절도라는 고발, 단절이라는 결정 — 소니·워너 소송·커서 공급 중단·텐센트 Hy4

오늘의 핵심

오늘의 축은 ‘책임’과 ‘신뢰’입니다. 음반사들은 클로드의 학습 데이터를 “절도”라고 부르며 회사가 아니라 창업자 개인을 고소했고, 오픈AI는 스페이스X에 넘어간 커서를 “약관을 지킬 수 없는 고객”으로 판단해 모델 공급을 끊겠다고 선언했습니다. 그 사이에서 능력의 문은 계속 열립니다. 텐센트는 총 770B 파라미터의 Hy4 프리뷰를 오픈소스로 풀었고, 앤트로픽은 클로드가 정렬 연구 자체를 대신 수행한 결과를, Debian은 생성형 AI 사용을 ‘책임 있는 사용’으로 매듭지을 표를 던졌습니다.

소니·워너, 앤트로픽과 창업자를 직접 고소 — 최대 수십억 달러 청구

소니 뮤직 퍼블리싱과 워너 채플이 29일(현지 시간) 미 캘리포니아 북부 연방지법에 앤트로픽을 저작권 침해로 고소했습니다. 소장은 클로드 학습에 “수만 건”의 저작물이 쓰였다고 주장하고, 공동창업자 다리오 아모데이와 벤저민 매넌을 개인 피고로 함께 지목했습니다.

배상 구조: 저작물 1건당 최대 15만 달러, 저작권 정보 제거 1건당 최대 2만 5,000달러를 청구해 총액은 수십억 달러에 달할 수 있습니다.
핵심 주장: 매넌이 비트토렌트로 500만 권 이상의 불법 서적을 내려받았고, 직원들이 파이러트 라이브러리 미러에서 200만 권 이상을 더 확보했으며, 뮤직스매치·리릭파인드 등 라이선스 비용을 내는 사이트에서 가사를 긁어갔다는 것입니다.
쌓여 있는 전례: 앤트로픽은 출판 업계 소송을 15억 달러에 합의했고, 유니버설·콩코드·ABKCO와 별도의 BMG·라운드 힐 소송도 진행 중입니다. 소장에 named된 곡은 “September”, “Hallelujah”, “Livin’ On a Prayer” 등입니다.

청구 항목	최대 금액
저작물 1건당	15만 달러
저작권 정보 제거 1건당	2만 5,000달러

📢 소송의 표적이 회사에서 창업자 개인으로 내려왔다는 점이 오늘의 본질입니다. 데이터 수집이 회사 책임을 넘어 개인의 행위로 다뤄지면, '무엇을 학습시켰는가'의 법적 무게가 완전히 달라집니다.

출처: Sony Music and Warner Chappell are suing Anthropic⁠—⁠The Verge, Sony Music, Warner sue Anthropic, alleging a “brazen campaign” of intellectual property theft⁠—⁠TechCrunch

오픈AI, 스페이스X 인수 후 커서 모델 공급 종료 — 11월 12일 제안

오픈AI가 이달 초 스페이스X에 인수된 코딩 도구 커서에 대한 모델 공급을 종료한다고 발표했습니다. 계약은 11월 12일까지 단계적으로 정리하자는 안이며, “스페이스X가 우리 약관 안에서 기술을 사용할 것이라 확신할 수 없다”가 공식 이유입니다.

신뢰의 논리: 오픈AI는 트위터 인수 후의 계약 위반과 일론 머스크가 선서 아래 인정한 xAI의 약관 위반을 근거로 들었고, 경영권 변동 이후 계약을 취소할 수 있는 창구에서 미래 모델 제공은 끊기로 했습니다.
커서의 반응: 커서 CEO 마이클 트루엘은 오픈AI 모델이 커서 사용자 트래픽의 약 5%에 그친다며 해결을 논의 중이라고 밝혔습니다.

📢 모델 API가 '중립 인프라'라는 가정이 무너지는 순간입니다. 지분 관계와 적대감이 공급 결정의 변수가 되는 시대에는, 도구를 여러 모델에 분산해 두는 일이 선택이 아니라 보험이 됩니다.

출처: Our decision on Cursor following its acquisition by SpaceX⁠—⁠OpenAI, OpenAI to end model access to Cursor after acquisition by Elon Musk’s SpaceX⁠—⁠CNBC

클로드가 정렬 연구를 대신 수행 — 안전 갭 85% vs 인간 20%

앤트로픽이 클로드에게 10개 정렬 실패 유형(기만, 아첨, 탈옥 등)을 각각 맡겨 문헌 검색부터 방법 제안, 학습, 테스트까지 스스로 반복하게 한 결과를 공개했습니다. 감시 에이전트가 클로드가 세운 모든 방법을 실행 전에 검열하는 조건이 붙었습니다.

검증의 조건: 정렬 평가에서 일반 능력이 나빠지지 않을 것, 본 적 없는 보류 벤치마크에서도 유효할 것, 더 큰 모델에서도 통할 것 — 세 조건을 모두 통과했습니다.
핵심 수치: 기만 분야에서 안전 갭의 평균 85%를 닫았고, 같은 규칙 아래 8시간을 쓴 경험자 인간 연구자 6명은 평균 20%였습니다. 10개 유형 전체에서는 26~96%, 최대 4.7배 큰 모델까지 효과가 유지됐습니다.

주체	기만 안전 갭 닫힘
클로드 자동 연구(150회 이상 시도)	평균 85%
인간 안전 연구자 6명(8시간)	평균 20%

📢 'AI가 AI를 만드는' 시대에 정렬 연구의 속도 문제를 기계로 푸는 실험이 구체적 숫자를 얻었습니다. 다만 인간 측은 반복 없이 한 번 제안한 조건이므로, 이는 승부 결과가 아니라 인간이 다듬을 후보를 기계가 뽑는 워크플로의 증거로 읽어야 합니다.

출처: Automated researchers can reliably mitigate alignment failures⁠—⁠Anthropic

텐센트 Hy4 프리뷰 오픈소스 — 총 770B·활성 49B·100만 토큰

텐센트가 28일 차세대 대규모 언어모델 Hy4 프리뷰를 오픈소스로 공개했습니다. 총 파라미터 770B에 활성 파라미터 49B의 MoE 구조이고, 컨텍스트 창은 100만 토큰을 넘습니다.

공개의 의미: 이틀 전 GLM-5.3 가중치(총 753B)가 열린 데 이어, 프런티어급 무게의 오픈 웨이트가 연달아 쌓이는 흐름이 됐습니다.
프리뷰 단계: 이름 그대로 프리뷰 공개라 최종판 아키텍처와 평가 스토리는 후속 공지를 따라야 합니다.

📢 오픈 웨이트의 무게 중심이 빠르게 상향 평준화되고 있습니다. 수백억 활성 파라미터와 백만 토큰 컨텍스트가 공개 물건이 되면, 경쟁의 축은 파라미터 크기에서 추론 비용과 신뢰 조건으로 옮겨갑니다.

출처: Tencent Releases and Open-Sources Tencent Hy4 preview⁠—⁠Tencent

Debian, 생성형 AI ‘책임 있는 사용’으로 6주 논쟁 매듭

Debian이 LLM 사용을 둘러싼 일반결의(GR) 투표를 마쳤고, 전면 금지안 대신 ‘생성형 AI의 책임 있는 사용’ 방향의 선택지가 채택됐습니다. 7월 23일부터 8월 13일까지 걸친 토론과 8월 15~28일 투표를 거쳐 나온 결론입니다.

대립의 축: 제안 A는 사회계약을 개정해 LLM이 도운 기여를 전면 금지하는 안이었고, 나머지 후보들은 조건부 허용과 투명성의 강도를 달리했습니다. 후보는 모두 8개였습니다.
현장의 시선: 30년 경력의 개발자 조이 헤스는 결과 전에 “허용 쪽으로 결론날 것”이라 쓴 뒤 예상대로였음을 확인하면서도, 유지보수 문화가 어떻게 흘러갈지의 우려를 남겼습니다.

📢 '금지 vs 방치'의 이분법 대신 책임과 검증 가능성을 제도화하는 쪽으로 기울었습니다. 재단의 방침이 아니라 투표로 만든 규범이라는 점에서, 다른 오픈소스 프로젝트가 인용할 참고 사례가 됩니다.

출처: General Resolution: LLM usage in Debian⁠—⁠Debian, Debian weighs eight options in vote on LLM usage⁠—⁠LWN.net, Debian and the sirens⁠—⁠joeyh.name

에보하네스-RL — 8B 모델이 하네스를 배우면 ALFWorld 96.9%

일리노이대(UIUC)와 메타 연구진이 장기 과제 에이전트의 외부 실행 지원체(harness)를 모델이 스스로 다루게 훈련하는 에보하네스-RL을 공개했습니다(LLA@COLM 2026 게재). Qwen3-8B 기반으로 ALFWorld에서 96.9% 성공률에 도달했습니다.

설계: Belief·Progress·Experience를 정책이 마주하는 상태로 노출하고, 감독 파인튜닝으로 상태 구축법을, 비용을 인지하는 GRPO로 읽기·갱신·정리의 조율을 학습시켰습니다.
관찰된 역학: 학습이 진행되며 잦은 하네스 호출이 선택적 접근으로 내면화되는 ‘하네스 어닐링’과, 진행 상황·경험이 다듬어지며 하네스가 압축되는 ‘하네스 진화’가 나타났습니다.

📢 더 큰 모델이나 더 많은 메모리 대신, 외부 상태를 다루는 정책 자체를 훈련해 8B 모델이 장기 과제를 푸는 길이 열렸습니다. 도구를 얹는 설계에서 도구 사용을 학습하는 설계로의 축 이동입니다.

출처: EvoHarness-RL: Learning Self-Evolving Runtime Harness for Long-Horizon LLM Agents⁠—⁠arXiv

cohttp 6.3.0과 소문만으로 세우는 익스플로잇의 시대

OCaml 웹 스택 cohttp가 경로 순회 취약점(OSEC-2026-16) 수정을 담은 6.3.0을 내놨습니다. 퍼센트 인코딩 순회(예: ..%2f..)로 docroot를 벗어날 수 있었던 문제로, URI를 정확히 한 번만 디코딩하고 접근 통제 전에 normalise를 적용하는 API로 정리됐습니다.

함정의 구조: 접근 통제를 경로 세그먼트로 하는 서버는 Request.uri를 정규화 없이 검사하면 안 되며, 기존 의미론을 지키기 위해 정규화가 기본값은 아니라는 점이 문서에 명시됐습니다.
시대의 조건: 이 발표를 둘러싼 커뮤니티 논의는 수정 PR이 공개되는 순간부터가 위험 노출이며, 취약점 유형에 대한 소문만으로 에이전트가 공격 코드를 세우는 시대가 됐음을 짚었습니다. 앤트로픽 글래스윙은 AI의 취약점 발견·이용 능력이 최상위 인간을 넘어섰다고 경고한 바 있습니다.

📢 보안 엠바고의 전제는 정보 확산보다 공격 준비가 느리다는 것이었지만, 그 전제가 소문으로 작동하는 에이전트 앞에서 닳고 있습니다. 패치 배포 전략 자체가 이제 공격 표면 설계의 일부입니다.

출처: Cohttp 6.3.0 released (OSEC-2026-16)⁠—⁠OCaml Discuss, OSEC-2026-16⁠—⁠OSV, Project Glasswing⁠—⁠Anthropic

vphone-cli — 애플 실리콘 맥에서 가상 아이폰을 부팅합니다

애플의 버추얼라이제이션 프레임워크와 프라이빗 클라우드 컴퓨트(PCC) 연구용 VM 인프라를 결합해, 맥에서 가상 아이폰을 만들고 부팅하는 CLI입니다. 해커뉴스 프런트 페이지에서 367포인트를 받으며 주목받았습니다.

시뮬레이터와 다른 점: macOS용으로 재컴파일된 iOS 시뮬레이터와 달리 아이폰·cloudOS 펌웨어를 결합한 VM을 띄우므로, 보안 연구 관점에서 실제 동작에 가깝습니다.
사용 조건: 애플 실리콘과 macOS 15 이상, 그리고 비공개 entitlement를 쓰기 위한 SIP·AMFI 완화가 필요합니다. 설치는 brew 탭으로 한 줄입니다.

📢 iOS 테스트와 보안 연구의 문턱이 개인 장비로 내려왔습니다. 다만 동작 자체가 애플의 비공개 인프라 위에 서 있으므로, 도구의 수명은 플랫폼 정책과 함께 읽어야 합니다.

출처: vphone-cli⁠—⁠GitHub

Lemmalog — LLM 메모리를 만들다 분석 엔진이 된 우연

장시간 취약점 조사에서 폐기된 가정이 되살아나는 문제를 풀려고 시작했다가, 지식 검색 메모리 대신 현재 유효한 분석 상태를 유지하는 Datalog 엔진이 된 사례입니다. Rust 크레이트와 MCP 서버, REPL, 에이전트 스킬로 구성돼 있습니다.

핵심 설계: 모든 사실에 출처를 붙이고, 규칙으로 폐쇄·시간 투영·모순 후보를 유도하며, 매 턴 전체 재계산 대신 증분 평가로 갱신합니다. why()로 증명 트리를 뽑을 수 있습니다.
논문: EACL 2026 롱페이퍼로도 공개돼 있습니다.

📢 벡터 검색식 '더 잘 기억하기'가 아니라 '검증 가능하게 기억하기'라는 반대 방향의 증거입니다. LLM은 사실 추출기로, 엔진은 추론기로 역할을 나눈 구조가 에이전트 메모리의 다음 후보로 읽힙니다.

출처: lemmalog⁠—⁠GitHub, EACL 2026 논문⁠—⁠ACL Anthology

vLLM v0.28.0 — Kimi-K3 최적화에 584커밋 몰았다

vLLM v0.28.0이 나왔습니다. 270명 기여자(신규 76명)의 584커밋이 담겼고, 해커뉴스에서 배포 인프라 관심사로 다시 논의되고 있습니다.

Kimi-K3 집중 최적화: 디코드 컨텍스트 병렬(DCP), FlashKDA 융합 커널, 결합 올게더의 커널 수준 1.5~3배 속도, 어댑티브 스페큘러티브 토큰 예산으로 DSpark TTFT 약 60% 개선, 공유 전문가 샤딩으로 GPU당 약 17 GiB 절감이 포함됐습니다.
그 밖의 축: DeepSeek V4의 희소 MLA가 평형 디코드·MTP·스페큘러티브 디코딩에서 끝까지 동작하고, DFlash2와 DSpark 신뢰도 기반 검증 같은 스페큘러티브 디코딩 진화, E/P/D 분리 등 모델 러너 V2 성숙이 같이 들어왔습니다.

📢 오픈 웨이트 대형 MoE의 실전 배포 경험치가 vLLM 같은 인프라에 축적되는 흐름이 뚜렷합니다. 모델이 열리는 속도만큼, 여는 모델을 돌리는 비용 구조를 깎는 속도가 경쟁이 됩니다.

출처: vLLM v0.28.0⁠—⁠GitHub

오늘의 도구 추천

에디터 노트

오늘 뉴스를 다시 읽으면 두 문장이 겹칩니다. “누가 무엇을 훔쳤는가”와 “누가 약속을 지킬 수 있는가”. 소니·워너는 첫 질문을 창업자 개인에게까지 밀었고, 오픈AI는 둘째 질문에 스스로 ‘아니오’로 답하며 커서를 놓았습니다. 흥미로운 건 그 옆에서 정렬 연구를 자동화한 결과와 책임 있는 사용을 투표로 정한 Debian입니다. 신뢰가 무너지는 속도와 신뢰를 재료로 만드는 속도가 동시에 빨라지고 있는데, 어느 쪽이 이길지는 모델이 아니라 우리가 어떤 계약을 설계하느냐에 달려 있습니다.

다음에 또 찾아옵니다. — 에이브랜치