즈위안 GO-3 Preview 공개: 학습이 배포 이후까지 확장, 보도는 가중치·API 언급하지 않아
중국 AI 매체 지치즈신이 2026년 10월 29일 보도한 바에 따르면, 즈위안은 임바디드 모델 GO-3 Preview를 공개하고 RoboDojo, RoboTwin, RoboColiseum 세 평가에서 1위를 기록했다고 밝혔다. WRAM, Genie Evolver, Genie Master로 사전 학습, 사후 학습, 배포 후 학습을 아우른다고 설명했지만, 보도는 공개 가중치, 라이선스, 외부 API를 언급하지 않았다.
주요 변화
지치즈신이 2026년 10월 29일 보도한 바에 따르면, 즈위안은 같은 날 임바디드 모델 GO-3 Preview를 공개하고 RoboDojo, RoboTwin, RoboColiseum 세 평가에서 1위를 기록했다고 주장했다. 학습 과정은 사전 학습, 사후 학습, 배포 후의 세 단계로 나뉜다. 사전 학습 단계에서 보도는 사전 학습 데이터의 약 90%가 인간 1인칭 시점 데이터에서 왔다고 전했다. 모델은 WRAM 아키텍처를 쓴다. CoAE는 카메라 화면에서 물체의 위치, 형태, 상호 관계를 추출한다. SVP는 한 번의 순전파 계산으로 여러 미래 시점의 시각 상태를 예측하고, 이어 역동역학 모델이 로봇 자체 상태와 결합해 동작으로 변환한다. KASO는 여러 후보 미래를 생성하고 실제 동작과의 부합 정도에 따라 결과를 골라 공동 학습에 참여시킨다. 보도는 사전 학습 후 능력을 제로샷과 퓨샷 두 단계로 나눈다. 전자는 대상 작업 전용 실기기 지도 미세조정 없이 전이하는 능력이고, 후자는 소량 시연으로 복잡한 조작의 정밀도와 협응성을 높이는 방식이다. 수백 가지 작업에 즉시 사용할 수 있는 능력을 갖췄다고도 주장한다. 크로스 엠보디먼트 시연은 이족 휴머노이드 X2에서 이뤄졌으며, 양손으로 물건을 든 채 문을 열고 무릎을 꿇고 물건을 집는 동작을 수행했다. 사후 학습 단계에서 Genie Evolver는 100대급 실기기, 물리 시뮬레이션, 월드 모델을 분산 환경으로 묶고 CEL(집단 경험 학습)로 실행 경험을 집계한다. 보도가 제시한 수치는 동일한 학습 시간에서 학습에 참여하는 실기기 규모가 커질수록 휴대전화 포장 작업 성공률이 50.8%에서 98.3%로 상승했고, 다단계 휴대전화 포장의 긴 공정에서 120회 테스트의 실패 횟수가 25회에서 2회로 줄었다는 것이다. 배포 후 단계에서는 에이전트 프레임워크 Genie Master가 EEP로 기능 호출, 실행 피드백, 중단점 재계획을 연결하고 성공, 실패, 예외 복구 사례를 기억이나 학습 데이터로 축적한다. 보도에 따르면 이 프레임워크를 탑재한 징링 G2는 실제 편의점에서 재고 보충, 픽업, 조리 식품 포장의 배포 검증을 진행했다.
개발자에게 미치는 영향
보도는 GO-3 Preview의 가중치 공개 여부와 라이선스 종류를 밝히지 않았고 외부 API나 SDK도 언급하지 않았다. 따라서 이 원문만으로는 개발자가 다운로드하거나 호출할 수 있는지 판단할 수 없다. 이 소식은 당장 기존 접근 경로를 대체하는 방안이 아니라 방법과 평가 측면의 신호에 가깝다. 몇 가지는 기억할 만하다. 첫째, 배포 단계 데이터가 정책으로 환류한다는 것은 모델이 공개 즉시 고정되는 체크포인트가 아니라는 뜻이다. 같은 기계, 같은 명령이 시간에 따라 다른 정책에 적용될 수 있어 재현성과 회귀 테스트의 가정도 함께 바뀌어야 한다. 이는 보도 내용에 기반한 추론이며 원문의 진술은 아니다. 둘째, 보도는 제로샷과 퓨샷을 명확히 구분한다. 전자는 대상 작업 전용 실기기 지도 미세조정 없이 전이하는 능력이고, 후자는 소량 시연으로 정밀도와 협응성을 높이는 방식이다. 이는 사실상 그대로 가져다 쓸 수 있는 평가 구분으로, 막연한 '즉시 사용 가능'보다 실행 가능성이 높다. 셋째, 크로스 엠보디먼트 능력은 X2에서 양손으로 물건을 들고 문 열기와 무릎 꿇고 물건 집기만 시연됐다. 다른 로봇 팔과 그리퍼로 바꿨을 때의 데이터는 제시되지 않아 엠보디먼트 전환 비용은 여전히 미지수다. 유의할 점은 세 평가 1위, 성공률과 실패 횟수가 모두 제조사 자체 보고라는 것이다. 원문은 항목별 점수, 참가 경쟁자, 벤치마크 버전, 작업 세트, 난수 시드를 제시하지 않았다. '몇 시간 만에 일반 인간 플레이어보다 높은 승률을 얻었다'는 표현도 표본 크기와 규칙 설명이 없다. 이 수치는 방향성 신호로만 봐야 하며 모델 선택 근거로 삼기에는 부족하다.
연동 및 평가 제안
다음은 제안과 조건부 분석이며 보도 사실이 아니다. 첫째, 시연 수집 예산을 미리 확보할지다. 보도에 따르면 이 모델은 수백 가지 작업에 즉시 사용할 수 있는 능력을 갖췄고, 소량 시연으로 미세조정하면 레고 조립처럼 접촉이 많은 동작도 수행할 수 있다. 작업이 주로 집기와 배치이고 엠보디먼트와 시연 구성이 비슷하다면 먼저 제로샷 절차를 시도할 수 있다. 삽입, 유연 물체, 고정밀 정렬이 포함되면 시연 데이터를 미리 준비해야 한다. 판단 기준은 같은 작업을 같은 엠보디먼트에서 제로샷과 소량 시연 추가 후 각각 최소 50회씩 실행해 성공률 차이를 비교하는 것이다. 그 차이가 수집·라벨링 비용을 정당화할 만큼 커야 하며, 그렇지 않으면 제로샷으로 돌아가야 한다. 둘째, 집단 경험 학습을 위해 여러 대의 기계를 투입할지다. 보도에 따르면 동일한 학습 시간에서 학습에 참여하는 실기기 규모가 커질수록 휴대전화 포장 작업 성공률이 50.8%에서 98.3%로 올랐다. 메커니즘은 CEL이 성공 구간을 검색하고 실패 맥락을 분석해 공유 정책을 갱신하는 것이다. 전제는 병렬 수집이 가능한 여러 대의 실기기, 표준화된 작업, 안정적인 환경 리셋과 데이터 파이프라인이다. 장비가 한 대뿐이라면 이런 이점을 논하기 어려우므로 먼저 단일 기기에서 기준선을 세워야 한다. 또한 원문은 이 실기기들이 동일한 엠보디먼트여야 하는지 설명하지 않았다. 이는 제조사에 확인하거나 직접 검증해야 할 가정이지 알려진 조건이 아니다. 판단 기준은 고정 회차 배치(예: 배치당 120회)의 실패 횟수를 지표로 삼아 클러스터 정책이 단일 기기 기준선 대비 지속적으로 줄어드는지 확인하고, 기존 작업이 퇴행하는지도 감시하는 것이다. 셋째, 배포 후 정책 온라인 갱신을 허용할지다. 보도에서 Genie Master는 두 경로를 제공한다. 경험이 프롬프트와 기억으로 들어가 작업 계획을 개선하거나, 실행과 복구 데이터가 동작 정책 학습으로 들어간다. 작업이 되돌릴 수 없거나 인체 안전과 관련되면 먼저 기억 계층만 활성화하고 사람의 개입 여지를 남길 것을 권한다. 작업이 되돌릴 수 있고 섀도 모드가 있으면 그때 정책 갱신을 허용하라. 판단 기준은 갱신 전후 동일한 고정 평가 세트에서 통과율 변화와 허용 가능한 시간 안에 이전 버전으로 롤백할 수 있는지다.
제한과 확인할 사항
GO-3 Preview는 현재 KimiSeek 모델 카탈로그에 없다. 보도도 외부 API 가용성을 언급하지 않았다. 향후 관련 API나 가중치 공개가 나오더라도 가용성은 제조사 즈위안의 설명을 기준으로 해야 하며, KimiSeek 카탈로그를 가용성의 근거로 삼을 수 없다. 가중치 공개 여부와 라이선스 조건은 별개다. 원문은 둘 다 밝히지 않았으므로 '언급이 없다'는 이유로 '비공개' 또는 '공개'를 추론할 수 없다. 세 평가 1위는 제조사 자체 보고이며, 원문은 평가별 경쟁자 명단, 구체적 점수, 벤치마크 버전, 작업 세트, 재현 자료를 제시하지 않았다. 따라서 우위 폭과 비교 가능성을 판단할 수 없고, 이를 근거로 공개 비교가 존재한다고 확인하거나 부정할 수도 없다. 성공률 50.8%→98.3%, 실패 횟수 25회→2회는 모두 제조사가 제공한 실험에서 나왔으며 난수 시드, 실패 판정 기준, 사람의 개입 정도가 공개되지 않았다. '업계 최초로 실제 업무 장면에서 Physical RSI를 검증했다'는 제조사 표현이며 제3자 검증은 확인되지 않았다. 편의점 배포 검증의 기간, 매장 수, 이상 발생률도 설명되지 않았다. 또한 보도는 학습이나 배포에 필요한 컴퓨팅 요건과 비용 정보를 제시하지 않았고, 규모 실험에 참여한 실기기가 동일한 엠보디먼트인지도 밝히지 않았다.