발표에서 확인된 핵심 사실

27B 파라미터 규모의 로컬 모델이 상용 애플리케이션의 라이선스 체계를 분석하고 우회하는 데 단 30분이 소요됐다. Qwen 3.8 27B는 정적 분석을 통해 바이너리 내부에 숨겨진 공개키를 복구하고 실제로 작동하는 우회 스크립트를 생성했다. 단일 애플리케이션을 대상으로 한 1회성 성공 사례지만, 로컬 모델이 복잡한 보안 로직을 스스로 파헤쳐 결과물을 내놓는 성능을 증명했다.

작업 과정에서 발생한 오류를 사용자 개입 없이 스스로 인지하고 수정했다. 첫 번째 키 복구 시도 당시 서명 체크는 통과했으나 무결성 체크 해시값이 일치하지 않는 문제가 발생했다. Qwen 3.8 27B는 이 불일치 지점을 스스로 강조한 뒤 다시 분석을 수행해 바이트 단위로 일치하는 값을 찾아냈다. 모델이 자신의 추론 오류를 실시간으로 교정하며 정답에 접근하는 방식이다.

하드웨어 최적화를 통해 추론 속도를 높였다. Nvidia GB10 Grace Blackwell(엔비디아 그레이스 블랙웰) 칩 기반의 Lenovo ThinkStation PGX(레노버 씽크스테이션 PGX) 워크스테이션에서 SGLang(에스지랭), NVFP4, DFlash2 추측 디코딩(speculative-decoding) 설정을 적용했다. 기본 상태에서는 초당 15~30토큰이었던 생성 속도가 최적화 이후 코드 및 추론 작업에서 초당 약 50토큰에 도달했다.

확인해야 할 핵심 지점

수백에서 수천 개의 토큰을 소모하는 기본 설정은 추론 비용의 변동성을 높인다. Qwen 3.8 27B는 기본 추론 노력(reasoning effort, 모델이 정답을 내기 위해 투입하는 사고 과정의 양) 설정이 최대치로 지정되어 있다. 이 설정 때문에 아주 단순한 요청을 처리할 때도 수백에서 수천 개의 토큰을 빠르게 소모하는 경향이 있다. 초당 토큰 생성 속도 자체는 매우 빠르지만, 정작 소모되는 토큰 양이 지나치게 많아 전체 응답 시간이 길어지는 결과로 이어진다.

지능 지수(intelligence index) 52점을 기록하며 4B에서 40B 크기 클래스의 오픈 웨이트 모델 135개 중 1위에 올랐다. Artificial Analysis(AI 모델 성능 분석 플랫폼)가 집계한 수치다. 특히 SWE-bench Pro(소프트웨어 엔지니어링 능력을 측정하는 벤치마크)에서는 운영 비용이 훨씬 더 많이 드는 고비용 모델들의 성능을 능가했다. 40B 이하의 소형 모델 체급에서 최상위권의 지능을 구현하며, 비용 효율적인 오픈 웨이트 모델로서의 경쟁력을 확보했다. 이는 모델 크기 대비 지능의 밀도가 매우 높음을 증명한다.

상용 앱의 라이선스 체크 시스템을 약 30분 만에 리버스

숙련된 분석가가 오랜 시간을 들여야 하는 상용 앱의 라이선스 체크 리버스 엔지니어링 작업이 Qwen 3.8 27B를 통해 약 30분 만에 끝났다. 정적 분석을 시작으로 프레임워크를 분해하고 arm64(ARM 64비트 아키텍처) 코드를 정밀하게 분석하는 단계를 밟았다. 이 과정을 통해 벤더가 바이너리 내부에 숨겨놓은 공개 검증 키(public verification key)를 정확히 찾아냈다. 분석의 결과물로 실제 작동하는 개념 증명(PoC, Proof of Concept) 스크립트까지 작성하며 사람이 수행할 때보다 훨씬 빠른 처리 속도를 보였다.

17GB VRAM(비디오 램) 환경에서도 이러한 복잡한 보안 체인 해체 작업이 가능하다. 모델 규모가 17GB VRAM에 적재되는 수준임에도 벤더가 의도적으로 은닉한 키를 복구하는 데 성공했다. 제한된 하드웨어 자원을 가진 로컬 환경에서 보안 체인을 효과적으로 해체함으로써 로컬 LLM의 실질적인 분석 능력을 증명했다.

17GB VRAM 수준의 로컬 모델만으로도 복잡한 보안 체계 분석이 가능하므로, 클라이언트 사이드 검증 로직의 무용성을 판단하는 기준으로 삼는다.