TL;DR

이 모델은 google/gemma-4-12B-it를 베이스로 읽기-추론-행동-검증을 반복하는 멀티스텝 툴 사용 궤적과 테스트 통과를 조건으로 한 코딩 체인오브소트로 파인튜닝한 12B 에이전틱 모델로, 약 4.5GB 메모리만 있으면 로컬에서 돌아간다. tau2-bench telecom(진단→수정→검증 루프)에서 베이스 모델의 약 15%보다 3.5배 높은 약 55%를 기록했는데, 이는 베이스가 막히면 인간에게 넘기고 포기하는 반면 이 모델은 문제를 계속 붙잡고 풀기 때문이라고 설명한다. 코딩·에이전틱에 집중한 대가로 일반 지식(MMLU-Pro)과 고객서비스형 tau2-bench retail에서는 베이스보다 살짝 낮은 점수를 보인다. Gemma 4의 멀티토큰 예측 드래프트를 이용한 추론적 디코딩도 지원해 llama.cpp에서 약 1.2~1.3배 속도를 더 낼 수 있으며, 안전 정렬보다 과업 성능에 집중해 튜닝됐으므로 프로덕션에는 별도 가드레일이 필요하다.

핵심 포인트

• 약 4.5GB 메모리로 로컬에서 돌아가는 코딩·에이전틱 특화 12B 파인튜닝 모델이다.
• 읽기-추론-행동-검증을 반복하는 멀티스텝 툴 사용 데이터를 추가해 베이스 모델의 '한 스텝에서 멈추는' 문제를 개선했다.
• tau2-bench telecom(진단→수정→검증 루프)에서 베이스 대비 약 3.5배 높은 점수를 낸다.
• Gemma 4의 멀티토큰 예측(MTP) 드래프트를 이용한 추론적 디코딩을 지원해 llama.cpp에서 약 1.2~1.3배 속도 향상을 얻을 수 있다.

제한사항

벤치마크