대규모 언어 모델(LLM)이 문장을 길게 이어 붙이는 자율 생성 방식에 집중할 때, 반대로 자연어 텍스트 생성을 완전히 거부하는 새로운 형태의 인공지능이 등장했다. 생성형 AI가 가진 예측 불가능성과 서식 오류, 프롬프트 인젝션 취약점을 극복하기 위해 결정과 확률 수치만 직접 반환하는 시스템 원 모델(System One Model)이 개발자 생태계의 주목을 받고 있다. 샌프란시스코 기반의 TypeSafe AI가 선보인 독점 모델 Jev와 이를 오픈소스로 재현한 Bespoke Labs의 Nimble은 소프트웨어가 직접 소비할 수 있는 안전하고 빠른 구조화 의사결정 파이프라인의 가능성을 증명하고 있다.

자연어를 거부하는 새로운 인공지능 Jev의 등장

2026년 9월 15일, TypeSafe AI는 문장을 생성하지 않고 구조화된 결정을 내리는 시스템 원 모델 Jev를 한정된 초기 액세스로 공개했다. Jev는 기존 대규모 언어 모델처럼 다음 토큰을 순차적으로 생성하는 방식에서 벗어나, 입력된 텍스트와 스키마를 바탕으로 유형화된 값과 확률 추정치, 신뢰도 점수를 병렬로 반환한다. 사람과 대화하는 챗봇이 아니라 소프트웨어 시스템이 직접 API를 통해 결과를 소비하도록 설계된 독점 인공지능 모델이다.

이 신개념 모델의 출시와 함께 TypeSafe AI는 벤처캐피털 DCVC가 주도하는 4,000만 달러 규모의 시드 투자 라운드 유치 소식을 발표했다. 자연어 출력 대신 확정적인 선택지와 이에 교정된 확률값을 내놓는 구조는 기업용 소프트웨어 연동 시 발생하던 출력 불안정성을 근본적으로 제거한다. 개발자는 더 이상 JSON 추출을 위해 복잡한 프롬프트 엔지니어링이나 재시도 로직을 작성할 필요가 없다.

오픈소스 대안 Nimble의 구조와 학습 방식

Jev의 독점 공개에 대응하여 Bespoke Labs는 Qwen3.5-9B 파운데이션 모델을 미세 조정한 오픈소스 대안 Nimble을 발표했다. 오픈 Jev 레시피로 불리는 Bespoke-Nimble-9B는 Qwen3.5-9B의 백본 구조에 Rank-16 LoRA 방식을 적용하여 문장을 새로 작성하는 대신 주어진 선택지 토큰의 확률을 직접 계산하도록 설계되었다.

Nimble의 학습에는 10개 카테고리에서 대조적 데이터 큐레이션 방식으로 생성된 2,676개의 합성 예제가 활용되었다. Nimble이 기반으로 삼은 Qwen3.5-9B 모델은 90억 개(9B)의 매개변수를 갖추고 있으며, 기본 262,144 토큰에서 최대 1,010,000 토큰까지 확장 가능한 긴 컨텍스트 길이를 지원한다. Bespoke Labs는 모델 가중치는 물론 학습 레시피와 평가 설정, 데이터 파이프라인 전체를 공개하여 개발자가 자체 데이터로 오픈소스 의사결정 모델을 구축할 수 있게 했다.

Bespoke Labs는 Qwen3.5-9B를 미세 조정하여 Jev와 유사하게 작동하는 오픈소스 오픈 Jev 레시피인 Nimble을 공개했다.

자체 평가 벤치마크로 확인한 성능 비교

Bespoke Labs가 진행한 자체 평가 벤치마크 결과에 따르면, Jev와 Nimble은 미세 조정되지 않은 기본 파운데이션 모델을 크게 압도하며 서로 상응하는 수준의 높은 정확도를 기록했다. 324개의 보류된 예제(held-out examples)로 진행된 벤치마크 테스트에서 TypeSafe AI의 Jev 1.13.0 모델은 93.2%의 최고 정확도를 달성했다. 오픈소스 대안인 Bespoke-Nimble-9B 역시 90.1%의 정확도를 기록하며 상용 독점 모델에 육박하는 성능을 증명했다.

반면 미세 조정 과정을 거치지 않은 기존 Qwen3.5-9B 기본 모델의 정확도는 66.4%에 그쳤다. 추가로 수행된 13개 공개 하위 집합 기반의 넓은 벤치마크에서도 Jev가 76.0%, Nimble이 74.8%의 매크로 평균 점수를 기록하며 근소한 격차를 유지했다. 정교하게 큐레이션된 합성 데이터와 LoRA 미세 조정만으로도 독점 시스템 원 모델의 성능에 육박할 수 있음이 실증된 셈이다.

Bespoke Labs의 자체 324개 보류 예제 평가에서 Jev와 Nimble은 기본 모델을 크게 앞지르며 유사한 정확도를 기록했다.

개발자가 주목해야 할 시스템 원 모델의 가치

텍스트 생성을 완전히 배제하고 오직 확률과 확정된 결정만을 출력하는 시스템 원 모델은 기업용 AI 에이전트 구축 방식을 근본적으로 바꾼다. 자연어 응답 생성 과정이 없어 프롬프트 인젝션 공격에 대한 방어력이 비약적으로 상승하며, 응답 파싱 중 발생하는 서식 오류나 환각 현상을 사전에 차단할 수 있다.

또한 선택지별 확률값을 직접 반환받기 때문에 후속 조건문이나 비즈니스 로직에서 신뢰도 기준값(threshold)에 따른 정밀한 제어가 가능해진다. 오픈소스 레시피인 Nimble의 공개로 개발자들은 고비용의 독점 API에 의존하지 않고도 경량화된 모델을 통해 비용 효율적인 의사결정 엔진을 직접 구축할 수 있게 되었다.

참고