Apodex-1.0: 검증하는 에이전트 팀으로 딥리서치 SotA를 달성한 헤비듀티 솔버 (feat. Qwen3.5)

9bow · 6월 11, 2026, 2:31오전

Apodex-1.0 소개

Apodex가 자사의 최신 딥리서치(deep research) 모델인 Apodex-1.0 을 공개했습니다. Apodex-1.0은 도구를 사용하는 표준 ReAct(Reason + Act) 에이전트로 동작하는 모델이며, 이 모델을 자사의 헤비듀티 모드(heavy-duty mode) 에 올리면 전문화된 서브에이전트들이 비동기로 탐색하고 서로의 근거를 교차 검증한 뒤 답을 내놓는 Apodex-1.0-H 가 됩니다. Apodex-1.0-H는 공개 딥리서치 벤치마크 전반에서 오픈소스와 클로즈드소스 모델을 통틀어 새로운 최고 성능(SOTA)을 기록했다고 발표되었습니다.

Apodex 팀이 출발점으로 삼은 문제의식은 분명합니다. 오늘날 에이전트가 마주하는 가장 어려운 연구 문제는 모델의 용량이 아니라 모델이 외부 세계와 얼마나 깊이 상호작용할 수 있는가에 의해 가로막힌다는 것입니다. 긴 호흡의 연구 과제에는 하나의 구조적 특징이 있습니다. 단 한 번의 순전파(forward pass)로는 부족하고, 하나의 컨텍스트 윈도우(context window)에 작업 전체를 담을 수 없다는 점입니다. 이런 과제는 추론(reasoning)을 검색, 도구 사용, 검증과 번갈아 가며 수백 단계, 그리고 수많은 병렬 분기에 걸쳐 지속해야 합니다. 여기서의 신뢰성은 모델의 파라미터에 저장된 기억(parametric memory)만으로는 나올 수 없습니다.

Apodex는 이 능력을 발견적 지능(Discoverative Intelligence) 이라고 부릅니다. 외부 세계와 능동적으로 부딪히며 추론하고, 답을 확정하기 전에 그 부딪힘을 스스로에게 되물어 검증하는 능력입니다. 이러한 맥락에서 Apodex의 핵심 주장은 다음 한 문장으로 압축됩니다. "루프를 늘리는 것은 발견을 늘리는 것과 같지 않다(Scaling the loop is not the same as scaling discovery)." 즉, 하나의 에이전트가 추론 루프를 더 길게 끌고 가는 대신, 여러 전문 에이전트로 이루어진 팀 을 띄우고 그 결과를 독립적인 검증기가 감사하도록 하는 것이 더 나은 길이라는 것입니다.

발표와 함께 Apodex는 소형 모델군을 오픈소스로 공개했습니다. 35B 규모의 Apodex-1.0-mini(35B-A3B, MoE)와 0.8B/2B/4B SFT 변형들이 Apache License 2.0으로 Hugging Face에 올라와 있고, 공개 벤치마크 결과를 재현할 수 있는 평가 하니스 AgentHarness도 함께 배포되었습니다. 이 글에서는 발견적 지능이라는 문제의식, 헤비듀티 에이전트 팀과 AgentOS 런타임의 구조, 벤치마크 성적, 학습 레시피, 그리고 직접 돌려보는 방법까지 차례로 살펴보겠습니다.

왜 "루프를 늘리는 것"으로는 부족한가

Apodex가 가진 근본적인 관점은, 어렵고 열린(open-ended) 문제에서의 신뢰성은 모델 파라미터에 담긴 기억만으로는 확보할 수 없다는 것입니다. 하나의 에이전트가 전체 인지 부하(cognitive load)를 혼자 짊어지면 세 가지 문제가 동시에 발생합니다. 첫째, 컨텍스트가 혼잡해집니다(context congestion). 둘째, 서로 다른 탐색 분기가 같은 컨텍스트 안에서 섞이며 오염됩니다(branch contamination). 셋째, 하나의 컨텍스트 윈도우 안에서 유일한 검증 수단인 자기반성(self-reflection) 이 그 혼잡 속에서 점점 신뢰할 수 없게 됩니다.

이 문제를 정면으로 다루기 위해 Apodex는 궤적의 길이(trajectory length)를 능력의 대리 지표로 삼기를 거부했습니다. 대신 하나의 에이전트가 모든 부하를 떠안는 구조를 버리고, 오케스트레이터(orchestrator)가 과제를 분해한 뒤 검색과 검증을 담당하는 전문 서브에이전트를 동적으로 생성해 비동기로 조율하는 에이전트 팀(agent team) 을 구성합니다. 이 접근이 던지는 질문 자체가 바뀝니다. "가장 많이 동의된 답은 무엇인가(which answer is most agreed upon)" 에서 "전체 근거가 무엇을 뒷받침하는가(what does the full body of evidence support)" 로 옮겨가는 것입니다.

핵심은 검증이 구조적으로 외부에(structurally external) 위치한다는 점입니다. 검증기는 감사 대상이 되는 추론을 이어가는 것이 아니라 평가하도록 프롬프트되며, 얼마든지 그 추론에 동의하지 않을 자유를 가집니다. 같은 컨텍스트 안에서 자기 자신을 되돌아보는 자기반성과 달리, 별도의 맥락과 역할을 가진 검증기가 조립된 근거를 따져 묻는 방식입니다. 이 차이가 Apodex 설계의 출발점이며, 두 개의 함께 설계된 구성 요소가 이를 가능하게 합니다. 바로 전역 검증을 갖춘 헤비듀티 에이전트 팀 과, 그 팀을 호스팅하는 작업 비종속 런타임 AgentOS 입니다.

헤비듀티 모드: 전역 검증을 갖춘 에이전트 팀

학습된 모델이 헤비듀티 모드에 배치되면, 메인 에이전트(main agent) 가 질의를 받아 과제를 분해하고 비동기적으로 전문 서브에이전트들을 생성합니다. 각 서브에이전트는 자기만의 컨텍스트, 프롬프트, 도구 집합을 가진 채 검색과 검증 작업을 할당받습니다. 이들이 만들어 낸 보고서는 공유 보고서 풀(shared report pool) 로 흘러 들어가고, 오케스트레이터는 이 풀의 상태 테이블(status table)을 비동기로 읽으며 가장 느린 작업에 발이 묶이지 않고 진행합니다.

두 보고서가 서로 모순될 때, 특정 주장에 근거가 더 필요할 때, 또는 초안이 최종 검토를 받을 준비가 되었을 때, 오케스트레이터는 그 작업을 전담 검증 에이전트 팀(verification agent team) 으로 넘깁니다. 이 팀은 모순을 조정하는 충돌 검토자(conflict reviewer), 사실을 확인하는 사실 검증자(fact checker), 그리고 초안 보고서를 검토하는 초안 검토자(draft-report reviewer)로 구성됩니다. 탐색이 끝나면 마지막으로 전역 검증기(global verifier) 가 조립된 근거 전체를 따져 최종 답을 만들어 냅니다.

이 구조가 만들어 내는 규모는 상당합니다. 실제 배치 환경에서 이 아키텍처는 단일 과제 하나에 대해 최대 150개의 서브에이전트를 15,000 스텝 이상 실행하며 조율합니다. Apodex는 이를 단일 에이전트 루프의 포화 지점을 약 100배(두 자릿수 오더, two orders of magnitude) 넘어서는 규모라고 설명합니다. 흥미롭게도 헤비듀티 모드는 종종 기본 에이전트보다 더 적은 스텝을 쓰기도 합니다. 검증기가 정보 이득(information gain)이 없는 스텝을 걸러 내고, 해답을 진전시키는 곳에 연산을 집중시키기 때문입니다.

또한 이 구조 덕분에 Apodex의 최종 보고서는 태생적으로 감사 가능(auditable by construction) 합니다. 최종 답의 모든 주장은 근거 그래프(evidence graph)의 한 노드로 거슬러 올라가며, 전달 전에 독립적으로 검증됩니다. 보고서 풀은 모든 발견, 판정, 개입을 기록하므로 결론을 감사(audit)하고, 철회(retract)하고, 분기(fork)할 수 있습니다. 이것이 Apodex가 말하는 "통계적 확신이 아니라 구조적 확신(certainty that is structural, not statistical)" 입니다.

AgentOS: 작업에 종속되지 않는 런타임

AgentOS 는 이 에이전트 팀과 그 형제 워크플로우들을 단일한 작업 비종속(task-agnostic) 커널 위에서 호스팅하는 런타임입니다. 커널은 스케줄링, 모델과 도구 라우팅, 이벤트 스트리밍, 체크포인트, 트레이스, 비용 회계(cost accounting), 권한 강제, 재사용 가능한 에이전트 컴포넌트를 제공하면서도, 그 어떤 특정 과제에 대해서도 아무것도 알지 못합니다.

설계 원칙은 엄격한 분리입니다. 워크플로우 정책(workflow policy)은 좁은 런타임 파사드(runtime facade) 위에 자리 잡고, 작업 비종속 실행 메커니즘은 그 아래에 위치합니다. 위 다이어그램이 이 계층 구조를 잘 보여 줍니다.

진입 표면(Entry Surfaces): API/프론트엔드, 인프로세스 SDK, 그리고 stdin JSON 및 stdout JSONL로 동작하는 워커 셸 CLI(Worker Shell CLI). 과제가 하니스로 들어오는 통로입니다.
워크플로우 조립(Workflow Assembly): 워크플로우 정의(PipelineSpec, 노드, 역할), 정책 훅(Policy Hooks, 옵저버와 미들웨어), 도구/스킬/MCP, 재사용 단위(버스, 검증, 메모리)로 이루어진 최종 에이전트 서브시스템.
NodeContext 런타임 파사드(Runtime Facade): 모델 호출, 도구 호출, 루프 실행, 이벤트 발행, 산출물 영속화를 담당하는 좁은 인터페이스. 위와 아래를 가르는 경계선입니다.
제네릭 런타임 코어(Generic Runtime Core): DAG 실행을 담당하는 워크플로우 스케줄러, ReAct와 컨텍스트 압축(compaction)을 담당하는 제네릭 에이전트 루프, LLM과 fail-closed 도구를 관리하는 리소스 매니저, 레지스트리와 라우팅을 담당하는 이벤트 버스 등 작업 비종속 메커니즘.
외부 리소스(External Resources): LLM 프로바이더, 웹/MCP 서비스, 코드 샌드박스 같은 모델과 도구 실행 백엔드.
선택적 상태 사이드카(Optional State Sidecar): 이벤트, 트레이스, 비용, 체크포인트, 보고서를 stateless/JSONL/SQLite 형태로 적재하는 싱크.

이 구조의 실용적 함의는 명확합니다. 새 애플리케이션을 추가하는 일은 커널을 패치하는 것이 아니라 플러그인 코드 폴더 하나를 더하는 일이 됩니다. 새 과제가 생긴다고 런타임이 새로운 분기를 키우지 않으며, 연구(research), 스웜(swarm), SWE, 증명(proof) 같은 서로 다른 도메인이 같은 커널 위에서 함께 돌아갑니다.

벤치마크에서의 위치

AI가 질문에 답하는 단계에서 복잡한 과제를 실행하는 단계로 옮겨 가면서, 열린 웹을 탐색하고 파싱하고 종합하는 능력이 결정적인 차별점이 됩니다. Apodex는 검색 계열과 과학 연구 계열 양쪽에서 결과를 보고했습니다.

검색 계열에서 Apodex-1.0-H는 BrowseComp 90.3, BrowseComp-ZH 84.1, DeepSearchQA 94.4, 그리고 도구를 사용하는 텍스트 전용 HLE(Humanity's Last Exam) 60.8 로 새로운 SOTA를 기록했습니다. BrowseComp에서는 GPT-5.5-pro(90.1)를 근소하게 앞섰고, DeepSearchQA에서는 Claude-Opus-4.8(93.1)과 Kimi-K2.6(92.5)을 넘어섰습니다.

리드는 과학 연구 계열에서 더 벌어집니다. Apodex-1.0-H는 FrontierScience-Research 46.7, FrontierScience-Olympiad 87.4, SuperChem 74.2 로 각 항목에서 차상위 모델(각각 Muse Spark 38.3, GPT-5.2 75.0, Gemini-3.0-Pro 63.2)을 8~12 포인트 차이로 따돌렸습니다.

같은 모델군 안에서 비교하면 헤비듀티 모드가 기여하는 폭이 정량적으로 드러납니다. 헤비듀티 모드는 기본 Apodex-1.0 대비 BrowseComp에서 +14.8 포인트(75.5 → 90.3), FrontierScience-Research에서 +18.4 포인트(28.3 → 46.7)를 끌어올렸습니다. 테스트 시점의 스케일링(test-time scaling)이 만들어 내는 차이가 결코 작지 않다는 것을 보여 줍니다.

정보 누출(예: 공개 저장소에서 벤치마크 정답을 검색해 오는 행위)을 막기 위해, Apodex는 평가 중 관련 벤치마크 호스팅 웹사이트에 대한 접근을 차단했다고 밝혔습니다.

작은 규모에서도 살아 있는 딥리서치 능력

Apodex 팀이 강조하는 또 하나의 지점은, 딥리서치 능력의 상당 부분이 테스트 시점 스케일링만이 아니라 학습된 모델 자체 에 들어 있다는 것입니다. 이를 뒷받침하기 위해 0.8B/2B/4B SFT 변형을 오픈소스로 공개했는데, 딥리서치 SFT 데이터만으로 학습한 컴팩트한 Apodex-1.0-4B-SFT가 BrowseComp(48.8)와 BrowseComp-ZH(63.5) 양쪽에서 모든 오픈소스 30B급 모델을 앞섰습니다. 단순한 파라미터 수가 아니라 세심한 데이터 구성이 연구 능력을 끌어올린다는 증거입니다.

모델	파라미터	BrowseComp	BrowseComp-ZH	HLE-Text	DeepSearchQA
Apodex-1.0-mini	35B-A3B	71.5	80.6	46.8	82.2
Apodex-1.0-4B-SFT	4B	48.8	63.5	32.9	69.9
Apodex-1.0-2B-SFT	2B	27.9	35.0	18.2	49.9
Apodex-1.0-0.8B-SFT	0.8B	13.9	10.7	11.2	25.8

일반 능력은 그대로 보존

딥리서치에 집중했다고 해서 기본 모델의 범용 능력이 깎이지는 않았습니다. Apodex의 후학습(post-training)은 덮어쓰기보다 보존(preserve rather than override) 을 지향하도록 설계되어, 일반 지식(MMLU-Pro/Redux, C-Eval), 수학(AIME 2026, HMMT), 지시 따르기(IFEval, IFBench), 긴 컨텍스트(LongBench v2, AA-LCR) 전반에서 Apodex-1.0-mini와 Apodex-1.0이 동급 크기의 Qwen3.5 베이스를 대략 1 포인트 이내로 따라갑니다. 코딩 능력도 유지되어 Apodex-1.0-H는 SWE-bench Verified 79.0, Terminal-Bench v2 58.4를 기록했습니다. 후학습이 다른 축을 희생하는 트레이드오프 가 아니라 딥리서치 축에 덧붙이는(additive) 방식이었음을 보여 줍니다.

학습 레시피: Qwen3.5 기반 3단계 후학습

Apodex-1.0은 Qwen3.5 베이스 모델 위에, 고품질 데이터 파이프라인과 3단계 후학습 레시피로 만들어졌습니다. 세 단계는 다음과 같습니다.

지도 미세조정(SFT, Supervised Fine-Tuning): 딥리서치 궤적 데이터로 기본적인 도구 사용과 연구 행동을 학습시키는 단계입니다. 앞서 본 0.8B~4B SFT 변형이 이 단계만으로 학습된 모델들입니다.
에이전틱 DPO(Agentic Direct Preference Optimization): 에이전트의 행동 선택에 대한 선호(preference)를 학습시켜, 더 나은 궤적을 선택하도록 정렬하는 단계입니다.
긴 에이전틱 롤아웃에 대한 강화학습(RL on long agentic rollouts): 수백 스텝에 이르는 실제 에이전트 실행 전체를 대상으로 강화학습을 적용해, 장기 호흡의 연구 과제에서의 성능을 끌어올리는 단계입니다.

이 레시피의 핵심은 Qwen3.5 베이스의 일반 지식, 코딩, 추론, 지시 따르기 능력을 보존하면서 딥리서치 능력을 크게 끌어올렸다는 점입니다. Apodex-1.0은 Qwen3.5의 채팅 템플릿을 그대로 따르므로, 도구 호출은 <function=...><parameter=...> 형태로, 추론(reasoning)은 <think>...</think> 블록으로 방출됩니다. 서빙 시 그에 맞는 파서를 지정하면 서버가 표준 OpenAI 스타일의 tool_calls와 reasoning_content 필드로 복원해 줍니다.

실제로 무엇을 풀어내는가: 샘플 쇼케이스

Apodex는 발표 블로그에서 세 가지 도메인의 실제 질의와 그 출력을 공개했습니다. 모두 단순한 사실 검색을 넘어, 잘못된 전제를 잡아내고 근거를 단계적으로 쌓는 연구 설계 수준 의 답을 요구하는 질문들입니다.

생명과학과 임상의학 사례에서는, AI가 다중 표적(multi-target) 항암 활성을 예측한 저분자 화합물에 대해 그 활성이 정말로 여러 표적의 공동 기여에서 비롯되는지, 아니면 예측 편향이나 비특이적 세포독성, 단일 우세 표적의 효과인지 를 가려내는 검증 프레임워크를 묻습니다. Apodex는 표적 결합 확인 → 인과 연결 → 다중 표적 우월성 → 독성 배제로 이어지는 4계층 의사결정 프레임워크를, 정량적 go/no-go 임계값과 CRISPR 기반 유전 대조군, 프로젝트 중단 및 재설정 조건까지 포함해 설계해 냈습니다.

금융 사례에서는 Adidas의 분기별 환율(FX) 가이던스와 실제 결과의 괴리를 8개 분기에 걸쳐 정량 분석하라는 질의가 주어졌습니다. Apodex는 "Adidas가 분기별 FX 가이던스를 발표한다" 는 질문의 전제 자체가 틀렸음을(실제로는 연간 가이던스를 통화 중립 기준으로만 제시) 먼저 잡아낸 뒤, 답할 수 있는 두 개의 대체 질문으로 재구성하고 1차 공시 자료에서 8개 분기 실제 FX 영향 표를 조립했습니다.

법률 사례에서는 델라웨어 회사법에서 지분 15% 미만의 소수 주주가 주주 간 계약으로 모든 이사 임명권과 거래 사전 승인권을 쥔 상황에서, 순전히 개인적 적의로 행사된 거부권을 다툴 수 있는지를 묻습니다. Apodex는 Moelis 판결, DGCL §122(18), §144(e)(2) 등 1차 법원·법령 자료를 인용하며 as-applied 집행 가능성 도전 과 지배주주 신인의무 청구 라는 두 갈래 소송 전략을 함께 제시했습니다.

세 사례 모두 답을 그대로 받아들이기보다 전제를 의심하고, 인용 가능한 1차 자료로 모든 주장을 떠받치는 패턴을 공통적으로 보여 줍니다. 이것이 검증 중심(verification-centric) 설계가 출력 단계에서 드러나는 방식입니다.

직접 돌려보기: AgentHarness와 오픈 모델

오픈소스로 공개된 AgentHarness는 표준 ReAct 설정에서 Apodex-1.0의 공개 벤치마크 결과를 재현하기 위한 평가 하니스입니다. 지원 벤치마크는 BrowseComp, BrowseComp-ZH, xbench-DeepResearch, Humanity's Last Exam(텍스트 전용), SuperChem, FrontierScience-Research, FrontierScience-Olympiad, DeepSearchQA, WideSearch입니다.

모델은 SGLang 또는 vLLM으로 OpenAI 호환 엔드포인트를 띄워 서빙하는 것을 권장합니다. Apodex는 Qwen3.5 채팅 템플릿을 따르므로, 도구 호출과 추론을 올바르게 복원하려면 그에 맞는 파서를 함께 지정해야 합니다.

# SGLang
python3 -m sglang.launch_server --model-path apodex/Apodex-1.0-35B-A3B \
  --tp 8 --host 0.0.0.0 --port 1234 --context-length 262144 \
  --tool-call-parser qwen3_coder --reasoning-parser qwen3

# vLLM
vllm serve apodex/Apodex-1.0-35B-A3B --tensor-parallel-size 8 \
  --max-model-len 262144 --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder --reasoning-parser qwen3

에이전틱 작업에서의 권장 샘플링 파라미터는 temperature: 1.0, top_p: 0.95, repetition_penalty: 1.05, 최대 컨텍스트 길이 262,144, max_tokens: 32768입니다. 하니스 자체는 각 문제를 독립된 서브프로세스로 실행해 재현과 디버깅을 쉽게 만듭니다. 문제별로 실행이 격리되고, asyncio 포화가 없으며, 멈춘 실행은 개별적으로 SIGKILL 할 수 있고, 실패한 샘플만 따로 재실행할 수 있습니다.

# 의존성 설치 후 풀 벤치마크 실행 예시
uv sync --python 3.12
uv run python -m benchmarks.runner.run_subprocess \
  --benchmark browsecomp --pipeline react_base --profile default \
  --runs 5 --concurrency 30 --out ./bc-runs

웹 검색, 웹 페치, 코드 샌드박스를 켜려면 각각 Serper, Jina, E2B API 키를 .env에 채워 넣으면 됩니다. 다만 HLE는 정답 재배포를 금지하는 라이선스 때문에 하니스에 포함되어 있지 않으므로, cais/hle 데이터셋의 라이선스에 동의한 뒤 JSONL을 직접 배치해야 hle_text를 실행할 수 있습니다. 서빙이나 하니스 실행 중 막히는 부분이 있다면 Apodex 팀의 Discord에서 질문하고 피드백을 주고받을 수 있습니다.

라이선스

Apodex-1.0-mini를 비롯한 오픈 모델군과 AgentHarness는 Apache License 2.0으로 배포되고 있어, 연구 목적은 물론 상업적 용도로도 자유롭게 사용 및 수정이 가능합니다. 다만 호스팅형 서비스인 Apodex-1.0 및 Apodex-1.0-H(헤비듀티 모드)는 apodex.ai와 API 플랫폼을 통해 제공됩니다.

마치며

Apodex의 출발점은 일관됩니다. 기계 추론의 도약은 더 큰 컨텍스트 윈도우나 더 매끄러운 대화에서 오는 것이 아니라, 외부 세계와 신중하게 부딪히고 확정 전에 스스로를 검증하며 루프를 늘리는 대신 팀 을 띄워 확장하는 헤비듀티 솔버(heavy-duty solver) 에서 온다는 것입니다. 단일 에이전트 루프의 한계를 궤적 길이로 우회하려는 대신, 검증을 추론 바깥에 구조적으로 배치한 설계는 에이전트 시스템을 고민하는 개발자에게 곱씹어 볼 만한 관점을 줍니다. 오픈소스로 공개된 소형 모델군과 평가 하니스 덕분에, 이 주장을 직접 손으로 확인해 볼 수 있다는 점도 반갑습니다.

Apodex-1.0 소개 블로그

AgentHarness GitHub 저장소

Apodex-1.0 Hugging Face 컬렉션

더 읽어보기

이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다.

파이토치 한국 사용자 모임이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일로 보내드립니다!
텔레그램(Telegram)이나 Slack/Discord/Teams/Dooray/GoogleChat 등으로도 새 글 알림을 받으실 수 있습니다.

아래쪽에 좋아요를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~