AI News Nov 2, 2026 5 min read

Gemini 4 Carbon 제공 범위, 구글 59점·방어자 우선 발표

Gemini 4 Carbon 제공 범위는 사이버 방어자부터이며, 구글은 지수 59점을 발표했다. SETI의 NVIDIA Holoscan 운용과 QwenPU의 GPU 실행 조건을 함께 살펴본다.

구글은 Gemini 4 Carbon 발표문에서 지수 59점과 사이버 방어자 우선 제공 계획을 발표했습니다. NVIDIA는 앨런 망원경 배열의 에이전트 운용을 소개했고, QwenPU 저장소에는 Qwen3.5-4B 가중치에 컴파일한 CPU와 벡터 유닛으로 소형 언어 모델을 실행하는 실험이 공개돼 있습니다. 세 소식의 제공 범위와 실행 조건, 발표된 성과의 확인 수준을 함께 살펴봅니다.

오늘 담긴 것

모델과 제공 범위

Gemini 4 Carbon, 사이버 방어자부터 제한 제공…지수 59점

흑연색 자물쇠 하나로 사이버 방어자부터 시작하는 Gemini 4 Carbon의 제한 제공을 표현한 그림.

구글이 10월 28일 Gemini 4 Carbon 발표문에서 사이버 보안과 장기 작업 능력을 강화한 새 모델을 소개했다. 발표 주간 사이버 방어자 일부에 제공을 시작하고, Fairwind Program을 통해 신뢰할 수 있는 파트너로 접근을 넓히겠다는 계획이다.

  • 성적: 구글은 Artificial Analysis Intelligence Index v5.0에서 59점으로 1위라고 밝혔다. Google 발표문
  • 제공: 사이버 방어자와 신뢰 파트너부터 단계적으로 확대하며, 개발자·기업·소비자 대상 제공도 예고했다. Google 발표문
  • 가격: 도입 가격은 100만 토큰당 입력 2달러, 출력 10달러이며, 캐시 입력에는 입력 단가의 95% 할인을 예고했다. Google 발표문

무엇이 달라지나

취약점 탐지와 위험 검증, 패치 작성을 주요 활용 범위로 내세운 모델이 발표됐다. 초기 접근은 사이버 방어자에게 우선 배정되고, 일반 제품 이용자로의 확대는 후속 단계로 제시됐다.

한계

일반 개발자·소비자의 이용 시작일과 한국 제공 조건은 공개되지 않았다. 보안 벤치마크는 가드레일을 제외한 평가이며, 세부 실행 설정과 내부 장기 작업의 독립 재현 결과는 제공된 발표문에 공개되지 않았다.

커뮤니티 반응

■지수 선두 진입 소식에 놀라움을 표하는 글이 나왔다. 사이버 방어자 우선 제공를 두고 책임 있는 배포인지 접근 제한인지 묻는 의견이 나왔다. 개발 일정은 지금 호출할 수 있는 모델을 기준으로 잡자는 조언도 있었다.

본문 펼치기 · 약 4분

제공 계획과 도입 가격을 함께 봐야 실제 이용 조건이 드러난다

구글 발표문은 Carbon을 미국 정부의 자발적 출시 전 모델 시험 절차에 참여하면서 단계적으로 배포한다고 설명한다. 첫 대상은 사이버 방어자 일부이며, 이후 Fairwind Program을 통해 추가 신뢰 파트너에게 접근을 허용한다. 구글은 피드백을 모으고 가드레일을 개선한 뒤 자사 제품을 통해 개발자와 기업, 소비자에게 제공하겠다고 밝혔다.

가격도 향후 출시 조건으로 제시됐다. 입력 100만 토큰당 2달러와 출력 10달러는 Argon과 같은 도입 가격이며, 캐시 입력에는 입력 단가의 95% 할인이 붙는다. 이 가격 발표와 일반 이용자의 접근 개시는 구분해야 한다. 발표문에는 일반 공개 날짜와 구체적인 제품별 이용 조건이 공개되지 않았으므로, 가격표만으로 당장 사용할 수 있는 서비스 범위를 판단하기는 어렵다.

보안 평가 수치는 가드레일을 제외한 시험 조건에 붙어 있다

구글이 소개한 외부 보안 벤치마크 성적은 취약점 탐지용 SEC-bench Pro 88.2%, 악용 가능성 검증용 ExploitGym 54.8%, 패치용 CWE-bench 71.0%다. 발표문은 이 평가들이 가드레일을 제외한 상태에서 수행됐다고 명시한다. 따라서 각 수치는 해당 시험에서의 탐지·검증·수정 능력을 설명하며, 실제 배포 환경의 방어 장치까지 포함한 운용 결과로 범위를 넓혀 읽어서는 안 된다.

내부 평가와 외부 지수도 출처를 나눠 볼 필요가 있다. Artificial Analysis 지수 59점과 순위는 구글이 발표문에서 인용한 값이다. 안전한 코드 생성 성공률이 Argon보다 두 배 넘게 높아졌다는 결과는 구글 내부 벤치마크에서 나왔다. Chrome 팀은 고품질 패치 생성에서 다른 연구소의 대형 모델보다 10배 넘게 나았다고 보고했지만, 비교 모델의 이름과 세부 측정 조건은 제공된 원문에 공개되지 않았다.

며칠간 이어진 작업은 구글 내부 팀이 보고한 사례다

구글은 내부 팀이 Carbon을 며칠씩 실행하며 복잡한 다단계 엔지니어링 문제를 다루는 모습을 관찰했다고 밝혔다. 예로 든 작업은 대규모 코드베이스와 저수준 시스템에서 미묘한 버그의 원인을 찾고 수정하는 일이다. 이는 장기 에이전트 작업을 겨냥한 모델 설계와 내부 사용 경험에 관한 설명이다. 일반 사용자 환경에서 같은 기간과 성공률로 작업을 마친다는 측정 결과는 발표문에 공개되지 않았다.

안전성과 정직성 개선도 항목별로 보고됐다. 내부 코딩 환경에서 심각도가 높은 정렬 위반 경고는 거의 80% 감소했고, 내부 시험의 근거 없는 주장은 Argon 대비 약 절반으로 줄었다고 구글은 설명했다. Terminal-Bench 4.0에서는 부정행위 성공률 0.0%, 시도율 0.4%를 제시했다. 각각 경고와 주장, 시험 행동을 센 값이므로, 실제 업무의 전체 오류율을 하나의 수치로 나타낸 결과처럼 합쳐 읽지 않는 것이 맞다. Google의 평가 설명

성적과 접근 권한은 서로 다른 질문에 답하는 정보다

이번 발표에서 성능 지수는 모델이 평가에서 어떤 위치에 놓였는지를 설명하고, 단계적 제공 계획은 누가 먼저 모델에 접근할 수 있는지를 설명한다. 높은 순위를 발표했다는 사실만으로 일반 개발자가 같은 모델을 호출할 수 있다고 볼 수는 없다. 구글이 제시한 초기 대상과 후속 확대 대상이 다르기 때문에, 모델의 성적을 소개하는 문장과 실제 이용 가능 여부를 설명하는 문장을 나눠 읽어야 한다.

장기 작업에 관한 설명도 같은 구분이 필요하다. 내부 팀이 복잡한 버그 수정 작업을 오래 이어 갔다는 보고는 발표된 활용 사례다. 개별 이용자가 자신의 코드베이스에서 얻을 결과나 필요한 작업 시간까지 제시한 것은 아니다. 따라서 이 소식이 제공하는 정보는 모델의 목표 능력과 내부 관찰, 초기 배포 순서다. 일반 이용자의 접근 조건과 독립 재현 결과는 각각 공개 여부를 따로 확인해야 하는 항목으로 남는다.

자세히 읽기 · Google의 Gemini 4 Carbon 발표문 ↗

과학 관측과 에이전트

SETI, NVIDIA Holoscan으로 전파망원경 운용…검출 사례는 펄서

전파망원경 한 대로 앨런 망원경 배열의 AI 에이전트 운용과 전파 신호 탐색을 표현한 그림.

NVIDIA가 10월 30일 과학 관측 사례 소개 글에서 SETI Institute와 Breakthrough Listen의 에이전트 도입을 소개했다. 캘리포니아 북부의 앨런 망원경 배열에서 자연어 요청으로 장비를 조종하고 데이터를 보정하며, 들어오는 신호에 AI 모델을 적용하는 구성이다.

  • 운용: 에이전트가 안테나 제어와 장비 보정, 데이터 오류 처리와 결과 시각화를 수행한다고 NVIDIA는 설명했다. NVIDIA 소개 글
  • 환경: RTX PRO 6000 Blackwell GPU를 사용하는 시스템의 처리량은 초당 2.4테라비트이며, 추론은 관측 장비 옆 온프레미스에서 실행된다. NVIDIA 소개 글
  • 성과: NVIDIA는 게성운 펄서를 AI로 실시간 검출하는 데 처음 성공했다고 발표했다. NVIDIA 소개 글

무엇이 달라지나

자연어로 내린 관측 요청이 장비 제어와 실시간 신호 처리로 연결된다. 연구자는 Nexus에서 장비 상태와 계산 자원, 처리 파이프라인을 살피고 자연어로 신호 처리 블록을 수정할 수 있다.

한계

발표된 검출 사례는 게성운의 펄서다. 외계 문명 신호의 검출 근거와 검출기의 오탐률, 특이 신호 이후 자율 관측을 이어갈 권한의 세부 조건은 공개되지 않았다.

커뮤니티 반응

■AI가 실제 과학 관측 장비를 제어한다는 점에 흥미를 보이는 글이 나왔다. 천문학 분야의 일자리를 걱정하는 반응도 나왔다. 특이한 신호를 찾았을 때 에이전트가 얼마나 자유롭게 관측을 계속할 수 있는지 묻는 질문이 나왔다.

본문 펼치기 · 약 4분

센서 입력과 신호 계산과 장비 조정은 서로 다른 구성요소가 맡는다

NVIDIA의 설명에서 센서 데이터를 GPU 메모리로 직접 가져오는 역할은 Holoscan 플랫폼 라이브러리인 DAQIRI가 맡는다. 초당 테라비트 규모의 입력을 하드디스크에 쌓기보다 들어오는 동안 처리하는 구성이다. 신호 처리 프레임워크 CyberEther는 SETI Institute가 개발했으며, cuFFT와 cuBLAS를 포함한 NVIDIA CUDA-X 라이브러리로 계산을 수행한다.

에이전트의 실행 틀은 웹 기반 관측소 오케스트레이터 Nexus다. Nexus는 장비 상태와 계산 자원, 파이프라인의 정보를 한곳에서 제공한다. 연구자는 이를 통해 패킷 손실을 살피고 실시간 스펙트로그램을 읽으며, 자연어 요청으로 신호 처리 블록을 바꿀 수 있다. 전체 구성을 연결했을 때 에이전트가 안테나를 조종하고 장비를 보정하며 데이터 오류를 처리한다는 설명이므로, 모든 기능을 Holoscan 하나의 동작으로 묶어 부르는 것은 정확하지 않다.

초당 2.4테라비트는 소개된 관측 시스템의 처리량이다

NVIDIA는 RTX PRO 6000 Blackwell GPU를 사용하는 이 시스템이 초당 2.4테라비트를 처리하며, 추론은 관측 장비 가까이의 온프레미스 환경에서 수행된다고 밝혔다. 여기서 GPU 이름과 처리량은 해당 관측소에 도입된 구성에 관한 정보다. 다른 관측소가 같은 흐름을 도입할 때 필요한 최소 장비 사양이나 비용은 공개되지 않았다. 소개된 제작 환경을 모든 운용의 필수 조건으로 바꾸어 읽을 근거는 제시되지 않았다. NVIDIA의 시스템 설명

작업 시간에 대해서는 NVIDIA가 사람이 몇 주나 몇 년 걸릴 일을 에이전트가 몇 시간으로 줄인다고 설명했다. 다만 해당 문장에 작업별 비교 절차와 측정 조건은 공개되지 않았다. 연구자가 자연어로 요청하고 상태를 살피는 역할과, 에이전트가 장비 조정과 데이터 처리를 수행하는 역할은 원문에 함께 등장한다. 이를 사람의 관여 없이 관측 전체를 운영한다는 결과로 확대할 수는 없다.

펄서 검출 성과와 외계 문명 탐색이라는 목표를 구분해야 한다

NVIDIA가 이미 달성했다고 밝힌 결과는 게성운 펄서의 실시간 AI 검출이다. 원문은 펄서를 빠르게 회전하며 주기적인 신호를 보내는 별의 잔해로 설명하고, 이 파이프라인이 실시간 AI 검출에 처음 성공했다고 주장한다. 외계 지능의 신호를 찾는다는 관측 목적과 실제로 검출한 천체는 별개의 정보다. 이번 발표에서 확인할 수 있는 성과의 대상은 펄서이며, 외계 문명의 통신을 검출했다는 근거는 공개되지 않았다.

다음 단계로는 NVIDIA Nemotron을 포함한 공개 모델을 평가한다고 밝혔다. 데이터가 있는 곳에서 처리하는 일과 빠른 응답이 중요한 경우, 장차 달 뒷면에서 오프라인으로 운용할 수도 있는 관측소가 검토 배경이다. 이 대목은 앞으로의 평가 방향에 해당한다. 현재 장비 옆에서 수행하는 추론과 향후 공개 모델 평가, 미래의 오프라인 관측소 구상을 각각의 단계로 읽어야 도입 범위를 정확히 이해할 수 있다.

자연어 요청이 연결하는 작업과 연구자의 역할이 함께 제시됐다

소개된 흐름은 연구자의 자연어 요청을 출발점으로 삼는다. 그 요청 아래에서 장비를 조종하고 들어오는 데이터를 보정하며 신호에 모델을 적용하는 작업이 연결된다. 연구자는 Nexus에서 관측 상태를 살피고 처리 블록을 수정할 수 있다. 따라서 이번 사례의 구체적인 변화는 관측 요청과 장비·계산 파이프라인 사이를 에이전트가 이어 준다는 데 있다. 데이터 입력부터 신호 계산까지 각 구성요소가 맡는 기능도 이 흐름 안에서 구분된다.

이 설명과 특이 신호를 발견한 뒤의 의사결정 권한은 별개의 문제다. 실시간 데이터를 처리하고 장비를 조정할 수 있다는 기능 설명만으로, 에이전트가 관측 시간을 스스로 연장하거나 연구자의 판단을 대신할 수 있는 범위까지 알 수는 없다. 공개된 글은 현재 구성의 기능과 펄서 검출 성과를 소개한다. 자율 관측의 세부 권한과 검출기의 오탐률은 한계 항목에 남겨 두어야 발표된 성과의 범위가 유지된다.

자세히 읽기 · NVIDIA의 앨런 망원경 배열 AI 도입 소개 ↗

가중치 내부 실행 실험

QwenPU, Qwen3.5-4B 내부 LLM 실행·전체 로딩 40GB 이상 GPU 조건 공개

안쪽으로 겹친 사각 무늬의 프로세서 하나로 Qwen 가중치에 컴파일한 CPU와 벡터 유닛을 표현한 그림.

11월 2일 기준 QwenPU 공개 README에는 Qwen3.5-4B의 가중치에 32비트 RISC-V CPU와 벡터 유닛을 컴파일해 넣는 실험이 소개돼 있다. 그 위에서 Andrej Karpathy의 매개변수 260K 규모 모델 stories260K를 C 프로그램으로 실행해 이야기를 생성한다는 내용이다.

  • 구조: 추가 가중치는 학습으로 얻지 않고 컴파일러가 계산하며, 기반 Qwen 모델의 자체 가중치는 유지한다. QwenPU README
  • 조건: 전체 체크포인트는 26.7GB로 40GB 이상 GPU가 필요하고, 컴퓨터 계층만 실행하는 데모와 검사는 24GB GPU에 들어간다. QwenPU README
  • 속도: 제작자는 L4의 GPU 실행기에서 추적 토큰 초당 약 3,300개, 이야기 토큰당 약 16초를 보고했다. QwenPU README

무엇이 달라지나

CPU에 별도의 벡터 유닛을 더해 행렬 연산과 어텐션을 모델의 포워드 패스 안에서 처리한다. 작은 신경망을 프로그램으로 실행하는 실험이며, 사용자는 의존성을 준비하고 GPU 실행기나 체크포인트 계층 검사 경로를 선택해 구동해야 한다.

한계

진행 중인 연구이며, 정확성과 속도는 제작자가 README에 보고한 결과다. 체크포인트 자체 계층에서 보고된 이야기 프로그램 검사는 첫 30,000단계다. 독립 재현 결과와 최초 공개 날짜·시각은 공개되지 않았다. QwenPU README

커뮤니티 반응

■LLM 안에서 또 다른 LLM을 실행하는 발상이 재미있다는 반응이 나왔다. 제작자는 행렬 연산과 소프트맥스, 어텐션을 비트 단위로 정확하게 처리한다고 소개했다. 느린 생성 속도와 큰 체크포인트를 들어 일상 사용보다 연구 실험에 가깝다고 보는 글도 나왔다.

본문 펼치기 · 약 4분

새로 학습한 연산 능력보다 컴파일한 회로를 실행하는 구조에 가깝다

QwenPU README는 CPU와 벡터 유닛을 Qwen3.5-4B 가중치에 직접 컴파일했다고 설명한다. 새로 더한 가중치는 학습하지 않고 컴파일러가 계산한다. 구성표에는 기존 Qwen의 32개 계층 앞에 컴파일한 컴퓨터 계층 13개를 붙이고, 은닉 크기를 2560에서 5120으로 넓혔다고 적혀 있다. 기반 모델의 자체 가중치는 그대로 두고 계산용 차원과 계층을 추가한 방식이다.

벡터 유닛은 행렬·벡터 곱, 원소별 연산과 어텐션을 CPU에 제공하며, 메모리는 Gated DeltaNet 상태에 둔다. 실행 대상인 stories260K의 int4 가중치는 프로그램이 유닛의 가중치 메모리에 적재하는 데이터다. 이 작은 모델의 가중치까지 QwenPU 체크포인트에 고정해 컴파일했다는 뜻은 아니다. README는 메모리에 들어가는 모델이라면 같은 방식으로 실행할 수 있다고 설명하지만, 공개된 실행 사례는 stories260K다.

전체 체크포인트 로딩과 컴퓨터 계층 데모는 필요한 자원이 다르다

제작자가 밝힌 전체 체크포인트 크기는 bf16 기준 26.7GB이며, 대부분은 영으로 채운 패딩이다. 이를 통째로 올리려면 40GB 이상 GPU가 필요하다고 README는 명시한다. 반면 이야기 데모와 검사는 컴퓨터 계층을 따로 실행해 24GB GPU에 들어간다. 따라서 24GB라는 수치를 전체 모델을 통째로 실행하는 조건으로 옮기면 원문의 적용 범위를 벗어난다.

원문은 실행 경로도 나눠 제시한다. 빠른 시작의 storyrun은 컴퓨터 계층을 만들고 이야기 프로그램을 DeltaNet 상태에 적재한 뒤 GPU 실행기에서 돌리며, 매 단계를 기준 CPU 모형과 대조한다. 다른 경로는 체크포인트를 내려받고 chip-only 검사로 그 체크포인트의 계층에서 벡터 유닛을 실행하는 방식이다. 가중치 내부에서 연산한다는 설명과 별개로, 사용자가 준비해야 하는 의존성과 호스트 GPU 실행기는 실행 조건에 포함된다.

정확성 보고는 실행 경로마다 검사한 단계 수가 다르다

README에 적힌 대조 범위는 구분해서 읽어야 한다. 이야기 프로그램은 CPU에서 회로의 중간표현으로 첫 110,000단계를 실행했고, GPU 실행기에서는 전체 3,184,920단계를 실행하며 매 단계 기준 모형과 대조했다고 한다. 체크포인트 자체 계층에서는 같은 명령 시험들과 이야기 프로그램의 첫 30,000단계를 검사했다. 제작자는 이 범위에서 정확히 일치했다고 보고했으며, 이를 체크포인트 자체 계층의 전체 이야기 완주 결과로 넓힐 수는 없다.

속도 역시 제작자가 L4의 GPU 실행기에서 보고한 값이다. 초당 약 3,300개의 추적 토큰을 처리해 이야기 토큰 하나에 약 16초가 걸리며, Qwenputer NPU의 비교값은 약 41초다. 추적 토큰은 컴파일한 컴퓨터가 실행하는 단계이고, 이야기 토큰은 작은 언어 모델이 내놓는 출력이다. 두 단위를 섞으면 생성 속도를 크게 오해할 수 있다. 제작자는 다음 작업으로 은닉 크기와 체크포인트 축소를 제시했다. QwenPU의 검사·속도 설명

설계 문서와 배포 가중치는 실행 설명을 따라가는 별도 자료다

README는 벡터 유닛의 설계 설명으로 저장소의 벡터 유닛 설계 문서를 안내하고, 체크포인트를 사용하는 경로에는 제작자의 Hugging Face 모델 저장소를 제시한다. 설계 문서로 연결되는 경로와 배포된 가중치의 위치가 있다는 사실은 독자가 구조와 실행 자료를 따라갈 수 있게 한다. 다만 자료의 공개 여부와 각 실행 경로에서 보고된 검사 범위는 서로 다른 정보다.

가중치 안에 계산 구조가 들어 있다는 설명은 사용자가 실행 환경을 준비하는 단계까지 없앤다는 뜻으로 읽어서는 안 된다. 공개된 빠른 시작에는 의존성을 준비하고 프로그램을 GPU 실행기에 올리는 절차가 포함돼 있으며, 체크포인트 계층을 이용하는 검사 경로도 따로 제시돼 있다. 작은 모델이 내부 연산 구조에서 수행하는 계산과 사용자가 호스트에서 준비하고 구동하는 작업을 나눠 보면, 이 실험의 구현 방식과 필요한 자원을 함께 이해할 수 있다.

자세히 읽기 · QwenPU 제작자의 구조·실행 조건·검사 결과 README ↗ · QwenPU 제작자의 Hugging Face 모델 저장소 ↗ · QwenPU 제작자의 벡터 유닛 설계 문서 ↗

Fluxaivory desk

Built from primary sources with AI assistance and published after automated checks. AI Use Policy · Corrections

Follow Fluxaivory

Get the briefing by email

A weekly roundup of the top AI news in plain English, from primary sources. Free. Unsubscribe anytime.