리커시브, 플린트 공개…M4 Pro 짧은 문맥서 초당 125토큰 이상

활용·적용

공식 문서는 작은 저장소에서 함수 하나를 설명하고, 관련 테스트를 추가한 뒤 그 테스트가 드러낸 동작을 고치는 순서로 시작하도록 안내한다. 이 범위라면 답변 생성 속도뿐 아니라 테스트 통과 여부와 실제 수정 내용을 함께 비교하기 좋다. 외부 전송을 줄이려는 개발팀은 먼저 공개 코드나 비민감 저장소로 실행 환경을 정할 수 있다.

rec 문서의 Mac 경로는 최소 48GB 통합 메모리와 약 30GB의 여유 디스크를 요구한다. 지원 칩은 M4 Pro·M5 Pro·M5 Max이며, rec의 RTX Spark 지원은 추후 제공 항목이다. 플린트를 지원하는 다른 실행 도구로는 Ollama·Unsloth·LM Studio·llama.cpp가 소개돼 있다.

벤치마크·비교

모델 카드의 리커시브 평가 수치는 Terminal-Bench 2.1 54.9%, SWE-bench Pro v2 89.7%, SWE-bench Verified 74.2%다. 앞의 평가는 Terminus 2, 뒤의 두 평가는 mini-swe-agent 환경을 사용했다. 에이전트 점수는 최소 5회 시도의 평균 pass@1이며, 온도 1.0·top-p 0.95·top-k 20을 적용했다.

발표문의 짧은 문맥 속도와 128k 토큰 세션의 평균 속도 비교는 측정 범위가 다르다. 모델 카드의 배포 문맥 설정은 입력·출력을 합해 262,144토큰이다. 발표문은 최대 512k를 언급하면서 실제 코딩에는 256k 안쪽을 권장하므로, 장문 작업을 비교할 때는 실행 도구의 설정을 기준으로 잡을 수 있다.

가격·조건

가중치 라이선스는 Apache 2.0이다. 로컬 배포는 API 호출료 대신 기기·전력·운영 비용을 따지는 경로이며, 호스팅 API의 이용 조건은 가중치 라이선스와 별도로 다뤄진다. 무료 공개 가중치를 검토할 때도 실행할 정밀도와 필요한 하드웨어를 함께 정해야 한다.

기본 저장소의 BF16 파일은 약 79.6GB이고, 모델 카드는 다운로드를 약 80GB로 안내한다. 별도 양자화본과 rec의 Mac 실행 요건을 구분하면 ‘활성 매개변수가 작다’는 설명과 실제 저장 공간·통합 메모리의 차이가 드러난다. 처음 비교할 환경은 기존 보유 기기에서 공식 실행 요건을 충족하는 경로로 좁히는 편이 합리적이다.

활용·적용

제품 페이지의 클라우드 폰은 가상 Android이고, 실제 폰은 샌프란시스코 랙에 둔 소매용 단말이다. 실기기는 물리 스타일러스와 카메라를 사용하는 구성을 제시한다. 모바일 QA를 검토한다면 먼저 자신의 테스트 대상이 가상 기기와 실기기 중 어느 쪽을 요구하는지 나누는 것이 출발점이다.

에이전트가 앱에 접근한다는 점보다 완료 조건을 어떻게 확인할지가 중요하다. 예를 들어 테스트 계정의 체크아웃 화면 도달 여부를 확인하는 일과 실제 구매를 완료하는 일은 권한 범위가 다르다. 같은 서비스의 사용 예시를 참고하되, 회사 도입에서는 테스트 계정·대상 앱·허용 동작을 먼저 정할 수 있다.

벤치마크·비교

공식 비교표는 브라우저 에이전트, 에뮬레이터, PhoneUse를 나란히 놓는다. 브라우저는 웹 작업, 에뮬레이터는 가상 단말, PhoneUse는 가상·실기기 선택이라는 실행 범위의 차이가 있다. 앱이 요구하는 기기 조건을 검토할 때 이 구분을 먼저 적용할 수 있다.

같은 페이지의 FAQ는 클라우드 폰과 실제 폰을 명확히 구분한다. 따라서 클라우드 상품을 고른 뒤 모든 작업이 실물 아이폰에서 이뤄진다고 가정하기보다, 앱·기기 조건에 맞춰 상품을 선택하는 편이 맞다. 세 경로의 설명은 제공사 자료를 바탕으로 비교했다.

가격·조건

월 구독 가격표를 기준으로 클라우드 10대를 각각 최저 20달러 요금에 배정한다고 가정하면 월 단말료는 최소 200달러다. 실제 아이폰 10대를 각 99달러에 배정하는 가정이면 990달러다. 두 계산은 단말 월 구독료만 더한 예시로, 별도 에이전트 모델 요금이나 세금은 포함하지 않는다.

제품 페이지에는 월 구독과 분당 과금 선택지가 함께 있다. 위 계산은 월 구독 표시 금액에만 해당한다. 장시간 켜 두는 테스트인지, 간헐적으로 실행하는 작업인지에 따라 가격표의 과금 방식부터 맞춰 비교할 수 있다.

활용·적용

공식 안내는 Google·GitHub·Apple·이메일로 로그인해 네트워크를 만들거나 참여하는 경로를 제시한다. 팀원을 연결하려면 누가 같은 네트워크에 들어갈지 먼저 정한다. 예를 들어 코드 확인을 맡은 세션과 테스트를 맡은 세션을 구분하면 메시지의 목적과 완료 조건을 함께 적기 쉽다.

엔진 문서는 list_team·send_message·ask_user 세 도구에, 메시지를 직접 밀어 넣지 못하는 환경의 check_inbox를 더해 설명한다. ‘어느 세션이 누구에게 무엇을 요청하는가’를 정해 두면 연결 기능을 바로 전면 자율 협업으로 확대하지 않고 검토할 수 있다.

벤치마크·비교

회사 소개의 약 2ms는 같은 컴퓨터에서 두 엔진 사이에 메시지를 전달하는 예시다. 서로 다른 컴퓨터 사이에는 자체 네트워크 지연이 더해진다. 수치를 업무 하나가 끝나는 시간과 구분하면, 메시지 전달 뒤 모델이 답을 만드는 시간까지 포함해 실제 협업을 비교할 수 있다.

통신 경로도 두 갈래다. 컴퓨터 간 메시지는 직접 연결하거나 암호화된 바이트만 중계하는 릴레이를 쓴다. 호스팅형 비서는 Reason 서버를 통해 연결된다. 민감한 코드를 다루는 팀은 이 차이에 맞춰 어떤 세션을 연결할지 결정할 수 있다.

가격·조건

연결망과 엔진은 카드 없이 무료로 시작하는 경로다. 반면 연결 대상인 Grok Bot 제품 페이지는 개인 Premium을 월 결제 기준 30달러부터 안내한다. 무료 연결망과 연결 대상 서비스의 구독료를 나눠 예산을 잡는 식이다.

이미 사용 중인 로컬 에이전트 두 세션으로 정보 전달 범위를 정하는 것이 작은 검토 단위다. 새 도구의 설치·연결은 조직의 승인을 받은 뒤 진행하고, 각 에이전트가 실행할 수 있는 동작과 데이터 범위를 기존 권한 안에서 정한다. 이는 공식 연결 구조를 바탕으로 한 도입 권고다.

활용·적용

발표문은 Choice·Score·Boolean 세 질문 유형을 든다. 고객 문의를 결제·보안·일반 지원 중 하나로 보내거나, 사람이 볼 요청을 가려내는 식이다. 운영팀은 먼저 이미 정답을 아는 문의를 모아 모델의 선택과 담당자의 판단을 나란히 비교할 수 있다.

같은 자료는 정확도뿐 아니라 확률의 보정, 예상 트래픽에서의 속도·비용을 함께 평가하도록 권한다. 자동 분류를 전면 적용하기보다 확신이 낮은 요청을 사람에게 넘기는 기준을 정해 보는 접근이다. 회사는 일반 지식이 더 필요한 작업에는 매머드, 빠른 추론 중심 작업에는 엘리펀트를 제안한다.

벤치마크·비교

매머드 카드는 Jev Decision Index 0.4에서 71.24점, Perplexity Decider v1.2는 69.42점으로 제시한다. 같은 표의 차이는 1.82점이다. 이 비교는 해당 버전의 결정 평가에 대한 제작사 인용이며, 일반 코딩·대화 모델의 종합 순위로 범위를 넓히지 않는다.

같은 카드는 Artificial Analysis Decision Index의 재현 평가에서 매머드 65.9점을 제시한다. 회사 발표문에 적힌 엘리펀트 값은 65.2점이다. 어떤 지수·버전·재현 환경인지 함께 적어 놓으면, 다른 표의 숫자를 하나의 성능 순위로 섞지 않고 모델을 고를 수 있다.

가격·조건

모델 카드의 매머드 무료 API는 기본 ZDR(데이터 보관 없음)을 안내하며, 종료는 2026년 10월 27일 오후 11시 59분 PT다. 한국 시각으로는 10월 28일 오후 3시 59분이다. 발표문은 두 모델 모두 베이스텐 API에서 일주일 무료 체험을 제공한다고 설명한다.

가중치를 내려받아 자체 실행하는 경로도 있다. 매머드의 현재 모델 카드는 MIT 라이선스를 표시한다. 호스팅 체험의 기간·개인정보 조건과 자체 배포의 라이선스·인프라 비용은 나눠 비교할 항목이다.

벤치마크·비교

METR 보고 요약의 75~94%는 당시 GPT-5.5 이상 성능 모델의 내부 에이전트 Responses API 트래픽에 대한 감시 대상 편입 가능 비율 추정이다. 내부 Codex 에이전트 트래픽만 떼어 놓은 같은 지표의 추정치는 99.2%다. 두 수치는 분모가 달라, 같은 전체 트래픽의 감시 성공률 두 개로 비교하지 않는다.

같은 요약은 압축 이벤트 누락으로 5~7월의 대상 내부 Codex 트래픽 중 약 10%가 감시되지 않았을 가능성을 추정한다. 정확한 비율에 대한 불확실성도 함께 적었고, 이 문제는 평가 전부터 OpenAI 직원이 파악해 평가 중 수정했다고 전한다. 대상 편입과 실제 감시 실행을 구분해 집계해야 하는 이유다.

OpenAI 게시물은 결과가 보호 장치 강화에 도움이 됐다고 소개한다. 연구진의 공개 요약은 평가가 시작 당시 시스템과 공개 범위가 제한된 파일럿에 해당한다고 구분한다. 후속 운영 상태를 판단할 때는 수정 주장과 재평가 결과를 별도 자료로 다룰 수 있다.

활용·적용

연구진의 설계 권고는 감시를 피하기 어렵게 만들고, 전체 추론·행동 로그와 감시 로그를 주기적으로 대조하며, 에이전트와 감시 체계를 격리하라는 것이다. 자체 시스템에서도 우선 전체 실행량과 감시된 실행량의 분모를 맞추고 누락 원인을 분류하는 점검부터 적용할 수 있다.

작업이 끝났을 때만 감시할지, 일정 메시지 수나 시간이 지날 때도 감시할지는 별도 운영 선택이다. 사고 대응 담당과 변조하기 어려운 로그, 정기적인 레드팀 평가도 같은 권고에 들어 있다. 특정 업체의 현재 안전성 점수를 매기기보다, 공개된 설계 원칙을 자신의 운영 체계에 대조하는 자료로 활용할 수 있다.