# \#release **URL:** https://discuss.pytorch.kr/tag/release/44.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [Meta, Mac Studio 두 대에서 돌아가는 816B 오픈 웨이트 모델 Muse Spark Open 공개 (feat. MLX)](https://discuss.pytorch.kr/t/meta-mac-studio-816b-muse-spark-open-feat-mlx/12209)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 16, 2026, 5:00오전 UTC](https://discuss.pytorch.kr/t/meta-mac-studio-816b-muse-spark-open-feat-mlx/12209 "2026-10-16T05:00:31Z")
핵심 요약 Meta가 2026년 10월 15일 Muse Spark Open 발표 글에서 전체 816B, 토큰당 활성 42B 파라미터의 MoE 모델 가중치를 공개했습니다. 텍스트, 이미지, 영상, 음성을 입력으로 받고 1M 토큰 컨텍스트를 지원하며, Muse Spark 1.3과 같은 베이스 모델을 씁니다. Hugging Face 컬렉션에 BF16(약 1.6TB)과 NVFP4(약 530GB) 체크포인트가 있습니다. NVFP4는 Blackwell Ultra GPU 4장이나 H200 8장, 또는 mlx-lm으로 묶은 M5 Ultra Mac Studio 두 대(각 512GB)에서 실행합니다. Meta 모델 카드의 비교표 20개 항목 중 Muse Spark Open이 1위인 항목은 7개이고, Kimi K3가 10개(동점 1개 포함)에서 1위입니다. 코딩 3개 항목은 모두 Kimi K3와 GLM 5.3보다 낮습니다. 라이선스는 Muse Model License입니다. 무료로 상업적 사용이 가능하지만, 제품에 "Built with Muse Spark Open" 표기가 필요합니다. 연매출 2천만 달러를 넘는 회사가 모델을 API 서비스로 제공하려면 Meta와 별도 계약을 맺어야 합니다. Muse Spark Open 소개 Muse Spark Open은 Meta Superintelligence Labs가 만든 Muse Spark 계열의 첫 오픈 웨이트(Open-Weight) 모델입니다. 지금까지 Meta는 Muse Spark 계열과 Muse Wonder를 API와 자사 서비스로만 제공했습니다. 이번에는 같은 계열 모델의 가중치를 내려받아 직접 서빙하고 미세조정(Fine-Tuning)할 수 있게 했습니다. Meta는 이 모델을 "지금까지 나온 미국 오픈 웨이트 모델 중 가장 뛰어난 모델"이라고 소개합니다. Muse 계열은 올해 빠르게 이어졌습니다. 8월에는 터미널 코딩 에이전트 Muse Code와 함께 Muse Spark 1.2가 나왔고, 9월에는 긴 에이전트 작업에 초… --- ## [GuideLLM v0.8.0 공개, 지연 SLO를 지키는 최대 동시성 탐색과 에이전트 트레이스 재생 (feat. vLLM)](https://discuss.pytorch.kr/t/guidellm-v0-8-0-slo-feat-vllm/12149)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 12, 2026, 2:30오전 UTC](https://discuss.pytorch.kr/t/guidellm-v0-8-0-slo-feat-vllm/12149 "2026-10-12T02:30:48Z")
핵심 요약 vLLM 프로젝트가 2026년 9월 30일 GuideLLM v0.8.0 릴리스를 공개했습니다. 지연 목표(SLO)를 지킨 요청의 처리율(goodput)을 재고, 그 목표를 지키는 최대 동시 요청 수를 찾는 goodput 프로파일이 추가되었습니다. WEKA 형식과 OpenTelemetry(OTEL) 형식의 에이전트 트레이스를 기록된 시간대로 재생할 수 있게 되었습니다. 서브에이전트와 도구 호출까지 포함한 세션 단위로 서빙 부하를 재현합니다. 기존 사용자에게 영향이 큰 변경이 있습니다. --profile 의 기본값(sweep)이 사라져 지정하지 않으면 실행이 거부되고, chat 같은 예전 내장 시나리오는 rhaiis/... 시나리오 7개로 바뀌었습니다. GuideLLM 문서의 시작하기 예제와 README에는 아직 예전 방식이 남아 있습니다. 10월 8일에 나온 v0.8.1이 현재 pip install 기본 버전입니다. v0.8.1은 무릎 지점(knee) 탐지 프로파일과 실행 중 경고 규칙을 더했고, 목록 형태의 프로파일 인자를 폐기 예정으로 표시했습니다. GuideLLM 소개 GuideLLM은 vLLM 프로젝트 산하의 LLM 서빙 성능 벤치마크 도구입니다. OpenAI 호환 서버나 같은 프로세스 안의 vLLM에 실제와 비슷한 요청 패턴을 보냅니다. 그리고 첫 토큰까지의 시간(TTFT, Time To First Token), 토큰 간 지연(ITL, Inter-Token Latency), 처리량 같은 지표를 분포와 함께 기록합니다. 모델을 고른 뒤 "이 하드웨어에서 어느 정도 부하까지 버티는가"를 답하려는 서빙 담당자가 주 사용자입니다. 8월 20일 열린 vLLM Office Hours #56에서 Red Hat의 Samuel Monson과 Jared O'Connell은 GuideLLM이 재는 것이 서버 내부 지표가 아니라 사용자가 겪는 지연이라고 설명했습니다. vLLM이 스스로 보고하는 TTFT와 사용자가 받는 TTFT는 그 사이의 여러 계층 때… --- ## [Google, 텍스트 전용이던 EmbeddingGemma를 이미지, 영상, 음성까지 넓힌 EmbeddingGemma 2 공개](https://discuss.pytorch.kr/t/google-embeddinggemma-embeddinggemma-2/12118)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 7, 2026, 6:00오전 UTC](https://discuss.pytorch.kr/t/google-embeddinggemma-embeddinggemma-2/12118 "2026-10-07T06:00:18Z")
핵심 요약 Google DeepMind가 EmbeddingGemma 2 발표 글에서 텍스트, 코드, 이미지, 영상, 음성을 하나의 768차원 공간에 담는 740M 임베딩 모델을 Apache 2.0 라이선스로 공개했습니다. 텍스트 전용 270M 모델에 비전(170M)과 오디오(300M) 인코더를 골라 붙이는 구조라, 텍스트만 다루는 서비스는 270M만 불러 쓸 수 있습니다. Hugging Face 모델 카드 기준으로 코드 검색 벤치마크(MTEB Code)는 전작보다 9.92점 올랐고(68.76에서 78.68), 다국어 텍스트 점수는 61.15에서 61.36으로 거의 같습니다. 벡터를 128차원으로 줄여도 텍스트와 코드는 약 90% 이상의 품질을 지킵니다. 반면 멀티모달 검색 점수는 크게 떨어져서, Google도 128차원은 텍스트 위주로 쓰도록 안내합니다. 모든 벤치마크는 Google이 직접 측정한 값이고, 음성 벤치마크(MAEB)에서는 Google 차트 안에서도 약 1B 크기의 jina-embeddings-v5-omni-nano가 더 높게 그려져 있습니다. EmbeddingGemma 2 소개 EmbeddingGemma 2는 Google DeepMind가 2026년 10월 6일 공개한 멀티모달 임베딩 모델입니다. 휴대폰과 노트북 위에서 텍스트, 코드, 이미지, 영상, 음성을 같은 벡터 공간에 넣어 서로 검색할 수 있게 해 줍니다. 임베딩 모델은 입력을 고정 길이 벡터로 바꾸고, 뜻이 가까운 입력끼리 벡터도 가깝게 놓습니다. 검색 증강 생성(RAG, Retrieval-Augmented Generation)과 의미 검색(Semantic Search)이 모두 이 벡터 사이의 거리로 동작합니다. 지금까지 기기 안에서 사진이나 녹음을 검색하려면 보통 여러 모델을 이어 붙였습니다. 이미지는 캡션 모델로 문장을 만들고, 음성은 음성 인식 모델로 받아쓴 다음, 그 텍스트를 다시 텍스트 임베딩 모델에 넣는 식입니다. Google AI Edge 블로그는 Embeddin… --- ## [DeepSeek-V4.1-Flash, KV 캐시를 토큰당 890바이트로 줄이고 플래그십 V4-Pro를 대체하는 552B 규모의 MoE 모델](https://discuss.pytorch.kr/t/deepseek-v4-1-flash-kv-890-v4-pro-552b-moe/11886)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 2\ **마지막 업데이트:** [9월 11, 2026, 2:28오후 UTC](https://discuss.pytorch.kr/t/deepseek-v4-1-flash-kv-890-v4-pro-552b-moe/11886 "2026-09-11T14:28:09Z")
DeepSeek-V4.1-Flash 소개 DeepSeek이 2026년 9월 10일 DeepSeek-V4.1-Flash 를 공개했습니다. 백본 552B 규모의 멀티모달 전문가 혼합(Mixture-of-Experts, MoE) 모델로, 이미지와 텍스트를 함께 입력받아 텍스트를 생성하며 최대 100만 토큰 컨텍스트를 지원합니다. 이 모델의 핵심 주장은 성능이 아니라 비용 구조에 있습니다. 토큰 하나당 HBM(High Bandwidth Memory)에 상주해야 하는 전역 KV 캐시(Key-Value Cache)를 890바이트로 줄였고, 이는 직전 세대인 DeepSeek-V4-Flash의 약 1/4, 2023년의 DeepSeek-V1과 비교하면 약 1/437 수준입니다. 이번 발표에는 제품 라인업 정리도 함께 담겼습니다. DeepSeek은 자사 플래그십이었던 1.6T 규모의 DeepSeek-V4-Pro를 순차적으로 퇴역시키고, 2026년 9월 14일 04:00 UTC부터 deepseek-v4-pro 요청 전부를 V4.1-Flash로 라우팅하겠다고 공지했습니다. 백본 파라미터가 1/3, 활성 파라미터가 1/4에 불과한 "Flash" 등급 모델이 같은 회사의 최상위 모델을 대체하는 셈입니다. 퇴역 근거로 든 것은 "여러 곳의 테스트에서 V4.1-Flash가 V4-Pro를 성능, 비용, 속도, 총 소요 시간에서 앞섰다" 는 것인데, 이 문장은 기술 보고서가 아니라 발표 블로그와 API 문서에만 나오고 근거 데이터는 공개되지 않았습니다. 이러한 맥락에서 이 글은 발표 블로그와 Hugging Face 모델 카드, 그리고 51페이지 분량의 기술 보고서를 함께 읽고 정리한 것입니다. DeepSeek은 DeepSeek-V3.2에서 희소 어텐션(Sparse Attention)으로 긴 컨텍스트의 연산 비용을 줄이고, DeepSeek-V4에서 100만 토큰 컨텍스트를 상용 가격대로 끌어내렸습니다(PyTorchKR에도 V4-Pro 및 V4-Flash 공개 소식과 V4-Flash 정… --- ## [DeepSeek-V4-Flash 정식 버전 출시, 성능은 좋아지면서 가격은 낮아진 모델 (Task당 약 $0.027)](https://discuss.pytorch.kr/t/deepseek-v4-flash-task-0-027/11533)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [8월 6, 2026, 12:30오전 UTC](https://discuss.pytorch.kr/t/deepseek-v4-flash-task-0-027/11533 "2026-08-06T00:30:25Z")
DeepSeek-V4-Flash 정식 버전 소개 DeepSeek이 2026년 7월 31일 DeepSeek-V4-Flash의 정식 버전을 공개하고 API를 공개 베타로 열었습니다. 총 284B 파라미터 중 13B만 활성화하는 혼합 전문가(Mixture-of-Experts, MoE) 모델로 100만 토큰 컨텍스트를 지원하며, 4월에 공개된 프리뷰와 아키텍처도 파라미터 규모도 완전히 같은 채 사후 학습(post-training)만 다시 수행한 것이 이번 릴리즈의 전부입니다. DeepSeek-V4 시리즈가 어떤 구조로 100만 토큰을 감당하는지, 즉 압축 희소 어텐션(Compressed Sparse Attention, CSA)과 극압축 어텐션(Heavily Compressed Attention, HCA)을 인터리브한 하이브리드 어텐션, 다양체 제약 하이퍼 연결(mHC), Muon 옵티마이저, 32T 토큰 사전 학습 같은 내용은 프리뷰 공개 시점에 이미 커뮤니티에 정리해 둔 글이 있으니 함께 참고해주세요. :pytorch::kr:DeepSeek-V4의 아키텍처와 학습 방법은 다음 글(DeepSeek, 100만 토큰 컨텍스트를 효율적으로 지원하는 MoE 모델 DeepSeek-V4-Pro 및 DeepSeek-V4-Flash 공개)에 정리되어 있습니다: 이 글은 그 구조 이야기를 반복하지 않고, 정식 버전이 프리뷰 대비 무엇을 얼마나 바꿨는지 와 그 결과 성능과 비용이 어디에 놓였는지 두 가지에만 집중합니다. 모델을 다시 설계한 릴리즈가 아니라 사후 학습만 교체한 릴리즈가 흥미로운 이유는 분명합니다. 가중치 규모와 활성 파라미터가 그대로면 토큰당 연산량과 KV 캐시, 즉 추론 단가를 결정하는 요소가 그대로이므로, 능력이 올랐다면 같은 값을 내고 더 나은 결과를 받게 되는 구조이기 때문입니다. 실제 숫자로 보면 그 폭이 작지 않습니다. DeepSeek 자체 측정 기준으로 Terminal-Bench 2.1 점수가 61.8에서 82.7로 올랐고, 독립 평가 기관인… --- ## [Anthropic, 수출통제 해제로 돌아온 Claude Fable 5, 주간 사용량의 50%까지 무료 제공 (~7/8, 16:59:59, KST)](https://discuss.pytorch.kr/t/anthropic-claude-fable-5-50-7-8-1659-kst/11065)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [7월 3, 2026, 5:30오전 UTC](https://discuss.pytorch.kr/t/anthropic-claude-fable-5-50-7-8-1659-kst/11065 "2026-07-03T05:30:03Z")
Claude Fable 5 소개 Anthropic의 최상위 모델 Claude Fable 5가 3주 가까이 접속이 끊겼다가 지난 7월 1일 다시 열렸습니다. 그리고 이 재배포를 기념하듯, 지금 Claude 구독 요금제 사용자라면 누구나 7월 7일까지 일주일간 Fable 5를 추가 비용 없이 사용할 수 있는 프로모션이 진행되고 있습니다. Claude Fable 5 는 Anthropic이 지난 6월 9일 공개한 모델로, 소프트웨어 엔지니어링, 지식 노동, 비전, 과학 연구 등 거의 모든 벤치마크에서 Anthropic이 지금까지 일반에 공개한 모델 중 최고 성능을 기록했습니다. Stripe는 초기 테스트에서 5천만 줄 규모의 Ruby 코드베이스 전체 마이그레이션을, 사람 팀이 두 달 넘게 걸릴 일을 Fable 5가 하루 만에 해냈다고 밝혔습니다. Fable 5의 벤치마크 성적표와 세부 기능은 이미 저희가 별도 게시물로 다뤘고, 이 모델을 실제로 잘 쓰는 법은 프롬프팅 가이드 정리 글에서 다뤘으니 참고해주세요. 이 글에서는 그 사이에 일어난, 그리고 아직 정리되지 않은 이야기를 다룹니다. 왜 Fable 5가 갑자기 며칠 만에 접속 불가 상태가 되었는지, 그 문제를 Anthropic이 어떻게 풀었는지, 그리고 지금 진행 중인 무료 프로모션을 어떻게 활용할 수 있는지를 순서대로 정리합니다. 타임라인: 공개, 중단, 그리고 재배포 Fable 5를 둘러싼 지난 한 달의 흐름은 다음과 같습니다. 6월 9일, 공개: Anthropic은 Fable 5와, 같은 기반 모델이지만 안전장치를 일부 해제한 사이버 방어 전용 모델 Claude Mythos 5를 함께 공개했습니다. Mythos 5는 Project Glasswing 참여 기관들에게만 제공되는 모델로, 세계에서 가장 강력한 사이버 보안 역량을 갖췄다고 소개되었습니다. 6월 12일, 접속 중단: 미국 정부가 Fable 5와 Mythos 5에 수출통제(export control) 조치를 적용하면서, Anthropi… --- ## [Z.AI, 장기 실행 과제(Long-Horizon)에 특화된 1M 컨텍스트 오픈소스 모델 GLM-5.2 출시](https://discuss.pytorch.kr/t/z-ai-long-horizon-1m-glm-5-2/10781)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 17, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/z-ai-long-horizon-1m-glm-5-2/10781 "2026-06-17T21:30:25Z")
GLM-5.2 소개 Z.AI(과거 Zhipu AI)가 자사의 새로운 플래그십 모델 GLM-5.2 를 공개했습니다. GLM-5.2는 한 번의 응답으로 끝나는 짧은 질의응답이 아니라, 수 시간에서 수십 시간에 걸쳐 이어지는 장기 실행 과제(Long-Horizon Task)를 안정적으로 수행하는 데 초점을 맞춘 모델입니다. 코딩 에이전트가 대규모 코드베이스를 구현하고, 성능을 최적화하고, 복잡한 버그를 추적하는 작업은 짧은 대화 한 번으로 끝나지 않습니다. 요구사항 분석에서 시작해 설계, 구현, 디버깅, 배포까지 이어지는 긴 작업 궤적(trajectory) 동안 맥락을 잃지 않고 일관된 품질을 유지하는 것이 핵심 과제입니다. GLM-5.2가 내세우는 가장 큰 변화는 실제로 쓸 수 있는 1M(100만) 토큰 컨텍스트입니다. 직전 버전인 GLM-5.1의 최대 컨텍스트가 200K 수준이었던 것과 비교하면 5배에 달하는 확장입니다. Z.AI는 "1M 컨텍스트를 주장하는 것은 쉽지만, 실제 엔지니어링 압박 속에서 그것을 안정적으로 유지하는 것은 훨씬 어렵다"는 점을 강조합니다. 단순히 토큰 수만 늘린 것이 아니라, 길고 지저분한 코딩 에이전트의 작업 궤적 전반에서 품질이 무너지지 않도록 1M 컨텍스트 학습을 대규모 구현, 자동화된 리서치, 성능 최적화, 복잡한 디버깅 시나리오까지 확장했다는 것입니다. 또한 GLM-5.2는 MIT 라이선스로 공개되었다는 점에서 주목할 만합니다. 일부 오픈 가중치 모델이 지역 제한이나 사용 조건을 두는 것과 달리, GLM-5.2는 지역 제한 없이 연구와 상업적 활용 모두에 자유롭게 사용할 수 있습니다. 모델 자체는 GLM-5 시리즈 아키텍처를 잇는 744B 파라미터(활성 40B) 규모의 MoE(Mixture-of-Experts) 모델이며, BF16 가중치와 함께 메모리 사용을 줄인 FP8 버전(GLM-5.2-FP8)도 함께 공개되었습니다. 모델 가중치는 HuggingFace와 ModelScope에 공개되어 있습니다. 핵심 특징 한눈에… --- ## [Google, 인코더 없이 노트북에서 실행하는 통합 멀티모달 모델 Gemma 4 12B 공개](https://discuss.pytorch.kr/t/google-gemma-4-12b/10534)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 4, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/google-gemma-4-12b/10534 "2026-06-04T21:30:54Z")
Gemma 4 12B 소개 Google DeepMind가 2026년 6월 3일, Gemma 4 모델군의 새로운 중간 크기 모델인 Gemma 4 12B를 공개했습니다. 이 모델은 엣지 기기용 E4B와 상위 26B Mixture-of-Experts(MoE) 모델 사이의 간극을 메우는 위치에 있으며, 16GB VRAM 또는 통합 메모리를 갖춘 일반 노트북에서 로컬로 실행할 수 있는 크기로 26B 모델에 근접한 추론 성능을 제공하는 것을 목표로 합니다. Gemma 4 모델군 전체에 대한 소개는 PyTorchKR의 Gemma 4 공개 소식 게시물을 참고해주세요. 이번 공개에서 가장 주목할 부분은 인코더 없는(Encoder-free) 통합 아키텍처입니다. 기존의 멀티모달 모델들은 이미지와 오디오를 처리하기 위해 별도의 비전 인코더와 오디오 인코더를 두고, 이들이 변환한 표현(representation)을 언어 모델에 전달하는 구조를 사용해 왔습니다. 이러한 분리형 인코더는 지연 시간을 늘리고 메모리 사용량을 증가시키는 요인이었습니다. Gemma 4 12B는 이 인코더들을 제거하고 비전과 오디오 입력이 LLM 백본으로 직접 흘러 들어가도록 학습되었으며, 모델명의 "Unified"가 바로 이 구조를 가리킵니다. 또한 Gemma 모델군에서 오디오 입력은 그동안 E2B, E4B 같은 경량 엣지 모델에만 제공되었는데, Gemma 4 12B는 네이티브 오디오 입력을 지원하는 첫 번째 중간 크기 모델이기도 합니다. Google에 따르면 Gemma 4 모델군은 개발자 커뮤니티의 호응에 힘입어 공개 이후 누적 1억 5천만 다운로드를 넘어섰습니다. 이번 12B 모델은 Apache 2.0 라이선스로 공개되어 사전 학습(pre-trained) 및 지시 조정(instruction-tuned) 체크포인트를 Hugging Face와 Kaggle에서 바로 받을 수 있습니다. 핵심 특징 요약: 인코더 없는 통합 아키텍처: 별도의 멀티모달 인코더 없이 비전, 오디오 입력이 단일 디코더 전… --- ## [다음 MCP 스펙 릴리즈(2026-07-28)의 주요 내용: Stateless 전환 및 공식 확장 도입 예정](https://discuss.pytorch.kr/t/mcp-2026-07-28-stateless/10387)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [5월 27, 2026, 6:30오전 UTC](https://discuss.pytorch.kr/t/mcp-2026-07-28-stateless/10387 "2026-05-27T06:30:47Z")
MCP 스펙 릴리즈 후보(The 2026-07-28 MCP Specification Release Candidate) 소개 Model Context Protocol(MCP)은 AI 모델과 외부 도구·데이터 소스를 연결하는 개방형 프로토콜(Open Protocol) 로, Anthropic이 2024년 11월 처음 공개한 이후 1년 만에 Claude뿐 아니라 OpenAI ChatGPT, Google Gemini, GitHub Copilot 등 주요 LLM 호스트가 모두 채택하면서 AI 에이전트 시대의 사실상 표준(de facto standard) 으로 자리잡았습니다. 그러나 빠르게 확산되는 과정에서, 초기 설계가 단일 클라이언트와 단일 서버를 가정한 세션 기반 트랜스포트였다는 한계가 점차 명확해졌습니다. 원격 MCP 서버를 운영하려면 sticky session 라우팅과 공유 세션 저장소가 필요했고, 게이트웨이는 본문(body)을 깊이 들여다봐야 트래픽을 라우팅할 수 있었습니다. 2026년 5월 21일, Model Context Protocol 블로그는 이러한 한계를 정면으로 다룬 2026-07-28 릴리즈 후보(Release Candidate) 를 공개했습니다. 이번 개정은 프로토콜 출시 이래 가장 큰 폭의 변화로, 2026 MCP 로드맵에서 약속한 네 가지 축을 모두 담아냈습니다. 첫째, 일반 HTTP 인프라에서 수평 확장이 가능한 스테이트리스 코어(Stateless Core). 둘째, MCP Apps와 Tasks 같은 기능을 별도 레포에서 진화시키는 공식 확장 프레임워크(Extensions Framework). 셋째, OAuth 2.0과 OpenID Connect의 실제 배포 패턴에 더 가깝게 맞춰진 인증 강화(Authorization Hardening). 그리고 넷째, 빌드한 자산이 깨지지 않으면서도 프로토콜이 진화할 수 있도록 하는 명시적 폐기 정책(Feature Lifecycle Policy) 입니다. 실무적 임팩트는 즉각적입니다. 이전에는 st… --- ## [PyTorch 2.12가 출시되었습니다 🎉](https://discuss.pytorch.kr/t/pytorch-2-12/10226)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [5월 14, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/pytorch-2-12/10226 "2026-05-14T09:30:13Z")
PyTorch 2.12 소개 PyTorch팀이 새로운 릴리즈인 PyTorch 2.12 를 공식 발표했습니다. 이번 릴리즈는 PyTorch 2.11 이후 누적된 457명의 기여자가 보낸 2,926개의 커밋이 반영된 결과물로, PyTorch가 연구 중심 프레임워크에서 하드웨어에 구애받지 않는(hardware-agnostic) 대규모 학습 및 추론용 통합 플랫폼으로 진화하는 흐름을 이어갑니다. 2.x 시리즈를 따라 PyTorch는 백엔드를 가로지르는 성능 프리미티브를 다듬어 왔습니다. PyTorch 2.10에서는 백엔드 간 성능 프리미티브와 TorchScript의 공식 폐기(deprecation)가 정리되었고, PyTorch 2.11에서는 분산 학습을 위한 미분 가능 collective(differentiable collectives), 차세대 GPU에서의 FlashAttention-4, 더 넓어진 export 커버리지가 추가되었습니다. PyTorch 2.12는 이 방향성을 그대로 이어받아, 디바이스에 종속되지 않는 그래프 캡처 API(torch.accelerator.Graph), 최대 100배 빨라진 배치 고유값 분해, 그리고 Microscaling(MX) 양자화 포맷의 torch.export 지원을 핵심 축으로 내세웠습니다. 요약하면, 이번 릴리즈는 "더 빠르게, 더 다양한 하드웨어에서, 더 적극적인 양자화 모델까지" 라는 표어로 정리됩니다. 아래에서는 성능, 컴파일/내보내기(export), 분산 학습, 그리고 CUDA · ROCm · MPS · XPU 등 플랫폼별 변화와 주요 폐기/호환성 변화를 차례로 살펴봅니다. 2.12의 핵심 변경사항 요약 linalg.eigh 최대 100배 가속: CUDA에서 배치 고유값 분해가 cuSolver의 syevj\_batched 경로로 전환되며 CuPy와의 성능 격차를 해소했습니다. torch.accelerator.Graph 신규 API: CUDA, XPU 및 out-of-tree 백엔드에 걸쳐 그래프 캡처와 재생을… --- ## [DeepSeek, 100만 토큰 컨텍스트를 효율적으로 지원하는 MoE 모델 DeepSeek-V4-Pro 및 DeepSeek-V4-Flash 공개](https://discuss.pytorch.kr/t/deepseek-100-moe-deepseek-v4-pro-deepseek-v4-flash/9890)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [4월 25, 2026, 9:30오전 UTC](https://discuss.pytorch.kr/t/deepseek-100-moe-deepseek-v4-pro-deepseek-v4-flash/9890 "2026-04-25T09:30:46Z")
오픈소스 LLM의 새 이정표: DeepSeek-V4 시리즈 DeepSeek이 새로운 혼합 전문가(Mixture-of-Experts, MoE) 언어 모델 시리즈인 DeepSeek-V4 를 공개했습니다. 이번 발표는 단순한 성능 개선을 넘어, 기존 LLM이 갖고 있던 구조적 한계인 초장문 컨텍스트 처리의 비효율성을 정면으로 해결하는 아키텍처 혁신에 초점을 맞추고 있습니다. 추론 모델(reasoning model)의 등장 이후, 테스트-타임 스케일링(test-time scaling) 패러다임은 LLM 성능 향상의 핵심 축으로 자리 잡았습니다. 그러나 이 스케일링 방식은 Attention 메커니즘의 이차적(quadratic) 계산 복잡도라는 근본적 병목에 막혀 있었습니다. 긴 추론 과정을 생성하거나 수백만 토큰을 처리해야 하는 작업에서, 기존 아키텍처는 KV 캐시가 급격히 커지고 추론 비용이 폭발적으로 증가하는 문제를 겪어왔습니다. DeepSeek-V4 시리즈는 이 병목을 직접 타깃으로 하여, 압축 어텐션 기법과 정교한 인프라 최적화를 통해 100만 토큰 컨텍스트를 실용적으로 처리 가능하게 만들었습니다. DeepSeek-V4 시리즈는 두 모델로 구성됩니다. DeepSeek-V4-Pro 는 총 1.6T 파라미터(활성화 파라미터 49B)를 갖추고, DeepSeek-V4-Flash 는 총 284B 파라미터(활성화 파라미터 13B)로 설계되어 있습니다. 두 모델 모두 100만 토큰의 컨텍스트를 지원합니다. DeepSeek-V4-Pro의 최대 추론 모드인 DeepSeek-V4-Pro-Max 는 오픈소스 모델 중 최강의 성능을 달성하여, Codeforces 경쟁 프로그래밍 Rating 3206점, LiveCodeBench 93.5%, SWE-Verified 80.6%를 기록했습니다. 기존의 벽을 허문 아키텍처: 하이브리드 압축 어텐션 DeepSeek-V4의 가장 중요한 기술적 기여는 하이브리드 어텐션 아키텍처 입니다. 기존 어텐션 방식은 컨텍스트가 길어질수… --- ## [Anthropic, 고급 소프트웨어 엔지니어링과 향상된 비전 기능을 갖춘 Claude Opus 4.7 출시](https://discuss.pytorch.kr/t/anthropic-claude-opus-4-7/9767)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [4월 17, 2026, 1:00오전 UTC](https://discuss.pytorch.kr/t/anthropic-claude-opus-4-7/9767 "2026-04-17T01:00:29Z")
Claude Opus 4.7 소개 Anthropic이 최신 모델 Claude Opus 4.7을 정식 출시했습니다. Opus 4.7은 전작 Opus 4.6 대비 고급 소프트웨어 엔지니어링 영역에서 눈에 띄는 성능 향상을 이루었으며, 특히 가장 난이도 높은 작업에서 두드러진 개선을 보입니다. 개발자들은 이전까지 긴밀한 감독이 필요했던 고난도 코딩 작업을 Opus 4.7에 자신 있게 위임할 수 있게 되었다고 보고하고 있습니다. Opus 4.7은 복잡하고 장기간 실행되는 작업을 엄밀하고 일관되게 처리하며, 지시 사항을 세밀하게 파악하고, 결과를 보고하기 전에 스스로 출력을 검증하는 방법을 고안합니다. 또한 비전 기능이 크게 향상되어 더 높은 해상도의 이미지를 처리할 수 있게 되었고, 전문적인 작업에서 인터페이스, 슬라이드, 문서를 더욱 세련되게 생성합니다. Anthropic의 가장 강력한 모델인 Claude Mythos Preview보다 전체적인 역량은 낮지만, Opus 4.6 대비 다양한 벤치마크에서 더 나은 결과를 보입니다. 핵심 개선 사항 고급 소프트웨어 엔지니어링: 가장 어려운 코딩 작업에서 Opus 4.6보다 의미 있는 성능 향상. CursorBench에서 70% 대 58%, Rakuten-SWE-Bench에서 Opus 4.6 대비 3배 더 많은 프로덕션 태스크 해결 향상된 비전(Vision): 이미지를 최대 2,576픽셀(긴 변 기준, 약 3.75메가픽셀)까지 처리 가능. 기존 Claude 모델 대비 3배 이상의 해상도로, 고밀도 스크린샷 판독, 복잡한 다이어그램에서의 데이터 추출, 픽셀 단위 정밀도가 필요한 작업에 활용 가능 지시 사항 정확한 이행: 이전 모델이 지시를 느슨하게 해석하거나 일부를 건너뛰던 것과 달리, Opus 4.7은 지시를 문자 그대로 수행. 기존 프롬프트를 재조정할 필요가 있을 수 있음 파일 시스템 메모리 활용: 장기 멀티세션 작업에서 중요한 메모를 기억하고 활용하는 능력 향상 실무 성과: 금융 분석, 법률 문서 검토, … --- ## [\[GN⁺\] 사람을 위한 딥러닝, Keras 3.0 릴리즈](https://discuss.pytorch.kr/t/gn-keras-3-0/2962)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [11월 29, 2023, 8:27오전 UTC](https://discuss.pytorch.kr/t/gn-keras-3-0/2962 "2023-11-29T08:27:37Z")
GeekNews의 xguru님께 허락을 받고 GN에 올라온 글들 중에 AI 관련된 소식들을 공유하고 있습니다. :smiley\_cat: 소개 Keras 3.0이 정식 출시됨을 발표, 5개월간의 공개 베타 테스트를 거침 Keras 3은 JAX, TensorFlow, PyTorch 상에서 Keras 워크플로우를 실행할 수 있는 전면적인 재작성 버전 새로운 대규모 모델 훈련 및 배포 기능 제공 다중 프레임워크 머신러닝 환영 Keras 사용의 이점은 높은 개발 속도, 사용자 경험, API 디자인, 디버깅 용이성에 중점 250만 개발자가 선택한 검증된 프레임워크로, Waymo 자율주행 차량 및 YouTube 추천 엔진과 같은 대규모 ML 시스템에 사용됨 Keras 3는 모델 성능 최적화, 모델 생태계 옵션 확장, 대규모 모델 병렬 처리 및 데이터 병렬 처리 지원 등의 추가 이점 제공 Keras 3 API, JAX, TensorFlow, PyTorch에서 사용 가능 Keras 3는 Keras API 전체를 구현하고 TensorFlow, JAX, PyTorch에서 사용 가능 내장 레이어만 사용하는 모든 Keras 모델은 지원되는 모든 백엔드에서 즉시 작동 기존 tf.keras 모델도 JAX와 PyTorch에서 바로 실행 가능 다중 프레임워크 레이어, 모델, 메트릭 작성 Keras 3는 모든 백엔드에서 동일하게 작동하는 컴포넌트(커스텀 레이어, 사전 훈련된 모델 등) 생성 가능 keras.ops 네임스페이스를 통해 백엔드 간 호환 가능한 NumPy API 및 신경망 특화 함수 제공 keras.ops만 사용하는 한, 커스텀 레이어 및 메트릭이 JAX, PyTorch, TensorFlow에서 동일한 코드로 작동 대규모 데이터 병렬 처리 및 모델 병렬 처리를 위한 새로운 분산 API 대규모 모델 샤딩 문제를 해결하기 위한 새로운 분산 API 제공 모델 정의, 훈련 논리, 샤딩 구성을 분리하여 단일 장치에서 실행되는 것처럼 모델 작성 가능 데이터 병렬 처리 … --- ## [\[Release\] PyTorch 2.1이 공개되었습니다 🎉](https://discuss.pytorch.kr/t/release-pytorch-2-1/2601)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 1\ **마지막 업데이트:** [10월 5, 2023, 4:33오후 UTC](https://discuss.pytorch.kr/t/release-pytorch-2-1/2601 "2023-10-05T16:33:07Z")
아래는 릴리즈 노트의 일부분입니다. 원문은 아래에서 보실 수 있으며, 자세한 내용 정리는 이따 저녁에 정리해서 올리겠습니다~ :sweat\_smile: PyTorch 2.1: automatic dynamic shape compilation, distributed checkpointing PyTorch 2.1 Release Notes Highlights Backwards Incompatible Change Deprecations New Features Improvements Bug fixes Performance Documentation Developers Security Highlights We are excited to announce the release of PyTorch® 2.1! PyTorch 2.1 offers automatic dynamic shape support in torch.compile, torch.distributed.checkpoint for saving/loading distributed training jobs on multiple ranks in parallel, and torch.compile support for the NumPy API. In addition, this release offers numerous performance improvements (e.g. CPU inductor improvements, AVX512 support, scaled-dot-product-attention support) as well as a prototype release of torch.export, a sound full-graph capture mechanism, and torch.export-based quantization. Along with 2.1, we are also releasing a series of updates to the PyTorch domain libraries. More details ca… --- ## [PyTorch 1.12가 공개되었습니다. 🎉](https://discuss.pytorch.kr/t/pytorch-1-12/375)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [6월 29, 2022, 2:34오후 UTC](https://discuss.pytorch.kr/t/pytorch-1-12/375 "2022-06-29T14:34:30Z")
오늘 PyTorch 1.12 버전이 공개되었습니다! :tada: 주요한 릴리즈 내용은 아래와 같습니다: Along with 1.12, we are releasing beta versions of AWS S3 Integration, PyTorch Vision Models on Channels Last on CPU, Empowering PyTorch on Intel® Xeon® Scalable processors with Bfloat16 and FSDP API. We want to sincerely thank our dedicated community for your contributions. Summary: Functional Module API to functionally apply module computation with a given set of parameters Complex32 and Complex Convolutions in PyTorch DataPipes from TorchData fully backward compatible with DataLoader Functorch with improved coverage for APIs nvFuser a deep learning compiler for PyTorch Changes to float32 matrix multiplication precision on Ampere and later CUDA hardware TorchArrow, a new beta library for machine learning preprocessing over batch data 자세한 내용은 아래 릴리즈 노트 또는 공식 블로그의 글을 참고해주세요! --- ## [PyTorch v1.12.1이 공개되었습니다! 🎉](https://discuss.pytorch.kr/t/pytorch-v1-12-1/497)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [8월 13, 2022, 5:47오전 UTC](https://discuss.pytorch.kr/t/pytorch-v1-12-1/497 "2022-08-13T05:47:51Z")
일부 버그를 해결한 PyTorch 1.12.1 버전이 지난 주 공개되었습니다. :tada: 주요한 릴리즈 내용은 아래와 같습니다: Optim Remove overly restrictive assert in adam #80222 Autograd Convolution forward over reverse internal asserts in specific case #81111 25% Performance regression from v0.1.1 to 0.2.0 when calculating hessian #82504 Distributed Fix distributed store to use add for the counter of DL shared seed #80348 Raise proper timeout when sharing the distributed shared seed #81666 NN Allow register float16 weight\_norm on cpu and speed up test #80600 Fix weight norm backward bug on CPU when OMP\_NUM\_THREADS \<= 2 #80930 Weight\_norm is not working with float16 #80599 New release breaks torch.nn.weight\_norm backwards pass and breaks all Wav2Vec2 implementations #80569 Disable src mask for transformer and multiheadattention fastpath #81277 Make nn.stateless correctly reset parameters if the forward pass fails #81262 torchvision.transforms.functional.rgb\_to\_grayscale() + torch.nn.Conv2d() don\`t work on 1080 GPU #81106 Trans…