Wonder는 Mac과 Windows에서 실행 중인 앱 화면을 편집하고 에이전트로 코드에 반영하는 기능을 공개했습니다. OBLITERATUS의 DeepSeek 수정본은 자체 평가 수치를, Nace.AI는 Drex Max의 Mac용 텍스트 실행 경로와 메모리 조건을 제시했습니다. 화면 편집의 구독 조건, 거부율 비교의 해석, 로컬 실행 범위를 함께 살펴봅니다.
오늘 담긴 것
- Wonder, Mac·Windows에서 화면 수정 후 코드 반영…기존 에이전트 구독 필요: Wonder의 데스크톱 작업 공간 개편
- DeepSeek V4.1 Flash 수정본, 838문항 자체 평가서 완전 거부율 4.30%: OBLITERATUS의 제3자 수정 가중치와 평가 공개
- Drex Max, Mac 텍스트 실행 조건 공개…Q8_0 48GB·Q4 24GB 이상: Nace.AI의 로컬 실행 안내와 제작사 시험 결과
디자인과 개발 도구
Wonder, Mac·Windows에서 화면 수정 후 코드 반영…기존 에이전트 구독 필요

Wonder가 10월 27일 공식 변경 내역에서 디자인과 코딩을 같은 캔버스에서 진행하는 새 작업 공간을 발표했다. Mac·Windows 데스크톱 앱에서 실제 앱을 실행하고 화면을 수정한 뒤, 연결한 Claude Code 또는 Codex 에이전트가 변경 사항을 코드에 반영하는 방식이다.
- 작업 흐름: 사용자가 실행 화면의 위치·크기·스타일·텍스트를 수정하고, 에이전트에 코드 반영을 맡긴다.
- 에이전트: 기존 Claude Code·Codex 구독과 사용자의 도구·스킬을 연결하며, 에이전트는 사용자 컴퓨터에서 로컬로 실행된다.
- 요금: Free는 편집자 1명에 0달러다. Pro는 편집자당 월 20달러이며, 연간 결제 시 월 환산 16달러다. Wonder 요금 안내
무엇이 달라지나
실행 중인 앱과 디자인, 에이전트 대화를 같은 작업 공간에서 다룬다. 사용자는 화면에서 원하는 변경을 표현하고, 에이전트는 실제 코드에 적용하는 역할을 맡는다. 앱 화면의 일부를 편집 가능한 레이어로 가져와 아이디어를 시험하는 흐름도 제공한다.
한계
코드에서 바꾼 컴포넌트가 캔버스에 돌아오는 세부 동작, 지원 프레임워크별 범위와 코드 반영 성공률은 공개되지 않았다. 기존 에이전트 구독과 Wonder의 요금은 별도이며, 실행 앱의 링크 공유와 전체 팀 협업은 Pro 항목이다.
커뮤니티 반응
■디자인 화면과 실제 코드가 이어지면서 디자인을 개발자에게 전달하는 방식도 달라질 것이라는 기대가 나왔다. 캔버스에서 데모 앱을 실행하며 화면을 눌러 볼 수 있는지 묻는 반응이 있었다. 코드에서 바꾼 컴포넌트가 캔버스에 어떻게 돌아오는지, Paper와 어떤 차이가 있는지 질문이 나왔다.
본문 펼치기 · 약 3분
화면을 고치는 사용자와 코드를 바꾸는 에이전트의 역할이 나뉜다
Wonder의 설명에 따르면 사용자는 실제 앱을 캔버스에서 실행하고, 디자인 옆에서 앱을 조작할 수 있다. 휴대전화·태블릿·데스크톱 크기로 화면을 살피는 기능도 제공한다. 실행 중인 요소를 옮기거나 크기와 스타일을 바꾸고, 텍스트를 그 자리에서 수정한 다음 에이전트가 해당 변경을 코드에 적용하도록 하는 흐름이다. 화면에서 변경할 부분을 고르는 일과 코드에 변경을 적용하는 일의 담당이 구분된다.
앱의 특정 부분을 편집 가능한 레이어로 가져오는 기능도 있다. 사용자는 가져온 화면 위에서 디자인을 바꾸고, 에이전트에 실행 앱을 그 모습에 맞추도록 요청할 수 있다. 여기서 화면 편집은 사용자가 원하는 상태를 표현하는 단계이고, 코드 수정은 연결한 에이전트가 수행하는 단계다. 원문은 이 두 작업을 같은 캔버스에서 이어 가는 방식으로 제품을 소개한다. 실행 앱을 살피는 기능, 화면을 레이어로 가져오는 기능, 변경을 코드에 반영하는 기능은 이 흐름 안에서 각각 다른 역할을 한다.
에이전트 구독과 Wonder 요금제를 나눠 봐야 비용 범위가 드러난다
Claude Code와 Codex는 사용자가 이미 결제한 구독으로 작동한다. Wonder는 이 연결에 앱 내부 AI 크레딧을 추가로 구매할 필요가 없다고 설명한다. 사용자가 설정한 도구와 플러그인도 가져올 수 있다. Free 요금제에는 편집자 1명, 여러 에이전트의 병렬 실행, 주당 AI 생성 레이어 3,000개, 캔버스 안의 실행 앱 미리보기가 포함된다. 기존 구독 연결이라는 설명은 에이전트 사용 방식에 관한 것이며, Wonder의 모든 기능에 같은 이용 조건이 적용된다는 뜻으로 넓힐 수는 없다.
Pro 요금제는 편집자당 월 20달러이고, 연간 결제를 선택하면 월 환산 16달러다. 무제한 AI 생성 레이어, AI 이미지·벡터 생성, 실행 앱 공유, 전체 팀 협업과 우선 지원이 이 요금제에 들어간다. 따라서 기존 에이전트 구독을 연결할 수 있다는 설명과 실행 앱을 팀에 링크로 공유할 수 있다는 설명은 요금 적용 범위가 다르다. 캔버스에서 실행 앱을 보는 기능과 그 앱을 다른 사람에게 공유하는 기능도 요금표에서는 구분돼 있다.
병렬 에이전트는 채팅마다 별도 작업 사본을 사용하는 방식이다
Wonder는 각 채팅이 프로젝트의 별도 작업 사본인 워크트리에서 실행된다고 설명한다. 여러 에이전트의 작업을 분리하는 구조다. 사용자는 에이전트가 먼저 물어보도록 할지, 전체 접근을 허용할지 자율성 수준을 선택할 수 있다. 메시지에 캔버스 요소, 파일, 폴더, 이미지와 이전 대화를 붙여 작업 맥락을 전달하는 기능도 제공한다. 별도 작업 사본은 작업을 나누는 방식이고, 자율성 설정은 에이전트가 어느 범위까지 스스로 행동할지 정하는 기능이다.
프로젝트는 새 아이디어, 컴퓨터의 폴더 또는 GitHub 저장소에서 시작할 수 있다. GitHub 연결에는 컴퓨터에 설정된 기존 로그인을 사용한다고 안내한다. 다른 모델에 작업 검토를 맡기는 기능과 게시 실패 원인을 에이전트가 살피도록 하는 기능도 있다. 이는 검토와 문제 해결을 요청할 수 있다는 제품 설명이며, 모든 변경의 정확성이나 게시 성공률에 관한 측정 결과는 공개되지 않았다. 원문이 제시한 검토 기능과 실제 코드 반영 결과의 정확성을 같은 수준의 근거로 받아들이기는 어렵다.
자세히 읽기 · Wonder의 새 작업 공간 소개 ↗
모델과 안전 평가
DeepSeek V4.1 Flash 수정본, 838문항 자체 평가서 완전 거부율 4.30%

11월 2일 기준 OBLITERATUS의 모델 카드에는 DeepSeek-V4.1-Flash-1017의 거부 방향을 제거한 수정본과 자체 평가 결과가 공개돼 있다. DeepSeek의 공식 신모델 발표가 아니라, OBLITERATUS가 failspy 방식으로 만든 제3자 수정 가중치다.
- 완전 거부: 두 모델이 모두 응답을 마친 838문항에서 원본 81.62%, 수정본 4.30%로 집계됐다. 거부 평가
- 유해 지원: 같은 838문항을 분모로 원본 10.38%, 수정본 78.28%로 집계됐다. 유해 지원 평가
- MMLU: 동일한 2,500문항 평가에서 정확도는 87.96%와 88.08%였으며, 차이는 0.12%포인트다. MMLU 평가
무엇이 달라지나
제작사의 평가에서는 완전 거부 감소와 유해 지원 증가가 함께 나타났다. 요청에 답하는 비율이 높아졌다는 결과와 응답이 유해한 도움을 제공했는지는 따로 읽어야 한다. MMLU의 작은 차이는 전반적인 능력 향상을 뜻하는 근거로 삼기 어렵다.
한계
수치는 OBLITERATUS가 공개한 자체 평가다. 최초 공개일, 거부·유해 지원 평가의 실행 하드웨어와 세부 추론 설정, 별도 코딩 성능 평가 결과는 제공된 카드에 공개되지 않았다. MMLU 차이는 통계적으로 유의한 개선 근거가 아니다.
커뮤니티 반응
■MMLU가 비슷하다는 이유로 수정 뒤에도 기존 능력이 유지됐다고 해석하는 반응이 나왔다. 허용 범위가 넓어지는 데 대한 우려와, 수정 뒤에도 코딩을 잘하는지 묻는 질문이 함께 나왔다. 공개 가중치의 안전 조정은 강제력이 약하다는 해석도 나왔지만, 이는 게시물의 해석이며 모든 공개 모델에 적용되는 평가 결과는 아니다.
본문 펼치기 · 약 3분
비교의 분모는 응답을 마친 공통 문항으로 제한된다
모델 카드에 적힌 OBLITERATUS 말뭉치는 842문항이다. 두 모델이 모두 완성된 답을 낸 문항은 838개이며, 수정본의 응답이 불완전했던 4문항은 비교에서 제외됐다. 거부와 유해 지원의 백분율은 이 공통 838문항을 분모로 계산했다. 전체 말뭉치 크기와 실제 비교에 사용한 문항 수를 구분해야 한다. 전체 질문 수를 그대로 비교 규모로 옮기면, 불완전 응답을 제외했다는 평가 조건이 빠진다.
분류가 완료된 응답 수도 서로 다르다. 원본은 837개, 수정본은 813개에 유효한 주석이 붙었고, 나머지 1개와 25개는 각 분포에서 미해결로 표시됐다. 미해결 응답도 백분율의 분모에는 포함된다. 따라서 공개된 비율은 두 모델의 모든 응답이 같은 수준으로 분류 완료됐다는 뜻을 담고 있지 않으며, 주석 적용 범위까지 함께 읽어야 평가 규모를 정확히 파악할 수 있다. 응답이 완성됐는지와 그 응답의 분류가 완료됐는지는 별개의 조건이다.
거부 여부와 유해 지원 여부는 서로 다른 분류다
카드는 완전 거부를 요청한 도움을 실질적으로 제공하지 않고 거절한 응답으로 정의한다. 부분 거부는 요청의 일부를 거절하면서 다른 부분에는 실질적으로 답한 경우다. 완전 거부는 원본 684개에서 수정본 36개로 줄었지만, 부분 거부는 41개에서 121개로 늘었다. 거부 동작이 모두 사라졌다는 표현보다, 완전 거부와 부분 거부의 분포가 달라졌다는 설명이 공개 결과에 가깝다.
유해 지원은 별도의 분류다. 수정본의 비거부 응답 656개 가운데 563개가 유해 지원으로 분류됐고, 93개는 그렇지 않았다. 카드에는 50개 평가 문항 중 2개를 거부해 거부율 4%를 기록했다는 별도 결과와 능력 확인 6개를 모두 통과했다는 결과도 있다. 이 소규모 확인과 838문항 비교는 평가 규모가 다르며, 공개 가중치 전반의 안전 조정 효과나 모든 작업 능력을 설명하는 범위로 넓힐 수는 없다. 거부하지 않은 응답을 모두 유해 지원으로 바꾸어 읽는 것 역시 카드의 분류 방식과 다르다.
MMLU의 작은 점수 차이는 능력 향상 주장과 구분해야 한다
MMLU 평가는 57개 과목 전체에서 같은 2,500문항을 사용했다. 과목마다 고정 해시 순서로 43개 또는 44개를 골랐으며, 방법 선택에 쓰지 않은 문항이라고 카드가 설명한다. 공통 조건은 제로샷 채팅, 사고 기능 비활성화, 답 선택지의 로짓 사용, 순전파 한 번에 한 문항이다. 이런 조건에서 원본은 2,199개, 수정본은 2,202개를 맞혔다. 이 실행 조건은 MMLU 비교에 명시된 내용이며, 거부·유해 지원 평가의 세부 설정까지 설명하는 것은 아니다.
문항별 변화와 검정 결과를 보면 오답에서 정답으로 바뀐 문항은 20개이고, 정답에서 오답으로 바뀐 문항은 17개다. 카드가 제시한 정확 양측 McNemar 검정의 p값은 0.742829다. 이 결과는 해당 MMLU 표본에서 점수가 비슷했다는 설명을 뒷받침하지만, 코딩이나 창작 등 모든 능력이 유지됐다는 결론까지 제공하지는 않는다. 거부 동작의 변화, 유해 지원 분류, 지식 평가 점수는 각각 다른 항목으로 읽는 편이 맞다.
자세히 읽기 · OBLITERATUS의 DeepSeek V4.1 Flash 수정본 모델 카드 ↗
로컬 실행과 의사결정 모델
Drex Max, Mac 텍스트 실행 조건 공개…Q8_0 48GB·Q4 24GB 이상

10월 19일을 성능 수치의 기준일로 명시한 Nace.AI의 Drex Max 모델 카드는 Mac에서 텍스트를 로컬 실행하는 경로를 안내한다. Q8_0 카드에는 27.3GB 파일과 메모리 조건, Apple M5 Pro에서 수행한 제작사 시험 결과가 실려 있다. 성능 기준일과 가중치 공개일은 구분해야 한다.
- 출력: 사용자가 상태와 이름·유형을 지정한 질문을 주면, 문장을 생성하는 대신 각 선택지의 확률을 한 번의 순전파로 반환한다.
- Mac 조건: Q8_0는 메모리 48GB가 필요하다. affine Q4는 Kapitsa·MLX에서 메모리 24GB 이상인 Apple silicon Mac용 대안으로 안내된다. 메모리 조건
- 제작사 시험: Nace.AI는 M5 Pro 48GB의 Metal 실행에서 같은 요청의 확률이 H100의 Python bf16 실행과 모든 항목에서 0.02 이내로 일치했다고 밝혔다. 시험 결과
무엇이 달라지나
텍스트 분류와 선택지 판단을 Mac에서 로컬로 수행하는 경로가 제시됐다. 사용자는 상태와 질문, 선택지를 구성하고 모델은 확률을 돌려준다. 고객 지원 티켓의 담당 팀을 판단하는 예시에서도 실제 티켓 이동이나 환불 실행은 별도 애플리케이션이 맡아야 한다.
한계
Mac용 GGUF와 affine Q4 경로는 텍스트용이며, 이미지는 Python 가중치 경로가 필요하다. 최초 가중치 공개일, M4 개별 기기의 시험 기록과 처리 지연 시간의 측정 근거는 제공된 모델 카드에 공개되지 않았다. 라이선스는 Nace.AI Open RAIL-M이다.
커뮤니티 반응
■Mac에서 모델을 로컬로 돌릴 수 있다는 점에 호감을 보이는 반응이 나왔다. 선택지별 확률을 고객 지원 티켓 분류에 쓰고, 데이터를 내부에 둘 수 있다는 기대가 나왔다. M5 Mac에서 113ms가 나온다는 게시물 주장과 함께 빠른 티켓 분류를 기대하는 반응도 나왔지만, 모델 카드에는 해당 지연 시간의 측정 근거가 공개되지 않았다.
본문 펼치기 · 약 4분
사용자가 상태와 선택지를 주면 모델은 확률을 돌려준다
Nace.AI의 설명에 따르면 Drex Max는 27B 규모의 밀집 모델에 255방향 판독 헤드를 붙인 의사결정 모델이다. 상태를 입력하고 이름이 붙은 질문을 하나 이상 전달하면 각 선택지의 확률을 반환한다. 질문 유형에는 선택, noul, 점수가 포함된다. 일반 모델 설명은 텍스트·JSON·이미지를 다루지만, 실행 경로마다 지원 입력의 범위가 다르다. 따라서 모델 전체의 입력 기능과 특정 기기에서 사용하는 실행 경로의 기능을 나눠 살펴야 한다.
공개 예시는 중복 청구를 호소하는 고객 문의를 청구·기술·기타 가운데 어느 팀이 처리할지 묻는다. 모델은 담당 팀 선택과 확률, 환불 관련 판단, 긴급도 점수를 반환한다. 사용자가 질문과 분류 기준을 먼저 구성해야 하며, 반환된 판단을 실제 티켓 배정이나 업무 처리에 연결하는 단계는 별도로 필요하다. 카드가 제시한 로컬 실행 범위도 이러한 모델 추론 경로이며, 연결할 업무 시스템 전체의 데이터 처리 방식까지 설명하지는 않는다. 데이터를 내부에 둘 수 있다는 커뮤니티의 기대도 모델 실행과 업무 시스템 연결을 구분해서 읽어야 한다.
양자화 파일은 메모리와 실행 도구를 함께 골라야 한다
Q8_0 파일의 표시 용량은 27.3GB지만, 카드가 안내하는 메모리 요구량은 48GB다. 파일 크기와 실행 메모리는 서로 다른 조건이다. Kapitsa 안내에서는 메모리 48GB인 Mac에 컨텍스트 2,048토큰을 사용하도록 적었다. 메모리가 더 적은 환경의 대안으로는 Kapitsa와 MLX에서 실행하는 affine Q4 체크포인트를 제시하며, Apple silicon Mac의 메모리 조건은 24GB 이상이다. 파일 용량만으로 실행 가능 여부를 판단하면 카드가 따로 제시한 메모리와 컨텍스트 조건을 놓치게 된다.
llama.cpp 경로는 Nace의 drex-max-v1 브랜치, Ollama 경로는 Nace 포크를 사용하도록 안내한다. 모델 전용 서버의 요청 경로는 /v1/systemone이다. 사용자는 준비된 GGUF를 내려받거나 bf16 가중치에서 변환할 수 있다. 모델 카드에 따르면 변환에는 디스크에 약 49GB의 bf16 가중치가 필요하므로, 원문은 준비된 Q8_0 파일을 받는 대안도 함께 제시한다. Kapitsa는 v0.2.25 이상이 해당 GGUF를 가져와 제공한다고 설명한다. 직접 변환하는 절차와 이미 변환된 파일을 받는 절차는 선택 가능한 경로다.
제작사 시험은 같은 요청의 확률 비교로 범위가 정해져 있다
제작사 시험 환경은 통합 메모리 48GB의 Apple M5 Pro다. Nace.AI는 Metal을 사용하는 llama-server와 Ollama가 같은 요청에 같은 답을 반환했다고 적었다. Ollama 설정에는 num_gpu 40이 명시돼 있다. 또 이 요청의 모든 확률이 NVIDIA H100에서 Python으로 실행한 bf16 가중치의 결과와 0.02 이내였다고 밝혔다. 이는 명시된 환경과 요청의 출력 비교이며, 처리 속도나 전체 평가 묶음의 일치율을 제시한 수치는 아니다.
H100은 이 비교 시험에 쓰인 장비이고, 일반 Python 실행 안내는 NVIDIA GPU와 Python 3.12 이상을 조건으로 제시한다. 이미지를 처리하려면 이 Python 가중치 경로를 사용해야 한다. Mac의 llama.cpp·Ollama·Kapitsa·MLX 안내는 텍스트 백본 실행에 해당한다. 따라서 제품이 멀티모달 모델이라는 설명과 Mac에서 사용할 수 있는 입력 범위는 나눠 읽어야 하며, 로컬 텍스트 실행 결과를 Mac 이미지 처리 성능으로 확대할 근거는 제공되지 않았다. 비교 시험에 사용한 특정 장비와 일반 실행 안내의 필수 조건도 구별된다.
자세히 읽기 · Nace.AI의 Drex Max Q8_0 실행 안내 ↗ · Nace.AI의 Drex Max 모델 카드 ↗ · Nace.AI의 llama.cpp Drex Max 브랜치 ↗