2026년 10월 15일 AI 뉴스 — 앤트로픽 Scion, 제미나이 4 아르곤, AesCode
앤트로픽의 자체 VCS Scion 도입, 제미나이 4 아르곤 정식 출시, 마이크로소프트 AesCode, 앤트로픽 싱가포르 진출, 나비에-스토크스 증명 논란 등 오늘의 AI 뉴스 8건을 정리했습니다.
오늘은 개발 인프라와 모델 출시 소식이 함께 들어왔습니다. 앤트로픽은 AI 코딩으로 폭증한 변경량을 감당하려고 모노레포를 깃에서 자체 버전 관리 시스템으로 옮겼고, 구글은 제미나이 4 아르곤을 정식 출시했습니다. 마이크로소프트의 디자인 참조형 코드 생성 모델, 앤트로픽의 싱가포르 진출, 오픈AI의 유럽 에이전트 보고서, 나비에-스토크스 증명을 둘러싼 새 분석, 에이전트 감사 도구와 새 벡터 검색 인덱스까지 정리했습니다.
앤트로픽, 깃 버리고 자체 VCS 'Scion' 도입
앤트로픽이 사내 모노레포를 깃에서 자체 개발한 버전 관리 시스템 Scion으로 완전히 옮겼다고 밝혔습니다. 2026년 5월 하루 평균 2,500건이던 머지 건수가 9월에는 하루 3만 건을 넘어섰고, 사람 규모에 맞춰 만든 소스 관리·빌드·CI가 새 병목이 됐다는 설명입니다. 메인 브랜치 히스토리만 100GB에 가깝고, CI용 체크아웃이 하루 2,500만 번 일어나 수백 대의 깃 미러로도 버티기 어려웠다고 합니다.
Scion은 "클라이언트는 항상 온라인"이라는 전제에서 출발합니다. 커밋·머지·리베이스를 모두 서버에서 처리하고, 블레임이나 히스토리 같은 질의도 API로 제공해 CI 작업이 로컬 저장소 없이도 돌아갑니다. 체크아웃은 필요한 디렉터리만 받는 희소 체크아웃이 기본입니다. 그 결과 인프라의 CPU·메모리 사용량은 기존 깃 미러 대비 약 200분의 1로 줄었고, 체크아웃은 분 단위에서 초 단위로 빨라졌습니다.
흥미로운 건 만든 방식입니다. 7명이 5개월 만에 Scion과 코드 리뷰 도구 Antique를 만들고 이전까지 마쳤는데, 엔지니어들은 코드 작성은 클로드가 자신들보다 낫다고 평가했고 사람의 역할은 설계 판단과 클로드에게 "안 된다"고 말하는 일이었다고 합니다. 앤트로픽은 Scion을 일반용 깃 대체재로 공개할 계획은 없지만, 6~12개월 안에 다른 회사들도 같은 문제를 겪을 것이라며 깃허브·깃랩 등과 협력하겠다고 밝혔습니다.
구글, 제미나이 4 아르곤 정식 출시
이달 초 발표됐던 구글의 프런티어 모델 제미나이 4 아르곤이 정식 출시됐습니다. 가장 눈에 띄는 건 최대 100만 토큰의 출력 한도로, 10만 토큰 이상의 추론을 끝까지 이어 가거나 여러 파일로 된 애플리케이션 전체를 한 번에 생성·리팩터링하는 작업을 겨냥했습니다.
구글이 공개한 벤치마크에서는 지식 업무(Vals Index 68.9%)와 에이전트 코딩(DeepSWE v1.1 77.9%) 등에서 GPT-6 아스트라와 클로드 오퍼스 5.5를 앞섰고, Terminal-bench 4.0에서는 오퍼스 5.5(66.4%)가 더 높았습니다. 사례로는 크롬 팀이 600만 줄 규모의 레거시 폴더를 분리하는 리팩터링을 몇 달에서 몇 주로 줄였고, vLLM 기반 젬마 4 추론 속도를 2.85배 끌어올렸다고 소개했습니다.
제미나이 앱, AI 스튜디오, 구글의 에이전트 코딩 도구 안티그래비티(Antigravity)에서 쓸 수 있습니다. 해커뉴스에서는 1,300점이 넘는 관심을 받았고, 레딧에서는 오퍼스 5.5·GPT-6 아스트라와 직접 비교하는 실험 글이 잇따랐습니다.
마이크로소프트, 이미지 보고 HTML 짜는 AesCode
마이크로소프트가 슬라이드·포스터·대시보드 같은 인포그래픽을 편집 가능한 HTML/CSS로 생성하는 모델 AesCode를 공개했습니다. 코드 모델은 결과물이 화면에서 어떻게 보일지 모르고, 이미지 생성 모델은 보기 좋지만 글자를 틀리게 그린다는 서로의 약점을 묶은 접근입니다.
같은 프롬프트로 이미지 생성기가 만든 그림을 디자인 참고 자료로 주고, 내용은 프롬프트를, 레이아웃과 스타일은 참고 이미지를 따르도록 학습시켰습니다. 결과물을 디자인 그래프로 표현해 텍스트 정확도·여백·차트 데이터 등을 따로 채점하는 방식입니다. 300개 인포그래픽 평가에서 AesCode-32B가 종합 85.89점으로 GPT-5.5와 클로드 오퍼스 4.8보다 높았습니다.
큐웬3-VL 기반 8B·32B 두 가지 크기로 나왔고, 체크포인트가 허깅페이스에 공개됐습니다. 디자인 시안을 수정 가능한 웹 화면으로 옮기는 작업에 바로 실험해 볼 만합니다.
앤트로픽, 싱가포르 사무소 개설
앤트로픽이 아시아·태평양 지역 다섯 번째 사무소를 싱가포르에 열고, 싱가포르 디지털개발정보부와 양해각서(MOU)를 체결했습니다. 협력 분야는 AI 안전·보안·모델 평가, AI 도입 효과 연구, 공공과 민간의 책임 있는 AI 도입입니다.
싱가포르는 인구 대비 Claude.ai 사용량이 121개국 중 2위로, 인구 규모로 예상되는 수준의 약 6배라고 합니다. 싱가포르 정부기술청(GovTech)에서는 1,500명 넘는 엔지니어가 클로드 코드로 정부 시스템을 현대화하고 있고, DBS 은행·국부펀드 GIC·그랩·씨(Sea) 그룹도 클로드를 쓰고 있습니다. 그랩의 영업 보조 도구는 분기마다 약 4만 시간을 아껴 준다고 밝혔습니다.
오픈AI "EU AI 다음 장은 에이전트"
오픈AI 경제 연구팀이 유럽연합 기업들의 에이전트형 AI 사용 현황을 분석한 보고서를 냈습니다. EU의 ChatGPT 엔터프라이즈 고객에서는 이미 코덱스와 ChatGPT 워크가 전체 출력 토큰의 절반 이상을 차지하고, 2026년 5월 이후 EU 중소기업의 주간 활성 사용자는 8배 넘게 늘었습니다.
다만 격차도 큽니다. 국가별 에이전트 사용 비중은 슬로베니아 22%에서 리투아니아 85%까지 벌어졌고, EU 상위 기업은 일반 기업보다 사용자당 토큰을 4배 넘게 쓰지만 EU 밖의 상위 기업과 비교하면 절반에도 못 미쳤습니다. 오픈AI는 실험 단계를 넘어 더 깊게 쓰도록 돕는 것이 유럽의 과제라고 정리했습니다.
오픈AI 나비에-스토크스 증명 논란
지난달 오픈AI가 공개한 166쪽짜리 나비에-스토크스 폭발해(blowup) 증명을 두고 새로운 분석이 나왔습니다. 오픈AI는 처음에 이 증명이 스페인 수학자 디에고 코르도바와 루이스 마르티네스-소로아가 제안한 접근법('스페인 프로그램')을 따랐다고 설명했고, 같은 프로그램을 LLM으로 진행하던 NYU의 트리스탄 버크마스터가 자신의 연구를 가져갔다고 반발하며 공개 갈등으로 번졌습니다.
사이언티픽 아메리칸이 여러 전문가 그룹을 취재한 결과, 증명은 실제로는 스페인 프로그램과 다른 방식이라는 쪽으로 의견이 모이고 있습니다. 두 접근 모두 문제 정의의 같은 허점, 즉 인위적인 외력으로 유체를 휘저어 해를 폭발시키는 길을 쓰지만, 그 외력을 만드는 방법이 전혀 다르다는 것입니다. 오픈AI는 약 1만 개의 에이전트 스웜이 88시간 동안 1,300억 토큰을 써서 증명을 만들었고, 논증은 린(Lean)으로 검증할 수 있게 코드화돼 있습니다.
기사의 결론은 결국 오픈AI조차 자기 모델의 증명을 처음에는 제대로 이해하지 못했고, 한 달이 지난 지금도 완전히 이해한 사람은 없다는 것입니다. AI가 쏟아내는 수학 결과를 사람이 검증하는 속도가 따라가지 못하는 상황을 보여 주는 사례입니다.
AI 에이전트 2분 감사 도구 iFixAi
iFixAi는 AI 에이전트가 비즈니스 목표와 조직 구조에 맞게 제대로 일하고 있는지를 120초 안에 점검해 주는 오픈소스 감사 도구입니다. 토큰 효율이나 지연 시간, 프롬프트 인젝션처럼 기술 지표만 보는 기존 평가·레드팀 도구가 답하지 못하는 질문을 겨냥했다고 소개합니다.
사용 방법은 세 가지입니다. ifixai setup 마법사로 설정한 뒤 ifixai run을 돌리거나, CI용으로 모든 옵션을 플래그로 넘기거나, 클로드 코드·코덱스 플러그인으로 설치해 에이전트가 직접 설정을 파악하고 진단을 돌린 뒤 결과를 설명하게 할 수 있습니다. 기본 10개, 전체 60개 점검 항목이 있고, 실행 전에 비용을 먼저 보여 줍니다. Apache-2.0 라이선스로 공개돼 깃허브 스타 2만 7천 개를 넘겼습니다.
pgvector보다 빠른 pg_vectorsearch
타임스케일이 PostgreSQL용 벡터 검색 확장 pg_vectorsearch를 알파로 공개했습니다. 핵심은 새 인덱스 PRISM으로, pgvector의 IVFFlat과 비슷한 구조지만 계층형 라우팅과 RaBitQ 양자화, SIMD 최적화 거리 계산을 더했습니다. 1억 개 벡터 데이터셋에서 HNSW와 같은 재현율을 내면서 더 빨랐고, 메모리는 4분의 1인 인스턴스에서 돌렸다고 합니다.
기존 pgvector의 vector·halfvec 컬럼에 그대로 PRISM 인덱스를 걸 수 있어, 테이블과 쿼리를 바꿀 필요가 없습니다. 아직 알파라 운영 환경용은 아니지만, Postgres 위에서 RAG를 돌리며 대규모 벡터 검색 성능에 고민이 있는 팀이라면 테스트해 볼 만합니다.
마치며
에이전트가 코드를 더 많이, 더 빨리 만들수록 그 결과를 통합하고 검증하는 일이 새 병목이 되고 있습니다. 나무숲(TreeSoop)은 이런 흐름을 실제 업무 자동화에 적용하는 AI 에이전트 개발을 돕습니다. 도입을 고민 중이라면 treesoop.com에서 문의해 주세요.