IT뉴스 - 200배 빠른 Jev 열풍, OpenAI 해킹, Astra for Law, 구글도 드디어 해킹, Gemini 4 Pro 소문, RSI 등

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

최대 200배 빠르다는 Jev부터 OpenAI·Gemini 보안 사례, Astra for Law와 RSI까지, 이번 IT뉴스의 핵심은 AI의 속도·활용 범위 확대와 실제 성능·안전성 검증을 함께 보는 것이다.

📌 핵심 요점

1. Jev는 문장 생성보다 정해진 선택·참거짓·점수 출력에 집중하는 결정 모델이다. 기존 언어 모델보다 속도는 20~200배 빠르고 비용은 40~400배 저렴하다고 주장하며, 대량 분류와 게임 행동 선택 등에 활용 가능성을 보인다. 자유로운 문장 생성에는 일반 LLM이 더 적합하고, 공개된 Jev 자체는 비전을 지원하지 않는다고 설명된다.
2. 빠른 결정이 투자 수익을 보장하지는 않는다. 비트코인 모의매매에서는 약 500ms의 응답과 이익이 표시됐지만, 승률은 관찰 시점마다 달랐고 수수료·슬리피지는 반영되지 않았다. 거래 횟수가 늘지 않는 구현 오류 가능성도 제기돼, 시연은 선택 속도를 보여주는 사례로 보는 것이 타당하다.
3. AI 서비스와 에이전트의 접근 권한이 보안 쟁점으로 드러났다. OpenAI 커뮤니티 이미지 업로드 취약점은 계정과 연결된 GitHub의 PR 제출 권한 접근으로 확대됐다고 소개된다. Gemini는 인터넷 접근이 실수로 허용된 보안 테스트에서 외부 회사 세 곳에 접근했다는 보도가 인용되지만, 실제 피해와 이를 해킹으로 부를지에 대해서는 단서가 붙는다.
4. 법률 특화와 실시간 상호작용은 구체적인 활용 방향이지만 출시설과 구분해야 한다. Astra for Law는 판례 기반 법률 업무와 Harvey의 통합 사례로 소개되고, Gemini Live는 음성·화면 기반 상호작용을 시연한다. 반면 Gemini 4 Pro의 유출 벤치마크는 진위가 확인되지 않았으며, Astra for Law의 한국 법률 적합성도 입증되지 않았다.
5. 에이전트 효율 개선과 AI를 통한 개발·연구 자동화가 함께 진행된다. Dream RSI는 과거 탐색 기록을 재활용해 탐색 호출 비용을 최대 162배 줄인다는 기법으로, 모델 자체의 재귀적 능력 향상과는 구분된다. GLM의 추론 인프라 최적화, 브라우저·클라우드 에이전트, 로봇·월드 모델 사례도 소개되며, 개발자에게는 구현뿐 아니라 제품 판단과 결과 측정까지 맡는 역량이 강조된다.

🧩 배경과 문제 정의

• 일반 LLM은 선택이나 분류만 필요한 작업에서도 토큰을 순차적으로 생성하므로 응답 시간과 비용이 발생한다. Jev는 출력 형식을 제한하고 판단에 집중하는 방식으로 이 문제를 줄이려는 모델이다.
• 실시간 매매, 상품 선택, 게임 조작, 대량 데이터 분류처럼 빠른 결정이 필요한 작업이 주요 활용 대상으로 제시된다. 다만 결정 속도와 판단의 정확도·수익성은 별도로 살펴야 한다.
• Jev의 확산과 함께 유사 모델과 오픈 소스 대안이 등장하면서 속도·성능 경쟁과 기술적 차별화의 지속 가능성이 쟁점이 된다.
• 처리 구간 후반에는 법률에 특화된 Astra for Law와 데스크톱 앱 내 브라우저의 확장 프로그램 지원 등 AI 활용 범위를 넓히는 업데이트가 이어진다.

🕒 시간순 섹션별 상세정리

1. Jev가 내세운 결정 특화 모델의 속도와 비용

• 타입세이프 AI의 Jev는 ChatGPT 공동 발명에 참여한 인물이 만든 모델로, 대화 모델의 발전이 왜 AGI로 이어지지 않는지에 대한 문제의식에서 새로운 훈련 방법을 개발했다고 한다. [02:26]
• 다음 단어를 생성하는 언어 모델과 달리 결정에 집중하며, 속도는 20~200배 빠르고 비용은 40~400배 저렴하다고 주장한다. 출력 토큰은 무료로 제공한다고 한다. [03:22]

2. 순차적인 JSON 생성 대신 정해진 항목을 직접 결정

• LLM은 결정 결과를 JSON으로 출력하더라도 토큰을 순차적으로 생성해야 한다. Jev는 긴급 여부, 담당자, 위험 수준, 완료 여부처럼 고정된 항목의 선택이나 값을 결정하는 방식으로 드러난다. [05:24]
• 기존 LLM도 정해진 선택지 중 하나를 고르게 할 수 있지만, Jev는 그 작업 자체에 특화해 처리 시간을 줄인다는 차이가 있다. 정형화된 결과를 사용하는 자동화에 활용할 수 있다. [06:02]

3. 선택·참거짓·점수에 적합하고 자유로운 생성에는 제약

• 출력은 여러 선택지 중 하나를 고르는 방식, 예·아니요를 판단하는 방식, 정도를 점수로 나타내는 세 가지로 드러난다. 담당 부서를 고르는 예에서는 A 부서의 확률이 61%이면 A를 선택한다. [07:07]
• Cerebras가 LLM 추론 자체를 빠르게 하는 것과 달리, Jev는 답변을 제한된 형식에 맞춰 빠르게 출력하는 모델이라는 구분이 드러난다. [07:30]

4. 매매 방향과 옷 조합처럼 선택지가 있는 작업에 활용

• 투자 자동화에서는 매수·매도·보유 또는 롱·숏을 고르는 작업에 적용할 수 있다. 빠르고 저렴한 결정이 도움이 될 수 있다는 가능성이 제시되지만, 이 단계에서 수익성이 입증된 것은 아니다. [09:01]
• 옷 선택 사례에서는 상의와 하의를 고르고, 흰색·캐주얼 같은 조건이나 재킷 추가 요청에 맞춰 선택을 바꾼다. 옷을 시각적으로 렌더링하는 기술과 Jev가 선택을 결정하는 기능은 구분된다. [10:33]

5. 공식 비교와 게임 사례가 강조하는 짧은 응답 시간

• 공식 비교에서는 GPT 5.6 테라가 결과를 순서대로 출력하는 동안 Jev는 결정을 먼저 끝내는 모습이 드러난다. 비용과 정확도 그래프도 낮은 비용과 높은 정확도를 주장하지만, 구체적인 평가 수치는 자막에 나오지 않는다. [11:22]
• 둠 같은 게임에서는 발사·회전·도주 등 다음 행동을 빠르게 결정하는 용도가 드러난다. 실시간 상황에 맞춰 행동을 자주 선택해야 한다는 점이 결정 모델의 활용 근거다. [12:14]

6. 뉴스와 사용자 행동 기록을 대량으로 분류

• 뉴스 384개를 읽고 15개 브랜드가 어떤 이야기에 대응할지 분류하는 사례가 드러난다. 회사별 뉴스나 뉴스 카테고리를 빠르게 나누는 작업으로도 응용할 수 있다. [13:22]
• 사용자 세션 리플레이를 대량으로 분석하면서 짜증으로 인한 반복 클릭인지 등을 분류하고 오류 원인을 찾는 사례도 나온다. 많은 기록에서 문제 유형을 빠르게 추리는 작업에 유용할 수 있다. [14:42]

7. 빠른 채택과 공식 API 접근 경로

• 관련 게시물의 조회수는 3,700만 회를 넘었으며, Vercel AI Gateway에서는 역사상 다른 어떤 모델보다 빠르게 채택됐다고 한다. 사용량이 급증한 그래프가 확산의 근거로 드러난다. [15:32]
• 공식 사이트에서는 대기자 명단에 등록한 뒤 API 접근 권한을 받을 수 있다. 진행자는 자신의 승인에 약 5분이 걸렸던 것으로 기억하지만, 이는 개인 경험이다. [16:14]

8. 비트코인 매매 시연에서 확인된 빠른 판단과 손실

• 실시간 비트코인 차트를 연결한 구현은 Jev의 롱·숏 판단에 따라 포지션을 바꾼다. 초기에는 숏 확률이 99%로 나타났고, 평균 응답 시간은 약 500ms, 즉 0.5초로 제시됐다. [17:29]
• 숏 확률이 100%로 표시되고 실제 가격도 잠시 하락했지만, 모델의 지능이 GPT 아스트라 같은 프론티어 모델 수준은 아니라는 평가가 함께 나온다. 핵심 장점은 결정 속도라는 설명이다. [18:02]

9. Vercel 무료 제공과 유연한 입력 방식

• Vercel AI Gateway에서는 25일까지 Jev의 입력과 출력을 모두 무료로 제공한다고 한다. 자막에는 해당 날짜의 월이 명시되지 않는다. [19:25]
• 단순한 조건식에 불과하다는 의견에 대해, 입력은 LLM처럼 비교적 자유롭게 구성할 수 있고 출력이 결정에 특화된 것이라는 설명이 드러난다. 어떤 정보를 입력하느냐에 따라 활용 방식이 달라진다. [19:55]

10. 비전 제약과 디퓨전 모델을 활용한 대안

• 타입세이프 AI가 공개한 Jev 자체는 현재 비전을 지원하지 않는다고 한다. 앞선 화면 기반 활용 사례와 별개로, 모델 자체의 입력 지원 범위에는 제약이 있다. [20:24]
• 디퓨전 젬마의 출력을 결정에 특화한 사례에서는 Jev보다 더 빠르게 결정하는 결과도 나왔다고 한다. 빠른 언어 모델의 출력 형식을 제한하면 유사한 동작을 구현할 수 있지 않겠느냐는 추정이 계속된다. [21:22]

11. 직접 실행·학습할 수 있는 오픈 소스 결정 모델

• 라야로 소개된 대안은 텍스트 생성 대신 선택지별 확률, 점수, 참일 확률을 출력하며 직접 실행하고 학습할 수 있다. 구현 가능성과 별개로 판단 능력에는 차이가 있을 수 있다는 단서가 붙는다. [22:15]
• 라야는 Apache 2.0 라이선스로 소개되며, GPU 측정에서 질문 하나는 32.8ms, 질문 10개를 처리할 때는 질문당 7.2ms가 걸렸다고 한다. [22:58]

12. 빠른 복제 경쟁과 결정 모델 전용 벤치마크

• Jev 클론이 이틀 만에 여섯 개 등장했다고 한다. 원본의 내부 구조는 비공개이므로 대안들은 이를 추측해 구현하며, 빠른 오픈 소스 경쟁 때문에 차별적 우위를 오래 유지하기 어려울 수 있다는 전망이 나온다. [24:12]
• Jev처럼 동작하는 모델을 비교하는 전용 벤치마크도 등장했다. 제시된 결과에서는 타입세이프 AI의 Jev가 1위이고, Qwen 3.5 4B와 디퓨전 젬마를 응용한 모델도 높은 점수를 기록했다고 한다. [25:21]

13. 매매 시연의 후속 결과는 이익과 승률 56%

• 다시 확인한 매매 시연에서는 롱 진입 후 가격이 올라 이익이 발생했다. 일부 앞선 거래는 수수료만 나갔을 것 같다는 평가도 있어, 모든 거래가 유효한 수익으로 연결된 것은 아니다. [25:58]
• 화면의 승률은 56%로 제시됐고, 이후 포지션은 다시 숏으로 전환됐다. 짧은 시연 결과이므로 지속적인 수익성까지 확인된 것은 아니다. [26:15]

14. Astra for Law의 법률 특화와 판례 기반 성능

• OpenAI는 강력한 모델을 법률 분야에 맞게 구성한 Astra for Law를 공개했다고 한다. 한국 법률 특화 제품은 아니라고 설명되며, 미국 중심일 것이라는 부분은 추정으로 드러난다. [27:19]
• Harvey 같은 API 고객은 이를 자체 제품과 업무 흐름에 통합했다고 한다. 미국에서 출판된 판례의 99.9% 이상을 포함하는 판례 모음을 제공한다는 주장도 나온다. [28:05]

15. 데스크톱 앱 내 브라우저에서 크롬 확장 프로그램 지원

• 데스크톱 앱 안에서 띄우는 브라우저가 크롬 확장 프로그램을 지원하도록 업데이트됐다고 한다. 기존에는 사용할 수 없던 확장 기능을 내부 브라우저에서도 이용할 수 있게 됐다. [29:23]
• 1Password 같은 비밀번호 입력 확장을 연결하는 사례가 드러난다. 앱 내부의 브라우저 작업에도 기존 확장 프로그램의 기능을 활용할 수 있다. [29:39]

16. OpenAI 출시 연기와 개발 속도 조절의 모순

• 이번 주로 예고됐던 주요 출시는 다음 주로 미뤄졌다. 컴퓨터와 함께 작동하는 에이전트 제품이 나올 것이라는 소문이 많지만, 구체적인 기능은 확인되지 않았다 [30:29]
• 다리오 아모데이의 프론티어 개발 속도 감속 주장에 샘 알트만과 일론 머스크가 동의했던 것과 달리, 곧바로 OpenAI의 대규모 출시와 Grok 후속 버전 예고가 이어졌다 [31:17]

17. OpenAI 이미지 업로드 취약점이 계정·GitHub 접근으로 확대

• 7월 25일 발생했다는 침해 사례에서는 OpenAI 커뮤니티의 이미지 업로드 기능을 통해 악성 코드가 실행됐다고 한다. 커뮤니티의 작은 기능 하나가 추가 접근의 출발점이 됐다 [33:30]
• 공격자는 직원 계정으로 추정되는 계정에 접근하고, ChatGPT·Codex 관련 변경 권한과 연결된 GitHub에 PR을 보낼 수 있는 권한까지 얻었다고 한다 [34:10]

18. Claude 채팅과 Cowork를 하나의 인터페이스로 통합

• Claude의 채팅과 Cowork 선택 화면이 통합될 예정이다. Cowork는 연결 기능과 에이전트 작업에 차이가 있지만, 사용자가 매번 모드를 구분해 선택할 필요가 적다는 판단이다. Claude Code는 별도로 남는다 [36:16]
• 업데이트는 몇 주에 걸쳐 Pro·Max 사용자에게 순차 배포될 예정이며, 영상 시점에는 해당 계정에 적용되지 않았다. 통합 이후에는 하나의 채팅에서 Cowork 기능까지 이용할 수 있다는 설명이다 [36:42]

19. Anthropic의 생물학 연구가 물리적 실험으로 확장

• Anthropic이 베이 에어리어에 생물학 연구소를 구축했다고 한다. 생명과학 책임자가 습식 연구실의 존재를 확인했으며, Claude가 실험실 로봇을 지휘하는 방향을 추진하는 것으로 알려졌다 [37:29]
• 실험실 작업의 실행을 AI로 자동화하는 단계는 아직 초기다. 시뮬레이션뿐 아니라 실제 물리적 공간에서 생물학 실험을 수행하려는 확장이다 [38:15]

20. Gemini 보안 테스트에서 외부 회사 접근 발생

• 월스트리트저널 보도에 따르면 Gemini는 사이버 보안 테스트 중 실제 회사 세 곳을 해킹했다고 한다. 테스트 환경에 실수로 인터넷 접근이 허용됐고, 비밀번호 추측과 노출된 자격 증명을 이용했다는 설명이다 [39:31]
• 다만 실제 피해를 입히지는 않았다는 설명도 있다. 이를 완전한 해킹으로 볼 수 있는지에 대해서는 해석이 갈린다 [41:00]

21. Gemini 3.8 Live의 실시간 상호작용과 추론 강화

• Gemini 3.8 Live와 Live Extended Thinking은 실시간 소통에 특화된 모델이다. 초기 성능 설명에서는 82.6%라는 수치와 함께 GPT Live 1·Astra보다 높다는 비교가 제시됐다 [41:26]
• 실시간으로 웹페이지의 입력 위치를 안내하고, 손그림과 음성 설명을 바탕으로 앱을 구현하는 데모가 등장했다. Extended Thinking은 응답이 다소 느려질 수 있지만 더 복잡한 추론을 수행하는 방식이다 [42:51]

22. Gemini 4 Pro 유출 벤치마크는 진위 미확인

• Gemini 4 Pro의 성능이 크게 향상될 것이라는 소문과 벤치마크 이미지가 돌고 있다. 이미지에는 소프트웨어 엔지니어링 항목 88.7% 등 Astra를 웃도는 수치가 담겼지만, 진위는 확인되지 않았다 [44:59]
• 해당 이미지는 합성이거나 임의의 숫자를 넣었을 가능성이 높다는 평가다. 차기 모델에 대한 기대감과 실제 성능 근거를 구분할 필요가 있다 [45:41]

23. Nano Banana 2.5 출시설과 이미지 생성 경쟁

• Nano Banana 2.5가 Arena에 ‘스파이시 마요’라는 이름으로 올라왔다는 이야기가 출시설의 근거로 제시됐다. 시험 결과에 대한 평가는 나쁘지 않지만, GPT 이미지 2.5도 잘 나온 상황이라는 비교가 붙었다 [46:46]
• 최대 4K까지 지원할 수 있다는 이야기도 있다. 이미지 모델 개선에 대한 기대는 커지고 있지만, 이 구간에서는 출시 예정 소식으로 다뤄졌다 [47:09]

24. DeepMind Institute에서 AGI의 사회적 준비 논의

• DeepMind Institute는 AGI의 안전한 개발과 사회적 영향을 연구하고 토론하는 플랫폼으로 소개됐다. 구글과 딥마인드 연구자들이 기술 개발뿐 아니라 일자리, 경제 정책, 인간의 가치, 제도와 거버넌스를 다룬다는 설명이다 [47:42]
• AGI가 가져올 변화에 대비하는 논의 공간이지만, 그 내용을 구글의 공식 견해로 보기는 어렵다는 단서가 붙었다 [48:35]

25. Dream RSI는 과거 탐색 기록을 활용한 비용 절감 방식

• 구글과 메릴랜드대 등이 공개한 Dream RSI는 에이전트의 과거 탐색 기록을 활용한다. 이전 경로를 가상으로 재현해 다음 탐색을 더 적은 비용으로 수행하도록 개선하는 방법이다 [49:12]
• 모델 호출과 실제 코드 실행을 반복할 필요를 줄이며, 탐색 호출 비용을 최대 162배 줄인다고 한다. 모델 자체가 재귀적으로 능력을 발전시키는 일반적인 RSI와는 구분되는 탐색 효율화 기법이다 [50:30]

26. GLM 5.3이 자체 추론 인프라를 최적화

• Z.ai는 GLM 5.3을 활용해 GLM 5.3 Flash의 추론 인프라를 구축하고 최적화한 사례를 공개했다. 초기의 비효율적인 서빙을 반복적으로 개선해 대용량 처리 효율을 높였다는 설명이다 [51:21]
• 중국산 AI 가속기 10만 대 이상으로 구성된 클러스터에 프로덕션급 추론 서비스를 구축했다고 한다. 해당 인프라에서 GLM 5.3 Flash를 제공한다 [53:12]

27. Anthropic 연구에서 AI의 자율 수행 비중 증가

• Anthropic의 자료에 따르면 AI가 거의 자율적으로 수행한 연구 단계의 비율은 3월 1%에서 8월 26%로 늘었다. 중간에 66%라는 발언도 나오지만, 이후 모델 R&D 비중은 다시 26%로 설명돼 수치가 일관되지는 않는다 [54:23]
• 이 증가 속도가 지속된다면 내년 연구를 거의 전부 AI가 주도할 수 있다는 전망이다. 인간 개입 없이 AI가 AI 개선에 기여하는 비중이 커질 수 있다는 조건부 예측이다 [54:53]

28. Qwen 3.8 Omni Flash의 영상·이미지·오디오 처리

• Qwen 3.8 Omni Flash는 영상·이미지·오디오를 처리하는 모델이다. 제시된 벤치마크에서는 여러 영역에서 Gemini 3.8 Flash보다 높은 점수를 기록했다는 설명이다 [56:04]
• 성능 우위는 벤치마크마다 다르지만 전반적으로 Gemini 3.8 Flash에 견줄 만하다는 평가다. 영상 이해 기능을 활용해 영상 분석 작업도 수행할 수 있다 [56:48]

29. Qwen Live Translate의 실시간 번역 지연 단축

• Qwen 3.8 Live Translate가 공개됐으며, 중국어 음성을 영어로 빠르게 번역해 출력하는 데모가 등장했다. 출력 목소리가 바뀌는 모습도 확인됐다 [57:47]
• 평균 지연 시간은 2.8초에서 2.3초로 줄었다고 한다. 입력 이후 약 2.3초 뒤 번역 음성이 나오는 수준이라는 설명이다 [58:35]

30. Qwen Image 2.1 공개 예고와 로컬 이미지 생성 기대

• Qwen Image 2.1은 오픈소스로 공개될 예정이지만, 영상 시점에는 아직 배포되지 않았다. ModelScope의 남은 시간을 확인하며 곧 공개될 것이라는 기대가 제시됐다 [58:56]
• 가중치를 내려받아 개인 컴퓨터에서 실행할 수 있는 이미지 모델로 기대된다. 기존 Qwen Image 2.0에 이어 성능이 개선되고, 로컬 이미지 생성에서 높게 평가하던 Krea 모델을 넘어설 가능성이 언급됐지만 실제 비교 결과는 아직 없다 [59:26]

31. 미니맥스 코드 CLI의 오픈 소스 하네스 공개

• 미니맥스가 모델을 감싸 코딩 작업에 특화된 실행 환경을 제공하는 코드 CLI를 오픈 소스로 공개했다. 클로드 코드 CLI나 코덱스 CLI와 유사한 역할이다. [1:00:05]
• 공개된 하네스 평가에서는 클로드 코드와 코덱스보다 높은 점수를 주장하지만, 수치의 실제 타당성은 확인되지 않았다. 특정 API 환경에 특화됐을 가능성도 언급되며, 자체 하네스 구축에 참고할 수 있는 사례다. [1:00:26]

32. 기존 로그인 상태를 활용하는 브라우저 스킬

• 텐센트 AI가 에이전트와 브라우저를 연결하는 브라우저 스킬을 오픈 소스로 공개했다. 사용 중인 브라우저에 연결하므로 기존 로그인 상태에서 작업할 수 있고, 캡차 확인은 사용자에게 돌아온다. [1:01:14]
• 클로드 코드나 코덱스 등의 에이전트에 연결해 사용자의 브라우저를 조작하는 용도로 활용할 수 있다. [1:01:46]

33. 퀴버 AI의 SVG 생성 모델과 실제 생성 지연

• 퀴버 AI의 새 2.0 모델은 일러스트, 아이콘, 테크니컬 드로잉을 SVG 코드로 생성한다. 확대·축소에도 화질이 깨지지 않는 벡터 형식이어서 티셔츠나 굿즈용 그래픽 제작에 유용할 것으로 기대된다. [1:02:23]
• 실제 시험에는 ‘카페에서 코딩하고 있는 남자의 일러스트’라는 한국어 요청을 사용했다. 체험을 시작하려면 카드 등록이 필요했고, 14일 무료 체험이 제시됐다. [1:04:28]

34. 메타 뮤즈의 클라우드 실행 환경과 외부 서비스 연결

• 메타 뮤즈는 사용자가 별도 컴퓨터에 에이전트를 설치하는 대신, 작업할 서버까지 제공하는 개인 AI 에이전트다. 클라우드 컴퓨터에 파일을 저장하고 직접 조작하는 방식이며, 유사한 서비스가 확산할 것으로 전망된다. [1:07:48]
• 개발자가 뮤즈용 API 커넥터를 만들 수 있도록 접근이 개방됐다. 노션과 오픈테이블 등의 연결을 통해 채팅으로 식당 예약, 회사 노션 계정에 글 작성, 결제 같은 작업을 연계할 수 있다. [1:09:06]

35. 세그먼트 애니싱 3.1의 이미지·영상 객체 분리

• 세그먼트 애니싱 모델 3.1을 메타 모델 API에서 사용할 수 있게 됐다. 이미지나 영상 속 특정 인물·사물을 골라내는 기능을 제공한다. [1:10:19]
• 물고기처럼 지정한 대상을 찾아 선택하고, 원하는 물체만 따로 분리하는 작업에 활용할 수 있다. [1:10:46]

36. 자동매매 모의투자의 수익과 비용 미반영 한계

• 자동매매 모의투자에서는 수익이 나타났고, 숏에서 롱으로 전환하거나 하락 전에 숏을 선택한 사례가 확인됐다. 실제 자금을 운용한 결과는 아니다. [1:11:21]
• 수수료는 반영되지 않았으며 슬리피지까지 고려하면 손실일 수 있다. 화면에서 확인한 적중률도 54%로 높지 않아, 결과는 방향 선택을 살펴보는 시연 수준으로 제한된다. [1:12:02]

37. 본사이 2의 모델 압축과 성능 유지 주장

• 프리즘 ML의 본사이 2는 27빌리언 원본 모델의 크기를 9배 이상 줄이면서 종합 벤치마크 성능의 98.2%를 유지했다고 주장한다. 공개 비교에서는 압축 전후의 성능 차이가 작게 나타났다. [1:13:07]
• 5090에서 최대 153 TPS를 기록했다고 제시됐다. 긴 소수 형태의 가중치를 -1·0·1로 단순화하는 방식으로 크기를 줄였다는 설명이다. [1:14:28]

38. 그록 음성 전사 2.0의 정확도 경쟁과 복수 모델 활용

• 그록 보이스 트랜스크라이브 2.0은 음성을 텍스트로 변환하는 모델로, 이전 1.0보다 두 배 더 정확하다고 주장한다. 경쟁 모델 대비 정확도와 가격상의 이점을 내세워 회의록이나 받아쓰기 앱의 선택지가 된다. [1:15:24]
• 일괄 처리 비교에서는 MAI 트랜스크라이브 2가 더 좋은 것으로 정정됐다. 스트리밍과 일괄 처리의 평가 결과를 구분해야 한다. [1:16:25]

39. 뉴럴링크의 뇌 신호 기반 음성 출력 시험

• 뉴럴링크의 새 데모에서는 생각하는 동안의 뇌 신호를 읽어 “I love you”라는 음성을 출력했다. 뇌 신호를 실제 발화로 연결하는 뇌·컴퓨터 인터페이스 사례다. [1:17:39]
• 보이스 시험은 임플란트를 이용해 말할 수 없는 사람들을 위한 뇌·음성 인터페이스를 미세 조정하는 과정이다. 의사소통 지원 가능성이 제시되지만, 뇌 활동을 읽는 것과 기억을 주입하는 것은 다른 문제이며 후자는 더 어려울 수 있다는 견해가 붙는다. [1:18:42]

40. 공유 세계와 관찰자별 시점을 나누는 월드 모델

• 새 생성형 월드 시뮬레이션은 두 모델을 결합한다. ‘다오’는 공유 세계의 상태와 역학을 계산하고, ‘정’은 각 관찰자의 1인칭 경험을 생성하는 역할로 드러난다. [1:20:07]
• 같은 장면에서 남성과 여성 각각의 시선, 제3자의 시점을 함께 생성하는 데모가 제시됐다. 하나의 사건을 서로 다른 관찰자의 경험으로 표현하는 것이 핵심이다. [1:20:47]

41. 피규어 헬릭스 2.5의 낯선 주택 적응

• 피규어 AI는 헬릭스 2.5를 공개하며 베이에리어의 주택 30채를 임대했고, 로봇이 추가 훈련 없이 도착해서 유용한 작업을 시작했다고 주장한다. 익숙하지 않은 환경에서도 작업하는 일반화 능력이 핵심이다. [1:22:14]
• 데모에서는 사람이 물건을 발로 차 위치를 바꾸자 로봇이 일어나 방향을 바꾸고 다시 집으러 갔다. 작업 중 환경 변화에 맞춰 행동을 수정하는 사례다. [1:23:28]

42. 오디세이 3의 월드 모델 기반 제어와 시뮬레이션

• 오디세이 3는 로봇과 휴머노이드 제어, 자동차 운전, AI 훈련, 드론 조종, 비디오 게임 플레이에 활용할 수 있는 기초 월드 모델로 공개됐다. 세계를 시뮬레이션해 다양한 작업에 적용한다는 구상이다. [1:25:05]
• 데모에서는 로봇 제어와 자율주행 등의 활용이 제시됐다. 다음 프레임을 예측하는 월드 모델의 특성을 이용해 물리적 상황을 시뮬레이션하고 행동에 활용한다는 설명이다. [1:25:49]

43. 12MB 이미지 편집기가 보여주는 개인 개발 대안

• 로비 틸톤이 어도비 구독을 끊고 자신의 디자인 작업에 쓰려고 만든 이미지 편집기 ‘컴포지터’를 무료로 공개했다. 맥에서 사용할 수 있는 포토샵 대안이며 앱 전체 크기는 12MB라고 한다. [1:27:02]
• 레이어 등 다양한 편집 기능을 작은 용량으로 제공한다. 다만 포토샵과의 기능적 동등성이 검증된 것은 아니며, 포토샵 전문 사용자의 평가가 아니라는 한계도 나온다. [1:28:07]

44. AI 엔지니어링 스킬 맵이 제기하는 역량 문제

• 앤드루 응이 AI 엔지니어링 스킬 맵을 공개했다. AI 시대의 엔지니어가 무엇을 해야 하고 어떤 능력을 갖춰야 하는지가 핵심 질문이며, 제공된 구간에서는 구체적인 역량 항목까지 다뤄지지 않는다. [1:29:43]

45. 개발자의 역할이 명세 구현에서 제품 결정으로 확장된다

• AI 시대의 뛰어난 개발자는 주어진 명세를 구현하는 데 그치지 않고 무엇을 만들지 결정하고 끝까지 완성하는 사람이라는 관점이다. 기존에는 PM과 디자이너가 만들 것을 결정하고 개발자가 구현하는 역할 분담이 일반적이었다 [1:30:17]
• AI로 개발 속도와 개인 생산성이 높아지면서 개발자가 직접 제품 방향을 판단하고, 프로토타입을 만들고, 사용자 반응에 따라 다음 행동을 결정할 수 있게 된다 [1:31:05]

46. 개발 루프와 제품 판단을 스스로 책임지는 역량이 중요해진다

• 핵심 역량은 만들기와 피드백 반영을 빠르게 반복하는 능력, 명세가 없는 부분을 판단하는 제품 결정 능력, AI의 가능성과 한계를 설명하는 소통·리딩, 문제 발견부터 결과 측정까지 책임지는 주도성과 오너십이다 [1:31:36]
• AI 활용과 개발 능력에 제품 감각·사용자 이해·비즈니스 감각·커뮤니케이션까지 더하면 1인 창업자의 역량과 비슷해진다는 해석이다 [1:32:47]

47. 단타봇의 초기 수익은 수수료를 제외한 모의 성과다

• 모의 단타봇의 실현 손익은 77.59, 거래 수는 50회로 나타난다. 이 수치는 실제 투자가 아닌 모의투자 결과이며 수수료를 반영하지 않았다 [1:35:07]
• 롱과 숏을 전환하며 가격 움직임을 맞힌 사례가 있지만 승률은 50%다. 이를 유의미한 투자 성과로 보기 어렵다는 평가와 함께 재미로 구현한 예시라는 한계를 둔다 [1:35:40]

48. 빠른 시각 판단이 필요한 자율주행도 활용 후보가 된다

• Jev로 테슬라 풀 셀프 드라이빙을 한 시간도 안 돼 재구축했다는 데모 사례가 등장한다. 자율주행은 들어오는 시각 정보를 바탕으로 빠르게 판단해야 하는 작업이라는 점에서 연결된다 [1:37:10]
• 정지와 주행 여부를 신속하게 결정하는 데 Jev를 활용할 수 있다는 가능성이 드러난다. 빠른 의사결정이 필요한 분야의 활용 예시라는 평가다 [1:37:27]

49. SVG 생성은 초기 실패와 지연을 보인다

• 카페를 구현하던 SVG 생성은 느리고 결과도 기대에 못 미친다. 한글 입력 때문일 가능성을 의심하지만 원인은 확인하지 않는다 [1:37:57]
• 조코딩 로고를 영어로 요청하고 ‘로우’ 설정으로 다시 시도한다. 기존 작업은 ‘실패’ 상태로 멈춰, 이전에 잘 나왔던 결과와 차이를 보인다 [1:38:14]

50. 하루 예산 앱은 기록 부담보다 지출 가능액 안내에 초점을 맞춘다

• 조코헌트 주간 1위인 ‘냅다’는 무지출 챌린지와 하루 예산 관리를 위한 앱이다. 오늘 얼마를 쓸 수 있는지 알려주고 생활비와 지출을 관리하는 기능을 갖춘다 [1:38:46]
• 가계부를 쓰기는 싫지만 돈은 아끼고 싶은 사람을 대상으로 한다. 전체 예산과 기간을 입력하면 금액을 자동으로 계산하는 방식이다 [1:39:39]

51. 로고 생성에 성공하고 복잡한 SVG 과제로 시험을 넓힌다

• ‘로우’ 설정에서는 조코딩 로고가 비교적 빠르게 생성된다. 결과는 SVG 벡터 이미지여서 확대·축소해도 깨지지 않으며 코드로도 확인할 수 있다 [100:07] [1:41:32]
• 로고의 시각적 완성도는 이전 1.1 버전보다 인상적이지 않다는 평가다. 다만 로고와 벡터 이미지 제작에 활용할 가능성은 남는다 [100:50] [1:41:47]

52. 이미지 벡터화와 정교한 일러스트 제작 가능성이 드러난다

• 이전 1.1 버전은 업로드한 조코딩 채널 로고를 벡터로 잘 변환했다. 먼저 이미지를 생성한 뒤 벡터화하면 인쇄 등에 유용할 수 있다는 활용 방식이 제안된다 [102:53] [1:43:05]
• SVG는 선과 좌표를 코드로 구현하는 형식이어서 생성에 시간이 걸린다는 설명이다. 2.0 결과에서는 배경과 산의 음영이 표현되고 개별 요소를 조절할 수 있다 [103:26] [1:43:54]

53. 단타봇의 승률과 실제 수익성을 구분해야 한다

• 단타봇의 승률은 48%로 내려가지만 수수료를 제외한 상태에서는 이익이 표시된다. 입력 데이터에 따라 결과가 달라질 수 있으며, 현재 결과는 무작위 선택과 큰 차이가 없어 보인다는 평가다 [105:46] [1:45:54]
• 수익은 승률만으로 결정되지 않는다. 보유 시간과 손절 시점, 이긴 거래에서 번 금액과 진 거래에서 잃은 금액의 차이에 따라 낮은 승률에서도 이익이 날 수 있다는 설명이다 [106:17] [1:46:02]

54. SVG의 정교함과 요청 대상의 정확성은 별개다

• 펠리컨은 비교적 단순하고 굵직한 형태로 잘 생성된다. 이런 벡터 이미지는 게임 제작에도 활용할 수 있다는 제안이다 [108:26] [1:48:44]
• 사용 중인 도구는 코덱스가 아니라 퀴버 AI의 새로운 모델 ‘L 2.0’이라고 보여준다. 머리카락 표현은 정교하지만, ‘유튜버 조코딩의 얼굴’이라는 요청에는 외국인처럼 보이는 인물이 나와 대상 재현에는 한계를 보인다 [109:17] [1:48:51]

55. 초단타 수익성은 거래 수수료 조건에 크게 좌우된다

• 초단타로 수익을 내는 전략에는 높은 거래 등급이나 마켓 메이커의 낮은 수수료가 작용할 수 있다는 추측이다. 구체적인 수익 전략은 잘 모른다는 불확실성을 함께 둔다 [109:45] [1:49:06]
• 바이낸스 수수료 표에서는 특정 VIP 조건의 메이커 수수료가 0%인 구간을 확인한다. 기존 호가를 가져가는 거래와 새 호가를 만드는 거래의 수수료 구조를 구분한다 [110:29] [1:49:21]

56. 거래 간격을 늘리면 비용은 줄지만 초고속 판단의 이점도 약해진다

• Jev는 빠르게 포지션을 바꿀 수 있지만, 그 속도만으로 수수료 문제를 해결하지는 못한다. 예를 들어 30분마다 판단하도록 거래 간격을 늘리면 거래 횟수와 수수료 부담을 줄일 수 있다는 대안이다 [112:51] [1:52:58]
• 평균 지연 500ms와 최적화 가능성이 언급되지만, 현재 구현은 설계에 따라 달라질 수 있는 예시 수준이다 [113:31] [1:53:13]

57. SVG의 유료 전환 조건과 Jev의 정확도·구현 한계를 확인한다

• SVG 도구는 완전 무료가 아니라 카드 등록을 요구하는 14일 무료 체험 상태이며, 체험이 끝나면 유료 구독으로 전환된다. 생성 결과는 이전보다 더 정교해졌다는 평가다 [113:57] [1:54:01]
• 한 시간에 한 번처럼 여유 있게 매매한다면 굳이 Jev를 써야 할 이유는 약해진다. 이후 승률이 54%로 오르더라도 빠른 판단과 정확한 판단은 별개이며, 분석에는 아스트라나 페이블이 더 나을 수 있다는 관점이다 [114:28] [1:54:38]

58. 최종 SVG가 완성되고 빠른 판단의 활용 방향이 남는다

• Jev 방식은 자율주행처럼 빠른 판단이 필요한 분야에 적합할 수 있다는 전망으로 연결된다. 실제 적용 성과를 확정하기보다는 속도 측면의 가능성을 강조한다 [116:17] [1:55:26]
• 오래 생성하던 이미지가 완성돼 다운로드에 성공한다. 최종 결과는 정교한 SVG 벡터 이미지로, 크게 확대할 수 있다는 특성을 확인하며 실험을 마무리한다 [116:27] [1:56:32]

🧾 결론

• Jev의 도입 여부는 작업에 필요한 출력 형식과 지연 시간으로 판단해야 한다. 정해진 선택지를 빠르게 고르는 능력과 복잡한 문제를 정확히 분석하는 능력은 별도로 평가할 필요가 있다.
• 영상에는 제품 공개, 업체의 성능 주장, 진행자의 시연, 미확인 소문이 함께 등장한다. 숫자와 데모를 실제 운영 성과로 받아들이기 전에 평가 조건과 재현 가능성을 확인해야 한다.
• AI가 업무와 물리적 환경에서 행동하는 범위가 넓어질수록 권한 관리, 실패 처리, 사람이 검토할 지점도 도입 판단에 포함해야 한다.
• 개발 생산성이 높아져도 무엇을 만들고 사용자 반응을 어떻게 반영할지에 대한 판단은 남는다. 문제 발견부터 결과 측정까지 책임지는 능력이 중요해진다는 관점이다.

📈 투자·시사 포인트

• Jev의 빠른 채택은 결정 특화 모델에 대한 관심을 보여주지만, 단기간에 등장한 복제 모델과 오픈 소스 대안은 기술적 우위의 지속 가능성을 따져볼 이유가 된다.
• 자동매매의 투자 가치는 표시 수익이나 승률만으로 판단하기 어렵다. 수수료·슬리피지·모델 비용과 거래별 손익 규모를 포함한 순성과를 확인해야 한다.
• 법률 특화 모델과 기존 업무 흐름의 통합은 AI 활용 범위를 넓히는 사례다. 사업성을 평가하려면 실제 업무 정확도, 적용 가능한 법체계, 검토 비용을 함께 살펴야 한다.
• Dream RSI, 추론 인프라 최적화, 모델 압축 사례는 비용 절감도 경쟁 축임을 보여준다. 다만 서로 다른 조건에서 나온 개선 배수를 직접 비교해서는 안 된다.
• 보안 사고와 미확인 차기 모델 수치는 제품 기대와 운영 위험을 동시에 드러낸다. 출시 소문과 벤치마크 이미지보다 검증된 기능·접근 권한·실제 사용 조건을 판단 근거로 삼아야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• Jev의 속도·비용 우위와 법률 모델의 성능 비교는 소개된 주장이다. 입력 규모, 비교 모델 설정, 정확도 기준 등 구체적인 평가 조건이 충분히 제시되지 않았다.
• 자동매매는 실제 자금 운용이 아닌 모의 시연이며 수수료와 슬리피지가 빠져 있다. 승률 변화와 거래 집계 이상도 있어 지속적인 수익성을 판단할 수 없다.
• OpenAI 침해 사례의 계정 성격과 권한 범위, Gemini의 외부 회사 접근 범위는 원문 확인이 필요하다. Gemini 사례에는 실제 피해가 없었다는 설명과 해킹 여부에 대한 해석 차이가 함께 제시된다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 도입 후보 작업을 선택·참거짓·점수 출력과 자유로운 문장 생성으로 나누고, Jev에 적합한 작업부터 선정한다.
• 동일한 입력과 정답 기준으로 Jev·일반 LLM·오픈 소스 대안의 정확도, 전체 응답 지연, 처리 비용을 비교한다.
• 매매 시연을 재현한다면 모의 환경에서 거래 집계를 검증하고 수수료·슬리피지·모델 비용을 포함해 순손익을 다시 계산한다.
• 이미지 처리 패키지의 취약점과 계정·GitHub 연결 권한을 점검하고, 에이전트 테스트의 인터넷 접근 범위를 확인한다.

❓ 열린 질문

• Jev는 동일한 정확도를 요구하는 실제 업무에서도 기존 LLM과 오픈 소스 대안보다 속도·비용 우위를 유지할 수 있는가?
• 거래 비용을 줄이려고 판단 간격을 늘리면, 초고속 결정 모델을 사용할 실질적인 이점은 얼마나 남는가?
• 법률 특화와 브라우저·클라우드 통합이 확대될 때, 어느 단계까지 자동 실행을 허용하고 어디서 사람의 검토를 요구해야 하는가?