새로운 플래그십 모델 Palmyra X6를 출시하며 AI

평균 52%의 운영 비용 절감은 IT 리더들이 토큰 지출 통제권을 확보하고 에이전트 도입 규모를 결정하는 기준을 바꾼다. Writer가 출시한 플래그십 모델 Palmyra X6는 에이전트 운영 비용을 낮추는 동시에 처리 속도를 48% 향상시켰다. 품질 또한 10% 개선된 수치를 기록하며 효율성을 높였다.

이러한 효율 개선은 모델 단독의 성과가 아니라 시스템적 결합의 결과다. 재구축된 에이전트 오케스트레이션(여러 AI 모델과 도구를 조율하는 시스템)인 harness와 새로운 거버넌스 도구가 함께 도입되었다. 이 도구들은 IT 리더가 무분별하게 발생하는 토큰 지출을 직접 제어하고 관리할 수 있는 구체적인 권한을 부여한다.

가격 정책은 입력 토큰 100만 개당 2달러, 출력 토큰 100만 개당 8달러로 책정되었다. 낮은 비용 구조는 기업 내부에서 자동화 가능한 워크플로우를 더 광범위하게 확장시키기 위한 전략적 장치다. Writer는 비용 부담을 낮춤으로써 전체 시장 규모(TAM, Total Addressable Market)를 실질적으로 넓히겠다는 계산을 세웠다.

로봇 학습 데이터 병목을 겨냥한 해법

데이터 확보 병목을 겪는 학습 환경에서 626개의 큐레이션된 합성 에이전트 궤적(synthetic agentic trajectories)이라는 극소량의 데이터셋이 투입됐다. 7,440억 개의 파라미터를 가진 MoE(Mixture-of-Experts, 전문가 혼합) 모델인 Palmyra X6는 ASFT 기법과 Muon 옵티마이저를 적용했다. ASFT(Anchored Supervised Fine-Tuning)는 모델이 기본 모델의 성능에서 벗어나지 않도록 제한하며 새로운 도구 사용 능력을 학습시키는 방식이다.

접지 및 검색, 도구 사용 등 9가지 역량을 측정한 내부 평가에서 평균 0.87점을 기록했다. 이는 Claude Opus(0.86)와 Claude Sonnet(0.85)을 앞서는 수치다. GPT-5.5(0.80)와 Gemini 3.1(0.77)보다 높은 점수를 보였다. 내부 벤치마크상으로는 경쟁 모델보다 우위에 있다.

기업용 AI 도입의 가장 큰 장벽은 모델의 성능보다 토큰

2026년부터 2030년 사이 토큰 소비량이 24배 증가할 것이라는 예측이 나왔다. AI 에이전트는 단일 요청을 처리하기 위해 여러 단계의 계획 수립, 검색, 도구 호출 루프를 반복적으로 수행하며 토큰 사용량을 급증시킨다. Goldman Sachs는 기업이 AI 도입을 확장하는 과정에서 직면한 가장 큰 장벽이 모델의 성능 한계가 아니라 토큰 소비로 인한 비용 문제라고 분석했다. 100만 토큰당 비용을 비교하면 Palmyra X6는 입력 2달러와 출력 8달러 수준이지만, Claude Opus 4.8은 입력 15달러와 출력 75달러로 비용 격차가 크다.

Writer는 기술 보고서를 통해 Palmyra X6가 베이징 기반 Z.ai(구 Zhipu AI)의 오픈 웨이트 MoE(Mixture-of-Experts) 모델인 GLM-5.2를 기반으로 포스트 트레이닝되었다는 사실을 공개했다. 해당 모델은 GLM-5.2의 구조를 바탕으로 추가 학습을 거쳐 최적화된 형태다. Writer는 이 모델이 미국 내 인프라에서 완전히 실행되며, 원개발자와는 어떤 형태로든 연결되어 있지 않다는 점을 명확히 했다. 기술 보고서에 명시된 이 구조는 모델의 실행 환경과 개발 기원을 분리한 형태다.

토큰당 비용의 경제성과 모델 기원에 따른 보안 리스크 중 기업의 우선순위에 따라 도입 모델을 결정해야 한다.