사카나 AI, 모델 지휘하는 7B 에이전트 '컨덕터' 공개

복잡한 업무를 풀 때 사람은 혼자 일하지 않고 팀을 꾸려 역할을 나눈다. 하지만 지금까지의 멀티 에이전트 시스템은 사람이 미리 짜둔 굳은 워크플로에 기대거나, 단순한 모델 라우팅에 그치는 경우가 많았다.

도쿄 기반 AI 스타트업 사카나 AI가 ICLR 2026 채택 논문을 통해 이 문제를 정면으로 겨냥한 7B 파라미터 크기의 지휘관 모델 '컨덕터(Conductor)'를 공개했다.

컨덕터는 스스로 코드를 짜거나 문제를 직접 풀지 않는다. 대신 GPT-5, 클로드, 제미나이 등 최전선 모델들을 지휘하는 PM(프로젝트 관리자) 역할을 전담한다.

맞춤 프롬프트를 작성하는 7B 관리자

사카나 AI는 강화학습을 통해 컨덕터가 자연어로 다른 에이전트들을 조직하고 소통하도록 훈련했다.

문제가 들어오면 컨덕터는 세 가지를 직접 결정한다. 어떤 에이전트를 부를지, 그 모델의 특성에 맞게 어떤 세부 지시(프롬프트)를 내릴지, 이전 대화 맥락 중 무엇을 넘겨줄지다.

단순한 사실 관계 질문에는 1회 호출로 비용을 아끼고, 고난도 프로그래밍 문제에는 기획자, 실행자, 검증자로 이어지는 파이프라인을 자율적으로 구축한다.

특히 눈에 띄는 기능은 '재귀적 테스트 타임 확장'이다. 컨덕터가 작업자로 자기 자신을 호출해 팀의 결과물을 직접 검토하고, 오류를 감지하면 그 자리에서 교정 파이프라인을 새로 띄워 문제를 바로잡는다.

거대 단일 모델을 앞선 벤치마크

7B 소형 모델이 이끄는 협업의 성과는 수치로 확인됐다.

컨덕터가 조율한 시스템은 풀에 포함된 모든 프론티어 단일 모델의 성능을 넘어섰다. 논문 발표 시점 기준으로 라이브코드벤치에서 83.9%, GPQA 다이아몬드에서 87.5%를 기록했다.

모든 모델을 무작정 병렬 가동해 비용이 많이 드는 Mixture-of-Agents 방식과 비교해도 훨씬 적은 비용으로 우수한 성능을 냈다.

이 연구는 며칠 앞서 발표된 TRINITY 연구와 함께 사카나 AI의 신규 멀티 에이전트 상용 시스템인 '사카나 푸구(Fugu)'의 핵심 엔진으로 쓰이고 있다.

왜 중요한가

우리는 컨덕터가 모든 능력을 하나의 거대 모델에 몰아넣으려던 기존 방식의 한계를 현실적으로 우회했다는 점에서 영리한 시도라고 본다.

그동안 개발자들은 에이전트 워크플로를 수동으로 하드코딩하느라 많은 시간을 썼지만, 사카나는 조직화와 분업 자체를 작은 7B 모델의 강화학습으로 풀어낼 수 있음을 입증했다.

오픈AI나 앤트로픽 등 특정 모델 생태계에 종속되지 않고, 상황에 맞춰 이종 모델들을 유연하게 조합하려는 기업과 개발자에게 매우 매력적인 대안이다.

다만 여러 단계의 모델 호출이 중첩되면서 발생하는 지연 시간(레이턴시)과 API 누적 비용, 그리고 관리자 모델이 잘못된 프롬프트를 내렸을 때 발생하는 오류의 연쇄 전파는 여전히 해결해야 할 과제다.

그럼에도 추론 시점의 컴퓨팅 자원을 단순 연산이 아니라 '자율적인 팀 빌딩'에 배분하는 이 같은 방식은 향후 에이전트 시스템의 중요한 표준 축이 될 것으로 보인다.