Hedra, 실제 환경의 AI를 학습·배포·개선하는 Model Factory 출시

Hedra가 GPU 인프라, 모델 사후 학습, 추론 최적화, 실제 운영 환경의 피드백을 하나의 워크플로로 통합한 플랫폼 Model Factory를 출시한다. a16z의 투자를 받은 이 연구 기업은 자체 데이터와 운영 조건에 맞게 모델을 조정해야 하는 로봇공학, 제조, 생물학, 국방 분야 팀을 겨냥한다.

이 서비스가 해결하려는 문제는 기업 AI의 현실적인 공백이다. 성능이 뛰어난 범용 모델도 대개는 출발점에 불과하다. 이를 비디오, 센서 데이터 또는 물리적 동작을 처리하는 안정적인 시스템으로 만들려면 맞춤형 학습 환경, 전문화된 배포 소프트웨어, 그리고 새 버전이 수행해야 할 작업을 기준으로 성능을 평가하는 방법이 필요할 수 있다.

학습·배포·실제 운영 피드백의 통합

Model Factory는 유연한 GPU 샌드박스와 Hedra 연구원들이 자율형 AI 에이전트와 협력해 수행하는 사후 학습을 결합한다. 고객은 데이터와 시뮬레이션 엔진을 제공하고, Hedra는 강화 학습 환경과 데이터셋 구축을 지원한 다음, 그렇게 만들어진 모델의 실행 방식을 최적화한다.

“재귀적 자기 개선은 이미 최첨단 모델을 만드는 방식을 바꾸고 있습니다”라고 Hedra의 창립자 겸 CEO인 Michael Lingelbach은 말했다. “다음 단계는 실제 세계입니다. 그곳의 데이터는 비디오, 센서, 시뮬레이션으로 이루어져 있습니다. Hedra Model Factory는 로봇공학, 제조, 생물학, 국방 분야 팀이 자체 모델을 사후 학습하고 배포하며 지속적으로 개선하는 데 필요한 인프라를 제공합니다.”

배포 후에는 연구원들이 실제 운영 성능을 분석하고 모델을 다시 학습시킨다. 새 버전은 고객의 평가를 통과한 경우에만 출시된다. 따라서 평가 기준은 서비스의 핵심 요소다. 모델의 속도가 더 빨라지더라도 해당 모델을 사용하는 애플리케이션의 요구사항을 충족해야 한다.

Hedra는 연구원과 자율형 AI 과학자가 실험, 학습 실행, 최적화 방법을 반복적으로 개선하는 과정을 재귀적 자기 개선이라고 설명한다. 발표된 프로세스에는 연구원과 고객의 평가 단계가 포함되며, 실제 운영 모델을 제한 없이 자동으로 변경하는 방식은 아니다.

물리적 AI에는 텍스트 모델용 서빙 스택만으로 충분하지 않은 이유

Hedra의 세계 모델 런타임, 즉 WMR은 이번 출시를 이해하는 데 필요한 추가 배경을 제공한다. 회사는 이를 NVIDIA 및 AMD GPU를 지원하는 이미지, 비디오, 세계 모델, 텍스트 모델용 오픈 코어 추론 엔진이라고 설명한다. 이 엔진은 확산 단계, 프레임 간 어텐션, 그리고 시각 작업에서 상당한 GPU 시간을 소모할 수 있는 인코딩·디코딩 작업을 최적화한다.

비전-언어-행동 모델은 추론 과정에서 입력을 해석할 뿐 아니라 동작도 생성한다. 시뮬레이션 환경에서는 모델과 모델의 학습 경험을 생성하는 환경 모두 가속기를 필요로 할 수 있다. 따라서 워크플로 개선에는 모델 선택 이상의 작업이 포함된다. 데이터 이동을 줄이고, 품질 요구사항에 맞게 수치 정밀도를 조정하며, 학습과 서빙을 조율하는 일이 그 예다.

회사의 GPU 샌드박스 서비스를 이용하면 팀은 컨테이너, 종속성, 모델 코드를 격리된 환경에 가져올 수 있으며, 배치와 확장, 하드웨어 복구는 Hedra가 관리한다. 팀은 런타임을 수정하고 학습이나 평가를 실행하며 체크포인트와 아티팩트를 내보낼 수 있다. 학습 플랫폼은 지도 미세 조정, 경량 LoRA 어댑터, 강화 학습을 지원하며, 서빙 전에 체크포인트를 평가할 수 있다.

특정 조건에서 이미지 편집 속도 6배 향상

출시 자료는 최적화 과정의 한 사례로 Krea 3 이미지 편집을 소개한다. Hedra에 따르면 2K 이미지 편집에 걸리는 시간을 같은 AMD Instinct MI355X GPU 4개를 사용해 약 22초에서 3.6초로 줄이는 데 일주일도 걸리지 않았다. 이 비교에는 추론 최적화와 증류가 함께 적용됐다. 기준 모델은 원본 bf16 모델을 사용해 샘플링 30단계를 거쳤고, 더 빠른 버전은 증류된 14단계 모델을 사용했다.

이 차이는 결과가 모델의 연산 방식과 모델을 실행하는 소프트웨어 양쪽의 변화에서 비롯됐다는 점에서 중요하다. 이는 특정 작업 부하와 구성에서 보고된 결과이지, 플랫폼이 제공하는 모든 모델의 속도가 일반적으로 6배 빨라진다는 뜻은 아니다.

Hedra가 별도로 공개한 Krea 3 엔지니어링 기술 문서에는 저정밀도 행렬 연산, 맞춤형 어텐션, 연산 융합, 전용 복사 엔진으로 옮긴 GPU 간 전송에 대한 세부 내용이 담겨 있다. 22.9초에서 3.3초로 줄었다는 비교는 전체 요청 지연 시간이 아니라 확산 트랜스포머 실행 시간을 측정한 것이다. 따라서 이 수치는 출시 자료에 나온 이미지 편집 결과와 구분해 살펴봐야 한다.

비디오 물리 표현과 로봇 하드웨어에 맞춘 조정

Hedra는 물리적 일관성을 높이기 위해 H3를 다시 학습시킨 결과도 공개했다. 재학습한 모델은 Google DeepMind의 Physics-IQ 벤치마크에서 34.9점을 기록했으며, H3 Max는 30.3점을 기록했다. Hedra는 두 모델의 시각적 품질이 비슷하다고 설명한다. 회사에 따르면 자율 증류 버전은 MI355X GPU에서 5초 분량의 클립을 3초 이내에 렌더링했다.

또 다른 사례에서는 시뮬레이션 연구를 통해 학습된 정책을 실행 중인 로봇의 그리퍼를 교체했다. Hedra에 따르면, 손목 카메라 화면에서 교체한 그리퍼의 도달 범위와 파지 지점을 일치시키자 재학습 없이도 작업 성공률이 거의 0%에서 거의 100%로 회복됐다. 이 결과는 보고된 시뮬레이션 설정에 관한 것이며, 실제 배치된 로봇에서 임의의 하드웨어 변경을 추가 학습 없이 처리할 수 있음을 입증하지는 않는다.

이 사례들은 동일한 엔지니어링 문제의 서로 다른 측면을 보여 준다. 모델이 작동하는 방식을 바꾸거나 모델이 작동하는 시스템을 변경하면서도 유용한 동작을 유지하는 문제다.

고객이 소유한 모델을 중심으로 구축된 연구 서비스

Model Factory는 11월 10일부터 이용할 수 있다. 팀은 Hedra 연구진과 협력해 맞춤형 모델을 개발하거나, 장기 약정 없이 유연한 GPU 샌드박스 용량으로 시작하거나, 기존 모델을 추론 엔진에 가져올 수 있다. 배포 방식으로는 온프레미스 인프라 또는 가까운 파트너 데이터센터를 선택할 수 있으며, 최적화 목표는 실시간보다 빠르게 작동하는 월드 액션 모델부터 엣지 기기에서 실행할 수 있는 비전-언어-액션 모델까지 다양하다.

회사는 지난 12개월 동안 매출이 15배 증가했다고 밝혔지만, 발표에서 매출의 기준 규모는 공개하지 않았다. 회사의 회사 개요는 이 플랫폼을 자체 시각 모델을 구축하고 서비스해 온 경험의 확장으로 소개한다.

고객에게 실질적인 가치는 연결된 엔지니어링 순환에 있다. 도메인 데이터를 활용해 모델을 개선하고, 하드웨어와 지연 시간 예산에 맞게 최적화한 뒤, 결과를 평가하고, 실제 운영 경험을 다음 반복 과정에 반영하는 것이다. 이 방식의 성과는 기반 GPU의 속도만큼이나 작업별 평가와 배포 제약 조건에 따라 달라진다.