ZGCM-1 공개, 7B 오픈소스 모델로 대형 AI 추론 추격

지옌 허(Jiyan He) 연구진이 2026년 9월 11일 완전 공개형 7B 파운데이션 모델 'ZGCM-1'을 발표했다. ZGCM-1은 16K 사전학습 손실 도달 시간을 약 4.2배 단축하고 256K 문맥 길이를 지원한다. 이 모델은 수학 추론과 검색 벤치마크에서 Qwen3-235B-A22B 등 초대형 모델과 맞먹는 성능을 기록했다.

언제 어디서 누가 무엇을 공개했나

인공지능 개발에서 왜 효율성이 화두가 되었나

효율성은 과업을 수행하는 동안 실수나 재료, 에너지, 노력, 비용, 시간의 낭비를 피하는 측정 가능한 능력이다. 백과사전 정의에 따르면, 일반적인 의미의 효율성은 어떤 일을 낭비 없이 훌륭하고 성공적으로 수행하는 역량이다. 한정된 연산 자원 안에서 시스템의 산출물을 극대화해야 비용 부담을 낮춘다.

초거대 모델은 천문학적인 컴퓨팅 비용과 메모리 한계를 유발한다. 지옌 허 연구진은 "소형 모델은 열린 웹을 수동적으로 암기할 수는 없지만, 계획적인 내부 사고와 능동적인 외부 도구 사용을 결합해 매개변수 용량의 한계를 극복할 수 있다"고 명시했다. 연구진은 매개변수 규모 대신 구조와 학습 공정 효율성으로 접근 방식을 바꿨다.

독자의 개발 환경과 비용에 어떤 변화가 생기나

독자는 수천억 개 매개변수를 가진 초대형 모델 대신 7B 소형 모델로 엔터프라이즈급 추론 시스템을 자체 구축할 수 있다. 고성능 클라우드 API 호출 요금을 절감하고 내부 인프라에 직접 배포하는 작업이 가능해진다. 온프레미스 인프라를 계획 중인 개발자라면 클라우드 GPU 인프라 비교 분석 관련 정보를 함께 검토하면 좋다. ZGCM-1은 전 단계 가중치와 중간 체크포인트, 훈련 코드, W&B 로그까지 전부 개방했다. 기업은 외부 종속 없이 모델 가중치를 자체 파인튜닝할 수 있다.

숫자로 보는 ZGCM-1의 성능과 효율

ZGCM-1은 초대형 파라미터 모델과의 비교에서 구조적 효율을 입증했다.

매개변수 규모 차이는 나눗셈으로 직접 검증된다. 235B ÷ 7B = 약 33.57배로, Qwen3 모델은 ZGCM-1보다 약 33.6배 크다. ZGCM-1은 이처럼 30배 이상 큰 모델과 수학 추론 및 에이전트 탐색 벤치마크에서 대등한 수준을 기록했다. 사전학습 단계에서도 설계 개선을 통해 16K 손실 도달 시간(time-to-loss) 효율을 기존 대비 약 4.2배 개선했다. 문맥 확장은 16K에서 64K를 거쳐 256K까지 16배(256K ÷ 16K = 16) 순차 확대됐다.

오픈소스 배포 이후 확인된 공개 로드맵은 무엇인가

연구진은 ZGCM-1의 사전학습, 미드트레이닝, 포스트트레이닝 전 단계 모델 가중치를 배포했다. 훈련 코드와 단계별 데이터 세트 레시피, W&B 실험 로그도 공개 목록에 확정 포함됐다. 아키텍처 확장, 지도미세조정(SFT) 품질 프루닝, 긴 문맥 일반화 등 전체 개발 수명주기에서 도출한 8가지 실증 연구 결과가 보고서에 수록됐다. 연구진은 에이전트 스웜이 클러스터 운영과 데이터 큐레이션을 자율 관리하는 체계를 구축해 후속 연구 기반을 마련했다.

출처

1. ZGCM-1: A Fully Open and Extremely Efficient Foundation Model for Math and Agentic Search — arXiv cs.AI 신규 논문
2. Efficiency — Wikipedia (en)

이 기사는 AI 보조 도구로 초안을 작성하고 편집 책임자가 1차 출처와 대조해 사실을 확인한 뒤 수정·게재했습니다. 사실과 다른 내용이 있으면 정정 요청을 보내주세요.