【드래곤 스포츠】 보증업체놀이터추천홍보 : 프로그램제작판매제작의뢰 : 스포츠분석 : 무료스포츠중계tv : 섹시bj움짤 : 뉴스 : 안구정화

로그인

글쓰기

[IT뉴스]“주절주절 말하기 대신 단답만”…타입세이프 제브와 LLM이 다른 점

온카뱅크관리자

2026-09-28 13:37:26

<div id="layerTranslateNotice" style="display:none;"></div> [IT백과] 문장 생성 대신 선택·점수·확률 반환…‘System One 모델’ 
 <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> 
 <section dmcf-sid="ZbuQkPvmh3">
 <div contents-hash="ba11a699540709496baf9b45cbecc08ea50b0f4c982edc6f9e2fa871d1d1054f" dmcf-pid="5K7xEQTslF" dmcf-ptype="general">
 정보기술(IT) 영역에 관한 모든 지식을 압축해 풀이합니다. IT산업에 꼭 필요한 용어들을 소개하고, 살펴보면 좋을 쟁점들도 정리합니다. IT가 처음인 입문자라면 혹은 동향을 알고 싶은 전문가라면, 디지털데일리 ‘IT백과’를 참고하세요. &lt;편집자주&gt;
 </div>
 <figure class="figure_frm origin_fig" contents-hash="67cf7680ffbde6dffdccc53f2e5a656dc8405378706926fa22881c87814965d2" dmcf-pid="19zMDxyOWt" dmcf-ptype="figure">
 <img class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202609/28/552796-pzfp7fF/20260928133519230qxjx.png" data-org-width="640" dmcf-mid="XFCt41LxC0" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202609/28/552796-pzfp7fF/20260928133519230qxjx.png" width="658">
 </figure>
 [디지털데일리 오병훈기자] “인공지능(AI)이 그렇게 똑똑해졌는데 왜 실제 업무 자동화는 생각만큼 빠르게 늘지 않았을까.”
 최근 개발자 커뮤니티를 뜨겁게 달구고 있는 신개념 AI 모델 ‘제브(Jev)’가 주목받기 시작한 이유다. 미국 AI 스타트업 타입세이프(TypeSafe AI)가 공개한 제브는 고효율 연산과 저렴한 비용 등을 내세우며 빠르게 시장 영향력을 키우고 있다.
 제브 개발을 주도한 디오고 알메이다 타입세이프(TypeSafe) 창업자는 오픈AI 재직 당시 2022년 ‘인스트럭GPT’ 논문에 공동저자로 참여한 연구자다. 사람의 선호를 이용해 언어모델을 학습시키는 인간피드백강화학습(RLHF)을 적용한 연구로 오늘날 대화형 AI 발전에 영향을 줬다.
 하지만 알메이다가 새 회사에서 택한 방향은 더 뛰어난 챗봇이 아니다. 오히려 문장을 생성하는 능력 자체를 버리는 것이다. 줄줄이 문장이 생성되는 기존 LLM 대신 결론만 빠르게 도출하는 방법을 통해 연산 효율을 크게 늘린 것이 핵심이다.
 ◆문장을 만들지 않는 AI…제브가 말하는 ‘시스템 원’
 일반적인 거대언어모델(LLM)은 입력받은 문맥을 토대로 다음에 올 토큰을 하나씩 예측하면서 문장을 생성한다. 글쓰기와 요약, 코딩, 추론처럼 답의 형태가 미리 정해져 있지 않은 작업에 강한 이유다.
 반면 제브가 반환하는 답은 세 종류뿐이다. ①여러 후보 가운데 하나를 고르는 ‘선택(Choice)’ ②정해진 기준에 따라 등급을 매기는 ‘점수(Score)’ ③특정 명제가 참일 확률을 0~1 사이 값으로 내놓는 ‘이진판단(Noul)’이다.
 예컨대 고객 문의를 입력한 뒤 ‘환불·기술지원·영업 가운데 어느 부서로 보내야 하는가’라고 물으면 긴 설명 대신 각 선택지의 확률과 최종 선택값을 돌려준다. 구체적으로 ‘어제 구매한 청소기를 환불하고 싶다’는 문의가 들어올 경우 ‘환불부서’라는 답변과 0.99라는 확률 값을 내놓는 식이다.
 여기에서 제브와 LLM의 핵심 차이가 나온다. LLM이 ‘무엇을 말할지’를 생성한다면 제브는 ‘어느 쪽인지’를 판단하는 데 집중한다.
 타입세이프는 여기에 ‘RLCD(보정된 의사결정 강화학습)’라는 학습 방식을 적용했다고 설명한다. 사람이 선호하는 답변을 만드는 기존 RLHF와 달리, 모델이 제시하는 확률과 실제 정답률이 일치하도록 최적화했다는 주장이다. 80%라고 답한 판단들을 모았을 때 실제로 약 80%가 맞도록 만드는 식이다.
 이 특성은 이용자 서비스에 직접 적용될 때보다 기업이 AI 에이전트를 개발하는데 의미가 있다는 것이 업계 분석이다. 에이전트가 다음에 어떤 도구를 실행할지, 검색 결과 중 어떤 문서를 사용할지, 작업에 실패했으니 재시도할지 등을 판단할 때 매번 LLM이 긴 문장을 생성할 필요는 없기 때문이다. 타입세이프에 따르면 제브는 하나의 상태(state)를 읽은 뒤 여러 질문을 병렬로 판단하도록 설계돼, 질문 수가 늘어나도 응답시간이 거의 늘지 않는다.
 ◆LLM도 JSON 잘 만든다…차별점은?
 다만 “LLM은 문자열을 출력하기 때문에 자동화에 부적합하고 제브만 구조화된 답을 낼 수 있다”는 식의 설명은 과장이될 수 있다는 시각도 뒷따른다.
 이미 오픈AI 등 주요 LLM 사업자도 개발자가 미리 정의한 JSON 스키마에 정확히 맞춰 값을 출력하는 ‘구조화 된 출력(Structured Outputs)’를 제공하고 있다. 오픈AI는 엄격한 스키마 적용 시 모델이 정해진 자료형과 선택지만 반환하도록 만들 수 있다. 앤트로픽 역시 도구 호출에 ‘strict’ 옵션을 적용해 스키마 준수를 보장한다.
 이진판단에만 집중한 만큼 범용성도 포기해야 했다. 제브에게는 보고서를 써달라거나 회의를 요약해달라고 할 수 없다. 복잡한 문제를 여러 단계에 걸쳐 추론하는 작업도 목표 영역이 아니다. 타입세이프도 “복합적인 판단은 여러 개의 작은 질문으로 쪼갠 뒤 결합 과정은 코드가 담당해야 한다”고 권하고 있다.
 ◆193배 빠르고 444배 싸다?…속도는 ‘진짜’, 정확도는 아직
 타입세이프는 자체 워크플로 평가에서 제브가 기존 LLM 대비 최대 193.6배 빠르고 444.6배 저렴했다고 주장했다. 제브1.13의 공식 가격도 입력 100만토큰당 0.042달러이며 출력에는 별도 비용을 매기지 않는다.
 다만 이 숫자를 그대로 ‘LLM보다 444배 뛰어난 모델’로 보기는 어렵다는 업계 분석도 나온다. 해당 워크플로는 타입세이프 내부에서 만들었다. 타입세이프 팀에서도 이 수치가 실제 환경에서 기대할 수 있는 개선폭 가운데 높은 수준이라고 설명했다.
 외부 실험에서는 조금 더 현실적인 그림이 나온다. 펜실베이니아대 연구진이 7개 벤치마크 평가쌍(평가 대상과 평가 기준을 묶은 단위) 5003개를 이용해 제브와 대표적인 저가형 LLM인 GPT-5.6 루나, 제미나이 3.8 플래시, 딥시크 V4.1 플래시를 비교한 결과, 27개 비교 가운데 정확도 차이가 통계적으로 뚜렷했던 것은 8개였다.
 제브는 이진 판정에서 상대적으로 강했지만 단계별 점수를 매기는 작업에서는 기존 sLM이 우세한 경우도 있었다는 분석이다. 평가 조건 비용은 sLM이 제브보다 29~325배, 처리시간은 30~220배 비쌌다. 연구진은 sLM을 기준별로 별도 호출했으며 배치 방식은 시험하지 않았다는 한계점을 명시했다.
 타입세이프가 내세우는 또 다른 강점 중 하나는 제브가 ‘환각하지 않는다’는 주장이다. 하지만 이 또한 마케팅에 가깝다는 것이 업계 시각이다.
 제브는 개발자가 지정하지 않은 값을 마음대로 생성할 수 없다. 덕분에 ‘존재하지 않는 선택지를 지어내는 오류’는 구조적으로 막을 수 있다. 그러나 정해진 선택지 중 ‘틀린 답을 고르는 것’까지 사라지는 것은 아니라는 분석이다. 즉 확률 0.9를 부여한 판단이 틀릴 수도 있다는 점을 고려해야 한다는 것이다.
 실제로 타입세이프가 공개한 제브 모델의 ‘한계 목록’을 보면 계산과 숫자 처리, 날짜 비교, 복잡한 간접 표현에 취약하다고 설명하고 있다. 관련 없는 정보가 질문에 다량 포함되면 정확도가 낮아질 수 있다는 것이다.
 제브가 던진 더 중요한 질문은 새로운 AI가 LLM보다 더 똑똑한지 여부가 아니다. 단일 LLM만으로 문제를 해결하기보다 영역과 분야별로 효율적인 모델을 적재적소에 배치하는 것이 중요해졌음을 다시 한번 각인 시키는 계기가 된 셈이다.
 예컨대 문장을 쓸 때는 LLM을, 정확한 계산에는 코드를, 수없이 반복되는 선택과 판정에는 제브 같은 판단 모델을 쓰는 방식이 범용 LLM 하나에 모든 업무를 맡기는 것보다 효율적일 수 있다는 것이다. 제브의 경쟁력도 결국 실제 기업의 AI 에이전트와 업무 자동화 환경에서 얼마나 넓게 통할 수 있는지에 따라 판가름날 전망이다.
 </section> 
 </div> 
 Copyright © 디지털데일리. All rights reserved. 무단 전재 및 재배포 금지.

댓글 총 0개

이번주 포인트랭킹

매주 일요일 밤 0시에 랭킹을 초기화합니다.

14,000상품권
23,000상품권
32,000상품권

업체홍보/구인 더보기

지식/노하우 더보기

판매의뢰 더보기

포토 더보기