코딩맥스

8시간 만에 사람보다 나은 LLM 양자화 레시피를 짠 건 누구일까: QDA 논문 읽기

코딩맥스읽는 데 41분AILLM양자화AI 에이전트논문 읽기
목차

재미있는 논문이 한 편 올라왔습니다. MIT와 NVIDIA 연구진이 2026년 11월 17일 arXiv에 공개한 QDA 논문인데요. 거대 언어모델(LLM)을 싸게 돌리려고 모델 크기를 줄이는 작업을 사람이 아니라 AI 코딩 에이전트에게 맡겼다는 내용입니다.

큰 모델을 작은 서버나 그래픽카드 한 장에 넣을 때 자주 쓰는 방법은 모델 내부 숫자의 정밀도를 낮추는 것입니다. 예전부터 자동 탐색 연구가 있긴 했지만 새 모델에 맞게 어떤 기법을 어떤 순서로 섞어야 성능이 안 떨어지는지 조합하는 데에는 여전히 전문가의 손이 많이 갔습니다.

이번 실험에서는 코딩 에이전트가 사람 개입 없이 이 조합을 짜고 채점하고 고치는 일을 반복해 기존 공개 조합보다 더 높은 정확도를 냈다고 합니다. 심지어 NVIDIA가 직접 내놓은 버전보다도 원본 실력을 더 잘 지켰죠. 정말 AI 에이전트가 사람 전문가보다 똑똑해서 이런 결과가 나왔을까요?

모델을 작게 줄이는 데 왜 '레시피'가 필요할까

그 답을 따져 보려면 먼저 모델 크기를 줄이는 작업이 왜 단순한 파일 압축과 다른지부터 짚어야 합니다. 모델의 가중치와 계산 중간값(활성값)을 32비트 실수 대신 8비트 정수나 4비트 부동소수점처럼 작은 자료형으로 바꾸는 기술을 양자화(Quantization)라고 부릅니다. Hugging Face 양자화 개념 가이드에 따르면 8비트 정수만 써도 32비트 실수 모델보다 용량이 약 4배 줄어드는데, 사진을 1,600만 색에서 256색으로 줄이는 것과 비슷하죠. 다만 정밀도를 낮출수록 작은 오차가 생기기 때문에, 학습이 끝난 뒤 소량의 보정용 텍스트(캘리브레이션 데이터)만 써서 오차를 줄이는 학습 후 양자화(PTQ, Post-Training Quantization)가 중요해지고 이 작업은 튀는 값(outlier)을 다듬는 변환과 반올림 방식 선택, 스케일 튜닝, 데이터 선택이라는 네 가지 선택을 조합하는 '레시피'로 이어집니다.

FIG 1 · DIAGRAM
1234변환반올림스케일 튜닝캘리브레이션데이터AWQ식 스케일링Hadamard 회전RTNGPTQAutoRound·GSQ클리핑증류일반 텍스트원본 모델이쓴 텍스트표기 읽기W4A16W4A16가중치 4비트활성값 16비트가중치만 4비트로 줄이고, 계산 중 오가는 값은 16비트로 둔다논문이 다룬 정밀도: W4A16 · W4A8 · W3A16 · NVFP4 W4A4
그림 1. 가중치 4비트와 활성값 16비트를 뜻하는 W4A16 양자화 레시피는 변환, 반올림, 스케일 튜닝, 데이터 선택의 4단계로 이어진다

논문에 따르면 정밀도를 4비트 수준(NVFP4)으로 낮추면 320B 파라미터짜리 거대 모델인 GLM-5.3-Flash도 GPU 2장이 필요하던 것을 GB300 1장에 넣을 수 있습니다. 그런데 이 레시피를 사람이 일일이 짜는 일은 이미 한계에 부딪혔습니다. 논문에 따르면 2025년 10월부터 2026년 9월 사이에만 10B 파라미터가 넘는 오픈 웨이트 모델이 90개 넘게 나왔고, 논문이 다룬 네 가지 정밀도로만 계산해도 필요한 레시피가 360개를 넘깁니다. NVIDIA의 양자화 도구인 ModelOpt도 논문 조사 시점 기준 모델 28개마다 사람이 짠 레시피를 따로 관리해 왔고, 새 아키텍처인 Qwen3-Next가 나왔을 때 llm-compressor가 캘리브레이션을 지원하기까지 약 3주가 걸리기도 했습니다. 그럼 한 번 잘 작동하는 황금 레시피를 만들어 모든 모델에 똑같이 쓰면 안 되는 걸까요?

정답 레시피는 왜 모델마다 다를까

안타깝게도 똑같은 레시피가 다른 모델에서도 통하지는 않습니다. 양자화 기법마다 잡는 오차의 종류가 달라서 어떤 모델에서는 점수를 끌어올리던 기법이 다른 모델에서는 오히려 독이 되거든요. 논문 실험을 보면 FP8-aware GPTQ라는 기법은 Qwen3.5-9B의 점수를 5.3점이나 올렸지만 나머지 세 모델에서는 모두 점수를 떨어뜨렸습니다. 같은 모델 안에서도 정밀도가 바뀌면 순위가 뒤집힙니다. Qwen3.5-9B에서 AWQ 방식은 가중치 4비트·활성값 16비트(W4A16)일 때 GPTQ보다 5.1점 높았지만 가중치를 3비트로 더 깎은 W3A16에서는 오히려 12.3점이나 낮았죠.

실제로 네 가지 모델과 세 가지 정밀도에서 가장 높은 점수를 낸 공개 레시피를 나란히 놓아 보면, 같은 정밀도 열 안에서도 1등 이름이 계속 바뀝니다.

모델W4A16W4A8W3A16
Qwen3.5-9B71.8 (ParoQuant)67.1 (QuaRot+GPTQ)65.2 (GSQ)
Qwen3.6-35B-A3B77.7 (GPTQ/ParoQuant)77.4 (GPTQ)75.9 (GSQ)
Qwen3.8-27B78.3 (AWQ)78.9 (QuaRot+GPTQ)77.7 (GSQ)
R1-Llama-8B43.3 (GPTQ)43.0 (GPTQ)33.9 (GPTQ)

모델과 정밀도 조합마다 새로 실험해서 레시피를 찾아야 한다는 결론이 나옵니다. 그런데 요즘 많이 쓰는 추론 모델은 이 시행착오를 돌리는 것 자체가 만만치 않습니다.

시험 한 번에 하루가 걸리면 시행착오를 어떻게 돌리나

추론 모델은 답을 내기 전에 수천에서 수만 토큰을 혼자 생각하며 적기 때문에, 논문 측정 기준으로 체크포인트 하나를 온전히 평가하는 데만 23.3~86.2 GPU시간이 걸립니다. 중간에 토큰 하나만 달라져도 뒤의 풀이 전체가 흔들려서 문제마다 여러 번씩 다시 풀게 해야 하거든요. 이 속도로는 수십 번씩 레시피를 고쳐 볼 수 없어서, QDA 연구진은 본시험 대신 원본 모델이 미리 써 둔 참조 답안(트레이스)을 따라 한 토큰씩 다음 토큰 확률 차이를 재는 KL 발산(Kullback–Leibler divergence) 모의고사를 도입했습니다. 원래 모델이 "다음 토큰은 '사과' 70%, '배' 20%…"처럼 확률을 예측할 때 양자화 모델이 얼마나 어긋나는지를 상위 토큰과 나머지 버킷으로 묶어 평균 내는 방식이죠.

FIG 2 · STEP
1 / 4
참조 트레이스 · 원본 모델이 쓴 글아침으로사과한개를먹었다위치 1위치 2위치 3원본후보위치 1 · 다음 토큰 확률사과배나머지70%60%20%25%10%15%위치 2 · 다음 토큰 확률한와나머지50%40%30%40%20%20%위치 3 · 다음 토큰 확률개를쪽을나머지80%50%10%20%10%30%버킷 3칸: 상위 토큰 2개 + 나머지위치별 어긋남 (KL)123KL 평균「단순 모델」 확률은 설명용 예시이고, 후보 확률과 막대 높이는 가정한 값이다.실제 평가기는 위치마다 상위 128개 토큰과 나머지 1칸을 묶은 버킷을 저장한다.KL 평균이 낮을수록 후보가 원본과 비슷하게 예측한다.

위치 1에서 원본 모델은 다음 토큰을 '사과' 70%, '배' 20%, 나머지 10%로 예측한다. 후보의 확률을 같은 버킷 세 칸에 맞춰 나란히 놓고, 두 분포의 어긋남을 막대 하나로 기록한다.

모든 단계 보기
  1. 위치 1에서 원본 모델은 다음 토큰을 '사과' 70%, '배' 20%, 나머지 10%로 예측한다. 후보의 확률을 같은 버킷 세 칸에 맞춰 나란히 놓고, 두 분포의 어긋남을 막대 하나로 기록한다.
  2. 참조 트레이스를 한 칸 옮겨 위치 2를 잰다. 이번에도 상위 토큰과 나머지 버킷으로 비교하고, 어긋남 막대를 하나 더 쌓는다.
  3. 위치 3에서는 후보가 '개를'에 확률을 덜 준다. 그래서 이 위치의 어긋남이 크게 나온다.
  4. 모든 위치의 어긋남을 평균하면 KL 평균이 된다. 이 값 하나가 후보의 점수이고, 낮을수록 원본과 비슷하게 예측한다는 뜻이다.
그림 2. 원본의 다음 토큰 확률과 후보 모델의 확률 차이를 상위 128개 토큰과 나머지 버킷으로 묶어 평균 내면 몇 분 만에 KL 점수가 나온다

전체 어휘 확률을 다 저장하면 0.21~0.56 TB나 들기 때문에 이렇게 상위 토큰과 나머지 버킷만 남겨 0.47~1.09 GiB 수준으로 줄였는데, 이 근사치는 수학적으로 실제 KL 값을 넘지 않으며 검사한 체크포인트 9개에서 완전 KL보다 0~0.4% 낮게 나왔습니다. 추론 엔진인 vLLM 워커 안쪽에 직접 연결해 계산하므로 실제 서빙 커널에서 생기는 스케일 오차까지 점수에 그대로 들어갑니다. 무엇보다 논문 보고 기준으로 이 점수를 한 번 내는 데 GH200 GPU에서 3.2~11.7 GPU분밖에 안 걸려서, 전체 평가보다 350~990배 저렴합니다. 다만 비교한 체크포인트 쌍 44개 중 82%에서만 실제 정확도와 같은 후보를 더 높게 평가했다는 한계가 있어서 에이전트가 이 빠른 채점기를 어떻게 굴려야 진짜 성능을 끌어올릴 수 있을지가 다음 문제로 남습니다.

사람 없이 여덟 시간 동안 에이전트는 무엇을 반복하나

몇 분 만에 점수를 내주는 채점기가 준비되자, 연구진은 이 도구를 코딩 에이전트인 Claude Code(Claude Opus 5.5 모델 기반)에게 쥐여 주었습니다. 에이전트는 GPU와 일반 네트워크 접근을 막고 모델 API만 허용한 격리된 샌드박스 안에서, 외부에 있는 평가기·스케줄러와 정해진 명령(qda, kl, qsched, handin)으로만 통신하며 레시피를 찾습니다. 에이전트가 레시피를 제안해 qda로 빌드하고 kl로 점수를 확인한 뒤, 그중 일부 후보만 긴 생성 점검을 거쳐 메모를 고치고 다시 제안하는 고리가 예산이 끝날 때까지 계속 돕니다.

FIG 3 · LOOP
샌드박스 · GPU·네트워크 없음샌드박스 밖 · GPU레시피 제안에이전트가 작성빌드qdaKL 채점kl · 몇 분긴 생성 점검일부 후보만메모 수정사람 없이8시간 반복스케줄러우선순위 큐로 GPU 배분마감 넘길 작업은 시작 안 함격리된 평가기참조 트레이스 보관KL 값만 돌려준다KL 작업 먼저예산이 끝나면handin 고른 체크포인트만 테스트 평가
그림 3. GPU 없는 샌드박스 안의 에이전트는 4개 명령으로 빌드와 KL 채점을 반복하고, 예산이 끝나면 handin으로 최종 후보를 제출한다

한 번의 탐색에는 GH200 GPU 8장을 8시간 배정해(64 GPU시간 예산, 최종 테스트 평가 비용 별도) 쓰고, 에이전트 토큰 비용으로 19~75달러가 듭니다. 스케줄러는 채점 요청이 들어오면 빌드 대기열보다 먼저 처리해 주는데, 덕분에 에이전트는 한 번의 탐색에서 최대 36개까지 후보를 시험할 수 있었습니다. 에이전트가 참조 트레이스를 외워 점수를 속이는 '게이밍'을 막으려고, 평가기는 샌드박스 바깥에서 읽기 전용으로만 돌며 점수 숫자만 돌려주고 에이전트가 읽는 모든 파일은 테스트 문항과 겹치는지 20-gram 매칭으로 검사했습니다. 캘리브레이션 부분집합을 바꿔 재빌드했을 때의 KL 상대 표준편차(0.5~1.6%)보다 작은 차이는 '동점'으로 처리해 에이전트가 헛된 신호에 휘둘리지 않게 했죠.

이 뼈대는 QDA의 조립식 라이브러리가 받쳐 줍니다. 기존 llm-compressor를 확장해 PTQ 기법 21개를 공통 인터페이스로 묶었는데, 어떤 기법이든 vLLM이 읽는 체크포인트를 받아 같은 형식으로 돌려주기 때문에 레시피 순서를 마음대로 바꿀 수 있습니다. 여러 전문가를 조합해 쓰는 MoE(Mixture-of-Experts) 모델의 전문가들을 한 번에 배치로 처리하도록 고친 덕분에 논문 보고에 따르면 Qwen3.6-35B-A3B의 GPTQ 빌드 시간도 기존 16 GPU시간에서 0.42 GPU시간으로 줄었습니다. 하지만 에이전트가 KL 점수만 보고 달렸다면 놓쳤을 함정도 있었습니다.

점수가 좋아졌는데 답이 잘린다면

KL 발산이 줄어들었다고 해서 추론 모델의 긴 풀이까지 멀쩡하다는 보장은 없습니다. 실제로 Qwen3.6-35B-A3B W4A16 탐색 과정에서 에이전트가 원본 모델이 만든 자체 생성 데이터로 GPTQ를 돌리자 KL 점수가 크게 내려갔지만 어려운 문제로 긴 답변을 직접 뽑아 확인해 보니 길이 한도에서 잘린 답변이 원본보다 네 배로 늘어 있었습니다.

FIG 4 · DIAGRAM
123456자체 생성 데이터로 GPTQ 캘리브레이션긴 답변을 끝까지 생성해 점검어려운 프롬프트 생성스케일 증류최강 공개 레시피보다 높은 정확도원본 모델이 쓴 텍스트로 캘리브레이션길이 한도에서 잘린 답변 · 원본 모델은 3개에이전트 메모메모를 적고 1분 뒤 시작양자화 모델이 스스로 쓴 긴 답변으로 학습Qwen3.6-35B-A3B W4A16 평균 정확도“the truncation count is the signal I watch”KL −30%12 / 191600개1,200개+1.3점
그림 4. KL이 30% 내려갔지만 긴 답변 191개 중 12개가 잘리자 에이전트는 어려운 프롬프트 600개와 자체 답변 1,200개로 증류해 1.3점 더 높은 결과를 냈다

원본 모델은 긴 답변에서 길이 한도에 걸려 잘린 경우가 3개뿐이었는데, 이 후보 모델은 디버깅 단계를 반복하다 무한 루프에 빠져 버린 겁니다. 에이전트는 작업 메모에 "잘림 횟수가 내가 지켜보는 신호(the truncation count is the signal I watch)"라고 적어 두고 즉시 고난도 프롬프트와 양자화 모델 스스로 쓴 긴 답변을 새로 만들어 스케일 증류에 투입했습니다. 그 결과 최종 체크포인트는 공개된 최강 레시피를 앞질렀고, 논문이 보고한 전체 실험 조합에서도 QDA 모델의 답변 길이는 기존 공개본보다 4% 짧으면서 길이 한도에 걸리는 비율은 더 낮았습니다.

에이전트는 코드나 수치 버그도 직접 잡아냈습니다. 증류 손실이 튀는 원인이 반올림 경계를 넘는 BF16 스케일 때문이라는 것을 찾아 옵티마이저 Adam의 엡실론 값을 키웠고 자신이 짠 반올림 코드가 그래디언트를 0으로 만들어 버리는 문제도 찾아내 고쳤죠. 다만 이런 영리한 대처가 정말 에이전트 자체의 지능 덕분인지, 아니면 잘 짜인 채점기와 라이브러리 덕분인지는 따로 떼어 놓고 따져 봐야 합니다.

이득은 똑똑한 에이전트에서 나왔을까, 채점기에서 나왔을까

연구진은 에이전트와 인프라의 기여를 나누어 보기 위해 여러 대체 실험을 했습니다. 똑같은 Claude Code 에이전트에게 QDA 대신 NVIDIA ModelOpt와 그 탐색 스킬을 쥐여 주기도 하고 반대로 에이전트 없이 QDA의 채점기와 라이브러리만 써서 단순한 그리디 탐색이나 ASHA(성능이 나쁜 후보를 일찍 자르는 탐색 알고리즘)를 돌려 본 겁니다. Qwen3.6-35B-A3B 모델의 세 정밀도에서 다섯 가지 방식을 비교한 결과를 보면, 쉬운 설정인 W4A16에서는 방식 간 차이가 거의 없고 까다로운 W4A8과 W3A16에서만 격차가 벌어집니다.

방식W4A16W4A8W3A16
그리디 탐색78.976.575.0
ASHA78.976.375.5
QDA 라이브러리·스케줄러 없는 에이전트78.877.075.5
ModelOpt 에이전트78.576.274.5
QDA79.077.575.7

표에서 보듯 QDA의 채점기와 라이브러리를 그대로 쓰면 에이전트 없이 그리디 탐색이나 ASHA만 돌려도 W4A16에서는 0.1점 이내로 따라붙습니다. 반면 같은 에이전트라도 전용 평가기 없이 ModelOpt를 썼을 때는 QDA보다 0.5~1.3점 낮았고 W4A8과 W3A16에서는 기존 최강 공개 레시피에도 못 미쳤습니다(ModelOpt 실험은 평가기 부재로 테스트 벤치마크를 적은 샘플로 직접 뽑아 쓰는 등 조건이 다르긴 했습니다). QDA 라이브러리와 스케줄러 없이 공개 도구와 일반 GPU 큐로 에이전트를 돌렸을 때는 탐색당 평균 코드량이 1.1k줄에서 3.1k줄로 세 배 가까이 늘고 실패나 취소로 버려진 GPU시간 비중도 3.1%에서 6.6%로 두 배 뛰었죠.

실무 관점에서 보면 Qwen3.6 W4A16에서는 단순 탐색도 QDA에 근접했으니, 공개 레시피(AWQ, GPTQ)의 정확도 손실부터 확인하고 추가 탐색 비용을 따져 보는 쪽이 합리적입니다. 8B급 작은 모델이라면 논문이 인용한 기준으로 약 9 GPU시간이 드는 ParoQuant 같은 기법이 훨씬 가볍지만 ParoQuant는 추론할 때 온라인 회전을 넣느라 디코딩 속도가 떨어집니다. 반면 QDA 체크포인트는 기존 Marlin 커널을 그대로 쓰기 때문에 논문 보고(Qwen3.8-27B W4A16, GH200 1장, vLLM 0.27.1, 입력 1,024·출력 4,096토큰) 기준 배치 1에서 ParoQuant보다 1.75배, 배치 64에서도 1.30배 빠릅니다. 물론 탐색 한 번에 고급 GPU 서버 한 대 분량이 들기 때문에 개인이나 작은 팀이 직접 탐색을 돌리기는 어렵고 당장은 Hugging Face 논문 페이지에 올라온 공개 체크포인트를 내려받아 서빙하는 쪽이 현실적입니다.

공개된 QDA 체크포인트는 모델 카드 안내에 따라 vLLM이나 llama.cpp로 실행할 수 있는데, W3A16 모델은 Machete 커널을 끄는 환경변수와 CUDA 13 툴킷 등 실행 조건을 맞춰야 합니다.

Shell
VLLM_DISABLED_KERNELS=MacheteLinearKernel vllm serve qda-lab/QDA-Qwen3.6-35B-A3B-W3A16
Shell
llama-server -hf qda-lab/QDA-Qwen3.8-27B-Q4-GGUF

그렇다면 이렇게 시간과 GPU를 들여서 얻은 최종 결과물은, 칩 제조사와 엔터프라이즈 AI 기업이 직접 다듬어 배포한 공식 모델과 비교하면 어느 정도 수준일까요?

NVIDIA가 직접 낸 체크포인트보다 나았다는 건 무슨 뜻일까

연구진은 전문가 288개를 둔 초대형 MoE 모델 GLM-5.3-Flash를 NVFP4 정밀도로 줄이는 실전 과제에 QDA를 투입했습니다. 논문 보고 기준으로 GB300 16장을 써서 약 6.5시간 동안 탐색을 돌렸고 NVIDIA가 자사 ModelOpt 0.47.0 계열 개발 빌드로 배포한 체크포인트 및 Red Hat AI 배포본과 네 가지 고난도 벤치마크로 정면 비교했습니다. 원본 FP8 모델과 세 NVFP4 배포본의 점수를 나란히 놓아 보면, QDA가 평균 점수와 FP8 대비 정확도 보존율, 그리고 체크포인트 크기까지 모두 앞섭니다.

항목FP8 원본NVIDIARed Hat AIQDA
Math (93문제 ×16)84.880.978.883.3
GPQA-D86.183.384.083.9
LCB v671.369.369.270.4
SuperGPQA68.767.867.467.9
평균77.775.374.876.4
FP8 대비 보존율 / 크기100% / -96.9% / 190.4 GiB96.3% / 184.3 GiB98.3% / 183.6 GiB

원본 FP8과 비교해 QDA는 근소한 차이만 내주며 가장 적은 손실로 세 배포본 가운데 가장 작은 체크포인트를 빚어냈습니다. 특히 모델마다 레시피를 손으로 짰던 기존 방식과 달리, 이 새 모델 구조를 지원하는 데에는 72줄짜리 어댑터와 일부 확장 코드만 추가했을 뿐입니다. 다만 논문 저자 소속에 MIT와 함께 NVIDIA가 포함되어 있는데 비교 대상이 NVIDIA 자사 배포본과 ModelOpt라는 점은, 독립적인 외부 평가가 나오기 전까지 함께 염두에 두고 봐야 합니다.

여기까지 보면 AI 에이전트가 인간 전문가의 영역을 당장 대체한 것처럼 보이지만 전체 성적표를 뜯어보면 아직 성급한 결론을 내리기는 이릅니다.

그래서 일을 해낸 건 누구였나

결국 사람 전문가보다 나은 양자화 레시피를 만들어 낸 주역은 에이전트 혼자라기보다, 몇 분 만에 믿을 만한 점수를 내주는 KL 채점기와 순서를 마음대로 조립할 수 있는 라이브러리였습니다. 에이전트는 그 도구 상자 위에서 실패를 진단하고 데이터를 바꾸는 막판 승부사 역할을 했는데, ModelOpt를 쓰거나 QDA 라이브러리·스케줄러를 뺀 구성도 W4A16에서는 공개 레시피를 넘겼지만 더 까다로운 W4A8·W3A16에서는 모두 공개 최고 기록에 못 미쳤습니다.

성적표 전체를 보면 아직 빈틈도 적지 않습니다. 논문은 최강 공개 레시피보다 평균 0.9~2.2점 높다고 강조하지만 W4A8의 향상분 대부분은 Qwen3.5-9B 한 모델(+5.2점)에서 나왔고 나머지 세 모델은 0.1~0.2점 차이에 그쳤습니다. Qwen3.6-35B-A3B의 탐색 간 표준편차가 0.1~0.2점 수준이고 Qwen3.8-27B W4A16에서는 QDA가 원본 BF16보다 오히려 0.3점 높게 나오기도 했는데, 이런 작은 점수 차이의 통계적 유의성은 제시된 탐색 간 표준편차만으로 판단하기 어렵습니다. Qwen3.6-35B-A3B W3A16에서는 기존 기법 GSQ보다 0.2점 뒤처지기도 했고 Qwen 계열 W3A16 탐색 대부분(Qwen3.6 한 회 제외)이 별도로 30~52 GPU시간을 들여 만든 GSQ 체크포인트를 초기값으로 삼아 출발했다는 점도 짚고 넘어가야 합니다.

게다가 이 논문은 arXiv에 올라온 프리프린트이고 모델 카드에 QDA 0.1.0 재현용 저장소와 설치 명령이 안내되어 있긴 하지만 2026년 11월 20일 확인 시점에는 해당 GitHub 주소에 접근할 수 없었으며 독립적인 외부 재현 결과도 아직 찾지 못했습니다. 사람이 손으로 맞추던 양자화 조합을 코딩 에이전트가 몇 분짜리 채점기로 수십 번씩 고쳐 쓰게 만든 실험은 분명 흥미롭지만 지금 단계에서는 에이전트의 지능보다 검증 비용을 수백 배 낮춘 시스템 설계의 승리라고 보는 편이 정확해 보입니다.