Agents-A1: 35B 모델로 트릴리언급 성능에 도전하는 차세대 에이전트 AI

이 글은 35B 파라미터 규모임에도 불구하고 초대형 모델과 경쟁하는 에이전트형 AI 모델 Agents-A1에 대해 정리한 기술 블로그입니다.
Agents-A1이 어떤 배경에서 등장했는지, 기존 대형 언어 모델과 무엇이 다른지, 그리고 실제로 어떤 성능과 활용 방식을 제공하는지를 기술적 관점에서 쉽게 풀어 설명합니다. 특히 장기 추론, 도구 활용, 과학·엔지니어링 영역에서의 강점을 중심으로 살펴봅니다.

반응형

---

Agents-A1 개요와 등장 배경

**InternScience**가 공개한 **Agents-A1**은 35B 규모의 Mixture-of-Experts(MoE) 기반 에이전트형 모델입니다. 이 모델의 핵심 문제의식은 단순합니다.

파라미터를 계속 키우지 않고도,
에이전트가 수행하는 “행동의 길이”와 “능력의 다양성”을 확장하면 성능의 지평을 넓힐 수 있지 않을까?

Agents-A1은 바로 이 질문에서 출발했습니다.
기존 LLM이 단일 응답 생성에 강했다면, Agents-A1은 목표 이해 → 단계 분해 → 도구 사용 → 중간 결과 검증 → 전략 수정이라는 실제 에이전트 워크플로우를 학습 대상으로 삼습니다.

---

핵심 설계 철학: 파라미터가 아닌 에이전트 지평 확장

1. Long-Horizon Trajectory Scaling

Agents-A1은 단순한 질의-응답이 아닌 장기적인 행동 시퀀스를 학습합니다.
이를 위해 도메인 지식과 실제 행동을 연결하는 knowledge-action infrastructure를 구축해, 에이전트의 사고 과정 자체를 학습 가능한 타깃으로 만들었습니다.

결과적으로 모델은 다음을 자연스럽게 수행합니다.

• 복잡한 문제를 여러 단계로 나누기
• 중간 결과를 바탕으로 다음 행동 조정
• 실패 가능성을 고려한 계획 수정

2. Heterogeneous Agent Ability Scaling

Agents-A1은 모든 능력을 하나의 모델에 무작정 넣지 않습니다. 대신 3단계 학습 전략을 사용합니다.

1. 전 영역 SFT: 범용적인 에이전트 행동 정렬
2. 도메인별 교사 모델 학습: 특정 분야 전문성 확보
3. 다중 교사·다중 도메인 증류: 이질적인 지식을 효율적으로 통합

이 구조 덕분에 모델은 과학 연구, 엔지니어링, 검색, 명령 수행 등 서로 다른 영역에서 균형 잡힌 성능을 유지합니다.

---

Agents-A1의 주요 기능과 특징

에이전트 추론 능력

Agents-A1은 단순히 답을 생성하지 않고, 문제 해결을 위한 실행 가능한 하위 단계를 설계합니다. 이는 실제 업무 자동화나 연구 보조 시나리오에서 큰 차이를 만듭니다.

도구 호출 및 함수 연동

모델은 함수 호출과 외부 도구 사용을 기본 기능으로 지원합니다.
API, 코드 인터프리터, 검색 엔진과 자연스럽게 연동할 수 있어 “생각만 하는 모델”이 아니라 “행동하는 모델”에 가깝습니다.

과학·전문 지식 추론

도구를 활용한 과학적 추론과 전문 질의응답에 강점을 보이며, 연구 중심 워크플로우에 바로 투입 가능한 수준의 안정성을 제공합니다.

정밀한 명령 이행

다중 제약 조건을 포함한 복잡한 지시도 정확히 따르는 것이 특징입니다. 이는 에이전트형 모델에서 매우 중요한 신뢰 요소입니다.

---

성능 평가 요약

Agents-A1은 약 35B 모델임에도 불구하고 GPT-5.5, DeepSeek-V4-pro, Kimi-K2.6 등 초대형 모델과 직접 비교되는 벤치마크 성능을 보입니다.

특히 다음 영역에서 강점을 확인할 수 있습니다.

• Long-horizon Search: Seal-0, GAIA 등에서 최상위권
• Scientific Research: FrontierScience 계열 벤치마크 SOTA
• Instruction Following: IFBench, IFEval에서 안정적인 최고 성능
• Agentic Tasks: 도구 사용 기반 복합 과제에서 높은 일관성

이는 “모델 크기 대비 성능 효율” 측면에서 매우 의미 있는 결과입니다.

---

활용 방법 요약: SGLang과 vLLM 기반 서빙

Agents-A1은 Hugging Face 포맷으로 제공되며,
SGLang, vLLM 등 주요 서빙 프레임워크와 호환됩니다.

SGLang 예시 개요

• 단일 GPU 환경에서도 262K 컨텍스트 지원
• reasoning parser와 tool-call parser 선택 가능
• 에이전트 기반 API 서버를 로컬에서 즉시 구성 가능

vLLM 예시 개요

• 고성능 추론과 메모리 효율 중심
• 도구 자동 선택 및 텍스트 전용 모드 지원
• 실제 서비스 배포에 적합한 구조

샘플링 파라미터 역시 공식적으로 권장 값이 제공돼 초기 튜닝 부담이 적습니다.

---

에이전트 평가 프레임워크 공개의 의미

Agents-A1은 모델뿐 아니라 에이전트 평가 코드베이스도 함께 공개했습니다.
이를 통해 다음이 가능해집니다.

• 동일한 기준으로 다른 에이전트 모델 비교
• 도구 사용·다단계 추론 능력 재현 가능 평가
• 새로운 에이전트 시나리오 확장

이는 단순한 모델 공개를 넘어, 에이전트형 AI 생태계 표준화를 지향하는 시도로 볼 수 있습니다.

---

728x90

Agents-A1은 “더 큰 모델”이 아닌 “더 잘 행동하는 모델”이라는 방향을 명확히 제시합니다.
35B라는 현실적인 규모로도 장기 추론, 도구 활용, 과학적 문제 해결에서 초대형 모델에 근접한 성능을 보여줍니다.

앞으로 Agents-A1은 다음과 같은 영역에서 의미 있는 선택지가 될 수 있습니다.

• 연구 자동화 및 과학 에이전트
• 엔지니어링 보조 및 코드 기반 워크플로우
• 실제 서비스에 투입 가능한 에이전트 시스템

에이전트형 AI가 필요한 환경이라면, Agents-A1은 충분히 검토할 가치가 있는 모델입니다.

300x250

https://huggingface.co/InternScience/Agents-A1

InternScience/Agents-A1 · Hugging Face