top of page

NVIDIA, Nemotron for Science 공개

4시간 전
9분 분량
Illustrative photograph. Photo: Daniil Komov / Pexels.

NVIDIA는 2026년 11월 16일 Nemotron for Science을 공개하며, 기존 오픈 모델에 약 5만 개의 화학 질문과 특화된 학습 레시피를 결합했다. 이 패키지는 작업을 계획하고 연구 도구를 호출하는 AI 시스템인 과학 에이전트를 겨냥한다. 핵심 과제는 작업별 개선을 신뢰할 수 있는 연구 워크플로로 전환하는 일이다.

기반 모델은 새로 발표된 파운데이션 모델 아키텍처가 아니라 NVIDIA Nemotron 3.5 Super VL이다. 연구자는 특정 작업에 맞게 기존 모델을 조정하는 추가 학습인 포스트 트레이닝을 통해 이를 적응시킬 수 있다. NVIDIA와 협력사들은 화학 정보 추출, 실험실 프로토콜, 과학 소프트웨어 복구에서의 결과를 보고했다.

이번 발표는 특화되고 로컬에서 제어할 수 있는 연구 시스템으로 향하는 흐름을 강화한다. Gemini 기반의 Google Co-Scientist는 과학 가설 생성 중심으로 에이전트를 구성한다는 점에서 비교 대상이 된다. 핵심 긴장은 광범위한 과학적 추론과 연구자가 결과를 검증할 수 있는 특화 워크플로 사이에 있다. 실험실 팀에게 중요한 질문은 맞춤화가 추가 엔지니어링 부담을 감수할 만한 가치를 언제 제공하느냐다.

Nemotron for Science이 실제로 추가하는 것

이번 릴리스는 모델, 과학 데이터, 적응 방법을 연구 팀을 위한 더 구체적인 출발점으로 묶는다.

NVIDIA의 과학 에이전트 릴리스에 따르면, 이 패키지는 과학 애플리케이션, 평가 도구, 오픈 화학 데이터세트, 포스트 트레이닝 레시피를 결합한다. 모델에 접근할 수 있는 것만으로는 과학 통합 작업의 상당 부분이 미완으로 남기 때문에 이 조합은 중요하다.

에이전트에 필요한 것은 화학 질문에 대한 그럴듯한 답변만이 아니다. 명확히 정의된 작업, 적절한 도구에 대한 접근, 실패를 인식할 방법이 필요하다. 이러한 요소가 없으면 실험실에는 연구 과정의 신뢰할 수 있는 구성 요소가 아니라 또 하나의 제안 출처만 생긴다.

기반이 되는 Nemotron 모델은 텍스트와 이미지처럼 여러 형식의 정보를 처리할 수 있다는 의미의 멀티모달 작업을 지원한다. 이 기능은 서면 설명과 함께 도표를 포함하는 과학 문서에 적합하다. 그러나 형식 지원이 그 형식을 사용하는 모든 과학 문서에서의 정확성을 보장하는 것은 아니다.

새 화학 리소스인 LitmusBench v0.2는 분자 특성과 실험적 신약 개발 데이터를 바탕으로 한 질문을 제공한다. NVIDIA는 용해도와 신체가 분자를 처리하는 방식과 관련된 활용 사례를 설명한다. 이 데이터세트는 모델 적응과 평가를 모두 지원해, 연구자가 특화 역량을 개발하고 측정할 자료를 제공한다.

이러한 역할은 신중히 구분해야 한다. 데이터세트로 학습하는 팀은 적응에 사용된 사례를 넘어 성능을 검증하는 평가 설계가 필요하다. 그렇지 않으면 점수가 개선돼도 결과 시스템이 낯선 연구 문제를 처리하는지 여부는 여전히 알 수 없다.

이 구분은 출시 자체의 성격도 분명히 한다. NVIDIA는 연구자에게 Nemotron 3.5 Super VL을 중심으로 특화 시스템을 구축할 수 있는 더 많은 재료를 제공하고 있다. 이 패키지를 새로운 범용 과학 지능이라고 설명하는 것은 이번 발표가 입증하는 범위를 과장하는 일이다.

개발자에게 실질적인 변화는 모델을 내려받는 일과 연구 애플리케이션을 시험하는 일 사이의 거리에 관한 것이다. 공개된 데이터와 레시피는 출발 프레임워크를 제공한다. 각 실험실은 여전히 이 프레임워크를 자체 기기, 소프트웨어, 기록, 과학적 기준과 연결해야 한다.

이 점은 이번 소식의 유용한 경계를 제시한다. 제공된다는 사실은 이 접근법을 검토하고 실험할 수 있게 한다. 도입하려면 완성된 시스템이 실제 연구 환경에서 신뢰성 있게 작동한다는 증거가 필요하다.

따라서 이 패키지는 과학 인프라로서 주목할 만하다. 그 가치는 연구 팀이 유용한 에이전트를 적응시키고, 점검하고, 유지할 수 있는지에 달려 있다. 릴리스 발표는 그러한 기회를 제시할 수 있지만, 모든 기관의 운영상 질문에 답할 수는 없다.

연구 팀은 구축 또는 구매의 선택에 직면한다

NVIDIA의 접근법은 연구 팀이 일반 리더보드에서 모델을 선택하기보다 완성된 워크플로를 비교하도록 압박한다.

즉각적인 대상에는 계산 과학자, 실험실 자동화 개발자, 기관 연구 컴퓨팅 팀이 포함된다. 이들은 범용 채팅 어시스턴트를 선택하는 사용자와는 다른 제약에 직면한다. 기존 과학 프로세스에 맞고 동료가 평가할 수 있는 결과를 내는 시스템이 필요하다.

호스팅되는 범용 모델을 고려하는 기관은 비교적 적은 모델 관리 작업으로 시작할 수 있다. 특화 오픈 모델 경로는 학습, 배포, 평가에 대한 추가 책임을 수반한다. 관련 비교에는 작업 성능의 개선과 함께 이러한 책임도 포함된다.

NVIDIA의 발표는 이 결정을 더 구체적으로 만든다. 팀은 자체 실험 기록이 유용한 적응 데이터를 제공하는지 질문할 수 있다. 또한 과학 도구가 에이전트 출력에 대한 객관적 검증을 제공하는지 파악할 수 있다.

이러한 요소가 갖춰진 곳에서는 특화가 검증 가능한 투자가 된다. 요소가 여전히 불완전한 곳에서는 모델 파일을 내려받아도 근본적인 연구 과제가 사라지지 않는다. 부족한 자원은 다른 모델에 대한 접근이 아니라 신뢰할 수 있는 평가기일 수 있다.

Google의 과학 가설 시스템은 다른 강조점을 보여준다. Co-Scientist는 Gemini 기반 에이전트를 사용해 연구 가설을 생성, 비판, 순위화, 정제한다. Google은 연구자가 제안된 방향을 검토하는 가운데 과학 문헌과 데이터에 기반한 프로세스를 설명한다.

이 비교는 직접적인 성능 경쟁을 만들지 않으면서 유용한 맥락을 제공한다. NVIDIA가 강조한 사례에는 반응 추출, 실험실 프로토콜 생성, 시뮬레이션 설정 복구가 포함된다. 가설 생성과 운영 작업 실행은 둘 다 과학 에이전트라는 이름 아래 있을 때도 서로 다른 시험을 필요로 한다.

공통점은 연구자가 광범위한 모델 역량을 유용한 과학 작업으로 전환하는 방식에 있다. Google은 에이전트 간의 조직화된 협업을 강조한다. NVIDIA의 패키지는 적응 리소스와 특화 연구 도구와의 연결을 강조한다. 어느 설명도 상대 회사의 워크로드 전반에서 우위를 입증하지는 않는다.

따라서 실험실 리더가 마주하는 질문은 어느 회사가 최고의 과학 모델을 보유했는가보다 더 구체적이다. 해결하려는 연구 병목을 식별해야 한다. 문헌 탐색, 문서 추출, 시뮬레이션 문제 해결은 서로 대체 가능한 성공 정의를 공유하지 않는다.

이들 팀을 지원하는 지식 근로자에게 기록 관리 역시 의사결정의 일부가 된다. 검색 가능한 기술 지식 베이스는 평가 메모, 원본 문서, 배포 결정을 보존할 수 있다. 이러한 조직 계층은 과학 에이전트 자체와는 다른 목적을 수행한다.

그 결과 나타나는 압력은 실용적이며 단기적이다. 과학 AI를 평가하는 팀은 벤더 비교를 해석하기 전에 수용 기준을 정의해야 한다. 인상적인 시연은 작업과 조건이 의도한 애플리케이션과 일치할 때만 유용한 구매 증거가 된다.

실험 피드백이 특화 전략을 이끈다

이 메커니즘은 모델 학습을 별도의 프로세스가 점수화할 수 있는 과학적 결과와 연결하는 데 의존한다.

NVIDIA의 과학 포스트 트레이닝 레시피는 실험 입력-출력 기록에서 출발한다. 예시에서는 효소가 출발 화합물을 변환할 때 생성되는 분자를 예측하도록 모델에 요청한다.

별도의 채점 구성 요소인 검증기는 예측값을 기준 결과와 비교한다. 특정 출력을 선호하도록 보상을 사용하는 학습 방식인 강화학습은 이후 모델을 더 높은 점수를 받는 응답으로 이끈다. NVIDIA는 이 예시에서 분자 유사도를 피드백으로 사용한다.

이 레시피는 선택적 교사 모델 단계도 설명한다. 더 강력한 모델이 추론 사례를 생성하고, 성공적인 사례는 적응 대상 모델을 준비하는 데 도움이 된다. 이 세부 사항은 특화 오픈 모델과 외부 프런티어 모델이 완전히 분리된 개발 경로에 있을 필요는 없다는 점을 보여준다.

더 넓게 보면 특화는 피드백의 품질에 달려 있다는 의미다. 학습 시스템은 선택한 점수 기준으로 개선될 수 있지만, 다른 요구 사항은 측정되지 않은 채 남을 수 있다. 따라서 연구자는 점수가 무엇을 보상하고 무엇을 놓치는지 검토해야 한다.

분자 예측에서 구조적 유사성은 제출된 답에 관한 정보를 제공한다. 그러나 연구자가 중요하게 여길 수 있는 모든 생물학적 특성을 자동으로 입증하지는 않는다. 평가 목표는 결과 모델에 대해 제기되는 주장과 일치해야 한다.

같은 원칙은 화학 외의 영역에도 적용된다. 소프트웨어 도구는 설정이 실행되는지 확인할 수 있고, 실험실 실험은 프로토콜이 원하는 물질을 생산하는지 측정할 수 있다. 이러한 검증은 서로 다른 질문에 답하며 서로 다른 수준의 신뢰를 뒷받침한다.

이것이 Nemotron 과학 에이전트를 이해하는 유용한 방식이다. 이들의 신뢰성은 제안이 실험 기록 및 외부 도구와 어떻게 상호작용하는지에서 나온다. 유창한 추론은 프로세스를 지원할 수 있지만, 어떤 오류가 드러나는지는 주변 시스템이 결정한다.

모델의 설명에도 적절한 역할이 필요하다. 연구자는 설명을 사용해 가정을 점검하거나 의심스러운 단계를 식별할 수 있다. 그럴듯하게 들리는 설명도 실제 작업 결과를 기준으로 확인해야 한다.

이는 모델링 작업과 함께 엔지니어링 과제를 만든다. 누군가는 입력을 정의하고, 도구를 연결하고, 출력을 기록하고, 실패를 조사할 만큼 충분한 정보를 보존해야 한다. 공개된 레시피는 이 작업을 구조화하는 데 도움이 되지만, 각 실험실을 위해 이를 완성해 주지는 않는다.

Nemotron for Science에서 이 메커니즘은 과학 지능에 대한 광범위한 주장보다 더 중요하다. 이는 팀이 범위가 제한된 실험을 구성할 방법을 제공한다. 모델을 적응시키고, 낯선 사례를 시험하고, 완전한 결과를 비교하는 방식이다.

개선이 이 과정을 거쳐도 유지될 때 접근법은 설득력을 얻는다. 더 높은 학습 점수는 중간 신호다. 시스템이 아직 접하지 않은 연구 작업에서 신뢰할 수 있는 성능을 보이는 것이 도입에 중요한 증거다.

화학 및 시뮬레이션 사례는 서로 다른 종류의 진전을 보여준다

보고된 사례는 특화 도구의 가능성을 뒷받침하지만, 그 결과는 서로 다른 역량을 측정한다.

Terray Therapeutics는 과학 도표에서 화학 반응을 추출하도록 Nemotron을 적응시켰다. NVIDIA는 자체 매칭 기준에 따라 반응 정보를 인식하는 시험인 RxnScribe에서 주석 처리된 반응의 약 76%를 복원했다고 보고한다.

이 결과는 구조화된 추출에 관한 것이다. 에이전트는 기존 도표에 기록된 반응물, 생성물, 조건을 식별한다. 이는 모델이 독립적으로 새로운 반응을 발견하거나 실험실에서 성공적으로 실행할 수 있음을 입증하지는 않는다.

이 애플리케이션은 그럼에도 분명한 연구 과제를 다룬다. 시각적으로 기록된 정보는 다른 시스템이 안정적으로 검색하거나 처리할 수 있기 전에 구조화된 데이터로 전환되어야 한다. 이 단계의 오류는 이후 작업의 품질에 영향을 미칠 수 있다.

이 사용 사례를 평가하는 연구실이라면 누락된 정보와 잘못된 추출을 모두 살펴봐야 한다. 벤치마크의 매칭 규칙에 따른 복구 성과는 그 질문의 일부에 답한다. 오류의 영향은 후속 연구자들이 추출된 기록을 어떻게 활용하는지에 따라 달라진다.

Lila Sciences는 디스플레이를 비롯한 기술에 사용되는 나노미터 크기의 결정인 양자점용 실험실 프로토콜 생성이라는 다른 응용 사례를 제시한다. NVIDIA는 사후 학습 후 해당 평가에서 GPT-6 Astra의 54%와 비교해 61%의 작업 정확도를 보고했다.

이 보고된 비교는 해당 프로토콜 작업에 관한 제한적인 주장을 뒷받침한다. 화학, 생물학 또는 연구 계획 전반에 걸친 모델 간의 일반적 순위를 입증하지는 않는다. 이 차이를 해석하려면 평가 조건이 여전히 중요하다.

NVIDIA는 또한 Lila의 작업에서 더 낮은 추론 비용, 즉 모델 출력을 생성하는 컴퓨팅 비용을 보고했다. 이 주장은 실험실 시스템을 적용하고 운영하는 전체 비용을 설명하지는 않는다. 학습 작업, 장비, 실패한 실험, 검토는 별도로 고려해야 한다.

KTH Royal Institute of Technology는 또 다른 유형의 사례를 제시한다. NVIDIA에 따르면 Nemotron 기반 에이전트는 야간 실행 동안 테스트된 손상 GROMACS 구성의 81%를 복구했다. 분자 운동을 시뮬레이션하는 소프트웨어인 GROMACS가 해당 복구를 검사했다.

검사 단계는 이 사례에 특별한 분석적 가치를 부여한다. 에이전트의 설명에만 의존하지 않고 별도의 과학 프로그램이 제출된 수정 사항을 평가했다. 그 결과는 여전히 테스트된 구성 집합과 보고된 해당 실행에 관한 것이다.

소프트웨어가 수용한 구성도 연구 맥락 안에서 해석되어야 한다. 운영상 수용은 설정 복구에 관한 주장을 뒷받침한다. 이것이 이후의 모든 과학적 결론이 옳다는 더 광범위한 주장으로 확대되어서는 안 된다.

이 사례들은 단일 과학 에이전트 점수가 중요한 차이를 가리게 되는 이유를 보여 준다. 반응 추출, 프로토콜 생성, 소프트웨어 복구는 각각 고유한 출력과 실패 방식이 있다. 한 작업에서의 진전은 그 응용 분야를 더 조사할 근거를 제공한다.

구매자에게 실질적인 교훈은 이러한 구분을 유지하는 것이다. 가장 가까이 일치하는 워크플로가 유용한 출발점 비교를 제공한다. 관련 없는 성공 사례의 모음은 기관이 실제로 필요로 하는 작업의 평가를 대체할 수 없다.

근거는 일반적인 과학적 신뢰성까지는 뒷받침하지 못한다

이 발표는 회사가 보고한 작업 결과를 제공하지만, 독립적 재현과 더 폭넓은 과학적 검증은 여기서 검토한 근거에서 여전히 미해결 과제로 남아 있다.

이러한 단서는 보고된 진전을 무효화하지 않는다. 이는 독자가 이용 가능한 자료로부터 합리적으로 도출할 수 있는 결론의 범위를 정한다. 협력사의 결과는 독립적인 보증이 아니라 연구 단서이자 잠재적 배포 사례를 제공한다.

가장 날카로운 회의적 질문은 일반화, 즉 시스템 개발에 사용된 사례를 넘어선 사례에서의 성능에 관한 것이다. 한 연구실의 기록에 맞춰 조정된 모델은 익숙하지 않은 입력에서 테스트가 필요하다. 또한 실험 조건이 개발 환경과 다를 때도 평가되어야 한다.

공개 데이터는 연구자들이 그 과정의 일부를 살펴보는 데 도움이 된다. 공개된 chemistry dataset은 검토할 수 있는 구체적 자료를 제공한다. 하지만 데이터셋에 접근할 수 있다고 해서 보고된 모든 협력사 결과가 독립적으로 재현 가능하다는 뜻은 아니다.

연구자들에게는 여전히 관련 작업 정의, 평가 규칙, 개발 세부 사항이 필요하다. 이러한 정보가 없으면 헤드라인 점수만으로는 무엇이 왜 바뀌었는지 불확실성이 남는다. 시스템에 서로 다른 학습 데이터나 도구 접근 권한이 제공될 때 비교는 특히 까다로워진다.

역량과 검증의 구분은 치료 응용 분야에서 더 중요한 의미를 갖는다. NVIDIA는 단백질을 만드는 데 사용되는 세포 지침인 메신저 RNA와 관련해 Therna와의 작업을 설명한다. 보고된 작업은 단백질 발현 범위를 예측하는 것이다.

단백질 발현 예측은 인간에게서의 치료 안전성이나 유효성을 입증하지 않는다. 이 작업의 결과만으로 에이전트가 치료법을 검증했다는 주장을 뒷받침할 수는 없다. 계산 예측에서 유용한 치료법에 이르는 과학적 경로에는 추가 질문이 포함된다.

같은 주의는 기관의 참여에도 적용된다. NVIDIA는 Argonne과 Jülich를 Nemotron을 과학 에이전트에 통합하는 조직으로 지목한다. 통합 활동은 관심과 개발 작업을 보여 주지만, 그 자체로 완성된 발견을 문서화하는 것은 아니다.

KTH의 소프트웨어 검사는 더 제한된 형태의 검증을 제공한다. 제출된 복구가 프로그램의 검사를 통과하는지 테스트한다. 이는 범위 내에서 유용한 근거이지만, 모든 Nemotron 역량의 독립적 검증으로 확대되지는 않는다.

오픈 모델 경로를 선택하는 기관에는 책임에 관한 질문도 있다. 배포에 대한 더 큰 통제권에는 업데이트, 평가, 연구 도구 접근에 관한 결정이 수반된다. 시스템이 일상 업무에 들어갈 때 이러한 결정을 누가 소유하는지 팀은 알아야 한다.

Nemotron 과학 에이전트의 경우, 이러한 한계는 도입 논의 안에 포함되어야 한다. 연구자들은 모델 오류와 도구 실패, 또는 부적절한 채점 규칙을 구분해야 한다. 그렇지 않으면 실망스러운 결과는 진단하기 어려워지고, 겉보기 성공은 신뢰하기 어려워진다.

신뢰할 수 있는 해석은 구체적으로 유지된다. NVIDIA는 특화 과학 에이전트의 추가 테스트를 정당화하는 리소스와 협력사 사례를 제시했다. 검토된 근거는 보편적 과학 추론, 학문 분야 전반의 자율적 발견 또는 임상 효능을 입증하지 않는다.

이 접근 방식의 확장 가능성을 결정할 세 가지 신호

다음 단계는 재현성, 통합 결과, 완전한 워크플로 성능으로 판단해야 한다.

첫 번째 신호는 향후 몇 달간의 독립적 재현이다. NVIDIA가 강조한 협력 관계 밖의 연구자들이 명확히 문서화된 조건에서 이용 가능한 리소스를 테스트해야 한다. 익숙하지 않은 화학 기록이나 다른 과학 문서에 대한 결과는 보고된 개선이 어디까지 확장되는지 확인하는 데 도움이 될 것이다.

유용한 재현 연구는 작업, 데이터 분리, 채점 기준, 모델 구성을 설명해야 한다. 성공한 출력과 함께 실패 사례도 보고해야 한다. 이러한 평가들 사이의 일치는 조정이 특정 개발 환경을 넘어 이점을 제공한다는 근거를 강화할 것이다.

반대 결과는 주장의 범위를 좁힐 것이다. 익숙하지 않은 데이터에서 성능 향상이 사라진다면, 이 패키지는 광범위한 이식성을 뒷받침하지 않으면서도 일부 응용 분야에는 여전히 유용할 수 있다. 이러한 구분은 연구실이 추가 개발 작업이 정당화되는 영역을 결정하는 데 도움이 될 것이다.

두 번째 신호는 기관 통합이 무엇을 만들어 내는지다. Argonne과 Jülich의 작업은 문서화된 평가나 재사용 가능한 워크플로를 산출할 때 더 많은 정보를 제공하게 될 것이다. 중요한 업데이트는 모델 사용을 구체적인 연구 작업 및 그 측정된 결과와 연결하는 것이다.

배포 발표만으로는 제한적인 근거만 추가된다. 에이전트 행동, 외부 검사, 연구자 개입에 대한 문서화된 설명은 훨씬 더 많은 정보를 제공한다. 모델이 도움이 된 지점과 과학자들이 여전히 프로세스를 바로잡아야 했던 지점을 보여 줄 것이다.

이 신호는 여러 사용자를 지원하는 과학 컴퓨팅 팀에도 중요하다. 협력사의 시연 안에서 작동하는 시스템은 다른 곳에서는 유지 관리 가능한 운영 절차가 필요하다. 반복되는 실패와 성공적인 복구의 문서화는 기관 도입을 평가하기 쉽게 만들 것이다.

세 번째 신호는 완전한 워크플로의 비교다. 로컬에서 조정된 모델과 호스팅되는 범용 모델은 비슷한 도구 접근 권한을 갖춘 동등한 연구 작업을 수행해야 한다. 평가는 답변 품질과 함께 조정 작업 및 인적 검토도 고려해야 한다.

실험실 프로토콜 작업의 경우, 결과는 제안된 절차가 연구실의 수용 기준을 충족하는지를 반영해야 한다. 소프트웨어 복구의 경우에는 성공적인 수정과 필요한 개입을 반영해야 한다. 적절한 측정 기준은 공급업체가 선호하는 헤드라인이 아니라 작업을 따라야 한다.

이러한 비교는 자체 구축 또는 구매 결정을 명확히 할 것이다. 관리 가능한 운영 요건과 함께 반복적으로 성능 향상이 나타난다면 NVIDIA의 특화 주장은 강화될 것이다. 훨씬 적은 통합 작업으로 비슷한 결과를 얻을 수 있다면, 일부 팀에는 범용 경로가 더 매력적일 것이다.

Nemotron for Science는 연구자들이 검토하고 테스트할 수 있는 자료를 제공함으로써 이 선택을 더 구체화했다. 이제 그 의미는 출시 사례를 넘어 어떤 일이 일어나는지에 달려 있다. 가장 강력한 다음 근거는 특화 학습을 반복 가능하고 외부 검증을 거친 연구 결과와 연결할 것이다.

팀이 이미 충분히 이해하고 평가할 수 있는 연구 작업부터 시작하라. 릴리스 자료를 모델 문서와 데이터셋과 함께 읽은 뒤, 보고된 사례 중 실제 작업과 맞는 것이 무엇인지 파악하라. 동료가 결과를 검토할 수 있도록 시작 조건, 실패한 시도, 검토자의 수정 사항을 함께 기록하라. 동일한 수용 기준을 사용해 조정된 시스템을 기존 프로세스와 비교하라. 개선된 점수는 추가 조사할 이유로 받아들이되, 그 향상이 익숙하지 않은 사례에서도 유지되는지 확인하라. 배포를 확대하기 전에 더 좁은 질문을 던져야 한다. Nemotron for Science가 팀이 감당할 수 있는 검토 부담 안에서 더 신뢰할 수 있는 연구 결과를 만드는 데 도움이 되는가?

 
 

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