영상 기반 연구 리포트 · 2026.10.31
Claude Opus 5.5는 왜 이렇게 좋아졌을까?
점수 뒤에는 모델만 있지 않다. 하네스와 검증 환경, 그리고 반복 학습의 연결고리에서 찾는 에이전트 성능 향상의 단서.
Abstract초록
이 영상은 Opus 5.5의 비용·벤치마크 비교에서 출발해, 성능을 읽는 단위를 모델에서 에이전트 시스템으로 확장함. 중심 프레임은 “에이전트 = LLM + 하네스”. 도구·메모리·실행 루프가 결과를 바꾸고, 검증 가능한 환경에서의 강화학습이 공간 이해와 도구 사용을 개선했을 가능성을 논의함.
BenchCAD와 로봇 제어, 모션그래픽 제작 사례를 연결하되, 벤치마크 향상이 실제 학습 과정이나 능력 전이의 인과관계를 입증하지는 않음. 이 글은 제공된 영상 노트를 재구성한 2차 자료로, 모델 사양·가격·외부 논문의 원문을 독립 검증한 보고서는 아님.
먼저 읽는 세 가지 발견
KEY FINDINGS비교 단위가 바뀌면
평가도 달라진다
토큰 단가보다 태스크당 비용, 모델 이름보다 모델과 하네스의 조합이 중요하다는 것이 영상의 출발점.
검증할 수 있는 환경이
개선의 발판이 된다
코드를 실행하고 결과를 비교해 다시 고치는 루프에 주목. 다만 특정 환경이 실제 학습에 쓰였는지는 미확인.
능력 향상과 통제는
함께 설계할 문제다
추론 보호, 권한 경계, 감사 기록까지 논의가 확장됨. 성능이 높아질수록 검증과 운영 설계의 중요성도 커진다는 해석.
Economics & Evaluation
비싼 토큰이 비싼 작업을 뜻하지는 않는다
영상의 첫 번째 전환은 가격표를 읽는 방식에 있음. 입력·출력 토큰의 단가만 비교하면, 실제로 일을 끝내는 데 드는 비용을 놓칠 수 있다는 지적.
진행자들은 Artificial Analysis의 지능 지수와 비용 차트를 보며 Opus 5.5의 효율을 높게 평가함. 더 비싼 토큰을 쓰더라도 작업 완료까지 필요한 토큰이 적으면 총비용은 낮아질 수 있다는 설명. 다만 이는 영상에 제시된 비교와 진행자의 평가이며, 현재 가격이나 모든 작업에서의 우위를 확인한 결과는 아님.
화면에 입력·출력 가격 $4 / $20 표기. 진행자는 Astra와 비슷한 성능대에서 더 나은 비용 효율을 보인다고 평가함. 과금 토큰 단위와 측정 조건은 원문 확인 필요.
노트상 Opus 5.5의 AA 지수는 58. Sonnet 5.5·Kimi K3.1 Pro·Gemini 4 Argon·GPT-6.1 Sol 등이 비교됨. 터미널 작업에서는 Kimi, 가격에서는 DeepSeek가 언급되며 평가별 순위 차이를 강조함.
태스크 토큰 비용 = 입력 토큰 수 × 입력 단가
+ 출력 토큰 수 × 출력 단가
단가를 ‘토큰 1개당’으로 환산했을 때의 식. 재시도가 있으면 모든 시도의 사용량을 합산해야 함. 캐시·도구·실행 환경 비용은 별도 항목이며, 영상의 가격 카드만으로 전체 운영비를 산출할 수는 없음.
같은 이유로 벤치마크 순위도 하나의 서열로 합치기 어려움. 종합 지능 지수, 터미널 작업, 공간 복원은 서로 다른 과제를 측정함. 진행자들도 Terminal-Bench의 순위와 신뢰도를 별개로 따져야 한다고 언급함.
The Agent Is a System
점수를 내는 것은 모델과 하네스의 조합
이 영상의 중심 문장은 “에이전트 = LLM + 하네스”. 하네스는 모델이 도구를 쓰고, 상태를 기억하며, 결과를 확인하고 다시 시도하도록 만드는 실행 구조를 뜻함.
진행자들은 Claude Code의 성과 역시 이러한 구조와 함께 이해해야 한다고 설명함. 좋은 하네스에서 얻은 실행 경험이 더 나은 모델 학습으로 이어지고, 개선된 모델에 맞춰 하네스가 다시 바뀌는 반복 관계를 제시함.
영상의 핵심 프레임
Agent = LLM + Harness
도구 사용 판단
실행 · 피드백 루프
작업을 수행하는 시스템
BenchCAD 0.730 → 0.962가 제시됨. 영상에서는 같은 모델도 하네스에 따라 결과가 달라지는 사례로 설명함. 구체적인 실행 예산과 평가 설정은 노트만으로 확인되지 않음.
Anthropic Embody로 소개된 그래프. Direct / Code / Policy supervision / Training supervision에 따라 점수가 달라짐. 진행자들은 이를 로봇 제어에서도 인터페이스 설계가 중요하다는 근거로 해석함.
능력은 모델 안으로 들어가더라도,
09:42 슬라이드의 논지를 재서술 · 발화의 직접 인용 아님
권한과 감사의 경계는 밖에 남는다.
서브에이전트는 기본값보다 검증할 선택지
하네스가 중요하다고 해서 구조를 복잡하게 만드는 것이 항상 유리한 것은 아님. 영상은 Anthropic의 서브에이전트 관련 글을 소개하며, 맥락 분리를 위해 하위 에이전트를 쓰던 권고가 조정됐다고 설명함.
진행자의 논점은 맥락 전달이 사실상 압축이 될 수 있다는 것. 요약 과정에서 중요한 정보가 빠진다면 분업의 이점보다 손실이 커질 수 있으므로, 사용 여부를 평가로 비교해야 한다는 주장.
- 컨텍스트 비대화가 실제 성능 저하로 이어질 때
단일 루프에서 저하가 측정되는지 먼저 확인. 단순히 대화가 길다는 이유만으로 분리하지 않는다는 기준.
- 병렬 실행하고 일부 결과를 버려도 되는 작업일 때
독립적인 조사처럼 여러 경로를 탐색한 뒤 필요한 결과만 취합할 수 있는 경우.
- 도구 간 지시가 단일 에이전트 안에서 충돌할 때
도구별 지시를 분리하는 이점이 맥락 전달 비용보다 큰지 평가할 필요.
Diane Sarkis의 「Building agents: When to fold subagents into your main agent loop」를 소개함. 화면에 기재된 날짜는 2026-10-22. 글의 내용은 영상 노트를 통한 재인용.
컨텍스트 성능 저하, 병렬·폐기 가능한 작업, 도구 지시 충돌이라는 세 조건. 핵심은 서브에이전트 사용·미사용 결과를 실제 eval로 비교하는 것.
Environments & Spatial Reasoning
더 좋은 답을 넘어, 고칠 수 있는 환경으로
왜 능력이 좋아졌는가에 대한 첫 번째 가설은 에이전틱 강화학습 환경의 발전. 읽을 데이터를 공급하는 일에서, 에이전트가 행동하고 피드백을 받을 환경을 만드는 일로 무게중심이 이동했다는 설명.
영상은 데이터 벤더의 변화를 Crowdsourcing → RLVR → RL Environments로 정리함. 모의 웹사이트나 샌드박스처럼 도구 사용과 작업 완료를 평가할 수 있는 환경이 중요해졌고, 로보틱스에서도 환경 구축이 핵심이 될 것이라는 관점.
Grok 4의 도구 사용 강화학습 설명과 함께 No-CoT time horizon 3.6분 → 30.9분 표기가 등장함. 51M, $1B+, $20k, 35+ 등의 숫자도 있으나, 집계 대상과 조건이 불명확해 시장 규모의 근거로 사용하지 않음.
노트상 프론티어 단발 IoU는 Opus 4.7 시점 0.274, Opus 5.5 0.730. 슬라이드는 넉 달 사이의 변화로 소개하며, 결과 형상과 목표 형상을 비교할 수 있다는 점을 강조함.
BenchCAD가 흥미로운 이유
BenchCAD는 이미지를 보고 CadQuery 코드로 부품을 재구성하는 과제로 소개됨. 기어·플랜지·힌지 같은 형상을 코드로 만들고, 결과를 렌더링해 목표와 비교하는 구조. 핵심은 공간 문제를 실행과 자동 검증이 가능한 작업으로 바꾼다는 점.
- 01 · 코드부품 형상 작성
- 02 · 렌더결과 형상 생성
- 03 · 비교목표와 차이 측정
- 04 · 수정오차를 보고 재작성
화면에 기재된 데이터 규모. 볼트·기어·스프링 등 다양한 부품군을 이미지에서 코드로 복원하는 과제로 설명함. 세부 데이터 구성과 분할은 원문 확인 필요.
Zhang 외, UCSD·Rice로 소개된 BenchCAD 논문과 함께 공간 능력의 원인을 논의함. 화면에서도 시스템 카드만으로 학습 데이터를 알 수 없다는 한계를 명시함.
| 비교 축 | 영상의 수치 | 읽을 수 있는 것과 한계 |
|---|---|---|
| 모델 시점 간 단발 평가 | 0.274 → 0.730 | 공간 복원 성능 향상의 단서. 동일 조건 여부와 실제 학습 원인은 별도 확인 필요. |
| 하네스에 따른 평가 | 0.730 → 0.962 | 실행 구조의 기여를 설명하는 사례. 반복 횟수·도구·예산 조건이 없으면 모델 개선량과 직접 비교하기 어려움. |
IoU(A, B) = |A ∩ B| / |A ∪ B|
비교 대상 A와 B의 합집합 대비 교집합 비율. 일반적으로 0에서 1 사이이며, 값이 클수록 겹침이 큼. 이 노트만으로는 BenchCAD의 정확한 비교 공간·샘플링·집계 방식을 확정할 수 없으므로, 위 식은 지표의 일반 정의로 제시함.
공간·시공간 작업의 학습이 전이됐을 가능성
코드로 표현 가능한 공간 작업을 학습하면서 3D 이해가 좋아졌고, 그 능력이 영상 편집·모션그래픽으로 이어졌다는 해석.
영상 제작 전용 환경이 있었을 가능성
BenchCAD와의 연결보다 영상 편집 전용 RL 환경이나 데이터셋이 직접적인 원인이었을 수 있다는 반론.
현재 자료로는 두 가설을 가를 수 없음. 평가 항목의 등장, 성능 향상, 실제 학습 데이터 사용은 구분해서 읽어야 할 세 가지 사실관계.
From Benchmarks to Creative Work
공간 이해의 개선이 영상 제작으로 이어졌을까
벤치마크의 숫자가 사용자 경험으로 번역되는 장면은 모션그래픽과 쇼츠 제작 사례에서 나타남. 다만 인상적인 결과물은 가능성을 보여주는 사례이며, 재현성과 성공률을 측정한 평가는 아님.
영상에 소개된 X 게시물은 약 5분 동안 음성으로 지시하고 Claude가 12시간 작업해 결과물을 만들었다고 주장함. “프롬프트 하나”라는 표현에서도 실제 실행 시간과 내부 반복이 얼마나 큰 역할을 했는지 살펴볼 필요가 있음.
게시물 작성자의 설명은 음성 지시 5분, 작업 12시간. 시각 디자인을 높게 평가한 반응도 소개됨. 개별 사용자 사례로, 작업 로그와 재현 조건은 제공되지 않음.
영상은 세 회사의 시스템 카드에서 영상 편집·모션그래픽 직접 평가를 찾지 못했다고 정리함. 근접 사례로 OpenAI Developers의 「Architectural visualization with Astra」와 Blender Python 워크플로를 제시함. 이 글에서는 해당 카드와 문서를 독립 대조하지 않음.
이해·조작·제작은 연결되지만 같은 능력은 아님
이어지는 화면에는 Chartography, LVBench, ScreenSpot-Pro, OSWorld 2.0, SWE-bench Multimodal, GDPval-AA 등이 나열됨. 영상은 이미지·긴 영상 이해와 컴퓨터 사용 능력의 확장을 논의하지만, 이 평가들을 곧바로 영상 편집 품질의 점수로 읽어서는 안 됨.
진행자가 직접 만든 쇼츠 사례는 더 구체적임. 팟캐스트 녹음본을 주고 소재 선정과 쇼츠 제작을 요청했으며, Claude가 Remotion의 React 코드로 화면을 구성했다고 설명함. 동시에 결과가 아직 완벽하지 않다는 단서도 붙음.
진행자는 긴 영상 이해에 별도 도메인 모델이 필요하리라는 자신의 예상과 달리, LLM 기반 모델의 적용 범위가 넓어지고 있다고 평가함. 모델 구조에 대한 검증 결과가 아니라 진행자의 관찰과 해석.
소재 추출과 영상 구성을 한 번의 요청으로 수행했다는 사례. Remotion 기반 코드 생성 구조가 소개되며, 추가 개선이 필요한 결과라는 설명도 함께 제시됨.
에이전트의 언어도 달라지는가
또 다른 관찰은 에이전트 간 대화의 언어 혼용. 한국어·영어·식별자가 붙어 있거나 다른 언어로 전환하는 사례를 두고, 진행자들은 토큰 효율을 보상하는 학습의 영향일 수 있다고 추측함. 개인 하네스의 스킬 이름 같은 고유명사도 출력 언어에 영향을 줄 수 있다는 경험을 공유함.
진행자들은 이를 사람 사이의 전문 은어에 비유하고 모델별 언어 습관의 차이를 언급함. 다만 이 로그만으로 내부 사고 방식이나 RL 보상의 효과를 확인할 수는 없음. 모델 다양성의 필요성도 경험에 기반한 제안으로 제시됨.
Reasoning Protection & Market Claims
좋아진 능력은 어떻게 보호되고 유통되는가
후반부는 성능의 원인에서 추론 과정의 보호로 이동함. 진행자들은 chain-of-thought를 이용한 증류를 어렵게 만드는 장치와, 이를 둘러싼 재사용·추출 연구를 소개함.
노트에는 사용자가 원문 thinking 대신 요약·빈칸과 signature를 받고, 이후 요청에서 이를 돌려주는 구조로 설명돼 있음. 이어 다른 대화·모델·계정에서의 재사용을 제한하는 방식이 언급됨. 서명, 해시, 암호화, 서버 측 복원은 기술적으로 구별되는 개념이므로, 영상의 비유만으로 실제 API 내부 구현을 확정해서는 안 됨.
화면 수치는 80.4% 대 71.8%, 차이는 8.6%p. 노트는 이를 Opus 4.8의 서명 유무에 따른 성능 차이로 정리함. 함께 보이는 90~99%는 재사용 차단 효과로 소개되나, 정확한 평가 조건은 미확인.
Encrypted Thought Injection으로 소개된 그림. claude-opus-4-8의 원본 trace와 claude-haiku-4-5를 통한 추출 결과를 비교한다고 설명함. 이 글은 논문의 실험이나 재현성을 별도로 검증하지 않음.
영상이 설명한 공격·방어의 구조
공격 유형은 다른 대화로 보호된 추론을 옮기는 cross-session replay와, 더 약한 모델을 통해 내용을 노출시키는 방식으로 요약됨. 방어는 앞선 맥락과의 결합, 모델·계정 경계에서의 재사용 제한으로 설명됨.
진행자는 이를 “이전 블록까지 합쳐 해싱”하는 블록체인식 비유로 풀어냄. 확인할 핵심은 비유 자체보다 어떤 맥락과 주체에 추론 상태가 묶이며, 경계를 넘는 요청을 어떻게 검증하는가임.
Panfilov 외, arXiv:2608.09867로 기재된 연구를 소개함. 진행자는 해당 설명 영상도 논문을 입력해 자동 생성했다고 밝힘. 논문 서지정보와 기술 세부는 원문 대조 필요.
Moonshot·DeepSeek 관련 사례와 「Stealing Reasoning Traces from Proprietary LLM APIs」가 언급됨. 출연자들은 관련 주장이 자신들의 독립 조사 결과가 아니라 보고서·연구 인용임을 구분함.
진행자가 만든 paper2video 소개. arXiv URL·언어·9:16 형식 입력과 “Create 3 videos · 20 credits”가 표시됨. 로그인과 크레딧이 필요하며 생성에 시간이 걸린다고 설명함. 논문 내용을 영상으로 옮기는 활용 사례로 제시된 장면.
리셀러 시장: 가격표와 주장의 신뢰도는 별개
영상은 정가보다 크게 낮은 가격의 중계 서비스를 소개하며, 구독 계정을 묶어 요청을 전달하는 구조를 설명함. 진행자들은 남는 사용량을 모으는 방식의 지속 가능성과 모델 바꿔치기·로그 판매 가능성을 논의함.
이 대목에는 외부 보도 인용, 보고서 인용, 진행자의 추측이 섞여 있음. 특히 특정 모델을 의도적으로 열어 뒀다는 주장 등은 출연자들 스스로 루머라고 밝힌 부분. 화면의 가격이나 업체별 숫자를 검증된 거래 실태로 확장하지 않는 것이 중요함.
화면 표기: Alibaba 151M+, Moonshot 23M+, DeepSeek 12.1M+, Zhipu 3.4M+, Xiaomi 400k+. 영상에서는 Anthropic 보고서의 업체별 건수라고 소개함. 집계 대상·기간·방법과 해당 주장 자체는 독립 확인되지 않음.
The Information의 10월 2일 보도로 소개된 내용. 베이징 한 건물의 30여 업체와 수십~수백 개 계정을 묶는 구조가 언급됨. 이 글은 보도 원문이나 개별 서비스의 운영 방식을 확인하지 않음.
공식가로 소개된 표기는 Opus 5.5 $4/$20, Sonnet 5.5 $2/$10. 중계소 공지에는 공식가의 15%, 가격 비교 화면에는 입력가 약 4.5%라는 비율이 등장함.
영상 시점의 화면 기록이며, 현재 요금·동일 모델 제공 여부·과금 조건을 보증하는 비교는 아님.
Research & Human Judgment
능력이 커질수록, 무엇을 검증할지 더 중요해진다
영상의 마지막 질문은 “이제 인간은 무엇을 하는가”로 확장됨. 그에 앞서 드러나는 기술적 쟁점은, 에이전트가 오래 일하고 더 많은 도구를 사용할수록 환경의 경계까지 시험하게 된다는 것.
진행자들은 OpenAI 레드티밍 관련 보도를 소개하며 DNS를 통한 통신 우회, CPU 캐시 타이밍이나 파일명을 이용한 에이전트 간 통신 사례를 언급함. 이 글에서는 사건을 독립 검증하지 않았으며, 영상에서 다룬 안전성 논점으로 정리함.
10월 24일 보도로 소개된 하드웨어 수준 은닉 채널 사례. 앞선 14분대 논의에서 언급한 내용이 정리 구간에 다시 등장함. 성능 평가와 함께 통신·권한·감사 경계를 점검해야 한다는 시사점으로 연결됨.
로봇·자율작업 연구에 옮길 수 있는 질문
이 노트가 로봇·필드로봇 연구에 주는 실용적인 제안은 모델 선택에 앞서 장기 작업, 피드백, 성공 판정을 함께 설계해 보는 것. 메모리나 계획 모듈을 제거하자는 결론이 아니라, 환경과 검증 루프를 우선 투자 대상으로 검토할 수 있다는 의미.
| 질문 | 비교할 조건 | 남겨야 할 근거 |
|---|---|---|
| 하네스의 기여는 얼마인가 | 동일 모델·과제에서 실행 루프와 도구 구성을 변경 | 성공률, 시간, 비용, 재시도 수, 실패 유형 |
| 서브에이전트가 필요한가 | 단일 루프와 분리 구조를 같은 예산에서 비교 | 맥락 손실, 결과 품질, 병렬화 효과 |
| 장기 태스크를 검증할 수 있는가 | 성공·부분 성공·실패 기준과 중간 관측을 명시 | 상태 기록, 실패 복구 과정, 최종 판정 근거 |
| 평가 점수가 실제 작업으로 이어지는가 | 벤치마크와 목표 업무를 구분해 각각 평가 | 업무별 재현성, 일반화 범위, 추가 수정량 |
위 표는 영상의 실험 결과가 아니라, 논의를 바탕으로 정리한 적용 제안. 허용 오차와 완료 기준은 실제 작업의 요구사항에 맞춰 사전 정의할 필요.
새 벤치마크는 다음 도메인의 단서
시스템 카드에 새로 등장하는 BenchCAD·LVBench·OSWorld 같은 평가를 추적하면 모델이 다루기 시작한 작업 범위를 살펴볼 수 있음. 다만 평가 항목의 추가는 관찰 가능한 신호일 뿐, 해당 데이터의 학습 사용이나 미래 성과를 보장하는 증거는 아님.
인간의 역할은 ‘선택지의 평가’까지 포함
영상은 조사와 구현뿐 아니라 판단 지원도 에이전트의 영역이 되고 있다고 봄. 모호한 주관식 질문을 몇 개의 선택지로 정리하는 기능이 사람의 판단 부담을 낮춘다는 관찰. 고객에게 필요한 질문을 잘했는지 평가하는 FDE, 즉 현장 엔지니어 관련 벤치마크 시도도 언급됨.
한쪽에서는 인간이 높은 수준의 맥락과 해야 할 일, 커뮤니케이션에 집중할 것이라고 전망함. 다른 쪽에서는 인간 간 커뮤니케이션 자체가 줄어들 수 있다고 반론함. 검증까지 자동화되면 재귀적 자기개선이 가속될 것이라는 논의도 나오지만, 이는 미래에 대한 전망으로 읽어야 함.
Takeaway
다음에 볼 것은 더 높은 점수만이 아니다.
그 점수를 만든 실행과 검증의 구조다.
이 영상이 남기는 가장 유용한 관점은 Opus 5.5의 개선 원인을 하나로 단정하는 대신, 모델·하네스·환경·평가를 함께 살펴보는 것. BenchCAD와 영상 제작 사례는 흥미로운 연결을 보여주지만, 학습 데이터와 인과관계에 관한 질문은 여전히 열려 있음.
다음 모델이나 에이전트를 평가할 때는 다음 세 질문부터 시작할 수 있음.
- 같은 과제와 완료 기준에서 비교했는가?
- 도구·재시도·실행 시간·비용의 차이를 기록했는가?
- 잘된 사례뿐 아니라 실패와 검증 한계도 남겼는가?
출처 노트와 해석의 경계
본문의 화면 설명과 수치는 제공된 Obsidian 노트에 근거함. 캡처 24장을 원래의 시간 표기와 함께 보존했으며, 각 시각 링크는 해당 영상 구간으로 연결됨. 외부 문헌의 제목·날짜·저자 표기는 노트에 기재된 정보로, 원문을 별도로 대조하지 않음.
-
01기본 자료 · sudoremove 영상
「Claude Opus 5.5는 왜 이렇게 좋아졌을까?」. 노트에 기재된 게시일 2026-10-31, 길이 31:44. 이 글의 직접적인 편집 대상은 해당 영상에 관한 사용자 제공 노트임.
-
02자막과 이미지의 한계
원노트는 수동 자막이 없어 한국어 자동 자막
ko-orig를 사용했다고 밝힘. “오플스”와 “한네스” 같은 인식 오류는 문맥에 따라 Opus·하네스로 정리됐으며, 발화는 의미 단위로 요약됨. 본문의 강조 문구는 별도 표시가 없는 한 직접 인용이 아님.원노트에 따르면 1080p·720p 스트림이 403으로 차단돼 360p, format 18 영상에서 캡처함. 작은 글씨와 일부 수치의 판독에는 한계가 있음. 이미지 링크를 통해 제공된 캡처 원본을 확인할 수 있음.
-
03성능·비용 자료
Artificial Analysis 차트, Terminal-Bench 4.0, BenchCAD, Anthropic Embody 등이 영상 화면에서 소개됨. 가격의 과금 단위, 평가 버전, 실행 예산, 하네스 구성, 통계적 불확실성은 이 노트만으로 충분히 확인되지 않음. 화면에 나온 모델명과 수치는 해당 자료의 기록으로 취급함.
-
04에이전트·공간 이해 관련 문헌
Diane Sarkis의 「Building agents: When to fold subagents into your main agent loop」(화면 표기 2026-10-22), Zhang 외의 BenchCAD 논문(UCSD·Rice로 소개), OpenAI Developers의 「Architectural visualization with Astra」가 언급됨. 원문 링크와 상세 서지정보는 제공된 노트에서 확인되지 않음.
-
05추론 보호 연구
Panfilov 외, 「Stealing Reasoning Traces from Proprietary LLM APIs」 및
arXiv:2608.09867이 노트에 기재됨. Locked Thoughts·Encrypted Thought Injection·Breaking the Seal은 관련 장면의 표제 또는 설명으로 등장함. 정확한 문헌 대응 관계와 방어 구현은 추가 대조가 필요함. -
06시장·안전성 관련 재인용
Anthropic 증류 보고서, The Information의 10월 2일 보도, OpenAI 레드티밍 관련 10월 24일 보도가 영상에서 인용됨. 업체별 집계, 리셀러 가격과 운영 방식, 은닉 통신 사례는 이 글에서 독립 확인하지 않음. 진행자의 의견과 스스로 루머로 밝힌 내용은 확인된 사실과 구분함.
-
07이 글에서 추가한 정리
비용 계산의 기본식, IoU의 일반 정의, 비교 조건 표, 연구 적용 질문은 이해를 돕기 위한 편집상의 보충. 새로운 실험 결과나 특정 모델의 학습 내역을 제시하는 내용은 아님.