The World''s Most Popular AI Was a Secret... Until Now

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

The World's Most Popular AI Was a Secret... Until Now를 중심으로, Ox Alpha는 OpenRouter에서 이름을 숨긴 채 공개된 스텔스 모델로, 100조 개의 무료 토큰과 100만 토큰 컨텍스트를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. Ox Alpha는 OpenRouter에서 이름을 숨긴 채 공개된 스텔스 모델로, 100조 개의 무료 토큰과 100만 토큰 컨텍스트 창을 앞세워 단기간에 사용량 1위에 올랐다.
2. 특정 Deep SWE 하위 벤치마크에서는 80% 통과율이 제시됐지만, 실제 사용 기반 평가는 약 63%로 낮아졌으며 진행자들도 최상위 프런티어 모델보다 전반적으로 우수하다는 해석에는 선을 그었다.
3. GLM과 동일한 토크나이저 및 유사한 응답, 중국 문화권을 연상시키는 이름, Bloomberg 보도 등을 근거로 영상은 이 모델을 Z.ai·Jipu의 새로운 GLM 계열 모델로 결론 내린다.
4. 날마다 출력이 개선된 현상은 지속학습의 증거일 수 있다는 추측을 낳았지만, 진행자들은 저비용 증류형 플래시 모델에 새 체크포인트를 계속 배포한 결과일 가능성을 더 높게 본다.
5. 브랜드를 가린 비교에서 이용자들은 모델의 출처보다 충분한 성능과 낮은 비용을 중시했지만, 프롬프트 보관과 독점 코드·개인정보 노출 위험은 무료 사용의 핵심 경계 요소로 제시됐다.

🧩 배경과 문제 정의

OpenRouter에 정체를 공개하지 않은 Ox Alpha가 등장해 대규모 무료 사용량, 100만 토큰 컨텍스트 창, 높은 코딩 성능으로 빠르게 이용량 1위에 올랐다. 영상은 이 모델을 누가 만들었는지, 날마다 좋아지는 듯한 성능이 지속학습을 의미하는지, 무료 제공이 어떤 경제적·데이터적 목적을 갖는지를 추적한다. 핵심 문제는 화제성과 특정 벤치마크를 실제 프런티어 성능으로 오인하지 않으면서도, 저비용 오픈 모델이 AI 시장의 가격과 이용자 선택을 어떻게 바꿀지 평가하는 것이다.

🕒 시간순 섹션별 상세정리

1. 비밀 모델의 등장과 파격적인 조건

• Ox Alpha는 6일 동안 정체를 숨긴 채 운영됐으며, 누구나 사용할 수 있는 100조 개 무료 토큰과 100만 토큰 컨텍스트 창을 제공한다고 묶인다. [00:20]
• 같은 작업의 결과가 첫날보다 여섯째 날에 좋아졌다는 관찰 때문에 모델이 계속 학습한다는 추측과 제작사에 대한 관심이 커졌다. [00:38]
• 진행자들은 무료 추론 비용을 하루 수천만 달러 규모로 추산하고, 이를 감당할 수 있는 대형 연구소가 배후에 있을 것으로 본다. [01:27]

2. OpenRouter의 스텔스 출시와 초기 확산

• OpenRouter는 여러 모델을 선택해 사용할 수 있는 플랫폼이며, 과거 Google·Anthropic·OpenAI 모델도 이름을 감춘 스텔스 방식으로 공개한 적이 있다고 드러난다. [01:59]
• Ox Alpha는 코딩을 포함한 무거운 작업에 쓸 수 있는 막대한 무료 토큰과 긴 컨텍스트를 앞세웠고, 이미지와 여러 매체를 다루는 능력도 언급됐다. [02:31]
• 이용자들은 동일한 작업에서 날짜가 지날수록 결과가 좋아진다며 24시간 자기학습 가능성을 제기했고, 모델은 OpenRouter의 신규 사용량 1위가 됐다. [03:33]

3. 인기와 코딩 벤치마크의 한계

• 출시 직후 Ox Alpha의 사용량은 기존 1위였던 DeepSeek Flash의 두 배를 넘었다고 묶인다. [03:47]
• 특정 Deep SWE 하위 평가에서는 80% 통과율이 제시돼 비교 모델의 65%와 62%를 앞섰지만, 진행자는 이것이 제한된 코딩 하위 평가라는 점을 강조한다. [04:11]
• 추가 조사에서는 프런티어 모델보다 전반적으로 우수하지 않으며 격차도 상당하다는 평가가 드러난다. [04:19]

4. GLM 단서와 Z.ai·Jipu 추정

• 토큰 생성 방식이 GLM과 동일하고 중국 모델이 회피하는 질문에 대한 응답도 GLM과 유사하다는 점이 제작사를 추적하는 단서로 사용됐다. [05:10]
• 영상은 Ox Alpha가 Jipu의 새로운 버전이며 새로운 GLM 모델이 될 것으로 보인다고 보여준다. [05:25]
• Bloomberg 보도와 개발자들의 반응을 종합해 모델 제공자를 Z.ai로 사실상 특정하지만, 표현상 완전한 확정과 추정이 혼재한다. [06:02]

5. 실제 성능과 플래시 모델의 경제성

• 실제 사용에서는 초기 80%가 아니라 약 63%의 성능이 관찰됐고, 진행자들은 벤치마크에 유리하게 맞춰졌을 가능성도 제기한다. [06:59]
• Ox Alpha는 거대한 기반 모델이 아니라 더 큰 모델에서 파생된 2조~3조 파라미터 규모의 플래시 모델일 수 있다는 소문이 묶인다. [07:40]
• 더 작고 빠르며 저렴한 모델이라는 설명과 함께, 전체 모델을 오픈 웨이트로 공개할 계획도 나온다. [08:57]

6. 지속학습보다 체크포인트 교체 가능성

• 무료 토큰이 코딩 요청을 대량 수집해 지속학습을 가속하려는 전략일 수 있다는 추측이 제시되지만 진행자는 확신하지 않는다. [09:37]
• 더 유력한 설명으로 저비용 증류형 플래시 모델에 새 체크포인트를 매일 배포하면서 결과가 점진적으로 개선됐을 가능성이 드러난다. [09:58]
• 브랜드를 가린 비교에서 이용자들은 모델의 출처보다 실제 결과에 반응했고, 일부 작업에서는 중급 상용 모델과 차이를 거의 느끼지 못했다. [11:44]

7. 모델 선택 변화와 지속학습의 전략적 의미

• 기업들은 가장 유명한 모델보다 특정 작업에 맞고 비용이 낮은 중국 오픈소스 모델이나 소규모 미국 연구소 모델을 선택하기 시작했다고 드러난다. [12:10]
• 진정한 지속학습이 가능하다면 과거 지식을 잃는 문제를 줄이고, 프런티어 연구소의 컴퓨팅 우위를 따라잡는 다른 경로가 될 수 있다는 가설이 드러난다. [13:36]
• 오픈 웨이트 모델을 로컬에서 계속 학습시킬 수 있다면 기업 데이터, 의료 기록, 금융 정보처럼 민감한 자료를 외부 연구소에 보내기 싫은 이용자에게 매력적일 수 있지만, 진행자들은 현재 모델이 실제 돌파구라는 데 회의적이다. [14:45]

8. 에이전트 보안과 인간 승인 절차

• 진행자들은 중국계 무료 모델과 AI 에이전트를 사용할 때 안전장치가 필요하다고 전환한 뒤 후원사 Ledger를 보여준다. [15:08]
• Ledger의 절차는 에이전트가 제안하고, 인간이 승인하며, 서명 도구가 집행하는 세 단계로 드러난다. [15:24]
• 해당 도구가 여러 코딩 환경에서 사용할 수 있는 오픈소스 제품이라는 후원 안내 후 무료 모델의 대가에 관한 논의로 돌아간다. [15:39]

9. 무료 제공의 대가와 데이터 보관 위험

• 무료 서비스는 정부 보조를 통한 수요 흡수 전략이거나 이용자 데이터를 확보하기 위한 방식일 수 있다는 두 가지 가능성이 드러난다. [15:57]
• 이용자들이 100만 토큰 컨텍스트 창에 독점 코드와 개인 프로젝트를 입력하면서 방대한 데이터가 제공자에게 전달될 수 있다는 우려가 나온다. [16:41]
• Jipu의 수익과 손실에 관한 진행자들의 추정치를 근거로 현재의 무료 제공을 기업 자체 재원만으로 영구 유지하기 어렵다는 의문이 제기된다. [17:37]

10. 국가 지원과 저가 지능 공급 전략

• 한 진행자는 국가 지원을 자금 원천으로 지목하며, 중국 연구소들이 서구 모델을 따라잡은 뒤 저렴한 지능을 대량 공급해 Anthropic과 OpenAI의 가격을 낮추려 한다고 주장한다. [18:16]
• OpenRouter의 공식 설명에 따르면 제공자는 프롬프트와 응답을 보관하지만 훈련에는 쓰지 않는다고 밝혔으며, 진행자들은 이를 외부에서 검증할 수 없다고 지적한다. [18:39]
• 중국 기업의 빠른 모방과 대량 확산 역량이 비용 경쟁을 장기화하고, 그 과정에서 지속학습 같은 돌파구를 모색하는 전략으로 읽힌다. [20:14]

11. 풀린 정체와 남은 미스터리

• 진행자들은 Ox Alpha의 정체는 풀렸지만 실제 학습 방식, 비용 구조, 배후 운영에 관해서는 여전히 밝혀야 할 부분이 많다고 정리한다. [20:50]
• DeepSeek에 이어 새로운 중국 모델들이 연이어 등장하고 있으며, 미국 프런티어 연구소들도 새 모델을 준비한다는 소문이 묶인다. [21:27]
• 청취자에게 OpenRouter에서 무료로 직접 시험해 보라고 권하면서도 모델이 충분히 좋은지는 실제 작업으로 확인하라고 제안한다. [21:43]

12. 비민감 테스트 권고와 최종 마무리

• 무료 토큰을 활용하되 독점 정보는 입력하지 말라는 경고와 함께, 모델이 다음 날 실제로 향상되는지 결과를 공유해 달라고 요청한다. [22:12]
• 진행자들은 후속 라운드업에서 새로운 모델과 남은 의문을 계속 다루겠다고 예고한다. [22:39]
• 이번 사례를 새로운 프런티어 경쟁이 다시 활발해지는 출발점으로 기대하며 방송을 마친다. [22:59]

🧾 결론

• Ox Alpha의 가장 확실한 성과는 절대적인 프런티어 우위가 아니라, 무료·저비용 모델도 다수의 실용 작업에서 중상급 상용 모델과 구분하기 어려운 결과를 낼 수 있음을 보여준 데 있다.
• 영상은 모델의 정체를 Z.ai·Jipu 계열로 판단하지만, 지속학습 돌파구가 실제로 존재하는지는 확인하지 못한다.
• 매일 향상된 출력은 온라인 자기학습보다 순차적인 체크포인트 교체로도 설명할 수 있으므로, 관찰된 개선과 그 원인을 구분해야 한다.
• 무료 토큰은 이용 확산과 비용 경쟁을 촉진하는 동시에 대규모 프롬프트 수집, 장기 보조금, 시장 점유율 확보 전략에 관한 의문을 남긴다.

📈 투자·시사 포인트

• 저비용 플래시 모델이 실용 작업에서 충분한 품질을 제공하면, 고가 프런티어 모델의 가격 결정력과 추론 매출 구조가 압박받을 수 있다.
• 이용자가 브랜드보다 결과·속도·가격을 선택하기 시작하면, 단일 모델의 명성보다 작업별 모델 라우팅과 비용 최적화가 더 중요해질 수 있다.
• 오픈 웨이트와 로컬 실행이 현실화되면 민감한 데이터를 외부 연구소에 보내기 꺼리는 기업과 개인에게 새로운 선택지가 생길 수 있다.
• 반대로 무료 제공의 지속 가능성, 프롬프트 보관 정책, 정부 지원 가능성이 불투명하므로 사용량 급증을 곧바로 안정적인 사업성과 동일시해서는 안 된다.

⚠️ 불확실하거나 확인이 필요한 부분

• 영상은 Z.ai·Jipu가 Ox Alpha의 제공자라고 사실상 결론 내리지만, 설명 과정에서 Ox Alpha, Aux Alpha, Octo Alpha라는 이름이 혼용된다.
• 초기 80% 벤치마크와 실제 사용 기반 약 63% 평가가 충돌하므로, 동일한 데이터셋·설정·평가 절차에서 나온 수치인지 확인이 필요하다.
• 매일 향상된 출력이 지속학습, 강화학습, 사전 준비된 체크포인트 교체 중 무엇에서 비롯됐는지는 밝혀지지 않았다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• OpenRouter에서 비민감한 표준 작업만 사용해 Ox Alpha와 기존 중급·프런티어 모델의 품질, 속도, 토큰 사용량을 같은 조건으로 비교한다.
• 독점 코드, 의료 기록, 금융 정보, 개인 식별 정보는 프롬프트 보관 및 데이터 사용 정책이 확인되기 전까지 입력하지 않는다.
• 동일 프롬프트를 날짜별로 반복 실행해 성능 향상이 실제로 재현되는지, 모델 또는 체크포인트 식별 정보가 바뀌는지 기록한다.
• 도입 판단 시 무료 제공량이 아니라 유료 전환 후 예상 비용, 서비스 지속 가능성, 오픈 웨이트 공개 여부를 함께 검토한다.

❓ 열린 질문

• 관찰된 일별 성능 향상은 온라인 지속학습인가, 강화학습 적용인가, 아니면 미리 준비한 체크포인트의 순차 배포인가?
• 100조 개 무료 토큰을 제공할 수 있는 실제 추론 비용과 자금 조달 구조는 무엇인가?
• 보관된 프롬프트와 응답은 얼마나 오래 유지되며, 훈련에 사용하지 않는다는 정책을 어떻게 검증할 수 있는가?