吾唯知足 今日是好

고급 모델 에이전트가 아래 모델 에이전트에게 일을 나누어주는 형태가 이제 보편적인 구조가 이제 일하는 구조가 될 것. agent swarms, or agent fleet

Vercel 에서 python backend 가 가능해지면서 생긴 새로운 eve 템플릿. frontend 는 eve, backend 는 python 서버를 사용하는 예제

래블업에서 ‘GLM-5.2-NVFP4-DFlash-ko’를 공개했습니다. 100만 토큰 문맥과 코딩·에이전트 성능을 갖춘 GLM-5.2에 래블업의 한국어 특화 기술을 더해, 답변 생성 속도를 최대 1.92배 높였습니다. GLM-5.2는 긴 코드와 작업 기록을 한 번에 다루고, 코딩과 터미널 작업, 여러 도구를 연이어 사용하는 데 강점을 둔 오픈 가중치 모델입니다. 공식 모델 카드 기준 SWE-bench Pro 62.1점, Terminal-Bench 2.1 81.0점을 기록했습니다. 저희는 이 성능을 활용하면서 한국어 코딩과 도구 호출의 답변 생성 속도를 높이는 데 집중했습니다. 큰 모델이 답을 만들기 전에 작은 모델이 다음 내용을 미리 생성하고, 큰 모델이 이를 검증하는 ‘추측 디코딩’ 방식을 적용했습니다. 일반 벤치마크 문제만 사용하지 않고, 한국어로 현지화한 GitHub 이슈와 실제 코딩 에이전트의 여러 단계 작업 기록을 학습에 활용했습니다. 측정 결과, 한국어 코딩 질의의 답변 생성 속도는 약 1.92배, 도구 호출을 포함한 에이전트 작업은 약 1.72배 향상됐습니다. 초안 모델 가중치는 MIT 라이선스로 공개했습니다. 재배포할 때는 상위 모델과 학습 데이터의 라이선스를 별도로 확인해야 합니다. 공개 수치는 8개 GPU를 병렬로 사용한 환경에서 측정한 결과라 실제 속도는 서버 구성과 요청량에 따라 달라질 수 있습니다. 그래도 성능 좋은 모델을 선택하는 데서 그치지 않고, 실제 한국어 사용자가 기다리는 시간을 줄이는 것까지 직접 다뤄봤다는 데 의미가 있다고 생각합니다. huggingface.co/lablup/GLM-5.…