지위안 AREX-2, 27B 기반 모델로 장기 반성 훈련: 벤치마크 기준은 따로 봐야, 가중치는 공개됐지만 라이선스는 언급 없어

머신러닝 전문 매체 지위자신(机器之心) 보도에 따르면, AREX 연구팀은 Qwen3.8-27B를 기반으로 AREX-2를 훈련했으며 MLE-bench Lite 81.8, Frontier-CS 70.7, BrowseComp 84.0, HLE 52.6을 기록했다고 밝혔다. 논문과 Hugging Face 가중치 컬렉션 주소도 함께 제시했지만, 보도에서는 라이선스, 컨텍스트 길이, 호스팅 API에 대해서는 설명하지 않았다.

게시 2026. 10. 27.수정 2026. 10. 28.

주요 변화

머신러닝 전문 매체 지위자신(机器之心)의 보도에 따르면, 지위안 연구원, 중국과학기술대학, 중국인민대학 등 기관 연구자로 구성된 AREX 연구팀이 Qwen3.8-27B를 기반으로 AREX-2를 공개했다. 이는 머신러닝과 알고리즘 프로그래밍 시나리오를 중심으로 구축한 ‘장기 반성’ 데이터로 훈련한 모델이다. 보도에서 제시한 수치와 각각의 비교 기준은 다음과 같다. MLE-bench Lite 81.8은 이번 보고에서 나열한 모든 비교 모델(폐쇄형 프런티어 모델 포함, 그중 GPT-5.6 Sol과 Kimi-K3는 모두 72.7)보다 높다. Frontier-CS 70.7은 표에서 해당 항목 성적을 보고한 모든 오픈 웨이트 모델을 앞선다. BrowseComp 84.0과 HLE 52.6은 보도에 따르면 40B 이하 파라미터 모델 중 최고 성적이다. 또 BrowseComp 84.0은 1T의 Kimi-K2.6(83.2)과 1.6T의 DeepSeek-V4-Pro(83.4)보다 높다고 전했다. 훈련 측면에서 보도에 따르면 교사 에이전트가 먼저 작업, 채점 메커니즘, 실행 환경을 자율적으로 구축한 뒤 시간과 라운드 예산 아래 ‘제안 제출, 피드백 획득, 반성 및 개선’을 반복하며 추론, 실패, 조정 궤적을 완전히 보존했다. 심층 연구 평가는 AREX v1 데이터를 이어 쓰고 장기 반성 궤적만 새로 추가해 도메인 간 전이를 검증했다. 기사 말미에는 arXiv 논문, GitHub 프로젝트 페이지, Hugging Face 가중치 컬렉션 링크가 있지만 라이선스 유형, 상업적 이용 조건, 컨텍스트 길이, 추론 비용, 호스팅 API는 언급하지 않았다.

개발자에게 미치는 영향

개발자에게 직접적인 의미는 이것이 바로 호출 가능한 인터페이스 서비스라기보다 다운로드 가능한 오픈 웨이트 후보에 가깝다는 점이다. 보도는 가중치 컬렉션 주소만 제공하며 벤더 호스팅, 속도 제한, 가격은 언급하지 않았다. 따라서 직접 배포하거나 제3자 호스팅을 기다려야 하며, VRAM, 처리량, 추론 비용은 스스로 평가해야 한다. 벤치마크의 적용 범위도 분리해 이해해야 한다. MLE-bench Lite의 우위는 보고에서 나열한 모든 비교 모델 대비이며, Frontier-CS의 우위는 해당 항목 성적을 보고한 오픈 웨이트 모델 범위에만 해당한다. BrowseComp와 HLE의 ‘최고’는 40B 이하 파라미터 모델로 한정된다. 이 세 문장을 합쳐 규모를 넘나드는 전면적 우위 결론으로 만들 수는 없다. 능력 방향은 긴 라운드와 검증 가능한 피드백이 있는 작업(머신러닝 실험, 알고리즘 문제)을 가리킨다. 이런 능력은 테스트나 지표 피드백이 있는 코드 수정, 데이터 파이프라인 튜닝 같은 엔지니어링 시나리오로 전이될 가능성이 비교적 크다. 객관적 피드백이 없는 개방형 글쓰기나 모호한 요구에서는 ‘반성’이 여러 차례 헛도는 것에 그치면서 토큰과 시간만 소모할 수 있다. 또한 모든 점수는 팀 자체 보고이며 보도에서 제3자 독립 재현은 보이지 않는다. 비교 대상에는 폐쇄형 프런티어 모델과 파라미터 규모가 수 자릿수 차이 나는 모델이 섞여 있다. 가중치 링크의 존재는 접근성이 높다는 뜻이지만 가중치가 있다고 해서 오픈소스 라이선스가 되는 것은 아니므로 상업적 이용 전 모델 카드와 라이선스 문구를 반드시 확인해야 한다.

연동 및 평가 제안

다음은 권고와 조건부 분석이며 보도된 사실이 아니다. 첫째, 워크로드에 자동 판정 가능한 피드백 신호(단위 테스트, 지표 임계값, 숨겨진 평가 세트)가 있다면 소규모 자체 배포 검증을 먼저 할 수 있다. 양자화 후 기존 VRAM에 들어가는 버전을 골라 매 라운드 피드백을 에이전트 루프에 연결하고, ‘고정 라운드 예산에서 라운드가 늘수록 통과율이 증가하는 기울기’를 지표로 삼는다. 3~5라운드 안에 기울기가 평탄해지면 장기 반성이 해당 작업에서 이득이 제한적이라는 뜻이므로 더 직접적인 방안으로 바꾸는 편이 낫다. 전제는 라이선스가 해당 사용 방식을 허용하는지 확인했고 자체 추론 스택 운영 비용을 감당할 수 있다는 것이다. 둘째, BrowseComp 같은 검색 연구 작업의 성적을 더 중시한다면 의사결정 지점은 단일 점수가 아니라 ‘다중 검색과 반성의 라운드 상한’이어야 한다. 내부 검색 질의응답 세트에서 동일한 검색기와 도구 세트를 고정하고 ‘라운드 상한 2와 라운드 상한 8’ 두 구성의 작업 단위 비용당 성공률을 비교한다. 성공률 향상이 추론 비용 증가보다 작으면 낮은 라운드로 되돌린다. 셋째, 객관적 피드백이 없는 개방형 생성이나 안정적인 저지연 온라인 인터페이스에 강하게 의존하는 시나리오라면 보도만으로 현용 모델을 교체해서는 안 된다. 같은 내부 샘플 배치에서 현용 모델과 대조하고 매 라운드 반성에 소모되는 토큰과 시간을 기록해 작업 단위 비용당 성공률로 판단한다. 어느 경로든 단일 숫자만 읽지 말고 논문의 평가 설정, 라운드 예산, 채점 메커니즘을 먼저 봐야 한다.

제한과 확인할 사항

보도는 AREX-2의 라이선스와 상업적 이용 조건을 공개하지 않았고 컨텍스트 길이, 추론 비용, 호스팅 API도 설명하지 않았다. 네 가지 점수는 모두 팀 자체 보고이며 제3자 재현은 보이지 않고, 각 항목의 비교 기준도 다르다(각각 보고에 나열된 전체 비교 모델, 해당 항목 성적을 보고한 오픈 웨이트 모델, 40B 이하 파라미터 모델). 따라서 기준을 넘나들어 하나의 결론으로 합칠 수 없다. 훈련 데이터와 평가 세부 사항은 논문에서 확인해야 한다. 또한 분명히 해둘 점은 AREX-2가 현재 KimiSeek 모델 카탈로그에 정확히 일치하는 항목이 없다는 것이다. 이 사이트에 나열된 것은 기반 모델인 Qwen3.8 27B뿐이며 둘은 서로 다른 버전이므로 동일시할 수 없다. 보도에는 이 모델의 API 사용 가능성에 대한 언급이 없으며, 관련 정보가 있다면 발표 측 설명을 기준으로 삼아야 한다.