알리바바 그룹(Alibaba Group)이 AI 모델 큐웬 제품군 가운데 현재까지 가장 뛰어난 성능을 갖춘 ‘큐웬4-Max (Qwen4-Max)’를 공개했다.
큐웬4-Max는 총 2조 4,000억 개의 파라미터를 갖추고 있으며, 네이티브 비전 기능과 최대 100만 토큰의 컨텍스트 윈도우를 지원한다. 업무와 창작, 연구 분야의 복잡한 과제를 수행하는 데 높은 성능을 보인다.
큐웬4-Max는 주요 벤치마크에서 상위권 성적을 기록했으며, 특히 코딩과 에이전틱 작업, 시각 추론 분야에서 높은 성능을 보였다. 실제 코딩 성능을 평가하는 리더보드인 Code Arena에서 6위에 올랐으며, 에이전트 워크플로, 업무 생산성, 시각 추론을 평가하는 전문 벤치마크인 Agents' Last Exam, Vals Index, JobBench, Chartography 등에서도 높은 점수를 기록했다.
721개 전문 분야의 고난도 산업 과제 수행 능력을 평가하는 알리바바의 자체 벤치마크 Work360에 따르면, 큐웬4-Max는 이전 모델인 큐웬3.8-Max보다 전반적으로 우수한 성능을 보였다. 높은 추론 강도(High effort) 설정에서는 토큰 사용량을 35% 줄였으며, 작업당 평균 비용도 약 60% 절감했다.
이러한 성능 향상은 어텐션, 잔차 연결(residual connection), 임베딩 전반에 걸쳐 희소 전문가 혼합(MoE) 설계를 고도화한 새로운 큐웬4 아키텍처에 기반한다. 큐웬4-Max는 총 2조 4,000억 개의 파라미터를 갖춘 MoE 모델로, 토큰을 처리할 때마다 710억 개의 파라미터만 활성화한다. 이는 같은 2조 4,000억 개 규모의 큐웬3.8-Max보다 활성 파라미터를 25% 줄인 것으로, 추론 비용은 낮추면서 모델 성능을 높인 것이 특징이다.
큐웬4-Max는 현재 QwenCloud에서 토큰 플랜(Token Plan)과 API를 통해 이용할 수 있다. 사용자는 QwenWork, QwenStudio 등 알리바바 플랫폼에서도 이 모델을 이용할 수 있다. 캐시 적중(Implicit Cache Hit)이 적용된 입력 토큰의 요금은 100만 토큰당 0.075달러다. 큐웬4 시리즈의 상대적으로 규모가 작은 오픈 웨이트(open-weight) 모델도 곧 전 세계 개발자에게 공개될 예정이다.
리소스 효율 개선 및 생산성 향상
큐웬4-Max는 클라우드 인프라 환경에 적용할 수 있도록 설계된 고도화된 클라우드 자원 스케줄링(Cloud Resource Scheduling) 기능을 갖췄다. 이 기능은 폐쇄 루프(closed loop) 방식으로 스케줄링 작업을 자율적으로 최적화해 비용을 줄이고 자원 활용 효율을 높인다. 벤치마크 테스트에서는 데이터 어노테이션 작업에 필요한 모델 호출 비용이 평균 9% 감소했으며, 오프라인 CPU 재스케줄링 속도는 14배 이상 빨라졌다.
클라우드 인프라 외에도 큐웬4-Max는 3D 모델링, 게임 개발, 에이전틱 영상 제작 등 전문적인 업무 수행과 콘텐츠 제작을 지원한다. 자동차 제조 분야에서는 생산라인 계획 수립부터 부품 설계, 가공 검증까지 전 과정을 지원한다. 실제 시연에서는 피드백을 반복적으로 반영해 가공 전 과절삭이나 소재 제거 부족 문제를 사전에 파악함으로써, 공작물 가공 프로그램의 수작업 작성 시간을 약 475분에서 24분으로 95% 단축했다. 또한 금융, 법률, 의료 등 다양한 산업 분야에서 현장 밀착형 엔지니어링(Forward-Deployed Engineering, FDE)을 보다 신속하게 수행할 수 있도록 지원한다.
과학적 발견을 위한 장시간 에이전트 구동
에이전틱 AI 시대를 위해 설계된 큐웬4-Max는 장시간에 걸쳐 작업을 자율적으로 수행할 수 있다. 과학 분야에서 큐웬4-Max는 장기 계획(long-horizon planning) 역량을 활용해 디지털 환경에서의 연구와 실제 실험을 연결하는 데 기여한다. 차세대 칩 냉각 과제를 해결하기 위해 큐웬4는 48시간 동안 에이전트를 연속 실행하며 폐쇄 루프 기반의 연구 과정을 네차례 반복했다. 분자 설계와 합성·실험, 능동 학습(active learning)을 결합한 이 과정을 통해 실제 실험으로 성능이 검증된 냉각제 분자를 발견했다.
알츠하이머 연구 실험에서도 큐웬4-Max는 관련 표적 연구부터 분자 설계, 컴퓨터 기반 평가까지 전 과정을 수행하는 역량을 보였다. 이 과정에서 총 454회의 도구 호출과 3,239회의 평가 지표 검토를 자율적으로 수행하며, 24개의 후보 분자를 설계하고 최적화했다.
설계 단계부터 내재화한 안전성
알리바바는 모델 거버넌스를 모델의 전 생애주기에 걸쳐 적용했다. 소프트웨어 엔지니어링 분야의 모델 학습 과정에서는 기능 테스트와 함께 코드 보안 점검을 실시해 인젝션 공격, 메모리 안전성 문제, 접근 제어 결함(broken access control) 등의 취약점을 크게 줄였다. 사이버보안 관련 학습 데이터는 작업 목적에 따라 선별해 취약점 탐지와 개선에 필요한 방어 목적의 자료는 유지하고, 공격에 활용될 수 있는 콘텐츠는 제거했다. 아울러 전용 안전 데이터셋과 추가 학습(post-training)을 통해 화학·생물·방사능·핵(CBRN) 위험에 대한 보호 장치를 강화했다.
|