<div id="readability-page-1" class="page"><article>
  
  <time datetime="2026-10-08T02:23:38+00:00">2026.10.08</time>

  <h2 id="tldr">TL;DR</h2>

<ul>
  <li>Jev의 실사용 우세에는 RLCD의 기여가 클 것이라 추측한다.</li>
  <li>결정의 정확성과 확률 보정을 직접 학습하는 모델이 늘어날 것이라 예상한다.</li>
  <li>RLCD는 그런 학습을 위한 유력한 접근이라고 생각한다.</li>
</ul>

<h2 id="시작하며">시작하며</h2>

<p>Jev가 나오고 Kev, Jeff, Strands Decider, OpenAI Decisions처럼 분류나 점수 예측을 빠르게 붙여볼 수 있는 모델과 API들이 나왔다. 긴 답변을 생성하는 대신 정해진 선택지와 확률을 돌려주므로, 앱의 초기 버전에 AI 판단을 넣기 좋아 보였다.</p>

<p>일부 프로젝트가 공개한 벤치마크에서는 Jev와의 차이가 작아 보였다. 하지만 내가 써본 과제에서는 Jev 쪽이 꽤 더 잘된다는 느낌을 받았다.</p>

<p>오픈모델이 벤치마크에서 상용모델을 이겼다고 해도, 실제로는 조금만 어려운 일을 시키면 오동작하는 경우와 비슷하다.</p>

<p><strong>벤치마크 점수가 비슷하더라도, 내가 써본 범위에서는 아직 Jev를 대체하기 어려워 보였다.</strong></p>

<p>이 차이를 보면서 관심이 생긴 것이 Jev의 학습 방식인 RLCD다. Jev를 만든 TypeSafe는 사람이 선호하는 답변과 소프트웨어가 바로 사용할 판단에 서로 다른 학습 목표가 필요하다고 주장한다. 나는 이 문제의식에 동의하고, <strong>Jev와 다른 결정 모델의 실사용 차이에 RLCD가 크게 기여했을 것이라고 추측한다.</strong></p>

<p>앞으로는 결정의 정확성과 확률 보정을 직접 학습하는 모델이 늘어날 것이라고 생각한다. RLCD는 그 방향의 유력한 접근으로 보고 있다. 제품과 구현에 대한 설명은 2026년 10월 8일 기준이다.</p>

<h2 id="1-질문-하나를-뒤집으면-달라지는-벤치마크">1. 질문 하나를 뒤집으면 달라지는 벤치마크</h2>

<p>결정 모델을 바꾸면 같은 질문을 이해하는 방식부터 달라질 수 있다. AI 평가 도구를 만드는 Arize가 공개한 비교에 이런 사례가 있다.<sup id="fnref:1" role="doc-noteref"><a href="#fn:1" rel="footnote">1</a></sup></p>

<p>이 실험은 답변의 내용이 주어진 자료로 뒷받침되는지 판단하게 한다. 같은 테스트 사례 1,338개에 대해 “모든 주장이 근거를 갖고 있는가?”와 “근거 없는 주장이 포함되어 있는가?”를 각각 물었다. 질문의 긍정과 부정이 반대이므로 기대하는 답의 방향도 뒤집혀야 한다.</p>

<table>
  <thead>
    <tr>
      <th>모델</th>
      <th>모든 주장에 근거가 있는가?</th>
      <th>근거 없는 주장이 있는가?</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>Jev 1.13</td>
      <td>0.93</td>
      <td>0.93</td>
    </tr>
    <tr>
      <td>OpenAI Decisions</td>
      <td>0.90</td>
      <td>0.89</td>
    </tr>
    <tr>
      <td>Kev 9B</td>
      <td>0.85</td>
      <td>0.54</td>
    </tr>
    <tr>
      <td>Strands Decider 2B</td>
      <td>0.75</td>
      <td>0.26</td>
    </tr>
  </tbody>
</table>

<p>표의 값은 정답률이 아니라 ROC AUC다. 여기서는 근거 있는 답변과 근거 없는 답변을 모델의 점수로 얼마나 잘 구별하는지 나타내며, 1에 가까울수록 좋고 0.5면 무작위 수준이다. 모델명에 붙은 B는 매개변수 수를 10억 단위로 표시한 것이다.</p>

<p>Jev와 OpenAI Decisions는 두 표현에서 비슷한 결과를 냈지만, Kev와 Strands Decider는 크게 달라졌다.</p>

<p>이 표는 Arize가 실행한 특정 모델·질문·데이터의 결과다. 내가 모델을 쓰며 느낀 차이의 원인을 입증하지는 않지만, <strong>한 가지 표현으로 얻은 점수가 실제 앱에서 쓰게 될 질문까지 대표하지는 않는다</strong>는 점은 잘 보여준다.</p>

<p>Jev도 예외 없이 잘되는 모델은 아니다. 공식 문서는 Jev 1.13이 정확한 계산, 여러 단계를 거치는 간접 추론, 무관한 정보가 많은 긴 문맥이나 선택지 순서에 취약할 수 있다고 설명한다.<sup id="fnref:2" role="doc-noteref"><a href="#fn:2" rel="footnote">2</a></sup> 대체 모델을 고를 때는 공개 순위와 함께, 내 질문의 표현과 선택지 순서를 바꿔도 판단이 유지되는지 보고 싶다.</p>

<h2 id="2-rlcd는-무엇을-다르게-학습하려는가">2. RLCD는 무엇을 다르게 학습하려는가</h2>

<h3 id="21-영상에서-말하는-jev의-출발점">2.1. 영상에서 말하는 Jev의 출발점</h3>

<p>질문 표현에 따라 결과가 달라지는 현상을 보면, 모델이 무엇을 잘하도록 학습됐는지도 궁금해진다. TypeSafe의 창업자 Diogo Almeida는 InstructGPT 논문의 공저자이자 ChatGPT 개발에 참여한 연구자다.<sup id="fnref:3" role="doc-noteref"><a href="#fn:3" rel="footnote">3</a></sup><sup id="fnref:4" role="doc-noteref"><a href="#fn:4" rel="footnote">4</a></sup></p>

<p>Jev 출시 전에 진행한 <a href="https://www.youtube.com/watch?v=cJ0EOzey--o">그의 발표</a>를 세 가지로 요약하면 다음과 같다.</p>

<ul>
  <li><strong>보조와 자동화는 성공 조건이 다르다.</strong> 사람과 함께 일하는 AI와, 사람이 계속 지켜보지 않아도 일을 끝내는 AI를 구분한다. (4:29–5:11)</li>
  <li><strong>사람의 선호가 업무의 성공을 보장하지는 않는다.</strong> 선호하는 답변을 보상하면 틀려도 그럴듯하게 말하는 쪽으로 유도될 수 있다고 주장한다. (5:57–8:22)</li>
  <li><strong>소프트웨어 자체가 더 많은 일을 하게 만들고 싶다.</strong> 코드를 싸게 만드는 것에 더해, 소프트웨어 안에서 판단과 불확실성을 제공하는 모델을 목표로 삼는다. (10:49–16:19)</li>
</ul>

<h3 id="22-사람이-좋아하는-답변을-학습한다는-것">2.2. 사람이 좋아하는 답변을 학습한다는 것</h3>

<p>그는 많은 자료의 패턴을 배우는 사전학습으로 얻은 능력 자체보다, 그 능력을 끌어내는 방식에 문제의식을 갖고 있다. 사람이 선호하는 답변을 보상하면, 불확실성을 드러내기보다 자신 있게 답하는 쪽으로 모델이 유도될 수 있다는 것이 Almeida의 해석이다.<sup id="fnref:4:1" role="doc-noteref"><a href="#fn:4" rel="footnote">4</a></sup></p>

<p>강화학습(RL, Reinforcement Learning)은 모델이 <strong>정해진 보상을 더 많이 얻는 행동을 하도록 학습하는 방법</strong>이다. 보상이 무엇을 평가하느냐에 따라 잘하게 되는 일도 달라진다.</p>

<p>예를 들어 국어 교과서의 표현을 익힌 모델이 친구끼리 대화하는 상황에서 “내 친구 철수야, 밥은 먹었니?”라고 답하면 틀린 말은 아니지만 어색하다. 사람의 피드백을 이용한 강화학습인 RLHF에서는 자연스럽다고 평가받는 답변에 보상을 주어 모델의 말투를 조정할 수 있다.</p>

<p>하지만 자연스러운 대화 예시를 따라 배우는 지도 미세조정(SFT)으로도 같은 방향의 개선이 가능하다. InstructGPT 역시 시범 답변으로 학습하는 단계와 사람의 선호를 이용한 강화학습 단계를 구분한다.<sup id="fnref:3:1" role="doc-noteref"><a href="#fn:3" rel="footnote">3</a></sup> 자연스러운 말투가 RL 전체의 목적도 아니고, RL이 없으면 현실에 맞는 분류를 할 수 없는 것도 아니다.</p>

<p>수학 답이나 코드 실행 결과처럼 맞았는지 확인할 수 있는 결과를 보상하는 방식도 있다. 이를 RLVR, 검증 가능한 보상을 이용한 강화학습이라고 부른다. Jev는 결정과 함께 반환하는 확률이 얼마나 정확한지에도 학습 목표를 둔다.</p>

<h3 id="23-80라는-숫자를-코드에서-사용할-수-있으려면">2.3. 80%라는 숫자를 코드에서 사용할 수 있으려면</h3>

<p>TypeSafe가 제시한 RLCD의 정식 이름은 Reinforcement Learning for Calibrated Decisions다. 정해진 형태의 결정과 함께 <strong>실제 결과에 맞게 보정된 확률을 반환하는 것</strong>을 목표로 한다.<sup id="fnref:5" role="doc-noteref"><a href="#fn:5" rel="footnote">5</a></sup></p>

<p>예를 들어 고객 문의가 환불 요청일 확률을 예측한다고 하자. 모델이 약 80%라고 답한 문의를 충분히 모았을 때, 실제로도 약 80%가 환불 요청이면 그 구간의 확률이 잘 보정되어 있다고 할 수 있다. 이것이 calibration, 즉 확률 보정이다.</p>

<p>이때 80%는 그 문의 하나의 정답을 보장하지 않는다. 또 실제 문의의 절반이 환불 요청이라고 해서 모든 문의에 50%를 반환하면 전체 비율은 맞출 수 있지만, 어떤 문의를 환불 담당자에게 보내야 하는지 구별하는 데는 도움이 되지 않는다. 잘 맞히는 능력과 불확실성을 정확하게 표현하는 능력이 함께 필요하다.</p>

<p>확률을 믿고 쓸 수 있다면 코드에서 자동 처리할 범위를 정하기 쉬워진다. 예를 들어 확률이 높은 문의는 바로 분류하고, 애매한 문의는 추가 정보를 찾거나 더 큰 모델로 넘길 수 있다. 그 기준값은 실제 문의와 오분류 비용을 보고 정해야 한다.</p>

<p>Jev API를 쓸 때는 개별 선택지의 <code>probability</code>와 별도의 <code>confidence</code>도 구분해야 한다. 선택형 질문인 Choice와 점수형 질문인 Score의 <code>confidence</code>는 반환된 확률 분포를 요약한 값이므로, <code>confidence: 0.8</code>을 곧바로 정답률 80%로 읽어서는 안 된다.<sup id="fnref:6" role="doc-noteref"><a href="#fn:6" rel="footnote">6</a></sup></p>

<p>내가 RLCD에서 흥미롭게 보는 부분은 이런 불확실성까지 소프트웨어가 사용할 출력으로 다룬다는 점이다. 매번 사람이 답변을 읽지 않고도 다음 처리를 정하려면, 맞는 답을 고르는 것만큼 틀릴 가능성을 표현하는 방식도 중요해진다.</p>

<h3 id="24-rlcd에서-큰-차이가-생겼을-것이라는-추측">2.4. RLCD에서 큰 차이가 생겼을 것이라는 추측</h3>

<p>나는 이런 학습 목표의 차이가 Jev의 실사용 성능에 큰 영향을 줬을 것이라고 생각한다. 정답을 고르는 능력과 불확실성을 표현하는 능력을 함께 학습하면, 애매한 사례에서 과신하는 판단을 줄일 수 있을 것 같기 때문이다.</p>

<p>다만 확인한 TypeSafe의 출시 글과 학습 설명에서는 RLCD만의 기여를 분리한 ablation, 즉 특정 요소만 제거하거나 바꿔 비교하는 절제실험을 찾지 못했다.<sup id="fnref:5:1" role="doc-noteref"><a href="#fn:5" rel="footnote">5</a></sup><sup id="fnref:7" role="doc-noteref"><a href="#fn:7" rel="footnote">7</a></sup></p>

<p>그 효과를 확인하려면 같은 출발 모델과 데이터, 평가 조건을 두고 RLCD를 적용한 경우와 적용하지 않은 경우를 비교해야 한다. Jev와 다른 제품을 비교하면 모델 크기, 데이터, 구조, 다른 후속 학습까지 함께 달라진다. TypeSafe도 새 모델 구조와 병렬 출력 방식, RLCD를 함께 소개하고 있다.<sup id="fnref:7:1" role="doc-noteref"><a href="#fn:7" rel="footnote">7</a></sup></p>

<p>TypeSafe는 코드 안의 업무 흐름을 평가하는 workflow 평가에서 외부 대형 모델들의 평균 예측을 참조 확률로 사용한다. 그 참조값과 잘 맞는다는 결과가 현실의 결과를 직접 관측했다는 뜻은 아니며, 이 평가 설명으로 RLCD의 학습 데이터까지 알 수 있는 것도 아니다.<sup id="fnref:7:2" role="doc-noteref"><a href="#fn:7" rel="footnote">7</a></sup></p>

<h2 id="3-다른-구현들을-보며-예상하는-자동화-모델의-방향">3. 다른 구현들을 보며 예상하는 자동화 모델의 방향</h2>

<p>OpenAI의 API 담당자 Nikunj Handa는 DevDay 인터뷰에서 초기 Decisions API를 위해 새 모델을 훈련하지 않고 기존 Luna 가중치를 그대로 사용했다고 설명했다. 출력 형식을 제약하고 여러 질문을 병렬로 처리하며 추론 속도를 최적화했다는 것이다. 이미지 이해 능력도 Luna에서 가져왔다고 밝혔다.<sup id="fnref:8" role="doc-noteref"><a href="#fn:8" rel="footnote">8</a></sup></p>

<p>모델 내부의 표현을 출력으로 바꾸는 부분인 헤드를 교체했는지까지는 설명하지 않았다.</p>

<p>공식 문서에서도 Decisions API가 텍스트와 이미지를 입력받아 조건의 참·거짓 확률, 선택지, 점수를 반환하는 것을 확인할 수 있다.<sup id="fnref:9" role="doc-noteref"><a href="#fn:9" rel="footnote">9</a></sup></p>

<p>Kev, Jeff, Strands Decider는 기존 모델에 추가 학습을 적용한다. 공개 문서에서 확인한 학습 범위는 다음과 같다.</p>

<table>
  <thead>
    <tr>
      <th>프로젝트</th>
      <th>공개된 학습 방식</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>Kev</td>
      <td>0.8B·4B·9B는 기존 모델을 고정하고 작은 추가 가중치인 어댑터와 출력 헤드를 학습한다. 27B는 전체 가중치를 미세조정한다.<sup id="fnref:10" role="doc-noteref"><a href="#fn:10" rel="footnote">10</a></sup></td>
    </tr>
    <tr>
      <td>Jeff (<code>firelex/jeff</code>)</td>
      <td>기반 모델의 전체 가중치 미세조정과 후처리 확률 보정을 사용한다. 업무별 어댑터도 제공한다.<sup id="fnref:11" role="doc-noteref"><a href="#fn:11" rel="footnote">11</a></sup></td>
    </tr>
    <tr>
      <td>Strands Decider</td>
      <td>다음 단어를 예측하는 출력 헤드를 후보별 점수를 매기는 헤드로 바꾸고, 기반 모델에도 작은 추가 가중치를 학습하는 LoRA를 적용한다.<sup id="fnref:12" role="doc-noteref"><a href="#fn:12" rel="footnote">12</a></sup></td>
    </tr>
  </tbody>
</table>

<p>Kev 안에서도 모델 크기에 따라 학습 범위가 다르다. 벤치마크에 “Jev와 근접”이라고 쓰여 있어도 어느 크기와 버전, 어떤 평가 조건에서 얻은 결과인지 함께 읽어야 한다.</p>

<p>오픈소스 Laya는 보정된 결정을 목표로 하는 자체 RLCD 접근을 공개했다. 정직하게 확률을 예측할수록 기대 보상이 높아지는 점수 규칙을 학습에 사용한다고 설명한다. Jev와 비슷한 목표를 추구하는 사례지만, Jev의 비공개 학습법을 재현했다는 뜻은 아니다.<sup id="fnref:13" role="doc-noteref"><a href="#fn:13" rel="footnote">13</a></sup></p>

<p>Laya의 문서에는 배포된 기본 모델이 과신하는 경향이 있고, 사용자 데이터에서 확률을 추가로 보정해야 한다는 설명도 있다. 목표에 calibration이 들어간다고 해서 새로운 업무에서도 확률이 자동으로 맞아지는 것은 아니다.</p>

<p>자동화가 맡는 판단이 늘어나면, 평범한 입력에서 맞히는 비율뿐 아니라 애매한 상황에서 얼마나 과신하는지가 직접적인 문제가 된다. 틀린 판단이 다음 처리로 이어지는 것을 막으려고 사람이 매번 확인해야 한다면, 자동화할 수 있는 범위가 거기서 막히기 때문이다.</p>

<p>나는 앞으로 <strong>결정의 정확성과 확률 보정을 직접 학습하는 모델이 늘어날 것</strong>이라고 예상한다. RLCD는 그 방향에서 유력한 접근이라고 생각한다. Jeff처럼 추가 학습과 후처리 보정을 결합하는 방법도 있으므로, 실제로 어떤 학습 방식이 우세해질지는 더 지켜보고 싶다.</p>

<h2 id="4-멀티모달-판단에서-로봇의-행동-선택으로">4. 멀티모달 판단에서 로봇의 행동 선택으로</h2>

<p>Luna처럼 이미지와 텍스트를 함께 다루는 멀티모달 모델에서도 RLCD의 효과를 기대한다.</p>

<p>로봇 분야의 VLA(Vision-Language-Action)는 시각과 언어 입력을 받아 행동을 출력하는 모델 계열이다. 특정 학습법의 이름이 아니므로, RLCD와 비슷한 목표를 적용하더라도 그 모델은 여전히 VLA일 수 있다.</p>

<p>좀 더 구체적으로는 행동 후보의 성공 가능성을 평가하는 부분을 생각해볼 수 있다. 예를 들어 로봇이 컵을 옮길 때 “지금 위치에서 집기”와 “시점을 바꾼 뒤 집기” 중 어느 쪽이 성공할 가능성이 높은지 판단하는 것이다.</p>

<p>이때 성공할 확률을 예측하는 것과 로봇팔이 실제로 움직일 경로를 만드는 것은 서로 다른 일이다. 판단 결과를 행동으로 바꾸고, 행동 뒤에 달라진 상황을 다시 관측하는 과정까지 연결해야 한다. 다음은 내가 생각하는 결합 방식이지, Jev가 공개한 로봇 구조는 아니다.</p>

<pre><code>sequenceDiagram
    participant E as 로봇과 환경
    participant C as 행동 생성·제어
    participant D as 확률을 예측하는 판단 모델
    E-&gt;&gt;C: 현재 이미지와 로봇 상태
    C-&gt;&gt;D: 관측, 목표, 행동 후보
    D--&gt;&gt;C: 후보별 성공 확률
    C-&gt;&gt;E: 후보 선택 후 움직임 실행
    E--&gt;&gt;C: 실행 뒤 새 관측
    C-&gt;&gt;D: 바뀐 상태에서 다음 후보 평가
</code></pre>

<p>이 연결에서는 한 번의 분류 정확도 외에도 여러 동작을 이어서 작업을 끝내는지, 움직임이 끊기지 않는지, 예상과 다른 결과가 나왔을 때 다시 판단할 수 있는지 확인해야 한다. 이전에 피지컬 AI를 정리하면서도 관심을 뒀던, 관측과 실제 행동을 연결하는 문제다.<sup id="fnref:14" role="doc-noteref"><a href="#fn:14" rel="footnote">14</a></sup></p>

<p>VLA에 강화학습을 적용하는 연구는 이미 있다. OpenVLA를 대상으로 한 연구는 지도 미세조정과 RL을 비교해, 물체 위치나 로봇의 시작 자세가 달라진 조건에서는 RL의 개선이 컸지만 시각 조건의 변화에서는 비슷한 성능을 보고했다.<sup id="fnref:15" role="doc-noteref"><a href="#fn:15" rel="footnote">15</a></sup> 이것이 RLCD의 효과를 검증한 것은 아니다.</p>

<p>그래서 지금 기대하는 변화는 <strong>보정된 판단을 학습하는 방식이 VLA의 행동 선택과 성공 가능성 평가에 들어가는 것</strong>이다. 실제 행동 결과를 모아 이 확률을 학습하고 검증할 수 있다면, 로봇이 다음 행동을 선택하는 방식에도 영향을 줄 수 있을 것 같다.</p>

<h2 id="마치며">마치며</h2>

<p>나는 Jev의 실사용 성능 차이에서 RLCD의 기여가 클 것이라고 추측한다. 앞으로는 <strong>결정의 정확성과 확률 보정을 직접 학습하는 모델이 늘어날 것</strong>이라고 생각한다.</p>

<p>특히 이 변화가 멀티모달 판단과 로봇의 행동 선택까지 이어질 것으로 기대한다.</p>

<hr>




  
  
  
</article></div>

Haandol

TL;DR
Jev의 실사용 우세에는 RLCD의 기여가 클 것이라 추측한다.
결정의 정확성과 확률 보정을 직접 학습하는 모델이 늘어날 것이라 예상한다.
RLCD는 그런 학습을 위한 유력한 접근이라고 생각한다.
시작하며
Jev가 나오고 Kev, Jeff, Strands Decider, OpenAI Decisions처럼 분류나 점수 예측을 빠르게 붙여볼 수 있는 모델과 API들이 나왔다. 긴 답변을 생성하는 대신 정해진 선택지와 확률을 돌려주므로, 앱의 초기 버전에 AI 판단을 넣기 좋아 보였다.
일부 프로젝트가 공개한 벤치마크에서는 Jev와의 차이가 작아 보였다. 하지만 내가 써본 과제에서는 Jev 쪽이 꽤 더 잘된다는 느낌을 받았다.
오픈모델이 벤치마크에서 상용모델을 이겼다고 해도, 실제로는 조금만 어려운 일을 시키면 오동작하는 경우와 비슷하다.
벤치마크 점수가 비슷하더라도, 내가 써본 범위에서는 아직 Jev를 대체하기 어려워 보였다.
이 차이를 보면서 관심이 생긴 것이 Jev의 학습 방식인 RLCD다. Jev를 만든 TypeSafe는 사람이 선호하는 답변과 소프트웨어가 바로 사용할 판단에 서로 다른 학습 목표가 필요하다고 주장한다. 나는 이 문제의식에 동의하고, Jev와 다른 결정 모델의 실사용 차이에 RLCD가 크게 기여했을 것이라고 추측한다.
앞으로는 결정의 정확성과 확률 보정을 직접 학습하는 모델이 늘어날 것이라고 생각한다. RLCD는 그 방향의 유력한 접근으로 보고 있다. 제품과 구현에 대한 설명은 2026년 10월 8일 기준이다.
1. 질문 하나를 뒤집으면 달라지는 벤치마크
결정 모델을 바꾸면 같은 질문을 이해하는 방식부터 달라질 수 있다. AI 평가 도구를 만드는 Arize가 공개한 비교에 이런 사례가 있다.1
이 실험은 답변의 내용이 주어진 자료로 뒷받침되는지 판단하게 한다. 같은 테스트 사례 1,338개에 대해 “모든 주장이 근거를 갖고 있는가?”와 “근거 없는 주장이 포함되어 있는가?”를 각각 물었다. 질문의 긍정과 부정이 반대이므로 기대하는 답의 방향도 뒤집혀야 한다.
모델
      모든 주장에 근거가 있는가?
      근거 없는 주장이 있는가?
    
Jev 1.13
      0.93
      0.93
    
OpenAI Decisions
      0.90
      0.89
    
Kev 9B
      0.85
      0.54
    
Strands Decider 2B
      0.75
      0.26
    
표의 값은 정답률이 아니라 ROC AUC다. 여기서는 근거 있는 답변과 근거 없는 답변을 모델의 점수로 얼마나 잘 구별하는지 나타내며, 1에 가까울수록 좋고 0.5면 무작위 수준이다. 모델명에 붙은 B는 매개변수 수를 10억 단위로 표시한 것이다.
Jev와 OpenAI Decisions는 두 표현에서 비슷한 결과를 냈지만, Kev와 Strands Decider는 크게 달라졌다.
이 표는 Arize가 실행한 특정 모델·질문·데이터의 결과다. 내가 모델을 쓰며 느낀 차이의 원인을 입증하지는 않지만, 한 가지 표현으로 얻은 점수가 실제 앱에서 쓰게 될 질문까지 대표하지는 않는다는 점은 잘 보여준다.
Jev도 예외 없이 잘되는 모델은 아니다. 공식 문서는 Jev 1.13이 정확한 계산, 여러 단계를 거치는 간접 추론, 무관한 정보가 많은 긴 문맥이나 선택지 순서에 취약할 수 있다고 설명한다.2 대체 모델을 고를 때는 공개 순위와 함께, 내 질문의 표현과 선택지 순서를 바꿔도 판단이 유지되는지 보고 싶다.
2. RLCD는 무엇을 다르게 학습하려는가
2.1. 영상에서 말하는 Jev의 출발점
질문 표현에 따라 결과가 달라지는 현상을 보면, 모델이 무엇을 잘하도록 학습됐는지도 궁금해진다. TypeSafe의 창업자 Diogo Almeida는 InstructGPT 논문의 공저자이자 ChatGPT 개발에 참여한 연구자다.34
Jev 출시 전에 진행한 그의 발표를 세 가지로 요약하면 다음과 같다.
보조와 자동화는 성공 조건이 다르다. 사람과 함께 일하는 AI와, 사람이 계속 지켜보지 않아도 일을 끝내는 AI를 구분한다. (4:29–5:11)
사람의 선호가 업무의 성공을 보장하지는 않는다. 선호하는 답변을 보상하면 틀려도 그럴듯하게 말하는 쪽으로 유도될 수 있다고 주장한다. (5:57–8:22)
소프트웨어 자체가 더 많은 일을 하게 만들고 싶다. 코드를 싸게 만드는 것에 더해, 소프트웨어 안에서 판단과 불확실성을 제공하는 모델을 목표로 삼는다. (10:49–16:19)
2.2. 사람이 좋아하는 답변을 학습한다는 것
그는 많은 자료의 패턴을 배우는 사전학습으로 얻은 능력 자체보다, 그 능력을 끌어내는 방식에 문제의식을 갖고 있다. 사람이 선호하는 답변을 보상하면, 불확실성을 드러내기보다 자신 있게 답하는 쪽으로 모델이 유도될 수 있다는 것이 Almeida의 해석이다.4
강화학습(RL, Reinforcement Learning)은 모델이 정해진 보상을 더 많이 얻는 행동을 하도록 학습하는 방법이다. 보상이 무엇을 평가하느냐에 따라 잘하게 되는 일도 달라진다.
예를 들어 국어 교과서의 표현을 익힌 모델이 친구끼리 대화하는 상황에서 “내 친구 철수야, 밥은 먹었니?”라고 답하면 틀린 말은 아니지만 어색하다. 사람의 피드백을 이용한 강화학습인 RLHF에서는 자연스럽다고 평가받는 답변에 보상을 주어 모델의 말투를 조정할 수 있다.
하지만 자연스러운 대화 예시를 따라 배우는 지도 미세조정(SFT)으로도 같은 방향의 개선이 가능하다. InstructGPT 역시 시범 답변으로 학습하는 단계와 사람의 선호를 이용한 강화학습 단계를 구분한다.3 자연스러운 말투가 RL 전체의 목적도 아니고, RL이 없으면 현실에 맞는 분류를 할 수 없는 것도 아니다.
수학 답이나 코드 실행 결과처럼 맞았는지 확인할 수 있는 결과를 보상하는 방식도 있다. 이를 RLVR, 검증 가능한 보상을 이용한 강화학습이라고 부른다. Jev는 결정과 함께 반환하는 확률이 얼마나 정확한지에도 학습 목표를 둔다.
2.3. 80%라는 숫자를 코드에서 사용할 수 있으려면
TypeSafe가 제시한 RLCD의 정식 이름은 Reinforcement Learning for Calibrated Decisions다. 정해진 형태의 결정과 함께 실제 결과에 맞게 보정된 확률을 반환하는 것을 목표로 한다.5
예를 들어 고객 문의가 환불 요청일 확률을 예측한다고 하자. 모델이 약 80%라고 답한 문의를 충분히 모았을 때, 실제로도 약 80%가 환불 요청이면 그 구간의 확률이 잘 보정되어 있다고 할 수 있다. 이것이 calibration, 즉 확률 보정이다.
이때 80%는 그 문의 하나의 정답을 보장하지 않는다. 또 실제 문의의 절반이 환불 요청이라고 해서 모든 문의에 50%를 반환하면 전체 비율은 맞출 수 있지만, 어떤 문의를 환불 담당자에게 보내야 하는지 구별하는 데는 도움이 되지 않는다. 잘 맞히는 능력과 불확실성을 정확하게 표현하는 능력이 함께 필요하다.
확률을 믿고 쓸 수 있다면 코드에서 자동 처리할 범위를 정하기 쉬워진다. 예를 들어 확률이 높은 문의는 바로 분류하고, 애매한 문의는 추가 정보를 찾거나 더 큰 모델로 넘길 수 있다. 그 기준값은 실제 문의와 오분류 비용을 보고 정해야 한다.
Jev API를 쓸 때는 개별 선택지의 probability와 별도의 confidence도 구분해야 한다. 선택형 질문인 Choice와 점수형 질문인 Score의 confidence는 반환된 확률 분포를 요약한 값이므로, confidence: 0.8을 곧바로 정답률 80%로 읽어서는 안 된다.6
내가 RLCD에서 흥미롭게 보는 부분은 이런 불확실성까지 소프트웨어가 사용할 출력으로 다룬다는 점이다. 매번 사람이 답변을 읽지 않고도 다음 처리를 정하려면, 맞는 답을 고르는 것만큼 틀릴 가능성을 표현하는 방식도 중요해진다.
2.4. RLCD에서 큰 차이가 생겼을 것이라는 추측
나는 이런 학습 목표의 차이가 Jev의 실사용 성능에 큰 영향을 줬을 것이라고 생각한다. 정답을 고르는 능력과 불확실성을 표현하는 능력을 함께 학습하면, 애매한 사례에서 과신하는 판단을 줄일 수 있을 것 같기 때문이다.
다만 확인한 TypeSafe의 출시 글과 학습 설명에서는 RLCD만의 기여를 분리한 ablation, 즉 특정 요소만 제거하거나 바꿔 비교하는 절제실험을 찾지 못했다.57
그 효과를 확인하려면 같은 출발 모델과 데이터, 평가 조건을 두고 RLCD를 적용한 경우와 적용하지 않은 경우를 비교해야 한다. Jev와 다른 제품을 비교하면 모델 크기, 데이터, 구조, 다른 후속 학습까지 함께 달라진다. TypeSafe도 새 모델 구조와 병렬 출력 방식, RLCD를 함께 소개하고 있다.7
TypeSafe는 코드 안의 업무 흐름을 평가하는 workflow 평가에서 외부 대형 모델들의 평균 예측을 참조 확률로 사용한다. 그 참조값과 잘 맞는다는 결과가 현실의 결과를 직접 관측했다는 뜻은 아니며, 이 평가 설명으로 RLCD의 학습 데이터까지 알 수 있는 것도 아니다.7
3. 다른 구현들을 보며 예상하는 자동화 모델의 방향
OpenAI의 API 담당자 Nikunj Handa는 DevDay 인터뷰에서 초기 Decisions API를 위해 새 모델을 훈련하지 않고 기존 Luna 가중치를 그대로 사용했다고 설명했다. 출력 형식을 제약하고 여러 질문을 병렬로 처리하며 추론 속도를 최적화했다는 것이다. 이미지 이해 능력도 Luna에서 가져왔다고 밝혔다.8
모델 내부의 표현을 출력으로 바꾸는 부분인 헤드를 교체했는지까지는 설명하지 않았다.
공식 문서에서도 Decisions API가 텍스트와 이미지를 입력받아 조건의 참·거짓 확률, 선택지, 점수를 반환하는 것을 확인할 수 있다.9
Kev, Jeff, Strands Decider는 기존 모델에 추가 학습을 적용한다. 공개 문서에서 확인한 학습 범위는 다음과 같다.
프로젝트
      공개된 학습 방식
    
Kev
      0.8B·4B·9B는 기존 모델을 고정하고 작은 추가 가중치인 어댑터와 출력 헤드를 학습한다. 27B는 전체 가중치를 미세조정한다.10
    
Jeff (firelex/jeff)
      기반 모델의 전체 가중치 미세조정과 후처리 확률 보정을 사용한다. 업무별 어댑터도 제공한다.11
    
Strands Decider
      다음 단어를 예측하는 출력 헤드를 후보별 점수를 매기는 헤드로 바꾸고, 기반 모델에도 작은 추가 가중치를 학습하는 LoRA를 적용한다.12
    
Kev 안에서도 모델 크기에 따라 학습 범위가 다르다. 벤치마크에 “Jev와 근접”이라고 쓰여 있어도 어느 크기와 버전, 어떤 평가 조건에서 얻은 결과인지 함께 읽어야 한다.
오픈소스 Laya는 보정된 결정을 목표로 하는 자체 RLCD 접근을 공개했다. 정직하게 확률을 예측할수록 기대 보상이 높아지는 점수 규칙을 학습에 사용한다고 설명한다. Jev와 비슷한 목표를 추구하는 사례지만, Jev의 비공개 학습법을 재현했다는 뜻은 아니다.13
Laya의 문서에는 배포된 기본 모델이 과신하는 경향이 있고, 사용자 데이터에서 확률을 추가로 보정해야 한다는 설명도 있다. 목표에 calibration이 들어간다고 해서 새로운 업무에서도 확률이 자동으로 맞아지는 것은 아니다.
자동화가 맡는 판단이 늘어나면, 평범한 입력에서 맞히는 비율뿐 아니라 애매한 상황에서 얼마나 과신하는지가 직접적인 문제가 된다. 틀린 판단이 다음 처리로 이어지는 것을 막으려고 사람이 매번 확인해야 한다면, 자동화할 수 있는 범위가 거기서 막히기 때문이다.
나는 앞으로 결정의 정확성과 확률 보정을 직접 학습하는 모델이 늘어날 것이라고 예상한다. RLCD는 그 방향에서 유력한 접근이라고 생각한다. Jeff처럼 추가 학습과 후처리 보정을 결합하는 방법도 있으므로, 실제로 어떤 학습 방식이 우세해질지는 더 지켜보고 싶다.
4. 멀티모달 판단에서 로봇의 행동 선택으로
Luna처럼 이미지와 텍스트를 함께 다루는 멀티모달 모델에서도 RLCD의 효과를 기대한다.
로봇 분야의 VLA(Vision-Language-Action)는 시각과 언어 입력을 받아 행동을 출력하는 모델 계열이다. 특정 학습법의 이름이 아니므로, RLCD와 비슷한 목표를 적용하더라도 그 모델은 여전히 VLA일 수 있다.
좀 더 구체적으로는 행동 후보의 성공 가능성을 평가하는 부분을 생각해볼 수 있다. 예를 들어 로봇이 컵을 옮길 때 “지금 위치에서 집기”와 “시점을 바꾼 뒤 집기” 중 어느 쪽이 성공할 가능성이 높은지 판단하는 것이다.
이때 성공할 확률을 예측하는 것과 로봇팔이 실제로 움직일 경로를 만드는 것은 서로 다른 일이다. 판단 결과를 행동으로 바꾸고, 행동 뒤에 달라진 상황을 다시 관측하는 과정까지 연결해야 한다. 다음은 내가 생각하는 결합 방식이지, Jev가 공개한 로봇 구조는 아니다.
sequenceDiagram
    participant E as 로봇과 환경
    participant C as 행동 생성·제어
    participant D as 확률을 예측하는 판단 모델
    E->>C: 현재 이미지와 로봇 상태
    C->>D: 관측, 목표, 행동 후보
    D-->>C: 후보별 성공 확률
    C->>E: 후보 선택 후 움직임 실행
    E-->>C: 실행 뒤 새 관측
    C->>D: 바뀐 상태에서 다음 후보 평가
이 연결에서는 한 번의 분류 정확도 외에도 여러 동작을 이어서 작업을 끝내는지, 움직임이 끊기지 않는지, 예상과 다른 결과가 나왔을 때 다시 판단할 수 있는지 확인해야 한다. 이전에 피지컬 AI를 정리하면서도 관심을 뒀던, 관측과 실제 행동을 연결하는 문제다.14
VLA에 강화학습을 적용하는 연구는 이미 있다. OpenVLA를 대상으로 한 연구는 지도 미세조정과 RL을 비교해, 물체 위치나 로봇의 시작 자세가 달라진 조건에서는 RL의 개선이 컸지만 시각 조건의 변화에서는 비슷한 성능을 보고했다.15 이것이 RLCD의 효과를 검증한 것은 아니다.
그래서 지금 기대하는 변화는 보정된 판단을 학습하는 방식이 VLA의 행동 선택과 성공 가능성 평가에 들어가는 것이다. 실제 행동 결과를 모아 이 확률을 학습하고 검증할 수 있다면, 로봇이 다음 행동을 선택하는 방식에도 영향을 줄 수 있을 것 같다.
마치며
나는 Jev의 실사용 성능 차이에서 RLCD의 기여가 클 것이라고 추측한다. 앞으로는 결정의 정확성과 확률 보정을 직접 학습하는 모델이 늘어날 것이라고 생각한다.
특히 이 변화가 멀티모달 판단과 로봇의 행동 선택까지 이어질 것으로 기대한다.
Arize, Decision model benchmark. 질문 반전 실험의 공개 결과 중 네 모델을 인용했다. 이 글을 위해 실험을 재실행한 것은 아니다. ↩
TypeSafe, Jev 1.13 jaggedness. 2026년 10월 2일 검토된 공식 한계 문서. ↩
Long Ouyang 외, Training language models to follow instructions with human feedback. InstructGPT의 지도 미세조정과 사람의 피드백을 이용한 강화학습을 설명한다. ↩ ↩2
Diogo Almeida, Jev CEO: I made ChatGPT, now I’m building what’s next, AI Engineer. 요약과 발언 확인에는 주최 측 전사의 4:29–16:19를 참고했다. Jev 출시 전 연구 방향을 설명한 발표다. ↩ ↩2
TypeSafe, AI primer. RLCD의 학습 목표와 확률 보정의 의미를 설명한다. ↩ ↩2
TypeSafe, Confidence. 선택지의 확률과 분포에서 계산하는 confidence의 차이를 설명한다. ↩
TypeSafe, Introducing System One Models & Jev, 2026년 9월 15일. 구조·출력 방식·RLCD와 workflow 평가의 참조값을 설명한다. ↩ ↩2 ↩3
Latent Space, DevDay 2026 인터뷰. Nikunj Handa의 27:36–28:43 발언. 초기 Decisions API의 Luna 가중치 재사용과 출력 제약·병렬 처리, 시각 기능에 관한 설명이다. ↩
OpenAI, Decisions API 가이드. ↩
jaredpalmer/kev, Models 및 학습 설명. ↩
firelex/jeff, Train your own. 이 글의 Jeff는 해당 저장소를 가리킨다. ↩
Strands Decider, Architecture. ↩
NandhaKishorM/laya, Fine-Tuning 및 Calibration. ↩
간단히 설명한 피지컬 AI. 로봇의 관측에서 행동을 만들고 다시 관측하는 과정에 대한 이전 정리다. ↩
What Can RL Bring to VLA Generalization? An Empirical Study, NeurIPS 2025. ↩

Jev 가 만들어진 이유.

댓글