오늘의 헤드라인

Mica v0.1 4B는 AI 에이전트 루프(게이팅, 라우팅, 사용자 질문 여부 판단 등)를 위해 설계된 새로운 오픈소스 의사결정 모델입니다. Apache-2.0 라이선스로 공개된 이 모델은 텍스트 생성 없이 예/아니오, 다중 선택지, 점수화된 레벨에 대해 보정된 확률(calibrated probabilities)을 출력합니다. TypeSafe /v1/systemone 형식과 호환되어 기존 Jev 스타일 워크플로우에 통합할 수 있습니다. ## 아키텍처 및 학습 모델은 Qwen3.5-4B를 기반으로 하며, 32개 레이어 전체에 rank-16 LoRA를 적용해 표준 체크포인트로 병합했습니다. 학습에는 약 34k개의 원본 의사결정 데이터를 확장한 77,732개 행(34.7M 토큰)이 사용되었으며, 영어와 한국어가 균등하게 분포되어 코딩 에이전트, 코드 리뷰, 정책 규칙 등 다양한 도메인을 포함합니다. 실험을 포함한 전체 학습 과정은 RTX 3090 GPU 대여 비용으로 $30 미만으로 완료되었습니다. ## 성능 벤치마크 7,328개 의사결정으로 구성된 홀드아웃 세트에서 Mica는 영어 하위셋에서 67.0점을 기록해 JevK5 4B(61.0)와 Kev 4B(57.0)를 능가했으나, 폐쇄형 API인 Jev 1.13(74.1)에는 미치지 못했습니다. RTX 3090에서의 속도 테스트 결과, Q4_K_M 양자화 버전은 중앙값 지연 시간 47 ms를 달성해 Kev 4B(76 ms)와 JevK5 4B(99 ms)보다 현저히 빨랐습니다. ## 주요 기능 및 한계 * 견고성: 데이터 내 프롬프트 인젝션 공격에 대해 Mica는 69%의 정확도를 유지하며, Jev의 18%보다 우수합니다. * 보정: 높은 신뢰도 예측(≥0.9)의 오류율은 2.5%로 낮습니다(ECE 5.4%). * 효율성: Q5_K_M GGUF 파일 크기는 3.5 GB이며, BF16 대비 정확도 손실이 미미합니다. * 한계: 지식 중심 작업(MMLU-Pro 점수 53.0 vs Jev 82.3)과 긴 영어 정책 문서 처리에는 어려움을 겪습니다. 또한 가역적 조치와 비가역적 조치를 명확히 구분하지 못하는 점이 현재 한계로 지적됩니다.