2026년 11월 5일 AI 뉴스 — 포스트맨 플러그인 논란, 레볼루트 자체 GLM, 피그마 편집 모델

오늘은 포스트맨 데스크톱 앱이 사용자 동의 없이 클로드 코드와 코덱스에 플러그인을 깔았다는 신고로 시작합니다. 레볼루트는 엔지니어 2천 명의 코딩 모델을 자체 호스팅 GLM으로 옮겨 비용을 10분의 1로 줄였다고 하고, 피그마는 디자인 편집 전용 모델을 직접 학습시킨 과정을 공개했습니다. 오픈AI는 GPT-6로 하드웨어 기기를 처음부터 설계한 실험과 일상 업무 벤치마크 LifeVal을 내놨습니다. 도구 쪽에서는 클로드 코드 세션을 49개 에이전트 게임 스튜디오로 바꾸는 저장소와, 1.5TB짜리 키미 K3를 8GB 메모리에서 돌리는 C 구현이 눈에 띕니다.

포스트맨, 코딩 에이전트에 몰래 플러그인

포스트맨 공식 이슈 트래커에 "[SEVERE]" 딱지가 붙은 신고가 올라와 해커뉴스에서 1천 점을 넘겼습니다. 오랜만에 맥에서 포스트맨 데스크톱(12.33.4)을 열었더니, 앱이 사용자에게 묻지 않고 코덱스와 클로드 코드에 포스트맨 플러그인을 설치했다는 내용입니다. 포스트맨 자체 로그에 auto-existing-upgrade 소스로 claude-code:installed, codex:installed가 그대로 찍혀 있었습니다.

문제는 설치에서 끝나지 않았다는 점입니다. 코덱스 전역 설정(~/.codex/config.toml)에 포스트맨 마켓플레이스와 플러그인이 추가됐고, 세션이 시작될 때마다 "API 관련 작업이면 먼저 postman:api-engineer 스킬을 불러 따르라"는 지시를 주입하는 SessionStart 훅이 등록됐습니다. 신고자는 설치 스크립트 소스에서 이 훅의 해시를 직접 신뢰 목록에 올리는 approvePostmanHook 호출도 찾아냈습니다. 인증이 안 된 원격 MCP 서버(mcp.postman.com)까지 켜져 있어 코덱스를 열 때마다 인증 오류가 났다고 합니다.

신고자는 데이터 유출까지 입증한 것은 아니라고 선을 그었습니다. 다만 다른 앱이 내 코딩 에이전트의 설정과 시스템 지시를 바꾸고, 그 훅을 스스로 승인하려 했다는 점은 에이전트 시대의 새로운 신뢰 경계 문제입니다. 포스트맨을 쓰고 있다면 ~/.codex/config.toml과 ~/.claude/settings.json에 낯선 플러그인이나 훅이 없는지 한 번 확인해 볼 만합니다.

원문: https://github.com/postmanlabs/postman-app-support/issues/14370

레볼루트, 개발자 2천명 자체 GLM으로

핀테크 기업 레볼루트가 엔지니어 약 2천 명의 코딩 모델을 자체 호스팅한 GLM으로 바꿨다는 소식이 X에서 퍼졌습니다. 레볼루트 AI 운영 책임자 데이비드 아비톨의 설명을 인용한 글에 따르면, 엔비디아 B200 56장으로 돌리고 혼합 단가는 100만 토큰당 30센트 수준입니다. 앤트로픽·오픈AI에 내던 비용의 약 10분의 1이고, 클로드 코드와 코덱스는 예외적으로만 쓰는 쪽으로 밀려났다고 합니다.

눈여겨볼 대목은 엔지니어링 리드타임이 70% 개선됐다는 주장과 그 이유입니다. 토큰을 아껴 쓸 필요가 없어지자 엔지니어들이 어려운 티켓에만 AI를 쓰던 습관을 버리고 모든 일에 붙이기 시작했다는 설명입니다. 프런티어 모델은 예외가 되고 오픈 웨이트가 기본값이 되는 구조라면, 상장을 앞둔 AI 연구소들의 가격 정책에도 부담이 될 수 있습니다.

아직은 SNS 글을 거친 2차 정보라 구체 수치는 레볼루트의 공식 발표를 기다려 볼 필요가 있습니다. 그래도 팀 단위 AI 코딩 비용이 커진 조직이라면 자체 호스팅 오픈 모델을 기본으로 두고 프런티어 API를 예외로 쓰는 구성을 검토해 볼 만한 사례입니다.

원문: https://twitter.com/guilleflorvs/status/2117379073785696395

RTX 스파크 노트북, 리눅스선 추론 급락

엔비디아 RTX 스파크 칩을 단 노트북(MSI 프레스티지, 에이수스 프로아트, 델 XPS)에 리눅스를 깔면 로컬 LLM 추론 속도가 크게 떨어진다는 실측이 나왔습니다. DGX 스파크와 같은 GPU 설계에 최대 128GB 통합 메모리를 얹어 AI 개발자용으로 팔리는 기기지만, 모두 ARM용 윈도우를 탑재해 출시됩니다.

GPT-OSS-120B 기준으로 윈도우는 초당 65.4토큰, WSL은 65.1토큰, DGX 스파크는 61토큰을 냈는데, 같은 노트북의 네이티브 리눅스는 13.9토큰에 그쳤습니다. 전원을 꽂으면 리눅스에서 GPU 클럭이 약 780MHz로 묶이기 때문입니다(윈도우는 2.2GHz 안팎). CPU와 GPU 사이 전력 배분을 맡는 펌웨어의 전력 테이블이 암호화돼 있어 윈도우 드라이버만 읽을 수 있다는 게 원인으로 지목됐습니다. GPU에 기본 96GB를 할당하는 메모리 분배도 윈도우에서만 바꿀 수 있습니다.

당장은 윈도우 드라이버 위에서 도는 WSL이 현실적인 절충안입니다. vLLM처럼 리눅스 우선인 도구도 WSL에서는 풀 성능으로 돌릴 수 있습니다. 근본 해결은 엔비디아가 이 전력 관리 로직을 리눅스 드라이버로 옮겨 주는 것뿐이라, 로컬 추론용으로 이 노트북을 고민한다면 참고할 내용입니다.

원문: https://www.mindstudio.ai/blog/linux-nvidia-rtx-spark-laptop

피그마, 디자인 편집 전용 모델 학습

피그마가 자사 디자인 에이전트에 들어가는 편집 전용 모델을 어떻게 학습시켰는지 공개했습니다. 간격 조정, 색 변경, 피드백 반영 같은 자잘하고 반복적인 편집을 빠르게 처리하는 게 목표였습니다. 초기에는 프런티어 모델이 피그마 문법을 이해하지 못해 시스템 프롬프트에 토큰을 잔뜩 써야 했기 때문에, 직접 지도 미세조정(SFT)을 택했습니다.

학습 데이터는 원본 디자인, 합성 편집 요청, 성공한 수정 결과를 피그마 네이티브 파일 형식으로 묶은 것입니다. 큰 교사 모델이 편집을 시도하면 결정론적 검증기와 시각 판정 모델이 걸러 냈습니다. 25만 개 넘는 예제로 학습한 라마 3.3 70B가 당시 최상위 모델과 겨룰 만했다고 합니다. 지금은 최신 Qwen 등으로 베이스 모델을 바꾸고, SFT의 일반화 한계를 넘기 위해 강화학습 환경과 보상 모델에 투자하고 있습니다.

성과도 수치로 밝혔습니다. 베타에서 정식 출시까지 일반 작업이 약 20% 빨라졌고, 전문 디자이너와의 비교 평가에서 이전 에이전트를 이기거나 비긴 비율이 62%였습니다. 사용자 평점은 33% 오르고 되돌리기는 60% 줄었습니다. 특정 도메인 편집처럼 범위가 좁은 작업에서는 사후 학습한 모델이 프런티어 모델과 경쟁할 수 있다는 사례입니다.

원문: https://www.figma.com/blog/training-a-figma-fluent-editing-model/

GPT-6, 사람 손 없이 기기 설계

오픈AI가 자사 모델로 물리 제품의 설계·시뮬레이션·제작을 돕는 작업을 소개했습니다. 기계·전기 설계와 시스템 설계 전반에서 도면 준비, 시뮬레이션 설정, 분야 간 변경 조율까지 모델이 거들도록 가르치고 있다는 내용입니다.

대표 실험은 사람이 직접 손대지 않고 GPT-6 아스트라로 실제 기기를 만드는 것이었습니다. 아스트라가 기능 요구사항을 정하고 외관 디자인, 외함과 내부 고정 구조, 부품 선정과 PCB 배치·배선, UI와 펌웨어, 코덱스 연동 소프트웨어까지 설계했습니다. 오픈AI는 멀티모달과 컴퓨터 사용 능력을 함께 시험하려는 목적이라고 설명했습니다.

오픈AI는 복잡한 물리 제품을 설계·생산하는 엔지니어, 설계 회사, 소프트웨어 벤더와 협업할 파트너를 모집하고 있습니다. 코딩 에이전트가 하드웨어 설계 도구까지 다루는 쪽으로 넓어지고 있다는 신호입니다.

원문: https://openai.com/index/accelerating-engineering-for-the-physical-world

오픈AI, 일상 업무 벤치마크 LifeVal

오픈AI가 일상 업무를 얼마나 잘 처리하는지 재는 평가 세트 LifeVal을 공개했습니다. 어린이집 찾기, 행정 서비스 이용, 예산 짜기, 장보기 주문, 운동 계획 세우기처럼 사람들이 AI 비서에게 가장 맡기고 싶어 하는 일을 과제로 삼았습니다.

과제 선정은 미국 시간사용조사(ATUS)와 다국적 시간사용연구(MTUS)에서 사람들이 실제로 시간을 쓰는 영역을 출발점으로 했습니다. 답변만 하는 게 아니라 브라우저 사용, 컴퓨터 사용, 커넥터로 실제 행동까지 끝내야 점수를 받는 구조이고, 오픈AI는 지난 1년간 이 평가로 모델 개선을 추적해 왔다고 밝혔습니다. 공개된 개별 과제 예시에서 최신 모델은 90~100% 수준의 점수를 냈습니다.

학술 지식 시험 위주인 기존 벤치마크와 달리, 개인 에이전트가 실생활 과제를 끝까지 해내는지를 보겠다는 방향입니다. 소비자용 에이전트 제품을 만드는 팀이라면 평가 과제 구성 방식을 참고할 만합니다.

원문: https://openai.com/index/lifeval

클로드 코드를 게임 스튜디오로

클로드 코드 세션 하나를 게임 개발 스튜디오처럼 굴리게 해 주는 Claude Code Game Studios가 깃허브 트렌딩에 올랐습니다. 스타는 3만4천 개를 넘었습니다. 에이전트 49개, 스킬 74개, 훅 15개, 경로별 규칙 14개를 .claude/ 폴더에 담아 둔 구성입니다.

에이전트는 실제 스튜디오처럼 세 단계로 나뉩니다. 크리에이티브 디렉터·테크니컬 디렉터·프로듀서가 비전을 지키고, 게임 디자이너·리드 프로그래머·아트 디렉터·QA 리드 같은 부서장이 그 아래, 게임플레이·엔진·AI 프로그래머와 성능 분석가 같은 전문가가 실무를 맡습니다. /start, /design-system, /create-epics, /dev-story, /story-done 같은 슬래시 커맨드가 기획부터 출시까지 단계마다 붙어 있습니다.

만든 사람의 문제의식은 단순합니다. 혼자 AI와 게임을 만들면 매직 넘버를 하드코딩하거나 설계 문서를 건너뛰어도 막는 사람이 없다는 것입니다. 결정은 사람이 하되, 맞는 질문을 던지고 실수를 일찍 잡아 주는 팀 구조를 하네스로 만들었다는 점에서 게임 외 프로젝트에도 응용할 만합니다.

원문: https://github.com/Donchitos/Claude-Code-Game-Studios

1.5TB 키미 K3를 8GB로 돌리다

1.56TB짜리 키미 K3 체크포인트를 순수 C로 구현해 메모리 8.24GB에서 돌린 저장소가 화제입니다. "프랑스의 수도는"이라는 프롬프트에 "Paris"를 정확히 내놓았지만, 토큰 하나에 평균 32.7초가 걸렸습니다. 같은 요청을 메모리 128GB로 돌리면 토큰당 10.7초로 빨라지고, 출력은 바이트 단위까지 똑같습니다.

핵심은 바이트를 어디에 두느냐입니다. 밀집 트렁크는 원하는 깊이만큼 메모리에 올리고 나머지는 스트리밍합니다. 1.45TB에 달하는 라우팅 전문가(MoE expert)는 아예 메모리에 상주시키지 않고, 4비트로 패킹된 상태에서 곧장 곱셈에 씁니다. 그래서 8GB부터 224GB까지 어떤 예산에서도 같은 결과가 나옵니다.

실사용 속도는 아니지만, 초대형 MoE 모델의 메모리 구조와 추론 경로를 처음부터 구현해 보며 배우기에 좋은 자료입니다. 문서의 모든 수치는 저장소의 측정 결과 파일에서 나왔다고 밝히고 있습니다.

원문: https://github.com/FareedKhan-dev/kimi-k3-in-c

---

나무숲(TreeSoop)은 매일 아침 개발자가 실제로 쓸 만한 AI 소식만 골라 전합니다. 업무에 AI를 도입하는 방법이 궁금하다면 treesoop.com에서 문의해 주세요.