# 제브의 발표 당일부터 OSS에서 재현을 시도하는 움직임. 새로운 형태의 모델을 어떻게 활용해 나갈까?

> https://bookfactory.kr/board/news/17631
> 게시판: 뉴스
> 작성자: admin
> 작성일: 2026-09-18T08:47:32.743Z

---

![見出し画像](https://assets.st-note.com/production/uploads/images/314860646/rectangle_large_type_2_11be2fbe93a1f1cad93868dac12dae2e.png?width=1280)

## 제브라는 존재를 곁에서 바라보는 그 사람들을 보며, 곁에 있는 평범한 아마추어인 나 자신을 생각한다.

제브는 빠른 속도와 저렴한 비용으로 판단에 필요한 정보만 제공하는 모델입니다. 문장 생성 기능은 버렸다고 하는데, 이제는 언어 모델이라고 부르기에도 어색한 것 같습니다.

제브(Jev)에 대해서는 다음 기사나 보고서를 참고하시면 이해가 더 빠를 것입니다. 이 기사 안에서는 상세하게 다루지 않겠습니다.

그런 Jev.

구조 가능성을 느껴보고 있는데, 어려운 환경에는 긍정적인 빛과 함께 불안도 존재하는 것은 당연합니다. 그런 불안도 해소하기 위해 현재 상황을 이해하려는 준비를 시작해 보려 합니다.

사실 판단의 성공률이 90%를 넘는다는 점이 그렇습니다.

그러니 매우 놀라운 일이라고 할 수 있지만, 잘못된 판단으로 인해 10% 가까이 태아 사망이 발생하는 것도 사실입니다.

빈곤한 자원에는 대량 출산을 잘못 판단하는 시스템을 갖기 어렵습니다.

정확한 판단, 심지어 인간 스스로도 결정할 수 없는 가운데서.

판단 특화 모델이 존재한다는 것은 여러 면에서 오해를 불러일으켜 대량의 잘못된 정보를 생성할 위험이 있다는 의미이기도 합니다.

생각건대, 고성능과 저렴한 비용으로 하르신에이션을 만들기 쉬운 환경을 확보했다면, 여러 가지를 배우고 익히고 싶다는 것은 사실이다.

그러므로, OSS를 통해 배우면서, 그것이 유일한 방법이라고 생각하고 진행해 보려고 합니다. 저에게는 다른 방법을 찾을 수 없었습니다.

발표 당일로부터 해외 커뮤니티에서 잇따라 등장하는 “Jev를 분석하고 OSS로 만들어보자”라는 움직임입니다. 저는 두 개의 OSS를 추적해 보았습니다.

## 본가 료마와 오픈 료마 및 료라이크의 관계 – 료마가 폐쇄되었기 때문에, 형태만 직접 만들어내는 것

2026년 9월 15일, OpenAI 및 ChatGPT 공동 개발자 디오고 알메이다가 이끄는 TypeSafe AI가 “System One Models” 첫 번째 모델 Jev를 발표했다.

193.6배 속도, 444.6배 저렴한 가격, 무료 출력 토큰, 70~500ms 응답을 홍보했지만, 호스트 API와 대기 리스트의 폐쇄형 제공이었다. 이를 개방화하려는 시도가 아래 두 가지로 나타났다.

둘 다 기반 모델은 Qwen3.5-4B와 유사합니다.

### 죄송합니다. 제공된 정보가 없어 번역할 내용이 없습니다. 게시글의 본문 청크 18/70의 일본어 텍스트를 제공해 주시면, 완벽한 한국어 번역본을 제공해 드리겠습니다.

제블릭은 제블과 동일한 입력 및 출력 형태를 가진 독립 스타터 구현이라고 합니다. 제블릭은 그 “형태”에 주목하여 비구조 상태 in → 형태 지음 확률 결정 out을 자체적으로 PyTorch로 학습할 수 있도록 구현한 것입니다.

텍스트 1건 + 가변 길이 텍스트 선택지 목록 N을 받아 1 프레임워드 패스에서 N개의 확률을 반환한다. 텍스트의 선택지 점수에 동일한 option-attention 헤드가 Doom의 7버튼과 chess의 5키를 이미지 패치에서 직접 선택하는 데모까지 포함되며, 과거의 일을 따라가는 듯한 느낌이다.

요약하자면: Jev는 새로운 머릿속(보정 완료된 대규모 모델)입니다. jevlike는 그 머릿속의 “입 형태(선택 확률 API)”를 작게 직접 만들어 연습하는 자리입니다. 라우팅, 분배, 리랭킹 등 System One의 작업 속도 구조를 직접 검증할 수 있습니다.

![画像](https://assets.st-note.com/img/1789696335-pfJB1xeFojHk9aPT7GY4Vthq.png?width=1200)

### OpenJev는 오픈 소스 기반의 법률 정보 플랫폼입니다.

OpenJev는 일본의 법률 정보에 대한 접근성을 높이고, 법률 전문가뿐만 아니라 일반 시민들도 법률 정보를 쉽게 이용할 수 있도록 돕는 것을 목표로 합니다.

OpenJev는 다음과 같은 특징을 가지고 있습니다.

*   **오픈 소스:** 누구나 자유롭게 사용, 수정, 배포할 수 있습니다.
*   **다양한 법률 정보:** 헌법, 법령, 판례 등 다양한 법률 정보를 제공합니다.
*   **검색 기능:** 키워드 검색을 통해 원하는 법률 정보를 빠르게 찾을 수 있습니다.
*   **API 제공:** 외부 시스템과의 연동을 위한 API를 제공합니다.

OpenJev는 현재 일본의 여러 대학 및 연구기관에서 개발 및 운영되고 있으며, 활발한 커뮤니티를 통해 지속적으로 발전하고 있습니다.

OpenJev에 대한 자세한 정보는 다음 웹사이트에서 확인할 수 있습니다. [https://openjev.jp/](https://openjev.jp/)

OpenJev는 Jev의 인터페이스 패턴만을 오픈 모델로 재현한 독립 연구 프로젝트들의 총칭이다.

챗 문을 생성하지 않고, 템플릿 형태의 선택지 확률을 1 프레임 워드 패스에서 직접 읽어내는 “결정적 자연어” 추론을 RTX 3090이나 맥, 심지어 브라우저 단독으로도 실행하는 것을 목표로 하고 있다는군요. 반면 저희는 패턴을 따르는 것임.

요약하자면: Jev는 새로운 인지 모델(학습 완료 정교화 모델)입니다. OpenJev는 그 모델의 “사용 방법(API 형태와 속도 구조)”을 현재 인지 모델에서 모방하는 실험용 플랫폼입니다. 라우팅, 가드레일, 리랭킹 등의 시스템 한 가지(System One) 작업 속도 검증에는 충분히 활용할 수 있습니다.

![画像](https://assets.st-note.com/img/1789696364-4lDGqCeT8Vwpjk6fJK5ntSEY.png?width=1200)

떠오른 결과를 모방하는 것인지, 구조를 모방하는 것인지. 길은 다를 뿐, 목표 지점은 같을 뿐이다.

다음은 Jev를 활용하여 비즈니스를 고려하는 데 도움이 되는 참고 영상입니다. 제 의도는 “이 수준의 문제를 오픈 소스(OSS)로 해결할 수 있을까”라는 질문을 담아 게시했습니다.

## 결론부터 말씀드리겠습니다.

결론부터 말씀드리자면, OSS에서는 현재 LLM을 사용하여 구조화된 출력을 해야만 하기 때문에 본체의 재현은 이루어지지 않고 있으며, 단순히 연습용으로 활용되는 수준입니다.

그래서, 비즈니스에 적용할 경우 특화된 SLM을 활용하여 시뮬레이션적으로 재현하는 방식이 현재 가장 적합한 해결책이라고 할 수 있습니다.

하지만 그 태도와 로드맵에 대해서는 동의할 수밖에 없었습니다.

## 제블리케는 각 선택지에서 문맥을 묻는 것으로 이해할 수 있습니다.

이것은 동일한 형태입니다. 이 흐름을 Qwen 3.5-4B로 처리하는 방안입니다.

![画像](https://assets.st-note.com/img/1789696521-4FkWPy2wvjEaXqJx7DgcKmBQ.png?width=1200)

각 옵션이 쿼리 벡터로 변환되어 컨텍스트 토큰에 대한 어텐션 가중치를 받으며, 옵션 고유의 컨텍스트 벡터를 하나씩 받는다. 공유된 행렬 곱을 통해 옵션과 컨텍스트의 쌍을 1점으로 평가하고, 소프트맥스 함수를 사용하여 선택지 방향으로 확률을 계산한다. N은 최소 2 이상으로 행마다 달라진다.

이를 파이썬 자동화 스크립트의 진열대처럼, 선택지마다 각 옵션을 준비하면 정해진 규칙에 따라 선택지를 분배할 수 있다는 생각입니다. 좋은 결과인지 나쁜 결과인지는 별개로 고려하되, 라는 논리입니다.

분배된 후에는, 만약 좋지 않다면 기각으로 이어질 가능성이 있을까요? 이곳은 재현이 가능한 부분일 수도 있습니다.

그러므로, 만들어야 할 것은 “완전히 고정화된 선택지 목록”이라고 해야 할 것입니다. 이 목록을 만들어서 사용하고, 사용하기 위해서는 반드시 이 목록이 필요합니다.

제블라이 커뮤니티는 이것을 완전히 이해하고 있을 겁니다.

현재 Qwen3.5-4B를 사용하여 억지로라도 기반을 마련하려는 상황입니다. 마치 “달걀이 먼저인지 닭이 먼저인지”라는 질문에 대한 억지스러운 답변과 같습니다.

![画像](https://assets.st-note.com/img/1789696555-pyUmz2KYP8svH3DwxFonuRcT.png?width=1200)

## 제블라이(Jevlike)를 사용하기 전에 알아야 할 한계점

제블라이는 텍스트 기반 AI 챗봇으로, 텍스트를 기반으로 질문에 답변하고, 다양한 종류의 텍스트를 생성할 수 있습니다. 하지만 제블라이는 완벽하지 않으며, 사용하기 전에 몇 가지 한계점을 알아두는 것이 중요합니다.

**1. 창의성 부족:**

제블라이는 방대한 양의 텍스트 데이터를 학습했지만, 인간처럼 창의적인 아이디어를 생성하는 데는 한계가 있습니다. 특히, 새로운 관점을 제시하거나, 독창적인 콘텐츠를 만드는 데는 어려움을 겪을 수 있습니다. 제블라이가 생성하는 텍스트는 학습 데이터에 기반한 패턴의 조합일 뿐이며, 진정한 의미의 창의성은 부족합니다.

**2. 맥락 이해 부족:**

제블라이는 문맥을 이해하는 능력이 제한적입니다. 질문의 의도를 정확하게 파악하지 못하거나, 이전 대화 내용을 기억하지 못하는 경우가 발생할 수 있습니다. 따라서, 질문을 명확하고 구체적으로 제시하는 것이 중요합니다. 또한, 제블라이가 생성한 텍스트의 정확성을 검토하고, 필요한 경우 추가적인 정보를 제공해야 합니다.

**3. 오류 가능성:**

제블라이는 때때로 잘못된 정보를 제공하거나, 논리적으로 일관성 없는 답변을 생성할 수 있습니다. 이는 학습 데이터의 오류, 알고리즘의 한계, 또는 단순히 예측 불가능한 상황으로 인해 발생할 수 있습니다. 제블라이가 제공하는 정보를 맹신하지 말고, 항상 비판적인 시각으로 검토해야 합니다.

**4. 윤리적 문제:**

제블라이는 편향된 정보를 생성하거나, 허위 정보를 유포하는 데 사용될 수 있습니다. 또한, 저작권 침해, 개인 정보 유출 등 윤리적인 문제도 발생할 수 있습니다. 제블라이를 사용할 때는 이러한 위험성을 인지하고, 윤리적인 책임을 다해야 합니다.

**5. 업데이트 및 개선 필요:**

제블라이는 지속적으로 업데이트되고 개선되고 있습니다. 하지만, 새로운 버전이 출시되더라도 제블라이의 한계는 완전히 사라지지 않을 수 있습니다. 따라서, 제블라이를 사용하는 동안에도 새로운 정보를 지속적으로 학습하고, 개선점을 파악해야 합니다.

**결론:**

제블라이는 유용한 도구이지만, 그 한계를 명확히 인지하고, 적절하게 활용해야 합니다. 제블라이를 사용하여 얻을 수 있는 정보의 정확성을 검토하고, 창의적인 아이디어를 얻기 위해 인간의 판단과 경험을 결합하는 것이 중요합니다. 또한, 제블라이를 사용할 때는 윤리적인 문제에 대한 책임감을 가지고, 안전하게 사용해야 합니다.

① Jev의 복제는 아니다: 설계, RLCD, 검정 품질의 재현이 아니다. 입력/출력 형태의 스타터를 제공한다.

② 정밀도는 데이터, 분할, 符号器에 따라 달라진다: 바이트 符号기는 저렴하지만 의미 해석 능력이 떨어진다. HF 경로는 대규모 DL과 메모리 요구 사항을 필요로 한다.

③ 완전 선택 옵션 목록은 사전에 확보해야 한다: 원-패스 방식은 모든 후보가 준비된 후에만 선택이 가능하다. 오픈-엔딩 생성에는 적합하지 않으며, 가장 어려운 부분이다.

④ 데모 윈도우 선택 편향: 10초 분의 영상은 활성화된 2개의 윈도우를 결합한다. 일반적인 플레이는 기교의 증거가 아니다.

⑤ 속도 비율 모집단: 소규모 지역 디코더 비율이다. 상업용 대규모 비율과는 차이가 있다.

⑥ 시각 head 용량: 동일 Dagger 환경에서 평탄 Conv 대조 모델이 먼저 전투 학습을 수행한다. 옵션 head는 병목 현상과 네비게이션 해결 미흡(완주율 0)의 문제점을 안고 있다.

## OpenJev는 디코딩하지 않고 로짓스를 읽는다.

상대방인 OpenJev가 하나의 흐름으로 이루어져 있는지 궁금합니다.

컨텍스트를 1회 미리 채우고(prefill) → KV 캐시를 옵션 배치에 확장하고 → 모든 옵션을 단일 패딩된 포워드(forward)로 일괄적으로 평가한다. 점수는 컨텍스트 조건 하에서 옵션 토큰의 로그 확률이며, 소프트맥스 함수를 사용하여 확률을 변환한다. daseinlabs 버전은 M5 Pro에서 캐시를 사용하여 0.17초, 캐시 없음 시 0.68초를 실측했다.

이 흐름의 기반이 Qwen3.5-4B로 이루어져, 지능의 한계 또한 Qwen3.5-4B이다. 따라서 판단력은 신뢰하기 어렵다.

일괄 채점으로 인해 불안감을 느끼고, 확률화 방식이 실제 수치와 일치하는지 의심하며, 실제 측정이 엉터리 데이터를 생성하는 현상도 발생한다. 이는 커뮤니티에서도 충분히 동의하는 결론이다.

예상했던 대로입니다. Jevlike와 똑같네요. 단순히 이 단계에서 완벽하게 하려고 하는 건 아니었어요.

이 흐름을 다른 형태로 맥락으로 저장하면서 “완전히 고정된 선택지 목록을 만드는 기반”을 마련하기 시작한 것뿐이었습니다.

이 정신성은 정말 배우고 싶다. 실패를 전제로, 무언가의 기반을 다져나가는 관점이다.

실패를 두려워하는 사람이라 동경한다. 태어날 때부터 겪어야 할 일들이 실패ばかりだと 말하는 것을 두려워하는 것은 어색한 느낌이다.

객관적으로 생각하면, 실패하더라도 너무 당연하게 뒤쳐지는 위치에 있는 것은 아닌데.

![画像](https://assets.st-note.com/img/1789699120-J7qaESTz6Iw4KxeC8tdLYnpZ.png?width=1200)

![画像](https://assets.st-note.com/img/1789699141-aGv016yM5wQfqX9HTOS4dBE3.png?width=1200)

![画像](https://assets.st-note.com/img/1789699159-QNBf1wXkKZ0Gu7b5P62sTdzv.png?width=1200)

이에 따라 OpenJev는 RTX GPU와 Mac에서 용도에 따라 구분하여 사용해야 합니다.

![画像](https://assets.st-note.com/img/1789696595-RoXpiGLJ5ryZt3dDVkNew4zA.png?width=1200)

![画像](https://assets.st-note.com/img/1789696688-wN18omAzgM27CZ9WnlDBdfLO.png?width=1200)

그러면 향후 로드맵을 검토하겠습니다.

이 두 사람은 이 형태가 최선이라고 생각하지 않는다. 연습대와 실험대로 만들어진 기초 위에 Jev를 모방하려는 속셈이다.

그러므로, Jev를 시뮬레이션적으로 재현하는 시점부터 사용을 시작해도 괜찮을 수 있습니다. 그 때까지 지켜보거나 원본을 사용하면서요.

저는 호기심 때문이라도 이 실험대를 단계부터 사용해 보려고 합니다.

빈약한 자원으로 Qwen3.5-4B를 자주 사용하는 것은 매우 비효율적이지만, 저는 머리가 부족하여 이해력이 부족하기 때문에 사용하지 않으면 구조적인 이해가 되지 않는다는 것입니다.

필요성도 포함하여, 저는 판단할 수 없어 사용을 결정했다.

Jev는 재치 있는 사람이라면 다양한 활용 방법을 떠올릴 수 있는 모델입니다. 일본인의 감성을 살려 다양한 활용법을 고려해 보고 싶습니다.

## 현재까지의 정보만으로 접근하는 것이 좋을 수도 있습니다.

pyproject.toml 파일의 내용을 확인해주시기 바랍니다.

TypeSafe: 제브 본가 발표의 RLCD(193.6×444.6×) 출판물

시스템원 API 형태 및 Jev 가격 (42/Btok)

타이프세이프 AI 본가의 워크플로우 평가

SNAP 위키스피디언넥스트-클릭 원데이터 조건 · 웨스트 & 레스코베츠 2012

제브레 데모 10초 BGM, 둠 5초 + 체스 5초, 행렬 표시

오픈제브(OpenJV) 브라우저 실험장. 백엔드 없이 WebGPU 실측을 진행 중입니다.

TheoLeeCJ/openjevPhase1본체・788★・결과/방법/재현

daseinlabs/open-jevMLX 서버 / v1/systemone · Doom 데모

조사일: 2026년 9월 17일, 추가 교정 9월 18일. 정보원은 공개 정보(README, AGENTS.md, model.py, vision.py, GitHub API, TypeSafe 발표)의 정리 및 요약이며, 두 개의 OSS는 vinnylarouge 氏 및 TypeSafe AI와 무관한 독립적인 제작물입니다. 혼동하지 않도록 주의하시기 바랍니다. 수치는 변동될 수 있으므로 최신 값은 상기 링크에서 확인하시는 것이 가장 정확할 수 있습니다.

**출처:** [note 원문](https://note.com/humble_bobcat51/n/n98552741fa2a)

*번역: Gemma 3(.44) 초벌 + 교정 43청크*

[원문 보기](https://note.com/humble_bobcat51/n/n98552741fa2a) | 출처: note.com