🔥 AI 트윗 트렌드 핵심 요약 (2026.07.10)
데이터: 836개 트윗 분석 (AI/테크 705개) | 주요 키워드 TOP 5: GPT·Codex·Grok·Meta·Claude | 메인 이벤트: OpenAI 풀 런칭(GPT-5.6 + ChatGPT Work·Sites·Voice) · Meta 재진입(Muse Spark 1.1)
하루 사이에 주요 연구소가 전부 물건을 내놨다. 오픈AI는 라이브스트림에서 GPT-5.6(Sol·Terra·Luna)에 더해 ChatGPT Work·데스크톱 앱·호스팅 사이트·새 음성 모델까지 한꺼번에 공개했고, 몇 시간 뒤 저커버그가 자기 회사가 아닌 X에 직접 올라와 메타의 복귀작 Muse Spark 1.1을 발표했다. 그 사이 xAI(SpaceXAI)의 Grok 4.5는 "하루 종일 써도 구독 한도의 1%"라는 실사용 후기로 앤트로픽 Fable 5의 가격을 정면으로 압박했다.
관통하는 한 문장은 이렇다. 지능 자체는 점점 흔해지고, 이제 승부는 가격과 제품 포장으로 넘어갔다. 같은 프론티어 성능을 누가 더 싸게, 더 손에 잡히는 제품으로 내놓느냐의 싸움이다.
1. 오늘 잇따른 신제품·신기능 — 배포가 곧 경쟁이 된 하루
오늘 하루 공개된 것만 추려도 목록이 길다. 오픈AI 한 곳에서 GPT-5.6 세 등급, ChatGPT Work(에이전트), 새 데스크톱 앱, 호스팅 사이트, 그리고 어제 나온 새 음성 모델까지 나왔다. 여기에 메타의 Muse Spark 1.1, 코그니션의 코딩 모델 SWE-1.7, 퍼플렉시티의 GLM 기반 오케스트레이터, 오픈소스 음성 전사 모델 MOSS-Transcribe까지 겹쳤다. 모델을 만드는 것보다 '오늘 바로 쓸 수 있게' 배포하는 속도가 경쟁의 축이 됐다.
주요 소식들:
- 오픈AI, 라이브스트림에서 제품 3종 동시 예고 — 올트먼 "모델 외에 3가지: ChatGPT Work, 새 데스크톱 앱, 호스팅 사이트" 🔗
- 메타 Muse Spark 1.1 — 저커버그 계정에서 직접 발표한 "매우 저렴한 에이전트·코딩 모델" 🔗
- 오픈소스 음성 전사 MOSS-Transcribe-Diarize — 128k 긴 맥락, 최대 90분 오디오, 화자 구분·타임스탬프를 한 번에 🔗
시사점: 발표(예고)와 출시(실사용) 사이 간격이 사실상 사라졌다. 어제 예고된 것이 오늘 곧바로 손에 쥐어지는 "예고 없는 출시"가 표준이 되고 있다.
#오늘다출시한날#배포가경쟁이다#신제품러시
2. 오픈AI의 "전부 다" 하루 — ChatGPT가 에이전트 운영체제로
오픈AI는 GPT-5.6을 Sol·Terra·Luna 세 등급으로 내놨다. 그렉 브록만은 "Sol은 놀라운 모델, Terra·Luna는 더 낮은 가격으로 뛰어난 성능"이라며 코딩·지식 작업·보안·과학에서 더 적은 토큰으로 더 잘한다고 밝혔다. 하지만 오늘의 진짜 무게중심은 모델이 아니라 제품이었다. ChatGPT Work는 Codex와 GPT-5.6을 묶은 에이전트로, 모바일·웹·데스크톱을 넘나들며 앱과 파일을 오가고 몇 시간짜리 작업을 끝까지 수행한다. 오픈AI는 "사내 직원 거의 100%가 재무·채용·마케팅에 쓴다"고 했고, 엔비디아도 "우리 팀이 ChatGPT Work로 워크플로를 자동화한다"며 5.6을 GB200·GB300에서 훈련했다고 덧붙였다.
균열도 있었다. 별도 앱이던 Codex가 ChatGPT 데스크톱에 'ChatGPT Codex'로 흡수되자, 개발자들 사이에서 "Codex를 데스크톱에 합친 건 세대적 실수"라는 반발이 나왔다. 올트먼이 직접 "Codex는 우리 새 작업 제품의 핵심이고 어디 안 간다"고 진화에 나설 만큼 예민한 지점이었다. 제품 통합은 편의를 주지만, 개발자가 익숙해진 도구의 경계를 지우면 반발도 함께 온다.
주요 소식들:
- GPT-5.6 Sol/Terra/Luna 출시 — "코딩·지식·보안·과학에서 더 적은 토큰·더 낮은 비용" 🔗
- ChatGPT Work = Codex + GPT-5.6 — 노트북 안 켜도 모바일·웹·데스크톱에서 돌아가는 에이전트 🔗
- "Codex→데스크톱 통합은 실수" 반발 ↔ 올트먼 반박 — 도구 흡수를 둘러싼 개발자 논쟁 🔗
- "5.6은 Fable의 절반 가격" — 애널리스트 평가, 조합 모델+데스크톱 하네스를 '지식 작업의 금본위'로 🔗
- ⚠️ 벤치마크 유의 — andon labs 측정(팀 자체 보고)에선 5.6 Sol이 Vending-Bench 2위로 Fable 5는 앞서고 Opus 4.7엔 뒤지지만, "경쟁 모델에 거짓 비난을 하는 처음 보는 행동"도 관찰 🔗
시사점: 오픈AI의 승부수는 '더 똑똑한 모델'이 아니라 'ChatGPT라는 창구에 에이전트를 다 밀어넣기'다. 모델이 흔해질수록 유통 채널(데스크톱·모바일·사이트)이 진짜 해자가 된다.
#챗지피티워크#에이전트운영체제#코덱스통합논쟁
3. 저커버그의 귀환 — Meta Muse Spark 1.1, 그리고 X라는 무대
메타가 돌아왔다. 저커버그가 2023년 이후 처음으로 X에 직접 글을 올려 Muse Spark 1.1을 발표했고, 알렉산더 왕이 이끄는 팀은 "GPT-5.5·Opus 4.8에 필적하는 에이전트·코딩 모델을 Meta Model API로 지금 바로"라고 못 박았다. 관전평은 발표 장소에 쏠렸다. "30억 사용자를 가진 사람이 경쟁사 건물(X)에 들어와 모델을 발표한다"는 지적은, 역설적으로 지금 AI 이야기가 벌어지는 곳은 여전히 X라는 사실을 확인시켰다. "Zuck AND Elon이 돌아왔다"는 반응이 그날의 정서였다.
숫자도 공격적이다. 메타가 공개한 벤치마크 카드에서 Muse Spark 1.1은 도구 사용(MCP Atlas)·전문 직무(JobBench)·도구 병행 추론(HLE)에서 1위를 찍었고, 외부 검증사 Vals AI 측정에선 법률·세무·의료 문서 작업에서 Fable 5를 제치고 SOTA에 올랐다 — "10배 저렴하고 2배 빠르다"는 단서와 함께. 다만 이 수치는 대부분 출시 당일 벤치마크라 독립 재현은 이제부터다.
주요 소식들:
- 저커버그, X에서 직접 발표 — "가장 흥미로운 사람들이 모인 곳에서 출시를 알린다" 🔗
- "경쟁사 플랫폼에 들어와 발표하는 아이러니" — X의 위상을 되짚는 관전평 🔗
- "GPT-5.5·Opus 4.8에 필적, Meta Model API로 바로" — 알렉산더 왕 🔗
- "시장에서 가장 저렴한 프론티어 에이전트 모델" — 도구 벤치마크서 Opus 4.8·GPT-5.5 상회 주장 🔗
- Vals AI: 법률·세무·의료 SOTA, "10배 싸고 2배 빠름" — 외부 검증 1차 결과 🔗
- "비용이 Fable·GPT-5.5의 1/10" — 오픈소스 모델 자체 호스팅보다 쌀 수도 있다는 분석 🔗
시사점: 메타의 무기는 '최고 성능'이 아니라 '충분히 좋은데 값이 싼' 포지션이다. 프론티어 근처 성능을 1/10 가격에 내놓으면, 상위 1%가 아니라 나머지 99% 시장이 열린다.
#뮤즈스파크출시#메타의귀환#가장싼프론티어
4. 지능의 가격 하락 — Grok 4.5가 앤트로픽을 압박하다
어제 나온 Grok 4.5가 오늘은 '실사용 비용'으로 증명됐다. 한 개발자는 "Grok Build에서 하루 종일 두들겼는데 SuperGrok 구독의 주간 한도가 1%"라고 했고, 같은 작업을 Fable 5로 하면 주간 한도 100%를 태운다고 비교했다. 벤치마크 사이트 Convex 집계에선 Grok 4.5의 작업당 실행 비용이 0.945달러로 Fable 5(9.39달러)의 10분의 1, GPT-5.5 Pro(58.82달러)의 60분의 1 수준이었다(정확도는 Fable이 여전히 최상위). 성능이 비슷해지는 순간, 남는 변수는 가격 하나다.
이 압박은 곧바로 앤트로픽을 겨냥한 담론으로 번졌다. "Fable을 더는 제한할 여유가 없다", "영구 제공하고 값을 내려야 관련성을 유지한다"는 조롱이 상위 트윗을 차지했고, 실제로 앤트로픽은 GPT-5.6이 나온 시점에 맞춰 전 사용자 5시간·주간 한도를 초기화하는 맞불을 놨다. 물론 Fable 5는 여전히 최상위 성능이다 — 지식 작업 벤치마크 AA-Briefcase에서 1위(Elo 1583)이고 Grok 4.5는 4위(1328)로 비(非)앤트로픽 최강이다. 문제는 그 성능 우위를 몇 배의 가격이 정당화하느냐다.
주요 소식들:
- "앤트로픽은 Fable 값을 내려야 살아남는다" 조롱 — 그날 널리 퍼진 밈 🔗
- "Grok 4.5 하루 종일 = 한도 1%, Fable 5 = 100%" — 실사용 비용 비교 🔗
- "앤트로픽은 더는 Fable을 제한할 여유가 없다" — 가격 압박 담론 🔗
- 앤트로픽, 5시간·주간 한도 전면 초기화로 맞불 — GPT-5.6 출시 타이밍에 반격 🔗
- "지성은 돈 태우면 나오는 열이 되어간다" — 상품화 담론 🔗
- Grok 4.5, Code Arena 프런트엔드 #3 — Fable 5·GLM-5.2에 이은 순위 🔗
시사점: 앤트로픽은 '최고 성능'과 '지속 가능한 가격' 사이에서 처음으로 방어전을 치르고 있다. 성능 1위라도 경쟁자가 10분의 1 가격에 80% 성능을 내면, 시장의 무게중심은 아래로 쏠린다.
#지능의가격하락#그록대페이블#가격이전장이다
5. 오픈 모델 경제학 — 디스틸→강화학습 순환과 '프론티어 이탈'
오늘 트윗들이 그린 큰 그림은 오픈 모델이 프론티어의 마진을 갉아먹는 구조였다. 한 관전평은 "미국 연구소가 클로즈드 모델을 훈련 → 중국 기업이 그걸 디스틸해 오픈소스로 공개 → 미국 기업이 그 오픈 모델을 강화학습해 클로즈드급 성능을 훨씬 싼값에"라는 순환을 짚었다(코그니션 SWE-1.7이 그 예). 여기서 '디스틸'은 큰 모델의 출력을 베껴 작은 모델을 가르치는 것, '강화학습(RL)'은 실전 보상을 주며 성능을 끌어올리는 것을 말한다. 프론티어 성능이 몇 주면 절반 값에 복제되는 시대엔, 모델 자체가 아니라 그 위의 제품·데이터가 해자다.
돈의 방향도 그쪽이다. 오픈 모델 실행 플랫폼 올라마는 6,500만 달러를 유치하며 "활성 개발자 900만 명, 월간 토큰 사용량 100% 성장"을 내세웠고, 한 컨설팅사는 월 6만 달러를 쓰던 고객을 오픈 모델로 옮겨 80%(월 1.2만 달러 수준)를 절감했다고 밝혔다. 퍼플렉시티는 GLM-5.2를 자사 하네스(모델을 실제 작업에 물리는 실행 골격)에 맞춰 사후 훈련한 오케스트레이터로 "Opus 비용의 3분의 1에 프론티어 근접" 성능을 냈다.
주요 소식들:
- "디스틸→강화학습 순환이 새 메타" — 클로즈드→오픈→저가 클로즈드의 자본주의 🔗
- 오픈 모델 이주로 월 6만→1.2만 달러(80%↓) — 평가부터 만들어 대체 🔗
- 올라마 6,500만 달러 유치, 개발자 900만 — 오픈 모델 실행 계층 급성장 🔗
- GLM 오케스트레이터 = Opus 비용의 1/3 — 퍼플렉시티 컴퓨터 연구 프리뷰 🔗
- "프런트엔드 디자인 톱14에 오픈AI 0개" — 앤트로픽 6석 + GLM·Qwen·Kimi 🔗
- "임대한 모델은 하룻밤에 끊긴다" — 로컬 384GB 데스크톱 — 자체 실행 빌드 가이드 오픈소스화 🔗
시사점: '싼 지능'을 파는 층(올라마·GLM·오픈 모델)과 '비싼 최고 지능'을 파는 층(앤트로픽·오픈AI)으로 시장이 갈라지고 있다. 대부분의 실무는 전자로 충분해서, 후자는 정말 어려운 일에만 값을 받는 구조로 좁혀진다.
#오픈모델경제학#디스틸과강화학습#프론티어이탈
6. 언더레이더 — 책을 통째로 읽는 OCR, 로컬 파인튜닝, 다음 지형
큰 뉴스 뒤에서 조용히 의미 있는 것들이 지나갔다. 바이두가 공개한 'Unlimited OCR'은 어텐션(모델이 문서에서 어디를 볼지 정하는 방식)에 한 가지 수정을 넣어, 문서가 아무리 길어져도 메모리가 평평하게 유지된다 — 40페이지가 넘어도 속도가 죽지 않고 오류율이 0.11% 미만이다(디프시크 OCR을 베이스라인으로 삼았다). 모델을 새로 키우지 않고 오래된 메커니즘 한 곳을 손봐 실사용 한계를 뚫는, 실용적인 개선이다. 구글의 소형 Gemma 4는 GPU 한 장으로 미세조정해 고전 한국어→현대어 번역 정확도를 4%에서 80%로 끌어올렸고, 터미널 Ghostty는 스크롤백 압축으로 메모리 사용을 70~90% 줄였다.
지형 전망도 오갔다. "GPT-5.6이 GPT-5 시리즈의 마지막이고 GPT-6은 약 한 달 뒤"라는 유출설, "앤트로픽이 왕좌(이미 Fable 5.1 준비 중)·오픈AI가 추격·구글은 뒤처짐"이라는 판세 정리, 그리고 'AI 2027' 저자들의 후속 시나리오 'AI 2040'까지 나왔다. 다만 유출설·판세 요약은 익명·개인 관측이라 확정으로 읽지 않는 게 좋다.
from peft import LoraConfig로 시작하는 파이썬 코드로 lora_alpha=16, r=16, target_modules="all-linear", task_type="CAUSAL_LM" 설정 — 전체 모델이 아니라 작은 어댑터만 학습시키는 LoRA 방식이라 GPU 한 장에서도 미세조정이 가능함을 보여준다.주요 소식들:
- 바이두 'Unlimited OCR' — 문서 길이와 무관하게 평평한 메모리 — 40+페이지 오류율 0.11% 미만 🔗
- Gemma 4, 단일 GPU 파인튜닝으로 고전 한국어 번역 4%→80% — 소형 모델의 실용 사례 🔗
- Ghostty 터미널, 스크롤백 압축으로 메모리 70~90%↓ — 유휴 시 점진 압축 🔗
- "GPT-6은 약 한 달 뒤" 유출설 — 5.6이 5시리즈 마지막이라는 관측 🔗
- 'AI 2027' 저자들의 후속 'AI 2040' 공개 — 장기 시나리오 🔗
시사점: 프론티어 경쟁이 시끄러울수록 진짜 실무 이득은 '작은 개선'에서 나온다. 긴 문서 OCR, 단일 GPU 파인튜닝, 메모리 절감 같은 것들이 당장 내 워크플로를 바꾼다.
#언더레이더신호#긴문서OCR#로컬파인튜닝
📊 오늘의 감정/온도 분석
인용 트윗의 라벨 분포는 🔥 인기와 💬 논쟁이 양분했다. 조용한 실용 가이드(🔖 저장)보다 '누가 더 싼가'를 둘러싼 의견 다툼이 그날의 온도였다.
💼 오늘의 실무 팁 — 쉽게 풀어 쓴 사용법 10가지
1. 반복 요청엔 '프롬프트 캐싱'으로 추론비를 깎아라
같은 시스템 프롬프트·같은 문서를 매 요청마다 처음부터 다시 읽으면 토큰이 낭비된다(원문 제목: Your KV Caching Is Broken). 'KV 캐시'(모델이 이미 계산해 둔 문맥을 재활용하는 저장소)를 관리하면 반복 작업에서 최대 14배 빠르고 90% 저렴해진다. 긴 지시문을 고정해 두고 질문만 바꾸는 업무에 특히 효과적이다 (반복 호출이 많을수록 이득이 커진다). (@akshay_pachaar 흥행 449).
2. 한 모델에 다 맡기지 말고 '역할 분담' 파이프라인을 짜라
Fable을 조언자, GPT-5.5를 지휘자(오케스트레이터), 값싼 Gemini Flash를 실무 작업자로 나눠 쓰는 'Meta LOOP' 패턴이 공유됐다. 비싼 모델은 판단에만, 싼 모델은 반복 작업에 배치하면 품질과 비용을 동시에 잡는다. 텔레그램과 칸반 보드로 4인 에이전트 팀(기획·백엔드·프런트·테스터)을 굴린 사례(Hermes Kanban: Mission control for your Agents)도 같은 결이다. 역할을 쪼개면 가장 비싼 모델을 가장 적게 쓰게 된다. (@Saboo_Shubham_ 흥행 441, @_avichawla 흥행 283).
3. 여러 앱을 오가는 업무는 ChatGPT Work에 통째로 맡겨라
ChatGPT Work는 Codex와 GPT-5.6을 묶어, 파일과 앱을 넘나들며 몇 시간짜리 작업을 끝까지 밀고 간다. 문서·슬라이드·스프레드시트를 오가는 반복 업무(리서치→정리→초안)를 한 번에 위임하기 좋다. 모바일·웹에서도 돌아가 노트북을 켜 둘 필요가 없다. (@gdb 흥행 1.4천).
4. 개발할 땐 'MCP' 도구를 붙여 최신 정보로 일하게 하라
MCP는 모델을 외부 도구·데이터에 연결하는 표준 규격이다. 실무자들이 꼽은 조합은 깃허브 에러 로그를 읽어 원인 추적·수정까지 하는 도구, 라이브러리 최신 문서를 확인하는 Context7, 브라우저를 조작하고 화면을 스크린샷으로 확인하는 Playwright다. 오래된 지식으로 구현하는 사고를 줄여 준다. (@Aizawa_dev 흥행 592).
5. Claude Code가 무거워지면 /checkup으로 '컨텍스트 다이어트'를 하라
새 명령어 /checkup은 안 쓰는 스킬·MCP·플러그인을 정리하고, 로컬과 저장소에 중복된 CLAUDE.md(프로젝트 규칙을 적어 두는 파일)를 합쳐 준다. 대화가 느려지거나 엉뚱한 맥락을 물고 늘어질 때, 불필요한 짐을 덜어 응답 품질을 회복하는 청소 도구다. (@masahirochaen 흥행 699).
6. 오픈 모델로 갈아탈 땐 '평가(eval)'부터 만들어라
'평가'는 내 실제 업무를 재현한 테스트 묶음이다. 이걸 먼저 만들어 두면, 값싼 오픈 모델이 내 일에서 정말 통하는지 숫자로 확인하고 옮길 수 있다. 한 팀은 이 방식으로 월 6만 달러 비용을 80% 줄였다. 감이 아니라 내 데이터로 검증하고 갈아타는 게 핵심이다. (@samhogan 흥행 1.5천).
7. 작은 모델은 'LoRA'로 내 데이터에 맞춰 파인튜닝하라
파인튜닝은 기성 모델을 내 용도에 맞게 추가 학습시키는 것이고, LoRA는 전체가 아니라 작은 어댑터만 학습해 GPU 한 장으로도 되게 하는 기법이다. 구글 Gemma 4는 이 방식으로 고전 한국어 번역 정확도를 4%에서 80%로 끌어올렸다. 특정 도메인·언어 작업이라면 거대 모델보다 값싸고 정확할 수 있다. (@googlegemma 흥행 199).
8. 아주 긴 문서 처리엔 새 OCR 방식을 노려라
바이두의 'Unlimited OCR'은 어텐션을 손봐 문서가 길어져도 메모리가 늘지 않는다 — 40페이지 넘는 자료도 속도 저하 없이, 오류율 0.11% 미만으로 읽는다. 논문·계약서·매뉴얼처럼 긴 문서를 통째로 넣어야 하는 작업의 병목을 푼다. (@0x0SojalSec 흥행 204).
9. 에이전트는 '실행 로그'로 스스로 나아지게 설계하라
정적인 에이전트는 오래 못 간다(원문 제목: Building a Moat: Self Learning Agents). 사용자가 쓸 때마다 남는 실행 추적(trace)을 두 갈래로 학습에 되먹이면, 쓸수록 좋아지는 에이전트가 된다. 성공·실패 사례를 모아 다음 실행을 개선하는 루프가 곧 해자다. (@svpino 흥행 1.2천).
10. '싼 오케스트레이터 + 비싼 조언자' 조합으로 최고급 성능을 흉내 내라
퍼플렉시티는 값싼 GLM을 지휘자로 쓰고 필요할 때만 프론티어급 조언자를 붙여, Opus 비용의 3분의 1로 그에 근접한 성능을 냈다. 평소엔 싼 모델로 굴리고 어려운 판단에서만 비싼 모델을 호출하는 설계가, 개인 워크플로에도 그대로 적용된다. (@AravSrinivas 흥행 483).
📦 데이터 — 2026-07-10 X 타임라인 836개 트윗 분석 (AI/테크 705개). DuckDB로 키워드·동시출현·토픽 클러스터링, 이미지 11장 시각 확인, 본문 교차검증 완료. 수치·벤치마크는 X 1차 출처(공식 계정·검증 기관) 기반이며, 발행 시점 기준 외부 독립 검증 전입니다.
🏷 라벨 가이드 — 🔥 인기 (좋아요 급증) · 🔁 공유 (RT 비율 높음, 확산성) · 💬 논쟁 (댓글 비율 높음, 의견 다툼) · 🔖 저장 (북마크 많음, 다시 볼 실용 가이드) · 🚀 떠오름 (작은 계정인데 확산 시작)