1년 전 연구자가 Jev 열풍에 제동을 걸었습니다
TypeSafe AI가 ‘System One’이라는 이름으로 Jev를 내놓자 오픈소스 진영에서 뜻밖의 반론이 나왔습니다. 연구자 난다키쇼르 무쿤노트(Nandakishor Mukkunnoth)는 자신이 2025년에 이미 긴 문장을 생성하지 않고 확률을 직접 예측하는 모델을 논문과 함께 공개했다고 밝혔습니다. Jev 발표 약 이틀 반 뒤에는 무쿤노트가 만든 Laya와 별도의 OpenJev까지 등장했습니다. 보도
이 사건을 TypeSafe AI가 개인 연구자의 모델을 그대로 복제한 사례로 단정할 근거는 없습니다. 2025년 모델은 영업 대화에 맞춘 예측기였고 Jev는 임의의 상태와 여러 타입의 질문을 받는 범용 API를 내세웁니다. 그러나 문장을 길게 쓰게 하지 않고 필요한 판단과 확률을 빠르게 읽는 방향은 Jev가 처음이 아니었습니다. 기술적 우선권과 시장의 주목은 서로 다른 방식으로 배분됐습니다.
논문은 2025년 3월, 공개 구현은 5월에 나왔습니다
무쿤노트는 2025년 3월 30일 arXiv에 SalesRLAgent 논문을 올렸습니다. 이 모델은 영업 대화의 각 발언을 읽고 최종 구매로 이어질 가능성을 0과 1 사이의 값으로 예측합니다. 문장을 한 토큰씩 생성하는 챗봇보다 지금 필요한 숫자를 곧바로 계산하는 데 초점을 맞췄습니다. 논문
논문은 대화 상태를 임베딩(embedding), 즉 의미를 수치 벡터로 바꾼 표현과 여러 지표로 구성하고, 근접 정책 최적화(Proximal Policy Optimization, PPO)로 학습했다고 설명합니다. 공개 모델 카드도 연속적인 전환 확률을 내는 PPO 정책과 턴별 추적을 명시합니다. 이것은 ‘답변을 쓰기 전에 필요한 판단을 계산한다’는 문제의식을 Jev보다 앞서 구현한 사례입니다. 공식
다만 ‘텍스트를 생성하지 않는다’는 말은 최종 예측 헤드의 출력 형식을 가리킵니다. 공개 구현의 상태 표현은 임베딩과 대규모 언어 모델(Large Language Model, LLM)에서 얻은 선택적 동적 지표를 함께 사용할 수 있습니다. SalesRLAgent 전체가 생성형 모델과 완전히 무관하다는 뜻은 아닙니다. 핵심은 긴 답변 대신 PPO 정책이 전환 확률 하나를 직접 출력한다는 데 있습니다.
공개 시점도 나누어 볼 필요가 있습니다. 논문은 3월 30일에 나왔고, Hugging Face 모델은 5월 11일, 데이터셋은 5월 12일, deepmost 파이썬 패키지는 5월 24일에 공개됐습니다. 3월 논문을 시작으로 5월까지 공개 구현이 완성됐다고 정리하는 편이 정확합니다. 데이터
같은 방향이지만 같은 구조는 아닙니다
SalesRLAgent와 Jev는 긴 자연어 답변보다 확률적 판단을 원하고, 프로그램이 그 값을 받아 다음 행동을 정하도록 설계됐다는 공통점이 있습니다. 두 시스템 모두 일반 챗봇의 토큰 생성 비용을 피하려 합니다.
적용 범위는 다릅니다. SalesRLAgent는 영업 전환이라는 한 가지 결과를 예측하는 수직형 모델입니다. Jev는 choice, score, noul처럼 미리 정의한 여러 질문의 답을 한 요청에서 처리하는 범용 인터페이스를 내세웁니다. TypeSafe AI는 병렬 샘플링과 보정된 결정을 위한 강화학습(Reinforcement Learning for Calibrated Decisions, RLCD)을 사용한다고 설명합니다. 9월 19일 현재 공식 발표문과 연결 문서는 모델 가중치, 학습 자료, 구조를 재현할 기술 논문을 제공하지 않습니다. 공식
공개 자료가 입증하는 것은 직접 복제나 표절이 아닙니다. 비생성 확률 예측이라는 계보와 선행 공개가 있었는데도 Jev의 마케팅이 그 방향 전체를 새로운 범주처럼 보이게 했다는 사실입니다. ‘System One’은 유용한 제품 언어이지만 이전 연구의 존재를 지우는 발명 증명서는 아닙니다.
Jev는 모델 밖의 조건까지 한꺼번에 내놓았습니다
TypeSafe AI는 개발자가 바로 호출할 수 있는 API, 타입이 정해진 입력과 출력, 사용량 기반 가격과 조기 접근 제품을 한꺼번에 공개했습니다. 회사는 입력 100만 토큰당 0.042달러, 출력 비용은 별도로 재지 않을 만큼 낮다고 설명했습니다. 70~500밀리초 응답 시간과 40~200배 속도도 회사의 System One 형태 질의와 비교 조건에서 나온 수치입니다. 공식
출발선도 달랐습니다. TypeSafe AI는 전 OpenAI 연구자 디오구 알메이다(Diogo Almeida)가 공동 창업했고, Jev 공개와 함께 DCVC가 주도한 4,000만 달러 시드 투자를 발표했습니다. 연구 결과가 논문 저장소에 놓인 것과, 유명 창업자·투자사·가격표·API·유통망이 같은 날 움직인 것은 다른 사건입니다. 공식
Reddit의 인기 댓글은 이 간극을 농담으로 압축했습니다. “그걸 다음 대세라고 올렸어야지. 초보적인 실수였다.” 기술자가 만든 것은 모델이었지만 시장이 산 것은 범주의 이름과 사용할 수 있는 제품, 그리고 그 제품을 믿게 만드는 서사였습니다.
이틀 반 뒤, 서로 다른 오픈소스 구현이 나왔습니다
Laya와 OpenJev의 공개 저장소는 모두 2026년 9월 18일 만들어졌습니다. Jev가 9월 15일 공개된 뒤 약 이틀 반 만입니다.
Laya는 4억2,100만 매개변수의 양방향 ModernBERT-large 인코더와 별도 Transformer 헤드를 결합합니다. 사용자가 준 선택지를 [MASK] 자리에 놓고 한 번의 순전파(single forward pass)로 점수를 읽습니다. 프로젝트는 T4 GPU에서 한 질문에 약 33밀리초가 걸린다고 보고하며 가중치와 코드에 Apache 2.0 라이선스를 적용했습니다. 공식
OpenJev는 DiffusionGemma 26B-A4B의 토큰 캔버스에서 답이 들어갈 자리만 남긴 뒤 vLLM의 읽기 전용 디노이징 단계로 각 선택지의 확률을 얻습니다. TypeSafe SDK가 접속할 수 있는 호환 API와 Docker 실행 방법을 공개했고, 자체 실행에는 최소 24GB 메모리의 NVIDIA GPU가 필요하다고 적었습니다. 공식
두 팀은 ModernBERT와 확산 모델이라는 다른 재료로 비슷한 제품 표면을 며칠 안에 만들었습니다. Jev의 정확한 내부 구조가 공개되지 않았는데도 사용자가 체감하는 API 계약은 재현됐습니다. 아이디어와 API 모양만으로 만든 진입장벽은 생각보다 얕았습니다.
“Jev를 이겼다”는 주장도 조건을 확인해야 합니다
Laya 저장소는 타입 결정 평가 2,000건에서 정확도 0.766을 기록해 공개된 Jev 1.13.0 수치 0.727을 앞섰다고 보고합니다. AG News와 DAIR Emotion에서도 Laya의 수치가 높았습니다. 한 질문의 중앙 지연시간도 Laya가 32.8밀리초, 제3자가 보고한 Jev가 236~276밀리초로 제시됐습니다. 공식
Laya 개발자는 Jev API에 접근해 같은 환경에서 측정하지 않았으며 표본과 프롬프트가 다르다고 밝혔습니다. 0.766을 기록한 체크포인트는 해당 벤치마크의 훈련 분할로 미세조정됐습니다. 기본 Laya 체크포인트의 제로샷 정확도는 0.362로 다수 클래스 기준선 0.461보다 낮았습니다.
Jev가 앞선 항목도 있습니다. 같은 표에서 Jev는 소프트 정확도 0.580으로 Laya의 0.471보다 높았고, 온도 보정 전 기대 보정 오차(Expected Calibration Error, ECE)도 0.144로 Laya의 0.213보다 낮았습니다. 선택지가 77개인 Banking77에서는 Jev 0.870, 가장 좋은 Laya 체크포인트 0.492였습니다.
“Laya가 Jev를 전부 넘어섰다”는 결론은 이릅니다. 더 정확한 결론은 소규모 오픈소스 팀도 며칠 만에 경쟁 가능한 구조와 일부 우위 지표를 만들었지만 데이터·과제·보정 방식에 따라 순위가 쉽게 뒤집혔다는 것입니다.
기술의 우선권과 시장의 주도권은 다르게 움직입니다
먼저 만든 연구자가 계보에 남는다고 해서 시장의 기준점을 차지하는 것은 아닙니다. 범주의 이름을 붙이고 개발자가 바로 쓸 수 있는 제품으로 배포한 회사가 대중의 기억과 구매 기준을 선점할 수 있습니다.
오픈소스 공개만으로 연구가 발견되는 것도 아닙니다. 논문, 가중치, 데이터셋과 코드가 있어도 대상 업무가 좁고 설명이 흩어져 있으면 선행 연구가 검색 결과 아래에 묻힐 수 있습니다. 반대로 API 계약과 가격표, 데모와 투자 발표가 한 문장으로 연결되면 기존 아이디어도 새 시장처럼 보입니다.
이 분야에서 오래 남는 경쟁력은 아키텍처 이름보다 데이터와 검증, 유통에 놓일 가능성이 큽니다. 한 번의 순전파로 선택지 확률을 읽는 방식은 빠르게 재현됐습니다. 실제 차이는 어떤 사례로 학습했는지, 낯선 분포에서 확률이 얼마나 잘 보정되는지, 틀렸을 때 사람이 개입하는지, 운영 시스템에 얼마나 쉽게 연결되는지에서 생깁니다.
