☕DreamHouse 브리핑
홈 › 2026-10-12 (월)

모델 브리핑 — 2026-10-12 (월, KST 아침)

10월 12일(월) 아침 브리핑으로 전달된 신규 AI 모델 발표 요약 아카이브입니다. 주말(10월 9일~11일) 사이 나온 소식을 모았습니다. 성능 수치는 특별히 밝히지 않는 한 회사 발표 기준입니다. 기사 전문이 아니라 요약이며, 자세한 내용은 각 원문 링크를 확인하세요. 각 항목의 논조·다른 시각은 같은 주제의 다른 매체·전문가·커뮤니티 반응을 찾아 출처와 함께 덧붙인 것입니다.

1. 마이크로소프트, 결정 모델 ‘Microsoft-Decision-1’ 출시 — 입력 100만 토큰당 0.042달러, 출력은 무료

  • 원문: https://commandline.microsoft.com/microsoft-decision-1-model-foundry/
  • 분야: 모델 · 결정 모델
  • 날짜: 2026-10-09 (UTC, 한국 시각 10일 새벽)

미디어

Microsoft-Decision-1 소개 카드 (Microsoft)

출처: 원문 페이지 (Microsoft Command Line 블로그) — 원본 이미지 링크(복제 저장 아님)

요약

마이크로소프트가 결정 모델(decision model, 글을 생성하지 않고 정해진 선택지마다 확률을 매기는 모델) Microsoft-Decision-1을 내놨습니다. 기업용 AI 개발 플랫폼 Microsoft Foundry와 여러 모델을 한 API로 묶어 파는 중개 서비스 OpenRouter에서 쓸 수 있습니다. 질문 유형은 예/아니오, 객관식, 점수 매기기이고, AI 답변이나 에이전트 행동을 기준표대로 채점하는 데도 쓸 수 있습니다. 쓰임새로는 요청 라우팅, 분류, 우선순위 정하기, 검증, 워크플로 제어를 꼽았습니다.

이 모델은 알리바바의 오픈 가중치 모델 Qwen3.5-9B를 바탕으로 마이크로소프트가 추가 학습(post-training)한 것이고, 앞으로 MAI(Microsoft AI, 마이크로소프트 자체 AI 조직의 모델) 와 OpenAI 모델로도 다시 만들 계획이라고 밝혔습니다. 회사 발표 기준으로, 학습에 쓰지 않은 약 15만 문항·36개 벤치마크 비교에서 정확도가 가장 높았고, 응답 속도는 2위 H2O-Lightning-4B v1.1보다 2.5배, GPT-6 Sol보다 35배 빨랐습니다(P50 지연 시간, 요청 절반이 이 시간 안에 끝나는 중간값 기준). 같은 요청을 8가지 방식으로 살짝 바꿔도 결정이 뒤집힌 비율은 평균 1.3%였다고 합니다.

내부 사례로는 Xbox 리서치가 1만 건 넘는 게임 피드백을 주제별로 분류하면서 GPT-6 Sol과 비슷한 품질에 14배 넘게 빠르고 200배 싸게 처리했고, Copilot 팀의 품질 측정에서는 GPT-5.6 Luna와 비슷한 수준에 100배 빨랐다고 소개했습니다. 가격은 입력 100만 토큰당 0.042달러이고 출력 토큰은 무료입니다(이 모델은 글을 출력하지 않기 때문입니다).

논조·다른 시각

  • 기사 논조: 긍정 — 회사 공식 블로그로, ‘LLM과 다른 결정 모델을 모두 능가한다’는 자기 평가가 중심입니다.
  • 논조 점검: 모든 성능·속도·내부 사례 수치가 회사 자체 측정입니다. 벤치마크 대상과 방식을 회사가 골랐고, 글 끝에 ‘Jev의 정확도·보정 벤치마크를 추가했다’는 편집자 주가 붙어, 처음 공개 때는 이 분야 대표 경쟁 모델과의 비교가 빠져 있었음을 보여 줍니다.
  • 다른 시각:
    • 검증 부재 지적(OrcaRouter 블로그): Foundry 카탈로그의 벤치마크 탭에는 방법론 문단만 있고 숫자가 없다고 지적했습니다. 가중치는 배포되지 않아 내려받거나 직접 돌릴 수 없고, 보정(확률이 실제 적중률과 맞는지)이 얼마나 잘 됐는지 외부에 공개된 숫자가 없으니 ‘능력이 입증된 것’이 아니라 ‘API가 열린 것’으로 보고 자기 데이터로 먼저 시험하라고 권했습니다 (OrcaRouter).
    • 데이터 상주 관점(Technspire): 유럽 고객에게는 출시 첫날부터 EU 데이터 존(데이터를 EU 안에서만 처리하는 배포 방식)을 같은 가격에 연 점이 가장 중요하다고 평가했습니다. 다만 기반 모델이 Qwen3.5-9B라는 점은 구매 시 기록해 둘 사항으로 꼽았습니다 (Technspire).

시사점: 결정 모델이 스타트업 실험에서 빅테크 정식 제품군으로 올라왔습니다. 에이전트 비용을 줄이는 ‘싸고 빠른 판단 계층’이 표준 부품이 되는 흐름입니다.

2. Nace AI, 9B 결정 모델 ‘Drex 1.5’ 오픈소스 공개 — 닫힌 모델 Jev와 동급 점수

  • 원문: https://www.marktechpost.com/2026/10/09/nace-ai-open-sources-drex-1-5-a-9b-decision-model-that-scores-options-not-text/
  • 분야: 모델 · 결정 모델/오픈 가중치
  • 날짜: 2026-10-09

미디어

Drex 1.5 소개 배너 (MarkTechPost)

출처: 원문 페이지 (MarkTechPost) — 원본 이미지 링크(복제 저장 아님)

요약

Nace AI가 89억 5천만 개 파라미터(8.95B, 모델 크기)의 결정 모델 Drex 1.5를 공개했습니다. 텍스트를 쓰지 않고, 상태(텍스트나 JSON(JavaScript Object Notation, 데이터를 주고받는 표준 텍스트 형식))와 질문을 받아 사용자가 준 선택지마다 확률을 한 번의 계산(single forward pass)으로 돌려줍니다. 질문 유형은 객관식, 예/아니오, 순서 점수 세 가지입니다. TypeSafe의 Jev와 같은 POST /v1/systemone 요청 형식을 써서, 기존 Jev 사용 코드는 환경 변수 몇 개만 바꾸면 그대로 돌아간다고 회사는 설명합니다.

공개 벤치마크인 Decision Index 0.3.1(37개 벤치마크)에서 58.08점으로, 닫힌 모델 Jev 1.13.0(57.96점)과 리더보드의 ‘동점 범위’ 안에 들었고 10B 미만 모델 중 최고점이라고 합니다. 다만 이 점수는 Nace가 공식 도구로 직접 돌린 결과입니다. 긴 문서에 강해 3만 2천~12만 8천 토큰 문서에서 93.4% 정확도를 냈지만, 일반 지식 시험인 GPQA Diamond에서는 45.4%로 Jev(78.6%)에 크게 뒤졌고 세밀한 감성 분석(ACOS)에서도 7.4%로 약했습니다.

실행 방법은 네 가지입니다. CUDA GPU 1장에서 돌리는 파이썬 런타임, Nace가 고친 llama.cpp 포크(BF16 또는 약 9.5GB짜리 Q8_0 GGUF(GPT-Generated Unified Format, llama.cpp 계열에서 쓰는 모델 파일 형식) — 애플 실리콘·CPU에서도 동작), Nace의 Ollama 포크, 그리고 OpenRouter 호스팅(입력 100만 토큰당 0.04달러, 출력 0달러)입니다. 라이선스는 사용 제한 조항이 있는 RAIL-M(Responsible AI License — Model, 특정 용도를 금지하는 책임 있는 AI 모델 라이선스) 입니다.

논조·다른 시각

  • 기사 논조: 긍정 — ‘닫힌 모델과 1장짜리 GPU로 맞먹는다’를 핵심으로 내세우되, 약점(GPQA·감성 분석)과 제한 사항도 따로 정리했습니다.
  • 논조 점검: 벤치마크 점수는 회사가 직접 돌린 결과를 옮긴 것입니다. 기사 스스로 Nace가 벤치마크의 학습용 분할로 학습했다고 밝히고 있어, 처음 보는 분야에서는 결과가 다를 수 있습니다. 회사 출시 차트는 예전 버전(0.2.1) 점수를 써서 숫자가 조금 다릅니다. 로컬 실행에는 공식 llama.cpp·Ollama가 아니라 Nace의 포크가 필요하다는 점도 기사에 적혀 있습니다.
  • 다른 시각:
    • 찾은 반론 없음 (검색 범위: 웹 검색 ‘Nace AI Drex 1.5 open source decision model’ 결과 — Hugging Face 모델 카드·Drex 문서·MarkTechPost. 출시 직후라 독립 평가나 비판적 리뷰는 아직 찾지 못함).
    • 예상 쟁점: 같은 분야 경쟁 모델(Jev·Decision-1)과 비교하는 공개 리더보드가 주로 업계 스스로 만든 것이라, 독립적인 평가가 나오기 전까지는 점수 차이를 크게 해석하기 어렵다는 지적이 나올 수 있습니다.

시사점: 결정 모델 분야에도 ‘닫힌 모델을 따라잡는 오픈 가중치’ 구도가 생겼습니다. 사내에서 데이터를 밖으로 보내지 않고 분류·라우팅을 돌리고 싶은 팀에겐 시험해 볼 만한 선택지입니다.

3. 알리바바 Qwen-Image-2.1-Turbo 공개 — 40단계 걸리던 이미지 생성을 8단계로

  • 원문: https://huggingface.co/Qwen/Qwen-Image-2.1-Turbo
  • 분야: 모델 · 이미지 생성/오픈 가중치
  • 날짜: 2026-10-09

미디어

Qwen-Image-2.1-Turbo Hugging Face 썸네일

출처: Hugging Face 모델 페이지 — 원본 이미지 링크(복제 저장 아님)

요약

알리바바 Qwen 팀이 이미지 생성·편집 모델 Qwen-Image-2.1의 가속판 Qwen-Image-2.1-Turbo를 9일 Hugging Face에 올렸습니다. 같은 70억 파라미터(7B) 구조를 그대로 쓰면서 디노이징(denoising, 잡음에서 시작해 조금씩 그림을 다듬는 생성 과정) 단계를 기본 모델 예제의 40단계에서 8단계로 줄인 체크포인트입니다. 이미지 라이브러리 Diffusers의 QwenImage21Pipeline으로 불러 쓰고, 2048×2048 정사각형을 포함한 7가지 해상도를 지원합니다.

추천 8단계 샘플링 일정이 체크포인트 안에 저장돼 있어 자동으로 적용됩니다. 그래서 단계 수(num_inference_steps)만 바꿔서는 일정이 바뀌지 않고, sigmas 값을 직접 넘겨야만 덮어쓸 수 있습니다. 기본값으로 CFG(Classifier-Free Guidance, 프롬프트를 얼마나 강하게 따를지 조절하는 추가 계산) 는 1이라 추가 계산을 하지 않고, 텍스트·참조 이미지 정보를 단계마다 재사용하는 KV 캐시(Key-Value cache, 앞서 계산한 결과를 저장해 다시 쓰는 기법) 도 씁니다.

같은 날 Qwen-Image-2.1 Pro와 Turbo API(Application Programming Interface, 프로그램끼리 기능을 주고받는 창구) 도 알리바바 클라우드 Model Studio에서 정식으로 열렸습니다. 라이선스는 기본 모델과 같은 Qwen Research License로, 상업적으로 쓰려면 별도 허가가 필요합니다.

논조·다른 시각

  • 기사 논조: 중립 — 원문은 Hugging Face 모델 카드라 사용법과 사양 위주입니다.
  • 논조 점검: 회사가 올린 1차 자료로, Turbo 체크포인트 자체의 품질·속도·메모리 수치는 하나도 공개되지 않았습니다. 쇼케이스 이미지는 회사가 고른 결과물입니다. ‘8단계’는 단계 수일 뿐 실제 걸리는 시간은 아닙니다.
  • 다른 시각:
    • 재현 함정과 라이선스(OrcaRouter 블로그): 진짜 변화는 단계 수가 아니라 샘플링 일정이 가중치 안으로 들어간 점이라며, 기본 모델 예제 코드를 그대로 Turbo에 쓰면 오류 없이 돌지만 쇼케이스와 같은 결과가 나오지 않을 수 있다고 경고했습니다. 아직 정식 출시되지 않은 Diffusers 소스 버전이 필요하고, 비상업 연구용 라이선스는 빨라졌다고 바뀌지 않으니 제품에 넣으려면 라이선스부터 확인하라고 했습니다 (OrcaRouter).
    • 중국 AI 동향 매체(AIGC.NEWS): 성능 주장은 ‘회사 발표이며 아직 독립 평가 없음’으로 분류하고, 해외 개발자는 상업적 사용 제한을 검토해야 한다고 짚었습니다 (AIGC.NEWS).

시사점: 오픈 이미지 모델 경쟁이 ‘품질’에서 ‘속도·비용’으로 옮겨 가고 있습니다. 다만 상업용으로 쓰기엔 라이선스 제약이 그대로라, 개인·연구용 로컬 생성에 먼저 의미가 있는 소식입니다.

다음 파트⚙️ 엔진 →