제미나이 카본의 제한 제공 예고부터 로컬 AI까지…10월 29일의 여섯 가지 변화

카본의 보안 기능은 취약점 발견, 실제 악용 가능성 확인, 원인 수정으로 이어진다. 구글은 각각 SEC-bench Pro 88.2%, ExploitGym 54.8%, CWE-bench 71.0%를 보고했다. 서로 다른 시험의 점수이므로 이를 합쳐 하나의 보안 정확도로 표현할 수는 없다. 모델이 어떤 단계를 잘 수행했는지 나누어 보는 편이 발표 내용을 이해하는 데 도움이 된다.

이 가운데 SEC-bench Pro는 연구팀이 별도로 운영하는 소프트웨어 보안 평가다. 공식 설명에 따르면 V8, 파이어폭스, 리눅스의 과제를 다루며, 평가 판본을 바꾸어 결과를 확인할 수 있다. 정해진 예산에서의 성공과 시간 안에 완료했는지도 구분한다. 같은 모델 이름만 비교하기보다 문제 묶음과 실행 조건이 같은지 살펴야 하는 이유다.

이런 평가는 사람이 이미 정한 시험 환경에서 측정한다. 실제 기업의 프로그램에는 시험에 없던 구성이나 외부 서비스 연결이 있을 수 있고, 수정 뒤에 다른 기능이 깨지는지도 검토해야 한다. 따라서 보안 문제를 잘 찾는다는 결과와 사람이 확인하지 않아도 운영 프로그램에 수정을 적용할 수 있다는 결론 사이에는 여전히 거리가 있다. 이는 평가 구조에서 도출되는 실무적 해석이다.

가격은 출시 시점의 도입 요금과 이후 요금이 함께 예고됐다. 입력 100만 토큰당 2달러, 출력 100만 토큰당 10달러로 시작하며 도입 기간 이후에는 각각 4달러와 20달러가 적용된다. 토큰은 모델이 글을 처리하는 단위다. 현재 누구나 이 가격으로 구매할 수 있다는 뜻은 아니며, 가격 발표와 실제 계정의 이용 가능 여부를 구분해야 한다.

초기 배포 경로인 페어윈드(Fairwind)는 구글 딥마인드가 신뢰할 수 있는 보안 조직을 심사해 고성능 모델 접근을 제공하는 프로그램이다. 기존 안내는 정부, 의료·통신 등 필수 서비스 운영자, 주요 기술 플랫폼을 우선 대상으로 설명한다. 기업 이름이나 신청서 제출만으로 접근이 보장되는 개방형 가입 서비스와는 성격이 다르다.

프로그램의 운영 규칙도 확인할 필요가 있다. 공식 안내는 방어·연구 목적의 사용, 조직 심사, 접근 통제와 사용 기록, 외부 재판매 금지를 명시한다. 조직 내부에서도 보안·사고 대응·침투 시험 담당 팀에 접근을 제한하며, 사용자별 인증과 피싱에 강한 다중 인증을 요구한다. 단순한 모델 초대권보다 조직의 사용 방식까지 관리하는 절차인 셈이다. 다만 해당 소개 페이지의 모델 설명은 확인 시점에 여전히 제미나이 4 아르곤(Argon)을 중심으로 적혀 있었다. 카본의 제공 순서는 새 발표에 근거하며, 기존 프로그램의 모든 기술 조건이 카본에도 그대로 적용된다고 단정하지 않았다.

구글이 우선 배포 대상을 보안 담당자로 좁힌 것은 기능과 접근 정책을 함께 보게 만든다. 취약점을 찾아내는 능력은 방어에 유용하지만 같은 능력이 다른 목적으로 쓰일 가능성도 있기 때문이다. 회사는 더 넓은 공개 전에 의견을 모으고 보호 장치를 개선하겠다고 밝혔다. 이번 소식에서 즉시 달라지는 대상은 모든 제미나이 이용자보다 초기 접근을 받는 조직에 가깝다.

긴 작업을 맡기는 기업에는 별도의 운영 쟁점도 남는다. AI가 며칠 동안 일을 수행한다면 중간 결과를 어디에 남기는지, 어떤 도구를 쓰는지, 누가 작업을 중단할 수 있는지가 중요해진다. 모델의 성능 향상만으로 이러한 권한과 검토 절차가 정해지는 것은 아니다. 카본의 가치는 공개 범위가 넓어진 뒤 실제 제품의 실행 환경과 함께 판단해야 한다.

이번 발표의 대상은 새로운 언어 모델 자체가 아니다. 모델이 계획을 세우고 도구를 호출하며 결과를 받아 다음 행동으로 이어 가는 실행 기반이다. 마이크로소프트는 이를 코파일럿 코드, 코파일럿 스튜디오, 깃허브 코파일럿 앱과 명령줄 도구, 비주얼 스튜디오 코드 등에 공통으로 사용한다고 설명했다. 외부 개발자가 같은 기반 위에 자기 서비스를 얹을 수 있다는 점이 변화다.

관리형 경로에서는 마이크로소프트가 반복 실행 과정과 격리된 작업 환경을 운영하고, 사용자는 지시문·업무 절차·도구·모델을 가져오는 형태다. 회사는 기존 실행 프레임워크를 계속 가져올 수 있다고도 밝혔다. 파운드리 이용자가 반드시 하나의 방식으로 전환해야 한다는 발표는 아니며, 운영을 맡길 선택지가 추가된 것으로 볼 수 있다.

공식 개발 도구인 코파일럿 SDK(SDK·소프트웨어 개발 키트)는 이름 전환도 진행 중이다. 저장소는 기존 깃허브 코파일럿 SDK가 마이크로소프트 코파일럿 SDK로 바뀌며, 저장소 소속도 단계적으로 이동할 예정이라고 설명한다. 패키지 이름과 문서 일부에는 예전 명칭이 남을 수 있고, 기존 사용자가 즉시 변경할 사항은 없다고 안내했다.

개발 방식은 파이썬, 타입스크립트, 고, 닷넷, 자바, 러스트를 지원한다. 앱은 SDK를 통해 코파일럿 명령줄 프로그램의 서버 모드와 통신한다. 즉 화면에 채팅창을 붙이는 데 그치지 않고, 이미 존재하는 에이전트 실행기를 자기 앱에서 호출하는 구조다. 이 구분은 어디에서 작업이 실행되고 어떤 프로그램을 함께 배포해야 하는지 이해하는 데 중요하다.

이용 조건은 실행 경로에 따라 확인해야 한다. SDK 설명은 기본 이용에 코파일럿 구독이 필요하되, 지원되는 모델 제공업체의 API 키를 직접 연결하면 예외라고 적었다. 기본 과금은 명령줄 도구와 같은 방식으로 사용량에 반영된다. 이 안내를 관리형 파운드리 전체의 확정 요금표로 확대할 수는 없으며, 두 경로의 계약과 청구 범위를 따로 보아야 한다.

권한 처리도 앱의 책임으로 남는다. SDK는 기본 도구를 노출하지만 실제 실행은 권한 처리 함수를 거치며, 앱은 호출을 허용하거나 거절하고 도구 목록을 조정할 수 있다. 공통 기반을 쓴다는 이유로 회사 파일 수정이나 외부 서비스 접근까지 무조건 허용되는 구조라고 이해하면 안 된다. 어떤 행동을 맡길지는 서비스 설계에 포함된다.

여러 모델을 지원하면 한 모델의 가격이나 성능이 바뀌었을 때 바꿔 쓸 여지가 생긴다. 다만 같은 도구와 지시문을 연결해도 모델마다 답변과 행동이 같아지는 것은 아니다. 공통 실행 기반이 줄이는 것은 연결과 유지보수의 일부 부담이며, 자기 업무에서 결과가 맞는지 확인하는 과정까지 대신하는 것은 아니라는 해석이 가능하다.

이번 공개는 AI 서비스 개발에서 모델과 실행 기반을 나누어 선택하는 흐름을 보여준다. 기업은 모델의 답변 품질뿐 아니라 작업 기록, 도구 권한, 실행 환경과 비용을 한 묶음으로 평가하게 된다. 마이크로소프트가 자사 여러 제품에 쓰는 기반을 외부에도 제공한 만큼, 이후 관심사는 실제 앱에서 그 공통 기반이 얼마나 쉽게 통합되고 관리되는지에 놓인다.

전사 결과가 업무에 쓰이려면 문장 내용 외에도 발언자와 표기 방식이 필요하다. 엔비디아는 하나의 모델에 이런 요구를 결합했다. 발표 기준으로 영어와 오가는 번역은 31개 언어, 발언자 구분은 13개 언어를 지원하며, 최대 여덟 명의 발언자를 표시한다. 전사 40개 언어라는 숫자가 모든 부가 기능에 동일하게 적용되는 것은 아니다.

모델 카드는 음성과 글 지시를 입력받아 글을 내보내는 구조로 설명한다. 사용자는 그대로 옮긴 말투와 읽기 편한 표기 등 원하는 형식을 지정할 수 있다. 전문용어를 참고 정보로 줄 수도 있지만, 그 단어가 실제 음성에 있을 때만 반영하도록 지시하는 방식이다. 용어 목록은 음성에 없던 내용을 추가해도 된다는 허가가 아니다.

한국어는 공식 언어별 표에서 전사, 영어와의 번역, 발언자 구분과 언어 혼용 항목에 표시돼 있다. 반면 음성 내용을 이해하고 추론하는 기능은 영어로 평가했다는 설명이 별도로 붙어 있다. 따라서 한국어 녹음의 글 변환 지원과 한국어로 어떤 질문이든 안정적으로 답한다는 주장은 나눠 읽어야 한다. 언어 수보다 작업별 지원표가 실제 적용 판단에 더 가깝다.

가중치 공개는 음성을 어디에서 처리할지 선택할 여지를 준다. 회사 서버에 직접 배치하는 방식과 외부 호스팅 서비스를 사용하는 방식은 데이터 이동과 운영 책임이 다르다. 모델 카드는 상업·비상업 이용이 가능한 OpenMDW 1.1 조건을 제시하고, 사용자가 해당 라이선스와 포함된 구성 요소의 조건을 지킬 책임이 있다고 명시한다.

실행 비용도 다운로드 여부와 별개다. 공개 문서의 시작 예시는 메모리 80GB인 H100 한 장을 사용하는 구성을 제시한다. 이는 모델을 무료로 내려받는 것과 일반 노트북에서 추가 준비 없이 사용하는 것이 다른 문제임을 보여준다. 압축 모델과 실행기의 지원 범위는 계속 바뀔 수 있어, 특정 소비자 기기에서의 속도를 이번 발표만으로 보장할 수 없다.

함께 발표한 그라너리 v2(Granary v2)는 음성 학습용 정답과 지시문 자료다. 공식 설명은 48개 언어, 16개 원천 자료, 46만3,062시간의 음성에 대응하는 표식을 제공한다고 적었다. 이 규모는 공개 자료 묶음에 관한 수치이며, 이번 전사 모델이 지원하는 언어 수나 전체 학습량과 같은 뜻이 아니다. 데이터와 모델의 범위를 구별해야 한다.

그라너리 저장소에는 음성 파일 전체가 들어 있지 않다. 내려받는 것은 자료 위치와 정답 등을 담은 목록이고, 원본 음성은 각 배포처에서 별도로 확보해야 한다. 원본의 이용 조건도 그대로 적용된다. 공개된 정답 자료를 받았다고 모든 음성을 아무 조건 없이 재배포하거나 학습에 쓸 권리까지 생기는 것은 아니라는 점이 문서에 분명히 나와 있다.

이번 공개의 의미는 녹음 처리의 여러 단계를 한 모델과 조정 가능한 지시로 묶었다는 데 있다. 다만 회의 기록에서 이름을 틀리거나 발언자를 잘못 붙이면 내용 해석도 달라질 수 있다. 결과를 활용하는 조직에는 원본 녹음과 대조할 수 있는 기록 구조가 여전히 필요하다. 모델이 여러 기능을 함께 제공해도 각 기능의 오류를 따로 확인할 이유는 남는다.

오페라는 웹AI를 브라우저 안의 로컬 추론 기능으로 설명한다. 추론은 학습된 모델이 실제 질문에 답을 만드는 과정이다. 사용자가 설정에서 켜기 전에는 모델을 내려받지 않으며, 사용 중에도 끌 수 있다. 웹페이지를 방문했다는 이유만으로 모든 이용자의 컴퓨터에 AI 모델을 자동 설치하는 방식은 아니라는 뜻이다.

개발자에게 제공하는 기능은 프롬프트, 결정, 의미 임베딩 API다. 각각 글을 만들거나 질문에 답하기, 정보를 분류하기, 내용이 얼마나 비슷한지 다루는 데 쓰인다. 오페라는 여러 호환 모델을 이용할 수 있다고 설명한다. 다만 이런 인터페이스를 제공한다는 사실과 특정 대형 클라우드 모델과 같은 답변 품질을 제공한다는 주장은 구분해야 한다.

별도 체험 페이지에는 개발 가능성을 보여 주는 확장 프로그램이 있다. 프로젝트 렌즈는 사용자가 관심을 둔 작업에 따라 기사 문단을 강조하고, 갓 잇은 읽은 기사로 질문을 만든다. 다른 예시는 문장 사이의 유사성을 시각화한다. 오페라는 이들을 정식 내장 기능 목록이 아닌 실험용 예제로 소개했다. 실제 배포 제품에 기본 탑재됐다고 이해하면 범위가 달라진다.

이 움직임은 웹에서 브라우저 제공 모델을 호출하려는 표준화 논의와 이어진다. 관련 프롬프트 API 제안은 웹 머신러닝 커뮤니티 그룹에서 계속 개발 중이며, 더 넓은 채택을 위한 의견을 받고 있다. 제안이 존재하고 일부 브라우저가 구현했다는 것만으로 모든 브라우저에서 동일한 기능을 사용할 수 있는 확정 표준이 된 것은 아니다.

제안 문서는 의도적으로 보장하지 않는 항목도 적고 있다. 모든 브라우저에 모델을 탑재하도록 강제하지 않으며, 기기에 적합한 모델이 없다고 응답하는 구현도 가능하다. 모델 품질과 브라우저 사이의 동일한 결과도 보장 대상이 아니다. 개발자에게는 API의 존재 여부와 작업 가능 여부를 확인하고, 사용할 수 없는 경우를 처리해야 한다는 의미가 있다.

로컬 처리의 장점은 요청마다 클라우드에 자료를 보내거나 사용료를 내는 부담을 줄일 가능성에 있다. 그러나 비용이 완전히 사라지는 것은 아니다. 이용자 기기의 연산 자원, 모델 저장 공간과 다운로드가 필요하고, 여러 창에서 함께 사용하는 상황도 고려해야 한다. 서버 비용을 기기 쪽 처리로 옮기는 선택인 만큼 서비스의 이용 환경과 함께 판단할 사안이다.

개인정보에 대한 표현도 적용 범위를 명확히 해야 한다. 오페라의 설명은 이 기능으로 처리하는 AI 입력이 기기 안에 머물 수 있다는 뜻이다. 웹사이트 자체가 다른 목적으로 네트워크 요청을 하는지까지 없애 주는 보장은 아니다. 프롬프트 API의 일반 제안 역시 기기 내 실행과 클라우드 실행의 구분을 계속 논의하는 상태여서, 각 구현의 실제 동작을 보아야 한다.

이번 시험판은 AI를 브라우저의 별도 채팅창에서 웹페이지 기능 안쪽으로 옮기는 시도다. 사이트 개발자는 자기 서버에 모델을 구축하는 방식 외에 브라우저의 실행 기능을 활용할 수 있다. 동시에 지원 운영체제와 모델 능력이 이용자마다 다를 수 있다는 제약을 안게 된다. 초기 공개 단계인 만큼 기능의 가능성과 공통 지원 범위를 함께 살피는 것이 중요하다.

평가는 개인·가족, 중소기업, 동업기업, 부동산과 투자, 상속·신탁, 국제 업무, 기업 거래, 검토와 분쟁 등 여덟 분야를 다룬다. 전체 작업 공간에는 1,789개 파일이 있고 과제당 중앙값은 30개다. 자료를 많이 읽는 능력만이 아니라 어떤 기록이 판단을 바꾸는지 찾아내는 능력을 시험한다는 것이 서지 AI의 설명이다.

결과표에서 소넷 5.5 다음은 클로드 페이블 5.1의 9.6%, 클로드 오퍼스 5.5의 9.2%였다. 이 수치는 한 시도가 채점 항목의 최소 95%를 만족했는지를 기준으로 집계한 pass@1이다. 여러 번 시도해 한 번이라도 성공하면 통과로 보는 방식과 다르다. 숫자를 소개할 때 평가 문턱을 함께 말해야 모델의 부분적인 성과와 최종 완성도를 구분할 수 있다.

발표는 계산을 맞게 하고도 중요한 조건을 놓치는 사례를 제시한다. 고객이 선택한 두 일정만 비교하고 그 뒤에 도래하는 중요한 기한을 놓치거나, 기록에 의문이 있는데도 하나의 가정을 사실처럼 받아들이는 식이다. 이는 평가용 사례이며 실제 고객 피해가 확인됐다는 보도는 아니다. 평가가 주목하는 것은 문장 생성보다 조사 범위와 판단의 일관성이다.

공개 데이터 설명에는 자료 제작 방식도 나와 있다. 세무 전문가가 실제 업무 흐름을 바탕으로 과제와 기대 결과, 채점 기준을 만들었으며, 실무 양식을 본뜬 합성 문서가 포함된다. 발표에 따르면 각 과제는 정확성·완결성·해결 가능성을 세 차례 검토했다. 실제 납세자의 자료 전체를 그대로 공개한 시험으로 설명해서는 안 되는 이유다.

현재 누구나 내려받는 공개 표본은 두 과제다. 전체 50개를 평가하려면 제공사에 별도로 접근을 요청해야 한다. 공개 표본의 결과만으로 전체 점수를 재현했다고 말할 수는 없으며, 작은 표본에서 잘한 모델이 전체에서도 같은 순서를 보장하지는 않는다. 공개 범위와 발표된 평가 규모가 다르다는 조건은 결과의 확인 가능성을 판단하는 데 중요하다.

실행 환경은 문서와 표를 처리할 수 있는 리눅스 작업 공간이다. 자료 설명은 과제 실행 중 네트워크 접근을 명시적으로 허용된 모델 API 주소로 제한하고, 웹 탐색과 패키지 내려받기를 막는다고 적었다. 따라서 일반 사용자가 검색창과 여러 웹서비스를 자유롭게 오가는 상황과는 조건이 다르다. 시험에서 제공한 기록을 어떻게 읽고 활용했는지에 초점이 맞춰져 있다.

이 결과는 AI에게 계산을 맡기는 일과 전문 업무 전체를 맡기는 일이 다른 평가를 필요로 함을 보여준다. 계산 중간값이 맞아도 조사해야 할 쟁점이 빠지면 최종 조언은 불완전할 수 있다. 반대로 낮은 과제 통과율만 보고 자료 정리나 초안 작성의 모든 효용이 사라졌다고 해석하는 것도 과도하다. 시험의 단위가 전체 산출물이라는 점을 함께 보아야 한다.

기업이 에이전트 도입 효과를 판단할 때도 완료 여부를 세분화할 필요가 있다는 시사점이 있다. 파일을 읽었는지, 필요한 근거를 찾았는지, 불확실한 정보를 구분했는지, 최종 결과물에 제대로 반영했는지는 서로 다른 단계다. 데이잡 택스는 이 단계들을 묶어 높은 기준으로 평가했다. 발표된 점수는 세무 자동화의 완성을 선언하기보다 남아 있는 검토 부담을 드러낸다.

컨텍스트젬은 문서에서 뽑을 항목을 설명하면 모델 지시와 결과 형식, 원문 근거 연결을 관리하는 개발 도구다. 공식 제품 설명은 글, 숫자, 날짜, 참·거짓 등 형식이 정해진 값을 추출하고, 결과를 원문 문단이나 문장과 연결하는 기능을 제시한다. 이번 변경은 이러한 추출 과정의 결과물을 어떤 언어로 읽을지 조절하는 부분에 해당한다.

1.5.0 릴리스는 output_language가 영어와 원문 맞춤 방식 외에도 여러 언어의 BCP 47 태그를 받도록 바꿨다고 설명한다. BCP 47은 언어와 필요한 경우 문자 체계·지역을 구분하는 표기 규칙이다. 일본어, 번체 중국어, 브라질 포르투갈어처럼 언어만으로 충분하지 않은 차이도 지정할 수 있게 한 것이다.

종전의 원문 맞춤 방식은 여러 언어가 섞였을 때 주로 등장하는 언어를 따르도록 요청한다. 하지만 모델이 실제 답의 근거가 있는 부분의 언어를 선택할 수도 있다고 문서는 설명한다. 예컨대 계약 본문과 추가 합의서의 언어가 다른 경우다. 결과를 읽는 팀의 언어를 명시하면 이런 선택을 모델에 전적으로 맡기지 않고 출력 요구사항으로 전달할 수 있다.

언어가 바뀌는 범위는 추출 결과 중 글로 된 값과 설명이다. 숫자, 날짜, 참·거짓, 미리 정한 분류명과 고정된 선택지는 같은 방식으로 번역하지 않는다. 원문을 가리키는 문단과 문장도 원래 언어로 남는다. 한국어 설명과 외국어 원문이 함께 나오는 것은 오류가 아니라 근거를 보존하기 위한 동작이라는 점을 이해할 필요가 있다.

태그 검증도 추가됐다. 릴리스는 표기를 표준 형태로 정리하고, 잘못된 언어 이름이나 코드를 주면 오류와 함께 가능한 표기를 안내한다고 밝혔다. 다만 국가 코드처럼 보이는 문자열이 실제 다른 언어를 뜻하는 경우는 자동으로 의도를 알 수 없다. 공식 문서에서 kr는 카누리어이고 한국어는 ko라고 강조한 것은 이러한 오설정을 막기 위한 설명이다.

여러 언어 결과를 동시에 얻는 비용에는 주의가 필요하다. 문서는 문서 복사본마다 다른 출력 언어로 따로 추출하도록 안내하며, 각각 독립적인 모델 요청이라고 명시한다. 따라서 결과 항목 수나 내용이 서로 달라질 수 있다. 하나의 확정된 추출물을 단순히 여러 언어로 표시하는 기능과는 구분해야 하며, 국가별 검토본의 일치 여부를 확인할 이유가 남는다.

공식 저장소는 클라우드 모델과 로컬 모델을 함께 지원하지만, 실제로 지시를 따르는 능력은 모델에 달려 있다고 설명한다. 작은 모델은 복잡한 추출 요구를 충분히 따르지 못할 수 있다. 이번 언어 옵션 역시 특정 언어의 성능 향상 평가나 정확도 보장 발표가 아니다. 설정 가능한 범위가 넓어진 변화이며 결과의 자연스러움과 근거 일치는 별도 문제다.

문서 자동화에서 결과의 언어는 최종 검토자가 내용을 이해하는 데 영향을 준다. 외국어 자료를 처리하는 과정에서 원문은 보존하고 설명을 팀의 언어로 읽을 수 있다는 점이 이번 변경의 실무적 의미다. 동시에 자료의 의미를 정확히 추출했는지와 설명을 제대로 번역했는지는 나누어 확인해야 한다. 언어 선택권이 늘어난 만큼 결과와 원문을 연결하는 기능의 중요성도 커진다.