즈위안 GO-3 Preview, 로봇 리더보드 3곳 1위 주장…배포 후 지속 학습 겨냥, 연말 오픈소스 예상
신즈위안이 2026년 10월 29일 보도한 바에 따르면, 즈위안은 임바디드 모델 GO-3 Preview를 공개하고 RoboDojo, RoboTwin, RoboColiseum 세 리더보드에서 1위를 차지했다고 주장했다. 또 사전학습, 포스트트레이닝, 배포 후 학습을 하나의 사슬로 연결했다고 밝혔다. 회사는 연말 전면 오픈소스를 예상하지만 가중치, 라이선스, 호출 방식은 아직 공개되지 않았다.
주요 변화
신즈위안이 2026년 10월 29일 보도한 바에 따르면, 즈위안은 같은 날 임바디드 모델 GO-3 Preview를 공개하고 RoboDojo, RoboTwin, RoboColiseum 세 로봇 리더보드에서 1위를 차지했다고 주장했으며, RoboDojo에서는 보도에 언급된 범용 모델 GPT-6 Astra보다 앞섰다고 밝혔다. 보도에 따르면 이 모델의 초점은 개별 지표가 아니라 세 단계 학습을 하나의 선으로 잇는 것이다. 사전학습에는 WRAM이라는 세계 추론 행동 아키텍처를 쓰며, 제어 지향 비전 인코더 CoAE, 단일 단계 비전 플래너 SVP, 지식 정렬 선택적 최적화 KASO를 포함한다. 동시에 백만 규모 실제 로봇 데이터셋 AGIBOT WORLD 2026도 공개했다. 포스트트레이닝은 Genie Evolver가 맡아 실제 로봇, 물리 시뮬레이션, 월드 모델 세 엔진을 번갈아 시행착오를 거친다. 실패 기반 경험 검색 미세조정 FERT도 도입해, 실패 직전 상황을 로봇 군집이 공유하는 성공 경험 풀에서 검색한 조각에 가중치를 부여해 학습한다. 배포 후 단계는 10월 27일 공개된 에이전트 프레임워크 Genie Master가 맡으며, EEP라는 임바디드 실행 프로토콜로 상위 추론과 하위 실행을 연결한다. 실패 교훈은 장기 기억 규칙(Harness RSI)으로 축적되거나 정책 가중치(Policy RSI)로 다시 유입된다. 보도가 제시한 수치는 다음과 같다. 꽃꽂이, 옷 개기, 휴대전화 충전, 스툴 조립, 휴대전화 포장 다섯 가지 실제 작업의 평균 성공률이 81.0%에서 97.3%로 올랐고, 휴대전화 포장의 다단계 장기 프로세스 실패 횟수는 92% 줄었으며, 옷 개기의 형태 제어 성공률은 85.8%에서 98.3%로, 전체 프로세스 성공률은 28.6%에서 85.7%로 상승했다. 즈위안은 연말에 GO-3 Preview 등을 전면 오픈소스로 공개할 것으로 예상한다고 밝혔고, 11월 2일 G2 로봇 6대로 24시간 편의점 라이브 테스트를 할 계획이라고 했다.
개발자에게 미치는 영향
개발자에게 이런 '배포 후 계속 학습' 주장이 바꾸는 것은 한 번의 추론 호출 파라미터가 아니라 시스템 형태다. 모델을 정적 체크포인트로 본다면 실제 적용 시 작업 오케스트레이션, 실패 복구, 인간 개입을 여전히 직접 갖춰야 한다. 반면 보도된 노선에서는 모델 능력의 일부가 런타임에 축적된 경험에서 나오므로 데이터 환류와 정책 업데이트가 시스템의 일부이지, 출시 후에 논할 일이 아니다. 평가 기준도 다시 볼 필요가 있다. RoboDojo, RoboTwin, RoboColiseum 세 리더보드 순위는 제조사가 일방적으로 제시한 것이고, 보도는 작업 분포, 평가 스크립트, 재현 방법을 공개하지 않았다. 이를 모델 선택 결론으로 보기보다 '누구를 먼저 시험해볼지의 신호'로 보는 편이 안전하다. 오픈소스 일정도 여지를 둬야 한다. 보도는 '연말 전면 오픈소스 예상'만 말했을 뿐, 공개 대상이 가중치인지 학습 코드인지 데이터인지 밝히지 않았고 라이선스도 언급하지 않았다. 공개 가중치는 오픈소스 라이선스와 같지 않으며, 상업적 이용, 재배포, 파생 모델 권리는 라이선스 문안이 나와야 판단할 수 있다. 현재 상태로는 내려받을 수 있는 가중치도, 공개 API나 호출 방식도 없어 단기간에 기존 서비스에 연결할 수 없고, 아키텍처 수준의 준비와 지표 수준의 확인만 가능하다.
연동 및 평가 제안
다음은 보도에 기반한 조건부 판단이며, 즈위안이 공개한 사실이 아니다. 결정 1: '배포 후 학습'을 위해 데이터 환류와 재학습 파이프라인에 투자할지. 보도에서 관련 변화는 Genie Master가 인간 개입 없이 전체 프로세스 성공률을 28.6%에서 85.7%로 끌어올리고 단일 작업에서는 추가로 17.7% 향상됐다고 주장한 부분이다. 선택지는 두 가지다. 정책을 고정 모델로 두고 기억과 오케스트레이션 계층에서만 보완하거나, 실패 궤적 수집, 정책 업데이트, 카나리 교체를 일상 운영에 넣는 것이다. 선택을 바꾸는 전제 조건은 자체 시나리오에서 실패 전후 일정 시간의 센서 데이터와 실행 결과를 안정적으로 기록할 수 있는지, 롤백 가능한 업데이트 절차를 갖췄는지다. 못 하면 기억과 오케스트레이션 쪽 절반의 이득만 얻는다. 평가 기준은 이렇게 정하길 권한다. 자체 작업의 고정 홀드아웃 세트에서 같은 작업 묶음을 충분히 여러 번 반복해 성공률의 자연 변동 범위를 먼저 측정한 뒤, 한 차례 업데이트 후 향상이 그 범위를 뚜렷이 넘는지 본다. 데모 영상 한 편만 보지 않는다. 결정 2: 제로샷으로 시작할지, 퓨샷 미세조정을 먼저 할지. 보도에 따르면 GO-3는 제로샷 일반화를 전면에 내세우며, 본 적 없는 장면과 물체는 미세조정 없이 처리하고, 미세조정 후에는 레고 부품의 집기, 정렬, 삽입을 수행할 수 있다. 선택 근거는 두 가지다. 대상 로봇 본체에서 시연 데이터를 수집할 수 있는지, 작업이 오차를 얼마나 허용하는지다. 작업이 긴 프로세스이고 한 단계만 틀려도 전체가 실패한다면, 바로 제로샷으로 배포하는 위험이 소규모 미세조정을 먼저 하는 것보다 크다. 평가 기준은 같은 홀드아웃 작업 묶음에서 제로샷과 퓨샷의 성공률, 완료할 때마다 필요한 인간 개입 횟수, 완료 소요 시간을 비교해 세 항목 중 최소 두 개가 안정적으로 개선된 뒤 범위를 넓히는 것이다. 결정 3: 이 가중치를 기다릴지, 기존 공개 가중치 방안을 먼저 쓸지. 보도가 제시한 것은 시점이 불확실한 오픈소스 약속이며 라이선스와 저장소 정보는 없다. 프로젝트 마일스톤이 가중치 공개보다 이르다면, 현재 내려받을 수 있는 공개 가중치 모델로 파이프라인을 먼저 구축하는 위험이 더 낮다. 판단 기준은 세 가지 전제 조건으로 단순화할 수 있다. 가중치를 내려받을 수 있고, 라이선스가 특정 용도를 허용하며, 함께 제공되는 추론 스크립트가 실행되고 재현 가능한 평가 결과를 내놓아야 한다. 하나라도 빠지면 '준비 안 됨'으로 처리한다.
제한과 확인할 사항
보도에 나온 리더보드 순위, 성공률, 효율 향상 폭은 모두 즈위안과 신즈위안의 일방적 설명에서 나왔다. 기사는 평가 스크립트, 작업 세트 구성, 제3자 재현을 제시하지 않았고 일부 수치는 제조사가 자체 선택한 실제 작업에서 나왔다. 배포 후 학습의 이득은 Genie Master, EEP, G2 로봇 본체에 의존하며 다른 하드웨어로 바꿔도 성립하는지는 보도가 설명하지 않았다. 오픈소스는 '연말 전면 오픈소스 예상'이라고만 표현됐고 라이선스, 저장소 주소, 가중치 파일이 없다. 따라서 지금은 내려받을 수도 호출할 수도 없으며, 보도에도 공개된 API와 가격 정보가 없다. 가용성에 관한 어떤 표현도 즈위안 공식 입장을 기준으로 해야 한다. GO-3 Preview는 KimiSeek의 현재 모델 카탈로그에 없으며, KimiSeek는 이 버전을 출시하지 않았다. 글에서 다룬 발표와 가용성은 모두 제조사 측을 뜻한다. 또한 글에 언급된 GPT-6 Astra 등 비교 대상은 출처가 제시한 것이며, 그 평가 구성도 공개되지 않았다.