Atria Dawn Preview: 상하이 AI 랩의 744B 오픈 에이전트, 무엇이 다른가

상하이 인공지능연구소(Shanghai Artificial Intelligence Laboratory)의 Atria Dawn Preview는 한 번의 질의응답보다 더 긴 작업 흐름을 겨냥한 오픈 웨이트 에이전트 모델이다. 자료를 찾고, 도구를 사용하며, 코드를 작성·실행하고, 결과를 확인한 뒤 실패하면 다시 시도하는 식의 연구·엔지니어링 업무가 주된 목표다. 9월 16일 전후로 보도가 집중됐지만, 가중치는 2026년 9월 11일 공개됐고 기술 보고서는 약 9월 14일 뒤따른 것으로 전해진다. 15

핵심 사양: 744B MoE와 256K 컨텍스트

모델 카드에 따르면 Atria는 7,440억 파라미터 GLM-5.2 Mixture-of-Experts(MoE) 기반 모델 위에 구축된 프리뷰 릴리스다. 텍스트를 입력받아 텍스트를 출력하는 인스트럭트 모델이며, 256K 토큰 컨텍스트 윈도를 지원한다. 지속적인 환경 이해, 도구 사용, 여러 단계에 걸친 과제 완료가 필요한 연구·엔지니어링 작업을 겨냥한다. 9

공개된 버전은 두 가지다.

• Atria-Dawn-Preview: 일반 인스트럭트 체크포인트
• Atria-Dawn-Preview-FP8: FP8 양자화 인스트럭트 체크포인트

두 모델 모두 256K 컨텍스트로 표기되며 Hugging Face와 ModelScope 링크가 제공된다. 9

MoE는 전체 파라미터 규모는 매우 크지만, 추론 때는 일부 전문가(expert)만 선택적으로 활성화하는 구조다. 다만 실제 도입에서 더 중요한 질문은 ‘7,440억’이라는 숫자 자체가 아니다. 계획 수립부터 도구 호출, 실행, 오류 수정까지 긴 작업 사슬을 실제 환경에서 얼마나 안정적으로 이어 갈 수 있느냐가 관건이다.

기존 InternLM 계열과의 차이

상하이 AI 랩은 InternLM 계열과 Intern-S1·Intern-S2 같은 과학·멀티모달 프로젝트를 공개해 왔다. 예를 들어 Intern-S2 프리뷰는 사전학습 규모, 강화학습 과제 범위, 상호작용형 에이전트 환경을 확장하는 방향으로 소개됐다. 18

Atria는 여기서 한발 더 나아가 장기 실행형 에이전트라는 포지션을 선명하게 내세운다. 알려진 작업 흐름은 과제 이해 → 계획 → 도구 사용 → 코드 구현 → 실험·행동 실행 → 결과 점검 → 실패 시 계속 수정의 반복이다. 기술 보고서 관련 보도는 사후학습 방식으로 **Verifiable Experience Pipeline(검증 가능한 경험 파이프라인)**을 언급한다. 이는 도구 사용을 실행 가능한 환경에 연결하고, 외부에서 확인할 수 있는 결과를 학습 신호로 삼기 위한 접근이다. 1315

이 차이는 작지 않다. 일반 기반 모델은 질문에 답하거나 코드 조각을 생성하는 데 강할 수 있다. 반면 에이전트 모델은 작업 상태를 관리하고, 다음 행동을 골라 도구 출력을 해석하며, 여러 단계에 걸친 오류에서도 회복해야 한다. Atria의 핵심 주장은 바로 이 운영 루프를 학습과 평가의 중심에 뒀다는 데 있다.

어떤 업무를 겨냥하나

모델 카드가 제시한 활용 분야는 네 가지다. 9

• 딥 리서치: 근거 수집, 정리, 종합
• 소프트웨어·기술 업무: 소프트웨어, 앱, 시각화, 머신러닝 시스템 구축
• 구조화된 지식 업무: 보고서, 프레젠테이션 등 오피스 산출물 작성
• 승인된 보안 업무: 허가된 환경에서의 분석, 취약점 검증, 조치 및 재검증

특히 보안 활용은 ‘승인된 환경’이라는 제한이 핵심이다. 모델이 취약점 검증이나 조치를 지원한다고 해서, 무단 시스템 테스트가 허용되는 것은 아니다.

오픈 웨이트와 배포: 자유로운 대신 무거운 선택지

Atria는 MIT 라이선스로 제공되며, 가중치는 Hugging Face와 ModelScope에서 받을 수 있다. 프로젝트 자료에는 로컬 서빙을 위한 SGLang 0.5.13.post1 이상, vLLM 0.23.0 이상 지원과 Codex 스타일 클라이언트를 위한 Responses API 설정도 문서화돼 있다. 19

오픈 웨이트는 배포 방식, 데이터 처리, 내부 시스템 연동을 더 직접적으로 통제할 여지를 준다. 그러나 운영이 간단하거나 공짜라는 뜻은 아니다. 보도에 따르면 가중치 파일만 형식에 따라 약 756GB에서 1.5TB 수준이어서, 자체 호스팅 비용은 GPU 인프라로 옮겨간다. 5

즉 팀 입장에서는 다음과 같은 교환관계가 있다.

• 장점: 데이터와 통합 방식에 대한 통제력, 자체 평가·튜닝의 유연성
• 부담: 대규모 GPU, 서빙 경험, 모니터링, 접근 통제와 보안 운영

벤치마크 성적은 어디까지 읽어야 하나

상하이 AI 랩은 16개 평가에서의 결과를 공개했다. 주요 수치는 AutomationBench 53.8, BrowseComp 92.5, DeepSearchQA 96.0, BFCL v4 77.0, CyberGym 86.5다. SWE-bench Pro는 59.6, Terminal-Bench 2.1은 78.3으로 보고됐다. 9

공개된 비교표에서는 앞선 다섯 항목에서 Atria가 나열된 모델 가운데 선두를 차지한다. 하지만 모든 평가에서 최고라는 뜻은 아니다. 같은 표에서 Claude Opus 5는 SWE-bench Pro와 Terminal-Bench 2.1을 비롯한 일부 실전형 소프트웨어 과제에서 더 높은 수치를 기록한 것으로 제시된다. 9

따라서 이를 ‘최고의 에이전트’라는 포괄적 결론으로 해석하기보다는, 다음처럼 좁혀 보는 편이 적절하다.

• 검색·정보 검색, 브라우저 중심 과제, 함수 호출, 포함된 사이버 보안 벤치마크에서 Atria는 주목할 만한 오픈 웨이트 후보로 보인다.
• 이 수치만으로 폐쇄형 프런티어 에이전트 전반보다 우수하다고 단정할 수는 없다.
• 에이전트 벤치마크는 평가 하네스 버전, 프롬프트, 도구 권한, 예산, 재시도 정책, 실행 환경에 크게 좌우된다.

무엇보다 당시 보도에 따르면 이 성적은 개발사가 보고한 결과이며, 중립적 평가기관의 독립 검증은 아직 이뤄지지 않았다. 5

도입 전에 확인할 5가지

Atria는 긴 도구 연동 작업을 처리할 대형 오픈 웨이트 에이전트를 찾는 조직에 특히 흥미로운 선택지다. 다만 공개 점수만으로 배포 결정을 내려서는 안 된다.

1. 관련 벤치마크를 직접 재현한다. 모델 버전, 프롬프트, 도구 접근 권한, 시간·토큰 예산, 재시도 규칙을 고정하고 반복 시행한다.
2. 전체 에이전트 루프를 시험한다. 완료율뿐 아니라 도구 호출 실패, 잘못된 가정, 리소스 부재, 모호한 지시 뒤의 회복 능력을 측정한다.
3. 배포 제약을 점검한다. 실제 가중치·저장소 라이선스 문서, 인프라 요구사항, 로컬 서빙 구성, 호스팅 엔드포인트 약관을 확인한다.
4. 보안과 데이터 통제를 평가한다. 프롬프트 인젝션 대응, 도구 권한 경계, 로그와 보존 정책, 민감 데이터 처리 방식을 시험한다.
5. 자사 업무로 비교한다. 현재 사용하는 대안 모델과 나란히 두고 실제 리서치, 개발, 문서 작성, 승인된 보안 검증 과제를 수행시킨다.

결론

Atria Dawn Preview는 7,440억 파라미터 GLM-5.2 MoE 기반, 256K 컨텍스트, 오픈 웨이트, 그리고 대화가 아닌 에이전트 실행에 초점을 맞췄다는 점에서 눈에 띈다. MIT 라이선스와 일반·FP8 체크포인트는 이를 운영할 인프라를 갖춘 팀에게 진지하게 평가할 만한 선택지로 만든다. 9

리서치형 검색, 함수 호출, 자동화, 사이버 평가에서의 공개 수치는 고무적이다. 그러나 현재로서는 개발사 주장이다. 진짜 평가는 각 조직의 긴 작업 흐름에서 Atria가 비용, 지연시간, 안전성, 실패 복구 측면에서 신뢰할 만한 결과를 꾸준히 내는지에 달려 있다. 5