40.8퍼센트 홈링 신호: 모델을 데려와도, 돌아갈 곳이 있다

글의 핵심 개념을 형상화했습니다.

두 번을 봐야 할 숫자

오늘 아침 다이제스트에는 두 번을 들여다보게 만드는 숫자 하나였습니다. 로컬로 재현한 1만 샘플 실험에서, 모델이 자기가 태어난 클라우드의 도메인을 실행의 40.8퍼센트에서 골랐다는 결과입니다. 코히어의 프렐필 실험을 1만 샘플 규모로 로컬 환경에서 재현한 연구이고, 대상 모델은 알리바바의 Qwen3.8-Flash-Next였습니다. 로컬 재현이라는 점도 의미가 있습니다. 제삼자의 손에서, 모델이 어떤 값으로 자신을 드러내는지 다시 확인한 것이기 때문입니다. 출력을 살펴본 결과, 모델은 aliyuncs.com 도메인을 40.8퍼센트의 실행에서 선택했습니다. aliyuncs.com은 알리바바 클라우드의 도메인입니다. 열 번 중 네 번 넘게, 모델은 제조사 클라우드 위가 아닌 로컬 실험에서조차 ‘집’을 짚었습니다.

왜 도메인 선택이 중요합니까. 도메인은 꾸밈이 아닙니다. 서비스와 데이터와 트래픽이 어디로 흐르는지를 가리키는 표지입니다. 모델의 출력이 특정 클라우드 도메인을 짚는 순간, 다음 단계가 밖으로, 그것도 내가 고르지 않은 곳으로 향하는 지시가 됩니다. 출력 속에 엔드포인트가 반복되면, 호출은 곧 그 엔드포인트를 향해 가게 됩니다. 정보 흐름의 잠재 경로가 모델의 문장 안에 생긴 셈입니다.

단일 출처의 재현 연구입니다. 비율의 세부 범주는 원문을 확인해야 합니다. 한 번의 실험으로 단정 짓기에는 이릅니다. 다만 신호가 가리키는 방향은, 오늘 다이제스트의 다른 기사들이 이미 증명하고 있습니다. 모델이 빠르느냐, 싸느냐의 문제가 아닙니다. 모델의 출력이 어디로 가길 원하느냐의 문제입니다. 모델을 배포한다는 것은 곧 그 모델을 지닌 습관까지 배포하는 일입니다. 40.8퍼센트의 홈링은 그 상속의 첫 정량적 힌트입니다. 숫자 자체가 업계를 움직이는 것은 아닙니다. 그 숫자가 가리키는 방향이 움직입니다.

모델을 데려와도, 집은 아니다

오픈모델의 부상에는 하나의 전제가 있었습니다. 모델을 자사 데이터센터에 올리면 데이터도 남고 컴퓨트도 남고 주권도 남는다는 믿음입니다. 서버는, 네트워크는, 스토리지는. 전부 제 손 안에서 통제합니다. 오늘의 실험은 통제할 수 없는 네 번째 요소를 가리킵니다. 파라미터 안에 묻어 있는 모델의 ‘발음’입니다.

모델은 가중치의 무더기만이 아닙니다. 훈련된 생태계의 기억입니다. 문서, SDK, 예제, 그리고 수없이 반복된 도메인. 그것들은 모두 모델의 직관 속으로 들어간다. 훈련이 어디서 일어났는가의 잔인한 흔적이다. 게다가 이 발음은 지우기가 어려운 셈입니다. 파인튜닝이 습관 전체를 없애지는 못하기도 합니다. 로컬 환경에서도 Qwen3.8-Flash-Next는 aliyuncs.com을 짚었습니다. 서버는 내 것인데, 방향감각은 제조사의 것입니다. 배포 언어로 말하면 컴퓨트 위치와 출력 행방이 분리된 것입니다.

오픈모델을 쓰는 조직에게는 실무적 함의가 하나 생기는 것입니다. 모델 선정의 정밀조사가 한 칸 커진다는 것입니다. 어떤 모델인가만 묻는 시대가 아닙니다. 그 모델은 어떤 생태계에서 훈련되어, 출력을 어디로 기울게 하는가를 물어야 하는 것입니다. 질문은 구체적이다. 이 모델의 출력은 어떤 도메인을 반복적으로 짚는가, 어떤 벤더의 용어가 기본값으로 굳어 있는가. 오늘 연구는 그중 첫 번째를 1만 샘플로 세어 본 것입니다.

이 신호는 배치 장소가 계속 ‘가까이’로 이동할수록 중요해지기 때문이다. 이번 주 Recursive는 8개 에이전트 연구 스웜을 단일 48GB M4 Pro Mac에서 돌리는 코드와 데모를 공개했습니다. 여러 에이전트가 40B 파라미터 규모 모델의 단일 인스턴스를 공유해 같은 기계 안에서 일하는 셈이다. Liquid AI는 엣지에서 특화 AI를 직접 전달하도록 설계한 최신 세대 소형 파운데이션 모델 LFM3을 출시했습니다. 소형 모델이 데이터가 밖으로 나가지 않는 기기 안으로 들어가고 있습니다. 오라클은 10월 27일부로 클라우드 인프라에서 NVIDIA Vera Rubin NVL72 시스템과 단독 Vera CPU의 일반 가용(GA)을 열었습니다. 포지셔닝은 명시적이었습니다. 오픈AI의 AI 에이전트 프로덕션을 가능하게 하기 위해서였습니다. 로컬, 엣지, 온프렘. 에이전트 워크로드가 데이터 옆으로 이동하고 있다. 움직이는 것은 워크로드뿐이다. 클러스터 전용이던 능력을 한 대의 노트북과 하나의 기기가 담아내기 시작한다.

모델을 데이터 옆에 올릴수록, 모델이 밖으로 보낼 것을 알아야 하는 셈이다. 주권은 원래 데이터가 어디에 머무느냐의 질문이었다. 이제 출력이 어디를 지시하느냐의 질문이 된다. 엣지나 온프렘처럼 데이터가 시설 밖으로 나가지 않는 환경에서는 이 질문이 더 날카로워진다. 데이터는 안으로 갇히는데, 출력이 밖을 가리킨다면 주권은 반쪽이다.

라우팅의 네 번째 축

트래픽은 실제로 어디로 가고 있을까요. 앤트로픽의 애그리게이터 OpenRouter에서의 일일 토크 처리량이 신규 모델 출시 이후 2.2조에 도달했다. 9월 말 이후 처리 물량은 거의 4배 늘었다. 에이전트 트래픽이 물량 급증의 주된 동력이라면, 서빙 비용 관리가 더 이상 사치가 아니라는 뜻이다. 한 달 만에 토크 물량이 수 배로 커지는 시장에서는 자연스러운 답이 하나 있다. 멀티모델 라우팅인가. 워크로드마다 모델을 달리 쓰고 비용과 레이턴시와 능력으로 라우트했다.

기존 라우팅 축은 셋이었다. 비용, 레이턴시, 능력. 오늘의 Qwen3.8 실험은 네 번째 축을 더하라고 말하는 것입니다. 출력이 어디를 가리키느냐입니다. 홈 바이어스가 40.8퍼센트인 모델을 프로덕션 라우팅에 올리면, 열 건의 워크로드 중 네 건 이상이 내가 고르지 않은 도메인을 지시합니다. 비용과 레이턴시로만 내린 결정은 이 부분을 보지 못합니다. 비용과 레이턴시는 계약된 값입니다. 도메인 선호는 계약되지 않은 값입니다. 전자는 SLO로 관리되는데, 후자는 지금 아무 장부에 올라가 있지 않습니다. 장부에 없는 값은 비용이 아닙니다. 사고입니다. 그 모델을 프로덕션에 올린 쪽에 책임이 있습니다.

이 축은 한 번 설정해두면 끝나는 값이 아닙니다. 두 가지 이유 때문입니다. 첫째, 모델 버전이 바뀔 때마다 홈 바이어스도 바뀔 수 있습니다. 오늘 40.8퍼센트인 값이 다음 업데이트에서 30퍼센트가 될지, 60퍼센트가 될지는 재측정 없이는 모릅니다. 모델 갱신은 다시 감사의 대상이 되어야 합니다. 둘째, 애그리게이터 위에서 트래픽의 모델 구성은 사용자 눈에 보이지 않고 바뀝니다. 일일 2.2조 토크가 오가는 평면에서는, 그 믹스 전체의 홈 바이어스가 얼마나인지 아는 쪽은 애그리게이터뿐입니다.

결국 라우팅 정책은 ‘빠르고 싼 모델로’에서 ‘가리킬 수 있는 곳이 맞는 모델로’로 넓어집니다. 라우팅 테이블에 한 줄이 늘어납니다. 이 도메인은 이 워크로드의 출력에서 나타나면 안 된다,는 금지 목록입니다. 특정 외부 클라우드 도메인이 출력에 섞이는지 확인하는 eval과 모니터링을, 출시 후 챙기면 좋은 항목에서 출시 전의 전제로 끌어올리는 일입니다.

요구받은 증명

같은 날, 출력의 검증 가능성에 관한 이야기 또한 나왔습니다. 수학 및 AI 자문위원회(Advisory Group on Mathematics and AI)가 오픈AI에 양-밀스와 QCD 증명의 자연어 버전과 Lean 형식화를 즉각 공개할 것을 요구했습니다. 보류돼 있던 프론티어 모델의 산출물을 외부가 독립적으로 검증할 수 있느냐의 문제입니다.

증명은 AI 산출물 중에서도 특별한 자리입니다. 원칙적으로 전부를 기계가 확인할 수 있는 유일한 영역이니까요. 자연어 증명은 읽히는 것이고 Lean 형식화는 검증되는 것입니다. 자문위원회가 두 가지를 함께 요구한 것은, 모델이 말한 증명을 사람이 읽고 끝내는 단계에서 기계가 확인하는 단계로 옮겨 달라는 요청이기 때문. 그런데 그 공개 범위조차 ‘보류’로 시작했다는 사실에 주목해야 합니다. 공개할 것과 말 것의 경계를 모델 제조사가 먼저 긋고, 그 경계를 외부 위원회가 다시 긋도록 요구한 것입니다. 산출물의 경계가 밖에서 그려지는 세상이 온 것입니다.

기업 에이전트 현장으로 번역하면 이렇습니다. 돈을 움직이고 시스템을 바꾸고 코드를 쓰는 에이전트의 출력은 누가 실행했고 무엇을 결정했고 근거는 무엇이며 어디를 가리켰는지에 답할 수 있어야 합니다. 수학 증명의 신빙성까지 외부 감사의 대상이 되는 시점이라면, 그 질문의 답은 신뢰의 요건이 됩니다.

이번 주에 확인할 세 가지

실무자라면 오늘 이 신호를 세 가지 점검으로 바꿀 수 있습니다. 셋 다 도입 시점의 일입니다.

첫째, 오픈모델을 도입하기 전, 출력이 외부 도메인을 어떻게 짚는지 측정하는 eval을 한 번 돌려보세요. 오늘 연구처럼 샘플을 뽑아 출력 속 도메인 선택을 세는 것뿐입니다. 도구보다 의지가 먼저인 점검이라는 뜻입니다. 등록 전에 값을 알면 라우팅과 격리 정책의 출발점이 생깁니다. 값이 낮으면 자유로운 경로에 올리고 높으면 격리된 경로로 제한하는 기준도 바로 여기서 정해집니다.

둘째, 모델 버전 갱신을 ‘다시 감사’로 규정하세요. 바이어스는 고정 상수가 아닙니다. 매 업데이트마다 출력 행방이 달라질 수 있는 값입니다. 패치 노트가 성능만 말하는 시대는 끝났습니다.

셋째, 에이전트 출력을 재확인 가능하게 남겨두세요. 결정의 근거와 함께, 그 출력이 어떤 외부 지시를 포함했는지도 기록 대상입니다. 기록이 있으면 재확인이 가능하고 재확인이 가능해야 신뢰가 가능합니다. 나중에 감사위원회가 이 기록을 요구할 날이 올 수 있습니다.

주권은 서버가 아니라 정책입니다

오늘 아침의 신호를 모으면, 업계의 통증이 하나의 모양을 띱니다. 오픈모델을 온프렘에서 서빙하고 에이전트를 한 대의 Mac이나 엣지에서 돌리고 애그리게이터에서 트래픽이 폭증하며 외부 위원회가 산출물 공개를 요구합니다. 서빙, 실행, 비용, 검증. 네 쪽에서 동시에 밀려오는 물결입니다. 그리고 네 쪽의 통증은 같은 방향을 가리킵니다. 모델은 가까워지고 통제 장치는 제자리에 남아 있습니다. Qwen3.8 실험은 그 벽에 생긴 작은 균열입니다. 모델을 데려와도, 모델은 자기 집을 아득하게도 기억합니다.

이 균열의 답은 더 큰 서버가 아닙니다. 모델의 행동을 거버넌트하는 규칙책입니다. ThakiCloud의 Agent-Native Cloud인 Paxis(v1.1 GA)는 이 규칙책이 일급 리소스가 되는 인프라입니다. Paxis에서는 Skills, Tools, Policies, Audit Logs가 모델과 함께 리소스로 관리됩니다. 자율도가 L0에서 L3로 등급화되어 정책 게이트로 통제되고 모든 결정이 감사 로그에 기록됩니다. 에이전트는 격리된 샌드박스에서 실행되고, 작업별 모델 선택(CostRouter)이 어떤 모델이 어떤 일을 처리하는지 정합니다. 소버린/온프렘 K8s 환경에서 MCP 커넥터와 스킬 마켓이 외부 역량을 정책 아래로 들여옵니다.

40.8퍼센트의 홈링 신호는 Qwen3.8의 결함이 아닙니다. 거버넌트되지 않은 환경에 놓이면 어떤 모델이든 보일 태도의 예고편입니다. 모델을 집에 데려온다면, 준비할 것은 서버뿐이 아닙니다. 어디를 가리킬 수 있는지 정하는 규칙책입니다.

참고 자료

이 글은 아래 뉴스를 종합해 작성했습니다.

• HuggingNews, Qwen3.8 Picks Alibaba Cloud Domains in 40.8% of Runs in 10,000 Sample Reproduction of Cohere Test
• HuggingNews, Math Advisory Group Demands OpenAI Release Withheld Yang-Mills and QCD Proofs
• HuggingNews, Oracle Cloud Launches New Nvidia Vera CPUs to Enable OpenAI AI Agent Production
• HuggingNews, Recursive Runs Eight Agent AI Research Swarm on a Single 48GB Mac With Flint Model
• HuggingNews, Liquid AI Launches LFM3 Foundation Models for Specialized Edge AI
• HuggingNews, Anthropic’s Daily Token Usage Hits 2.2 Trillion on OpenRouter Following New Model Launches