2026년 11월 8일 AI 뉴스 — 에이전트 기억, 이미지 2.6, METR 리포트

오늘은 에이전트를 둘러싼 소식이 많습니다. 앤트로픽이 Claude의 기억 설계를 공개했고, 구글은 코드 속 낡은 TODO 주석이 코딩 에이전트를 얼마나 헤매게 하는지 수치로 보여 줬습니다. 깃허브는 에이전트 수천 개가 한 저장소에 동시에 푸시하는 시대를 준비한 새 저장 구조를 설명했습니다. 오픈AI는 Images 2.6을 내놓았고, METR은 AI가 앤트로픽의 연구 속도를 두 배로 끌어올렸다는 평가 보고서를 냈습니다.

앤트로픽, 에이전트 기억에 '꿈' 도입

앤트로픽이 11월 6일 연구 글 「The components of agent memory」에서 Claude에게 쓸 만한 기억을 주기 위해 실험해 온 내용을 공개했습니다. 여기서 기억은 사용자와의 대화나 맡은 작업에서 얻은 지식을 세션이 끝난 뒤에도 파일로 남겨 다음 세션에서 읽는 것을 말합니다. 가중치 변경이나 컨텍스트 내 학습은 포함하지 않습니다.

Claude Managed Agents의 메모리 디렉터리로 CL-Bench 1.0을 돌려 보니 모델마다 차이가 뚜렷했습니다. Sonnet 4.6은 틀린 이유에 대한 추측을 늘어놓는 데 그쳤고, Opus 5에 와서야 "규칙과 그 규칙이 맞다는 근거"를 함께 적는 학습 루프를 완성했습니다. 포켓몬 레드 실험에서는 Sonnet 3.7이 전투 하나하나까지 기록하다 메모를 뒤지느라 진행이 느려진 반면, Fable 5는 파일 9개와 global.md 하나만으로 더 멀리 갔습니다. Opus 5.5는 게임을 끝까지 깼습니다.

실무에 참고할 만한 결론도 있습니다. 기억이 무엇을 위한 것인지만 알려 주고 어떻게 쓰라고는 지시하지 않는 편이 낫습니다. "실패만 기록하라" 같은 규칙을 주면 Opus 5와 Opus 4.7은 기억에서 얻던 성능 향상을 상당 부분 잃었습니다. 또 세션이 끝난 뒤 기록을 다시 훑어보는 '꿈꾸기(dreaming)'로 잘못 적힌 메모를 원본 대화와 대조해 고치고, 위키 같은 새 구조를 만들 수 있다고 소개했습니다.

원문: https://www.anthropic.com/research/components-of-agent-memory

오픈AI 이미지 2.6, GIF·SVG 지원

오픈AI가 ChatGPT, 코덱스, API에 Images 2.6을 내놓았습니다. 생성 속도는 이전보다 50% 빨라졌고, 이미지에 움직임을 넣은 GIF를 만들 수 있습니다. 브랜드 마스코트를 움직이게 하거나 손그림 스케치를 움직이는 캐릭터로 바꾸는 예시를 함께 보여 줬습니다.

API에서는 두 모델 중 고를 수 있습니다. GPT-Image-2.6 Flare는 품질을 low로 두면 6초 만에 이미지를 만들고, Sunburst는 더 높은 품질과 편집 간 일관성을 냅니다. ChatGPT에 있던 이미지 마크업 기능이 API로 들어와 고칠 위치를 정확히 짚을 수 있고, SVG로 내보낼 수도 있습니다. 모델이 요청을 얼마나 계획할지 정하는 complexity 파라미터도 새로 생겼습니다. 오픈AI는 간단한 편집에는 low를 권합니다. ChatGPT·코덱스·API에서 만들어지는 이미지는 일주일에 40억 장에 이른다고 합니다.

원문: https://openai.com/index/introducing-images-2-6

METR "앤트로픽 AI 연구 2배 가속"

AI 평가 기관 METR이 11월 5일 앤트로픽 내부를 깊이 들여다본 AI 연구개발 가속 평가 보고서를 공개했습니다. 아제야 코트라는 이 보고서를 해설한 글에서 핵심을 이렇게 정리했습니다. 2025년 10월부터 2026년 10월까지 앤트로픽의 역량 향상 속도는 그 전 12개월보다 약 두 배 빨랐고(내부 지표 AECI 기준), 지금도 이 속도가 유지되는 이유의 대부분은 AI가 연구를 자동화하고 있기 때문일 가능성이 크다는 것입니다.

앤트로픽은 S-1에서 자사 책임 있는 확장 정책(RSP)의 "AI로 인한 극적인 가속" 기준에 곧 도달할 수 있다고 밝혔습니다. 코트라는 전체 진척이 두 배라면 연구자 개인이 받는 도움은 그보다 훨씬 클 수밖에 없다고 봅니다. 그리고 이 보고서를 최근 몇 년 사이 AI 위험에 관한 가장 중요한 업데이트라고 평가했습니다.

원문: https://www.planned-obsolescence.org/p/ai-is-dramatically-accelerating-ai

낡은 TODO, 에이전트 토큰 77% 낭비

구글이 사내 코딩 에이전트 세션 수억 스텝을 분석해, 코드에 남은 TODO(bug/...) 주석이 에이전트를 얼마나 산만하게 만드는지 발표했습니다. 파일을 읽는 세션의 13%가 이런 버그 참조 주석을 접했고, 그중 6%는 해당 버그를 실제로 파고들었습니다. 그 행동의 83%는 개발자가 시키지 않은 것이었습니다.

시키지 않은 곁가지 작업 가운데 41%는 이미 닫힌 버그를 쫓았고, 57%는 아직 열린 버그를 건드려 작업 범위를 넓혔습니다. 개발자·코드베이스·모델 등을 통제하고 보니 이런 곁가지가 생긴 세션은 스텝이 70%, 토큰이 77%, 대기 시간이 105% 늘었습니다. 구글은 에이전트를 시켜 이미 고쳐졌거나 폐기된 버그를 가리키는 주석을 전체 코드베이스에서 정리했습니다. 에이전트 친화적인 코드베이스를 만들려면 이제 오래된 구석까지 관리해야 한다는 얘기입니다.

원문: https://developers.googleblog.com/agent-distraction/

오퍼스 정확도를 4분의 1 비용에

하이터치(Hightouch)가 고객 데이터를 실제 사람 단위로 묶는 신원 확인(identity resolution) 결과를 채점하는 데 LLM과 결정 모델을 비교했습니다. 결정 모델 Jev와 Luna는 별도 조정 없이도 88.8~97.3% 정확도를 냈고, Opus보다 최대 90배 싸고 10배 이상 빨랐습니다. 1,000명 판정에 0.05~0.10달러, 응답 시간은 약 0.15초입니다. 다만 어려운 벤치마크에서는 Opus보다 약 6%p 뒤졌습니다.

해법은 하이브리드였습니다. Jev는 틀릴 때 대체로 자신감이 낮게 나와 신뢰도 보정이 잘 돼 있습니다. 그래서 확신이 낮은 건만 Opus에 넘기는 구조를 만들었더니, 프런티어 모델 수준의 정확도를 4배 낮은 비용으로 얻었습니다. 비싼 모델은 애매한 판단에만 쓰는 라우팅 설계를 고민한다면 참고할 만합니다.

원문: https://hightouch.com/blog/llm-judges-identity-resolution

깃허브, 에이전트 5천 개 동시 푸시

깃허브가 지난주 GitHub Universe에서 발표한 새 Git 저장 구조를 자세히 설명했습니다. 내부 테스트에서 저장소 하나에 에이전트 5,000개가 동시에 작업하며 초당 7,200번 푸시하는 부하를 처리했습니다. 지금 가장 바쁜 저장소도 초당 쓰기가 수십 번 수준인데, 에이전트가 24시간 병렬로 일하면 이런 순간적인 폭주가 1년 안에 일상이 될 것으로 봤습니다.

핵심은 Git 객체는 내용으로 이름이 붙는 불변 데이터라 동시에 저장해도 충돌하지 않고, 합의가 필요한 건 참조(ref) 업데이트뿐이라는 점입니다. 그래서 데이터 저장, 요청 처리, 저장소 유지 관리를 서로 떼어 각각 확장할 수 있게 했습니다. 목표는 현재보다 최소 두 자릿수 배 큰 규모이고, 개발자 입장에서는 push·fetch가 그대로 동작합니다.

원문: https://github.blog/engineering/architecture-optimization/inside-githubs-new-git-storage-architecture/

구글, 크루소 와이오밍 부지 인수

AI 데이터센터 기업 크루소(Crusoe)는 11월 6일 와이오밍주 남동부 데이터센터 부지를 구글이 인수했다고 발표했습니다. 크루소는 부지 선정, 인허가, 탈그래스 에너지(Tallgrass Energy)와 함께 짠 하이브리드 전력 전략까지 착공 전 단계를 마무리했고, 이제 프로젝트는 건설과 운영 단계로 넘어갑니다.

크루소는 텍사스주 암스트롱 카운티에 짓고 있는 구글 데이터센터 캠퍼스의 개발사이기도 합니다. 이미 6GW 넘는 전력을 계약해 두었다고 밝혔습니다. 빅테크의 AI 컴퓨트 확보 경쟁이 전력과 부지 단계까지 내려왔다는 걸 보여 주는 거래입니다.

원문: https://www.crusoe.ai/resources/newsroom/crusoe-wyoming-data-center-campus-update

2만 달러로 학습한 이미지 모델 공개

두 명이 운영하는 연구소 리넘(Linum)이 약 2만 1천 달러로 학습한 20억 파라미터 텍스트-이미지 모델 P-JiT를 실험 공개했습니다. 코드와 가중치는 Apache 2.0으로 풀렸습니다. 원래는 다음 영상 모델로 가는 중간 검증용이었는데 결과가 예상보다 좋아 공개했다고 합니다.

P-JiT는 VAE 없이 픽셀 공간에서 바로 학습하는 Pyramid-JiT 구조입니다. 이전 모델보다 11배 적은 샘플로 수렴하고, 토큰은 4배 더 압축합니다. 512² 이미지를 예전 256² 이미지와 같은 토큰 수로 표현하는 셈입니다. 텍스트 인코더로는 고정된 Qwen3.5-4B를 씁니다. 적은 예산으로 생성 모델을 처음부터 학습해 보려는 팀에게 좋은 참고 자료입니다.

원문: https://www.linum.ai/field-notes/pjit-21k

---

나무숲(TreeSoop)은 이런 AI 에이전트와 자동화 흐름을 실제 업무에 붙이는 일을 합니다. 우리 팀에 맞는 AI 도입이나 사내 에이전트 구축이 궁금하다면 treesoop.com에서 편하게 문의해 주세요.