Step 3.5 Flash: OpenClaw 에이전트를 위한 196B 오픈소스 MoE 모델

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

StepFun은 오픈소스 에이전트 프레임워크인 OpenClaw에 최적화된 새로운 대형 언어 모델 Step 3.5 Flash를 발표했다. 이 모델은 총 196B개의 파라미터를 보유한 희소 Mixture-of-Experts(MoE) 구조를 채택했으며, 추론 시에는 토큰당 11B개의 파라미터만 활성화하여 연산 효율을 극대화했다. 프론티어급 추론 능력과 강력한 에이전트 수행 능력을 갖추고 있어 실질적인 AI 에이전트 구축에 적합한 오픈 모델로 평가받는다. 특히 OpenClaw와의 네이티브 통합을 통해 개발자들이 즉시 고성능 에이전트 시스템을 구현할 수 있는 환경을 제공한다.

배경

Mixture-of-Experts(MoE) 아키텍처에 대한 이해, AI 에이전트 및 도구 사용(Tool Use) 개념, OpenClaw 프레임워크 사용 경험

대상 독자

오픈소스 기반 AI 에이전트 시스템을 구축하려는 개발자 및 MLOps 엔지니어

의미 / 영향

Step 3.5 Flash의 등장은 오픈소스 모델 진영에서도 고효율 MoE 구조를 통해 상용 모델 수준의 에이전트 성능을 구현할 수 있음을 보여준다. 특히 특정 에이전트 프레임워크(OpenClaw)와의 긴밀한 통합은 모델 자체의 성능을 넘어 생태계 중심의 AI 개발 트렌드를 가속화할 것으로 보인다.

섹션별 상세

Step 3.5 Flash는 196B 파라미터 규모의 대형 모델임에도 불구하고 희소 MoE 아키텍처를 통해 추론 효율을 확보했다. 토큰당 11B 파라미터만 활성화함으로써 대규모 모델이 가진 높은 지능 수준과 소형 모델의 빠른 추론 속도를 동시에 구현했다.

지능 밀도 측면에서 기존의 거대 모델들과 비교했을 때 우수한 효율성을 보여준다. 제공된 벤치마크 데이터에 따르면 파라미터 수 대비 높은 스코어를 기록하여 자원 대비 성능비가 뛰어난 모델임을 입증했다.

모델 파라미터 수 대비 벤치마크 점수를 나타내는 지능 밀도 차트이다. — ChartStep 3.5 Flash가 다른 대형 모델들보다 적은 파라미터 활성화로도 높은 점수를 기록하며 우측 상단의 'Higher Intelligence Density' 영역에 위치함을 보여준다. 이는 모델의 구조적 효율성이 매우 높음을 시사한다.

추론, 코딩, 에이전트 작업 등 다양한 영역에서 프론티어급 성능을 발휘한다. GSM8K, MATH, HumanEval 등 주요 벤치마크에서 기존 오픈소스 모델 및 상용 모델들과 대등하거나 우수한 결과를 나타냈다.

추론, 코딩, 에이전트 등 주요 카테고리별 벤치마크 성능 비교 막대 그래프이다. — ChartGSM8K, MATH, HumanEval 등 다양한 지표에서 Step 3.5 Flash가 경쟁 모델들과 대등하거나 우위인 성능을 내고 있음을 구체적인 수치로 제시한다. 특히 추론과 코딩 영역에서의 강점이 두드러진다.

OpenClaw 에이전트 프레임워크와의 네이티브 통합을 지원하여 실무 적용성을 높였다. 멀티 에이전트 추론 및 검색, 검증 워크플로우를 원활하게 수행할 수 있도록 설계되어 복잡한 자율 에이전트 시스템 구축에 최적화되었다.

OpenClaw 프레임워크 내에서 작동하는 멀티 에이전트 추론 인터페이스 스크린샷이다. — ScreenshotMaster Agent가 검색(Search) 및 검증(Verify) 서브 에이전트를 활용하여 복잡한 질문에 답하는 과정을 보여준다. 모델이 실제 에이전트 워크플로우에서 어떻게 구조적으로 활용되는지 시각화한다.

파이썬 코드 실행 기능을 결합한 도구 증강 추론(Tool-Augmented Reasoning)에서 성능 향상이 두드러진다. AIME 2025 및 HMMT 2025와 같은 고난도 수학 벤치마크에서 파이썬 실행 기능을 사용할 경우 점수가 유의미하게 상승하는 결과를 보였다.

파이썬 코드 실행 기능 유무에 따른 도구 증강 추론 성능 비교 차트이다. — ChartAIME 2025, HMMT 2025 등 고난도 수학 벤치마크에서 파이썬 도구를 결합했을 때 성능이 최대 99.8점까지 상승함을 보여준다. 이는 모델의 도구 활용 능력이 추론 결과에 미치는 직접적인 영향을 입증한다.

실무 Takeaway

196B 모델의 지능을 11B 수준의 추론 비용으로 활용할 수 있어 대규모 에이전트 시스템 운영 시 인프라 비용을 획기적으로 절감할 수 있다.
OpenClaw 프레임워크를 사용하는 개발자는 별도의 최적화 없이도 Step 3.5 Flash를 통해 고성능 멀티 에이전트 워크플로우를 즉시 구축 가능하다.
복잡한 수학 및 논리 추론이 필요한 경우 파이썬 코드 실행 도구를 함께 활용하면 모델의 잠재 성능을 극대화할 수 있다.

언급된 리소스

문서Step 3.5 Flash Website