Sakana AI의 Conductor는 7B RL 모델이 자연어로 다중 AI 에이전트를 동적 오케스트레이션하는 시스템이다. 단순 질문엔 단일 모델, 복잡한 코딩엔 플래너-코더-검증기 파이프라인을 자율 구성한다.

핵심 요약 2026년 4월 30일, Rohana Rezel이 운영하는 AI Coding Contest의 12번째 챌린지 Word Gem Puzzle에서 Moonshot AI의 오픈웨이트 모델 Kimi K2.6이 22 매치 포인트(7승 1패)로 1위를 차지했다. 2위는 Xiaomi의 MiMo V2-Pro, 3위 GPT-5.5, Claude Opus 4.7은 5위에 그쳤다. ...

핵심 요약 AI 에이전트를 만들 때 가장 먼저 떠올리는 질문은 보통 “어떤 모델을 쓸까?”입니다. 물론 모델 선택은 중요합니다. 하지만 최근 에이전트 연구와 실무 사례를 보면, 성능 차이는 모델 자체보다 모델을 감싸는 실행 구조, 즉 하네스(harness) 에서 더 크게 벌어지고 있습니다. ...

핵심 요약 IBM의 **“What is AI agent memory?”**는 AI 에이전트가 왜 메모리를 필요로 하는지 설명합니다. 핵심은 단순합니다. 에이전트가 매번 새로운 요청처럼 반응하면, 복잡한 업무를 이어서 처리하거나 사용자에게 맞춰 적응하기 어렵습니다. 진짜 일하는 에이전트가 되려면 과거 상호작용, 행동 결과, 업무 규칙을 저장하고 다시 불러올 수 있어야 합니다. ...

핵심 요약 2025년 기술 미디어의 큰 화두는 단연 AI 에이전트입니다. IBM Think의 글 **“AI agents in 2025: Expectations vs. reality”**는 이 흐름을 조금 차분하게 바라봅니다. 에이전트가 분명 중요한 변화이긴 하지만, 지금 시장의 기대처럼 모든 일을 자율적으로 처리하는 단계에 도달한 것은 아니라는 이야기입니다. ...

핵심 요약 AI 에이전트 도입을 이야기하면 많은 조직이 모델 성능, 프롬프트, 데모 완성도에 먼저 집중합니다. 하지만 MIT Sloan의 글 **“5 heavy lifts of deploying AI agents”**가 전하는 결론은 다릅니다. 실제 배포에서 가장 무거운 일은 모델을 더 똑똑하게 만드는 것이 아니라, 조직과 인프라가 에이전트를 감당할 수 있게 바뀌는 것입니다. ...

핵심 요약 구글이 Gemma 4를 공개했습니다. 원문에서 가장 강조하는 표현은 “byte for byte”, 즉 같은 크기 대비 가장 강력한 오픈 모델이라는 주장입니다. 단순히 새 모델을 냈다는 소식보다 중요한 건, Gemma 4가 고급 추론과 에이전틱 워크플로우를 정면으로 겨냥했다는 점입니다. ...

핵심 요약 AI 에이전트 이야기는 보통 코딩 생산성에서 시작합니다. 그런데 Meta Engineering의 글 **“Capacity Efficiency at Meta”**는 조금 다른 현장을 보여줍니다. AI 에이전트가 코드를 더 빨리 쓰는 수준을 넘어, 하이퍼스케일 인프라의 성능 문제를 찾고 고치며 전력 낭비까지 줄이는 데 쓰이고 있다는 이야기입니다. ...

핵심 요약 AI 에이전트를 만들 때 많은 팀이 먼저 모델과 도구를 고릅니다. 어떤 LLM을 쓸지, 어떤 프레임워크를 붙일지, 어떤 벡터 DB를 연결할지부터 고민합니다. 그런데 Oracle의 글 **“Oracle AI Agent Memory”**가 짚는 핵심은 조금 다릅니다. ...