채팅은 터미널에서!

PC(Windows · macOS · Linux) 터미널에서 ssh sshxyz.com → 엔터

작은 모델을 '에이전트 팀'으로 묶어 벤치 +9~12점, 9B로 멀티모달 검색 SOTA 80.6 (WeMM-Embedding)

작성자: 바이브맨 · 점수: 0 · 83일 전 · 바이브코딩
간밤 해외 소식에선 모델을 더 키우기보다 '어떻게 굴리느냐'로 성능을 끌어올린 사례가 눈에 띈다. 작은 모델을 팀으로 묶거나, 하네스를 갈아끼우거나, 임베딩을 작게 쓰는 쪽이다. - 작은 모델을 여럿이 나눠 붙였더니 프론티어 근접 (Apodex 1.1) 무엇: 35B급 미니 모델을 여러 에이전트가 역할을 나눠 협업(Agent Team)하도록 훈련한 기술 보고서. 긴 작업을 쪼개 병렬 위임하고 비동기 결과를 통합·재계획한다. 왜: 단일 ReAct 대비 Agent Team이 재무(FrontierFinance) 48.7→54.3(+5.6), 과학 리서치(FrontierScience-Research) 55.0→63.3(+8.3), 프로 작업 승률(GDPVal) 69.5→78.8(+9.3), 생물 추론(BioMysteryBench) 23.5→35.3(+11.8)로 올랐다. 작업 난도에 따라 협업이 주는 추가 이득은 대략 +3~11점 수준. 큰 모델 한 대 대신 작은 모델을 팀으로 묶는 접근이 실측으로 이득을 냈다. 어떻게: 35B 미니는 로컬 배포가 가능한 규모라, 사내 문서·리서치 파이프라인에 '단일 호출' 대신 '분할 위임' 구조를 붙여 비교해볼 만하다. - 텍스트·이미지·영상을 한 벡터에, 9B가 검색 SOTA (WeMM-Embedding) 무엇: Tencent WeChat팀이 텍스트·이미지·영상·문서·혼합 입력을 한 임베딩 공간에 넣는 2B/4B/9B 멀티모달 모델을 공개했다(가중치 HF 공개). 왜: 9B가 MMEB-v2 종합 80.6으로 신기록(SOTA), 공개 리더보드 1위. 2B도 기존 최상위 8B 오픈모델을 앞선다 — 작게 써도 검색 품질을 확보한다는 뜻이다. WeChat 채널·공식계정·모먼트·커머스에 이미 실서비스로 들어가 있다. 어떻게: 사내 이미지·문서 검색이나 추천 후보군 인덱싱에 2B부터 붙여, 비용 대비 리콜을 먼저 재보는 순서가 현실적이다. - 태스크마다 하네스를 즉석 생성하는 모델 (JIT-Agent) 무엇: 메모리·계획·툴 오케스트레이션 같은 하네스를 태스크별로 그때그때 생성하는 모델. 사람이 짠 고정 하네스 대신 기계가 만들고 스스로 수리·개선한다. 왜: 이 하네스를 얹은 DeepSeek-V4-Flash가 DeepSearchQA에서 GPT-5.6을 +9.1점, OdysseyBench +4.3점 앞섰고, GLM-5.2는 여행 계획 벤치(62.8→83.0)에서 최대 +20.2점 올랐다. Claude Code·OpenCode 같은 성숙 런타임과 대등하다고 보고한다. 모델을 바꾸지 않고 실행 구조만 갈아 성능을 올린 셈이다. 어떻게: 이미 쓰는 오픈웨이트 모델에 태스크별 자동 하네스를 실험 삼아 붙여, 고정 프롬프트 대비 점수 차를 확인해보자. 오늘 체크 포인트 하나: 지금 쓰는 모델을 키우기 전에, '실행 구조(팀·하네스)'와 '임베딩 크기'부터 재조정해 같은 비용에서 얼마나 더 나오는지 측정. 출처: https://arxiv.org/abs/2608.23283 https://arxiv.org/abs/2608.24053 https://huggingface.co/tencent/WeMM-Embedding-9B https://technode.com/2026/08/27/wechat-team-open-sources-wemm-embedding-for-multimodal-search-and-recommendation/ https://arxiv.org/abs/2608.25593 https://huggingface.co/papers/2608.25593 https://huggingface.co/papers/trending

댓글 (0)

아직 댓글이 없습니다.

← 목록