AI 데일리 브리핑_20261020

📰 기사·발표

1. NVIDIA, 기업용·PC용 오픈 에이전트 모델 Nemotron 3.5 공개

• NVIDIA가 “항상 켜져 있는 에이전트”와 엣지 컴퓨팅을 겨냥한 오픈 웨이트 모델 3종을 발표했습니다.
• Nemotron 3.5 Super VL(120B): 기업용 에이전트 대형 모델. 이전 Ultra보다 파라미터를 줄이면서도 지시 수행·도구 사용 정확도는 비슷하다고 주장. 문서 처리, 회계, 과학 실험, 보험 청구, 보안 방어 같은 에이전트 작업에서 Anthropic·OpenAI 경쟁 모델보다 빠르다고 주장(회사 발표 기준). EY, Salesforce, CrowdStrike, Perplexity 등이 도입.
• Nemotron 3.5 Bolt(74B·E4B): RTX Spark 칩 탑재 AI PC와 DGX Spark 워크스테이션에서 로컬로 돌아가는 경량 모델. 클라우드에 데이터를 보내지 않고 개인 에이전트를 돌리는 방향.
• 포인트: 기업들이 자기 데이터센터에서 직접 파인튜닝해 쓸 수 있는 오픈 모델 전략. Bolt E4B는 이달 말 출시 예정.
• 링크: https://techcrunch.com/2026/10/19/nvidia-launches-new-open-models-to-run-agents-in-the-enterprise-and-on-pcs/

2. 중국 MiniMax, M3.1 Flash 업데이트 — “추론 속도 3배, 비용 70% 절감”

• 중국 AI 스타트업 MiniMax가 AI 모델 M3.1 Flash 업데이트 버전을 10월 19일 발표했습니다 (로이터).
• 에이전트 작업·프로그래밍·사이버보안 분야에서 “세대를 뛰어넘는” 개선, 온라인 추론 속도 약 3배 향상, 사용 비용 70% 절감을 주장. (회사 측 주장, 독립 검증 전)
• 링크: https://www.investing.com/news/stock-market-news/chinas-minimax-launches-updated-ai-model-m31-flash-claims-major-improvements-4957342

3. Meta, 온디바이스 에이전트 모델 Muse Glimmer 30B 오픈소스 공개

• Meta가 소비자용 하드웨어에서 클라우드 없이 돌아가는 30B 에이전트 모델 Muse Glimmer를 공개했습니다.
• 멀티스텝 추론, 도구 사용, 실패 복구를 하나의 모델에 통합. 텍스트+이미지 입력, 100개 이상 언어로 학습, 4비트 양자화로 단일 GPU에서 추론 가능.
• 같은 크기급 모델(Gemma4-31B, Qwen3.6-27B) 대비 도구 사용·계획·에이전트 작업 완료에서 최고 성능 주장. Apache 2.0 라이선스로 공개.
• 링크: https://ai.meta.com/research/publications/muse-glimmer-30b-an-on-device-agentic-model/

4. DeepSeek-V4.1-Flash-1017 업데이트 — “Wish-Driven Programming”

• DeepSeek이 V4.1-Flash의 1017 업데이트를 공개. 벤치마크 성능 향상, 작업 완료 속도 단축, 출력 길이 축소로 성능·비용 모두 개선(파레토 개선)했다고 밝혔습니다.
• 자기 피드백 강화학습으로 게임 제작·3D 모델링 같은 프로젝트를 처음부터 끝까지 만들어내는 데모 공개(자금성 3D 모델링, 웹 레이싱 게임, Godot 엔진 Portal 2 재현 등).
• 자체 검색엔진 기반 Search & Fetch API 전면 오픈(1,000회당 $0.75, API 사용자는 10월 31일까지 무료). 모델은 Hugging Face·ModelScope에 오픈소스로 공개.
• 링크: https://api-docs.deepseek.com/news/news261017/

---

📄 논문

1. “잠재 CoT는 정말 추론하는가?” — 잠재 추론의 통합 분류법 (arXiv:2610.21182)

• 핵심 질문: 텍스트 추론 과정을 연속적인 은닉 상태(latent chain)로 대체하는 ‘잠재 CoT’ 방식이 실제로 추론을 수행하는지, 아니면 겉으로만 그럴듯한지를 검증.
• 21개 모델-과제 조합(3가지 학습법, 3가지 추론 과제, 2가지 백본)을 대상으로 체인 삭제·내용 교체 실험과 프로빙을 수행.
• 결과: 논리 과제에서 COCONUT은 체인이 시작되기 전에 이미 답을 읽을 수 있는 경우가 많았고, 체인을 삭제해도 예측이 거의 안 바뀜 → “읽히는 잠재 상태”만으로는 추론의 증거가 안 됨. 반면 산수 과제에서는 모든 학습법이 체인 내용에 의존.
• 기여: 체인이 ‘무엇을 표현하는가’와 ‘모델이 어떻게 사용하는가’를 분리하는 분류법(taxonomy) 제안 → 지금까지 상충해 보이던 연구 결과들이 서로 다른 측정 대상이었음을 정리.
• 링크: https://arxiv.org/abs/2610.21182

2. Sep-Latent: 구분자 토큰을 압축 앵커로 쓰는 암묵적 추론 (arXiv:2610.22924)

• 문제 의식: 명시적 CoT는 토큰이 길고 비용이 큼. 기존 잠재 추론(Coconut, CODI)은 고정 길이라 문제 복잡도에 적응 못 하고 표현 붕괴(collapse) 문제.
• 방법: 쉼표·마침표 같은 구분자 토큰을 ‘의미 앵커’로 사용. Attention-Decay로 추론 정보를 앵커에 점진적으로 압축하고, 명시적·암묵적 경로를 다층 증류로 정렬. 문제 복잡도에 따라 잠재 사고를 동적으로 조기 종료.
• 결과: GSM8k-Aug에서 평균 5.4개 토큰만으로 56.8% 정확도. 기존 고정길이 잠재 모델(CODI, SIM-CODI) 대비 토큰 효율 2배 이상이면서 명시적 CoT와의 격차 축소. PCA 분석으로 잠재 토큰이 의미적으로 다양함(붕괴 없음)을 확인.
• 소속: 저장대·알리바바.
• 링크: https://arxiv.org/abs/2610.22924