챕터별 상세
Scaling Agentic Training
80만 개의 검증 가능한 작업(Verifiable Tasks)과 실행 가능한 환경(Executable Environments)을 구축하여 에이전트 학습 규모를 확장했다. 모델은 단순히 코드를 작성하는 것에 그치지 않고 실제 환경에서 코드를 실행하고 그 결과를 확인하며 학습하는 과정을 거쳤다. 이러한 데이터 스케일링은 복잡한 문제 해결 능력을 비약적으로 향상시켰다.
에이전트 학습에서 실행 환경 피드백은 모델의 환각을 줄이고 논리적 추론을 강화하는 핵심 요소이다.
Efficiency and Performance Tradeoff
전체 파라미터는 80B 규모이지만 실제 추론 시에는 3B의 파라미터만 활성화되는 효율적인 구조를 채택했다. 이를 통해 SWE-Bench Pro 벤치마크에서 강력한 성능을 입증하면서도 연산 자원 소모를 최소화하는 성능-효율성 트레이드오프를 성공적으로 달성했다. 적은 활성 파라미터로도 대형 모델에 필적하는 소프트웨어 엔지니어링 능력을 보여주었다.
활성 파라미터가 적을수록 추론 속도가 빠르고 토큰당 비용이 저렴해진다.
Ecosystem and Tool Support
OpenClaw, Qwen Code, Claude Code와 같은 다양한 코딩 에이전트 프레임워크 및 도구와의 통합을 지원한다. 웹 개발, 브라우저 활용 에이전트, Cline 등 실무 개발 환경에서 즉시 적용할 수 있는 호환성을 갖추었다. 이는 모델이 단순한 언어 모델을 넘어 실제 개발 워크플로우의 핵심 엔진으로 작동함을 의미한다.
에이전트 모델은 외부 도구 및 프레임워크와의 호환성이 실무 활용도를 결정한다.
용어 해설
- 에이전트 중심 학습(Agentic Training)
- — AI가 단순히 텍스트를 생성하는 것을 넘어 도구를 사용하고 환경과 상호작용하며 목표를 달성하도록 학습시키는 기법이다. 실행 결과에 대한 피드백을 학습에 반영하여 자율적인 문제 해결 능력을 높이는 데 필수적이다.
- SWE-벤치 프로(SWE-Bench Pro)
- — 실제 오픈소스 프로젝트의 GitHub 이슈를 해결하는 능력을 측정하는 벤치마크이다. 코드 수정, 테스트 실행, 디버깅 등 실제 소프트웨어 엔지니어링 워크플로우를 얼마나 잘 수행하는지 평가한다.
- 전문가 혼합 구조(Mixture of Experts)
- — 전체 파라미터를 여러 전문가 그룹으로 나누고 입력값에 따라 필요한 전문가만 활성화하여 처리하는 방식이다. 모델의 용량은 키우면서도 실제 연산량인 활성 파라미터를 낮게 유지할 수 있어 효율적이다.
- 활성 파라미터(Active Parameters)
- — 추론 시 실제로 계산에 참여하는 파라미터의 개수이다. MoE 구조에서는 전체 파라미터 중 일부만 활성화되므로 모델의 지식량은 유지하면서 추론 속도와 비용을 최적화할 수 있다.
- 검증 가능한 작업(Verifiable Task)
- — 정답 여부를 코드를 실행하거나 테스트 케이스를 통과하는 방식으로 객관적으로 확인할 수 있는 작업이다. 모델 학습 시 명확한 성공 및 실패 신호를 제공하여 성능을 정교하게 개선한다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 02. 04.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
