GPT Astra의 장기 업무 역량, 추격 장벽은 모델 밖에도 있습니다
중국 오픈웨이트 모델이 GPT-6 Astra의 장기 업무 역량을 따라잡을 수 없다는 근거는 아직 없습니다. 그러나 좋은 모델 가중치를 확보하는 것만으로 같은 업무 수행 능력을 재현할 수 있다는 주장도 성립하지 않습니다. 학습용 실행 환경, 결과를 판정하는 체계, 긴 작업을 중단 없이 이어가는 기반시설, 실제 고객 환경에서의 검증까지 함께 맞아야 하기 때문입니다.
현재 가장 타당한 가설은 ‘비밀 알고리즘 하나의 독점’보다 검증 가능한 경험을 생산하고 개선에 반영하는 통합 운영 능력이 추격 비용을 만든다는 것입니다. 중요한 제한도 있습니다. Astra의 강화학습 연산량, 학습용 장비 수, 환경의 규모와 다양성은 공개 자료만으로 알 수 없습니다. OpenAI가 이 항목에서 중국 경쟁사보다 얼마나 앞서는지, 실제로 앞서는지도 항목별 검증이 필요합니다.
2026년 9월 6일까지 확인한 공식 발표, 기술보고서와 구현 문서에 근거한 분석입니다. 공급자의 성능 주장은 독립 검증 결과와 구분합니다. 동일한 환경에서 Astra와 중국 모델을 직접 실행한 비교실험은 수행하지 않았습니다. 아래의 학습 구조도는 공개 연구를 종합한 설명이며, 비공개인 Astra의 실제 학습 설계도가 아닙니다.
긴 업무를 잘한다는 말에는 서로 다른 능력이 섞여 있습니다
오래 실행되는 모델, 긴 문서를 읽는 모델, 사람이 오래 걸리는 일을 해내는 모델은 같은 뜻이 아닙니다. 예를 들어 검색에 한 시간을 소비한 에이전트가 어려운 업무를 처리했다고 단정할 수 없습니다. 반대로 짧은 시간에 복잡한 오류를 고친 모델의 장기 업무 역량을 낮게 볼 이유도 없습니다.
평가기관 METR가 사용하는 작업 시간 지평은 특정 성공률에서 모델이 처리할 수 있는 과제를 사람 전문가가 수행하는 데 걸리는 시간으로 나타냅니다. 모델 자체의 실행 시간과 다르며, 그 수치가 모든 직종의 업무를 대표하지도 않습니다. Astra의 일반적인 ‘무인 업무 가능 시간’을 이 지표로 환산할 만한 직접 근거는 이번 조사에서 확보하지 못했습니다. [4]
실제 업무에서 더 중요한 것은 의존 관계입니다. 자료를 찾고, 서로 다른 수치를 대조하고, 파일을 수정하고, 검증한 뒤 정확한 대상에게 전달해야 하는 일은 앞 단계의 오류가 뒤 단계로 전파됩니다. 수정한 파일을 다시 열어 확인하는 행동, 실패한 도구 호출을 복구하는 행동, 승인 범위를 벗어나기 전에 멈추는 행동까지 성능에 포함해야 합니다.
단순화한 계산으로 차이를 볼 수 있습니다. 반드시 성공해야 하는 단계가 100개이고, 단계별 성공이 독립적이며 재시도가 없다고 가정하면, 각 단계 성공률이 99%일 때 전체 성공률은 0.99^100 = 36.6%입니다. 각 단계 성공률이 99.9%면 0.999^100 = 90.5%입니다. 소수점 둘째 자리에서 반올림해 첫째 자리까지 표시한 예시이며 실제 에이전트 성능 추정치가 아닙니다. 현실에서는 오류가 연관되고 복구도 가능하므로, 작은 오류를 줄이는 능력과 오류를 발견해 되돌리는 능력을 함께 평가해야 한다는 의미로만 읽어야 합니다.
Astra에서 확인되는 학습 방식과 확인되지 않는 내부 구조
OpenAI는 Astra를 사전학습, 강화학습, 정렬 연구의 결합으로 소개하고, 전문 업무 환경에 대한 표적 학습을 명시했습니다. 자료의 형식과 문체를 따르고, 필요한 맥락만 출력에 사용하며, 요청이 수정돼도 원래 목표를 유지하는 행동을 강조합니다. [1]
성능 향상이 모든 과제에서 같은 폭으로 나타나는 것은 아닙니다. 회사 공개표에서 Terminal-Bench 4.0은 GPT-5.6 Sol의 37.3%에서 Astra의 57.9%로 높아졌지만, DeepSWE v1.1은 72.7%에서 74.1%로 개선됐습니다. OSWorld 2.0 지연시간 모의실험에서는 더 높은 점수를 더 짧은 시간에 얻었습니다. 이러한 결과는 일부 복합 과제의 개선을 지지하지만, 중국 모델 전체와의 격차나 원인을 직접 입증하지는 않습니다. [1]
시스템 카드는 강화학습을 통해 전략을 바꾸고 실수를 인식하는 추론 학습을 설명하며, Astra의 프롬프트 주입 방어에 자동화된 적대적 학습을 적용했다고 밝힙니다. 안전 개요는 사전학습 데이터 구성부터 강화학습의 채점까지 정렬을 개선했다고 설명합니다. 어려운 일을 끝내는 능력과, 끝내기 위해 해서는 안 될 일을 하지 않는 능력을 함께 다룬다는 점이 중요합니다. [2][3]
| 질문 | 공개 자료에서 가능한 답 |
|---|---|
| 전문 업무와 다단계 행동을 학습했습니까? | 전문 환경에 대한 표적 학습과 강화학습 활용은 공식 설명에 있습니다. |
| 강화학습 알고리즘과 보상함수는 무엇입니까? | Astra 전체를 재현할 수준의 구체적인 조합과 가중치는 공개되지 않았습니다. |
| 얼마나 많은 GPU와 실행 환경을 사용했습니까? | 비교 가능한 실제 투입량을 확인하지 못했습니다. |
| 전문가 혼합, 반복층, 숨은 상태 추론 구조입니까? | 검토한 공식 자료만으로 확정할 수 없습니다. |
| 평가용 업무 수가 학습 데이터 규모입니까? | 아닙니다. 평가 표본 수와 학습 데이터 수는 별개입니다. |
| 더 짧은 사고과정이 새로운 내부 구조의 증거입니까? | 아닙니다. 관측된 출력만으로 내부 연산 구조를 식별할 수 없습니다. |
따라서 ‘Astra는 특정 반복형 구조라 중국이 복제할 수 없다’거나 ‘강화학습 GPU가 몇 배라서 압도한다’는 설명은 현재 사실로 제시할 수 없습니다. 비공개라는 사실은 비밀 기술의 존재를 입증하는 증거가 아닙니다.
강화학습의 목표는 오래 생각하기보다 올바르게 끝내기입니다
긴 업무 학습을 이해하는 데 필요한 단위는 답안 한 개가 아니라 행동의 연속과 그 결과입니다. 다음은 공개된 에이전트 연구를 바탕으로 재구성한 일반적인 학습 과정입니다. 특정 회사의 순서나 설정을 그대로 뜻하지 않습니다. [5][6][7]
처음에는 기본 언어·지식·코드 능력이 필요합니다. 사전학습이 이 기반을 제공합니다. 이후 좋은 행동 예시를 따라 하는 지도 미세조정은 도구 호출 형식, 자료 확인, 결과 설명 같은 기본 행동을 안정시키는 데 사용할 수 있습니다. 강화학습에서는 모델이 실제로 여러 경로를 시도하고, 검증 결과가 더 나은 경로를 선택하도록 학습합니다.
예를 들어 ‘매출 표를 업데이트하라’는 요청에서 파일 저장만 보상하면 잘못된 수식을 넣어도 성공으로 간주할 수 있습니다. 매출 합계만 보상하면 원본 데이터를 임의로 바꿔 숫자를 맞출 유인이 생깁니다. 업무에 필요한 것은 데이터의 출처, 수식의 정확성, 기존 형식, 변경 범위, 최종 저장 위치를 동시에 지키는 결과입니다. 이는 가상의 예시이지만, 보상 설계가 곧 업무 정의라는 점을 보여줍니다.
최종 성공 여부만 보상하면 어떤 중간 행동이 유효했는지 식별하기 어렵습니다. 그렇다고 중간 단계마다 점수를 붙이면 최종 목적과 관계없는 체크리스트를 최적화할 수 있습니다. 쉬운 과제에서 어려운 과제로 옮기는 교육과정, 결과 검증과 중간 검증의 조합, 실패 사례 재학습은 이 긴장을 다루는 방법들입니다. 과제가 원래 불가능한 경우에는 솔직한 중단이나 추가 정보 요청을 적절한 결과로 인정해야 합니다.
중국 연구진도 이러한 방향으로 움직이고 있습니다. Kimi K3 보고서는 영역별 강화학습, 여러 추론 예산, 교사 모델들의 행동을 통합하는 학습을 설명합니다. 또한 오래 걸리는 실행을 중간에 멈췄다가 이어가는 방식과 지속되는 모의 업무 환경을 다룹니다. 여기서 여러 날에 걸친 환경은 시뮬레이션상의 업무 기간이지, 모든 학습 표본을 실제 며칠씩 돌렸다는 뜻이 아닙니다. [5]
Kimi K3의 자율 실행 과제는 정답 경로나 정해진 절차를 주기보다 초기 상태, 목표, 제약과 독립 검사기를 제공합니다. 보상은 모델의 완료 주장보다 최종 환경 상태에 연결됩니다. 추론 예산을 초과한 실행에 불이익을 주는 학습도 명시합니다. 즉 긴 실행을 가능하게 하면서 불필요하게 오래 실행하는 행동은 억제하는 방향입니다. [5]
강화학습 규모는 GPU 대수보다 유효한 실험 처리량으로 봐야 합니다
장기 과제 강화학습에는 서로 다른 자원이 필요합니다. 모델이 다음 행동을 생성하는 가속기, 가중치를 갱신하는 학습 자원, 브라우저와 프로그램을 돌리는 CPU·메모리·격리 환경, 결과 검사기, 그리고 이 작업들을 배분하는 운영 소프트웨어입니다. 어느 한 곳이 막히면 나머지 장비가 늘어나도 학습은 빨라지지 않습니다.
특히 모든 실행이 끝날 때까지 기다리는 동기식 구성에서는 가장 느린 표본이 전체 묶음을 지연시킵니다. AReaL 연구는 실행 생성과 모델 갱신을 비동기적으로 분리하고, 오래된 정책으로 생성된 데이터의 영향을 관리하는 설계를 제시합니다. 장기 실행의 대기 손실을 줄이는 방법이 이미 공개 연구 대상이라는 뜻입니다. [8]
반대로 비동기화만으로 문제가 사라지지는 않습니다. 모델이 갱신되는 동안 진행 중인 작업은 이전 정책을 사용합니다. 너무 오래된 경험은 새 정책의 학습에 부적합할 수 있습니다. 실패하거나 긴 표본만 버리면 쉬운 일과 짧은 일에 유리한 편향도 생깁니다. 처리량을 높이되 무엇을 학습에서 제외하고 있는지 확인해야 합니다.
딥시크 V4 보고서는 이 문제를 상당히 구체적으로 다룹니다. 중단 후 재개를 위한 토큰 단위 로그와 추론 상태 저장, 백만 토큰 문맥의 강화학습, 컨테이너·마이크로 가상머신 등을 묶는 DSec 실행 기반을 설명합니다. 회사는 단일 클러스터에서 수십만 개의 격리 실행 인스턴스를 동시에 운영한다고 보고합니다. 이는 외부 감사로 확인한 수치가 아니며, 서로 다른 업무 환경이 수십만 종류라는 뜻도 아닙니다. 그럼에도 ‘중국에는 대규모 에이전트 학습 기반이 없다’는 설명과는 양립하기 어렵습니다. [6]
따라서 비교에 필요한 항목은 명목 GPU 수보다 구체적이어야 합니다. 같은 난도의 새로운 과제를 하루에 얼마나 실행하고, 그중 얼마나 정확하게 채점하며, 모델 개선을 얼마나 빨리 재검증하는지를 봐야 합니다. 회사 전체의 데이터센터 투자 계획이나 사전학습 연산량으로 이 수치를 대신할 수 없습니다.
Astra의 실제 강화학습 투입량이 비공개인 상태에서 미국과 중국의 상대 규모를 숫자로 순위 매기는 것은 불가능합니다. 확인할 수 있는 것은 장기 학습에 상당한 시스템 통합이 필요하다는 점과, 중국 선두 연구소 역시 그 통합을 적극적으로 수행하고 있다는 점입니다.
데이터의 해자는 문서량보다 환경·판정·권리의 결합에 있습니다
장기 업무에서 가치 있는 데이터는 ‘좋은 보고서’만이 아닙니다. 어떤 요청에서 시작했는지, 당시 파일과 시스템 상태가 무엇이었는지, 어떤 행동이 실패했는지, 무엇을 고쳐 승인받았는지가 연결돼 있어야 합니다. 실제 고객 업무를 학습에 재사용할 권리도 필요합니다.
가령 계약서 검토 에이전트에 최종 수정본만 제공하면 어떤 위험 때문에 조항을 바꿨는지 빠질 수 있습니다. 반대로 승인자의 이유와 최종 협상 결과까지 기록하면 판단을 개선할 신호가 생깁니다. 다만 실제 계약 조건과 개인정보를 학습에 사용할 권리가 없다면, 데이터가 존재한다는 이유만으로 활용 가능한 자산은 아닙니다. 이는 특정 회사의 보유 데이터에 대한 주장이 아니라 데이터 실사의 기준입니다.
OpenAI의 고객 기반을 곧바로 독점 학습 데이터로 환산하는 것도 잘못입니다. OpenAI는 기업용 제품과 API의 입력·출력을 기본적으로 모델 학습에 사용하지 않는다고 명시합니다. 별도 동의, 계약, 비식별화와 적법한 재사용 범위를 확인하지 않은 ‘사용자 수 → 학습 데이터 → 영구 독점’ 논리는 중간 단계가 빠져 있습니다. [9]
중국의 합성 환경 연구도 반론이 됩니다. Qwen-AgentWorld는 7개 영역의 1,000만 건 이상 실제 상호작용 궤적을 활용했다고 보고하며, 행동에 따른 다음 환경 상태를 예측하는 언어 기반 세계모델을 제시합니다. 이것은 업무를 수행하는 주 모델과 동일한 개념이 아니라, 에이전트의 학습·평가 환경을 만들어 줄 수 있는 모델입니다. [10]
합성 환경은 새로운 조합을 저렴하게 만들 수 있지만, 정확하지 않은 시뮬레이터에서는 존재하지 않는 도구 동작이나 현실과 다른 고객 반응을 학습할 수 있습니다. 따라서 영구적인 데이터 독점을 부정하는 근거는 되지만, 현실 검증의 필요성을 없애지는 않습니다. 실제 환경에서의 새로운 실패, 그것을 재현할 권리, 합격 기준을 수정하는 능력이 계속 필요한 이유입니다.
여기서 예상되는 해자는 데이터의 국적보다 현실의 결과를 관측할 위치와 재사용 권리에 가깝습니다. 같은 미국 기업이라도 실제 승인 결과를 받지 못하면 약하고, 중국 기업이라도 특정 업무의 완료와 실패를 지속적으로 확인할 수 있다면 강해질 수 있습니다.
아키텍처를 공개하지 않았다는 사실로 우월성을 설명할 수는 없습니다
Astra의 내부 구조가 비공개이므로, 특정 신경망 구조가 중국 모델의 추격을 막는다고 입증할 수 없습니다. 긴 문맥이나 짧은 출력은 서로 다른 설계와 학습 방법으로도 나타날 수 있습니다. 출력만 보고 학습량과 내부 반복 연산의 기여도를 분리하는 것은 식별하기 어려운 문제입니다.
반대로 중국 모델의 구조 혁신은 공개 자료로 확인할 수 있습니다. 딥시크 V4는 압축과 희소 선택을 결합한 주의집중 구조를, Kimi K3는 Kimi Delta Attention과 Attention Residuals를 설명합니다. 두 접근은 동일하지 않지만, 긴 정보 처리의 비용과 정보 전달 문제를 설계 대상으로 삼는다는 공통점이 있습니다. [5][6]
9월 6일 확인한 Z.ai의 GLM-5.3-Flash 모델 카드는 전체 3,200억·활성 180억 매개변수의 구조와 희소·선형 주의집중을 결합한 설계를 공개합니다. 여기서 활성 매개변수는 한 번의 처리에 동원되는 부분을 뜻합니다. 전체 가중치를 저장하고 분산 운영하는 비용까지 그만큼 줄어드는 것은 아닙니다. 모델 카드는 이전 GLM 보고서도 연결하고 있어, 이전 버전의 학습 세부를 5.3의 검증된 방법으로 옮겨 적어서는 안 됩니다. [11]
학습과 실제 서비스의 수치 형식을 맞추는 방법도 있습니다. Kimi는 지도 미세조정 단계부터 낮은 비트 수의 계산을 고려하는 양자화 인식 학습을 적용했다고 설명합니다. 서비스 비용을 낮추기 위해 계산 정밀도를 줄일 때, 학습에서 기대한 행동이 그대로 유지되는지 함께 다루는 접근입니다. 이런 최적화도 Astra만의 독점적인 방법이라고 볼 근거는 없습니다. [16]
학습과 구조의 기여를 분리하는 사례도 있습니다. 딥시크는 V4-Flash-0731이 Preview와 동일한 모델 구조와 크기를 유지하고 후반학습만 다시 수행했다고 명시했습니다. 이는 같은 구조에서도 학습 설계로 성능이 달라질 수 있음을 보여줍니다. 다만 해당 변경은 API 업데이트이므로 최신 API와 배포된 공개 가중치가 동일하다고 가정해서는 안 됩니다. [12]
구조는 중요합니다. 하지만 ‘새 구조가 없으면 추격 불가’도, ‘구조는 그대로였으니 구조는 중요하지 않다’도 과도한 결론입니다. 같은 예산에서 얼마나 유효한 학습과 추론을 수행할 수 있느냐가 구조와 시스템의 공동 결과입니다.
증류는 추격 수단이지만 완성된 답변만 복사하면 부족합니다
증류는 더 강한 교사 모델의 판단과 출력을 다른 모델의 학습 신호로 사용하는 방법입니다. DeepSeek-R1 연구는 추론 모델의 행동을 더 작은 모델에 이전할 수 있음을 보여줬습니다. 따라서 선두 모델의 우위가 공개 모델로 전혀 이전되지 않는다는 주장은 이미 너무 강합니다. [7]
그러나 장기 업무에는 교사의 최종 답보다 더 많은 정보가 필요할 수 있습니다. 처음부터 올바른 경로를 따라간 예시만으로는 학생 모델이 잘못된 파일을 열었거나 도구 오류를 만났을 때 복구하는 법을 충분히 배우지 못할 수 있습니다. 학생이 실제로 도달하는 상태에서 피드백을 받는 방식이 중요한 이유입니다.
딥시크 V4는 분야별 학습 뒤 여러 교사의 정보를 학생 자신의 실행에 맞춰 통합하는 온폴리시 증류를 설명합니다. 교사에 직접 접근해 얻는 풍부한 학습 신호와 외부 API의 최종 텍스트만 얻는 상황은 같은 조건이 아닙니다. [6]
추격 기업은 자체 교사, 사용 권리가 있는 공개 모델, 실제 환경의 자동 검증을 조합할 수 있습니다. 따라서 ‘교사의 비공개 사고과정을 못 보니 추격 불가’로 결론 낼 수는 없습니다. 다만 이용 약관·라이선스·데이터 권리, 실제 실패 상태의 수집 비용, 채점의 정확성이 추격 비용에 영향을 줍니다.
또한 실행 도중 메모를 남기고 과거 파일을 검색하는 개선과, 가중치를 갱신하는 학습은 구별해야 합니다. OpenAI의 장기 Codex 작업 지침은 저장소와 문서에 계획·상태를 남기고 검증을 반복하는 구성을 설명합니다. 외부 기억을 잘 쓰는 에이전트가 곧 실시간으로 모델 가중치를 학습하는 에이전트인 것은 아닙니다. [13]
서빙 기반시설과 실행 소프트웨어는 서로 다른 병목을 해결합니다
서빙은 학습된 모델을 실제 요청에 맞춰 계산해 주는 과정입니다. 장기 업무에서는 모델 응답 한 번의 속도만으로 서비스 품질이 결정되지 않습니다. 아래 구분은 서로 다른 비용과 책임을 혼동하지 않기 위한 것입니다.
| 영역 | 해결해야 하는 문제 | 장기 업무에서 나타나는 차이 |
|---|---|---|
| 물리 기반시설 | 가중치·중간 상태를 담을 메모리, 메모리 대역폭, 장비 간 통신 | 동시 작업이 많아질 때 처리량과 지연시간이 달라집니다. |
| 모델 계산 구조 | 긴 입력 처리, 다음 토큰 생성, 전문가 배분, 캐시 재사용 | 같은 장비에서도 작업당 연산·통신·메모리 비용이 달라집니다. |
| 실행 소프트웨어 | 도구 연결, 작업 상태, 중단·복구, 중복 실행 방지 | 시간 초과나 실패 후 처음부터 다시 해야 하는지 결정됩니다. |
| 운영 통제 | 접근권한, 승인, 결과 검사, 기록과 감시 | 수행 가능한 업무의 범위와 사고 비용이 달라집니다. |
Kimi의 Mooncake 연구는 긴 입력을 먼저 처리하는 단계와 이후 토큰을 생성하는 단계를 분리하고, 여러 메모리·저장 자원을 추론 캐시에 활용하는 방식을 제시했습니다. 서빙 구조 자체도 중국 기업이 축적하고 공개해 온 기술입니다. 따라서 ‘서빙 최적화는 폐쇄형 미국 연구소만 할 수 있다’는 가정은 맞지 않습니다. [14]
가중치 공개와 배포 완성 사이에는 여전히 공정이 남습니다. vLLM의 Kimi K3 구현 문서는 혼합형 주의집중의 상태 관리, 캐시 재사용, 전문가 병렬 처리와 수치 형식에 맞춘 계산 최적화를 다룹니다. 같은 모델이라도 구현과 설정이 다르면 속도·메모리 사용·운영 안정성이 달라질 수 있습니다. 이 문서는 7월 22일의 구현 진행 상황이므로 당시 남았던 작업을 9월에도 미완료라고 주장할 수는 없습니다. [15]
Kimi의 공식 글은 추론 이력을 보존하는 학습 설정과 실제 실행 설정의 정합성이 중요하다고 설명합니다. 이력을 지우거나 작업 중 모델을 바꾸면 동작이 불안정해질 수 있다는 한계도 밝힙니다. 공개 가중치를 아무 실행 소프트웨어에 끼우고 결과가 나쁘다는 이유만으로 기본 모델의 능력을 판정하기 어려운 이유입니다. [16]
이 구분은 Astra에도 적용됩니다. OpenAI는 출시와 함께 Codex의 실행 소프트웨어를 개선했다고 명시했고, 도구를 사용하는 외부 추론에 추가 감시를 적용하면서 상당한 계산 비용이 든다고 밝혔습니다. 모델 성능과 실행 구조의 개선이 섞여 있는 결과를 전부 가중치의 우위로 해석할 수 없으며, 안전 통제를 제거한 저가 서비스와 비용만 비교하는 것도 불공정합니다. [1][3]
비용은 토큰보다 검증된 완료 한 건을 기준으로 계산해야 합니다
분석에 사용할 경제성 지표는 다음과 같습니다.
검증된 완료 한 건의 비용 = (전체 시도의 모델 계산비 + 도구·실행 환경 비용 + 운영·감시 비용 + 사람의 검토·수정 비용 + 예상 사고 손실) ÷ 권한과 품질 기준을 통과한 완료 건수
이는 특정 공급자의 공시 지표가 아니라 구매자 관점의 제안입니다. 비교 기간과 업무 묶음을 동일하게 하고, 실패한 시도에 들어간 비용도 분자에 포함해야 합니다. 비용 측정과 별개로, 허용할 수 없는 정보 유출이나 권한 위반에는 거래를 중단하는 기준이 필요합니다. 사고 위험을 평균 비용 하나로 상쇄해서는 안 됩니다.
저렴한 모델이 여러 번 재시도하고 사람에게 수정을 요구하면 총비용이 높아질 수 있습니다. 반대로 과제가 표준화돼 있고 검증이 저렴하다면, 최고 성능 모델을 모든 단계에 쓰는 것이 낭비일 수 있습니다. 중요하지 않은 준비 작업은 작은 모델이, 되돌리기 어려운 판단은 강한 모델과 사람이 처리하는 구성도 비교 대상입니다.
병렬 에이전트를 늘리는 방식에도 같은 기준이 적용됩니다. 여러 모델이 같은 잘못된 가정을 공유하면 결과 개수만 늘어날 뿐 검증의 독립성은 높아지지 않습니다. 서로의 답안을 채점하게 하는 것과 실제 파일·수식·시스템 상태를 검사하는 것은 다릅니다.
서빙 효율은 이 비용을 낮출 뿐 아니라 학습 중 경험을 생성하는 비용도 낮출 수 있습니다. 같은 자금으로 더 많은 경로를 시험할 수 있다는 뜻입니다. 그러나 이것이 실제 성능 개선으로 이어지려면 새로운 경험이 유효하고, 채점이 정확하며, 결과를 다시 검증해야 합니다. 계산을 많이 하는 것과 학습을 잘하는 것은 동일하지 않습니다.
중국에 불리한 조건과 오픈웨이트에 불리한 조건을 분리해야 합니다
중국 연구소가 겪을 수 있는 장비 조달의 제약과, 가중치를 공개하는 기업이 겪는 수익화의 문제는 다른 원인입니다. 이를 한데 묶으면 반례를 설명하기 어렵습니다.
장비 접근성에는 규제가 영향을 줍니다. 다만 ‘중국에는 고성능 가속기를 전혀 팔 수 없다’고 단정하면 안 됩니다. 미국 BIS는 2026년 1월 13일 H200·MI325X급 제품의 대중 수출 허가를 일정 조건 아래 사안별로 심사하는 정책을 발표했습니다. 이 사실은 무제한 공급을 뜻하지도, 특정 중국 연구소가 필요한 물량을 확보했다는 뜻도 아닙니다. 실제 공급 조건과 보유량은 별도 확인 대상입니다. [17]
구조적으로는 조달 불확실성, 장비 세대의 차이, 혼합 장비를 운영하는 비용이 실험 반복 속도에 부담을 줄 수 있습니다. 그러나 이를 Astra와 특정 중국 모델의 성능 격차로 환산할 실제 장비·가동률 자료는 확보하지 못했습니다. 국내 가속기와 최적화 소프트웨어가 그 부담을 얼마나 상쇄하는지도 같은 기준으로 실측해야 합니다.
오픈웨이트는 또 다른 선택입니다. 외부 개발자가 가중치를 직접 실행·조정할 수 있어 채택과 공동 최적화에 유리할 수 있습니다. 반면 배포자가 직접 서비스를 제공하면 원 개발사가 사용 기록이나 서비스 수익을 받지 못할 수 있습니다. 개발사가 호스팅 API와 기업 지원도 제공하는지에 따라 이 경제성은 달라집니다. ‘가중치 공개’가 ‘학습 데이터·전체 코드·운영 기술·무제한 권리 공개’를 뜻하는 것도 아닙니다.
따라서 오픈웨이트를 곧 소규모 연구소나 열악한 서비스와 동일시해서는 안 됩니다. 가중치가 공개된 대규모 모델도 강한 통합 서비스와 결합할 수 있고, 폐쇄형 모델도 운영 환경과 검증이 약하면 실제 업무에서 실패할 수 있습니다.
가장 그럴듯한 장벽은 복합적이지만, 영구적이라고 단정할 수 없습니다
현재 근거가 허용하는 판단은 다음과 같습니다. 표의 ‘장벽’은 구조적 가능성에 대한 분석이며, Astra가 각 항목에서 실제로 앞선다는 측정 결과가 아닙니다.
| 비교 항목 | 추격 비용을 만드는 원인 | 장벽을 약화하는 반론 | 현재 판단 |
|---|---|---|---|
| 강화학습 기반 | 긴 실행, 정확한 채점, 모델 갱신을 함께 운영하는 복잡성 | 중국의 비동기 학습·대규모 실행 환경이 이미 공개됨 | 통합 비용은 크지만 상대 규모는 미확인 |
| 학습 데이터 | 현실의 실패와 승인 결과, 재현 환경, 재사용 권리 | 합성 환경·공개 도구·특정 업무의 자체 데이터 | 범용 문서량보다 업무별 데이터 권리가 중요 |
| 모델 구조 | 연산·메모리 효율과 학습 안정성의 공동 최적화 | 중국 선두 모델도 독자 구조를 공개 | Astra의 구조적 독점은 입증되지 않음 |
| 후반학습 | 보상 설계, 교육과정, 실패 복구와 정렬의 결합 | 증류와 공개 학습 방법의 확산 | 논문보다 실제 조합과 반복 검증이 중요 |
| 서빙 | 긴 상태, 동시성, 지연시간, 장애 대응의 운영 비용 | Mooncake·vLLM 등 공개 구현과 공동 최적화 | 가중치와 별개인 장벽이나 복제 가능 |
| 제품과 고객 업무 | 실제 완료를 관측하고 다음 개선으로 연결하는 능력 | 지역·산업별 전문 사업자가 가진 접점 | 권리·성과·재계약으로 검증할 조건부 우위 |
한 번의 높은 점수를 따라잡는 것과, 새로운 모델이 나올 때마다 같은 속도로 개선하는 것은 다릅니다. 선두 기업이 더 나은 모델을 내부 개발에 사용해 실험과 도구 제작을 가속한다면 추격 대상이 계속 움직일 수 있습니다. 다만 이 역시 자동적인 승자독식의 증거는 아닙니다. 개선을 검증하는 시간, 연산 자원, 보상 설계의 오류가 병목으로 남을 수 있기 때문입니다.
반대로 후발 기업은 모든 연구 경로를 다시 탐색할 필요가 없습니다. 공개된 방법, 이전 가능한 행동, 저렴해진 계산과 더 좁은 고객 문제를 조합해 상업적으로 충분한 성능에 먼저 도달할 수 있습니다. 범용 최전선을 따라잡는 문제와 특정 업무에서 고객이 받아들일 수준에 도달하는 문제를 분리해야 합니다.
VC가 확인할 것은 국적별 승패보다 성능이 쌓이는 위치입니다
유망한 사업의 후보는 실제 업무를 재현할 수 있는 환경, 독립적인 결과 검사, 복구 가능한 장기 실행, 그리고 고객의 승인 결과를 합법적으로 축적하는 서비스입니다. 그러나 이런 기능이 있다는 사실만으로 방어력이 생기지는 않습니다. 범용 기능으로 흡수되기 쉬운지, 고객별 구축 비용이 계속 반복되는지, 새로운 모델을 붙여도 개선이 유지되는지를 확인해야 합니다.
실사에서는 ‘데이터가 많다’는 설명 대신 사용 권리와 실제 실패 사례를 보고, ‘자체 강화학습’이라는 설명 대신 학습 전후의 새로운 과제 성능을 봐야 합니다. 모델을 바꿨을 때 고객 가치가 남지 않는다면 독립적인 제품 경쟁력을 입증하기 어렵습니다. 반대로 고객의 승인 기준과 변경 이력, 재현 가능한 실패 환경이 남는다면 모델 교체가 제품을 더 강하게 만들 수 있습니다.
Astra와 중국 모델의 실질적인 격차를 검증하려면 두 종류의 비교가 필요합니다. 하나는 동일한 실행 소프트웨어와 도구를 쓰는 통제 비교이고, 다른 하나는 각 모델에 가장 적합한 실행 소프트웨어를 쓰는 제품 비교입니다. 전자는 모델의 기여를 분리하고, 후자는 고객이 실제로 구매할 조합을 평가합니다.
두 비교 모두 같은 과제, 같은 비용·시간 상한, 같은 권한과 완료 기준을 사용해야 합니다. 공개 문제만 반복하지 말고 새 과제와 실패 복구 상황을 포함해야 합니다. 완료율뿐 아니라 사람 개입 횟수, 재시도, 느린 작업의 지연시간, 심각한 권한 위반을 함께 기록해야 합니다. 학습 효과를 주장하려면 가중치를 고정한 실행 개선과 가중치를 갱신한 개선도 분리해야 합니다.
중국 오픈웨이트 기반의 조합이 이러한 조건에서 비슷한 완료율과 더 낮은 총비용을 반복적으로 보여준다면, 강한 추격 장벽 가설을 낮춰야 합니다. 반대로 점수는 비슷해도 낯선 환경의 복구와 승인 준수에서 계속 차이가 난다면, 그 차이가 모델·데이터·운영 중 어디서 발생하는지 찾아야 합니다.
AI 기업을 평가하는 기준은 ‘중국이 영원히 못 따라올 기술인가’보다 ‘모델 공급자가 바뀌어도 검증된 업무 완료와 고객 관계가 이 기업 안에 축적되는가’에 두는 편이 타당합니다.
출처와 검증 범위
자료 확인 기준일은 2026년 9월 6일입니다. 아래 기술보고서의 규모와 성능은 각 개발사의 보고이며, 직접 재현한 결과가 아닙니다. 공개 가중치, 호스팅 API와 제품 버전은 서로 구분했습니다. 논문에서 Astra의 미공개 학습 방법을 역으로 확정하지 않았습니다.
- OpenAI, GPT-6 Astra 공식 출시 설명, 2026년 9월 3일. 전문 환경 학습, 성능표, Codex 실행 소프트웨어 개선.
- OpenAI, GPT-6 Astra 시스템 카드, 2026년 9월 3일. 학습에 대한 공개 설명, 프롬프트 주입 방어, 평가와 통제의 범위.
- OpenAI, Safety overview: GPT-6 Astra, 2026년 9월 3일. 정렬 학습과 외부 도구 사용 추론의 감시 비용.
- METR, Time Horizons. 인간 기준 작업 시간과 성공률의 정의, 평가 범위의 한계.
- Kimi Team, Kimi K3: Open Frontier Intelligence, 최초 제출 2026년 7월 27일, 개정 8월 7일. 구조, 후반학습, 지속 실행과 모의 환경.
- DeepSeek, DeepSeek-V4 기술보고서. 후반학습, 온폴리시 증류, 실행 재개, DSec과 긴 문맥 기반시설.
- DeepSeek, DeepSeek-R1, 2025년 1월. 강화학습과 증류의 공개 선행 사례. Astra의 직접 학습 명세는 아닙니다.
- AReaL: A Large-Scale Asynchronous Reinforcement Learning System for Language Reasoning, 2025년 5월. 비동기 실행·학습과 정책 지연 관리.
- OpenAI, Enterprise privacy and business data. 기업용 제품·API 데이터의 기본 학습 제외 정책.
- Qwen-AgentWorld: Language World Models for General Agents, 2026년 6월. 상호작용 데이터와 학습 환경 모델.
- Z.ai, GLM-5.3-Flash 공식 모델 카드, 2026년 9월 6일 확인. 공개 구조와 가중치 배포 설명.
- DeepSeek API 변경 기록, 2026년 7월 31일 항목. 구조·크기를 유지한 후반학습과 API 업데이트 범위.
- OpenAI, Run long-horizon tasks with Codex. 외부 상태·계획·검증의 실행 설계. Astra 고유 학습 방식과 구분했습니다.
- Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving, 2024년. 입력 처리·토큰 생성 분리와 추론 캐시 운영.
- vLLM, Kimi K3 preview implementation, 2026년 7월 22일. 가중치를 실제 서빙으로 연결하는 구현 작업.
- Kimi, Kimi K3 공식 설명. 실행 설정, 추론 이력과 제품 한계.
- 미국 BIS, 대중 반도체 수출 허가 심사 정책 변경, 2026년 1월 13일. 특정 장비의 조건부 사안별 심사이며 실제 조달량의 근거는 아닙니다.