vudila/claude_academy_has_been_released_check_it_out/

2026년 개인 앱 바이브 코딩 실전기

프랜시스 어윈이 월 18파운드짜리 클로드 오퍼스 플랜으로 개인용 앱 세 개(Places, People, Music)를 만든 기록이다. 로컬 우선 동기화에 Yjs, 동기화 서버로 SQLite에 쓰는 Hocuspocus, 프런트는 PWA로 시작해 나중에 타입스크립트와 Preact로 리팩터링했다.

잘된 쪽부터 보면, 저자는 클로드가 "아주 빠른 시니어 엔지니어 수준"으로 요청한 일을 그냥 해낸다고 표현한다. 결정적이었던 건 피드백 루프다. 헤드리스 브라우저를 붙인 스냅샷 테스트가 디자인과 기능 문제를 잡아줬고, 타입 체크와 100% 테스트 커버리지 덕에 타입스크립트 전환과 Preact 전환이라는 두 번의 큰 리팩터링을 기능을 깨뜨리지 않고 넘겼다.

실패도 솔직하다. 웹 컴포넌트와 순수 자바스크립트로 시작한 초기 구조는 금방 지저분해졌고, 프레임워크 선택은 이념적으로 고른 게 실용적이지 않아 갈아엎어야 했다. 모바일에서 테스트하기 전에 목록 하나를 통째로 지우는 버그도 겪었다. 저자가 남긴 숙제는 규모 확장 쪽이다. UX 피드백은 여전히 사람의 실력을 요구하고, 크로스 플랫폼 프레임워크는 투박하며, 수동 리뷰 없이 쌓인 코드의 소유권 문제가 남는다.

https://www.flourish.org/2026/08/personal-apps/

코딩 CLI에 장기 기억 붙이기

`akitaonrails/ai-memory`가 내건 문구가 문제를 정확히 요약한다. "클로드 코드를 작업 도중에 끄고, 같은 디렉터리에서 코덱스를 켜고, 아키텍처를 다시 설명하지 않고 이어서 작업한다."

구현은 러스트 서버다. 라이프사이클 훅으로 프롬프트, 툴 호출, 세션 경계 같은 관찰값을 정제해 받아서 마크다운 위키로 컴파일한다. 이 위키는 git으로 버전 관리되고, FTS5 전문 검색과 엔티티 매칭에 선택적으로 벡터 임베딩까지 붙는다. 조회는 HTTP API와 MCP 양쪽으로 열려 있다. 저장 포맷이 그냥 마크다운이라 grep으로 뒤지거나 옵시디언으로 열어 볼 수 있다는 점이 실용적이다.

지원 범위가 넓다. 클로드 코드, 코덱스, 커서, 제미나이 CLI, 오픈코드, 키미 코드, 그록 빌드 CLI 등 20종 이상을 다루는데, 전체 라이프사이클 훅이 붙는 것부터 MCP만 되는 것까지 단계가 나뉜다. MIT 라이선스에 별 3.9k, 커밋 1,345개로 활발히 관리되고 있다.

https://github.com/akitaonrails/ai-memory

에이전트 조립 런타임 서브스트레이트

`agent-substrate/substrate`는 대규모 에이전트 배포를 위한 고밀도 런타임이다. 출발점이 흥미롭다. 에이전트성 애플리케이션은 대부분의 시간을 놀고 있다는 관찰에서, 같은 인프라 위에 에이전트를 겹겹이 다중화하겠다는 발상이다.

핵심은 1초 미만의 서스펜드·리줌이다. 액터를 워커 사이에서 빠르게 재우고 깨우면서, 스냅샷으로 RAM과 파일시스템 상태를 하이버네이션 너머까지 유지한다. 문서에 따르면 물리 파드 대비 30배 이상의 오버서브스크립션을 시연했다. 쿠버네티스로 인프라를 프로비저닝하되 에이전트 전용 스케줄링을 얹는 구조이고, ADK·랭체인·클로드 코드·MCP 서버 등 프레임워크를 가리지 않는다. 주 언어는 Go다.

다만 저장소가 스스로 밝히듯 초기 개발 단계다. 프로덕션 준비가 안 됐고 API도 바뀔 것이 거의 확실하다고 명시한다. 지금은 프로덕션 도입이 아니라 방향을 참고할 대상이다.

https://github.com/agent-substrate/substrate

포스트혹, LLM 관측 기능 추가

제품 분석 도구 포스트혹이 AI 옵저버빌리티를 정식 기능으로 넣었다. LLM 기반 앱의 트레이스, 제너레이션, 레이턴시, 비용을 함께 수집한다.

포스트혹이 이미 가진 것들과 붙는다는 점이 핵심이다. 제품 분석, 세션 리플레이, 피처 플래그, A/B 실험, 에러 트래킹이 한 플랫폼에 있으므로, "이 AI 기능이 돈을 얼마나 쓰는가"와 "실제로 어떤 사용자 플로우에서 쓰이는가"를 따로 볼 필요가 없다. 클로드 코드나 커서에서 직접 조작하는 MCP 연동도 제공한다.

AI 기능을 붙인 제품의 흔한 사각지대가 비용과 사용성을 서로 다른 도구에서 보는 것이었다. 두 데이터를 한 화면에서 보는 것만으로 롤아웃 판단이 빨라진다.

https://github.com/PostHog/posthog

마치며

비용이 56배 떨어지고 무료 프런티어급 모델이 일주일씩 풀리는 동안, 도구 쪽 관심은 "에이전트를 어떻게 오래, 싸게 굴릴까"로 옮겨가고 있다. 기억(ai-memory), 런타임(substrate), 관측(PostHog)이 같은 날 나온 게 우연은 아니다.

나무숲은 이런 흐름을 매일 아침 정리해 전한다. AI 도구를 실제 업무에 붙이는 이야기가 더 궁금하다면 나무숲 블로그를 둘러보시라.