Meta 에이전트 모델 Muse Wonder 공개, GPT-6.1 Sol 기본 컨텍스트 500k로

Meta Superintelligence Labs가 낸 비공개 가중치 모델 두 종이에요. 핵심 기능은 둘인데, 대화가 바뀌어도 사용자 맥락을 기억해 꺼내 쓰는 Active Memory, 막히면 다른 방법을 시도하며 어려운 목표를 계속 밀고 가되 중요한 행동 전에는 확인을 받는 Active Focus예요. 일반 버전 Muse Wonder는 Meta Model API(muse-wonder-1.0)와 코딩 도구 Muse Code에서 쓸 수 있고 더 큰 Muse Wonder Full은 Muse Code 구독자만 써요. 텍스트·이미지·음성·영상을 받고 컨텍스트는 약 100만 토큰이에요.

API 가격은 입력 100만 토큰당 4달러, 출력 20달러예요. 최상위 모델과 비슷한 가격대에 새 선택지가 하나 생긴 셈이에요. Artificial Analysis 종합 지수는 Wonder 52, Wonder Full 56독립 측정으로 Claude Opus 5.5(58)독립 측정 바로 아래고 장기 소프트웨어 과제 SWE-Marathon에서는 Wonder Full이 57.5업체 주장로 앞선다고 Meta는 주장해요. 장시간 에이전트 작업을 맡기는 팀이라면 비교 평가 후보에 넣어 볼 만해요.

OpenAI가 '28일 동안 매일 개선' 이벤트 7일째에 Codex와 ChatGPT Work의 GPT-6.1 Sol 기본 컨텍스트(모델이 한 번에 기억하는 입력 길이)를 272k에서 500k 토큰으로 약 80% 늘렸어요. 최대 100만 토큰까지는 사용자가 직접 조정할 수 있어요. 구독 사용량으로 쓸 때는 272k를 넘는 구간의 장문 요금도 받지 않기로 했어요.

긴 작업에서 대화를 요약해 줄이는 압축(compaction)이 2~3배 덜 일어난다업체 주장고 해요. 큰 코드베이스를 오래 붙잡는 에이전트 작업이 덜 끊기고 맥락도 덜 잃는다는 얘기예요. 지난 호에서 다룬 Ultrafast 모드의 후속 개선인데, 이번엔 속도가 아니라 '얼마나 많이 기억하나'가 바뀌었어요.

MASS(Multi-Agent Self-Supervision)는 모델 하나가 문제를 푸는 서브에이전트 팀, 팀의 작업 방식을 고치는 최적화 역할, 결과를 채점하는 평가 역할을 모두 맡는 방법이에요. 더 나은 팀 워크플로를 찾은 다음 가장 잘한 팀의 작업 기록으로 모델을 다시 학습(fine-tuning)시켜서 팀의 경험을 모델 안에 넣어요. 오픈 웨이트 Qwen3.6-27B로 실험했고 코드도 공개했어요.

두 번 반복하자 보류된 연구 과제에서 기본 모델 대비 승률이 69.9%업체 주장까지 올랐고 출력 토큰당 점수는 4개 벤치마크에서 1.2~1.6배업체 주장였어요. 단일 에이전트 기록보다 멀티 에이전트 기록이 적은 데이터로도 더 효과적이었다고 해요. 사내 에이전트 로그를 학습 데이터로 다시 쓰려는 팀이라면 참고할 만한 결과예요.

Mistral의 역대 최대 모델이에요. 전체 1조 파라미터 중 작업마다 520억 개만 쓰는 MoE(전문가 혼합, 일부 전문가 층만 골라 계산하는 구조) 모델이고 이미지·문서를 함께 이해하며 160개 이상 언어를 지원해요. 지금은 Mistral Studio API 공개 프리뷰이고, 가중치는 이달 말까지 공개하겠다고 했어요.

가격은 입력 100만 토큰당 1.36달러, 출력 4.18달러로 최상위 비공개 모델보다 훨씬 싸요. 가중치가 풀리면 온프레미스·사내 클라우드 배포도 가능해져요. 에이전트 코딩 DeepSWE v1.1 61.7%업체 주장, 보안 Cybench 93%업체 주장 등 에이전트·보안 작업을 강조하고 있어서 데이터 주권을 중시하는 유럽·공공·금융 쪽에서 특히 눈여겨볼 만해요.