좋은 AI를 5분의 1 값에 쓸 수 있게 됐어요. 그럼 비싼 건 왜 쓰죠?

모델 공급사가 인력 자격증을 직접 발급하기 시작했다. 병목이 모델 성능이 아니라 '기업에 깔 수 있는 사람'이라는 진단이고, 자격을 랩이 쥐면 컨설팅사·금융사의 배포 인력이 특정 모델 생태계에 묶인다. 컴퓨트 경제의 경쟁이 칩과 전력에서 숙련 인력으로 번진 지점이다.

딥리서치류 기능이 8B 오픈웨이트로 내려온 지점이다. 인용 정확도·재현율을 평가 축으로 삼은 점이 중요한데, 보고서 생성에서 문제가 되는 것은 문장 품질이 아니라 인용이 실재하는지이기 때문이다. 학습 데이터까지 공개해 재현 가능한 비교 기준이 생겼다.

스킬·플러그인 마켓이 커지면 공급망이 공격면이 된다. 심사를 특정 벤더가 아니라 복수 참여자의 벤치마크로 돌리는 구조는 패키지 저장소가 지나온 길과 같고, MCP·Skills 표준화(축④)가 배포 규격에서 심사 규격으로 넓어지는 신호다.

규제 산업의 대형 은행이 좌석 수와 처리 건수를 공개한 드문 사례다. 16,000명·하루 12만 건은 '시범'이 아니라 운영 규모이고, 개발자 50%라는 목표치는 코딩 에이전트 도입이 선택에서 계획으로 바뀐 것을 보여 준다. 수치는 모두 양사 발표다.

자기회귀 밖의 생성 경로가 '병렬 생성이 빠르다'는 주장에서 '의존 구조를 어떻게 지키느냐'는 문제로 성숙한 지점이다. 이산·연속 확산 각자의 결함을 하나의 상태로 묶어 해결하려는 설계이고, 관찰 주제 '확산 언어모델'의 누적 근거가 또 하나 늘었다.

하네스 엔지니어링의 최적화 대상이 '무엇을 고치는가'에서 '무엇을 시험하는가'로 넓어졌다. 실패를 패턴으로 추상화해 커리큘럼을 자동 편성한다는 것은 에이전트 개선 루프에서 사람이 시나리오를 고르던 자리를 대체하는 일이고, 재귀적 자기개선(축⑫)과 맞닿는다.

주권형 의료 전환을 주제로 한 기업 발표에서 주권이 데이터·모델·운영 세 층으로 쪼개지고, 주권의 본질이 지금 기반하고 있는 것을 언제든 바꿀 수 있는 선택의 자유로 정의된다. 발표의 절반은 후속학습 방법론에 들어가는데, 데이터를 쏟아붓자 점수가 오히려 내려갔다는 실패에서 출발해 오답을 세 병소로 나눠 진단한다. 아예 모르는 경우, 지식은 있으나 그것을 쓸 자리임을 모르는 경우, 틀린 것을

임베딩 모델의 경쟁점이 점수에서 운영 비용으로 옮겨 간 사례다. 등급이 임베딩 공간을 공유한다는 설계는 재색인 비용 — 대규모 RAG에서 모델 교체를 막는 가장 큰 장벽 — 을 없애려는 것이고, 이것이 되면 임베딩 모델 교체 주기가 짧아진다.

추론 과정(reasoning trace)을 숨기는 것이 영업비밀 보호 조치가 된 뒤 처음 공개된 대규모 추출 시도다. 귀속이 특정 중국 랩을 지목한 점에서 기술 사건이 아니라 지정학 사건으로 읽히고, 추론 비공개 정책이 안전 논거뿐 아니라 방어 논거를 함께 갖게 된다. 귀속은 OpenAI 측 주장이며 제3자 검증은 없다.

오픈웨이트 공개가 안전 조치 없이 이뤄질 때 무엇이 흘러나가는가를 경쟁 랩이 수치로 제시한 첫 사례다. 오픈웨이트 계보(축⑨)의 논쟁이 '성능 격차'에서 '안전장치 격차'로 옮겨 가고, 가중치 공개 자체가 아니라 함께 공개되지 않은 것이 쟁점이 된다. 경쟁자가 경쟁자를 평가했다는 이해관계는 감안해야 한다.

속도가 별도 과금 등급으로 분리된 것이 핵심이다. 지연이 에이전트 루프의 병목이 되면 초당 토큰이 품질과 분리된 상품이 되고, 추론 인프라 투자는 최고 점수가 아니라 등급별 지연 보장으로 회수된다.

분리 서빙이 연구 주장에서 운영 안내로 내려왔다. 평균 처리량이 아니라 p99 지연을 기준으로 삼은 것이 핵심인데, 에이전트 루프는 꼬리 지연에 그대로 노출되기 때문이다. 같은 주 OpenAI가 속도를 별도 과금 등급으로 떼어 낸 것과 같은 압력의 오픈소스 쪽 대응이다.

같은 주에 Anthropic Sonnet 5.5와 나란히 나온 중급 등급 갱신이다. 두 랩이 동시에 '프런티어의 1/5 가격으로 거의 같은 일'을 내세웠다는 점에서, 2026년 하반기의 경쟁축이 최고 성능이 아니라 성능당 단가로 이동했음을 보여 준다.

스킬을 하네스마다 새로 학습하는 대신 저장소에서 검색해 적응시킨다는 접근으로, 스킬이 모델·하네스에 묶인 산출물에서 이전 가능한 자산으로 바뀐다. 같은 주 ClawScan의 스킬 심사 강화와 함께 보면 스킬이 유통되는 물건이라는 전제가 양쪽에서 굳어지는 중이다.

에이전트를 '요청할 때 도는 세션'이 아니라 '계정에 상주하는 인격'으로 파는 첫 주요 상용 제품이다. 과금 단위가 토큰·좌석에서 에이전트 수로 옮겨 가고, 상시 가동은 권한·감사·격리 설계를 제품 쪽에서 강제한다 — 같은 주 OpenClaw Enterprise·Foundry 이그레스 제어와 같은 문제를 다른 층에서 건드린다.

에이전트 런타임이 벤더 제품에서 재단 소유 표준 인프라로 넘어가는 경로가 생겼다. 하네스·모델·샌드박스를 교체 가능한 슬롯으로 규정한 것이 핵심인데, 이 분리가 자리 잡으면 모델 교체 비용이 떨어지고 기업은 특정 랩에 덜 묶인다. 상시 에이전트를 사내 격리 환경에 두려는 제조·금융 쪽 요구와 바로 맞물린다.

안전 논의의 대상이 배포 시점에서 훈련 시점으로 옮겨 간 기록이다. 모델이 훈련 중 격리를 벗어날 수 있다는 전제를 랩이 공개 문서로 받아들이면, 규제가 참조할 수 있는 절차 기준이 생긴다 — 같은 주 Anthropic의 GLM-5.3 분석과 합쳐 보면 '안전장치 없는 공개'를 비교할 기준선도 된다.

중급 등급이 상급 등급의 두 점 아래까지 올라왔다는 벤더 주장 자체가 이 주의 사건이다. 등급 간 성능 간격이 좁아지면 가격이 선택 기준이 되고, 프런티어 모델을 쓸 이유가 과제 난이도에서 지연·비용으로 옮겨 간다. 다만 Terminal-Bench 10.3%→70.6% 같은 폭은 같은 조건 비교인지 외부 검증이 없어 자사 주장으로만 둔다.

에이전트를 개인 비서가 아니라 팀의 공유 자산으로 두는 설계다. 컨텍스트·자격증명·메모리를 봇 단위로 묶으면 조직 지식이 봇에 축적되는 대신 그 봇이 권한 집중점이 된다 — 같은 주 OpenAI dots와 같은 방향이고, 공유 자격증명이라는 점에서 보안 노출은 더 크다.

스마트 안경 열풍을 앞선 가상 공간 붐의 재탕인지 되묻고, 용어가 공간 컴퓨팅으로 갈아입은 경위를 그래프로 추적한 보도 묶음이다. 핵심 인과는 하드웨어가 아니라 모델에 있다고 정리되는데, 같은 안경이 음악과 사진 공유 수준으로 4년을 끌다가 보고 듣는 정보를 함께 처리하는 모델과 실시간 번역이 올라간 2세대에서야 팔리기 시작했다는 것이다. 입력 수단이 승부처로 제시되는 점도 눈에 띄어 손목

스스로 장면을 만들어 내지 못하는 텍스트 모델을 명령줄에 앉혀 두고, 외부 생성 플랫폼의 로그인과 인증, 모델 선택, 재실행까지 대화로 지시하는 구조가 화면 그대로 제시된다. 건질 조각은 셋인데, 첫째는 지능과 실행 능력을 분리해 둔 배치로, 두뇌 쪽은 자료 수집과 전처리, 도구 선택만 하고 실제 생성은 외부 모델이 맡으므로 한쪽을 갈아 끼워도 다른 쪽이 흔들리지 않는다. 둘째는 재실행 직전

프롬프트 인젝션 방어를 모델 정렬이 아니라 네트워크 경계로 내린 상용 구현이다. 에이전트가 속는 것을 막을 수 없다는 전제에서 출발해 속아도 데이터가 못 나가게 하는 접근이고, 같은 주 NVIDIA·AgentKernel 계열 논의와 같은 결론에 제품 층에서 도달했다. 관찰 주제 '에이전트 보안·샌드박싱'의 누적 근거가 또 하나 늘었다.

에이전트가 '사람이 부를 때 도는 것'에서 '스스로 깨어나는 것'으로 넘어가는 운영 기반이 클라우드 제품의 GA가 됐다. 에이전트에 고유 ID를 주는 선택지가 함께 나온 점이 중요한데, 감사 로그의 주체가 사람이 아니라 에이전트가 되면 책임 추적의 단위가 바뀐다.

앞선 기업들이 정작 직원의 외부 모델 사용을 막는다는 역설을 축으로, 그 이유를 기록 보관 기간과 데이터 주권에서 찾는 내레이션 브리핑이다. 쟁점은 하나로 좁혀지는데, 공급자 쪽은 우회 공격 탐지를 위해 최소 30일 기록 보관이 필요하다고 보는 반면 기업은 1급 자료가 외부에 한 달 머무는 것 자체를 거부한다는 대립이다. 여기서 세션이 끝나면 어떤 기록도 외부에 남기지 않는 요구가 이름을 얻

코딩을 못 한다고 전제한 한 사업자가 상용 코딩 에이전트의 설치부터 첫 과제까지를 10분으로 압축한 입문 정리다. 옮겨 쓸 만한 조각은 둘인데, 한 번 가르친 작업 절차를 이름 붙여 저장해 두고 다음부터는 한 줄로 불러 쓰는 방식, 그리고 사업체별·역할별로 작업 공간을 갈라 맥락이 섞이지 않게 두는 운영 규칙이다. 첫 과제를 여러 곳에서 받은 표를 하나로 합치는 일로 고른 판단도 결과를 눈으

같은 한 줄 지시로 두 상용 모델에 세 장르의 게임을 만들게 한 뒤 완성물을 직접 끝까지 조작해 비교한 기록이다. 건질 대목은 승패가 아니라 둘인데, 하나는 품질이 크게 올라간 순간이 모델을 바꿨을 때가 아니라 자산 생성 서비스와 3D 제작 도구를 MCP로 붙였을 때라는 관찰이다. 다른 하나는 세 장르 모두 처음에는 멀쩡해 보였지만 끝까지 진행하자 캐릭터 이미지가 깨지고 뼈대 설정이 실패하고

같은 주에 나온 안전 경고와 성능 돌파를 한자리에 묶은 짧은 보도의 정리다. 구성이 특이한데, 두 상용 모델에 각자 소속 회사가 책임 있게 개발하고 있다고 확신하느냐고 직접 물어 그 답을 근거로 쓰고, 나아가 10년 내 인류 멸종 확률까지 물어 5~10%와 1~5%라는 숫자를 받아 전문가 추정치와 같은 층위로 나열한다. 이 숫자는 측정값도 조사 결과도 아니라 모델이 생성한 문장이어서, 모델에

물리 세계로 내려온 자동화를 반도체와 연산 설비, 휴머노이드, 공장 넷으로 따라간 48분 분량 기록의 정리다. 가장 또렷한 구분은 허용 오차인데, 거대 언어 모델은 신뢰도 60~70%에서도 세상에 나왔고 환각이 있어도 피해가 적었지만 움직이는 로봇은 신뢰도가 떨어지면 그 자체가 사고라고 단정된다. 이어 집게손으로는 할 수 없는 일이 현장 작업의 70~80%이고 사람 수준의 다섯 손가락과 손재

한 프런티어 개발사의 안전 연구자가 인류 파멸 가능성을 경고하며 회사를 떠난 일이 짧게 정리된다. 눈여겨볼 대목은 퇴사자의 경고가 아니라 재직 중인 내부 임원 두 명이 그 경고에 공개로 동조했다는 사실인데, 정렬을 총괄하는 쪽은 10년 안의 확률을 개인적으로 10% 넘게 본다고 밝힌다. 경고의 대상이 사람의 개입 없이 스스로 성능을 개선하는 시스템으로 특정되는 점도 중요한데, 이를 운영 원칙

가속기 확보 경쟁을 두고 많이 가진 쪽이 이긴다는 통념에, 전제는 동의하지만 이제는 그렇지 않다고 답하는 대담이다. 근거로 드는 사례가 선명한데, 2500억 변수급 국산 기반 모델을 고성능 가속기 여덟 장에서 두 장으로 줄여 성능을 유지한 채 서비스하게 만들어 원가와 대여비를 약 4분의 1로 낮췄다는 것이다. 여기에 에이전트가 쓰는 토큰이 반년 만에 14배 늘었다는 수치가 붙어, 운영비가 사

한 전문 제작 도구의 공급사가 명령줄 창구와 연동 모듈, 도메인 지식을 담은 스킬 저장소를 모두 공식으로 내놓은 뒤 그것을 에이전트에 붙여 쓰는 절차가 순서대로 정리된다. 구성이 네 겹으로 분명하게 갈리는데 도구의 명령줄 창구, 에이전트, 지식을 포장한 스킬, 둘을 잇는 연동 모듈이다. 더 옮겨 쓸 만한 것은 점검 순서인데, 상태 확인 명령으로 포트와 버전이 보이는지 확인하고, 에이전트에 연

국내 로봇과 물리 세계 자동화 관련 보도 여러 건을 한 지표로 묶어 읽은 정리다. 공통점이 새 시제품 공개가 아니라 판매와 부품 생산, 데이터 수집, 현장 실증, 운영 시스템, 산업 표준이라는 단어가 등장하기 시작한 것이고, 이를 산업화 단계 진입 신호로 보는 해석이 제시된다. 실무로 옮길 대목은 세 가지인데, 물류 포장 공정에 로봇을 넣은 이유를 상품과 상자와 놓인 위치가 매번 달라지는 변

전문 3D 제작 도구를 익히지 않은 사람이 연동 창구 하나만 붙여 하루 동안 써 본 기록이다. 미뤄 온 이유를 실력이 아니라 복잡한 화면과 기능을 하나씩 익혀야 하는 부담으로 특정하고, 한 벤더가 무료로 배포한 연동 모듈이 그 숙련 요건을 건너뛰게 했다고 제시된다. 더 옮겨 쓸 만한 것은 비용 순서인데, 호출마다 요금이 붙는 생성 모델을 바로 때리지 말고 요금이 붙지 않는 로컬 반복으로 구도

같은 과제 세 개를 두 상용 모델에 동일한 지시문으로 넣고 결과물과 소요 시간, 요금 환산액을 라운드마다 함께 공개한 대조 기록이다. 두 주 전 같은 형식의 대조에서는 품질로 이긴 쪽이 시간과 요금을 몇 배씩 더 썼는데, 이번에는 세 판 모두 한쪽이 더 빨랐고 더 쌌으며 두 판은 품질까지 가져간 역전으로 정리된다. 더 눈여겨볼 대목은 두 번째 과제인데, 사진 열 장만 주고 전문 3D 편집 도

4개 팀 모델 모두 독자성 기준을 충족한 것으로 판정된 가운데, 이번에 처음 도입한 국민 참여형 사용자 평가까지 합산해 3개 팀으로 압축됨

1차 평가 뒤 3개 팀으로 줄었던 사업에 1팀을 더해 4개 팀이 같은 개발 기간·GPU·데이터 조건으로 8월 단계평가를 받게 됨

Free·Pro 요금제의 claude.ai와 Claude Cowork 기본 모델이 됐고, 조기 접근 개발자들이 전작보다 크게 선호했으며 2025년 11월의 Opus 4.5보다도 자주 선호했다고 자사 발표

자사 측정 GPT-5.2 Thinking이 GDPval 승·무 70.9%(GPT-5 38.8%), ARC-AGI-2(Verified) 52.9%(GPT-5.1 Thinking 17.6%), SWE-bench Verified 80.0%

자사 주장 기준 V3.2-Speciale가 IMO·IOI 2025 등에서 금메달 수준 결과를 냈다고 밝힌 오픈웨이트 추론 모델

자사 측정으로 effort를 중간으로 두면 SWE-bench Verified에서 Sonnet 4.5 최고점과 같은 점수를 출력 토큰 76% 적게 써서 낸다고 밝힘

Thinking은 질문에 따라 사고 시간을 더 동적으로 조절해, 가장 빨리 끝나는 과제에서는 약 2배 빠르고 가장 오래 걸리는 과제에서는 약 2배 오래 생각한다고 밝혔으며, 이름은 GPT-5 세대 안의 반복 갱신임을 뜻한다고 설명

사고 과정과 도구 호출을 번갈아 수행하도록 학습한 오픈웨이트 추론 에이전트로, 자사 주장 기준 사람 개입 없이 200~300회 연속 도구 호출을 유지

5개월 전 최고 수준이던 Sonnet 4와 비슷한 코딩 성능을 3분의 1 비용, 2배 이상 속도로 제공한다고 밝혔고, CBRN 위험이 제한적이라는 판단에 따라 ASL-2로 출시

복잡한 다단계 작업에서 30시간 넘게 집중을 유지하는 것을 관찰했다고 밝혔고, Claude Agent SDK 공개와 함께 ASL-3 보호 조치 아래 출시

DeepSeek가 에이전트 시대로 가는 첫걸음이라고 밝힌 릴리스로, API의 deepseek-chat·deepseek-reasoner가 한 모델의 비사고·사고 모드가 되면서 V3와 R1으로 나뉘어 있던 제공 방식이 합쳐짐

자사 측정 SWE-bench Verified 74.5%. 가격은 Opus 4와 같고 모든 용도에서 Opus 4.1로 전환하라고 권고

오픈소스 모델에 한국어 추가 학습(CPT)을 한 A.X 4.0과 달리 설계부터 학습까지 직접 수행한 모델로, 이로써 SKT의 오픈소스 모델은 A.X 3.1 2종과 A.X 4.0 2종 등 4종이 됨

자사 주장 기준 오픈 모델 중 에이전틱 코딩·브라우저 사용·툴 사용에서 최고 성능을 냈다고 밝혔고, 명령줄 코딩 도구 Qwen Code를 함께 오픈소스로 공개

카나나 계열에서 처음으로 상업 이용이 가능한 Apache 2.0 라이선스를 적용한 공개

자사 측정 SWE-bench Verified Opus 4 72.5%·Sonnet 4 72.7%, Terminal-bench Opus 4 43.2%. 100만 토큰당 Opus 4 $15/$75, Sonnet 4 $3/$15로 이전 세대와 같고 ASL-3 등 상위 안전 수준 조치를 함께 시행

수학·과학·코딩 추론에 특화한 LG의 오픈웨이트 계열로, 자사 발표 기준 32B가 2025학년도 수능 수학 94.5점·AIME 2024 90.0점을 기록

QwQ-32B-Preview의 정식 후속으로, 자사 주장 기준 총 671B(활성 37B)인 DeepSeek-R1과 비슷한 성능을 32B로 냈다고 밝힘

2.1B~32.5B 카나나 언어모델 라인업의 학습 과정을 공개하면서 그중 경량 모델을 연구 목적으로 내놓은 카나나 계열의 첫 오픈웨이트

응답 전에 생각하지 않는 비추론 모델로, 자사 측정 GPQA 71.4%·SWE-bench Verified 38.0%는 o3-mini(high)의 79.7%·61.0%보다 낮았으나 MMMLU 85.1%(o3-mini 81.1%)·SWE-Lancer Diamond 32.6%(10.8%)에서는 앞섬

2024년 12월 예고 후 ChatGPT Plus·Team·Pro와 API(사용 티어 3~5)에 같은 날 제공했고, 무료 사용자에게도 'Reason' 버튼으로 열어 ChatGPT 무료 사용자에게 추론 모델을 처음 제공. 과학·수학·코딩에 강점을 둔 모델이라고 밝힘

범용 모델은 Apache 2.0으로 내고 MRL(Mistral Research License) 모델에서 점차 벗어나겠다고 밝힌 릴리스로, 자사 주장 MMLU 81% 이상·초당 150토큰

2.0 Flash가 주요 벤치마크에서 1.5 Pro를 두 배 속도로 앞선다고 자사 주장했고, Multimodal Live API와 Deep Research를 함께 내놓으며 Project Astra·Mariner·Jules 등 에이전트 시제품을 소개

EXAONE 3.0 7.8B 공개 4개월 만에 크기를 3종으로 늘린 후속으로, 비상업(NC) 라이선스는 유지

별도 사전학습 모델 없이 70B 지시 조정(Instruct) 모델 하나만 내놓은 Llama 3 계열의 갱신판

11B·90B는 Llama 계열 최초로 이미지 입력을 지원하는 모델이고, 1B·3B는 기기 내 실행을 겨냥한 경량 모델로 함께 공개됨

3B와 72B를 뺀 오픈 모델을 Apache 2.0으로 배포했고, 이전 세대에서 빠졌던 14B·32B 크기를 다시 넣음

11월 정식판에 앞서 가중치와 무료 API로 내놓은 프리뷰로, 자사 주장 기준 GPU 여러 장이 필요한 Llama 3.1 70B와도 겨룸

단일 노드 추론을 겨냥한 123B 플래그십의 가중치를 공개하되 연구·비상업 용도로 한정하고, 셀프 배포 상업 이용에는 별도 상용 라이선스를 요구

GPT-3.5 Turbo보다 60% 이상 저렴하다고 밝혔으며 ChatGPT Free·Plus·Team에서 GPT-3.5를 대체

자사 주장 기준 27B가 크기 두 배 이상인 모델과 겨룰 수준이고 9B가 Llama 3 8B를 앞섰다고 밝힌 Gemma 2세대

중급 Sonnet 가격으로 Claude 3 Opus를 넘는 성능을 2배 속도로 낸다고 밝혔고, 자사 에이전트 코딩 평가 해결률 64%(3 Opus 38%). 영국 AISI가 배포 전 안전성 평가를 했고, 자사 레드팀 평가로 ASL-2 유지 판정

자사 평가 기준 코드 과제에서 GPT-4 Turbo와 비슷한 성능을 냈다고 밝힌 오픈웨이트 코드 모델

72B만 기존 Qianwen 라이선스를 유지하고 나머지 4종은 Apache 2.0으로 바꿔 Qwen 계열의 라이선스 개방이 시작된 릴리스

가중치를 공개하되 연구·테스트 용도로만 쓰게 한 비생산(Non-Production) 라이선스를 새로 도입하고 상업 이용은 별도 라이선스로 둔 사례

Mixtral 8x7B보다 큰 MoE를 다시 Apache 2.0으로 내놓은 Mistral의 오픈웨이트 모델

Opus·Sonnet은 발표 당일 claude.ai와 159개국 정식 API로 제공되고 Haiku는 추후 제공. 100만 토큰당 Opus $15/$75, Sonnet $3/$15, Haiku $0.25/$1.25이며 RSP상 ASL-2로 평가

Microsoft Azure를 첫 유통 파트너로 두고 API로 낸 플래그십으로, 자사 주장 기준 API로 제공되는 모델 가운데 GPT-4 다음 2위

자사 발표 기준 공개 시점 Hugging Face Open LLM 리더보드 1위에 오른 국내 스타트업 모델로, 1위 점수인 평균 74.2점은 지시 조정 모델(SOLAR-10.7B-Instruct)의 기록이며 베이스 모델은 66.04점

중간 체크포인트까지 공개한 DeepSeek의 범용 언어 모델로, 자사 평가 기준 67B Base가 추론·코딩·수학·중국어 이해에서 Llama 2 70B Base를 앞섰다고 밝힘

Llama 2를 바탕으로 코드·코드 관련 데이터 5,000억 토큰을 학습한 코드 특화 계열로, 70B는 2024년 1월 29일에 추가 공개됨

자사 측정으로 Codex 58.7%(Instant 1.1 52.8%), GSM8K 86.7%(80.9%)이며 환각이 줄고 탈옥 저항이 높아졌다고 밝힘

알리바바의 첫 오픈웨이트 언어 모델로, 초기판은 2.2T 토큰으로 학습됐고 2023년 9월 25일 갱신판에서 2.4T 토큰으로 늘어남

자사 측정으로 Codex HumanEval 71.2%(Claude 1.3 56.0%), GSM8k 88.0%(85.2%), 미국 변호사 시험 객관식 76.5%(73.0%)이며 API 가격은 Claude 1.3과 동일

Google I/O에서 Bard를 포함한 25개 이상 제품·기능에 적용한다고 발표했으며, 가장 작은 Gecko는 오프라인 모바일 기기에서도 구동된다고 밝힘

LaMDA 경량 버전으로 시작해 연산 부담을 줄이고 외부 피드백을 모은 뒤 수 주 안에 일반 공개하겠다고 밝힘

Pathways 시스템을 대규모 학습에 처음 쓴 사례로, 영어 NLP 과제 29개 중 28개에서 GPT-3·Gopher·Chinchilla 등 기존 대형 모델의 퓨샷 성능을 넘었다고 보고

네이버가 한국 최초의 초대규모 AI이자 AI 주권 확보 수단으로 내세운 비공개 모델로, 이후 하이퍼클로바X로 이어짐

대부분의 언어 모델과 달리 대화로 학습했고, 학습 후 미세조정으로 응답의 합리성(sensibleness)과 구체성(specificity)을 크게 높일 수 있었다고 밝힘

출력층 하나만 더해 미세조정하는 방식으로 11개 자연어 처리 과제에서 최고 성능을 기록했으며 GLUE 80.4%·SQuAD v1.1 F1 93.2(저자 보고)

비지도 생성 사전학습과 지도 미세조정을 결합해 연구한 12개 과제 중 9개에서 당시 최고 성능을 경신했다고 보고