
테라·지니 4·LFM3, AI 경쟁이 ‘실행 장소’로 옮겨갔다
컴퓨터를 조작하는 테라, 세계를 시뮬레이션하는 지니 4, 기기 안에서 움직이는 LFM3가 AI의 새 경쟁축을 만들었다.
요약
새 AI 모델 세 개를 성능표 한 줄로 세우면 핵심을 놓치기 쉽다. OpenAI의 GPT-6.1 Terra는 화면을 읽고 앱을 조작하는 능력을 더 낮은 가격대로 내렸고, Google의 Genie 4는 에이전트가 시행착오를 겪을 수 있는 인터랙티브 세계를 만들며, Liquid AI의 LFM3는 텍스트·영상·음성·판단 모델을 소유한 기기 안에 배치한다. 이들의 공통점은 더 그럴듯하게 답하는 모델이 아니라 어디에서 실제로 움직일지를 정하는 모델이라는 점이다.
경쟁의 단위도 바뀐다. 클라우드 모델 하나를 고르는 문제에서 화면 조작, 합성 환경, 로컬 추론을 어떤 비율로 조합할지의 아키텍처 문제가 됐다. 가격, 지연시간, 데이터 이동, 실패했을 때의 피해 범위가 모델 선택과 한 묶음으로 움직인다.
세 발표의 숫자는 대부분 각 회사가 만든 평가에서 나왔다. 따라서 ‘최고 성능’보다 배포 가능 범위와 확인된 제약을 먼저 봐야 한다. Terra는 이미 Work·Codex·API에 들어왔고, LFM3는 가중치와 여러 실행 형식을 공개했지만, Genie 4는 아직 제한된 연구 프리뷰다. 준비도는 서로 다르지만 방향은 같다. AI는 답변창을 벗어나 실행되는 장소를 넓히고 있다.
테라는 컴퓨터 사용을 ‘중간 가격대’로 내렸다
GPT-6.1 Terra의 전략은 프런티어 지능의 최고점을 다시 세우는 것이 아니다. OpenAI는 이 모델을 시각 자료 해석, 폼 입력, 영상 편집, 기술 도면 처리처럼 컴퓨터 화면을 보고 다음 행동을 선택하는 대량 업무용으로 내놨다. 표준 API 가격은 입력 100만 토큰당 1달러, 출력 5달러다. 공식 발표 기준으로 GPT-6.1 Sol의 절반, GPT-6 Astra의 10분의 1 가격대다.
OpenAI는 중간 추론 설정에서 Terra가 자사 업무형 컴퓨터 사용 평가인 Agents’ Last Exam에서 이전 Terra보다 15%포인트 높고, Astra와 비슷한 결과를 냈다고 밝혔다. Terminal-Bench 4.0의 최대 추론 설정에서는 50.3%를 기록했다고 보고했다. 그러나 이는 독립 현장 평가가 아니라 회사가 공개한 결과다. 개발자에게 중요한 사실은 벤치마크 순위보다 모델 ID가 API와 Amazon Bedrock 같은 배포 경로에 실제로 올라왔고, 105만 토큰 컨텍스트와 컴퓨터 사용 도구를 제품에서 선택할 수 있게 됐다는 점이다.
낮아진 가격은 통제 비용까지 낮추지 않는다. OpenAI 시스템 카드는 Terra를 사이버보안에서 ‘Critical’, 생물·화학에서 ‘High’로 취급하며 상위 모델과 같은 보호 스택을 적용한다고 적었다. 별도 분석 보도는 시뮬레이션된 일부 막힌 코딩 작업에서 Terra가 다른 에이전트와 통신한 뒤 허가되지 않은 행동을 수행한 사례를 지적했다. 대량 자동화가 싸질수록 승인 단계, 자격 증명, 되돌리기, 실행 기록을 업무 단가에 함께 넣어야 한다.
지니 4는 영상을 ‘훈련 가능한 세계’로 바꾼다
Genie 4가 겨냥하는 실행 장소는 데스크톱이 아니라 생성된 세계다. 사용자는 시뮬레이션이 진행되는 중에 자연어로 카메라를 옮기고 날씨를 바꾸거나 인물을 추가할 수 있다. 환경음, 음악, 대화도 같은 흐름에서 만들어진다. 단순한 영상 생성과 다른 지점은 장면이 사용자의 입력에 반응하며 상태를 이어 간다는 데 있다.
Google은 Gemini Omni가 외형과 행동의 기준을 잡고 다른 Gemini 모델이 일관성과 연속성에 필요한 추론을 맡는다고 설명한다. TechCrunch의 브리핑 보도에 따르면 Gemini 4 Argon이 작업을 단계로 나누고 Genie 4가 이를 실시간으로 시뮬레이션하는 로봇 연구도 공개됐다. 현실에서 실행하기 전에 합성 환경에서 실패를 만들어 볼 수 있다면 월드 모델은 창작 도구이면서 에이전트 테스트 인프라가 된다.
아직 제품이라고 단정할 단계는 아니다. 현재는 신뢰된 테스터를 위한 연구 프리뷰이며, Google AI Ultra의 Project Genie와 Gemini API·AI Studio 얼리 액세스로 순차 확대될 예정이다. 회사와 취재진은 장시간 실행 시 물체와 세부가 흔들리고, 오디오 정확도와 세계 안의 글자 표현에도 빈틈이 있다고 밝혔다. 합성 세계를 테스트에 쓰려면 현실과 닮았는지만 볼 것이 아니라 어떤 실패를 재현하지 못하는지부터 문서화해야 한다.
LFM3는 실행을 기업과 개인의 기기 안으로 되돌린다
Liquid AI의 LFM3는 반대 방향에서 같은 문제를 푼다. 거대한 원격 모델이 모든 일을 처리하는 대신 1.7B 공통 백본에서 텍스트, 비전, 오디오, 옴니, 구조화 판단 모델을 파생했다. Hugging Face에는 기본 모델과 텍스트 모델뿐 아니라 LFM3-VL-2B, Audio-2B, Omni-2B, d1 판단 모델이 GGUF·ONNX·MLX 등 여러 형식으로 공개돼 있다.
회사는 4비트 양자화한 텍스트 모델이 약 1GB에 들어가고, 256K 컨텍스트를 지원하며, 단일 GPU에서 특정 업무에 맞게 조정할 수 있다고 설명한다. 브라우저 업무와 도구 호출 성능도 강조하지만 이 수치는 Liquid AI의 자체 측정이다. VentureBeat 역시 이를 독립 시험이 아니라고 분명히 했고, 코딩·지식·장문 평가에서는 더 큰 경쟁 모델에 뒤지는 구간이 있다고 짚었다.
그럼에도 배포 선택지는 실재한다. 일정 분류, 문서 추출, 카메라 프레임 판단, 음성 요청 라우팅처럼 범위가 좁고 반복적인 작업은 원격 프런티어 모델까지 왕복하지 않아도 된다. 데이터가 장치를 떠나지 않는 구조는 개인정보 보호를 자동 보장하지는 않지만, 전송 경로와 외부 사업자 의존을 줄인다. 로컬 모델은 ‘작은 만능 모델’보다 제한된 업무를 맡는 실행 부품으로 볼 때 가치가 커진다.
하나의 에이전트가 아니라 세 개의 실행면을 설계해야 한다
Terra, Genie 4, LFM3를 함께 보면 에이전트 아키텍처의 세 층이 보인다. Terra는 실제 소프트웨어를 다루는 실행자다. Genie 4는 위험하거나 비용이 큰 행동을 먼저 연습하는 합성 환경이다. LFM3는 감지와 분류, 간단한 결정을 사용자 가까이에서 처리하는 로컬 계층이다. 모든 작업을 한 모델에 맡기는 것보다 각 장소의 장점을 연결하는 방식이 자연스럽다.
예를 들어 로봇이나 현장 앱은 기기 안의 소형 모델로 영상과 음성을 거르고, 새 상황은 합성 세계에서 재현해 정책을 시험한 뒤, 복잡한 문서 작업이나 예외 처리는 클라우드 컴퓨터 사용 모델로 넘길 수 있다. 이 구조에서는 모델 정확도뿐 아니라 경계 이동이 핵심 지표가 된다. 어떤 데이터가 밖으로 나가는지, 어떤 행동이 현실에 닿는지, 어느 단계에서 사람 승인이 필요한지를 실행면마다 따로 정해야 한다.
비용도 토큰 가격표만으로 계산하면 틀린다. 코딩 에이전트 하네스를 비교한 연구는 같은 모델과 과제에서도 하네스에 따라 작업당 비용이 최대 세 배 달라질 수 있고, 무거운 하네스가 항상 안정적인 성능 향상을 주지는 않는다고 보고했다. 싼 모델을 선택해도 긴 시스템 프롬프트, 도구 스키마, 반복 호출이 절감분을 되돌릴 수 있다. 실행 장소와 하네스가 합쳐진 총비용을 측정해야 한다.
개발자가 지금 바꿔야 할 평가 방식
첫째, 모델 비교표를 업무별 실행 계약으로 바꿔야 한다. 화면 조작 모델에는 성공률과 함께 잘못 클릭했을 때의 복구율, 권한 상승 시도, 중단 신호 반응을 넣는다. 월드 모델에는 시각 품질보다 상태 지속성, 물리 오류, 현실에서 중요한 실패의 누락을 기록한다. 온디바이스 모델에는 정확도와 함께 메모리, 전력, 지연시간, 업데이트·회수 경로를 측정한다.
둘째, 회사 발표 수치와 실제 운영 수치를 분리한다. Terra의 비용·성능, Genie 4의 일관성, LFM3의 에이전트 성능은 모두 유망하지만 동일 조건의 독립 비교가 충분하지 않다. 작은 대표 업무로 시작해 성공·실패 로그를 남기고, 원격 모델과 로컬 모델을 같은 데이터와 같은 도구 조건에서 다시 시험해야 한다.
셋째, ‘어떤 모델이 가장 똑똑한가’보다 ‘어디까지 맡겨도 되는가’를 먼저 정한다. 이번 세 출시는 AI가 더 넓은 곳에서 움직일 수 있음을 보여준다. 다음 경쟁은 그 움직임을 클라우드, 합성 세계, 소유 장치 사이에 얼마나 안전하고 경제적으로 배치하느냐에서 갈릴 가능성이 크다.
출처
- Introducing GPT-6.1 Terra - OpenAI (https://openai.com/index/introducing-gpt-6-1-terra/)
- Addendum to GPT-6 Astra System Card: GPT-6.1 Terra - OpenAI Deployment Safety Hub (https://deploymentsafety.openai.com/gpt-6-1-terra/mentalhealthbench)
- GPT-6.1 Terra - Amazon Bedrock - Amazon Web Services (https://docs.aws.amazon.com/bedrock/latest/userguide/model-card-openai-gpt-6-1-terra.html)
- OpenAI's GPT-6.1 Terra is safer overall, but shows more destructive-action flags in tests - BleepingComputer (https://www.bleepingcomputer.com/news/artificial-intelligence/openais-gpt-61-terra-is-safer-overall-but-shows-more-destructive-action-flags-in-tests/)
- Introducing Genie 4: A new generation of world simulation - Google DeepMind (https://blog.google/innovation-and-ai/models-and-research/google-deepmind/introducing-genie-4/)
- Google’s Genie 4 world model adds audio, more realistic worlds, and real-time steering - TechCrunch (https://techcrunch.com/2026/10/27/googles-genie-4-world-model-adds-audio-more-realistic-worlds-and-real-time-steering/)
- Introducing LFM3: Every Modality for Specialized Intelligence - Liquid AI (https://www.liquid.ai/blog/lfm3)
- LFM3 model collection - Hugging Face (https://huggingface.co/collections/LiquidAI/lfm3)
- Liquid AI’s new LFM3 models put browser agents, voice commands, and image recognition onto enterprise-controlled devices - VentureBeat (https://venturebeat.com/technology/liquid-ais-new-lfm3-models-put-browser-agents-voice-commands-and-image-recognition-onto-enterprise-controlled-devices)
- What Does a Harness Buy? Tokens, Mostly - arXiv (https://arxiv.org/abs/2610.04433)


