Darwin-27B-ZTC-v2: VIDRAFT가 제시하는 에이전트 그래프의 타입 결정 모델 문제에 대한 오픈 웨이트 솔루션

요약: TypeSafe AI의 Jev는 에이전트 의사결정 노드가 채팅 LLM을 필요로 하지 않으며, 구조화되고 확률적인 출력이 필요하다는 것을 입증하며 8억 7천만 달러를 유치했습니다. VIDRAFT는 자체 오픈 웨이트 모델인 Darwin-27B-ZTC-v2를 Apache-2.0 대안으로 포지셔닝하며, System One Mosaic Benchmark 의사결정 엔진 리더보드에서 최고 순위를 차지했다고 주장합니다. 만약 에이전트 그래프를 구축하고 생성된 산문에서 라우팅 로직을 파싱하는 것에 지쳤다면, 이 아키텍처 패턴을 이해할 가치가 있습니다.

개요

75억 달러 규모의 펀드레이징으로 검증된 핵심 주장은 간단합니다. 에이전트 루프 내부의 대부분의 결정은 자연어(natural language)를 전혀 필요로 하지 않습니다. TypeSafe AI의 Jev 모델은 상태와 타입화된 질문 세트를 받아 보정된 확률을 반환하며, 문장이나 파싱, 모호성이 없습니다.

VIDRAFT의 Darwin-27B-ZTC-v2는 오픈 웨이트 대안으로서 동일한 설계 공간에 진입합니다. 출처에서 얻은 주요 사실들은 다음과 같습니다:

• 모델 이름: Darwin-27B-ZTC-v2
• 라이선스: Apache-2.0
• 주장하는 리더보드 순위: System One Mosaic Benchmark 의사결정 엔진 리더보드에서 102개 모델 중 #1
• Borda 점수: 89.58
• 태스크 평균: 66.46
• 접근 방식 이름 (부분): Zero-Token Calibration (ZTC) — 전체 방법 설명은 출처에서 잘렸습니다.

VIDRAFT가 사용하는 프레임워크는 명확합니다. 이는 독점적인 타입 결정 모델에 대한 오픈 대안이며, 동일한 에이전트 그래프 의사결정 노드 사용 사례를 목표로 합니다.

작동 방식

이 아키텍처가 왜 중요한지 이해하려면, 대부분의 개발자가 현재 에이전트에서 LLM을 사용하는 방식에서 벗어나 생각해야 합니다.

일반적인 LLM 기반 에이전트 그래프(예: LangGraph 상태 머신)에서 라우팅 노드는 보통 채팅 모델에 프롬프트를 보내고, 그 텍스트 응답을 파싱하여 어떤 간선(edge)을 탐색할지 결정하는 방식으로 작동합니다. 이는 느리고, 비용이 많이 들며, 취약합니다. 유한하고 미리 정의된 답변 집합을 가진 질문에 전체 생성 추론 예산(generative inference budget)을 소모하고 있는 셈입니다.

타입 기반 결정 모델 패턴(typed-decision model pattern)은 이를 뒤집습니다:

• **라우팅 노드(Routing nodes)**는 그래프의 전이 레이블 자체가 옵션인 Choice 타입 질문을 합니다. 모델은 해석되어야 할 산문(prose) 대신 명시적인 값을 반환합니다.
• 정책 노드(Policy nodes)(예: 안전성 검사)는 Noul 스타일의 질문, 즉 이진(binary) 진술을 하고 0과 1 사이의 확률을 받습니다. 이후 애플리케이션 코드가 자체 임계값 로직을 적용합니다:

  if probability >= 0.9 → execute
  if probability >= 0.6 → human review
  else → blocked

모델이 판단을 제공하고, 애플리케이션이 정책(policy)을 소유합니다.

• **점수화 노드(Scoring nodes)**는 순서적 판단(ordinal judgment)이 필요할 때 정렬된 척도에 따라 평가합니다.

이를 통해 결정 로직이 아닌 부분(null 체크, 입력 유효성 검사, 길이 제한 등)은 원래 있어야 할 일반 애플리케이션 코드에 남아있게 됩니다. if (!input) 같은 경우 모델 호출이 필요 없습니다.

VIDRAFT의 제로-토큰 보정(Zero-Token Calibration, ZTC) 방식(출처에서 이름만 확인되었고 전체 메커니즘은 공개되지 않음)은 Darwin-27B-ZTC-v2가 결정 엔진 벤치마크에서 보여준 성능의 기반이 되는 접근 방식으로 설명됩니다.

소스 커버리지에는 다른 벤치마크 수치, 제거 실험 결과(ablations), 또는 비교 수치는 포함되지 않았습니다.

사용 방법

소스 기사에서는 Darwin-27B-ZTC-v2를 Apache-2.0 오픈 웨이트 모델로 식별하고 있으며, 이는 공개적으로 이용 가능하다는 것을 의미합니다. 하지만 작성 시점에서 이 글은 Hugging Face 리포지토리 URL, GitHub 링크 또는 OpenAI와 호환되는 API 엔드포인트를 명시적으로 확인해주지는 않았습니다.

Apache-2.0 라이선스 주장과 '오픈 웨이트'라는 틀을 고려할 때, 모델은 공개적으로 출시가 확정되면 Hugging Face를 통해 접근 가능할 가능성이 높습니다. 리포지토리가 확인되는 즉시 일반적인 접근 방식은 다음과 같을 것입니다:

# 예시일 뿐입니다 — 실행하기 전에 반드시 Hugging Face에서 실제 리포 이름(repo name)을 확인하세요.
huggingface-cli download vidraft/darwin-27b-ztc-v2

VIDRAFT의 공식 Hugging Face 페이지나 GitHub에서 정확한 리포지토리 경로를 확인하기 전까지는 위의 명령어를 사용하지 마십시오. 위에 언급된 모델 이름은 소스에서 직접 가져온 것이지만, 정확한 리포지토리 경로는 커버리지에서 확인되지 않았습니다.

확정된 접근 지침은 VIDRAFT의 공식 채널을 확인하십시오.

FAQ

Q: 단순히 GPT-4o에 구조화된 출력 스키마로 프롬프팅하는 대신, 타입 결정 모델을 사용해야 하는 이유는 무엇인가요?
A: 주로 비용과 지연 시간 때문입니다. (Jev가 발표한 가격인) 백만 입력 토큰당 $0.042라는 비용으로, 에이전트 실행(agent run)당 수백 번 발동되는 마이크로 결정(micro-decisions)을 자동화하는 것이 경제적으로 실현 가능해집니다. 답변 공간이 이미 열거되어 있는 경우, 모든 라우팅 결정에 대해 전체 채팅 모델 호출은 과도합니다. 동일한 논리가 오픈 웨이트 대안에도 적용됩니다. 즉, Darwin-27B-ZTC-v2를 자체 호스팅(self-host)하고 이를 결정 노드(decision nodes)에만 전용으로 할당하여 범용 LLM 예산(general-purpose LLM budget)을 소모하지 않을 수 있습니다.

Q: Darwin-27B-ZTC-v2가 Jev의 대체재로 바로 사용할 수 있나요?
A: 구조적으로는 동일한 문제를 해결하지만, 출처에서 API 호환성을 확인해주지는 않았습니다. Jev는 문서화된 인터페이스로서 특정 타입의 질문 원시 요소(typed question primitives) (Choice, Score, Noul)를 노출합니다. Darwin-27B-ZTC-v2가 동일한 인터페이스 또는 다른 인터페이스를 노출하는지는 현재 커버리지에서 확인되지 않았으므로, 상호 운용성(interoperability)을 가정하기 전에 VIDRAFT의 문서를 확인해야 합니다.

당무아(베트남)님이 원문 보고 (2026-10-12) — 출처 기사.