top of page

llm-anthropic 0.31, 추론 예산 관련 주의점과 함께 Fable 5.2 추가

11분 전
9분 분량

Simon Willison은 11월 9일 llm-anthropic 0.31을 출시하며 Anthropic의 최신 모델을 추가하는 한편, 최고 추론 설정에서 실패가 발생했다고 전했다. 그의 그림 실험에서는 xhigh에서 더 선호하는 결과를 얻었지만 max에서는 토큰 한도를 소진했다. 이 대비는 개발자에게 또 하나의 모델 발표보다 더 유용한 정보를 제공한다. 기본값을 선택하기 전에 추론 설정을 테스트해야 할 구체적인 이유다.

이번 릴리스는 터미널에서 언어 모델에 접근하는 도구인 LLM에 Fable 5.2와 Mythos 5.2를 연결한다. 핵심 긴장은 추가 연산과 작업 완료 사이에 있다. 추론에 더 많은 시간을 쓴다고 해서 자동으로 사용할 수 있는 답변이 나오는 것은 아니다.

업데이트를 평가하는 개발자에게 접근성과 신뢰성은 별개의 문제다. 통합으로 실험은 쉬워지지만, 팀은 자신이 선택한 구성으로 실제 과제를 끝까지 완료할 수 있다는 근거를 여전히 확보해야 한다. 선도적인 벤치마크 순위와 실패한 그림 요청은 어느 한 관찰이 다른 관찰을 무효화하지 않은 채 공존할 수 있다.

llm-anthropic 0.31이 실제로 바꾸는 것

이 릴리스는 기존 개발자 인터페이스를 통해 새 모델에 접근할 수 있게 하지만, 프로덕션 작업 전반에서의 성능을 입증하는 것은 아니다.

프로젝트의 모델 지원 릴리스에는 claude-fable-5.2와 claude-mythos-5.2가 나열되어 있다. 이는 LLM을 Anthropic의 서비스에 연결하는 확장 기능인 플러그인을 통해 노출되는 이름이다. 이 변경으로 기존 사용자는 익숙한 환경에서 새 모델을 평가할 수 있다.

패키지 릴리스 기록은 버전 0.31의 날짜를 2026년 11월 9일로 독립적으로 확인한다. 이 점은 이 글이 향후 지원에 대한 일반적인 약속이 아니라 특정 통합 릴리스를 다룬다는 점에서 중요하다. 독자는 소프트웨어 업데이트와 그 주변의 모델 출시를 구분할 수 있다.

이 구분은 책임 소재도 나눈다. 플러그인은 통합 계층을 처리하고, 호스팅된 모델은 응답을 제공한다. 실망스러운 출력만으로는 어느 계층이 문제를 일으켰는지 판단할 수 없다. 진단에는 요청, 구성, 응답, 중단 조건에 대한 정보가 필요하다.

기존 LLM 사용자에게 즉각적인 이점은 연속성이다. 다른 인터페이스를 중심으로 전체 평가 워크플로를 다시 구축하지 않고도 새 모델을 살펴볼 수 있다. 주변 프로세스를 익숙하게 유지하면 모델 동작의 차이를 더 쉽게 알아차릴 수 있다.

그러나 익숙함을 동일한 동작으로 혼동해서는 안 된다. 모델을 바꾸면 답변 길이, 완료 시간, 추론 설정의 유용성이 달라질 수 있다. 프롬프트가 같다고 해서 운영 경험까지 같다는 보장은 없다.

이로써 호환성과 적합성 사이에 중요한 구분이 생긴다. 호환성은 요청이 의도한 모델에 도달하고 응답을 반환하는지 묻는다. 적합성은 그 응답이 수용 가능한 제약 조건 안에서 과제를 충족하는지 묻는다. 릴리스는 호환성을 개선하면서도 적합성은 추가 조사의 대상으로 남길 수 있다.

따라서 이번 업데이트는 “최신 모델이 이제 최고의 기본값이다”라는 주장보다 더 좁게 읽어야 한다. 이는 평가를 위한 진입점을 마련한다. 워크플로 전반에 모델을 도입할지 여부는 별개의 결정으로 남는다.

문서화 작업 중 다이어그램을 생성하는 개발자를 생각해 보자. 새 모델을 성공적으로 선택했다면 접근성을 확인할 수 있다. 유효한 그림 코드를 받았다면 한 단계 더 나아간 요건을 충족한 것이다. 검토 마감 전에 명확한 다이어그램을 만들었다면 실질적 유용성에 더 가까운 무언가를 입증하게 된다.

이 점검 항목들은 같은 워크플로에 속하지만 서로 다른 질문에 답한다. 이를 서로 바꿔 쓸 수 있는 것으로 취급하면 릴리스 보도가 근거보다 더 확정적인 것처럼 들린다. 또한 팀이 테스트를 시작했을 때 실패를 분류하기도 더 어려워진다.

llm-anthropic 0.31의 뉴스 가치는 발표와 관찰 사이의 거리를 줄인 데 있다. 개발자는 이미 사용하는 도구를 통해 모델 주장을 읽는 데서 출력 결과를 검토하는 단계로 옮겨갈 수 있다. 이러한 접근성이 유용한 이유는 바로 가정을 검증할 수 있게 해주기 때문이다.

펠리컨 그림이 드러낸 완료 문제

모델이 상당한 연산을 들여 결과를 만들려 했더라도, 미완성 답변은 의미 있는 결과다.

Willison은 자신의 추론 노력 비교에서 자전거를 타는 펠리컨의 SVG를 요청했다. 벡터 그래픽을 설명하는 텍스트 형식인 SVG는 결과를 코드와 렌더링된 이미지 양쪽으로 검사할 수 있게 한다. 이 요청은 추상적인 모델 평가에 눈에 보이는 종착점을 제공한다.

그는 low, medium, high, xhigh, max의 다섯 가지 추론 설정을 시도했다. Willison은 xhigh를 자신의 최선의 결과로 꼽았다. 그는 max가 요청한 이미지를 반환하지 못한 채 사고 과정에 128,000토큰을 사용한 뒤 한도를 소진했다고 전했다.

토큰은 언어 모델이 처리하고 생성하는 단위다. 토큰 소비는 활동량을 측정하지만, 활동량이 완료와 같은 것은 아니다. 그림을 기다리는 사람에게 핵심 질문은 사용할 수 있는 결과물이 도착하는지다.

이 관찰은 제한적인 결론을 뒷받침한다. 보고된 이 실험에서 최고 노력 설정은 요청된 결과를 제공하지 못했다. 이것이 얼마나 자주 발생하는지, 다른 요청도 비슷하게 동작할지, 어떤 구성 요소가 한도 소진을 일으켰는지는 입증하지 않는다.

그럼에도 제한적인 관찰은 중요한 평가 공백을 드러낼 수 있다. 완료된 답변의 품질만 기록하는 워크플로는 그 단계에 도달하지 못한 요청을 놓치게 된다. 그런 요청을 제외하면 성공한 출력이 실제보다 더 대표적인 것처럼 보이게 된다.

그림 프롬프트는 미적 선호와 운영상 실패를 구분하는 데도 도움이 된다. 더 좋은 그림을 선택하는 일에는 판단이 개입된다. 그림이 전혀 도착하지 않았다는 기록은 과제 완료에 관한 문제다. 같은 실험에서 나왔더라도 이 결과들은 별도로 다뤄야 한다.

이 구분은 자동화된 작업에서 더욱 선명해진다. 사람은 요청이 실패했음을 알아차리고 설정을 바꿀 수 있다. 무인 프로세스에는 같은 상황에 대한 명시적 대응이 필요하다. 그렇지 않으면 실패로 인해 후속 작업이 존재하지 않는 결과물을 기다리게 될 수 있다.

예를 들어, 페이지를 조립하기 전에 그림 코드를 기다리는 문서화 파이프라인을 상상해 보자. 시각적으로 완벽하지 않은 그림은 여전히 검토에 들어갈 수 있다. 그림이 없으면 게시를 중단하거나 다른 시도를 요청하는 등 다른 조치가 필요하다. 이는 Willison의 테스트에서 입증된 결과가 아니라 가정적인 영향이다.

따라서 펠리컨 사례는 포괄적인 판정이 아니라 진단 단서로 이해해야 한다. 그 가치는 완료를 가시화한다는 데 있다. 프롬프트는 구체적인 산출물을 요구하므로, 독자는 긴 노력과 완성된 응답을 구분할 수 있다.

이 결과가 이미지와 유사한 작업을 넘어 주목받을 만한 이유도 여기에 있다. 모델이 다른 프로세스가 사용할 수 있는 무언가를 만들어야 할 때마다 같은 평가 질문이 적용된다. 초안, 코드 변경, 구조화된 보고서 모두 알아볼 수 있는 종착점이 필요하다.

이제 개발자는 “더 낫다”의 의미를 선택해야 한다

즉각적인 압박을 받는 팀은 모델 기본값을 선택하는 팀이다. 답변 품질과 신뢰할 수 있는 완료 사이에서 균형을 잡아야 하기 때문이다.

모델 개발자는 다양한 평가 전반의 개선을 설명할 수 있다. 애플리케이션 팀의 의무는 더 좁다. 사용자에게 기대한 결과를 제공해야 한다. 이 책임은 겹치지만 동일한 성공 정의를 만들지는 않는다.

개발자 도구에서는 더 낫다는 것이 잘못된 수정이 줄어드는 것을 의미할 수 있다. 문서 보조 도구에서는 제공된 자료를 바탕으로 한 더 명확한 설명을 의미할 수 있다. 백그라운드 프로세스에서는 개입 없이 끝나는 것을 의미할 수 있다. 하나의 노력 설정이 모든 목표를 최적화한다고 가정할 수는 없다.

llm-anthropic 업데이트는 이 결정을 더 쉽게 내릴 수 있게 하지만, 회피하기도 더 어렵게 만든다. 모델을 쉽게 호출할 수 있게 되면 팀은 그것을 어디에 둘지에 대한 입장을 정해야 한다. 가용성은 그 선택을 해결하는 대신 도입에 관한 실질적인 선택지를 만든다.

가장 유혹적인 지름길은 최고 설정을 최고 품질과 연결하는 것이다. 라벨이 순서가 있는 척도를 암시하므로 이 지름길은 이해할 만하다. 그러나 노력의 순서 척도가 모든 요청에 대한 유용성의 순서 척도를 입증하는 것은 아니다.

여기서 중요한 대립은 최대 노력과 예산 내 신뢰할 수 있는 제공 사이에 있다. 이 예산에는 대기 시간, 토큰 소비, 검토자의 주의가 포함될 수 있다. 조직이 어려운 작업에 상당한 자원을 투입할 의향이 있더라도 이러한 제약은 여전히 의미가 있다.

따라서 추론 노력 비교는 전체 결과에 초점을 맞춰야 한다. 유용한 비교에는 성공적인 완료, 답변 품질, 소비된 자원이 포함된다. 가장 보기 좋은 차원만 측정하면 구성이 사용자를 실망시키는 이유를 가릴 수 있다.

이는 팀이 시연을 해석하는 방식도 바꾼다. 인상적인 완성 결과물은 특정 조건에서 특정 결과가 가능했음을 보여준다. 실패한 시도까지 문서화하지 않는 한, 그 전에 몇 번의 실패가 있었는지는 보여주지 않는다.

반대 방향도 마찬가지다. 실패한 결과물 요청이 다른 곳에서의 성공적인 결과를 지워서는 안 된다. 책임 있는 평가는 모델의 평판을 단 하나의 사례로 결론내리려 하기보다 두 범주를 모두 보존한다.

기업 구매자에게 운영상의 질문은 책임 소재와 관련된다. 누군가는 답변이 언제 수용 가능한지, 요청이 언제 실패했는지, 언제 재시도가 정당한지를 결정해야 한다. 모델의 평판이 조직을 대신해 그러한 결정을 내릴 수는 없다.

지식 근로자도 비공식적으로 출력을 비교할 때 관련된 문제를 마주한다. 선호하는 응답만 저장하면, 왜 그것이 효과적이었는지 이해하는 데 필요한 맥락을 잃는다. 모델, 설정, 프롬프트, 결과를 기록하면 나중의 비교가 더 유용해진다.

이런 자료를 정리하는 팀은 이를 검색 가능한 지식 기반과 연결할 수 있다. 목적은 실패한 실행을 포함해 도입 결정의 근거를 보존하는 데 있다. 다듬어진 사례만 모아서는 워크플로가 얼마나 신뢰할 수 있게 되었는지 보여줄 수 없다.

즉각적인 결과는 평가 책임의 이동이다. 통합 유지 관리자는 접근성을 제공하고, 모델 제공자는 역량을 설명한다. 애플리케이션 팀은 특정 구성이 사용자를 위한 역할을 하는지에 대한 최종 판단을 여전히 맡는다.

벤치마크 선두는 다른 질문에 답한다

독립 벤치마크 결과는 유용한 근거를 제공하지만, 모든 요청이 완료되거나 최대 노력이 모든 워크플로에 적합하다는 보장은 아니다.

Artificial Analysis의 모델 인텔리전스 지수 페이지는 표시된 인텔리전스 요약에서 Fable 5.2를 81개 모델 중 1위에 올려놓는다. 나열된 구성은 “Max, Default Fallback”이다. 독자가 결과를 해석할 때 이 구성 세부 정보는 순위와 함께 고려되어야 한다.

Artificial Analysis는 이 모델의 인텔리전스 지수 과제당 시간을 41.8분으로도 보고한다. 이는 해당 평가 프레임워크 내의 측정값이다. 임의의 터미널 프롬프트에 예상되는 소요 시간으로 제시해서는 안 된다.

순위와 소요 시간을 함께 보면, 역량과 응답성은 별도로 살펴봐야 한다는 점이 드러난다. 모델은 까다로운 평가에서 좋은 성과를 낼 수 있지만, 평가 대상 작업을 완료하는 데 상당한 시간이 걸릴 수도 있다. 이러한 절충이 수용 가능한지는 애플리케이션에 따라 달라진다.

벤치마크 결과는 펠리컨 관찰 사례와 모순되지 않는다. 두 사례는 서로 다른 작업, 평가 조건, 결과를 다룬다. 어느 한쪽을 보편적인 답으로 받아들이면 증거를 명확히 하기보다 단순화하게 된다.

벤치마크는 정해진 측정 절차 아래에서 시스템이 어떻게 수행되는지를 묻는다. 반면 애플리케이션을 평가하는 개발자는 시스템이 해당 애플리케이션의 요구 사항을 충족하는지를 묻는다. 강력한 벤치마크 성과는 테스트를 정당화할 수 있지만, 애플리케이션 테스트를 대체할 수는 없다.

이 구분은 Anthropic을 다른 제공업체와 비교할 때 중요해진다. 공정한 비교를 위해서는 동일한 작업 요구 사항을 사용하고 관련 설정을 공개해야 한다. 그렇지 않으면 겉으로 보이는 승자는 독자에게 유용한 우위가 아니라 평가 조건의 차이를 반영할 수 있다.

같은 제공업체의 모델 라인업 안에서도 이 원칙은 적용된다. Fable과 Opus를 비교하려면 모델 이름을 순위에 맞춰 보는 것만으로는 부족하다. 팀은 추가적인 노력이 자신들의 실제 워크로드에서 가치 있는 결과를 만들어내는지 확인해야 한다.

Anthropic의 모델 출시 세부 정보는 Fable과 Mythos를 까다로운 기술 작업에 적합한 모델로 제시한다. 회사는 대부분의 코딩 및 지식 작업에 Opus 5.5부터 시작할 것을 권장한다. 따라서 Anthropic 자체의 포지셔닝도 보편적인 업그레이드 경로가 아니라 모델 선택의 여지를 남긴다.

이 권고는 출시 보도가 제품 라인업을 가장 강력한 모델을 향한 경쟁으로 압축하는 경우가 많다는 점에서 유용한 맥락을 제공한다. 실제 배포 결정은 더 구체적인 질문을 수반한다. 이 과제는 어떤 모델이 처리해야 하는가?

어려운 디버깅 요청을 평가하는 가상의 엔지니어링 팀은 더 정확한 진단을 위해 더 긴 대기 시간을 합리적으로 받아들일 수 있다. 반면 같은 팀도 일상적인 서식 작업에는 그 지연을 거부할 수 있다. 이러한 판단은 모델 품질에 대한 일관성 없는 태도가 아니라 서로 다른 작업 요구 사항을 반영한다.

실무적인 결론은 벤치마크 증거를 적절한 역할 안에 두는 것이다. 이는 조사할 가치가 있는 역량과 비교할 가치가 있는 구성을 식별하는 데 도움이 된다. 하지만 완료 여부를 측정하고, 출력물을 검토하며, 주변 워크플로를 고려해야 할 필요성을 없애지는 않는다.

증거는 일반적인 실패율을 입증하지 않는다

회의적인 해석은 양쪽 방향의 광범위한 결론에 의문을 제기해야 한다. 출시 주장이든 고립된 실패 사례든 전체적인 신뢰성을 확립하지는 못한다.

현재 이용 가능한 증거는 몇 가지 질문에 답하지 못한다. 대표적인 워크로드 전반에서 토큰 소진이 얼마나 자주 발생하는지는 입증하지 않는다. 또한 보고된 동작이 프롬프트, 요청 설정, 모델 동작 또는 이들의 상호작용에 좌우되는지도 분리해 보여주지 않는다.

이 글을 위해 독립적인 테스트는 수행되지 않았다. 보고된 그림 결과는 Willison이 공개한 설명으로 뒷받침되는 그의 관찰에 머문다. 여기서의 분석은 Fable의 동작을 새로 측정하는 것이 아니라, 해당 관찰이 평가에 시사하는 바를 다룬다.

이 경계는 생생한 사례가 유난히 설득력 있기 때문에 중요하다. 실패한 펠리컨 그림은 기억하고 공유하기 쉽다. 하지만 눈에 잘 띈다고 해서 통계적으로 대표적인 것은 아니며, 인상적인 시연이 일반적인 성공률을 입증하지 못하는 것과 마찬가지다.

신중한 평가는 실패한 시도를 보존하고 그 원인을 분류해야 한다. 토큰 한도에 도달한 요청은 서비스 중단과 다르다. 완료되었지만 부정확한 답변은 요구된 형식을 위반한 답변과도 다르다. 이러한 결과를 하나로 묶으면 유용한 정보가 가려진다.

“추론”이라는 단어에도 같은 주의가 필요하다. 사용자가 관찰할 수 있는 것은 설정된 노력 수준, 자원 소비, 그리고 출력물이다. 더 긴 내부 과정이 더 깊은 이해나 더 신뢰할 수 있는 결과를 직접적으로 증명한다고 여겨서는 안 된다.

Anthropic의 더 광범위한 출시 주장도 출처를 명시해야 한다. 회사는 이 모델들이 블랙홀 물리학의 미해결 문제를 푸는 데 기여했다고 말한다. 이 글은 그러한 과학적 결과를 독립적으로 검증하지 않았으며, 해당 주장이 관련 없는 그림이나 코딩 워크플로를 검증하는 것도 아니다.

과학적 작업에는 과학적 주장에 걸맞은 증거가 필요하다. 애플리케이션 신뢰성에는 해당 애플리케이션에 걸맞은 증거가 필요하다. 공유된 모델 이름으로 이들을 연결한다고 해서 이러한 기준의 차이가 사라지지는 않는다.

접근 권한도 별개의 문제다. Anthropic은 Fable과 Mythos가 기반 모델을 공유하지만, 보호 장치와 접근 조건은 서로 다르다고 설명한다. 통합 환경에서 특정 모델 이름을 지원한다고 해서 모든 사용자가 이에 접근할 권한을 부여받는 것은 아니다.

이 구분은 또 다른 오해의 소지를 막는다. 플러그인 목록은 보편적인 사용 가능성을 약속하는 것이 아니다. 출시를 평가하는 개발자는 성공적인 설치와 서비스가 부여한 접근 권한을 구분해야 한다. 거부된 요청은 모델 품질이 아니라 자격 요건을 반영할 수 있다.

펠리컨 사례에 지나치게 공격적으로 대응할 위험도 있다. 느린 요청이 발생할 때마다 자동으로 노력 수준을 낮추면 일부 과제에서는 완료율이 개선될 수 있지만, 다른 과제에는 해가 될 수 있다. 적절한 정책을 세우려면 시스템이 실제로 처리하는 작업의 증거가 필요하다.

가장 강한 결론은 의도적으로 제한되어 있다. 이 보고서는 조사할 가치가 있는 실패 모드와 최대 노력 수준에 대한 검증되지 않은 가정을 피해야 하는 이유를 제시한다. 높은 노력 수준이 일반적으로 효과가 없거나 통합 자체에 결함이 있다는 사실을 입증하지는 않는다.

통합 출시 후 주목할 점

다음으로 유용한 증거는 이 동작이 반복되는지, 변경 사항이 이를 해결하는지, 그리고 더 높은 노력 수준이 요구 사항을 정당화할 만큼 실제 작업을 개선하는지를 보여줄 것이다.

첫 번째 신호는 노력 수준 설정 전반에서의 재현성이다. 앞으로 몇 달 동안 공개되는 비교 자료는 프롬프트, 구성, 중단 조건, 실패한 시도를 함께 보존할수록 더 유용해질 것이다. 이 정보는 독자가 반복 가능한 동작과 이례적인 실행을 구분하는 데 도움이 된다.

비슷한 요청이 최대 노력 수준에서 반복적으로 할당량을 소진한다면, 선택적 사용을 뒷받침하는 근거는 더 강해질 것이다. 반복 평가가 성공적으로 완료된다면, 원래의 관찰은 더 제한적으로 해석되어야 한다. 어느 결과든 구성 결정에 활용할 수 있는 증거를 개선한다.

재현 작업은 과제가 요구하는 바도 보존해야 한다. 그림 평가는 사용할 수 있는 그림을 필요로 하며, 코드 평가는 적절한 코드 결과를 필요로 한다. 출력물을 본 뒤 성공 기준을 바꾸면 비교의 신뢰성이 떨어진다.

두 번째 신호는 관찰된 동작과 연결된 문서화된 변경 사항이다. 향후 플러그인 출시, 서비스 업데이트 또는 기술적 설명은 관련 설정과 중단 조건을 명확히 할 수 있다. 유용한 업데이트라면 무엇이 바뀌었는지 설명하고 유사한 요청에 미친 영향을 보여줄 것이다.

주장된 수정은 미완료 응답을 줄이면서 성공적인 결과를 보존한다면 더 설득력을 얻게 된다. 설명되지 않은 개선도 반가운 일이겠지만, 이를 얼마나 폭넓게 배포할지 결정하는 팀에는 덜 유용한 지침을 제공한다. 도입은 조건에 대한 이해에 달려 있으므로 문서화가 중요하다.

세 번째 신호는 실제 배포에서 얻는 작업별 증거다. 팀은 답변 품질과 함께 완료 여부 및 인간 검토를 보고하는 평가를 주목해야 한다. 긍정적인 결과는 평가자가 명확히 설명한 제약 조건 아래에서 추가 노력이 승인된 작업을 개선한다는 점을 보여줄 것이다.

최고 설정이 반복적으로 더 나은 승인 결과물을 만든다면, 관련 작업 범주에 이를 사용하는 근거가 된다. 더 낮은 설정이 미완료 요청을 줄이면서 비슷한 성과를 낸다면, 다른 기본값을 뒷받침하게 된다. 결론은 라벨이 아니라 워크로드를 따라야 한다.

이러한 신호는 경쟁 제공업체의 모델을 비교할 공정한 기준도 제공한다. 핵심 질문은 공개된 조건 아래에서 시스템이 요구된 결과를 제공하는지다. 브랜드 선호와 출시 모멘텀은 이러한 증거를 대신하기에는 약하다.

현재로서는 llm-anthropic 0.31이 유익한 평가상의 주의점을 동반한 구체적인 통합 업데이트다. 친숙한 인터페이스를 통해 새 모델을 사용할 수 있게 하면서도, 최적의 운영 역할은 테스트를 통해 판단하도록 남겨둔다. 이 조합은 찬양이나 폄하 어느 쪽도 요구하지 않으면서 유용하다.

기존 워크플로를 확장하기 전에 대표적인 작업을 선택하고 성공적인 완료의 의미를 정의하라. 사용 가능한 노력 수준을 비교하고, 실패한 시도를 보존하며, 동일한 요구 사항에 따라 완성된 산출물을 검토하라. 다른 검토자도 어떤 구성이 그 자리를 얻은 이유를 이해할 수 있도록 충분한 맥락을 기록하라. 매력적인 평균이 중요한 약점을 가리지 않도록 어려운 사례를 일상적인 작업과 함께 유지하라. llm-anthropic 0.31을 이러한 증거를 수집할 기회로 활용한 뒤, 사용자가 실제로 필요로 하는 작업을 제공하는 모델과 노력 수준을 선택하라.

 
 

무료로 시작하세요

개인 지식 관리 기능을 갖춘 로컬 우선 AI 어시스턴트

더 나은 AI 경험을 위해

현재 remio는 Windows 10+ (x64) 및 M-Chip Macs만 지원합니다.

업무를 위한 AI 파트너
remio와 더 많은 일을 해내세요

계획하고, 만들고, 완성하세요
모든 일을 한곳에서

bottom of page