답변게시됨13 소스
프롬프트를 넘어 모델의 ‘개인 역량’으로
통옌링즈는 프롬프트나 검색 정보에만 의존하지 않고, 개인과 조직의 경험을 공유 기반 모델 위의 가벼운 개인화 파라미터에 담겠다는 구상을 제시했다. TIP는 학습과 추론에 GPU 자원을 함께 활용하고, Paged LoRA는 여러 어댑터의 메모리를 유연하게 관리하는 것을 목표로 한다.
게시자GPT-6 Luna로 편집GPT Image 2로 이미지 생성
연구 답변
주요 시사점
- 통옌링즈는 프롬프트나 검색 정보에만 의존하지 않고, 개인과 조직의 경험을 공유 기반 모델 위의 가벼운 개인화 파라미터에 담겠다는 구상을 제시했다.
- TIP는 학습과 추론에 GPU 자원을 함께 활용하고, Paged LoRA는 여러 어댑터의 메모리를 유연하게 관리하는 것을 목표로 한다.
- 공개된 자료는 방향과 테스트 환경을 설명하지만, 완전 자동화된 학습 과정이나 구체적인 지연 시간 개선 수치까지 입증하지는 않는다.
AI 프롬프트
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Tongyan Lingzhi, incubated by the Beijing Institute for General Artificial Intelligence’s industry platform, developing personal AI t. Article summary: Tongyan Lingzhi’s stated approach is to turn accumulated professional knowledge and experience into lightweight, personalized model parameters on top of a shared foundation model, rather than relying exclusively on infor. Topic tags: general, documentation, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, w
통옌링즈가 제안하는 퍼스널 AI의 핵심은 사용자의 업무 경험을 그때그때 프롬프트에 넣는 데 그치지 않고, 반복적으로 쌓인 지식과 판단을 개인이나 조직에 맞는 모델 역량으로 만드는 것이다. 회사는 공통 기반 모델에 가벼운 개인화 파라미터를 결합하는 구조를 구상하고 있다. 다만 공개된 보도만으로는 학습 과정 전체나 안전장치가 실제 서비스에서 완성됐다고 단정하기 어렵다.2
3
정보를 기억하는 AI에서 경험을 학습하는 AI로
많은 AI 서비스는 프롬프트, 검색으로 가져온 자료, 저장된 기억을 활용해 답변을 개인화한다. 통옌링즈가 내세우는 방향은 여기서 한 걸음 더 나아가, 축적된 경험 가운데 무엇을 지속적인 모델 능력으로 반영할지 다루는 것이다.
구상은 **공유 기반 모델(Base Model)**과 **개인화 파라미터(Personal Parameters)**를 나누는 구조다. 기반 모델은 폭넓은 일반 능력을 제공하고, 개인화 파라미터는 개인·프로젝트·직무·조직에 특화된 지식과 행동을 담는다. 보도에 따르면 이 개인화 파라미터는 사용자마다 별도의 대형 기반 모델을 처음부터 학습하는 방식이 아니라, 가벼운 Personal LoRA 어댑터를 활용하는 구상이다.2
3
이 구조가 지향하는 바는 분명하다. 일반 능력은 공유 기반 모델에서 가져오고, 각 주체에게 중요한 경험은 별도의 파라미터에 담는 것이다. 하지만 기반 모델이 바뀔 때 개인화 어댑터를 어떻게 옮기고, 다시 학습하거나 검증하는지는 공개 자료에서 확인되지 않는다. 따라서 기반 모델 업데이트 이후에도 같은 어댑터가 문제없이 호환된다고 볼 근거는 아직 없다.2
3
‘자기 진화’ 구상과 확인되지 않은 과정
통옌링즈는 이 접근의 큰 방향을 **재귀적 자기개선 퍼스널 AI(Recursive Self-Improving Personal AI)**라고 설명한다. AI를 사용하며 개인별 역량이 계속 업데이트되는 시스템을 목표로 한다는 뜻이다.3
그러나 목표를 설명한 것과 실제 학습 절차가 구현됐다는 것은 다르다. 공개된 보도만으로는 업무 기록, 사람의 수정과 결과를 수집하고, 사용자별 평가 기준을 만들고, 반복되는 피드백을 선별해 어댑터를 업데이트한 뒤, 성능을 비교하고 문제가 생기면 이전 상태로 되돌리는 과정이 완전 자동화됐는지 확인할 수 없다.
따라서 현재 확인되는 것은 전문 지식과 업무 흐름을 변화하는 모델 역량으로 만들겠다는 방향이다. 학습 루프의 어느 단계가 자동화됐는지, 실제 운영 단계에 들어갔는지는 별도로 검증돼야 한다.3
학습과 추론을 함께 돌리는 TIP, 어댑터 메모리를 관리하는 Paged LoRA
개인화가 계속 업데이트되려면 모델이 요청에 답하는 동안에도 학습을 지원해야 한다. 또 사용자별 어댑터가 늘어날수록 각 어댑터를 별도 모델처럼 운용하지 않고 메모리와 GPU 자원을 효율적으로 나누는 일이 중요해진다.
**TIP(학습·추론 병렬화)**는 두 작업의 자원을 함께 활용하려는 방식이다. 보도는 같은 GPU와 같은 배치에서 학습과 추론을 병행하고, 그래디언트를 비동기적으로 누적하며, 학습·추론 역할을 빠르게 전환하는 기법을 소개한다. 목표는 온라인 서비스와 Personal LoRA의 점진적 업데이트가 가능한 한 같은 연산 자원을 활용하도록 해, 별도의 학습 자원 풀을 마련해야 하는 부담을 줄이는 것이다.4
Paged LoRA는 여러 개인화 어댑터의 메모리 관리에 초점을 둔다. 어댑터를 고정된 큰 단위로 GPU 메모리에 상주시켜 두는 대신, 페이지 단위 관리와 필요할 때 불러오는 매핑을 통해 여러 어댑터가 기반 모델과 GPU 자원을 더 유연하게 공유하도록 설계됐다고 보도됐다.4
다만 수백 개 직무와 수천 개 에이전트가 필요한 상황은 이런 기술이 해결하려는 규모의 예시이지, 그만한 어댑터가 이미 비용 효율적으로 상용 운영 중이라는 증거는 아니다.
Qwen2.5 테스트에서 공개된 것과 빠진 것
보도에는 Qwen2.5-72B-Instruct와 엔비디아 H800 GPU 8장을 사용해 Paged LoRA와 기존 ‘Flat’ 방식의 LoRA를 비교한 단계별 테스트가 소개됐다. 어댑터 메모리 예산은 5.79GB로 맞췄다고 한다.
하지만 공개된 발췌 내용에는 두 방식의 지연 시간 비교 수치나 꼬리 지연(tail latency) 결과가 담겨 있지 않다. 따라서 테스트 환경은 확인할 수 있어도, 트래픽 조건별 성능 차이를 이 자료만으로 판단하기는 어렵다.
설령 서빙 성능을 충분히 비교한 벤치마크가 있더라도, 그것만으로 학습된 개인 역량의 품질이나 기반 모델 변경 뒤의 호환성, 기존 능력의 저하 여부까지 입증되지는 않는다.
현재까지의 결론과 남은 질문
2026년 10월 22일 기준 공개된 내용이 뒷받침하는 것은 공유 기반 모델과 개인화 파라미터를 결합하는 전략, 업무 경험을 지속 학습으로 연결하려는 목표, 그리고 학습·추론 자원 조율과 어댑터 메모리 관리를 위한 인프라 방향이다.3
4
반면 어떤 구성 요소가 실제 서비스에 준비됐는지, 자기개선 루프가 자동화됐는지, 기반 모델 변경에 따른 어댑터 이전이나 성능 저하 시 롤백이 시연됐는지는 공개 자료로 확인되지 않는다. Qwen2.5 테스트 역시 구체적인 지연 시간이나 꼬리 성능 수치를 뒷받침할 만큼 자세한 결과가 제시되지 않았다.3
4
앞으로는 잘못되거나 오염된 피드백과 유용한 학습 신호를 어떻게 구분하는지, 새 학습이 기존 능력을 잊게 만들지 않는지, 사용자 요구나 기반 모델이 바뀌었을 때 개인화 성능을 어떻게 평가하는지가 중요한 검증 과제가 될 수 있다. 이는 현재 구현된 안전장치에 대한 확인이 아니라, 접근법을 평가하기 위해 남아 있는 질문이다.
요약하면 통옌링즈는 개인과 조직의 지속적인 경험을 가벼운 모델 파라미터에 반영하는 퍼스널 AI 구조와 이를 뒷받침할 인프라를 제시했다. 공개된 근거는 그 방향을 설명하지만, 자율적이고 성능 저하에 안전한 학습 시스템이나 구체적인 성능 개선이 입증됐다고 말해주지는 않는다.2
3
4
Studio Global AI
연구를 계속하세요
이 페이지에는 Studio Global 내에서 계속할 수 있는 소스 기반 답변이 포함되어 있습니다.
사람들은 또한 묻습니다.
"프롬프트를 넘어 모델의 ‘개인 역량’으로"에 대한 짧은 대답은 무엇입니까?
통옌링즈는 프롬프트나 검색 정보에만 의존하지 않고, 개인과 조직의 경험을 공유 기반 모델 위의 가벼운 개인화 파라미터에 담겠다는 구상을 제시했다.
먼저 검증할 핵심 포인트는 무엇인가요?
통옌링즈는 프롬프트나 검색 정보에만 의존하지 않고, 개인과 조직의 경험을 공유 기반 모델 위의 가벼운 개인화 파라미터에 담겠다는 구상을 제시했다. TIP는 학습과 추론에 GPU 자원을 함께 활용하고, Paged LoRA는 여러 어댑터의 메모리를 유연하게 관리하는 것을 목표로 한다.
실무에서는 다음으로 무엇을 해야 합니까?
공개된 자료는 방향과 테스트 환경을 설명하지만, 완전 자동화된 학습 과정이나 구체적인 지연 시간 개선 수치까지 입증하지는 않는다.