업무를 학습시키는 산업과 물리 실험의 경계

이 글에서 발견한 변화를 그림으로 보기

• 학습 환경은 재사용돼도 공급자 매출은 반복되지 않을 수 있다 →
• 큰 고객이 시장을 키우면서 공급자 마진을 낮춘다 →
• 팔리는 것은 코드가 아니라 재현 가능한 과제다 →
• 작은 전문 모델은 범용 최전선 모델과 다른 시장이다 →
• 싼 HBM이 칩보다 서비스 마진을 도울 수 있다 →
• 에이전트 능력과 실제 플랫폼 접근권은 별개다 →
• 물리 실험은 반복할 때마다 비용과 시간이 든다 →
• 표준 환경과 독자 모델은 함께 늘어날 수 있다 →

보고된 변화와 함께 확인할 조건

기사에 등장한 기업과 검증 조건

아래는 기사 속 역할 사례입니다. 필요한 제품·기술의 공급자를 새로 찾고 비교하는 조사나 현재 선도성 판정을 대신하지 않습니다.

• Turing·Mechanize

  환경 제작 (기사상 역할이며 계약·매출 독립 확인 아님)

  이익으로 이어질 조건 · 유효 과제당 원가와 고유 권리/품질이 계약 갱신과 이익으로 연결

  확인할 것 · 검증 수율; 갱신·마진; 미학습 업무 성과

• Mercor·Surge

  전문가 과제·평가 (기사상 역할이며 계약·매출 독립 확인 아님)

  이익으로 이어질 조건 · 유효 과제당 원가와 고유 권리/품질이 계약 갱신과 이익으로 연결

  확인할 것 · 검증 수율; 갱신·마진; 미학습 업무 성과

• HUD

  실행·telemetry 도구 (기사상 역할이며 계약·매출 독립 확인 아님)

  이익으로 이어질 조건 · 유효 과제당 원가와 고유 권리/품질이 계약 갱신과 이익으로 연결

  확인할 것 · 검증 수율; 갱신·마진; 미학습 업무 성과

• Applied Compute·Adaptive ML

  맞춤 학습 (기사상 역할이며 계약·매출 독립 확인 아님)

  이익으로 이어질 조건 · 권한·안정성·지원비를 포함한 고객 성과

  확인할 것 · 연동 계약; 재계약; 재작업 포함 비용

• Baseten

  추론 호스팅 (기사상 역할이며 계약·매출 독립 확인 아님)

  이익으로 이어질 조건 · 권한·안정성·지원비를 포함한 고객 성과

  확인할 것 · 연동 계약; 재계약; 재작업 포함 비용

• Amazon·Google

  접근 조건 (기사상 역할이며 계약·매출 독립 확인 아님)

  이익으로 이어질 조건 · 권한·안정성·지원비를 포함한 고객 성과

  확인할 것 · 연동 계약; 재계약; 재작업 포함 비용

• Periodic Labs

  모델과 실험 결합 지향 (기사상 역할이며 계약·매출 독립 확인 아님)

  이익으로 이어질 조건 · 시설 가동 뒤 유효 실험·고객 데이터 구매로 연결

  확인할 것 · 가동·처리량; 재현성; 실험당 원가

• Medra

  검증 생물 데이터 인프라 지향 (기사상 역할이며 계약·매출 독립 확인 아님)

  이익으로 이어질 조건 · 시설 가동 뒤 유효 실험·고객 데이터 구매로 연결

  확인할 것 · 가동·처리량; 재현성; 실험당 원가

• Google AlphaEvolve

  진화적 후보 생성·평가 (기사상 역할이며 계약·매출 독립 확인 아님)

  이익으로 이어질 조건 · 동일 품질에서 시간·비용·오류를 개선

  확인할 것 · 일반화; 총비용; 독립 재현

• Astra 연구진

  SGLang 커널 최적화 사례 (기사상 역할이며 계약·매출 독립 확인 아님)

  이익으로 이어질 조건 · 동일 품질에서 시간·비용·오류를 개선

  확인할 것 · 일반화; 총비용; 독립 재현

• ServiceNow AI Research PipelineRL

  학습 시스템 연구 사례 (기사상 역할이며 계약·매출 독립 확인 아님)

  이익으로 이어질 조건 · 처리량뿐 아니라 같은 시간의 최종 성능이 개선

  확인할 것 · policy lag; 동일품질 벽시계; 환경 대기 비중

• Handshake·Aboda

  전문가 과제·평가 인력 공급 사례로 보고됨

  이익으로 이어질 조건 · 정답·기준의 품질과 검수 수율이 인건비 및 폐기 비용을 회수해야 한다.

  확인할 것 · 실제 고객 계약, 유효 과제당 원가, 고객 집중도

• Scale AI·Meta

  소유 관계 변화와 고객 기밀 우려의 사례로 보고됨

  이익으로 이어질 조건 · 중립성·정보 분리와 품질이 고객 유지로 연결되어야 한다.

  확인할 것 · 공식 지분 관계, 고객별 계약 변화, 정보 분리의 실효성

• OpenAI·Anthropic·xAI

  환경·전문가 데이터의 구매자이자 내부 조달 주체로 보고됨

  이익으로 이어질 조건 · 조달·내재화가 모델 품질을 유지하며 총비용을 낮춰야 한다.

  확인할 것 · 공급자 다변화, 내부 제작 비중, 품질과 비용, 영역별 초점

• Prime Intellect

  공개 환경·실행 생태계 사례로 언급됨

  이익으로 이어질 조건 · 표준화·재사용성이 환경 개발비를 줄이고 유효 과제를 늘려야 한다.

  확인할 것 · 실제 사용과 호환성, 환경 유지·검증 비용

• Google DeepMind

  과학 실험 시설 계획 및 후보 생성·평가 시스템 연구의 주체로 언급됨

  이익으로 이어질 조건 · 계획이 가동과 유효 실험·실제 고객 성과로 이어져야 한다.

  확인할 것 · 시설 가동, 검증 처리량, 미학습 문제 성과

• Benchling

  과학 개발 업무에 연결되는 도구의 사례로 언급됨

  이익으로 이어질 조건 · 접근권과 업무 통합이 실제 개발 절차의 시간·품질 개선으로 연결되어야 한다.

  확인할 것 · 제품별 사용 단계, 데이터 권리, 고객 업무 개선

사업 참여와 이익 회수, 상장 여부와 티커, 현재 가치평가는 별도로 확인해야 합니다.

해석의 경계와 반대 근거

• 기존 문단 번호 P0–P162와 새 번호 P001–P160이 다르다. 기존 근거 원문을 보존하고 현재 포인터를 별도로 연결했다.
• I02 SWE-Bench 상승은 GPT-4o 계보/후속학습 단독 인과의 증거가 아니다.
• I15의 발행처 고객 혜택 점은 평가 원자료에 덧붙인 홍보. 고용 대체율로 쓰지 않는다.
• I10 complexity/rollout 도표에 수치 눈금이 없어 정량 scaling law가 아니다.
• I21 기존 POLYBOT과 I22 Periodic 목표 시스템을 구분. 동일 설비 실현 사례가 아니다.
• I31은 J. Berman으로 표기하고 링크도 Berman인데 본문은 Brennan으로 적었다. 본 보고서는 연구자 이름 오류를 승계하지 않는다.
• AlphaGo와 AlphaZero 혼동은 공식 출처로 정정하되 원문 오류 이력을 보존한다.
• 2025년 6월 o4 기반모델 전망과 2026년 1월 모델 계보 주장은 제품명·모델 버전 범위가 일치하지 않아 직접 모순으로 확정하지 않는다.
• 같은 발행처의 후속 글과 회사 연구의 재인용은 독립 확인 수를 늘리지 않는다. 회사 언급은 투자 추천이나 검증된 사업 실적이 아니다.

다음에 무엇을 확인할까

• 과제 점수 개선이 새로운 실제 업무 성과로 전이되는가? 학습하지 않은 업무·저장소·환경에서 오염을 통제한 평가, 인간 검수와 재작업 비용. 전이가 없거나 reward hacking으로 설명되면 성능·사업 가치 해석을 낮춘다.
• 유효 학습 신호와 고객 결과당 총비용이 실제로 낮아지는가? 데이터 제작·폐기·추론·검증·정책 지연·지원 비용과 최종 품질. 처리량만 늘고 학습 품질 또는 이익이 나빠지면 경제성 판단을 바꾼다.
• 회사별 도입·계약·생산 계획이 실제 가동·매출·현금으로 이어졌는가? 공식 시점별 발표, 고객 인수·갱신, 관련 사업의 실현 매출 및 비용. 계획이 지연되거나 구매자 내재화·경쟁 공급이 수익을 줄이면 수혜 범위를 줄인다.

원문과 검토 범위

RL Environments and RL for Science: Data Foundries and Multi-Agent Architectures ↗

원문 발행 2026-01-06 · 분석 기록 2026-10-11T21:43:00Z

저장 본문·그림 검토 완료, 일부 1차 자료 대조. 실험·계약·재무의 독립 검증은 아님. · 이미지 32개를 모두 시각적으로 검토했다. 그림의 연구 범위와 장식·홍보 요소를 구분했다.

• 저장 사본의 P001–P160 전체 블록을 검토했다. 제목과 이미지 블록도 포함한다. 문단 번호는 이 검토의 로컬 식별자이며 원문 웹 앵커가 아니다.
• 이미지 속 표·수식도 검토했으며 출판사 원문과 이미지는 재게시하지 않는다.
• 발행일과 저장일(2026-10-02), 실제 사건 시점을 분리한다. 사건 시점이 없으면 추정해 채우지 않는다.
• 항목 수는 실현된 산업 변화 수가 아니다. 발행처 보도·평가 비교·계획·방법·분석 기준을 분리하며, 업계 전체 전환과 독립 검증 여부는 별도 판단한다.
• 유료 원문의 완전성은 별도로 인증하지 않았으며 원자료·비공개 계약은 확인하지 않았다.
• 기존 RL001 분석의 이력을 보존한 개정이며 독립 기사로 추가 집계하지 않는다.

아래는 자기 말로 재서술한 근거입니다. P·I 번호는 검토 사본의 위치이며 원문 웹페이지의 고정 앵커가 아닙니다. 발행처의 보고를 공식 확인 사실로 바꾸지 않습니다.

출처를 추가 대조한 범위

• Publisher publication metadata ↗

  원문 페이지는 2026-01-06 발행이며 저장 2026-10-02와 다르다. 이전 RL 글 카드의 6월 9일 표시는 공개 페이지의 6월 8일과 달라 타임존/표시 차이로 보존한다. 헤더·공개 도입부, 같은 발행처이므로 독립 근거 아님

• PipelineRL v1 ↗

  생성·학습 병행, in-flight weight update와 stale KV cache 재사용이 논문에 있다. 약 2배 개선은 장문 추론 실험이며 환경 피드백 지연·동일 길이 생성 등의 경우 장점이 작아진다. 초록·방법·KV cache 실험·한계. 논문 자체의 시스템 수량 표현은 초록 128 H100과 도입 4 DGX-H100으로 일치하지 않아 배치 규모 일반화 제외.

• Astra GPU kernel optimization ↗

  o4-mini로 기존 SGLang CUDA 커널을 다중 에이전트로 최적화한 평균 1.32배 결과를 초록에서 확인했다. v1 2025-09-09, v2 2025-12-02 메타데이터·초록만; 실험 재현 아님

• AlphaZero history ↗

  체스·쇼기·바둑 self-play 일반화는 AlphaZero다. 초기 AlphaGo와 구분한다. 공식 글과 AlphaGo 설명 대조

• GDPval original announcement ↗

  원래 평가의 전체 1,320개 과제, 공개 220개, 44개 직업과 평균 14년 이상 전문가라는 범위를 확인했다. 검색된 공식 발표 내용에 한정. 기사상 GPT-5.2 71% 최신 결과는 별도 확인하지 않음

공식 발표·동일 발행처 대조·독립 재현을 구분합니다. 해당 작성 주체의 설명을 확인한 것이 전체 실험이나 재무 수치의 독립 검증을 뜻하지 않습니다.

변화에 연결된 근거

• C01 · 발행처 판단 · 독립 검증 전

  학습에 사용할 실행 과제와 보상 신호가 별도 자원이 되고, 응용 서비스의 수행 이력도 후속학습 입력으로 쓰일 수 있다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P002–P010원문에서 맥락 확인 ↗

• C02 · 발행처 판단 · 독립 검증 전

  전문가의 업무 결과물 비교와 사람 보조 평가가 모델의 실제 유용성을 판단하는 수단으로 제시된다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P011–P014; P080–P086원문에서 맥락 확인 ↗

• C03 · 발행처 판단 · 독립 검증 전

  외부 업체가 UI·코딩 환경을 제작하고 실행 도구를 공급하는 사례가 보고된다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P025–P045원문에서 맥락 확인 ↗

• C04 · 발행처 판단 · 독립 검증 전

  전문가 채용·매칭 업체가 과제·정답·채점 기준·검수의 공급 역할로 확장하는 사례가 있다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P048–P061원문에서 맥락 확인 ↗

• C05 · 발행처 판단 · 독립 검증 전

  Scale과 Meta의 관계 변화 이후 연구소 고객의 이동이 보고되며 데이터 기밀과 공급자 중립성이 구매 조건으로 해석된다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P019–P023원문에서 맥락 확인 ↗

• C06 · 발행처 판단 · 독립 검증 전

  연구소별로 외부 공급자 다변화, 실행 규격 표준화, 내부 데이터팀 확대라는 서로 다른 조달 방식이 보고된다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P065–P077원문에서 맥락 확인 ↗

• C07 · 발행처 판단 · 독립 검증 전

  에이전트의 실제 웹 접근 실패, 접근 조건에 관한 협상 주장, 향후 플랫폼 통제 전망은 실현 단계가 서로 다르다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P077; P089–P095원문에서 맥락 확인 ↗

• C08 · 발행처 판단 · 독립 검증 전

  기업별 맞춤 RL과 배포를 결합한 서비스가 소개되지만 비용·안정성·경쟁과 이익의 지속성은 별도 확인이 필요하다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P097–P108원문에서 맥락 확인 ↗

• C09 · 발행처 판단 · 독립 검증 전

  과학 RL은 시뮬레이션과 실제 실험을 연결하는 방향으로 제시되며 시설 계획과 기존 연구 사례를 구분해야 한다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P110–P132원문에서 맥락 확인 ↗

• C10 · 발행처 판단 · 독립 검증 전

  과학 후보를 찾는 탐색과 도구·문서·개발 절차를 개선하는 업무는 평가 지표와 고객 구매 기준이 다르다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P125–P128원문에서 맥락 확인 ↗

• C11 · 발행처 판단 · 독립 검증 전

  실행 관측과 수행 기록을 중간학습에 다시 넣는 방법이 설명되지만 효과 범위는 모델과 데이터 실험에 의존한다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P027; P072; P117–P123; P131원문에서 맥락 확인 ↗

• C12 · 발행처 판단 · 독립 검증 전

  과정 평가·과제 분할과 생성·학습의 병행은 서로 다른 지연을 줄이는 방법이며 물리 실험 소요시간 자체를 제거하지 않는다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P134–P141원문에서 맥락 확인 ↗

• C13 · 발행처 판단 · 독립 검증 전

  여러 에이전트의 생성·계획·실행·검증 조율은 현재 모델의 시스템 성능을 개선하는 경로로 제시된다.

  기존 복합 주장 ID를 보존한 요약이다. 보고·추정·전망의 세부 유형은 C-RL001-14 이후 근거에서 분리한다. 보존한 기존 복합 요약 주장. 유형이 혼합되어 원래 판단을 삭제하지 않고 이번 세부 근거에서 reported_observation/estimate/forecast를 구분한다.

  P146–P160원문에서 맥락 확인 ↗

• C-RL001-14 · 발행처 판단 · 독립 검증 전

  발행처는 OpenAI 최근 세대의 성능 개선을 GPT-4o 기반 후속학습에 주로 귀속한다.

  비공개 모델 계보와 인과 분해는 미검증. I02의 SWE-Bench 상승은 동일 기반·후속학습 단독 효과를 입증하지 않는다. 사전학습이 사라졌다는 해석도 원문이 부인한다.

  P004–P006 · I02원문에서 맥락 확인 ↗

• C-RL001-15 · 발행처의 관측 보고 · 독립 검증 전

  GDPval은 전문 업무 산출물을 전문가와 비교한다. 기사상 GPT-5.2의 약 71%는 인간 결과물 대비 승리 또는 동률 비율이다.

  직업 전체 대체율·경제 전체 자동화 비율이 아니다. 2027년 Claude 혁신 및 2028년 3월 OpenAI 자율 연구자는 목표·전망으로 분리한다.

  P011–P016 · I03, I04원문에서 맥락 확인 ↗

• C-RL001-16 · 발행처 전망 · 독립 검증 전

  Anthropic은 2027년, OpenAI는 2028년 3월 자율 연구 역량을 목표로 한다고 원문은 전한다.

  달성 관측이 아니며 목표 정의·공식 로드맵 별도 확인.

  P015–P016 · I04원문에서 맥락 확인 ↗

• C-RL001-17 · 발행처의 관측 보고 · 독립 검증 전

  Meta와 Scale의 소유 관계 변화 이후 여러 연구소가 정보 노출 우려로 조달을 줄였다는 보도다.

  인수의 법적 구조와 고객별 계약 변경은 미검증. 기존 감소 추세도 있어 모든 이동을 거래 한 사건에 귀속하지 않는다.

  P019–P023 · I05, I06원문에서 맥락 확인 ↗

• C-RL001-18 · 발행처 추정 · 독립 검증 전

  환경 업체가 35곳 이상 등장했고 웹 UI 복제 환경은 대략 사이트당 2만 달러의 일회성 구매라는 설명이다. 환경 업체 35곳 이상, UI 복제 환경 대략 사이트당 20,000달러의 일회성 구매. 작은 업체의 직원 수 20명 미만·고객 수 1~3은 발행처의 일반적 묘사다.

  환경별 복잡도·품질·라이선스가 달라 시장 평균 단가나 반복 매출로 일반화하지 않는다. 수백 사이트 구매·20명 미만·1~3고객은 기사 보도 범위다.

  P025–P032 · I07원문에서 맥락 확인 ↗

• C-RL001-19 · 발행처의 관측 보고 · 독립 검증 전

  업무 앱을 묶은 다중 턴 환경과 HUD의 Docker·MCP·원격 실행·telemetry 도구가 소개된다.

  정해진 도구 호출을 실제 프로그램 동작과 관측으로 바꾸고 실행 기록을 남기는 구조. I08은 아키텍처이지 회사 매출·처리량 검증이 아니다.

  P029–P034 · I08원문에서 맥락 확인 ↗

• C-RL001-20 · 발행처의 관측 보고 · 독립 검증 전

  SWE-rebench는 PR 필터링·설치·실행 검증으로 재현 가능한 코딩 과제를 만든다. SWE-smith는 합성 버그를 더해 낮은 채굴 수율을 보완한다. SWE-rebench는 30,000개 저장소와 450,000개 PR에서 21,336개 과제를 얻었다는 기사 수치다. DeepSeek V3.2의 24,667개 과제와 Kimi의 10,000개 이상 동시 인스턴스는 서로 다른 회사의 지표다.

  450,000 PR 중 21,336 과제라는 분모를 보존. before-fail/after-pass 및 기존 통과 테스트 유지가 조건이다. 비공개 연구소가 같은 조합을 쓰는지는 발행처 추정.

  P037–P045 · I09, I10원문에서 맥락 확인 ↗

• C-RL001-21 · 발행처의 관측 보고 · 독립 검증 전

  전문가가 과제·정답·보상 기준·검수를 공급하고 Mercor·Handshake·Surge·Aboda가 이를 연결한다고 원문이 보고한다.

  I11은 일반 지침→직업 전문가 반복 검수→최종 sign-off라는 품질 절차다. 고용 매칭과 소프트웨어 실행 환경은 별도 역할.

  P048–P058 · I11, I12원문에서 맥락 확인 ↗

• C-RL001-22 · 발행처 추정 · 독립 검증 전

  Surge의 약 10억 달러 ARR, 중국 공급자 육성, Qwen 후속학습 연산이 사전학습의 약 5%라는 추정이 제시된다. Surge 약10억 달러 ARR 추정과 Qwen의 사전학습 대비 후속학습 연산 약5%는 별도 추정이다. ARR은 실제 연간 현금 수취액이 아니다.

  ARR은 연간 실현 매출·현금이 아니다. 연산 비율은 전체 회사 GPU 수요의 5%가 아니다. Moonshot·Z.ai와의 계약 및 성능 기여는 미확인.

  P052–P056원문에서 맥락 확인 ↗

• C-RL001-23 · 발행처의 관측 보고 · 독립 검증 전

  대부분 사람 작성인 채점 rubric을 모델과 신뢰할 도구 연결로 생성하려는 시도가 소개된다.

  I13은 Valero 재무 분석 rubric 한 사례. 숫자 정확성뿐 아니라 근거 인용·원인 귀속·전략 평가가 포함된다. 자동 생성 채점 기준의 정확성·편향은 별도 검증.

  P059–P061 · I13원문에서 맥락 확인 ↗

• C-RL001-24 · 발행처 판단 · 독립 검증 전

  Anthropic은 여러 공급자를 육성하고 규격을 맞추는 전략, OpenAI와 xAI는 내부 전문가 데이터팀을 키우는 전략으로 묘사된다.

  조달 규모·독점 조건·마진 제거 효과는 공식 확인 전이다. 표준화는 관리 비용을 낮추고 내재화는 공급자 마진을 가져오는 별도 경로다.

  P065–P073원문에서 맥락 확인 ↗

• C-RL001-25 · 발행처 판단 · 독립 검증 전

  Anthropic은 코딩 외 컴퓨터 사용·생물 영역을 확대하고, Google은 소유한 업무 앱과 사용 행태라는 잠재 자산을 가진다고 원문은 평가한다.

  Google의 데이터 활용은 권리·조직·정책 조건이 있는 전망. Gemini 2.5 Pro의 후속학습 연산 비율 <5%는 발행처 추정이며 2026년 현재 전체 현황으로 일반화하지 않는다.

  P067; P075–P077원문에서 맥락 확인 ↗

• C-RL001-26 · 발행처의 관측 보고 · 독립 검증 전

  GDPval 보조 실험은 사람이 AI 도움을 받을 때의 속도와 비용 변화를 비교한다. 일부 모델은 개선되지만 GPT-4o 점은 무보조 기준보다 나쁘다.

  I15의 SemiAnalysis 점은 구독 홍보를 덧붙인 것으로 GDPval 원자료와 분리한다. I16은 2013년 Vancouver 소규모 방사선과 업무 시간 조사이며 현 고용 대체의 인과 증거가 아니다.

  P080–P086 · I15, I16원문에서 맥락 확인 ↗

• C-RL001-27 · 발행처의 관측 보고 · 독립 검증 전

  Gmail scraping 제한과 ChatGPT Agent의 Amazon 접근 장애를 보도하고 Instant Checkout 연계를 사례로 든다.

  I17 오류 화면은 해당 세션 실패를 보여줄 뿐 전면 차단 정책·영구 차단·협상 조건을 입증하지 않는다.

  P077; P089–P093 · I17원문에서 맥락 확인 ↗

• C-RL001-28 · 발행처 전망 · 독립 검증 전

  광고·유통 접점을 보호하려는 플랫폼이 접근권을 클라우드·칩 계약과 협상할 수 있다는 전망이다.

  OpenAI–Amazon 협상 보도는 체결 계약이 아니다. 모든 플랫폼의 규제 허용 범위·접근 축소를 확정하지 않는다.

  P091–P093원문에서 맥락 확인 ↗

• C-RL001-29 · 발행처의 관측 보고 · 독립 검증 전

  맞춤 RL 업체가 Qwen 등 모델을 업무 도구에 맞추고 Baseten 등 추론 서비스에서 운영하는 사례가 제시된다.

  Applied Compute·Adaptive ML·RunRL·Osmosis는 맞춤 서비스, Tinker는 학습 접근 도구, Baseten은 배포 역할로 구분. 채용 공고 I19는 조직 기능의 증거이며 수주·매출 증거는 아니다.

  P097–P104; P108 · I19원문에서 맥락 확인 ↗

• C-RL001-30 · 발행처 판단 · 독립 검증 전

  원문은 소형 맞춤 RL 업체가 OpenAI보다 약 5배 저렴하지만 낮은 마진 또는 적자라고 평가하고 장기에는 대형 연구소의 매출 회수를 예상한다.

  동일 작업·품질·지원 범위의 비교자료가 없어 가격 우위나 회사 순위를 독립 확정하지 않는다. Anthropic 내부 서비스의 우월성도 미검증.

  P101–P104; P108원문에서 맥락 확인 ↗

• C-RL001-31 · 발행처 판단 · 독립 검증 전

  RL의 추론 비중과 메모리 부담 때문에 낮은 HBM당 비용의 Trainium이 유리할 수 있다는 주장이다.

  HBM 조달 방식·총소유비용·성능은 검증 전. 달러/HBM만으로 RL 총비용·마진을 결정할 수 없으며 software·통신·가동률·샘플 효율이 필요하다.

  P105원문에서 맥락 확인 ↗

• C-RL001-32 · 발행처 전망 · 독립 검증 전

  Periodic은 신경망 물리 모델→시뮬레이션→로봇 실험을 결합한 학습 고리를 지향하며 물리 실험실을 구축 중이라고 한다. DeepMind의 자동 재료 실험실은 2026년 계획이다.

  I21은 별개 공개 POLYBOT 사례이고 Periodic 상업 가동 증거가 아니다. I22의 초·분·시간은 상대 지연 모식도다.

  P110–P123 · I21, I22원문에서 맥락 확인 ↗

• C-RL001-33 · 발행처의 관측 보고 · 독립 검증 전

  중간학습은 next-token 학습을 이어 도메인 지식·실행 기록을 추가하고, 이후 SFT/RL의 출발점을 바꾼다. 그림 I23: 8B 모델, 6T 토큰 사전학습 뒤 1T 토큰 중간학습. 추가 SFT 이후 SWE-bench Verified pass@1은 기준14.6%에서 PR·tracing·Forager를 모두 더한 구성22.1%로 제시된다.

  I23은 8B 모델·사전학습 6T 토큰·중간학습 1T 토큰의 Meta ablation이다. SBV pass@1은 추가 SFT 뒤 측정. OpenAI 5~10배 토큰 주장은 별도 추정이며 도표가 입증하지 않는다.

  P117–P121 · I23, I24원문에서 맥락 확인 ↗

• C-RL001-34 · 발행처 판단 · 독립 검증 전

  초기 후보 탐색·실험 반복과 개발 문서·도구 연결은 과학 AI의 다른 적용 시장이다. 원문은 각각 OpenAI와 Anthropic의 당시 초점으로 묘사한다.

  장기 영구 분업이 아니며 임상·허가 성공 단축은 입증되지 않는다. Medra는 약 개발/기반모델보다 데이터 생산 인프라를 목표로 한다.

  P125–P131원문에서 맥락 확인 ↗

• C-RL001-35 · 발행처 전망 · 독립 검증 전

  Medra는 수백 로봇 규모 생물 실험 데이터 인프라를 목표로 한다. 실제 실험은 재료·전력·장비·공간·시간이 든다.

  수백 로봇은 가동 확인 수량이 아니다. 실험당 수백~수천 달러와 시간~일은 도메인 예시 범위이며 전체 평균이나 고객 청구 단가로 쓰지 않는다.

  P129–P134원문에서 맥락 확인 ↗

• C-RL001-36 · 발행처 판단 · 독립 검증 전

  희소하고 늦은 최종 보상 대신 중간 단계와 rubric을 평가해 학습 신호를 보강할 수 있다.

  과정 점수가 실제 과학 결과를 대신할 수 있다는 검증은 아니다. 실제 성공과 어긋나는 proxy가 되면 새로운 reward hacking이 된다.

  P134–P137 · I25, I26원문에서 맥락 확인 ↗

• C-RL001-37 · 발행처의 관측 보고 · 독립 검증 전

  PipelineRL은 생성·학습 동시 실행과 실행 중 가중치 갱신으로 straggler 대기를 줄이고 기존 KV cache를 재사용한다.

  약 2배는 논문 특정 장문 추론 실험의 학습 속도/벽시계 효과이며 생물 실험 완료속도나 모든 연구소 생산 성능이 아니다. 정책 지연과 최종 품질을 함께 보아야 한다.

  P138–P139 · I27원문에서 맥락 확인 ↗

• C-RL001-38 · 발행처 전망 · 독립 검증 전

  정합적인 과학 데이터와 제약사 비공개 데이터·임상 지식이 모델 연구소와의 제휴 자원이 될 수 있다는 전망이다.

  I28 자동 실험 루프는 구현 구조의 예이며 특정 신규 제휴 체결 증거가 아니다. AlphaFold 17만 샘플·Ether0 데이터는 배경 수치로만 보존.

  P140–P143 · I28원문에서 맥락 확인 ↗

• C-RL001-39 · 발행처의 관측 보고 · 독립 검증 전

  다중 에이전트는 후보 생성·평가·계획·코딩을 분리한다. AlphaEvolve는 평가 결과를 해답 데이터베이스로 되돌리고 Astra는 기존 SGLang 커널을 개선한다. Astra 초록의 평균1.32배는 o4-mini가 기존 SGLang CUDA 커널을 최적화한 결과다. 모델 전체 추론속도 또는 모든 커널의 개선율로 일반화하지 않는다.

  같은 기반모델의 시스템 개선을 기반모델 자체의 일반지능 상승으로 쓰지 않는다. ARC-AGI 점수는 특정 scaffold·비용·평가판 범위다.

  P146–P157 · I29, I30, I31, I32원문에서 맥락 확인 ↗

• C-RL001-40 · 발행처 판단 · 독립 검증 전

  협업 추론의 경제성은 문제 가치와 총비용에 달리고 일부 재귀 문맥 분할은 비용을 줄일 수 있다는 설명이다.

  인원·에이전트 수 증가가 항상 비용 증가·성능 개선을 뜻하지 않는다. Claude Code ARR와 OpenAI self-play 선두 평가는 미검증.

  P156–P160원문에서 맥락 확인 ↗

• C-RL001-41 · 발행처의 관측 보고 · 독립 검증 전

  원문은 AlphaGo가 인간 대국 없이 체스·바둑을 정복했다고 설명하지만 AlphaGo·AlphaGo Zero·AlphaZero를 혼동한다.

  Google DeepMind 원문 대조: 초기 AlphaGo는 인간 대국을 사용했고 chess/shogi/Go self-play 일반화는 AlphaZero다. 이 문장을 투자 근거에서 제외한다.

  P158원문에서 맥락 확인 ↗