Anthropic이 판도를 바꿨다: Fable 5.2 배포가 빌더들에게 모든 것을 변화시키는 이유

The Rundown이나 Ben's Bites 😂 같은 곳에서 밤늦게까지 올라오는 소식들을 계속 지켜봤다면, Anthropic의 최신 출시로 인해 시간표 자체가 완전히 혼란에 빠졌다는 것을 이미 알고 있을 것입니다. Claude Fable 5.2와 Mythos 5.2가 방금 배포되었는데, 솔직히 말해서 기능상의 변화는 정말 놀랍습니다.

VALS 지표에 대해 이야기해 봅시다. Fable 5.2는 공식적으로 71.31%로 최고 자리를 차지했으며, Gemini 4 Carbon(70.45%)을 근소하게 앞섰습니다. 정말 놀라운 점은 GPT-6 Astra가 스택의 더 낮은 위치인 65.02%에 자리 잡고 있으며, Meta의 Wonder Full(66.79%)보다 뒤처져 있다는 것입니다. 한동안 리더보드는 느린 움직임처럼 느껴졌지만, Fable이 이렇게 급상승하는 것을 보니 계산 자체가 완전히 달라집니다.

벤치마크는 멋지지만, 실제로 커뮤니티에서 선보이는 결과물들이 제 주의를 사로잡은 부분입니다. 우리는 텍스트 및 코드 생성 단계를 훨씬 넘어 완전한 환경 오케스트레이션(environment orchestration)으로 나아가고 있습니다.

제가 이미 발견한 몇 가지 커뮤니티 빌드들을 소개합니다 -

1. 모델이 Blender를 제어하는 Python 코드를 작성하도록 하여 만든 공룡 애니메이션.
2. 8개의 꿈결 같은 세계를 배를 타고 여행할 수 있는 플레이 가능한 브라우저 게임.
3. 작동하는 1인칭 슈팅(first-person shooter) 데모.
4. 레오나르도 다 빈치의 발명품의 인터랙티브 디지털 버전들.
5. Opus 5.5 에이전트의 도움으로 단 30분 만에 만들어진 자연 애니메이션.
6. 햇빛이 물에 반사되는, 완전히 구현된 3D 이스탄불 해안가 장면.

모델이 방금 출시되었는데 사람들은 이미 엄청난 것들을 만들고 있습니다. 정말 매혹적입니다.

진정한 업그레이드: 노력 파라미터(Effort Parameters)

Fable 5.2와 더 광범위한 Mythos 5.2 아키텍처에서 실제로 판도를 바꾼 것은 단순히 원시 출력(raw output) 자체가 아니라, '노력 매개변수(effort parameters)'의 도입입니다. 모델이 복잡한 논리 퍼즐과 단순 데이터 추출 프롬프트를 동일한 컴퓨팅 자원으로 처리하는 대신, 이제 API 레벨에서 노력을 높이거나 낮출 수 있습니다. 사용자는 모델에게 답변을 반환하기 전에 얼마나 오래 생각해야 하는지 또는 몇 개의 토큰을 소모해야 하는지를 명시적으로 지시할 수 있습니다. 예를 들어, 빠른 요약이 필요하다면 노력을 낮게 유지하세요. 3D 공룡 애니메이션을 위해 Blender를 제어하는 자율 Python 스크립트를 구축하려면, 노력을 최대로 끌어올려 충분히 처리하도록 맡기세요 😂

그렇다면 Anthropic은 정확히 어떻게 이를 구현했으며, 이것이 우리에게 왜 중요할까요?

만약 제가 이달 초에 작성한 Goodfire의 내부 논리 학습 방법론 분석 글을 읽으셨다면, 이미 그 방향성은 명확했습니다. Anthropic은 유사한 내부 추론 흔적(internal reasoning traces)에 크게 의존한 것으로 보입니다. 모델이 자신의 논리를 명시적으로 도출하도록 훈련하고, 사후 학습 과정(post-training)에서 잘못된 추론 경로를 강력하게 페널티화함으로써, 그들은 동적 추론 스케일링(dynamic inference scaling)을 구현했습니다. 더 이상 단순히 매개변수 개수를 무작정 늘리는 것이 아니라, 모델에게 생각하는 시간을 효율적으로 할당하는 방법을 가르치고 있는 것입니다.

경제적인 관점에서도 이는 엄청난 변화입니다. '두 번째 뇌'를 연결하거나 개발자 티어(developer tiers)에 크게 의존하는 모든 사람에게 토큰 소모량은 실질적인 문제입니다. 노력 매개변수는 간단한 API 호출에 대해 과도하게 비용을 지불하는 것을 막아줍니다. 사용자는 오직 고난도의 추론 작업에만 예산을 사용할 수 있습니다.

개발자와 빌더들에게 이것은 우리가 구축하는 방식을 변화시킵니다. 이제 저렴하고 노력이 적게 드는 Fable 호출이 들어오는 사용자 요청을 처리하고, 극도로 복잡한 기술적 과제만을 고노력 Mythos 에이전트에게 라우팅하는 애플리케이션을 설계할 수 있습니다. 이는 API 예산을 소진하지 않으면서도 노트북에서 직접 다중 에이전트 AI 도구를 구축하기 위한 진입 장벽을 낮춥니다.

이번 발표는 개발자 통제력 측면에서 거대한 도약을 의미하는 것 같습니다.

혹시 '노력 설정(effort settings)'을 사용해 보셨다면, 댓글로 알려주세요. 그리고 그것이 토큰 사용량에 어떤 영향을 미치는지도 함께 말씀해주시면 감사하겠습니다. 😄