AI21, NVIDIA Nemotron 3.5 Super VL 포스트 트레이닝으로 기업용 특화 모델 개발

AI21의 Forward-Deployed Researchers(FDR) 팀이 Gong, Deel, Alice와 협력해 최근 공개된 NVIDIA Nemotron 3.5 Super VL을 포스트 트레이닝했다. 이 사례는 AI21의 Lab-as-a-Service와 자체 Harness 플랫폼을 통해 기업이 범용 모델 임대에서 자체 특화 지능 소유로 전환하는 방식을 보여준다. 전체 과정은 분기가 아닌 몇 주 만에 완료됐다.

Gong: 낮은 비용으로 프론티어 품질 달성

매출 AI 기업 Gong은 월 수천만 건의 고객 상호작용을 처리하는 Gong Data Extractor의 비용을 절감해야 했다. 거래 및 계정 정보 식별 정확도를 유지하는 것이 목표였다.

• 방법: FDR 팀은 고유 학습 데이터셋을 구축하고 2주간 SFT와 DPO 기법을 적용했다.
• 결과: 특화 모델은 Gong의 평가 기준에서 Claude Opus 5.5와 동일한 속도와 정확도를 기록했으나, 비용은 극히 일부에 불과했다.

Deel: 급여 QA에서 프론티어 정확도 초과

글로벌 HR 및 급여 플랫폼 Deel은 부분적인 답변을 오답으로 간주하는 복잡한 관할권별 급여 질문에 완전한 답변을 제공할 수 있는 모델을 필요로 했다.

• 방법: Emet by Deel의 전문가 검증 데이터를 활용해 프루닝된 롤아웃에 대한 SFT와 SDPO(자기 증류 정책 최적화)를 순차 적용하는 2단계 레시피를 사용했다.
• 결과: 8개국 급여 벤치마크에서 답변 정확도가 **72%**에 도달했으며, 이는 Claude Opus 5.5보다 8포인트 높은 수치다. 쿼리당 비용은 33배 저렴했다.

Alice: 공격 복원력 강화

AI 안전 기업 Alice는 Slack과 GitHub 같은 환경에서 간접 프롬프트 인젝션 공격에 대한 모델의 복원력을 향상시키고자 했다.

• 방법: Alice의 “Rabbit Hole” 데이터셋과 RL gym을 활용하여 SFT와 DPO를 적용한 뒤, 다양성과 성능을 높이기 위해 GRPO(온라인 RL)를 추가로 수행했다.
• 결과: 포스트 트레이닝된 모델은 전체 작업 성능 저하 없이 공격 복원력을 41포인트 개선해 GPT-6.1 Sol을 능가했다.

AI 독립성 시사점

이러한 협업은 **주권적 특화 지능(sovereign specialized intelligence)**으로의 전환을 강조한다. Nemotron 3.5 Super VL 같은 오픈 파운데이션 모델을 자체 데이터로 포스트 트레이닝함으로써, 기업은 비용 절감, 정확도 향상, 보안 강화 등 특정 성능 목표를 달성하면서도 에이전트 행동과 데이터를 완전히 통제할 수 있다. 기본 평가부터 특화 배포까지 전체 과정은 단 3주가 소요됐다.