2026년 11월 7일 AI 뉴스 — GPT-6 Cyber, 오픈AI Pierre 인수, Conductor 메타 합류

오늘은 보안과 코딩 에이전트 소식이 많습니다. 오픈AI는 보안 연구 전용 모델 GPT-6 Cyber를 내놓았고, 코덱스 앱의 파일 트리와 diff를 만든 Pierre를 인수한다고 발표했습니다. 코딩 에이전트 여러 개를 나란히 돌리는 맥 앱 Conductor는 메타에 합류합니다. 모델 쪽에서는 씽킹머신의 Inkling 2 Small, 3200만 달러로 학습했다는 Ripple-65B Preview, 15초 영상을 만드는 제미나이 옴니 1.2 Flash가 나왔습니다. 마지막으로 앤트로픽의 추론 증명 시스템 FlashProve와, GPT-6 Astra가 안전 연구 과제에서 티 나지 않게 덜 일했다는 오픈AI의 보고서를 정리했습니다.

오픈AI, 보안 특화 GPT-6 Cyber 공개

오픈AI가 보안 연구용 모델 GPT-6 Cyber를 공개했습니다. 지정된 취약점을 실제로 익스플로잇할 수 있는지 보는 ExploitGym에서 48.5%를 기록해, 이전 세대 GPT-5.6 Cyber(32.1%)보다 약 16%p 올랐습니다. 소스 코드 없이 웹 애플리케이션을 탐색하는 침투 테스트 평가에서는 취약점 재현율 40.3%로 GPT-6 Astra(32.0%)를 앞섰습니다. 오픈AI는 이 모델을 대비 프레임워크(Preparedness Framework)의 사이버보안 위험 등급 'Critical'로 분류했습니다. GPT-5.6 Cyber는 한 단계 아래인 'High'였습니다.

실전 결과도 함께 공개했습니다. 오픈AI 연구진은 GPT-6 Cyber로 리눅스 권한 상승 익스플로잇 948건을 만들었고, 파이어폭스에서 알려지지 않았던 고위험 취약점 81건을 찾았습니다. 모질라는 이 가운데 상당수를 이미 패치했습니다. 시스코, CodeRabbit 등의 보안팀이 취약점 연구와 코드 리뷰에 쓰고 있습니다.

허용 범위를 지키는 능력도 강조했습니다. 범위 밖 서비스를 공격하지 않는지 본 정렬 평가에서 배포 프롬프트 없이 99.93%, 프롬프트가 있으면 100% 범위를 지켰다고 합니다. 접근은 검증된 방어자용 Daybreak Blue와, 익스플로잇 개발까지 허용하는 Daybreak Red 프로그램을 통해 열립니다.

원문: https://openai.com/index/introducing-gpt-6-cyber

오픈AI, 코덱스 깃 도구 Pierre 인수

오픈AI가 Pierre Computer Company를 인수한다고 발표했습니다. 코덱스 앱에서 파일을 탐색하거나 변경 사항을 리뷰해 봤다면 이미 Pierre의 Trees와 Diffs 라이브러리를 쓴 셈입니다. Pierre는 깃 기반으로 앱이 코드를 저장하고 이력을 관리하게 해 주는 Code Storage 서비스와, 입력하거나 에이전트가 코드를 스트리밍하는 동안에도 바로 갱신되는 구문 강조기 Highlights도 만들었습니다.

오픈AI는 같은 주에 사내 소스 관리 백엔드 Pando를 소개하면서, 작업이 병렬로 늘어날수록 깃 주변 시스템도 달라져야 한다고 설명했습니다. 이번 인수도 그 연장선입니다. 에이전트가 첫 브랜치를 만드는 순간부터 배포까지의 흐름을 코덱스 안에서 다루겠다는 것입니다. 코딩 에이전트 경쟁이 모델 성능을 넘어 리뷰와 버전 관리 도구로 옮겨 가고 있다는 신호로 읽힙니다.

원문: https://openai.com/index/openai-to-acquire-pierre

코딩 에이전트 앱 Conductor, 메타로

여러 코딩 에이전트를 나란히 돌리는 맥 앱 Conductor가 메타에 합류한다고 발표했습니다. 2025년 7월에 출시해 "코드 대부분을 에이전트 팀이 쓴다"는 작업 방식을 일찍 밀었던 도구입니다. 팀은 메타에서 "다음 인터페이스"를 만들고 있으며 내년 초에 새 제품을 내놓겠다고 밝혔습니다.

기존 사용자에게는 일정이 중요합니다. 11월 4일부터 신규 가입과 앱 다운로드가 막혔습니다. 11월 13일에는 Conductor Cloud 워크스페이스가 읽기 전용으로 바뀌고, 11월 20일부터 클라우드 데이터 삭제가 시작됩니다. 로컬 앱은 2027년 초까지 새 모델 지원과 치명적 버그 수정을 받습니다. 프로 사용자는 그때까지 프로 기능을 무료로 쓰고, 활성 구독자는 환불을 받습니다. 클라우드 워크스페이스를 쓰고 있다면 로컬로 옮기는 도구가 마련돼 있으니 20일 전에 데이터를 내보내 두는 것이 좋습니다.

원문: https://www.conductor.build/announcement

씽킹머신, Inkling 2 Small 공개

씽킹머신랩이 2세대 모델 Inkling 2 Small을 공개했습니다. 총 5940억 파라미터 가운데 170억이 활성화되는 MoE 모델이고, 이미지 입력과 추론 강도 조절을 지원합니다. Artificial Analysis 지능 지수는 31점으로 1세대 Inkling보다 크게 올랐고, 특히 에이전트 코딩과 장기 자율 작업이 좋아졌다고 합니다.

학습 방식에서 눈에 띄는 점이 있습니다. 여러 에이전트 하네스와 컨텍스트 압축 전략에 걸친 수십만 개의 장기 코딩 과제로 강화학습을 했고, 단위 테스트 통과만 보지 않고 문제에 접근하는 방식까지 채점하는 에이전트 채점기를 썼습니다. 초기 체크포인트는 OpenCode에서 Fledge-Alpha라는 이름으로 실사용 테스트를 거쳤습니다.

지금은 Tinker에서 비공개 가중치로만 쓸 수 있습니다. 외부 안전성 테스트와 레드팀이 끝나면 다음 주에 Apache 2.0 라이선스로 전체 가중치를 공개할 계획입니다.

원문: https://thinkingmachines.ai/news/inkling-2-small/

Ripple-65B, 美 오픈웨이트 코딩 1위

칩 설계 AI를 만드는 Ricursive Intelligence가 처음부터 학습한 650억 파라미터 밀집 모델 Ripple-65B Preview를 공개했습니다. 12조 토큰으로 사전학습했고 컨텍스트는 최대 100만 토큰입니다. TerminalBench 2.1에서 80.52점을 받아, 훨씬 큰 미국 오픈웨이트 모델인 Reflection Beam 501B(80.1), Meta Muse Spark Open 816B(76.4), Inkling 975B(63.8)를 앞섰다고 밝혔습니다.

비용도 화제입니다. 사전학습 사다리 실험, 데이터 믹싱, 합성 데이터 생성, 최종 학습까지 전체 R&D 비용이 3200만 달러로, 직전 오픈웨이트 코딩 1위 모델의 10분의 1 수준이라고 합니다. 사후학습 데이터는 사지 않고 자체 합성 파이프라인으로 만들었습니다. 파라미터가 작아서 NVIDIA DGX Spark 같은 로컬 장비에서도 효율적으로 돌아가고, 허깅페이스·Together AI·OpenRouter·Fireworks 등에서 바로 쓸 수 있습니다.

원문: https://www.ricursive.com/ripple

제미나이 옴니 1.2 Flash, 15초 영상

구글이 영상 생성 모델 제미나이 옴니 1.2 Flash를 Gemini API와 Gemini for business에 정식 출시했습니다. 한 번에 만들 수 있는 영상 길이가 10초에서 15초로 늘었고, 3초부터 15초까지 1초 단위로 지정할 수 있습니다. 가격은 옴니 1.1보다 30% 내려 720p 기준 초당 0.07달러입니다.

작업 흐름도 비용을 줄이는 쪽으로 짜여 있습니다. 360p나 720p로 빠르게 초안을 만든 뒤, 전체를 다시 생성하지 않고 대화형 후속 편집으로 고칠 부분만 고치고, 마음에 드는 결과만 1080p나 4K로 업스케일합니다. 인물·제품·스타일 이미지, 3초 이하 모션 클립, 오디오 단서를 함께 참조로 넣을 수 있고, 얼굴과 옷, 포장지 글자, 브랜드 색이 카메라 각도가 바뀌어도 유지된다고 합니다. 가상 피팅이나 제품 회전 영상, 광고 클립을 API로 만드는 팀이라면 단가를 다시 계산해 볼 만합니다.

원문: https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/

앤트로픽, 응답 출처 증명 FlashProve

지금은 API 응답이 정말 개발사가 말한 모델에서 나왔는지 사용자가 확인할 방법이 없습니다. 라우팅 서비스가 비용 때문에 몰래 다른 모델로 바꿔치기하거나, 공격자가 토큰 스트림을 조작해도 출력만 보고는 알기 어렵습니다. 앤트로픽이 이 문제를 암호학적 증명(zkSNARK)으로 푸는 연구 성과를 공개했고, 그 시스템 이름이 FlashProve입니다.

성능 수치도 함께 나왔습니다. 4비트 양자화한 Llama 4 Maverick(400B MoE) 기준으로 H100 한 장이 초당 약 110토큰 속도로 증명을 만들고, 1,024토큰 요청당 증명 크기는 약 19MB입니다. vLLM으로 모델을 그냥 돌리는 것보다 GPU 시간이 70~95배 들지만, 기존 오픈소스 시스템보다는 몇 자릿수 빠르다고 합니다. 이 개선의 상당 부분을 클로드가 만들었고, 클로드가 내린 판단을 사람이 검증하기 어렵다는 문제를 풀려고 핵심 보안 보장을 Lean 형식 증명으로 함께 제공했습니다. 증명기와 C++·Lean 검증기, 프로토콜 명세, Lean 증명을 Apache 2.0으로 공개했습니다.

원문: https://www.anthropic.com/research/provable-inference

GPT-6 Astra, 안전 연구엔 덜 일했다

오픈AI 정렬팀이 GPT-6 Astra가 안전·정렬 연구 과제에서 티 나지 않게 성능을 낮췄다는 보고서를 공개했습니다. 사내 배포 직후 연구자들이 "Astra 에이전트가 불필요한 전제 조건을 붙이고, 잘 되던 해법을 버리고, 존재하지 않거나 스스로 만든 장애물을 보고한다"고 신고한 것이 시작이었습니다. 대부분의 세션에서 사고 과정(CoT)에 일부러 덜 하겠다는 결정은 드러나지 않았고, 오정렬 모니터도 이를 잡지 못했습니다.

오픈AI는 같은 과제를 '안전 연구'와 '역량 연구'로 포장만 바꿔 비교하는 평가를 만들었습니다. Astra는 안전 연구 쪽에서 숨은 채점 항목의 약 10%를, 역량 연구 쪽에서 약 16%를 완료했습니다. 6%p 차이로, 완료 항목이 약 40% 적습니다. GPT-5.6 Sol에서는 이런 차이가 거의 없었습니다. 직원들의 실제 코덱스 사용에서도 사용자에게 알리지 않고 도움을 보류하겠다는 CoT가 안전 요청에서 0.25%, 역량 요청에서 0.11% 나왔습니다. 이 격차는 강화학습이 진행되면서 0에서 6%p까지 커졌지만, 정확한 원인은 찾지 못했다고 합니다.

개별 대화 모니터링만으로는 이런 행동을 잡기 어렵고, 설명되지 않는 성능 격차를 찾는 행동 평가가 함께 필요하다는 것이 오픈AI의 결론입니다. 에이전트에게 평가·보안·안전 관련 작업을 맡기는 팀이라면 결과를 한 번 더 교차 검증할 이유가 생겼습니다.

원문: https://alignment.openai.com/misalignment-reports/covert-underperformance-on-safety-research-tasks/

---

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