Meta, Muse Wonder로 다듬은 특화 모델과 spaces 공개 · Ai2 ToyBlocks · Ripple-65B 오픈 웨이트

Meta가 Muse 앱과 Meta AI 뒤에서 도는 모델을 바꿨어요. 10월에 낸 상위 모델 Muse Wonder를 써서 기존 모델을 다시 학습한 특화 버전이고 대화가 길어져도 중요한 정보를 붙잡는 Active Memory와 막혔을 때 다른 길을 찾는 Active Focus를 물려받았어요. 같은 날 Muse에는 spaces가 생겼어요. 선물 목록 트래커나 퀴즈 게임처럼 원하는 걸 말로 설명하면 Muse가 화면을 만들어 주고 연결한 앱의 데이터로 알아서 갱신해요.

Meta 발표로는 중요한 맥락을 제대로 쓴 과제 비율이 76%에서 90%업체 주장로 올랐고 자체 지표 Personal Superintelligence Index는 38%에서 47%업체 주장가 됐어요. 상위 모델을 따로 두지 않고 이미 소비자 앱에서 도는 모델을 다시 학습시키는 데 썼다는 점이 눈에 띄어요. 에이전트 제품을 만드는 팀이라면 기억과 복구 능력을 어떻게 재는지 참고할 만해요. spaces는 채팅 답 대신 계속 남아 스스로 갱신되는 작은 앱을 결과물로 내놓는다는 점에서 Claude의 아티팩트나 ChatGPT 앱과 같은 흐름이에요.

ToyBlocks는 Ai2가 내놓은 로봇 학습·평가용 시뮬레이션 환경이에요. 탁자 위 블록과 로봇 팔 하나뿐인 좁은 세계에서 밀기, 뒤집기, 쌓기 과제를 자동으로 만들고 사람이 원격으로 조종하지 않아도 시연 데이터를 대량으로 뽑아요. 기술은 NVIDIA의 오픈 로봇 학습 프레임워크 Isaac Lab 위에서 강화학습과 동작 계획으로 익혀요. 과제·동작 계획기(TAMP)는 그 기술을 이어 붙여 긴 과제를 풀어요. 코드, 데이터, 모델을 함께 공개했어요.

로봇 데모는 그럴듯해 보여도 왜 실패했는지 따지기 어려운데, 세계를 좁히면 학습 데이터를 바꿔 가며 같은 실험을 반복하고 원인을 짚을 수 있어요. 예를 들어 밀기 시연만 늘린 뒤 학습에 넣지 않은 과제에서 성능이 어떻게 바뀌는지 볼 수 있어요. Ai2는 이런 통제된 환경을 FoundationWorlds라고 부르고 ToyBlocks를 첫 번째로 내놨어요. 로봇 정책을 연구하는 팀에게는 데이터 양과 구성의 효과를 싸게 재는 실험대가 생긴 셈이에요.

Ripple-65B Preview는 칩 설계 AI를 만드는 Ricursive Intelligence가 처음부터 학습해 공개한 65B 파라미터 덴스(전문가 혼합이 아닌 일반) 트랜스포머예요. 12조 토큰으로 사전 학습했고 최대 100만 토큰 문맥을 받아요. 명령어 튜닝 모델(BF16·NVFP4)과 BF16 기본 모델을 Hugging Face에 Apache 2.0으로 올렸어요.

회사 발표로는 TerminalBench 2.1에서 80.52업체 주장로, 파라미터가 열 배 넘게 큰 미국 오픈 웨이트 모델들보다 높아요. 다만 이 비교는 미국 모델끼리만 했고 Kimi나 DeepSeek 같은 중국 모델은 넣지 않았어요. 65B 덴스라 NVFP4 체크포인트는 DGX Spark 같은 개인 장비에도 올라간다고 해서 상용 라이선스로 코딩 에이전트를 내부에서 돌리려는 팀에게 후보가 하나 늘었어요.