최근 AI 업계의 흐름은 코딩 정확도 향상, 로컬 실행 효율화, 그리고 지속 가능한 자율형 에이전트 인프라 구축으로 빠르게 이동하고 있다. DeepSeek V4.1 Flash는 경쟁 모델 대비 비용을 대폭 낮추면서도 높은 정확도와 출력 품질을 구현하며, 특히 코딩과 자율 행동(agentic) 작업에서 최상위권 모델로서의 입지를 굳히고 있다. 효율이 곧 경쟁력인 시대다. LFM 2.5-24B는 빠른 추론 속도와 효율적인 양자화(quantization) 기술을 통해 미니 PC 같은 로컬 하드웨어에서도 개인 비서용 작업 흐름(workflow)을 매끄럽게 구현한다. 이를 뒷받침하는 Pi Durable은 저장 공간과 세션 관리 인프라를 제공해, AI 에이전트가 단순한 앱을 넘어 상태를 기억하고 지속적으로 작동하는 하나의 '기초 모듈'로 기능하게 한다. 업계 전반적으로 오픈 웨이트(open-weight) 모델 출시가 이어지며 생태계가 확장되는 추세다. Nvidia의 특화된 시각-언어 모델과 1초 미만의 응답 속도를 구현한 xAI의 Grok Voice 3.0이 대표적이며, 자율형 제품 작업 흐름을 정밀하게 측정하기 위한 새로운 성능 시험(evaluation) 방식도 함께 도입되고 있다.

01DeepSeek V4.1 Flash, 작업당 20센트 미만으로 낮춘 고성능 코딩 비용

DeepSeek가 고성능 AI 코딩 비용을 획기적으로 낮추고 있다. 최근 출시된 DeepSeek V4.1 Flash(10/17 버전)는 DeepSeek SWE 코딩 벤치마크에서 77%의 정확도를 기록하면서도, 작업당 비용은 20센트 미만으로 억제했다. 작업당 2달러에서 10달러 수준인 GPT6 Astra, 제미나이 3.8 Flash, 클로드 Opus 5 같은 경쟁 모델과 비교하면 파격적인 가격 하락이다. 여기에 모델을 감싸 성능을 최적화하는 검증 장치(Harness)인 'DeepSeek Harness'를 도입해 평균 점수를 2~3점 더 끌어올렸다.

AI 코딩 효율이 급증하면서 기업들은 쏟아지는 기계 생성 코드를 처리하기 위해 핵심 인프라를 재구축하고 있다. 앤스로픽은 AI가 주도하는 방대한 코드 수정량을 감당하기 위해 내부 코드 저장소를 Git에서 자체 구축 시스템인 'Scion'으로 옮겼다. 그 결과 시스템의 CPU와 메모리 요구 사양을 기존의 100분의 1로 줄였고, 작업 생성 시간은 7.1분에서 5.1초로 단축했다. Epic Games 역시 제작 비용을 낮추기 위해 개발자들의 업무 방식을 AI 가속 중심으로 재편하고 있다. 비용 때문에 포기했던 고품질 게임 제작이 가능해진 셈이다.

이러한 기술적 변화는 전문가 시장의 지형을 바꾸고 있다. 이제 시장은 API 호출과 자율형 코딩 AI(AI coding agents)를 능숙하게 다루는 'AI 네이티브' 인재를 원한다. 이들에게 중요한 가치는 더 이상 코드 한 줄을 직접 짜는 능력이 아니다. 여러 AI 시스템을 조율해 전례 없는 생산성을 만들어내는 설계 능력이 핵심이다.

02메타의 AI 전략 — 공개 모델과 자율형 에이전트의 확장

메타는 오픈소스 커뮤니티와 하이엔드 기업 시장을 동시에 잡기 위해 투트랙 AI 전략을 펼치고 있다. 최근 공개한 '뮤즈 스파크 오픈(Muse Spark Open)'은 내부 가중치를 공개한 오픈 웨이트(open-weight) 모델로, 전체 파라미터 규모가 8,160억 개에 달한다. 애플 실리콘에 최적화되어 1TB 이상의 메모리를 갖춘 맥 스튜디오(Mac Studio) 두 대를 연결해 구동할 수 있다. 동시에 메타는 폐쇄형 프런티어 모델인 '뮤즈 원더(Muse Wonder)'를 출시했다. 이 모델은 구글의 Astra를 제치고 순위를 끌어올리며 독점 모델 시장에서도 강력한 경쟁자로 자리 잡았다. 시장 지배력을 높이려는 계산이다.

구글은 이미지, 영상, 언어 작업을 동시에 처리하는 멀티모달 모델 '제미나이 4 아르곤(제미나이 4 Argon)'으로 맞서고 있다. 마인크래프트를 플레이하는 4개의 자율형 에이전트를 관리하거나 프롬프트만으로 3D 에셋을 직접 생성하는 등 복잡한 자동화 작업이 가능하다. 이러한 멀티모달 경쟁은 다른 기업들로도 번지고 있다. 클로드의 Opus 5.5 Max는 기존의 AI 영상 대신 3D 모델과 애니메이션을 생성하며, 사용자가 3D 구조 내에서 카메라 각도를 직접 조정할 수 있게 했다.

이제 업계의 관심은 단순한 모델 성능을 넘어 체계적인 에이전트 생태계로 옮겨가고 있다. 개발자들은 에이전트 디렉토리와 기술 폴더를 활용해 공유 가능한 능력을 구축하기 시작했다. 일종의 디지털 바로가기인 심볼릭 링크(symbolic links)를 사용하면 클로드나 Codex 같은 여러 에이전트가 동일한 공통 기술 세트에 접근할 수 있다. 이를 통해 작업 흐름(workflow) 내에서 정교한 역할 분담이 가능해진다. 예를 들어 자동 도서 제작 과정에서 한 에이전트는 본문 작성을 맡고, 다른 에이전트는 삽화 작업만 전담하도록 엄격히 제한하는 식이다. 규칙을 지속적으로 등록해 관리함으로써 에이전트가 같은 실수를 반복하는 것을 막고, 전문 작업이 적절한 도구에 배분되도록 보장한다. 효율의 차원이 달라진다.

하지만 완전 자동화로 가는 길에는 현실적인 장벽이 존재한다. 클라르나(Klarna)의 사례가 대표적이다. 2024년 2월 수백만 건의 문의를 처리하기 위해 AI 고객 지원을 도입했으나, 2025년 5월에 다시 인력을 채용했다. 비용 절감을 품질보다 우선시한 결과, 감정적 공감이 필요하거나 복잡한 문제에 대한 서비스 질이 떨어졌기 때문이다. 보안 문제도 여전하다. 오픈코드(OpenCode) 플랫폼에서 발생한 대규모 증류 공격(distillation attack)으로 인해 앤스로픽, 오픈AI, 구글이 이례적으로 협력했다. 고성능 프런티어 모델이 저가형 경쟁 모델로 복제되는 것을 막기 위한 조치다.

03LFM 2.5-24B, 일반 PC에서 초당 1,641토큰 속도로 실행될까?

리퀴드AI(Liquid AI)가 공개한 LFM 2.5-24B 모델은 클라우드 연결 없이 사용자의 하드웨어에서 직접 복잡한 개인 비서 역할을 수행한다. 이 모델은 전문가 혼합(Mixture of Experts) 구조를 적용해 토큰당 전체 240억 개의 매개변수 중 20억 개만 활성화하는 방식으로 속도와 효율성을 높였다. 이러한 설계 덕분에 AMD 라이젠(Ryzen)이나 IMAX 395 프로세서를 탑재한 미니 PC에서도 원활하게 작동한다. 해당 기기에서 이 모델은 16GB의 메모리만 사용하면서 초당 1,641토큰의 프리필(prefill) 속도와 초당 100~140토큰의 텍스트 생성 성능을 기록한다.

모델이 독립적인 비서로 기능하도록 만들기 위해 리퀴드AI는 오픈클로(OpenClaw), 헤르메스 에이전트(Hermes Agent), 피오드(Piode) 등 다양한 외부 도구와 연동되는 소프트웨어 환경에서 학습을 진행했다. 이 과정은 추론 강화학습과 다중 도메인 정책 증류를 활용한 5단계 후속 학습 파이프라인을 거쳐 이루어졌다. 이러한 특화 과정을 거친 덕분에 모델은 검색 증강 생성(RAG)을 통한 문서 시스템 관리 같은 복잡한 내부 업무 흐름을 처리할 수 있다. 업로드된 파일을 색인화해 특정 정보를 찾아내는 방식으로 과학 논문이나 데이터 분류 모델에 대한 질문에도 정확하게 답한다.

정적인 문서를 넘어 LFM 2.5-24B는 능동적인 웹 자동화와 스크래핑 작업도 수행한다. AI를 외부 데이터에 연결하는 서버 표준과 브라우저 사용 도구를 활용해 사람이 직접 웹서핑을 하듯 인터넷을 탐색할 수 있다. 고속 로컬 실행 기능에 개인 파일 검색과 웹 작업 자동화 능력이 결합되면서, LFM 2.5는 일반 소비자용 하드웨어를 프라이버시가 보장되는 자율형 생산성 허브로 탈바꿈시킨다.

04Pi Durable — 연결이 끊겨도 멈추지 않는 자율형 AI 구현

대부분의 AI 비서는 연결이 끊기거나 프로그램이 재시작되는 순간 맥락을 놓친다. 사용자가 지시사항을 다시 입력하거나 작업 진행 상황을 잃어버리는 일이 빈번하다. Pi Durable은 작업 내용을 계속 기억하는 상시 가동 자율형 AI 에이전트(AI agents)를 만들기 위한 기반 인프라를 제공해 이 문제를 해결한다. Pi Durable은 'Pi 코딩 에이전트' 같은 단독 앱이 아니라 개발자를 위한 일종의 조립 부품이다. 덕분에 개발자는 사람의 지속적인 감독 없이도 서버에서 안정적으로 장기간 작동하는 에이전트를 구축할 수 있다. 이제는 끊김 없는 작업이 가능하다.

이 시스템은 모든 대화를 독립된 세션으로 처리해 지속성을 유지한다. 각 세션에는 전용 지시사항과 작업 디렉터리, 도구 세트가 개별적으로 설정된다. 작업 중단 후에도 곧바로 복구할 수 있도록 Pi Durable은 모든 작업의 저장 지점(checkpoint)을 스토리지 백엔드에 기록한다. 빠른 실험을 위해 JSONL이나 인메모리 저장 방식을 지원하지만, 실제 서비스 환경에서는 SQLite 사용을 권장한다. 에이전트는 데이터베이스를 읽어 특정 도구 호출과 같은 정확한 중단 지점을 찾아내고, 그 시점부터 곧바로 작업을 재개한다. 정확히 멈춘 곳에서 다시 시작하는 구조다.

유연한 구조 덕분에 로컬 환경 통합도 가능하다. 개발자는 어댑터를 사용해 시스템을 로컬 모델 서버에 연결하고, Qwen3.5-0.8B 같은 소형 모델로 도구 기반 작업을 수행하게 할 수 있다. 단순한 채팅 인터페이스를 넘어 상태 관리 시스템(state-management system)으로 초점을 옮김으로써, Pi Durable은 AI 에이전트가 단순한 앱을 넘어 거대 소프트웨어 생태계 내에서 신뢰할 수 있는 상태 유지 구성 요소로 작동하게 만든다. 채팅창을 넘어 시스템의 부품이 되는 셈이다.

05Nvidia Nemotron 3.5 Super VL — 1,200억 개의 성능, 120억 개의 속도

Nvidia가 가중치 공개 모델(open-weight) 제품군에 Nemotron 3.5 Super VL을 선보였다. 실행 속도를 높이면서 성능 점수를 점진적으로 개선해, 시각 및 언어 처리의 효율성을 극대화한 것이 특징이다. 속도와 성능의 최적점을 찾았다.

전체 구조는 1,200억 개의 매개변수(parameter)로 이루어진 거대 모델이다. 다만 실제 구동 시에는 120억 개의 활성 매개변수만 사용해 빠른 실행 속도를 구현했다. 필요한 부분만 선택적으로 활성화해 복잡한 시각·텍스트 데이터를 신속하게 처리하면서도, 기술 벤치마크의 높은 성능 기준을 놓치지 않았다. 효율적인 자원 운용의 결과다.

06Grok Voice 3.0: 응답 시간 1초 미만으로 끊김 없는 대화 구현

AI와의 대화가 인간의 자연스러운 소통 속도에 가까워지고 있다. xAI가 응답 시간을 1초 미만으로 줄여 최첨단 성능을 구현한 Grok Voice 3.0을 공개했다. 사용자가 말을 하고 AI가 답하기까지의 시간인 응답 지연(latency)을 획기적으로 낮춰, 기존 음성 비서의 고질적인 문제였던 부자연스러운 끊김을 없앴다. 응답 속도가 1초 미만으로 떨어지면 대화는 뚝뚝 끊기는 교환 방식이 아니라 물 흐르듯 자연스러운 상호작용으로 변한다. 대화의 호흡이 달라진다.

이러한 속도의 실질적인 이점은 데이터로 증명된다. 성능 분석 기관인 Artificial Analysis에 따르면, Grok Voice 3.0은 GPT-Live와 제미나이 3.8 Live 등 주요 최신 모델보다 뛰어난 성능을 보였다. 특히 단순한 속도 향상을 넘어 비용 효율성까지 개선했다는 점이 핵심이다. 이는 고객 서비스 센터 운영에 매우 효과적이다. 기업은 운영 비용을 낮게 유지하면서도 고객의 문의를 즉각 해결할 수 있어, 사용자 경험의 질을 떨어뜨리지 않고도 지원 시스템을 확장할 수 있다. 효율성이 곧 경쟁력이다.

이 기술은 이제 화면을 넘어 실제 하드웨어로 확장되어 Tesla 차량에 탑재된다. 고속 음성 모델을 차량에 내장함으로써 운전자가 훨씬 더 기민하게 반응하는 핸즈프리 환경을 누릴 수 있게 됐다. 운전자의 집중력을 흐트러뜨리거나 작업 흐름(workflow)을 방해하는 지연 시간 없이 실시간 명령과 질의가 가능하다. xAI는 속도와 경제성을 동시에 확보함으로써, Grok Voice 3.0을 기업용 플랫폼과 소비자 시장 모두에서 복잡한 실시간 요구를 처리할 수 있는 실용적인 도구로 정의하고 있다. AI가 운전석으로 들어온다.

07자율형 AI 개발 — '제로 결함'을 목표로 하는 엄격한 성능 시험

스스로 작업을 수행하는 자율형 AI 도구를 만들려면 막연한 실험보다는 엄격한 '테스트 우선 개발 방식(TDD)'으로의 전환이 필요하다. 대다수의 상황에서 잘 작동하는 수준에 만족해 출시하는 것이 아니라, 핵심 기능에 대해서는 단 하나의 오류도 허용하지 않는 '제로 결함' 관점을 도입하는 것이다. 필수 동작을 모두 완벽하게 수행한다는 점이 증명되기 전까지는 사용자에게 제품을 공개하지 않는다. 초기 AI 도구에서 흔히 나타나는 예측 불가능한 오류와 불안정성을 원천 차단하겠다는 전략이다. 이제 AI 개발은 추측의 영역에서 예측 가능한 엔지니어링의 영역으로 넘어왔다.

권장되는 작업 흐름(workflow)은 우선 범위를 좁게 설정하는 것부터 시작한다. AI가 반드시 수행해야 할 약 20가지의 구체적인 동작을 정의한다. 개발자는 이 모든 동작에 대해 모델의 결과값이 정확한지 자동으로 확인하는 성능 시험(evaluation test)을 각각 설계한다. 이를 통해 어떤 사례가 작동하고 어떤 사례가 실패하는지를 시각적인 지도로 명확히 파악할 수 있다. 부족한 부분은 사후 학습(post-training) 과정에서 강화 학습 환경을 활용해, 실패하는 특정 동작의 성능을 정교하게 다듬어 해결한다.

이 방식의 핵심은 엄격한 '출시 차단 기준(launch-blocking thresholds)'을 적용하는 데 있다. 예를 들어 모델이 테스트의 80%를 통과했더라도, 나머지 20%에서 실패가 발생한다면 제품 출시는 보류된다. 성능 기준이라는 강제적인 체크포인트를 설정해 자율형 AI가 반드시 통과해야 하는 관문을 만드는 것이다. 이러한 철저한 검증 체계는 불안정한 AI의 출시를 막고, 모든 필수 동작이 성공할 때까지 업데이트와 테스트를 반복하게 만든다. 결국 최종 제품이 의도한 작업을 안정적으로 수행할 수 있도록 보장하는 장치가 된다.

08Leodra Dynamics — 500kg을 들어올리는 4m 높이의 거대 휴머노이드

산업 물류와 중장비 운반 분야가 대형 휴머노이드 로봇의 등장으로 유연한 작업 시대로 접어들고 있다. 기존 휴머노이드가 주로 가정이나 사무실용으로 인간의 크기를 모방했다면, 이제는 지게차나 크레인이 맡던 고된 육체노동을 수행하는 기계로 초점이 옮겨가고 있다. 인간의 형태와 정교한 움직임은 유지한 채 힘만 키운 셈이다. 이를 통해 기존 중장비로는 접근하기 어려웠던 복잡한 환경에서도 거대한 물체를 훨씬 유연하게 옮길 수 있게 된다.

Leodra Dynamics는 높이 13피트(4m)에 달하는 휴머노이드 로봇을 공개하며 이 분야의 지평을 넓혔다. 가벼운 시제품 수준이 아니다. 본체 무게만 1톤이 넘어 극한의 하중을 견딜 수 있는 안정성과 구조적 강성을 확보했다. 특히 강력한 힘에 최적화되어 두 팔로 500kg 이상의 무게를 들어 올릴 수 있다. Leodra Dynamics는 압도적인 근력과 휴머노이드 구조를 결합해, 이족 보행의 범용성을 유지하면서도 중장비 수준의 작업이 가능하다는 것을 증명했다.

이러한 기계의 등장은 대형 휴머노이드 로봇이라는 개념을 실제 현장에 적용 가능한 현실로 끌어당겼다. 이제 산업 현장은 매번 특정 용도의 전용 장비에 의존하는 대신, 거대한 규모임에도 인간의 움직임을 그대로 재현해 환경을 탐색하고 물체를 다루는 플랫폼으로 전환될 가능성이 크다. 로봇 보조의 물리적 한계가 중공업의 가장 험난한 영역까지 확장되는 미래가 다가오고 있다. 로봇이 0.5톤의 장비를 가볍게 들어 올리게 되면, 중공업 현장의 상하차 및 정리 작업 흐름(workflow)은 효율과 안전을 중심으로 완전히 재설계될 것이다.

09Meta의 공개 모델과 소비자용 앱, 왜 서로 다른 기술을 쓸까?

Meta가 AI 기술을 공유하는 방식은 사용자에게 제공하는 서비스와 완전히 일치하지 않는다. 최근 Meta는 8,160억 개의 매개변수를 가진 Muse Spark Open을 공개했다. AI 분야에서 가중치 공개(open weights)는 모델이 정보를 처리하는 기준이 되는 수치 데이터를 공유하는 것을 뜻한다. 덕분에 개발자는 자신의 하드웨어에서 AI를 직접 구동하고 입맛에 맞게 수정할 수 있다. Meta는 이를 현재 미국 내 가장 강력한 공개 가중치 모델이라고 평가하지만, 정작 자사 서비스에 쓰는 기술은 아니다.

이는 개발 경로를 두 갈래로 나누는 이원화 전략의 결과다. Meta는 Meta Superintelligence Lab을 통해 오픈소스 커뮤니티에 공격적으로 기여하고 있다. 약 1년 전 설립된 이 전문 팀은 설립 직후부터 빠른 성과를 냈다. 올해 초에는 이 팀의 첫 모델인 Muse Glimmer를 선보였다. 상업적 제품 활용 여부와 관계없이 고성능 모델을 대중에 배포하겠다는 의지다.

Meta의 개인용 에이전트 앱은 미국에서 큰 성공을 거뒀으나, 내부 설계는 공개 모델들과 철저히 분리되어 있다. 일반 사용자 입장에서 보면, 인터넷에서 내려받을 수 있는 가장 뛰어난 공개 모델이 반드시 Meta 서비스에서 사용하는 AI와 같지는 않다는 의미다. 공개용과 상업용의 경계를 명확히 그은 셈이다.

10메타의 오픈소스 모델 다중 출시 전략과 하드웨어 제약

메타는 단일 모델을 공개한 뒤 후속 업데이트 없이 방치하는 경쟁사들의 행태와 달리, 여러 종류의 공개 가중치(open-weight) 모델을 동시에 선보이는 전략으로 방향을 틀었다. 이렇게 다양한 선택지를 제공하면서 개발자들은 점차 진화하는 라인업 속에서 폭넓은 대안을 고를 수 있게 됐다.

이번에 추가된 제품군에는 30B 규모의 아파치(Apache) 라이선스 기반 Glimmer 모델과 Spark Open 등이 포함된다. 실제 테스트 과정에서 사용자들은 생태계 전반에 걸쳐 엇갈린 경험을 보고하고 있다. 일례로 Spark Open은 특정 토큰 용량을 바탕으로 요청을 처리하며 안정적인 성능을 보여준다. 다만 다양한 파생 모델을 비교 시험한 결과, 테스트하는 작업의 성격과 모델 종류에 따라 성능 편차가 크게 나타나는 것으로 분석된다.

이처럼 선택지가 넓어졌음에도 불구하고 일상적인 현업 도입에는 여전히 현실적인 장벽이 존재한다. 거대 모델들의 규모가 워낙 방대하다 보니 일반 사용자 중 개인 PC에서 직접 모델을 구동하거나 복잡한 작업 흐름(workflow)을 소화할 수 있는 고성능 하드웨어를 갖춘 경우는 드물다. 이에 따라 개발자들은 메타의 다양한 소프트웨어 출시 행보를 반기면서도, 당장은 평범한 로컬 컴퓨팅 환경에 알맞은 다른 대안 모델에 의존하는 모습을 보인다.

11Fish Audio의 Drama 3 — 360억 개 규모를 30억 개의 효율로 구동

Fish Audio가 고품질 오디오 생성 모델인 Drama 3를 공개했다. 가중치(weight)를 공개한 모델로, 창작자와 소규모 기업이 클라우드 서비스에 의존하지 않고 자체 하드웨어에서 직접 구동할 수 있도록 설계했다. 데이터 제어권과 모델 최적화 가능성이 열린 셈이다. 진입 장벽이 낮아졌다.

기술적으로는 전문가 혼합(Mixture of Experts, MoE) 구조를 채택해 효율성을 극대화했다. 전체 매개변수(모델의 정보 처리 방식을 결정하는 내부 설정값)는 360억 개에 달하지만, 실제 계산 시에는 30억 개의 활성 매개변수만 사용한다. 필요한 부분만 골라 쓰는 방식이다. 덕분에 거대 모델의 정교한 성능은 유지하면서 연산량과 메모리 사용량은 획기적으로 줄였다. 일반적인 전문가용 하드웨어에서도 충분히 구동 가능한 수준이다.

라이선스 정책 또한 파격적이다. 연 매출 50만 달러 미만인 개인과 소규모 기업에는 Drama 3를 무료로 제공한다. 초기 비용 없이 기술을 실험하고 도입할 수 있는 환경을 만든 것이다. 다만 전략적인 제한 장치를 뒀다. 무료 버전으로는 단독 텍스트-음성 변환(TTS) 서비스를 출시할 수 없다. 자사 기술로 직접적인 경쟁자를 만드는 것을 막고, 대신 다양한 소프트웨어 생태계 속에 Drama 3가 녹아들게 하려는 전략이다.

12메타의 Reflections Beam: 공개 가중치 배포를 통한 AI 통제권 확대

메타가 Reflections Beam의 가중치(weights)를 Hugging Face에 공개하며 고급 AI 도구의 접근성을 넓혔다. 가중치란 모델이 데이터를 처리하고 의사결정을 내리는 기준이 되는 내부 수치 값을 의미한다. 메타는 이 수치를 공개함으로써 개발자와 연구자가 기업의 폐쇄형 시스템에 의존하지 않고, 자신의 하드웨어에서 모델을 직접 내려받아 구동할 수 있게 했다. 기술 커뮤니티가 AI 배포와 특정 작업 최적화에 대해 더 큰 통제권을 갖게 된 셈이다. 주도권이 개발자에게 넘어갔다.

이번 공개는 8,160억 개의 매개변수(parameters, AI가 패턴을 학습하는 개별 연결 고리)를 갖춘 거대 모델, Muse Spark Open의 행보를 잇는 것이다. Muse Spark Open은 현재까지 공개된 미국 내 공개 가중치 모델 중 가장 강력한 성능을 가진 것으로 평가받는다. 메타는 Reflections Beam과 Muse Spark Open을 연달아 출시하며, 엄격하게 제한된 폐쇄형 모델에 필적하는 도구를 대중에게 제공하고 있다. 폐쇄형 모델의 벽을 허무는 전략이다.

이러한 공격적인 출시 행보는 약 1년 전 설립된 Meta Superintelligence Lab이 주도하고 있다. 이 전문 팀은 메타 AI 출시의 핵심 엔진 역할을 수행 중이다. 올해 초 첫 결과물인 Muse Glimmer를 시작으로, 더 복잡한 Muse Spark Open과 Reflections Beam까지 빠르게 내놓으며 압도적인 개발 속도를 증명했다. 고성능 모델이 폐쇄적인 연구소를 벗어나 전 세계 개발자 커뮤니티로 빠르게 확산되면서, 업계 전반의 혁신 주기 또한 앞당겨질 전망이다. 속도가 곧 혁신이다.