Flower Labs, Endeavor 1.0으로 Anthropic, Google, OpenAI에 도전

Flower Labs는 9월 1일 Endeavor 1.0을 출시하며, 고객이 통제하는 인프라에서 실행하면서도 일부 Anthropic, Google, OpenAI 대안 모델과 맞먹는 성능을 낼 수 있다고 주장했다. 경쟁력 있는 성능과 프라이빗 배포를 결합한 이 출시는 또 하나의 모델 벤치마크 발표 이상의 의미를 지닌다.

Cambridge University에서 분사한 이 회사는 중앙집중형 클라우드 서비스가 주도하는 Anthropic, Google, OpenAI 시장에 진입하고 있다. 고객은 일반적으로 제공업체가 통제하는 API를 통해 선도적인 독점 모델에 접근한다. Flower는 기업이 관리형 서비스로 시작한 뒤, 선택한 워크로드 또는 전체 배포를 자체 환경으로 이전할 수 있기를 바란다.

이 주장은 Flower의 평가 절차 밖에서는 아직 검증되지 않았다. Endeavor는 초기에는 일부 선정된 조직에만 제공되며, 공개된 결과 역시 회사가 선택하고 보고한 테스트에서 나온 것이다. 따라서 핵심 질문은 Flower가 이미 최대 규모의 연구소들을 이겼는지가 아니다. 고객이 더 낮은 수준의 지능을 감수하지 않고도 로컬 제어가 실질적인 구매 이점이 될 수 있는지다.

Endeavor 1.0, 프런티어급 성능 주장과 프라이빗 배포 결합

Flower Labs는 모델에 대한 제어권을 별도 인프라 기능이 아니라 모델 역량의 일부로 판매하고 있다.

Endeavor 1.0은 추론, 코딩, 도구 사용, 장시간 실행되는 에이전트 작업을 위한 범용 시스템이다. Flower는 고객이 관리형 서비스를 통해 이를 사용하거나, 자신들이 통제하는 인프라 내부에 배포할 수 있다고 설명한다.

두 번째 선택지는 표준적인 독점 모델 관계와 이 출시를 구분한다. 비공개 API를 사용하는 기업은 제공업체가 통제하는 인프라로 요청을 보낸다. 제공업체는 모델, 용량, 업그레이드, 접근 조건을 관리한다.

프라이빗 배포는 이 관계를 바꾼다. 고객은 워크로드가 어디에서 실행되는지, 어떤 데이터가 시스템 경계를 넘는지, 모델 버전이 언제 변경되는지를 결정할 수 있다. 이러한 결정은 규제 대상 정보를 다루는 병원, 은행, 정부 기관 및 기타 조직에 중요하다.

Flower의 모델 발표에 따르면 Endeavor는 GPQA에서 92.0, HumanEval에서 98.2, AIME 2026에서 99.9, IFEval에서 94.1을 기록했다. 이 평가는 과학적 추론, 코드 생성, 수학, 지시사항 준수 능력을 측정한다.

Flower의 비교표에서 Endeavor는 HumanEval에 등재된 모든 경쟁 모델을 앞선다. AIME 2026에서는 OpenAI의 GPT-5.6 Sol 및 Anthropic의 Claude Fable 5와 동률을 이뤘다.

이 모델은 GPQA와 IFEval에서 GPT-5.6 Sol에 뒤처진다. GPQA에서는 Claude Fable 5에도 뒤지지만, HumanEval과 IFEval에서는 해당 모델을 앞선다.

Moonshot AI의 Kimi K3와 비교하면 Endeavor는 공개된 네 가지 테스트 중 세 가지에서 우위를 보인다. Flower는 Endeavor가 Nvidia의 Nemotron 3 Ultra를 네 가지 테스트 모두에서 앞선다고도 보고했다.

이 결과는 Flower의 헤드라인 포지셔닝보다 더 제한적인 결론을 뒷받침한다. Flower가 보고한 구성에서 경쟁력 있는 성능을 보인다는 뜻이다. 모든 기업 작업, 배포 환경, 지연 시간 목표 또는 안전성 요구사항에서 동등한 성능을 입증하는 것은 아니다.

Endeavor는 제한 없는 공개 출시가 아니라 프리뷰이기도 하다. Flower는 사용 가능한 컴퓨팅 용량을 확대하면서 일부 조직을 온보딩하고 있다. 이는 독립 평가자가 결과를 재현할 수 있는 속도를 제한한다.

그럼에도 이 프리뷰는 구매자가 살펴볼 수 있는 구체적인 제품을 제시한다. Flower는 즉각적인 운영 책임을 원하지 않는 고객을 위해 라이선스, 프라이빗 배포 지원, 관리형 경로를 제공하고 있다.

이 구조는 조직이 API로 시작하면서도 이전 경로를 유지할 수 있게 한다. 워크로드가 민감해지거나 전략적으로 중요해질 경우, 고객은 이를 통제된 인프라로 옮길 수 있다.

이 차이는 특히 AI 에이전트에 중요하다. 에이전트는 모델을 사용해 연결된 여러 작업을 계획하고 실행하는 소프트웨어다. 이러한 작업은 내부 문서, 소스 코드, 고객 기록, 운영 시스템에 접근할 수 있다.

챗봇 요청은 짧은 데이터 교환을 만든다. 장시간 실행되는 에이전트는 파일, 애플리케이션, 의사결정 전반에 걸쳐 컨텍스트를 축적할 수 있다. 더 큰 운영 범위는 배포 제어의 가치를 높인다.

따라서 Flower는 모델 품질 이상에 도전하고 있다. 프런티어급 지능은 프런티어 연구소가 소유한 인프라에 계속 묶여 있어야 한다는 가정에 도전하는 것이다.

Anthropic, Google, OpenAI 모델이 압박받는 이유

Endeavor는 기업 도입에 숨겨진 의존성을 겨냥한다. 즉, 기업이 자신들이 통제하지 않는 모델을 중심으로 가치 있는 워크플로를 구축한다는 점이다.

OpenAI, Anthropic, Google은 중앙집중형 접근 방식을 매력적으로 만들어 왔다. 이들의 서비스는 대규모 모델 호스팅, 가속기 관리, 복잡한 추론 시스템 운영의 부담을 없앤다.

이러한 편의성에는 구조적 상충관계가 따른다. 고객은 모델 가용성, 버전 안정성, 사용 정책, 지리적 서비스 범위, 보안 제어 측면에서 제공업체에 의존한다. 이 영역들 중 어느 하나의 변화도 다운스트림 애플리케이션에 영향을 줄 수 있다.

제공업체 전환은 API 주소를 바꾸는 것보다 어렵다. 프로덕션 시스템에는 특정 모델 동작에 맞춘 프롬프트, 평가, 라우팅 로직, 안전 규칙, 도구 통합이 축적된다.

모델 업그레이드는 일반 성능을 개선하면서도 특정 워크플로를 약화시킬 수 있다. 그러면 팀은 회귀 테스트, 프롬프트 변경, 새로운 안전장치를 마련해야 한다. 모델이 제공업체에 남아 있어도 그 작업은 고객의 몫이다.

Flower는 안정적으로 프라이빗 배포할 수 있는 모델이 이러한 통합 작업의 일부를 고객이 소유하는 역량으로 바꾼다고 주장한다. 고객은 모든 것을 하나의 원격 엔드포인트에 묶지 않고 에이전트, 평가, 데이터 파이프라인, 개선 루프를 구축할 수 있다.

이 주장이 관리형 API를 바람직하지 않게 만드는 것은 아니다. 내부 호스팅에는 인프라, 보안 전문성, 모델 운영 역량이 필요하므로 많은 조직은 계속 이를 선택할 것이다.

대신 민감한 데이터 또는 엄격한 연속성 요건을 가진 고객을 서비스하는 제공업체가 압박을 받는다. 이들 고객은 AI 시스템이 자체 거버넌스 아래에서도 계속 이용 가능하다는 증거를 점점 더 원한다.

출시 보도는 Flower의 고객으로 NHS와 JPMorgan을 언급한다. 회사는 해당 조직들이 어떤 Endeavor 워크로드를 운영할지 공개적으로 상세히 밝히지 않았다.

의료 분야는 배포 문제를 분명하게 보여준다. 환자 기록은 병원 환경 안에 유지한 채 연산을 데이터가 있는 곳으로 이동할 수 있다. 이 접근법은 민감한 기록을 하나의 외부 위치에 모아야 할 필요를 줄인다.

금융 기관도 기밀 문서, 고객 정보, 거래 시스템, 규제 기록과 관련해 비슷한 우려를 안고 있다. 프라이빗 운영 모델은 더 제한된 데이터 경계를 지원할 수 있지만, 호스팅만으로 규정 준수가 보장되는 것은 아니다.

경쟁 이슈는 Flower가 공개한 Endeavor 표가 OpenAI와 Anthropic 모델을 강조하고 있음에도 Google에도 미친다. Google은 독점 모델을 클라우드 인프라, 기업용 ID 시스템, 업무용 소프트웨어와 결합한다.

이 통합은 Google에 중요한 이점을 제공한다. 동시에 Flower가 문제 삼는 중앙집중형 플랫폼 모델을 강화한다. Endeavor는 모델 접근을 단일 클라우드 소유자에 대한 영구적 의존과 분리하는 또 다른 경로를 구매자에게 제시한다.

그 결과 Anthropic, Google, OpenAI 간 경쟁은 최고 점수를 위한 단순한 경주가 아니다. 지능을 둘러싼 운영 계층을 누가 통제하는지에 관한 경쟁이다.

기업 구매자에게 모델 소유권은 더 큰 통제권을 얻기 위한 필수 조건이 아니다. 실질적인 요건은 강제 가능한 배포 선택권, 안정적인 접근, 시스템을 안전하게 운영할 수 있는 충분한 문서화다.

Flower는 여전히 고객이 비현실적인 복잡성을 떠안지 않고 이런 이점을 실현할 수 있음을 보여줘야 한다. 프라이빗 배포가 비용이 많이 드는 엔지니어링 프로젝트가 된다면 API의 편의성은 계속 대체하기 어려울 것이다.

그럼에도 이 출시는 협상의 구도를 바꾼다. 구매자는 이제 선도 모델이 로컬 운영, 고객 관리형 업그레이드, 장기적 이식성을 지원하는지 물을 수 있다. Endeavor가 선택되지 않더라도 이러한 질문은 모든 제공업체에 압박을 가한다.

Flower는 모델을 처음부터 만들지 않고 시스템을 구축했다

Endeavor의 핵심 기술적 베팅은 하나의 거대한 파운데이션 모델을 훈련하는 것만큼 모델 통합과 추론 소프트웨어도 중요할 수 있다는 것이다.

Flower는 Endeavor를 아무것도 없는 상태에서 훈련한 완전히 새로운 모델로 설명하지 않는다. 이 시스템은 이미 확립된 오픈 웨이트 모델의 역량과 Flower의 독점 기술 및 자체 모델 프로그램을 결합한다.

오픈 웨이트 모델은 개발자가 운영하고 적응시킬 수 있는 다운로드 가능한 매개변수를 제공한다. 이는 제공업체가 모델을 보유하고 인터페이스를 통해 접근을 제공하는 폐쇄형 서비스와 다르다.

Flower는 Endeavor가 폭넓은 언어 지식, 공개 정보, 일반적인 코딩 패턴을 위해 오픈 파운데이션을 사용한다고 말한다. 이후 자체 개발한 특화 역량, 사후 훈련, 통합, 추론 동작을 추가한다.

이 회사는 또한 영국 사용 사례에 초점을 맞춘 이전의 70억 매개변수 모델 Lizzy의 지식과 추론도 통합한다. Endeavor는 그 출시 4개월 뒤에 나왔다.

이 시스템 수준 전략은 모든 역량을 처음부터 재현해야 할 필요를 줄인다. Flower는 기존의 오픈 작업을 기반으로 한 뒤, 오케스트레이션, 추론 시점 추론, 검증, 기업 배포에 자원을 집중할 수 있다.

추론 시점 추론은 모델이 요청에 답하는 동안 수행하는 추가 연산을 뜻한다. 시스템은 작업을 단계로 나누고, 도구를 사용하며, 중간 결과를 확인하고, 성공하지 못한 접근법을 수정할 수 있다.

이러한 주변 메커니즘은 실제 성능에 큰 영향을 줄 수 있다. 동일한 기본 모델 가중치도 서로 다른 프롬프트, 도구, 컨텍스트 관리, 검증 루프와 결합될 때 다른 결과를 낼 수 있다.

따라서 Endeavor는 완전한 시스템으로 경쟁한다. Flower는 모델을 도구 및 실행 환경과 연결하는 소프트웨어 계층인 여러 코딩 및 에이전트 하니스(harness)를 통해 모델을 테스트한다고 설명한다.

이 설계는 직접 비교를 복잡하게 만든다. 벤치마크 결과는 기본 가중치, 추론 예산, 하니스, 사용 가능한 도구 또는 이 네 가지 모두를 반영할 수 있다.

고객은 점수를 상호 교환 가능한 것으로 취급하기 전에 이러한 구성 세부 정보를 확인해야 한다. 로컬에 배포된 Endeavor 인스턴스는 현실적인 하드웨어 제약 아래에서 관리형 서비스가 홍보한 동작을 재현해야 한다.

Flower의 역사는 이 접근법에 논리적 토대를 제공한다. 이 회사의 원래 연합 학습 프레임워크는 모든 원천 데이터를 하나의 클라우드 저장소에 수집하지 않고 분산된 기기 전반에서 모델을 훈련하도록 설계됐다.

연합 학습은 분산된 데이터 쪽으로 연산을 보내고 원시 기록 대신 선택된 업데이트를 반환한다. 이 접근법은 중앙집중형 데이터 이동을 줄일 수 있지만, 조정, 보안, 통계적 과제를 수반한다.

이 연구 프로젝트는 2020년 Cambridge에서 시작됐다. Daniel Beutel, Taner Topal, Nicholas Lane 및 협력자들은 최대 1,500만 개의 시뮬레이션 클라이언트를 포함한 실험을 보고했다.

Flower Labs는 이후 이 연구 방향을 오픈소스 프레임워크와 기업 플랫폼으로 발전시켰다. 회사는 커뮤니티에 수천 명의 개발자와 1,000개가 넘는 오픈소스 프로젝트가 포함됐다고 말한다.

그 배경이 중요한 이유는 프라이빗 AI가 단순히 모델 패키징의 문제가 아니기 때문이다. 고객에게는 배포 소프트웨어, 분산 컴퓨팅, 모니터링, 평가, 그리고 변화하는 데이터셋을 둘러싼 제어 체계가 필요하다.

Flower의 이전 작업은 이러한 운영 문제의 일부를 해결한다. Endeavor는 Flower가 이미 구축한 인프라에 경쟁력 있는 범용 모델을 추가한다.

이 전략은 최대 연구소들을 자금력으로 정면 승부하려는 시도라기보다 시스템 엔지니어링에 가깝다. Flower는 오픈 구성 요소, 독점적 개선 사항, 배포 도구, 평가 신호를 하나의 제품으로 결합하고 있다.

Endeavor가 모든 공개 리더보드를 석권하지 못하더라도 이는 상업적으로 효과적일 수 있다. 기업은 신뢰성, 거버넌스, 통합 비용을 포함한 전체 운영 특성을 바탕으로 시스템을 선택하는 경우가 많다.

다만 시스템 구성은 그 자체로 새로운 질문을 낳는다. 고객은 구성 요소 라이선스, 업그레이드 권리, 보안 책임, 모델 출처, Flower 지원 범위에 대한 명확한 정보를 필요로 한다.

또한 어떤 기능이 오프라인에서도 계속 제공되는지 알아야 한다. 외부 서비스에 조용히 의존하는 배포는 ‘로컬’이라는 명칭이 시사하는 것보다 독립성이 낮을 수 있다.

이 메커니즘은 검증해 볼 만큼 신뢰할 수 있다. 이제 성공 여부는 Flower가 조립된 시스템을 자체 환경 밖에서도 예측 가능하고, 지원 가능하며, 반복 가능하게 만들 수 있는지에 달려 있다.

벤치마크 결과에는 독립적인 검증이 필요하다

공급업체가 보고한 네 가지 점수만으로 Endeavor가 프로덕션 워크로드 전반에서 프런티어 모델과 맞먹는다는 사실을 입증할 수는 없다.

Flower가 공개한 표는 유용한 근거를 제공하지만, 그 근거는 여전히 해당 주장을 하는 회사의 통제 아래 있다. 독립 연구소들은 아직 Endeavor에 대한 광범위한 결과를 보고하지 않았다.

비교 역시 네 가지 평가에만 한정된다. GPQA는 난도 높은 과학 문제를 시험하고, HumanEval은 코드 생성 능력을 측정하며, AIME는 수학 문제에 초점을 맞추고, IFEval은 검증 가능한 지시사항 준수 여부를 측정한다.

이들 벤치마크는 함께 중요한 역량을 다룬다. 그러나 기업용 시스템이 신뢰성 있게 작동하는지를 결정하는 모든 요소를 측정하지는 않는다.

전문 분야에서의 환각, 사이버보안 행동, 다국어 성능, 문서 검색, 지연 시간, 처리량, 에너지 사용량, 장문 맥락 일관성에 대해서는 거의 알려주지 않는다.

또한 Endeavor가 수 시간에 걸친 에이전트 작업 중 도구 실패를 어떻게 처리하는지도 보여주지 않는다. Flower가 이 모델을 장기 작업용으로 명시적으로 포지셔닝하고 있기 때문에 이는 중요하다.

모델이 한계치에 가까워질수록 공개 벤치마크의 정보 가치는 낮아질 수 있다. Endeavor의 AIME 2026 99.9점 결과는 이 문제를 보여준다. 세 모델이 동일한 보고 점수를 받아 사실상 구분이 거의 남지 않았다.

HumanEval에도 비슷한 한계가 있다. 이 벤치마크는 정해진 프로그래밍 문제 집합을 사용하지만, 실제 소프트웨어 작업에는 리포지토리, 의존성, 모호한 요구사항, 테스트, 리뷰가 포함된다.

Flower는 FlowerBench를 통해 이 격차의 일부를 인정한다. 회사는 이를 고객 환경 내부에서 수행되는 독점적 기업 과제를 위한 평가 시스템이라고 설명한다.

참여 조직은 기본 프라이빗 데이터를 이전하지 않고도 워크로드를 제공한다. Flower는 모델 개발과 평가 설계에 활용할 수 있는 정제된 결과를 받는다.

이 접근 방식은 실제 기업 문제를 다룬다. 기업은 기밀 작업과 데이터셋을 모든 공개 벤치마킹 서비스에 업로드할 수 없다.

그러나 이는 검증 문제도 만든다. 외부 연구자는 비공개 작업을 살펴보거나, 그 대표성을 확인하거나, 주장된 개선을 재현할 수 없다.

그 결과로 나온 근거는 자신의 작업을 직접 시험할 수 있는 참여 고객에게는 여전히 유용하다. Flower가 재현 가능한 방법을 공개하거나 신뢰받는 독립 감사를 허용하기 전까지는 더 넓은 시장에는 덜 유용하다.

접근 제한은 또 다른 불확실성을 더한다. 선별된 프리뷰는 최종 일반 제품을 대표하지 않는 수준의 집중 지원을 받을 수 있다.

Flower는 더 광범위한 출시 전에 컴퓨팅을 확장하고 있다고 밝힌다. 제한된 용량은 온보딩, 지연 시간, 가용성, 동시 고객 수에 영향을 줄 수 있으므로 이 공개는 중요하다.

프라이빗 배포가 컴퓨팅 요구사항을 없애지는 않는다. 일부 운영 책임을 고객과 Flower의 지원 조직으로 이전할 뿐이다.

따라서 Endeavor를 평가하는 기업은 워크로드별 테스트를 수행해야 한다. 일반 벤치마크 선두는 구매 결론이 아니라 평가를 시작하라는 초대장으로 여겨져야 한다.

테스트 세트에는 일반적인 작업, 까다로운 엣지 케이스, 적대적 입력, 완전한 에이전트 워크플로가 포함되어야 한다. 오류, 복구 행동, 응답 시간, 운영 오버헤드를 측정해야 한다.

팀은 관리형 버전과 프라이빗 버전도 비교해야 한다. 하드웨어, 양자화, 추론 설정, 도구 접근성이 다를 경우 동일한 모델 이름이 동일한 성능을 보장하지는 않는다.

양자화는 하드웨어 요구사항을 낮추기 위해 모델 파라미터의 수치 정밀도를 줄이는 기술이다. 배포 효율을 개선할 수 있지만 성능을 바꿀 수도 있다.

보안 검토는 데이터 위치를 넘어 확장되어야 한다. 로컬 시스템도 프롬프트 인젝션, 과도한 권한, 안전하지 않은 도구 호출, 손상된 의존성, 무단 모델 접근에 노출될 수 있다.

거버넌스 팀은 로깅, 보존, ID 제어, 업데이트 절차, 사고 대응을 검토해야 한다. 이러한 운영 안전장치가 취약하면 프라이빗 서버도 안전하지 않을 수 있다.

따라서 Flower의 벤치마크 주장은 무의미하지도, 결정적이지도 않다. 이는 검증 가능한 명제를 제시한다. 유럽의 한 시스템이 실질적으로 다른 배포 권한을 제공하면서 선도적인 독점 모델에 근접할 수 있다는 것이다.

다음 단계는 독립 평가와 프로덕션 시험의 몫이다. 그러한 결과가 나올 때까지 “경쟁력 있다”는 표현은 확정된 시장 사실로 취급하기보다 Flower의 주장으로 귀속되어야 한다.

소버린 AI는 조달의 문제가 되고 있다

Endeavor는 소버린 AI를 정치적 구호에서 배포, 데이터 경계, 공급업체 의존성에 관한 구체적인 선택으로 전환한다.

소버린 AI는 일반적으로 국가나 조직이 선택한 법적·기술적 통제 아래 AI를 개발하거나 운영할 수 있는 능력을 뜻한다. 이 용어는 인프라, 데이터, 모델, 인재 또는 이 네 가지 모두를 가리킬 수 있다.

Flower는 운영 주권에 초점을 맞춘다. 고객은 Flower를 통해 Endeavor를 실행하거나, 선별된 워크로드를 통제된 인프라 안에 배치하거나, 더 큰 규모의 프라이빗 배포로 나아갈 수 있다.

Flower의 공동 창립자이자 수석 과학자인 Nicholas Lane은 이례적으로 직접적인 표현으로 회사의 입장을 요약했다. 그는 The Times에 “유럽이 소수의 미국 기업으로부터 지능을 무기한 임대할 필요는 없다”고 말했다.

이 발언은 어떤 벤치마크 표보다도 주요 경쟁 대상을 더 정확히 드러낸다. Flower는 단지 Anthropic이나 OpenAI의 특정 출시 제품 하나가 아니라, 중앙집중형 미국 모델 제공업체에 대한 영구적 의존에 도전하고 있다.

유럽 정부가 대안을 검토할 이유는 여러 가지다. 공공 기관은 민감한 기록, 국가안보 정보, 지역 데이터 규정의 적용을 받는 워크로드를 다룬다.

경제적 의존도 우려한다. 핵심 애플리케이션이 해외 모델 접근에 의존하면 지식재산과 운영 지식이 외부 플랫폼을 중심으로 축적될 수 있다.

로컬 배포가 자동으로 국가의 기술 독립을 만들어 주는 것은 아니다. Endeavor는 기존 오픈 웨이트 기능을 통합하며, 고객에게는 여전히 가속기, 시스템 소프트웨어, 전문 역량이 필요하다.

그러므로 주권은 스펙트럼이다. 국가는 수입 하드웨어에 의존하면서도 데이터 위치를 통제할 수 있다. 조직은 업데이트와 지원을 공급업체에 의존하면서 모델을 호스팅할 수 있다.

Endeavor는 여러 계층을 다루지만 모든 계층을 다루지는 않는다. Flower는 무제한 소유권을 이전하는 대신 라이선스를 제공하면서, 배포와 업그레이드 시점에 대한 제어권을 제공한다.

이 구분은 조달 과정에서 주목할 만하다. 구매자는 Flower가 제품, 지원 조건, 상업 전략을 변경할 경우 어떻게 되는지 물어야 한다.

또한 조직이 라이선스를 받은 버전을 독립적으로 계속 운영할 수 있는지 판단해야 한다. 진정한 이식성에는 기술 문서, 호환되는 인프라, 계약상 권리가 필요하다.

Flower의 자금 조달은 이러한 과제를 위한 자원을 제공하지만, 최대 AI 연구소들과 비교하면 여전히 규모가 작다. 회사는 이전의 360만 달러 라운드 이후 2024년 2월 2,000만 달러 규모의 Series A를 발표했다.

Felicis가 Series A를 주도했다. 다른 투자자로는 First Spark Ventures, Factorial Capital, Betaworks Ventures, Y Combinator, Pioneer Fund, Mozilla Ventures가 포함됐다.

회사는 funding round가 분산형 및 연합형 AI 도입을 지원할 것이라고 밝혔다. Endeavor는 이제 이 전략에 광범위한 기업 업무용으로 포지셔닝된 모델을 제공한다.

Flower가 실행 가능한 사업을 구축하기 위해 Anthropic, Google, OpenAI의 총 연구 지출과 맞먹을 필요는 없다. 선별된 구매자에게 배포 제어권이 결정적 요소가 될 만큼의 성능만 확보하면 된다.

이는 더 좁은 시장이지만 잠재적으로 가치 있는 시장이다. 정부, 의료, 금융 서비스, 산업 운영, 연구 기관은 자유롭게 이동할 수 없는 데이터를 모두 관리한다.

실제 배포 사례로는 기밀 리포지토리를 검토하는 내부 코딩 에이전트가 있을 수 있다. 또 다른 사례는 안전한 연구 환경 안에서 임상 문서를 분석하는 것이다.

이러한 워크로드는 프라이빗 지식 시스템과 자연스럽게 연결된다. 조직은 모델이 검색할 수 있는 정보를 통제하기 위해 신뢰할 수 있는 AI knowledge base도 필요하다.

가치는 로컬 호스팅만으로 생기지 않는다. 거버넌스가 적용된 데이터, 검증된 모델 행동, 제한된 권한, 책임 있는 인간 검토를 결합할 때 생긴다.

이 때문에 국가적 브랜딩보다 조달 근거가 더 중요해진다. 구매자에게는 자신의 워크로드에서 측정된 성능, 명확한 배포 요건, 집행 가능한 권리가 필요하다.

Flower가 이러한 요소를 제공한다면 소버린 AI는 실용적인 제품 범주가 된다. 주로 애국적 포지셔닝에 의존한다면 기존 클라우드 제공업체가 우위를 유지할 것이다.

Endeavor의 중요성을 결정할 세 가지 신호

독립 결과, 실제 프라이빗 배포, 더 폭넓은 가용성이 Endeavor가 대안으로 자리 잡을지 아니면 흥미로운 프리뷰로 남을지를 결정할 것이다.

첫 번째 신호는 재현 가능한 제3자 평가다. 연구자들은 추론 예산, 도구, 모델 구성 등을 포함한 문서화된 설정 아래 Endeavor에 접근할 필요가 있다.

독립 테스트는 Flower가 공개한 네 가지 벤치마크를 넘어 확장되어야 한다. 장시간 실행 에이전트, 리포지토리 수준 코딩, 다국어 작업, 환각률, 안전성, 제한된 하드웨어에서의 성능을 다뤄야 한다.

Flower가 보고한 점수가 재현된다면 프런티어 모델이라는 주장이 강화될 것이다. 큰 격차가 나타난다면 출시 표가 유리한 구성이나 제한된 작업을 반영했음을 시사할 수 있다.

두 번째 신호는 프로덕션 배포에서 나온 근거다. Flower는 고객이 어떤 환경을 운영하는지, 왜 Endeavor를 선택했는지, 프라이빗 호스팅이 어떤 통제권을 제공하는지 설명할 의향을 갖도록 해야 한다.

사례 연구에는 일반적인 추천사보다 측정된 결과가 포함되어야 한다. 유용한 근거는 작업 완료율, 오류율, 배포 시간, 가용성, 운영에 필요한 인력을 다룰 것이다.

가장 강력한 사례는 Flower 관리형 배포와 고객 통제형 배포를 비교하는 것이다. 이는 큰 성능 또는 신뢰성 손실 없이 이식성이 작동하는지 보여줄 것이다.

기업 구매자는 어떤 워크로드가 먼저 이동하는지도 주시해야 한다. 민감한 코딩, 규제 대상 문서 분석, 내부 연구는 광범위한 자율 의사결정보다 더 신뢰할 수 있는 초기 활용 사례다.

성공적인 NHS 배포는 민감한 데이터와 엄격한 신뢰성 요건이 결합된 의료 분야라는 점에서 특히 큰 의미를 지닐 것이다. 다만 현재 보도만으로는 NHS가 Endeavor 자체를 사용하고 있다는 사실이 확인되지는 않는다.

세 번째 신호는 대규모 접근성이다. Flower는 현재 컴퓨팅 자원을 확충하면서 Endeavor의 이용을 일부 조직으로 제한하고 있다.

더 폭넓은 출시가 이뤄지면 더 많은 개발자, 보안팀, 평가자가 이 시스템을 시험할 수 있게 된다. 또한 Flower가 여러 까다로운 고객을 동시에 지원할 수 있는지도 드러날 것이다.

제한적 접근이 계속된다면 널리 이용 가능한 서비스와의 비교는 설득력을 잃는다. 용량이 불확실한 상황에서는 구매자가 해당 모델을 신뢰할 수 있는 대안으로 간주하기 어렵다.

이 세 가지 신호 안에서는 경쟁사의 대응도 중요하다. Anthropic, Google, OpenAI는 프라이빗, 지역 기반 또는 고객 통제형 배포 옵션을 확대해 Flower의 차별성을 약화시킬 수 있다.

오픈 웨이트 개발자들은 반대 방향에서 압박을 가할 수 있다. Meta, Mistral, Moonshot AI, Nvidia의 모델은 이미 조직에 로컬 운영으로 향하는 여러 경로를 제공하고 있다.

Flower는 그 중간 지점을 차지해야 한다. 폐쇄형 API보다 더 많은 제어권을 제공하면서도 독점 모델 수준의 사용성을 갖추고, 원시 오픈 웨이트 모델보다 더 많은 지원을 제공해야 한다.

이러한 위치 때문에 Endeavor가 주목할 만하다. 이 회사는 기업에 지능과 주권을 별개의 우선순위 중 하나로 선택하라고 요구하지 않는다.

하나의 시스템을 통해 두 가지를 모두 얻을 수 있다고 주장한다. 벤치마크 표는 지능에 대한 근거를 제공하고, 배포 라이선스는 주권에 대한 근거를 제공한다.

그러나 현재 두 주장 모두 완전하지는 않다. 점수는 여전히 공급업체가 보고한 수치이고, 접근은 제한적이며, 공개된 프로덕션 운영 사례도 충분하지 않다.

그럼에도 Anthropic, Google, OpenAI 중심 구도에 대한 도전은 조사할 만큼 구체적이다. Flower는 모델의 이름을 공개했고, 비교 결과를 발표했으며, 두 가지 배포 경로를 설명했다.

개발자들은 홍보된 역량을 재현하는 독립 테스트를 주시해야 한다. 기업 구매자는 동일한 관리형 및 프라이빗 구성에서 워크로드별 시험을 요청해야 한다.

보안 책임자들은 어떤 구성 요소가 외부에 남는지, 업데이트는 어떻게 이뤄지는지, 그리고 공급업체 중단 상황에서도 조직이 안전하게 운영할 수 있는지를 물어야 한다.

가장 중요한 질문은 실무적이다. Endeavor는 Flower의 환경을 벗어나 고객의 인프라로 들어간 뒤에도 경쟁력 있는 성능을 유지할 수 있을까?

검증된 ‘예’는 로컬 통제형 프런티어 AI의 가능성을 강화할 것이다. ‘아니오’라면 중앙집중형 공급업체가 까다로운 모델 운영을 계속 지배하는 이유를 확인하게 될 것이다.

현재로서는 Endeavor 1.0을 확정된 승리가 아니라 진지하게 검증할 수 있는 주장으로 봐야 한다. 다음 독립 평가나 문서화된 배포 사례는 또 하나의 회사 작성 리더보드보다 더 큰 의미를 지닐 것이다.