AI News Nov 12, 2026 8 min read

Qwen4-Max 프리뷰 사용법, Token Plan 전용·11월 25일 종료

Qwen4-Max 프리뷰 사용법은 Token Plan 가입 뒤 전용 API 키와 모델 ID qwen4-max-preview를 쓰는 것이며, 프리뷰는 11월 25일까지고 벤치마크와 토큰당 가격은 문서에 없다.

알리바바 클라우드가 Qwen4-Max 프리뷰를 Token Plan 전용으로 11월 25일까지 열었습니다. 뉴욕대와 캘거리대 연구진은 가중치 0.05% 미만을 0으로 만드는 Deletion Tuning을 발표했습니다. Meta FAIR는 k-평균을 대체하는 e-means를, Cursor는 팀원이 함께 쓰는 Projects 베타를, 싱굴루스는 SpaceX와 맺은 태양전지 생산 라인 공급 계약을 내놓았습니다. 다섯 소식에서 문서로 확인되는 것과 아직 공개되지 않은 것을 함께 살펴봅니다.

오늘 담긴 것

모델과 플랫폼

알리바바 Qwen4-Max 프리뷰 공개…Token Plan 전용, 벤치마크는 미공개

프리뷰 종료일이 정해진 Qwen4-Max를 상징하는 모래시계와 황동 열쇠

알리바바 클라우드가 11월 11일 프리뷰 문서를 냈다. 프리뷰 기간은 11월 11일 오전 10시부터 11월 25일 24시까지(UTC+8)다. 문서는 이 모델을 텍스트, 이미지, 비디오 입력을 다루는 Qwen의 새 세대 플래그십 멀티모달 모델로 소개한다.

  • 핵심: 모델 ID는 qwen4-max-preview이고 Token Plan에서만 쓸 수 있으며 종량제 호출은 지원하지 않는다.
  • 기간: 프리뷰는 11월 11일 10시부터 11월 25일 24시(UTC+8)까지이고 끝나면 내려간다.
  • 사양: 컨텍스트는 1M 토큰, 최대 출력은 393,216토큰이며 사고와 답변이 이 출력 예산을 함께 쓴다.

무엇이 달라지나

이 모델부터 OpenAI Chat Completions의 max_tokens와 max_completion_tokens가 같은 뜻이 되어, 둘 다 사고 내용과 최종 답변의 토큰 합계를 제한한다. 이전에 나온 Qwen 모델의 동작은 바뀌지 않는다고 문서는 적었다. 사고는 기본으로 켜져 있다.

한계

벤치마크와 토큰당 가격은 문서에 없다. 한국에서의 가입과 결제 가능 여부, 플랜별 이용 가능 여부도 읽은 자료에 적혀 있지 않다. 독립적인 사용 후기나 성능 측정도 읽은 자료에 없다.

커뮤니티 반응

■Qwen 공식 계정은 더 깊은 지식과 더 강한 코딩·에이전트 기능을 내세우며, QwenWork, Qoder, Qwen APP, QwenStudio에서도 조기 접근이 열린다고 알리고 실제 문제로 테스트해 결과를 공유해 달라고 요청했다.

■독립 계정의 소개 글들은 문서에 벤치마크가 없어 아직 다른 모델과 비교할 수 없다고 짚었다.

■다른 정리 글은 전체 출시일, 최종 모델 카드, 토큰당 가격이 아직 나오지 않았고 오픈 웨이트도 공개되지 않았다고 전했다.

본문 펼치기 · 약 5분

접속은 Token Plan 가입, 전용 API 키, 전용 주소, 모델 ID 지정 순서다

모델 문서의 접속 순서는 세 단계다. Token Plan 개인판 또는 팀판을 골라 안내서에 따라 패키지 전용 API Key를 받는다. 전용 Base URL https://token-plan.cn-beijing.maas.aliyuncs.com을 쓰고, 모델 ID를 qwen4-max-preview로 지정한다. 프로토콜별 전체 주소와 지원 클라이언트, 설정 단계, Credits 혜택은 Token Plan 안내서에 있다고 문서는 적었다.

Token Plan 개요는 월, 분기, 연 구독과 Credits 과금을 설명한다. API 키는 생성할 때 복사해 저장해야 하며 다시 볼 수 없다. 연결 가능한 도구로 Qoder, Claude Code, Codex, Qwen Code, OpenClaw, Hermes Agent가 먼저 나온다. 이어 OpenCode, QwenWork, Trae, DeepSeek Harness, WorkBuddy와 일반 연동 안내서가 있다.

개요 문서에는 AI 도구에 붙여 넣을 설치 문구가 있다. Alibaba Cloud Bailian CLI를 설치한 뒤 bl auth login --config token-plan --api-key로 Token Plan API 키에 로그인하라는 내용이다. 이어 bl config show --config token-plan으로 설정을 읽어 현재 도구에 연결한다. 개요 문서는 11월 6일 갱신본이고 본문에 Qwen4-Max-Preview 이름은 없다. 여기 적은 절차는 모두 문서에 적힌 내용이다.

구독료는 Credits 단위 월정액이고 이 모델의 차감량은 문서에 나오지 않는다

콘솔 구독 페이지에는 개인판 네 플랜이 표시된다. Lite는 월 20,000 Credits에 에이전트 1~2개 동시 실행이다. Essential은 45,000 Credits에 2~3개, Standard는 80,000 Credits에 3~4개, Pro는 200,000 Credits에 6~8개다. Lite 대비 사용량은 Essential 2.25배, Standard 4배, Pro 10배로 적혀 있다.

가격은 Lite 월 19.5위안, Essential 월 39.5위안이며 콘솔은 신규 고객 첫 구매 5折 행사로 이 값을 안내한다. Standard는 월 139위안, Pro는 월 312위안이다. 행사가가 섞여 있어 같은 조건의 비교는 Standard와 Pro로 하는 편이 낫다. 위안당 Credits는 80,000÷139로 약 576, 200,000÷312로 약 641이다. 두 플랜에는 AgentStudio 도구용 Harness 혜택이 붙고, 개요 문서는 이 혜택이 Credits를 쓰지 않는다고 적었다. 환율 근거가 없어 원화로는 환산하지 않는다.

종량제 가격표에서 qwen3.8-max는 입력 100만 토큰당 12위안, 출력 36위안이다. 반면 Qwen4-Max-Preview는 문서상 종량제 대상이 아니고 Credits 차감 기준도 읽은 자료에 없다. 그래서 두 모델의 비용을 같은 조건으로 비교할 수 없다.

출력 한도와 사고 설정이 달라져 기존 코드를 옮길 때 답변이 잘릴 수 있다

모델 문서의 주의사항은 이 모델부터 max_tokens와 max_completion_tokens를 같은 값으로 본다고 적는다. 이 값은 사고 내용과 최종 답변의 토큰 합계를 제한한다. 사고를 켜면 사고 내용이 같은 예산을 쓰므로, 답변용으로만 잡아 둔 상한을 그대로 가져오면 출력이 일찍 끊길 수 있다. 문서는 사고와 답변의 몫을 함께 잡으라고 안내한다. 최대 출력은 393,216토큰, 컨텍스트는 1M 토큰이다.

모델 문서에 따르면 사고는 기본으로 켜져 있다. reasoning_effort로 low, medium, xhigh를 고를 수 있고 기본값은 xhigh다. reasoning_effort와 thinking_budget은 함께 설정할 수 없다. 여러 턴을 이어 갈 때는 Chat Completions의 preserve_thinking이 기본으로 켜져 있다. 그래서 이전 assistant 메시지의 reasoning_content 필드에 사고 내용을 그대로 되돌려 보내야 하고, content 필드에 이어 붙이는 방식은 지원하지 않는다.

입력은 텍스트, 이미지, 비디오이며 Function Calling, 웹 검색, 내장 도구, JSON Object와 JSON Schema 출력을 지원한다. OpenAI Chat Completions, Responses, Anthropic Messages API와 호환된다고 문서는 소개한다. 프리뷰는 문서 기준 11월 25일 24시(UTC+8)까지이고, 한국 시간으로는 11월 26일 오전 1시다. 기간 중 변경은 없고 끝나면 내려간다.

자세히 읽기 · 알리바바 클라우드의 Qwen4-Max-Preview 문서 ↗ · 알리바바 클라우드의 Token Plan 개요 ↗ · 알리바바 클라우드 콘솔의 Token Plan 구독 페이지 ↗ · 알리바바 클라우드의 모델 호출 가격표 ↗

연구와 알고리즘

뉴욕대·캘거리대 Deletion Tuning 발표…가중치 0.05% 미만 삭제로 전체 미세조정 수준

가중치 일부만 지우는 방식을 상징하는 구멍 난 종이 블록과 가위

뉴욕대와 캘거리대 연구진이 arXiv 논문에서 Deletion Tuning을 발표했다. 논문은 협정세계시 11월 7일 17시 33분(한국 시간 11월 8일 오전 2시 33분)에 제출됐고, 프로젝트 페이지는 NeurIPS 2026 논문으로 소개한다. 사전학습 LLM의 가중치 0.05% 미만을 0으로 만드는 것만으로 후속 학습 효과를 낸다는 내용이다.

  • 핵심: 이진 마스크만 학습해 세 가지 후속 학습 방식에서 전체 미세조정(FFT)과 같은 수준의 정확도를 냈다고 저자들은 밝혔다.
  • 크기: Llama8B 기준 마스크는 8.4MB로, 같은 모델의 FFT 체크포인트 30,633MB보다 훨씬 작다.
  • 조건: 지운 가중치는 0.05% 미만이며 학습 대상은 트랜스포머 블록의 게이트 프로젝션이다.

무엇이 달라지나

새 값을 써넣는 대신 지울 가중치만 고른다. Llama8B 기준 마스크는 8.4MB로, 같은 모델의 FFT 체크포인트 30,633MB보다 약 3,647배(30,633÷8.4) 작다. 작업을 바꿀 때는 공유한 기본 가중치 한 벌에 작은 비트마스크만 바꿔 적용하면 된다고 프로젝트 페이지는 설명한다.

한계

결과는 저자들의 자체 실험이고 독립 재현은 읽은 자료에 없다. 작은 모델에서는 FFT에 못 미쳐 Llama1B의 GSM8K에서 54.44% 대 60.50%였고, 격차는 모델이 클수록 줄었다. 학습 중에는 게이트 프로젝션의 가중치마다 로짓이 하나씩 붙으며, 어댑터 크기 비교는 배포된 마스크 기준이다. 학습 때의 메모리 사용량 비교는 읽은 자료에 없다.

커뮤니티 반응

■저자 잭 루와 연구실 계정은 가중치를 지우는 것만으로 전체 미세조정 정확도에 닿고 잊어버림도 피한다고 소개했다.

■한국어와 일본어 해설 글이 논문을 풀어 썼고, 한국어 스레드는 새로운 것을 배우려면 무언가를 더해야 한다는 상식이 뒤집혔다고 소개했다.

■논문을 읽었다는 한 사용자는 이 방법이 어닐링된 이진 슈퍼마스크의 이름만 바꾼 것이고, 작은 어댑터 크기는 배포 저장 용량만 센 것이며 학습 때는 로짓 때문에 LoRA보다 VRAM이 더 든다고 비판했다.

본문 펼치기 · 약 4분

방법은 사전학습 가중치를 얼려 두고 게이트 프로젝션 가중치마다 지울지만 학습한다

프로젝트 페이지에 따르면 사전학습 가중치 W는 그대로 둔다. 트랜스포머 블록 게이트 프로젝션의 가중치마다 학습 가능한 로짓 G가 하나씩 붙는다. 학습 중에는 각 가중치에 σ(αG)를 곱하고, 선명도 α를 선형으로 올려 마지막에 G=0 기준의 이진 마스크로 만든다. 배포할 때는 로짓이 양수인 가중치는 원래 값을 두고 음수인 가중치는 0으로 만들어 가중치당 1비트만 남는다.

프로젝트 페이지는 로짓 초기값을 Wanda 가지치기 점수에서 가져오고 희소도 목표는 두지 않는다고 설명한다. 그래서 얼마나 지울지는 학습이 정한다. 모든 실행에서 지운 비율은 0.05% 미만이었고, 이 규모에서는 0.035%에서 0.046% 사이였다고 페이지는 적었다. 혼합 전문가(MoE) 모델 Qwen3-30B-A3B에서는 전문가 128개 각각의 게이트 프로젝션을 마스크하고 라우터는 그대로 뒀다.

프로젝트 페이지에 따르면 비트로 묶고 zstd로 압축한 마스크는 Llama1B에서 1.0MB, Llama8B에서 8.4MB다. Qwen3-30B-A3B는 마스크 29.6MB 대 FFT 체크포인트 116,471MB로 약 3,935배(116,471÷29.6) 차이다. 과제를 바꿀 때는 공유한 기본 가중치 한 벌에 작은 비트마스크를 불러 적용하면 된다고 페이지는 설명한다.

정확도는 강화학습, 지도 미세조정, 자기 증류에서 큰 모델일수록 FFT와 가까웠다

프로젝트 페이지의 강화학습(GRPO) 실험은 Llama3 Instruct 1B에서 8B를 GSM8K로 학습했다. Qwen2.5 기본 모델 0.5B에서 14B와 Qwen3-30B-A3B는 SimpleRL-Zoo 수학 데이터로 학습하고 보류한 수학 벤치마크 6종 평균으로 쟀다. 비교 대상은 FFT, LoRA 랭크 1과 4, 임의 희소 미세조정(MTH) 99%와 99.95% 희소도다. 아래 값은 모두 최고 체크포인트 기준 정확도다.

프로젝트 페이지의 표에서 Llama8B의 GSM8K는 기본 60.27%, FFT 83.24%, Deletion Tuning 83.55%였다. 이하 세 값은 같은 순서다. Qwen7B는 40.18%, 51.89%, 52.32%였고 Qwen14B는 44.37%, 54.87%, 55.43%였다. Qwen3-30B-A3B는 49.41%, 58.43%, 58.54%였다. 128번 샘플링에서 기본 모델이 한 번도 못 푼 문제도 푼다고 한다. pass@k는 k=128에서 Llama8B가 기본 95.29%, Deletion Tuning 99.62%이고 Qwen7B가 74.01%와 80.08%다.

같은 프로젝트 페이지에서 지도 미세조정은 3B 모델의 MMLU-Pro 평균 정확도가 기본 12.63%, FFT 21.19%, Deletion Tuning 22.28%였다. BBEH는 FFT와 같은 11.39%였다. 자기 증류(SDFT)에서 Qwen7B의 ToolAlpaca 정확 일치율은 FFT 68.04%, Deletion Tuning 69.07%이고 Science는 71.20%와 70.61%였다. 지표와 모델 크기가 서로 달라 표끼리 숫자를 직접 견주면 안 된다.

잊어버림이 적다는 결과는 GSM8K 강화학습 뒤 이전 과제 6종 평균에 근거한다

프로젝트 페이지의 이전 과제는 HellaSwag, MMLU, TruthfulQA, WinoGrande, IFEval, HumanEval 6종이다. GSM8K로 GRPO를 하는 동안 Deletion Tuning의 평균 정확도는 기본 모델에서 1점 안에 머물렀다. FFT는 기본보다 1.3점에서 3.1점 낮게 끝났고 LoRA와 MTH는 최대 5.4점까지 떨어졌다. 기본 정책과의 순방향 KL은 Deletion Tuning이 0.05 이하이고 FFT는 Llama1B에서 1.0, Llama8B에서 1.5에 이르렀다.

프로젝트 페이지에 따르면 학습 없이 Wanda 일회성 가지치기만 적용하면 여섯 개 모델에서 정확도 변화가 최대 2.4점이었다. Deletion Tuning은 최대 53.2점 올랐다. 초기 희소도, 학습률, 정규화 강도를 조합한 12가지 설정은 Llama8B GSM8K에서 최고 결과의 1.6점 안, Qwen7B에서 3.2점 안이었다. 갱신 방향의 기하도 비교했다. 안정 랭크, 스펙트럼 이동, 주요 가중치 겹침 세 지표 모두에서 Deletion Tuning이 LoRA와 MTH보다 FFT에 가장 가깝다고 적었다.

자세히 읽기 · 뉴욕대·캘거리대 연구진의 arXiv 논문 ↗ · Agentic Learning AI Lab의 프로젝트 페이지 ↗

Meta FAIR, k-평균 대체 e-means 공개…25에폭 손실을 1.4~2.6에폭에

k-평균 군집화의 속도 향상을 상징하는 구슬 묶음과 초시계

Meta FAIR 연구진이 k-평균 군집화를 대체하는 알고리즘 e-means를 공개했다. 자료는 논문과 블로그에 있다. 코드는 Faiss의 contrib 폴더에 있다. 논문은 협정세계시 11월 6일 14시 22분(한국 시간 11월 6일 오후 11시 22분)에 제출됐다. 저자들은 Lloyd 방식 k-평균이 25에폭에서 얻는 손실을 1.4~2.6에폭 만에 넘고 GPU 실행 시간은 10~45배 줄인다고 밝혔다. 에폭은 전체 데이터를 한 번 훑는 횟수다.

  • 핵심: 지수이동평균 미니배치 갱신으로 25에폭짜리 Lloyd 손실을 1.4~2.6에폭에 넘어섰다고 저자들은 밝혔다.
  • 설정: 사용자가 정하는 값은 nepochs(기본 5)이고 배치 크기와 스텝 크기는 스케일링 법칙으로 정해진다.
  • 코드: Faiss의 contrib 폴더에 들어 있고 CPU에서는 faiss-cpu만으로 실행한다.

무엇이 달라지나

블로그는 비교 기준을 GPU에서는 Flash-KMeans, CPU에서는 Faiss라고 밝히고 GPU 10~45배, CPU 8~15배의 실행 시간 단축을 적었다. 논문 초록의 예시로 100억 개 DINO 임베딩(DINO10B)을 1,600만 군집으로 2.5에폭에 나눠 Lloyd 25에폭보다 낮은 손실에 닿았다. 군집 수 k 외에 따로 조정할 하이퍼파라미터가 없다고 저자들은 설명한다.

한계

에폭 범위는 논문 초록이 1.4~2.6에폭, 프로젝트 블로그가 1.2~3에폭으로 서로 다르다. 속도 향상도 초록은 GPU 10~45배, 블로그는 GPU 10~45배와 CPU 8~15배를 함께 적었다. 비교 대상의 측정은 모두 저자 측이며 독립 재현이나 사용 후기는 읽은 자료에 없다. 한국어 해설 글이 전한 영상 속 4.39초 대 0.43초 수치는 읽은 논문과 블로그에서 찾지 못했다.

커뮤니티 반응

■저자 스완 베사는 자기 게시글에서 e-means가 k-means를 10배 적은 에폭으로 앞서고 Faiss에서 공개됐으며 k 외에 하이퍼파라미터 조정이 필요 없다고 소개했다.

■같은 스레드는 e-means가 Faiss 1.16.0 릴리스에 들어갔고 브라우저용 시연 페이지(playground)도 있다고 덧붙였다.

■한국어 해설 스레드는 k-평균의 원리와 로이드 방식이 중심점을 한 번 옮길 때마다 전체 데이터를 훑는다는 점부터 풀어 설명하고, e-means가 기존 k-평균 코드 자리에 바꿔 끼울 수 있게 나왔다고 소개했다.

본문 펼치기 · 약 5분

핵심은 미니배치마다 클러스터의 합과 개수를 지수이동평균으로 갱신하는 규칙이다

프로젝트 블로그에 따르면 Lloyd 방식은 모든 점을 가장 가까운 중심점에 배정한 뒤 전체 데이터로 통계를 처음부터 다시 계산한다. 갱신 한 번에 데이터를 한 번 훑으며 보통 20~50번 반복한다. 1967년 MacQueen 방식은 통계를 버리지 않고 쌓는다. e-means는 미니배치마다 클러스터별 합과 개수를 갱신한다. 이전 값에 (1-α)를, 이번 배치 값에 α를 곱해 더하는 식이어서 오래된 배정은 비율 α로 잊힌다.

여기에 개선한 초기화, 죽은 클러스터 되살리기, 코사인 스케줄로 α0에서 0.1α0까지 줄이는 감쇠가 붙는다. 마지막 에폭의 정확한 클러스터 평균으로 끝내는 마무리 단계도 있다. 죽은 클러스터는 크기에 비례해 고른 큰 클러스터를 둘로 쪼개 되살린다. 블로그의 비교는 100만 벡터, k=16,384, 5에폭, 시드 5개 평균 조건이다. DEEP 데이터의 죽은 클러스터는 이 방식 47개(0.3%), EnCodec 방식의 배치 재샘플링 2,343개(14.3%), 되살리기를 끈 경우 4,313개(26.3%)였다.

블로그는 장난감 데이터에서 시드 200번을 반복해 Lloyd가 나쁜 상태에 갇히는 비율을 쟀다. 크기가 다른 두 덩어리(k=8)에서 Lloyd는 26%, e-means는 3.5%였다. 한 줄로 놓인 다섯 덩어리(k=5)에서는 46%와 0%였다. 미니배치가 갱신에 잡음을 넣어 국소 최솟값을 빠져나오기 쉽다는 것이 저자들의 설명이다.

배치 크기와 스텝 크기는 n, k, 에폭 수로 계산되어 따로 조정할 값이 없다

Faiss 문서의 스케일링 법칙은 B와 α0를 정한다. 입력은 데이터 수 n, 군집 수 k, 에폭 수 T다. 처리량 중심 기본 법칙은 B=0.035134·k^0.134749·n^0.876473·T^0.813344이다. 품질 법칙은 계수가 0.00439175로 배치가 약 8배 작아 최종 손실이 낮지만 작은 데이터에서는 느릴 수 있다. α0=0.8244·k^-0.4617·B^0.9003·n^-0.4498·T^-0.1057이며 0.0001에서 1.0 사이로 제한된다.

프로젝트 블로그는 보류한 데이터셋(SIFT, SPACEV, VIBE의 arXiv와 AG-News)으로 법칙을 시험했다. 격자 최적값 대비 손실 차이 중앙값은 스텝 법칙 0.07%, 기본 배치 법칙 0.19%, 품질 법칙 0.07%였다. Faiss 문서에서 batch_law 기본값은 auto여서 차원 d가 16 이하면 품질 법칙을, 그보다 크면 처리량 법칙을 고른다. d가 2 이하면 클러스터 되살리기를 끈다. 사용자가 정하는 값은 nepochs(기본 5)이고 batch_size와 alpha0는 필요할 때만 덮어쓰면 된다.

설치는 faiss-cpu로 시작하고 GPU 커널은 하드웨어에 따라 CuTe, Triton, PyTorch 순으로 고른다

설치와 호출 방법은 Faiss 문서에 있다. e-means는 faiss 안에 들어 있어 CPU에서는 pip install faiss-cpu만으로 돌릴 수 있다. NumPy 배열이면 from faiss.contrib.e_means import NumpyEmeans를 불러 em = NumpyEmeans(64, 500)처럼 차원과 군집 수를 준다. 이어 centroids, labels = em.train(x)를 호출한다. 문서 예시는 float32 20만 벡터(차원 64)를 500군집으로 나누고, 새 벡터는 em.assign(x_new)로 가장 가까운 중심점과 거리를 얻는다.

GPU 사용법도 Faiss 문서에 있다. PyTorch 텐서를 미리 GPU에 올려 Emeans(d, k, nepochs=T)의 train에 넘긴다. e-means가 데이터를 CPU에서 GPU로 옮겨 주지 않는다. H100과 H200의 BF16 입력에서는 CuTe 커널, 다른 최신 NVIDIA GPU(A100 이상)에서는 Triton, 그 외에는 PyTorch를 고른다. CuTe는 nvidia-cutlass-dsl 4.7.1 이상, quack-kernels 0.6.5 이상, cuda-python 13 이상 14 미만이 필요하다. 커널은 첫 실행 때 컴파일에 몇 초가 걸린다.

파라미터 설명은 Faiss 문서에 있다. nepochs 기본값은 5이며, 문서는 5면 수렴한 Lloyd의 손실을 넘기에 보통 충분하다고 적었다. 반환되는 labels는 마지막 에폭의 배정이어서 최종 중심점 기준 최근접이 아닐 수 있다. 정확한 라벨이 필요하면 학습 벡터에도 assign을 호출해야 한다. 같은 연산량이라면 T-1에폭을 돌리고 assign하는 것보다 T에폭을 돌려 반환 라벨을 쓰는 편이 낫다고 문서는 권한다. 이 코드와 절차는 문서에 적힌 내용이다.

자세히 읽기 · Meta FAIR 연구진의 arXiv 논문 ↗ · e-means 프로젝트 블로그 ↗ · Faiss의 e_means 코드 문서 ↗

개발 도구

Cursor Projects 멀티플레이어 베타 공개…팀원 초대와 공유 작업판

공유 작업판을 상징하는 카드가 붙은 코르크판과 종이 로봇

Cursor가 11월 10일 블로그에서 Projects의 멀티플레이어 기능을 공개했다. 팀원을 Project에 초대해 함께 쓰는 방식이며 이날부터 모든 사용자에게 베타로 제공한다고 밝혔다. Projects 자체는 9월 10일 변경 기록에서 처음 소개됐다.

  • 핵심: 한 Project 안에 팀원과 각자의 에이전트를 모아 공유 작업판과 공유 컨텍스트를 함께 쓴다.
  • 방식: 팀원마다 자기 조정자 에이전트와 1대1 채팅을 하고, 공유 컨텍스트에는 요구사항 문서와 기술 명세 등이 쌓인다.
  • 제공: 이날부터 Cursor 모든 사용자에게 베타로 제공되며 왼쪽 메뉴에서 Project를 만들어 시작한다.

무엇이 달라지나

9월 변경 기록은 Projects를 조정자 에이전트 하나를 통해 여러 에이전트를 지휘하는 방식으로 설명했다. 이번 글은 팀원을 초대해 작업판, 메모리, 문서를 공유하고 팀원들의 에이전트끼리 소통하게 한다고 밝혔다. 각 팀원은 자기 조정자 및 작업 에이전트와의 1대1 채팅을 그대로 쓴다.

한계

블로그의 예시(당직 인수인계, 제품 페이지 리뷰와 재디자인, 데이터베이스 스키마 변경)는 개발사가 든 사례이며 독립적으로 측정된 결과가 아니다. 팀원 수 제한, 권한 구성, 요금 조건은 읽은 자료에 적혀 있지 않다.

커뮤니티 반응

■AI 소식 전달 계정 TestingCatalog는 Cursor가 팀원과 에이전트가 하나의 작업 공간에서 함께 일하는 멀티플레이어 모드를 도입하며 기존 Projects 위에 만들어졌다고 전했고, 이를 Antigravity/스웜 기능에 대한 첫날의 답처럼 보인다고 평했다. 이 게시물 답글에는 에이전트 둘이 같은 파일을 고치면 어떻게 되는지, 팀원 둘이 상반된 지시를 내리는 경우가 더 어렵지 않은지를 묻는 글이 있었다.

■한국어 AI 채널(Threads)은 Team Projects 공개를 소개하며 개발자마다의 에이전트가 작업 계획을 공유하고 코드 충돌이 예상되면 미리 알리며 막힌 작업을 도울 수 있다고 전했다. 이 글은 현재 베타라는 점과 발표 링크도 함께 적었다.

■독립 사용자의 사용 후기나 평가도 읽은 자료에서 찾지 못했다.

■블로그에 실린 당직 인수인계 사례는 Cursor가 직접 든 설명이며 커뮤니티 반응이 아니다.

본문 펼치기 · 약 3분

시작은 왼쪽 메뉴에서 Project를 만들고 팀원을 초대하는 것이다

블로그는 베타가 오늘부터 Cursor의 모든 사용자에게 제공된다고 안내한다. 왼쪽 메뉴에서 Project를 만든 뒤 팀원을 초대하면 된다. 초대된 팀원은 각자 조정자 및 작업 에이전트와 1대1 채팅을 갖는다. 에이전트마다 자기 로컬 컨텍스트를 가진다.

9월 10일 변경 기록에 따르면 조정자 에이전트는 코드를 직접 쓰지 않는다. 작업을 계획해 구현 에이전트에게 맡긴 뒤 끝난 결과를 사용자가 확인하도록 가져온다. Project는 클라우드의 자체 컴퓨터에서 돌아 노트북을 닫아도 멈추지 않는다. 내 컴퓨터에서 테스트가 필요하면 조정자가 로컬 에이전트를 띄운다.

조정자에게 Slack 채널을 지켜보게 하거나 일정에 따라 돌리거나 모든 PR을 따라가게 할 수 있다. 변경 기록은 Slack을 버그 신고 채널에 연결하면 버그가 들어올 때마다 작업을 맡기기 시작한다는 예를 든다. 수천 개의 하위 에이전트에 위임하고 몇 달에 걸친 맥락을 유지한다는 설명은 Cursor의 주장이다.

공유 작업판과 공유 컨텍스트가 팀 전체 에이전트에 같은 정보를 준다

블로그는 공유 작업판이 누가 무엇을 하는지, 각자의 에이전트가 무엇을 하는지, 작업마다 연결된 PR이 무엇인지를 같은 화면으로 보여 준다고 설명한다. 개인별 컨텍스트 위에 요구사항 문서, 다이어그램, 기술 명세, 목업 등을 담는 공유 컨텍스트 계층이 얹힌다. 한 채팅에서 내린 결정은 Project의 모든 에이전트가 접근할 수 있고, 새 팀원이 초대되면 컨텍스트가 미리 구성돼 있다.

9월 변경 기록은 공유 컨텍스트를 클라우드와 로컬 머신 전체에 동기화되는 파일 묶음으로 설명했다. 에이전트가 조사 결과와 산출물, 코드베이스와 선호하는 작업 방식에 대해 알게 된 것을 거기에 더한다. 한 에이전트가 서비스 테스트 방법을 알아내면 이후 에이전트가 그 지침을 쓴다.

Cursor 팀 여러 곳이 공유 Project로 당직 순번을 돌린다고 한다. 인수받은 엔지니어의 조정자는 먼저 확인했다. 그 뒤 진행 중인 작업, 처리되지 않은 이슈, 넘길 인시던트와 메모를 이미 알고 있었다는 설명이다. 지켜볼 채널과 Linear 보드와 스레드도 알고 있었다고 한다. 진행 중인 일은 새 담당자의 에이전트가 바로 이어받게 넘길 수도 있다. 이는 개발사가 든 사례다.

에이전트끼리 겹치는 작업을 일찍 맞춘다는 설명은 사례 두 개에 기대고 있다

같은 워크스페이스와 컨텍스트가 있으면 팀원들의 에이전트가 서로의 계획을 보고 막힌 부분을 풀어 줄 수 있다는 것이 블로그 설명이다. 한 엔지니어가 제품 페이지에 리뷰를 추가하고 디자이너가 같은 페이지를 개편하는 경우가 첫 예다. 두 조정자가 겹침을 일찍 알아채 리뷰를 새 디자인에 바로 넣으므로 나중에 리팩터링이 필요 없다고 한다.

기능이 데이터베이스를 읽는데 팀원이 스키마를 바꾸는 경우에는 에이전트들이 작업 순서를 미리 합의해 마지막에 병합 충돌을 겪지 않는다는 예도 든다. 두 예 모두 가정 상황으로 쓰였고 얼마나 자주 충돌이 피해지는지는 수치로 제시되지 않았다.

도입을 검토하는 팀이라면 블로그의 첫 사례인 당직처럼 인수인계가 잦은 일을 하나 골라, 새 담당자의 에이전트가 진행 중인 일을 얼마나 이어받는지 기준을 정해 두고 보는 방법이 있다.

자세히 읽기 · Cursor의 Projects 멀티플레이어 블로그 글 ↗ · Cursor의 Projects 변경 기록(9월 10일) ↗

산업과 인프라

SpaceX, 싱굴루스와 HJT 태양전지 생산 라인 계약…첫 라인은 2027년 상반기

HJT 태양전지 장비 공급 계약을 상징하는 남색 태양전지 웨이퍼와 금속 트레이

독일 태양전지 장비 업체 싱굴루스(SINGULUS TECHNOLOGIES AG)가 11월 10일 SpaceX와 헤테로접합(HJT) 태양전지용 턴키 생산 라인 공급 계약을 발표했다. 자료는 싱굴루스 보도자료다. 첫 라인은 2027년 상반기에 납품된다.

  • 핵심: 계약 대상은 HJT 태양전지 턴키 생산 라인 한 개이고, 싱굴루스는 추가 라인을 더 공급할 계획이다.
  • 일정: 첫 라인은 2027년 상반기에 납품된다고 보도자료는 적었다.
  • 규모: 보도자료는 ‘more than 100 GW of production equipment’ 규모로 생산이 확대된다고 썼고, 계약 금액은 공개되지 않았다.

무엇이 달라지나

싱굴루스는 이 파트너십에서 대규모로 쓰이고 있는 기술을 바탕으로 고성능 태양전지와 생산 장비를 개발한다고 밝혔다. 생산은 SpaceX가 텍사스 베이스트럽에서 위성 제조를 늘리는 데 맞춰 ‘more than 100 GW of production equipment’를 뒷받침하도록 확대된다고 보도자료는 쓴다.

한계

계약 금액과 정해진 납품 물량은 공개되지 않았고, 추가 라인은 공급 계획 단계다. 보도자료에는 ‘연 100GW’라는 표현이 없다.

커뮤니티 반응

■AI 소식 전달 계정 하나가 이 계약을 Starmind용 HJT 태양광 제조 장비 연 100GW 공급으로 요약했다.

■같은 게시글은 출처로 싱굴루스 보도자료를 붙였다.

■독일 기업이 언급됐다는 점에 눈길을 끄는 말도 덧붙였다.

본문 펼치기 · 약 2분

보도자료가 밝힌 것은 라인 1개의 공급 계약과 2027년 상반기 납품 일정이다

싱굴루스 보도자료는 독일 카알 암 마인에서 11월 10일 발표됐다. 회사는 SpaceX와 헤테로접합 태양전지 제조용 턴키 생산 라인 공급 계약에 서명했다고 밝혔다. 이는 여러 추가 라인을 공급할 계획인 전략적 파트너십의 일부다. 파트너십은 2026년 3월에 시작됐다.

보도자료는 대규모로 쓰이는 기술 기반의 고성능 태양전지와 장비 개발을 적었다. 첫 라인은 2027년 상반기에 납품된다. 생산은 SpaceX가 텍사스 베이스트럽에서 위성 제조를 가속하는 데 맞춰 확대된다. 보도자료는 그 규모를 ‘more than 100 GW of production equipment’라고 쓴다.

보도자료에 따르면 SpaceX는 2026년 3월에 상당한 자금을 제공했다. 10월에 발표된 후순위 담보부 대출의 일부로 추가 자금도 제공했다. 고객사가 공급사에 자금도 댄 구조다. 보도자료 문구에는 ‘연’이라는 표현이 없다. 한 소식 계정의 요약과 달리 100GW가 연간 기준인지는 적혀 있지 않다.

임원 발언은 공정 구성의 강점과 SpaceX의 위성용 조달 경로를 각자 내세운다

싱굴루스 이사회 임원 Lars Lieberwirth는 습식 화학, 진공 코팅, 열처리를 합친 플랫폼 접근이 시장에서 차별점이라고 밝혔다. SpaceX와의 파트너십으로 이 역량을 의미 있는 규모로 산업화해 차세대 태양전지 기술의 선도적인 서구 공급사로서 입지를 굳히겠다는 취지다.

SpaceX의 스타링크 담당 수석부사장 Mike Nicolls는 싱굴루스와의 협력이 텍사스 생산시설에서 만드는 Starmind 위성용 태양전지의 고성능 제조 경로를 준다고 밝혔다. 공정 전문성과 장기 약속의 조합이 태양전지 생산을 늘릴 ‘내구성 있는 선택지(durable option)’라고 했다. 두 발언 모두 회사 측 설명이다.

싱굴루스는 PVD 스퍼터링, PECVD, 증착 같은 코팅 기술과 표면 처리, 습식 화학, 열처리 공정을 핵심 역량으로 소개한다. 이 장비를 태양광, 반도체, 의료기술, 포장, 유리·자동차, 배터리·수소 시장에 공급한다고 한다.

자세히 읽기 · 싱굴루스 테크놀로지스의 SpaceX 공급 계약 보도자료 ↗

Fluxaivory desk

Built from primary sources with AI assistance and published after automated checks. AI Use Policy · Corrections

Follow Fluxaivory

Get the briefing by email

A weekly roundup of the top AI news in plain English, from primary sources. Free. Unsubscribe anytime.