🔥 AI 트윗 트렌드 핵심 요약 (2026.06.27)

어제 '정부가 사용자를 한 명씩 승인한다'던 GPT-5.6 이야기가 오늘 실제 출시로 떨어졌다. OpenAI가 차세대 모델 Sol·Terra·Luna를 공개했지만, 미국 정부 요청으로 소수 파트너에게만 여는 제한 프리뷰로 시작했다. 같은 날 타임라인의 다른 절반은 정반대 방향을 가리켰다 — Grok CLI·OpenCode 같은 신제품이 잇따라 나오고, OpenRouter에서 미국 모델 토큰 점유율이 1년 만에 70%대에서 30%대로 무너졌다는 측정값이 돌았다. '가장 강한 모델은 빗장이 걸리고, 가장 빨리 퍼지는 건 오픈·중국 모델'인 하루였다.

1. GPT-5.6 Sol·Terra·Luna 출시 — 어제 '예고'가 오늘 '제한 출시'로

OpenAI가 차세대 프론티어 모델 Sol과, 균형형 Terra, 대량 작업용 저가형 Luna를 한꺼번에 공개했다(공식 발표 524만 조회) (@OpenAI). 하지만 핵심은 '무엇이 나왔나'보다 '어떻게 나왔나'였다. 광범위 공개 대신, 미국 정부 요청에 따라 Codex와 API에서 신뢰할 수 있는 소수 파트너에게만 여는 제한 프리뷰로 시작했고, 정식 공개는 몇 주 안을 목표로 한다고 밝혔다 (@OpenAI). 샘 올트먼은 직접 "좋은 소식은 Sol이 똑똑하고 효율적이며 GPT-5.5와 같은 가격이라는 것, 나쁜 소식은 정부 요청으로 계획했던 공개 출시 대신 제한 프리뷰로 나간다는 것"이라고 적었다 (@sama).

그림 1. GPT-5.6 Sol·Terra·Luna 3종 모델과 가격표. 태양(Sol)·지구(Terra)·달(Luna)을 모티프로 한 3종 모델 카드다. Sol은 '야심 찬 에이전트 작업용 플래그십'으로 입력 100만 토큰당 $5.00·캐시 $0.50·출력 $30.00, Terra는 '효율적 일상 작업용'으로 $2.50/$0.25/$15.00, Luna는 '대량 작업용 빠르고 저렴한 모델'로 $1.00/$0.10/$6.00이다. 세 단계의 출력 단가가 정확히 5배 차이 난다.

성능 지표는 Sol의 우위를 보여준다. 그렉 브록먼이 공유한 자료에 따르면 코딩·터미널 작업 벤치마크에서 Sol 계열이 선두를 잡았다 (@gdb). 다른 사용자는 Sol이 TerminalBench에서 Claude Mythos 5를 앞섰고, Cerebras에서 초당 750토큰까지 나온다고 전했다 (@Yuchenj_UW).

그림 2. TerminalBench 2.1 벤치마크 — Sol Ultra가 선두. TerminalBench 2.1 막대그래프다. GPT-5.6 Sol Ultra 91.9%, GPT-5.6 Sol 88.8%, Claude Mythos 5 88.0%, GPT-5.6 Terra 84.3%, Claude Fable 5 84.3%, GPT-5.5 83.4%, GPT-5.6 Luna 82.5%, Claude Opus 4.8 78.9%, Gemini 3.1 Pro Preview 70.7% 순이다. Sol Ultra·Sol이 1·2위로 Claude Mythos 5와 Opus 4.8을 앞선다.

왜 정부가 빗장을 걸었는지는 안전 자료에서 드러난다. GPT-5.6 프리뷰 시스템 카드는 세 모델 모두를 OpenAI 대비태세 프레임워크의 생물·화학 'High'와 사이버보안 'High' 위험-역량으로 분류했다(외부 확인 — OpenAI 시스템 카드, 벤처비트·테크크런치 보도). 평가기관 METR도 출시 전 평가를 수행했는데, "소프트웨어·R&D 능력이 기존 최고 수준을 크게 넘어서지는 않는다"고 봤다. 반발도 거셌다 — "GPT-5.6과 Fable 5.0 접근을 제한하는 건 기술 역사상 가장 어리석은 순간 중 하나"라는 비판이 1천 단위로 확산됐고 (@pedrouid), 정부와 앤트로픽 양쪽에 책임을 묻는 목소리도 나왔다 (@DeryaTR_).

시사점: 어제 더 인포메이션이 전한 '정부의 사용자 단위 승인' 예고가, 오늘 OpenAI 공식 발표로 현실이 됐다. 모델이 더 세질수록(생물·사이버 High) 출시는 더 막힌다는 구조가 굳어지는 중이다. '가장 강한 모델일수록 안보 심사에 묶인다'는 게 OpenAI·앤트로픽 공통의 새 표준이 되고 있다.

#GPT56출시 #정부접근제한 #SolTerraLuna

2. 오늘의 신제품 — Grok CLI·OpenCode가 하루에 줄지어 나온 '코딩 에이전트' 경쟁

모델 출시가 막힌 자리를 도구 경쟁이 채웠다. 가장 큰 화제는 xAI의 Grok CLI(코드네임 T3 Code)였다. 인기 개발자 Theo가 xAI 팀과 함께 만들었다고 밝히며, "사람들은 T3 Code가 Codex와 경쟁한다고 보지만, 우리는 사실 X(트위터)와 경쟁한다"는 도발적 포지셔닝을 내놨다 (@theo, @theo).

그림 3. Theo의 T3 Code × xAI 협업 로고. 어두운 그라데이션 배경에 두 개의 로고가 나란히 놓인 협업 브랜딩이다. 왼쪽은 사선이 그어진 원형 심볼, 오른쪽은 'T3' 워드마크로, Theo의 T3 Chat과 xAI(Grok)의 코딩 CLI 제휴를 상징한다.

오픈소스 진영도 움직였다. 코딩 에이전트 OpenCode가 완전 오픈소스로 전환했고(4천 단위 확산) (@ryanvogel), Nous Research의 Hermes Desktop은 작업 단위로 'worktree'(같은 저장소를 여러 갈래로 동시에 펼쳐 작업을 격리하는 방식)를 도입해 에이전트가 여러 작업을 병렬로 추적하게 만들었다 (@imbabybrooklyn). 한쪽에선 "T3 Code를 요구한 고객이 0명"이라는 냉소도 따라붙어, 도구 과잉 속 진짜 수요를 묻는 반응도 공존했다 (@mil000).

그 밖에: 신제품은 코딩 도구만이 아니었다 — 리플링이 'AI가 전반에 깊이 통합된' 올인원 데이터 스택 Rippling Data Cloud를 내놨고("Introducing Rippling Data Cloud: AI-powered BI that understands your workforce") (@parkerconrad), 'MCP는 왜 안 먹혔고 다음은 무엇인가'를 돌아보는 회고글도 함께 돌았다 — MCP가 Sonnet 3.5·GPT-4o 시절 나와 도구 활용법이 덜 정립됐던 한계를 짚었다("thoughts on why mcp didn't work, what's next") (@RhysSullivan).

시사점: 프론티어 모델이 정부 빗장에 묶인 사이, 경쟁의 무게중심이 '모델'에서 '에이전트 도구'로 옮겨갔다. Grok CLI·OpenCode·Codex·Claude Code가 같은 자리를 두고 붙는 지금, 특정 도구에 묶이지 않으려면 오픈소스 옵션(OpenCode)을 한 번씩 시험해 두는 게 안전하다.

#GrokCLI #OpenCode #코딩에이전트경쟁

3. 코딩은 '해결'됐나 — Codex 사내 98%와 ThePrimeagen의 현실 점검

'AI가 코딩을 끝냈다'는 담론이 정점에 달했다. 한쪽엔 강한 수치가 있다 — OpenAI 직원의 98%가 Codex 에이전트를 쓰고, 연구 사용량이 7개월 만에 56배, 8시간짜리 장기 작업 요청이 10배 늘었다는 집계다 (@PeterDiamandis). OpenAI 자체 보고서 기준으로도 Codex 활성 사용자는 올 상반기에만 5배 넘게 늘었고, 성장의 대부분이 원래 개발자층 '바깥'에서 나왔다 (@rohanpaul_ai).

반대쪽엔 현실 점검이 있다. 인기 개발자 ThePrimeagen은 "코딩이 해결된 문제라고 말하는 사람들이 MCP(에이전트가 외부 도구를 호출하는 표준 연결 규약)도 만들었다"며, 정작 본인이 'LLM이 만든 고품질 코드'라 믿었던 게 알고 보니 어제 자기가 쓴 변경분이었다는 일화를 풀어 큰 공감을 얻었다 (@ThePrimeagen, @ThePrimeagen). 같은 결의 농담 섞인 고백도 8.6천 좋아요로 퍼졌다 — "Claude Tag를 켠 지 24시간 만에 우리 CTO가 벌써 나를 'AI 정신병'(AI가 늘어놓은 헛소리에 휩쓸리는 상태)에서 구해주고 있다"는 것이다 (@NathanWorsley_).

그림 4. 2026년 신입 개발자가 기초를 건너뛰고 'Claude'로 직행하는 풍자. 'New Developers'라고 적힌 티셔츠를 입은 인물이 계단을 오르는 만화다. 계단은 아래부터 HTML → CSS → JavaScript → React.js → php → Laravel → DSA → Claude 순으로 쌓여 있고, 인물이 중간 단계를 건너뛰어 맨 위 'Claude'로 다리를 크게 뻗고 있다. 신입이 기초(자료구조·언어)를 거르고 AI 도구부터 잡는 세태를 꼬집는다.

시사점: 'Codex 98%'는 진짜 1차 데이터지만, 그게 '코딩이 끝났다'는 뜻은 아니다. AI가 만든 결과를 검수하는 단계('우리 지금 몇 단계냐')를 빼면 어제 쓴 코드를 새 작품으로 착각하기 쉽다. 위임은 늘리되, 마지막 검수는 사람이 쥐고 있어야 한다.

#코딩은해결됐나 #Codex98퍼센트 #AI코드검수

4. 오픈소스·중국 모델이 OpenRouter를 역전시켰다 — 미국 토큰 점유율 70%→30%

오늘 가장 단단한 측정값은 시장 구조 변화였다. 블룸버그 자료를 인용한 트윗이 53만 조회로 퍼졌는데, 모델 중개 플랫폼 OpenRouter에서 미국 모델이 차지하는 토큰 비중이 무너졌다는 내용이다 (@zerohedge).

그림 5. OpenRouter 미국 모델 토큰 점유율 붕괴 (블룸버그). 블룸버그 차트 'Users Shift to Open-Weight Chinese Models Like DeepSeek'다. OpenRouter에서 미국(구글+OpenAI+앤트로픽) 토큰 비중이 2025년 6월 약 72%에서 2026년 6월 약 33%로 떨어지고, 중국(DeepSeek+텐센트+샤오미+미니맥스) 비중이 그만큼 올라왔다. 출처는 OpenRouter·Exponential View로 표기돼 있다.

외부 교차 확인 결과 이 추세는 사실이다 — 미국 모델 점유율은 1년 새 약 70%에서 30%로 내려갔고, 중국 오픈웨이트 모델이 다수를 차지하며, DeepSeek 단일 제공사가 16%대로 가장 큰 비중이다(OpenRouter·오피스차이·크립토브리핑 보도). UBS도 AI 예산을 주시하는 기업의 60%가 더 저렴한 모델과 중국 오픈소스로 갈아타고 있다고 짚었다 (@rohanpaul_ai). 미국 진영의 반격도 시작됐다 — 미국 연구소가 낸 첫 오픈소스 프론티어 코딩 모델 Ornith-1.0을 두고 "오픈소스 프론티어가 더 이상 중국만의 것이 아니다"라는 반응이 나왔다 (@ryaneshea).

그림 6. Ornith-1.0 오픈소스 코딩 벤치마크 비교. 'LLM Performance Evaluation' 8개 벤치마크 막대그래프다. Ornith-1.0-397B(주황)가 Terminal Bench 2.1 77.5, SWE-bench Verified 82.4, SWE-bench Pro 62.2, Claw-eval 77.1 등 다수 항목에서 Qwen3.7-Max·GLM-5.2-744B·DeepSeek-V4-Pro·Claude Opus 4.7을 앞선다. 다만 SWE-bench Verified(87.6)·NL2Repo(69.7)에선 Claude Opus 4.8이 여전히 위다.

오픈 모델 자체의 분위기도 달아올랐다 — "GLM-5.2를 쓰겠다는 요청이 끊이지 않는다, 오픈소스에 대단한 몇 주"라는 현장 반응과 (@Madisonkanna), "오픈소스 모델에 올인"이라는 선언이 함께 돌았다 (@synthwavedd). 다만 점유율과 돈은 다르다 — 앤트로픽은 토큰 물량 12%로 매출 46%를 가져간다는 분석도 나와, '값싼 토큰 경쟁'과 '값을 받는 시장'이 갈라지고 있음을 보여줬다(외부 보도). 중국발 에이전트 기법 가이드도 회자됐다 — 한 번의 프롬프트로 300개 에이전트를 돌리는 법을 푼 "Kimi Agent Swarm Explained: How to Run 300 AI Agents in a Single Prompt" 같은 글이 돌며 Moonshot의 Kimi가 도구 담론에서도 존재감을 키웠다 (@hasantoxr).

시사점: 토큰 '사용량'에서 미국 모델이 밀리는 건 분명한 1차 측정값이다. 하지만 사용량과 매출은 별개 시장으로 갈라지는 중 — 저가·고물량은 중국 오픈모델, 고부가·고단가는 미국 클로즈드 모델이 가져가는 이중 구조다. 비용이 부담이면 GLM·Qwen·DeepSeek를 OpenRouter로 붙여 단가를 비교해 볼 때다.

#OpenRouter점유율 #중국오픈모델 #Ornith오픈소스

5. '신 무어의 법칙' — 칩값은 2년마다 2배, 감당할 사람은 절반으로

하드웨어 경제학이 묵직한 화두로 떠올랐다. 개발자 Theo의 한 줄이 1.3만 흥행으로 퍼졌다 — "신 무어의 법칙: 칩을 사는 비용은 약 2년마다 두 배가 되고, 그걸 감당할 수 있는 사람 수는 절반으로 준다" (@theo). 비용이 위로 치솟는 신호는 곳곳에 있었다. 엔비디아 본사를 방문한 한 개발자는 "스낵과 커피가 무료가 아니라 돈을 내야 한다"는 관찰을 전하며 255만 조회를 모았고 (@GergelyOrosz), "대기업들이 컴퓨트를 확보해 자체적으로 모델을 사후 훈련하려는 움직임이 최근 몇 주 크게 늘었다"는 현장 감각도 공유됐다 (@willccbb).

그래서 '로컬에서 싸게 돌리기'가 실질적 대안으로 부상했다. 한 연구자는 다양한 로컬 오픈웨이트 모델을 여러 코딩 도구로 시험한 결과, 300억 파라미터급 MoE(전체 중 일부 전문가만 켜서 계산을 아끼는 구조) 모델이 '스위트 스팟'이라고 정리했다 (@rasbt).

그림 7. 로컬 코딩 도구별 토큰 사용량 — Claude Code가 최다. 'Claude Code uses the most tokens' 차트로, 같은 로컬 에이전트 작업 5개에서 Claude Code(검정)·Codex(파랑)·Qwen Code(보라)의 총 토큰을 비교한다. qwen3.6:35b에서 Claude Code 246,018(성공 5/5)·Codex 120,168(5/5)·Qwen Code 182,210(4/5)로, Claude Code가 성공률은 높지만 토큰을 가장 많이 쓴다. gemma4:e2b에선 Codex가 70,000 토큰으로 0/5 실패를 기록했다.

실제로 Ornith-1.0 35B는 "200GB+ RAM 없이도 돌아가는 최고의 로컬 모델, DGX Spark에서 부드럽게 실행된다"는 사용 후기가 따라붙어, 고가 클라우드 대신 손에서 돌리는 흐름을 뒷받침했다 (@AlexFinn).

시사점: '모델은 점점 똑똑해지는데 그걸 돌릴 칩은 점점 비싸진다'는 게 올해의 진짜 긴장이다. 그래서 30B급 MoE 오픈모델을 로컬에서 돌리는 선택지가 비용 헤지로 떠오른다. 단, Claude Code처럼 똑똑한 도구일수록 토큰을 많이 쓰므로, 작업 난이도별로 모델·도구를 갈라 쓰는 설계가 비용을 좌우한다.

#신무어의법칙 #컴퓨트비용 #로컬MoE모델

6. AI가 바꾸는 일·교육 — 대학 글쓰기·채점부터 '코드 작성→에이전트 지휘'까지

AI가 일과 배움의 형태 자체를 바꾸는 장면도 모였다. 폴 그레이엄은 "대학생은 글쓰기 대부분을 AI로 하고, 점점 더 많은 교수가 채점에 몰래 AI를 쓴다 — 극단적으로는 AI가 다 만들고 사람은 전달만 한다"며, 컴파일러라면 이런 '죽은 코드'를 지워버릴 거라는 비유로 5천 흥행을 모았다 (@paulg). 그는 이어 "AI가 AI 생성 텍스트를 탐지하는 능력도 좋아질 것이고, 올해 모델이 쓴 글은 몇 년 뒤 쉽게 적발돼 학계에 큰 스캔들이 될 것"이라 예측했다 (@paulg).

그림 8. 코드 작성에서 에이전트 지휘로 — 0x_rody. 'Move From Writing Code to Orchestrating Agents — The best engineers barely write code by hand anymore' 카드다. 오른쪽 터미널엔 'claude code · orchestrator'에서 "agent A auth-refactor done, agent B export-feature done, agent C test-coverage running..."이 떠 있고 "you reviewed. you didn't type."로 끝난다. 아래 태그는 specs·verify·parallel·design the system이다.

도구도 교육으로 들어왔다. 구글은 Gemini 앱에 Study Notebooks를 내놨는데, 학생이 노트·강의계획서·읽을거리를 올리면 개인 목표에 맞춘 인터랙티브 학습 공간을 만들어 준다 (@WesRoth). 한편 'AI가 다 해주는 시대'의 역설처럼, 하버드가 비판적 사고와 논증 구성에 대한 무료 강의를 전면 개방했다는 소식이 1만 흥행으로 가장 크게 퍼지기도 했다 — 도구가 글을 써줄수록 '무엇이 좋은 논증인가'를 판별하는 사람의 안목 수요가 오히려 커진다는 신호다 (@_thabang_m). 한편 'AI 시대의 첫 솔로 백만장자를 조용히 찍어내는 스킬'("The Skill Quietly Minting The First Solo Millionaires Of The AI Era")처럼, 팀·투자자 없이 한 사람이 한 가지 스킬과 노트북으로 부를 쌓는다는 이야기도 함께 돌았다 (@Zephyr_hg).

시사점: 일의 단위가 '코드 한 줄'에서 '에이전트 한 무리'로, 배움의 단위가 '내가 쓴 글'에서 'AI와 함께 만든 결과'로 옮겨가는 중이다. 그럴수록 핵심 역량은 '직접 만드는 힘'에서 '결과를 검수·판별하는 안목'으로 이동한다. 하버드의 비판적 사고 강의가 가장 크게 퍼진 게 우연이 아니다.

#코드작성에서지휘로 #AI교육도구 #비판적사고수요

📊 오늘의 감정/온도 분석

🔵 전환🟢 성장🟡 주의🔴 과열

차분 ←→ 과열

전환 — '정부가 프런티어 모델 출시를 사용자·파트너 단위로 제한' — 앤트로픽(Fable)에 이어 OpenAI(GPT-5.6)까지. 모델 출시가 기술·시장 일정이 아니라 안보 심사 일정에 묶이는 새 표준의 굳어짐.

성장 — OpenRouter 미국→중국 토큰 점유율 전환(70%→30%) — 블룸버그·OpenRouter 측정에 기반한 1차 데이터로, 외부 교차 확인까지 통과한 가장 단단한 신호.

주의 — Sol의 세부 안전성 수치(severity-3 행동·벤치마크 게이밍 등) — 시스템 카드의 'High 위험-역량' 분류는 외부 확인됐지만, 일부 세부 디테일은 단일 아그리게이터 인용이라 시스템 카드 원문 확인이 안전하다.

과열 — GPT-5.6 Sol '역대 최강' 담론 — TerminalBench 우위는 공식 자료로 사실이나, 정부 제한으로 외부의 직접 검증은 막혔고 METR은 "기존 최고 수준을 크게 넘지는 않는다"고 평가했다. '최강' 수사는 톤다운이 필요하다.

오늘 인용 트윗은 정책·미래 예측을 둘러싼 '💬 논쟁' 성격이 두드러졌다 — 단순 바이럴보다 의견이 갈리는 하루였다.

💼 오늘의 실무 팁 — 쉽게 풀어 쓴 사용법 10가지

1. 모델 3종을 작업 난이도로 나눠 쓰기 — GPT-5.6 Sol/Terra/Luna (@OpenAI)

Sol은 어려운 에이전트 작업, Terra는 일상 업무, Luna는 대량 단순 작업용으로 설계됐고 출력 단가가 5배(토큰당 $30 vs $6)까지 벌어진다. '제일 센 모델 하나만 쓰는' 습관 대신, 작업마다 등급을 갈라 쓰면 같은 결과를 더 싸게 얻는다 (@OpenAI 흥행 3.7만).

2. 벤치마크 1등을 내 작업에 그대로 믿지 않기 — TerminalBench (@gdb)

Sol이 TerminalBench(터미널·명령줄 작업을 계획·반복·도구 조율로 푸는 능력 시험) 1위를 했다고 내 업무에서도 1위라는 뜻은 아니다. 벤치마크가 '어떤 작업'을 재는지 확인하고, 내 용도(글쓰기·분석·코딩)와 겹치는지부터 따져보자 (@gdb 흥행 5.3천).

3. 코딩 도구는 락인 피해 '오픈' 먼저 시험 — OpenCode (@ryanvogel)

Grok CLI·Codex·Claude Code·OpenCode가 같은 자리를 두고 붙는다. 특정 회사 도구에 묶이면 가격·정책이 바뀔 때 갈아타기 어렵다. 완전 오픈소스로 풀린 OpenCode를 한 번 깔아두면, 유료 도구와 비교 기준이 생긴다 (@ryanvogel 흥행 4.1천).

4. 에이전트 작업은 'worktree'로 갈라서 추적 — Hermes Desktop (@imbabybrooklyn)

worktree는 같은 코드 저장소를 여러 갈래로 동시에 펼쳐, 작업끼리 섞이지 않게 격리하는 방식이다. 에이전트에게 여러 일을 한꺼번에 맡길 때, 각 작업을 별도 worktree에 두면 '지금 뭐가 어디까지 됐는지'를 읽기 쉽게 추적할 수 있다 (@imbabybrooklyn 흥행 224).

5. 'AI가 다 했다'는 착각 막는 검수 단계 두기 — ThePrimeagen 교훈 (@ThePrimeagen)

LLM이 만든 코드를 '고품질'이라 믿었다가 실은 어제 자기가 쓴 거였다는 일화가 화제였다. AI 결과물엔 항상 '우리 지금 몇 단계냐'를 묻는 검수 절차를 끼워, 새로 만든 것과 이미 있던 것을 구분하는 습관이 필요하다 (@ThePrimeagen 흥행 3.6천).

6. 중국 오픈모델을 비용 비교용으로 붙여보기 — GLM·Qwen·DeepSeek (@rohanpaul_ai)

기업 60%가 비용 때문에 더 저렴한 모델·중국 오픈소스로 옮기고 있다. OpenRouter(여러 모델을 한 창구로 호출·비교하는 중개 플랫폼)에 GLM 5.2·Qwen·DeepSeek를 붙여 같은 작업의 단가와 품질을 직접 재보면, 막연한 '미국 모델만' 습관을 점검할 수 있다 (@rohanpaul_ai 흥행 1.6천).

7. 로컬에선 30B급 MoE 모델부터 — rasbt 권장 (@rasbt)

MoE(Mixture-of-Experts)는 전체 파라미터 중 일부 '전문가'만 켜서 계산을 아끼는 구조다. 로컬 실행에선 300억 파라미터급 MoE가 속도·품질의 균형점이라는 평가다. 인터넷 없이 돌리는 간단한 코딩·자동화엔 무거운 클라우드 모델 대신 이걸 먼저 시험해볼 만하다 (@rasbt 흥행 523).

8. 도구가 똑똑할수록 토큰을 많이 쓴다는 점 계산하기 — 토큰 사용량 비교 (@rasbt)

같은 작업에서 Claude Code는 성공률은 높지만 Codex의 2배 토큰을 썼다. '똑똑한 도구 = 비싼 도구'일 수 있으니, 쉬운 작업엔 토큰을 덜 쓰는 도구를, 어려운 작업에만 강한 도구를 배정하는 식으로 비용을 관리하자 (@rasbt 흥행 523).

9. 공부엔 자료 업로드형 학습 도구 — Google Study Notebooks (@WesRoth)

구글이 Gemini 앱에 낸 Study Notebooks는 노트·강의계획서·읽을거리를 올리면 내 목표에 맞춘 학습 공간을 만들어 준다. 시험·자격증 준비처럼 '내 자료'로 공부할 때, 일반 챗봇에 매번 붙여넣는 대신 자료 기반 학습 도구를 쓰면 맥락이 유지된다 (@WesRoth 흥행 142).

10. '코드 작성'에서 '에이전트 지휘'로 사고 바꾸기 — 0x_rody

요즘 잘하는 엔지니어는 손으로 코드를 거의 안 쓰고, 작업을 여러 에이전트에 나눠 맡긴 뒤 결과를 검수한다(specs로 정의 → 병렬 실행 → verify로 검증 → 시스템 설계). '내가 다 짠다'가 아니라 '맡길 수 있게 일을 쪼개고 검수한다'로 역할을 옮기는 연습이 핵심이다 (@0x_rody 흥행 100).

📦 데이터 — 2026-06-27 X 타임라인 951개 트윗 분석(AI/테크 757개, 팔로잉 피드 80%). DuckDB로 키워드·동시출현·토픽 클러스터링 후 6개 토픽으로 정리, 미디어 17장 다운로드·시각 확인(본문 8장 임베드), 핵심 주장은 외부 교차 검증(GPT-5.6 Sol·Terra·Luna 출시와 정부 제한·시스템 카드 'High' 위험분류·METR 평가·OpenRouter 미국 토큰 점유율 70%→30%·UBS 60% 전환·Ornith 오픈소스)을 거쳐 1차 출처(OpenAI·METR·블룸버그·OpenRouter·벤처비트·테크크런치)로 확인했습니다. 단, Sol의 'severity-3 행동·벤치마크 게이밍' 등 세부 안전성 수치는 단일 아그리게이터 인용이라 시스템 카드 원문 확인 전 보수적으로 표기했고, '역대 최강' 수사는 METR 평가에 맞춰 톤다운했으며, 이 리포트는 발행 시점 기준 외부 독립 검증 전입니다.

🏷 라벨 가이드 — 🔥 인기 (좋아요 많음) · 🔁 공유 (RT 비율 높음, 확산성) · 💬 논쟁 (댓글 비율 높음, 의견 다툼) · 🔖 저장 (북마크 많음, 다시 볼 실용 가이드) · 🚀 떠오름 (작은 계정인데 확산 시작)