Morning Digest — 2026-07-11

• Google Labs Code의 TypeScript 기반 저장소, GitHub 스타 6,698개 기록
• Stitch MCP 서버와 함께 동작하는 Agent Skills 라이브러리 제공
• Agent Skills 오픈 표준 준수로 다양한 코딩 에이전트와 호환성 확보

• OpenAI의 GPT-5.6 공식 활용 가이드 소개, 기존 워크플로 전환 관점의 마이그레이션 정보 중심
• 프롬프팅 방식과 사용 패턴 정리, 모델 특성에 맞춘 실무 적용 포인트 제시
• Pro 모드 활용법 포함, 일반 사용 대비 어떤 상황에서 확장 기능이 필요한지 안내

• 로컬 환경에서 TTS 모델 55종을 비교하는 오픈소스 벤치마크
• Speed·Listen·Scores의 세 관점으로 성능과 품질을 함께 평가
• 특정 하드웨어에 묶이지 않고 다양한 로컬 장비에서 비교 가능

• 선제형(proactive) 에이전트를 대상으로 한 범용 벤치마크 UniClawBench 소개
• 실세계 작업(real-world tasks) 중심 평가 설정으로 기존 제한적 시나리오 한계 보완
• 에이전트의 능동적 개입과 적절한 행동 선택을 체계적으로 측정하는 목적

• 확산 모델의 inference-time scaling을 위한 Flash-BoN 제안, 즉시 초안(instant drafts) 기반 후보 생성 방식
• Best-of-N 계열 선택 전략을 확산 모델에 맞게 적용해 추가 샘플링 비용과 지연을 줄이는 접근
• 초기 저비용 초안을 다수 만든 뒤 유망 후보를 선별하는 구조로 품질-속도 균형 개선 목적

• 데이터 과학 에이전트 대상 인과 추론(causal reasoning) 성능 평가용 벤치마크 설계
• 상관관계 분석을 넘어 원인·결과 관계 판단과 인과적 의사결정 역량 측정 초점
• 에이전트 기반 데이터 분석 워크플로에서 필요한 추론 능력을 정량 비교하는 평가 틀 제시

• LLM 성능을 정확도, 처리량(throughput), 지연시간(latency) 3축으로 보는 공동설계 관점 제시
• 모델 구조와 하드웨어 제약을 함께 고려해 실제 서비스 환경에 맞는 LLM 설계 방향 설명
• 토큰 생성 속도와 응답 지연을 함께 최적화하는 하드웨어 친화적 모델 디자인 필요성 강조

• Meta가 Muse Spark 1.1 공개, Spark 계열 최초 API 제공 모델
• 에이전트형 도구 호출(agentic tool calling)과 컴퓨터 사용 성능 개선 주장
• 세부 평가는 Muse Spark 1.1 Evaluation Report에 별도 공개

• ChatGPT Pro를 이미 사용하는 환경에서 로컬 LLM보다 로컬 임베딩과 리랭커가 실용적이라는 관점 제시
• llama.cpp와 Tesla P40 기반 로컬 LLM 운용 경험이 있으나 유지 필요성이 점차 낮아졌다는 문제의식
• 검색·RAG 파이프라인에서 임베딩과 reranker를 로컬화해 비용·통제성·체감 효용을 확보하는 방향성

• 여러 최신 모델로 동일한 앱 4개를 구현해 코드 생성 성향과 결과물 차이 비교
• GPT-5.6, Grok 4.5, Claude, Muse Spark를 같은 과제로 맞붙인 실전형 빌드 오프 구성
• 단일 벤치마크 점수 대신 앱 개발 과정과 산출물을 기준으로 모델 활용성 평가 시도