AI 모델 · 모델 발표 · UNREAL LAB 자체 기사
AI가 답변을 포기하자, 에이전트가 빨라졌다…Jev는 왜 말을 하지 않을까
TypeSafe AI의 Jev는 대화를 생성하는 대신, 에이전트가 다음에 무엇을 할지 선택·점수·확률로 돌려주는 모델이다. 빠른 판단이 필요한 곳에는 흥미로운 선택지지만, 정답을 보장하는 자동 조종 장치는 아니다.
대답 대신 ‘다음 행동’을 고른다
지금의 에이전트는 사소한 갈림길에서도 종종 큰 언어 모델을 부른다. 검색을 계속할지, 더 물어볼지, 사람에게 넘길지 판단하려고 긴 문장을 만들고 다시 읽어 들이는 식이다. Jev는 이 중간 단계를 겨냥한다. 문장 대신 미리 정의한 선택, 점수, 참일 확률을 내놓는다. 코드가 이해할 수 있는 모양으로 답을 받으니, 다음 동작까지의 거리가 짧아진다.
빠른 이유는 ‘말을 쓰지 않기’에 있다
TypeSafe의 설명대로라면 Jev는 토큰을 한 글자씩 이어 쓰는 방식 대신, 여러 판단을 병렬로 낸다. 그래서 대화문이나 긴 코드처럼 열려 있는 결과를 만들기보다는 분류·점수화·라우팅에 어울린다. 회사가 제시한 193.6배와 444.6배는 눈길을 끄는 숫자지만, 자사가 설계한 네 가지 워크플로에서 나온 비교다. 그 평가의 기준 답도 사람의 정답지가 아니라 GPT-6 Astra와 Claude Fable 5.1의 평균 예측이다. 빠른 호출은 확인됐더라도, 모든 업무에서 같은 격차가 난다고 읽기는 어렵다.
첫 외부 시험은 강점과 약점을 함께 보여줬다
검색 회사 Parallel은 Jev를 자사 업무에 넣어 시험했다. 검색 결과 상위 10개의 순서를 얼마나 잘 맞추는지 보는 NDCG@10에서는 0.7을 기록해, 자체 재정렬 모델 중 하나와 비슷한 성적을 냈다. 반면 많은 라벨 중 주제를 고르는 분류와 ‘최신 정보가 필요한 검색인가’를 가르는 일에서는 내부 전용 모델이 더 나았다. 이 결과가 던지는 메시지는 단순하다. 학습 데이터와 전용 모델이 아직 없는 팀에는 빠른 출발점이 될 수 있지만, 이미 잘 다듬은 분류기를 무조건 바꿀 이유는 아니다.
에이전트의 손발은 빨라져도 책임은 남는다
Jev가 내놓는 값은 형식이 맞는 값이다. 그렇다고 내용까지 맞는다는 뜻은 아니다. ‘환불 요청’이라는 분류가 API 형식에 맞게 돌아와도, 실제 사연을 잘못 읽었을 수 있다. 그래서 처음에는 사람에게 넘길 기준이 분명한 작은 분기부터 시험하는 편이 낫다. 내 서비스의 실제 문의나 검색 기록으로 오답을 모으고, 어느 확률부터 자동 처리할지 정해야 한다. Jev의 흥미로운 지점은 AI가 사람을 대신해 긴 답을 쓰는 곳보다, 그 답을 쓰기 전에 반복되던 판단을 얼마나 얇게 만들 수 있느냐에 있다.