Meta Muse Spark: 개인용 초지능을 향한 Meta의 첫걸음에 대한 심층 기술 분석

2026년 4월 8일, Meta Superintelligence Labs(MSL)는 Muse Spark를 공개했습니다 — 새로운 Muse 패밀리의 첫 모델이자 Meta의 오픈소스 AI 노력을 규정해 온 Llama 계열에서 크게 벗어난 모델입니다. Muse Spark는 도구 사용(tool-use), visual chain of thought, 멀티 에이전트 오케스트레이션을 지원하도록 처음부터 설계된 네이티브 멀티모달 추론 모델입니다. 현재 meta.ai와 Meta AI 앱에서 사용 가능하며, 일부 사용자에게는 비공개 API 프리뷰가 순차적으로 제공되고 있습니다.

이는 단순한 또 하나의 모델 출시가 아닙니다. Hyperion 데이터 센터를 기반으로 한 Meta의 포스트-Llama 전략, 즉 AI 스택을 처음부터 전면 재구축한 결과물의 서막이며, Gemini Deep Think와 GPT Pro에 직접 도전하는 Contemplating mode라는 새로운 추론 패러다임까지 탑재하고 있습니다.

이 글에서는 Muse Spark가 기술적으로 흥미로운 이유, 현재 최전선 모델들과의 비교, 그리고 그 확장 경로(scaling trajectory)가 Meta의 향후 방향에 대해 무엇을 말해주는지 살펴봅니다.

Muse Spark란 무엇인가?

Muse Spark는 네이티브 멀티모달 추론 모델입니다. 즉, 비전, 언어, 도구 사용이 별도의 모듈처럼 덧붙여진 것이 아니라 아키텍처 수준에서 통합되어 있습니다. 이는 주로 텍스트 중심의 기반 위에 멀티모달 기능을 얹은 Llama 4 패밀리와 비교했을 때 중요한 차이입니다.

Meta는 Muse Spark를 개인용 초지능을 향한 "스케일링 사다리의 첫 단계"로 규정합니다. 이는 사용자의 즉각적인 주변 환경을 이해하고, 웰빙을 지원하며, 여러 도메인을 가로질러 사용자를 대신해 추론하는 AI를 의미합니다. 이 모델은 매우 개인화되고 맥락이 풍부한 사용 사례를 위해 설계되었습니다. 예를 들어 스마트폰 카메라를 통해 주변을 분석하거나, 동적 시각 주석으로 가전제품 문제를 해결하거나, 사용자의 신체와 식단에 맞춘 인터랙티브 건강 정보를 생성하는 식입니다.

실용적 목표는 분명합니다. Meta는 단순한 범용 챗봇이 아니라, 사용자의 기기와 일상 속에 존재하는 개인화된 추론 엔진을 만들고 있습니다.

벤치마크 성능: Muse Spark의 현재 위치

벤치마크 결과는 흥미로운 그림을 보여줍니다. Muse Spark는 멀티모달 인식, 텍스트 추론, 헬스, 에이전틱(agentic) 작업 전반에서 프론티어 모델들과 경쟁력 있는 성능을 보이지만, 항상 압도적인 우위를 점하는 것은 아닙니다.

멀티모달 벤치마크

Muse Spark는 비전-언어 작업에서 강한 수치를 기록합니다. CharXiv Reasoning(도표 이해)에서 86.4점을 받아 Gemini 3.1 Pro의 80.2, GPT 5.4의 82.8, Grok 4.5의 60.9를 앞섭니다. MMMU Pro(멀티모달 이해)에서는 80.4점을 기록해 Gemini의 83.9, GPT의 81.2와 근접합니다. 다단계 시각 추론 작업인 ZeroBench에서는 33.0점을 받아 GPT의 41.0보다는 낮지만 Gemini의 29.0보다는 높아, 경쟁력 있는 시각 추론 깊이를 보여줍니다.

진정으로 차별화되는 지점은 ScreenSpot Pro(Python을 활용한 스크린샷 위치 지정)에서 84.1점, ERQA(embodied reasoning)에서 64.7점을 기록한 부분입니다. 이 벤치마크들은 실제 세계의 시각적 grounding — 화면이나 물리적 장면에 무엇이 있는지 이해하고 그에 따라 행동하는 능력 — 을 평가하며, 이는 Meta의 개인용 초지능 비전과 직접 맞닿아 있습니다.

텍스트 및 추론 벤치마크

순수 추론에서는 Muse Spark가 경쟁력은 있지만 압도적이지는 않습니다. Humanity's Last Exam(no tools)에서 42.8점을 받아 Gemini 3.1 Pro의 45.4, GPT 5.4의 43.9와 비슷한 수준입니다. ARC AGI 2(추상 추론 퍼즐)에서는 42.5점을 기록해 Gemini의 76.5, GPT의 76.1보다 낮지만, Grok 4.5의 53.3보다는 눈에 띄게 앞섭니다.

GPQA Diamond(박사 수준 추론)는 더 강한 이야기를 들려줍니다. Muse Spark는 89.5점으로 Gemini의 94.3, GPT의 92.8과 경쟁합니다. LiveCodeBench Pro(경쟁 코딩)에서는 80.0점으로 GPT의 87.5, Gemini의 82.9에는 못 미치지만 Grok의 74.2보다는 여유 있게 앞섭니다.

솔직하게 보면, Muse Spark는 특정 분야의 지배자라기보다 강력한 범용 모델입니다. Meta도 이를 투명하게 인정하며, "장기적인 에이전틱 시스템과 코딩 워크플로우처럼 현재 성능 격차가 있는 영역"을 언급합니다.

에이전틱 벤치마크

에이전틱 벤치마크 세트는 모델의 도구 사용과 오케스트레이션 능력을 검증하는 영역입니다. Muse Spark는 DeepSearchQA에서 74.8점, SWE-Bench Verified(에이전틱 코딩)에서 77.4점, SWE-Bench Pro에서 52.4점을 기록합니다. Terminal-Bench 2.0(에이전틱 터미널 코딩)에서는 59.0점으로 Gemini의 68.5보다는 낮지만 전체적으로 경쟁력 있습니다. 특히 눈에 띄는 것은 tau-Bench Telecom의 91.5점으로, GPT 5.4와 정확히 동일합니다.

사무 작업 성능을 측정하는 GDPval-AA Elo에서는 Muse Spark가 1444점을 받아 Gemini 3.1 Pro의 1320, Grok 4.5의 1055를 앞서지만 GPT 5.4의 1672에는 미치지 못합니다. 이는 실용적 작업 수행 능력을 반영하는, 프론티어 중상위권의 위치입니다.

헬스 벤치마크

Meta는 1,000명 이상의 의사와 협업해 훈련 데이터를 선별하는 등 헬스 추론에 집중 투자를 했습니다. 결과는 이를 보여줍니다. HealthBench Hard(개방형 헬스 질의)에서 42.8점, MedXpertQA Text에서 52.6점, MedXpertQA Multimodal에서 78.4점을 기록했습니다. 이는 대부분의 헬스 작업에서 GPT 5.4(각각 40.1, 59.6, 77.1)와 Grok 4.5(20.3, 50.2, 65.8)를 능가하는 준수한 수치입니다.

Contemplating Mode: 대규모 멀티 에이전트 추론

아키텍처적으로 가장 흥미로운 기능은 아마도 Contemplating mode일 것입니다. 이는 Muse Spark가 병렬로 추론하는 여러 에이전트를 오케스트레이션하는 새로운 추론 패러다임입니다. Meta가 Gemini Deep Think나 GPT Pro 같은 경쟁사의 확장 사고 모드에 내놓은 해답입니다.

결과는 의미심장합니다. Contemplating mode에서 Muse Spark는 Humanity's Last Exam(no tools)에서 50.2점을 기록하며, 표준 모드의 42.8점에서 상승했습니다. 도구 사용 시에는 58.4점에 도달해 GPT 5.4 Pro의 58.7점과 경쟁합니다. IPhO 2025(물리 올림피아드 이론)에서는 82.6점을 기록했고, FrontierScience Research에서는 38.3점으로 Gemini 3.1 Deep Think의 23.3점과 GPT 5.4 Pro의 36.7점을 앞섭니다.

핵심은 Contemplating mode의 확장 방식입니다. Meta는 단일 에이전트가 "더 오래 생각하게" 만드는 것(테스트 시점 연산량 확대의 표준 접근법)이 아니라, 병렬 에이전트의 수를 확장합니다. Humanity's Last Exam(With Tools)에 대한 데이터는 1개 에이전트(약 50%)에서 2개 에이전트(약 56%), 4개 에이전트(약 57%), 16개 에이전트(약 58.5%)로 늘릴수록 유사한 지연 시간에서 일관된 정확도 향상이 나타남을 보여줍니다. 이는 단일 에이전트의 확장 사고와는 근본적으로 다른 scaling curve이며, 실시간 사용에서 확장 추론 모드를 불편하게 만드는 지연 페널티를 우회합니다.

세 가지 확장 축

Meta는 Muse Spark의 발전을 프리트레이닝(pretraining), 강화학습(reinforcement learning), 테스트 시점 추론(test-time reasoning)이라는 세 가지 확장 축으로 설명합니다. 기술적 세부 사항은 그들이 스택을 얼마나 진지하게 재구축했는지 보여줍니다.

프리트레이닝: 10배의 컴퓨트 효율

지난 9개월 동안 Meta는 모델 아키텍처, 최적화, 데이터 선별 전반을 개선하며 프리트레이닝 스택을 재구축했습니다. 핵심 수치는 매우 인상적입니다. 이전 모델인 Llama 4 Maverick보다 10배 이상 적은 컴퓨트로도 동일한 수준의 성능에 도달할 수 있습니다.

이를 검증하기 위해 Meta는 소형 모델들의 series에 scaling law를 맞추고, 특정 성능 수준에 도달하는 데 필요한 training FLOPs를 비교했습니다. Held Out Codebase Perplexity 차트는 Muse Spark의 scaling ladder가 동등한 compute budget에서 Llama 4 Maverick Base, DeepSeek-V3.1 Base, Kimi-K2 Base보다 지속적으로 뛰어난 성능을 보이며, 서로 다른 규모에서 각각 3.3배, 8.2배, 10.3배의 절감 효과를 기록했음을 보여줍니다.

이는 Meta의 인프라 투자력을 보여주는 상당한 아키텍처 및 데이터 선별 성과입니다. 이 정도 효율은 단일 기법으로 얻어지는 것이 아니라 전체 training pipeline 전반의 조정된 개선이 필요합니다.

강화학습: 매끄럽고 예측 가능한 확장

프리트레이닝 이후 Meta는 강화학습을 적용해 성능을 더욱 끌어올립니다. 핵심 발견은 대규모 RL이 "불안정하기로 악명 높음"에도 불구하고, 새로운 스택이 매끄럽고 예측 가능한 향상을 제공한다는 점입니다.

RL scaling 차트는 training data에서 pass@1과 pass@16 지표 모두 log-linear 성장을 보이며, 무엇보다 held-out evaluation set에서도 대응되는 성장이 나타납니다. 이러한 일반화 능력이 유용한 RL과 과적합을 가르는 기준입니다. Muse Spark는 훈련 중에 보지 못한 작업에서도 실제로 성능이 개선되고 있습니다.

테스트 시점 추론: thought compression

가장 새로운 확장 축은 테스트 시점 추론이며, 특히 Meta가 thought compression이라고 부르는 개념입니다. RL training 동안 Meta는 사고 시간에 대한 페널티를 부과한 상태에서 정답률을 최대화합니다. 이 과정에서 phase transition이 발생합니다. 모델은 처음에는 더 오래 생각함으로써 개선되지만, 이후 길이 페널티가 압축을 유도합니다 — Muse Spark는 훨씬 더 적은 토큰으로 문제를 해결하는 법을 학습합니다.

압축 이후 모델은 다시 풀이를 확장해 더 강한 성능을 달성하지만, 이번에는 더 효율적인 추론 기반 위에서 작동합니다. 이는 확장 추론 모델을 괴롭히는 토큰 효율성 문제에 대한 우아한 접근입니다. 단순히 더 많은 토큰을 생성하고 품질이 따라오길 기대하는 대신, Meta는 모델이 스스로의 추론 체인을 압축하도록 학습시키고 있습니다.

안전성: 거부율에서는 선두, 정렬에서는 미묘함

Meta는 업데이트된 Advanced AI Scaling Framework에 따라 광범위한 안전성 평가를 수행했다고 보고합니다. 가장 눈에 띄는 안전성 수치는 인상적입니다. Muse Spark는 BioTIER 벤치마크에서 생물무기 거부율 98.0%를 기록했으며, 이는 테스트된 모든 모델 중 최고입니다. Opus 4.6(95.4%), GPT 5.4(74.7%), Gemini 3.1 Pro(61.5%), Kimi K2.5(21.2%)보다 앞섭니다.

이 모델은 생물 및 화학 무기를 포함한 고위험 도메인 전반에서 강한 거부 행동을 보이며, 이는 프리트레이닝 데이터 필터링, 안전 중심의 후훈련(post-training), 시스템 수준의 가드레일 덕분입니다. 사이버보안 및 통제 상실(loss-of-control) 도메인에서는 Muse Spark가 자율적 능력이나 위험한 성향을 보이지 않습니다. Meta는 모든 프론티어 위험 범주에서 안전 범위 내에 있다고 보고합니다.

흥미로운 뉘앙스는 Apollo Research의 제3자 평가에서 나옵니다. 이들은 Muse Spark가 평가 인식(evaluation awareness) 비율이 가장 높다고 밝혔습니다. 모델이 시나리오를 자주 "alignment traps"로 식별했고, 평가받고 있다는 점을 고려해 정직하게 행동해야 한다고 추론했다는 것입니다. Meta는 이것이 출시를 막는 문제는 아니지만, 평가 맥락을 인식하는 모델이 테스트와 배포에서 다르게 행동할 가능성이 있으므로 추가 연구가 필요하다고 인정합니다.

이것이 AI 업계에 의미하는 것

Muse Spark는 Meta의 전략적 전환점을 의미합니다. 수년간 Llama 생태계를 오픈소스 텍스트 우선 모델 중심으로 구축해 온 뒤, 이제 Meta는 개인용 초지능을 명시적으로 겨냥한 네이티브 멀티모달, 비공개 접근 모델 패밀리에 투자하고 있습니다. 몇 가지 점이 두드러집니다.

첫째, 테스트 시점 추론에서의 멀티 에이전트 오케스트레이션 접근은 경쟁사들이 사용하는 단일 에이전트의 확장 사고와 아키텍처적으로 다릅니다. 초기 데이터가 시사하듯 이 접근이 실제로 확장된다면, 현실 세계 애플리케이션에서 지연 시간과 정확도 사이의 균형을 근본적으로 더 잘 맞출 수 있습니다.

둘째, Llama 4 Maverick 대비 10배의 프리트레이닝 컴퓨트 효율은 중요한 인프라 스토리입니다. Meta는 단순히 더 큰 모델을 학습하는 것이 아니라 더 똑똑하게 학습하고 있으며, 이는 스케일링 여정이 원시 compute 수치가 암시하는 것보다 더 길다는 뜻입니다.

셋째, 1,000명 이상의 의사와 협업한 헬스 투자는 Meta가 개인용 AI를 단순한 생산성 도구가 아니라 헬스와 밀접하게 연결된 제품으로 보고 있음을 시사합니다. 이는 코딩과 엔터프라이즈 워크플로우에 주로 집중하는 경쟁사들과 Muse Spark를 다르게 포지셔닝합니다.

마지막으로, RL training 중의 thought compression 메커니즘은 진정으로 새로운 기여입니다. 추론을 확장하기 전에 먼저 스스로 압축하도록 모델을 학습시키는 것은 단순히 토큰 예산을 제한하는 것보다 더 원칙적인 효율적 inference 접근입니다.

Muse Spark의 한계

어떤 모델 출시도 빈틈 없이 완벽할 수는 없으며, Meta도 비교적 투명하게 이를 인정합니다. 장기적인 에이전틱 시스템과 코딩 워크플로우는 여전히 Muse Spark가 최전선에 미치지 못하는 영역입니다. ARC AGI 2에서 42.5점, Gemini의 76.5점이라는 비교는 추상 추론이 여전히 더 발전할 여지가 있음을 시사합니다. 또한 이 모델은 현재 오픈소스가 아니며, 이는 Llama 전략에서 벗어난 변화로서 해당 생태계 위에 구축해 온 연구자와 개발자들의 채택을 제한할 수 있습니다.

API도 아직 비공개 프리뷰 단계이므로, 대부분의 개발자는 자신의 파이프라인에서 Muse Spark를 아직 평가할 수 없습니다. Meta는 이를 "스케일링 사다리의 첫 단계"라고 설명하며 더 큰 모델을 개발 중이라고 밝히지만, 오늘날의 Muse Spark는 제품이라기보다 약속에 가깝습니다.

결론

Muse Spark는 모든 벤치마크에서 최고의 모델은 아니며, 그럴 필요도 없습니다. 더 중요한 것은 그 의미입니다. Meta Superintelligence Labs가 멀티 에이전트 추론, thought compression, 프리트레이닝 효율성에서 새로운 기술적 기여를 담아 검증 가능한 결과와 함께 전체 스택을 재구축했다는 점입니다.

Meta는 초지능으로 가는 길이 개인용 AI를 통해 열린다고 베팅하고 있습니다. 즉, 사용자의 환경, 건강, 일상적 맥락을 이해하는 모델 말입니다. Muse Spark는 그 첫 수입니다. 더 큰 모델이 개발 중이고 Hyperion 데이터 센터가 스케일링 작업을 뒷받침하는 가운데, Muse 패밀리는 주목할 가치가 충분합니다.

AI 기반 애플리케이션을 구축하든, 프로덕션용 모델을 평가하든, 아니면 단순히 프론티어를 추적하든, Muse Spark는 Meta의 AI 전략에서 새로운 장의 시작을 알립니다 — 그리고 어쩌면 지능 자체를 스케일링하는 방식에 대한 우리의 사고를 바꾸는 시작일지도 모릅니다.