피드로 돌아가기
InfoQAI/ML
원문 읽기
1M Context Window 기반 Agentic Work 특화 모델 Fable 5 출시 및 제약 분석
Anthropic Releases and Temporarily Suspends Claude Fable 5
AI 요약
Context
기존 모델의 단기적 태스크 처리 한계를 극복하고 long-horizon agentic work를 수행하기 위한 고성능 모델의 필요성 증대. 특히 정밀한 계획 수립과 자체 검증이 가능한 자율적 에이전트 구조로의 전환이 요구됨.
Technical Solution
- Adaptive Thinking 상시 적용을 통한 추론 프로세스의 내재화 및 effort 파라미터를 이용한 연산 자원 제어
- 1M Token Context Window와 128K Output Token 확보를 통한 대규모 코드베이스 분석 및 장기 문맥 유지
- Task Budget 및 Memory Tool 도입을 통한 에이전트의 단계별 계획 수립과 하위 에이전트 위임 구조 설계
- Safety Classifier 구동을 위한 30일 데이터 Retention 강제 적용으로 cross-request 패턴 분석 및 Jailbreak 탐지
- Project Glasswing 연계 분석을 통해 시스템 중요 코드베이스 내 고위험 취약점 식별 및 보안 검증 강화
Impact
- 1,000개 이상의 오픈소스 프로젝트 스캔을 통해 23,019개 이슈 발굴 및 6,202개의 High/Critical 취약점 식별
- Input $10/M, Output $50/M의 가격 정책을 통한 고성능 추론 자원 비용 산정
Key Takeaway
모델의 자율성(Autonomy) 증대는 정밀한 Self-verification 루프와 대규모 Context Window의 결합으로 달성 가능하며, 고도화된 안전성 확보를 위해 실시간 검사를 넘어선 시계열적 데이터 분석(Retention) 구조가 필수적임.
실천 포인트
- Agentic Workflow 설계 시 단순 프롬프팅 대신 Task Budget과 Memory Tool을 통한 상태 관리 검토 - LLM 기반 보안 스캔 도입 시 False Positive 제거를 위한 자체 검증(Self-verification) 단계 추가 - 기업 내부 데이터 보안 정책(Zero-retention)과 모델 제공사의 안전성 요구 사항 간의 충돌 가능성 사전 분석