2026년 9월 22일 (화)
-
mini-AGI: 8GB로 가능한 지속학습 모델
mini-AGI는 바이트 단위 연속학습 언어모델로, 자체 아키텍처를 조립하고 단일 8 GB VRAM GPU에서 처음부터 학습하며 읽는 모든 것을 계속 학습한다. 가중치를 일반 파일로 디스크에 저장하고 필요할 때만 GPU로 페이징해 파라미터 수를 VRAM이 아닌 디스크 여유공간으로 제한하며, 용량이 부족하면 학습 중에 확장하고 사용되지 않는 부분은 가지치기한다. 현재는 소형 실험 수준이며 가중치는 아직 공개되지 않고 전체 말뭉치 한 바퀴를 도는 데 몇 주가 걸릴 예정이라고 한다. 개발자 관점에서는 비교적 소형 하드웨어(8 GB VRAM)로 개인용 지속학습 모델을 직접 학습·계속학습할 수 있음을 보여준다.
-
jevals: Jev로 대체한 저지 평가 시스템
jevals는 LLM 판정자를 대체해 Jev 스타일의 타입화된 결정 모델로 에이전트의 평가와 가드레일을 수행한다. 트레이스에 대한 모든 평가를 하나의 요청으로 병렬 처리해 아주 저렴하고(예: $0.042/백만 입력토큰) 빠른 응답(p50 244ms, p95 371ms via Vercel)을 돌려주며, Jev는 텍스트를 생성하지 않고 상태와 타입화된 질문(예/아니오, 선택, 루브릭)에 대해 교정된 확률을 반환한다. Kev, Laya 같은 오픈 모델이 같은 API를 제공하고 TypeSafe/Vercel/Kev/Laya/일반 채팅 LLM과 함께 동작한다는 점도 언급된다. 개발자에게는 비용·지연이 낮고 결정론적 성향이 강한 평가를 트레이스 단위와 에이전트 루프 안에서 자주 실행할 수 있는 대안이 된다.
-
CI 병목 해소를 위한 Linear의 개선조치
Linear은 AI 기반 개발 가속으로 병목이 된 CI를 단축하고 비용을 낮추기 위해 PR 대기시간과 러너 소모 시간을 개선했다. GitHub Actions에서 더 빠른 CPU·고성능 스토리지·향상된 캐시를 가진 서드파티 러너로 이전해 평균 34% 빠른 실행을 얻고, TypeScript 검사에서는 tsgo로 전환해 tsc 체크를 주간 중앙값 기준 73% 단축했다. 커스텀 린트 규칙을 타입정보 의존에서 AST 기반으로 바꿔 ESLint에서 TypeScript 의존을 제거해 린트 시간을 대폭 줄이고 메모리 사용도 감소시켰으며, Oxlint로 포팅해 추가 절감 효과를 얻었다. 개발자에게는 더 빠른 피드백 루프와 낮은 인프라 비용으로 PR 병목을 줄였다는 점이 의미한다.