Mercury Edit 2 출시: 코딩 워크플로를 위한 초고속 확산 기반 LLM

섹션별 상세

01

Mercury Edit 2는 지연 시간에 민감한 '다음 편집 예측' 작업을 위해 설계된 확산 기반 LLM이다. 토큰을 하나씩 생성하는 기존 방식 대신 확산 모델의 특성을 활용해 병렬로 생성함으로써 추론 속도를 획기적으로 높였다. 이를 통해 개발자가 코드를 작성하는 흐름을 방해하지 않고 실시간으로 제안을 제공하는 것이 가능하다.

02

모델 학습을 위해 다양한 프로그래밍 언어와 시나리오를 포함한 고품질 편집 데이터셋을 구축하여 활용했다. 단순히 다음 토큰을 맞추는 것이 아니라 편집 이력과 코드베이스 컨텍스트를 해석해 정확한 수정 사항을 제안하도록 훈련했다. 초기 모델이 너무 잦거나 긴 편집을 제안하는 문제를 해결하기 위해 실제 사용자 피드백 데이터를 수집하여 보완했다.

03

수집된 인간 선호도 데이터를 바탕으로 KTO라는 비쌍체 강화학습 기법을 적용해 모델을 정렬했다. 이 과정을 통해 모델은 사용자가 실제로 수락할 가능성이 높은 유용한 제안만 선택적으로 출력하도록 최적화됐다. 그 결과 모델의 편집 수락률은 48% 증가했고, 불필요한 노출은 27% 감소하여 사용자 경험이 대폭 개선됐다.

Mercury Edit 1과 2의 수락률 및 노출률 비교 막대 그래프 — ChartMercury Edit 2가 이전 버전 대비 수락률은 28% 증가하고, 불필요한 노출률은 21% 감소했음을 보여준다. 이는 모델이 더 정확하고 선별적인 제안을 수행하게 되었음을 의미한다.

04

품질과 속도를 검증하기 위해 Instinct, FIM, NEP 등 공개 벤치마크와 내부 테스트 세트를 사용해 성능을 측정했다. Mercury Edit 2는 변수명 변경, 리팩터링, 기능 구현 등 다양한 시나리오에서 기존의 속도 최적화 모델들보다 우수한 성능을 보였다. 특히 엔드투엔드 지연 시간 측면에서 타사 모델 대비 압도적인 우위를 점하며 실시간 코딩 보조에 최적화됐음을 입증했다.

주요 모델별 품질 대비 엔드투엔드 지연 시간 산점도 — ChartMercury Coder가 250ms 미만의 매우 낮은 지연 시간과 80%에 육박하는 높은 품질을 동시에 달성하여 GPT-5.4 Nano, Gemini 3.1 Flash Live 등 타사 모델을 압도하는 성능을 보여준다.

용어 해설

확산 언어 모델(dLLM): — 확산 모델(Diffusion Model)의 원리를 언어 모델에 적용하여 토큰을 순차적으로 생성하는 대신 병렬로 생성하는 기술이다. 기존 오토레그레시브 방식보다 추론 속도가 매우 빨라 지연 시간에 민감한 실시간 애플리케이션에 적합하다.
카네만-트버스키 최적화(KTO): — 인간의 의사결정 이론을 바탕으로 한 비쌍체(unpaired) 강화학습 기법이다. 모델의 출력을 인간의 선호도에 맞게 정렬하여 더 유용하고 정확한 결과를 생성하도록 유도하며, 데이터 효율성이 높다는 장점이 있다.
다음 편집 예측(Next-Edit Prediction): — 개발자가 코드를 작성하거나 수정할 때 다음에 어떤 부분을 어떻게 변경할지 미리 예측하여 제안하는 기능이다. 단순한 코드 완성을 넘어 리팩터링이나 기능 구현 등 복잡한 편집 흐름을 지원한다.
지연 시간(Latency): — 사용자의 요청이 발생한 시점부터 시스템이 응답을 완료할 때까지 걸리는 시간이다. 코딩 보조 도구에서는 개발자의 흐름을 방해하지 않기 위해 밀리초(ms) 단위의 극도로 낮은 지연 시간이 요구된다.

기술

Mercury Edit 2
KTO
Zed Editor
Inception Platform

활용 사례

실시간 다음 편집 예측
코드 리팩터링 자동화
지연 시간에 민감한 코딩 보조 시스템

언급된 리소스

API DocsInception Platform