Hacker News 2026.04.17 32

Qwen3.6-35B-A3B 공개: 오픈소스 에이전틱 코딩의 새 기준

무슨 일이 있었냐면요

알리바바의 Qwen 팀이 Qwen3.6-35B-A3B라는 새로운 오픈소스 모델을 공개했어요. 이름이 좀 복잡하죠? 하나씩 풀어볼게요. 3.6은 버전, 35B는 총 파라미터 수가 350억 개라는 뜻, 그리고 A3B는 'Active 3B'의 약자예요. 이게 무슨 말이냐면, 모델 전체는 350억 개의 파라미터로 이루어져 있지만 실제로 한 번의 추론에서 활성화되는 건 약 30억 개뿐이라는 거예요.

이 구조를 MoE(Mixture of Experts, 전문가 혼합) 라고 부르는데요. 쉽게 비유하자면 대형 병원에 여러 전문의가 있고, 환자가 오면 증상에 맞는 의사만 진료실에 들어오는 구조라고 생각하시면 돼요. 덕분에 모델 크기는 크지만 추론 비용은 훨씬 저렴하고 빠르답니다.

이번 릴리스에서 가장 강조하는 키워드는 "Agentic Coding"이에요. 단순히 코드 한 조각을 짜주는 게 아니라, 에이전트처럼 스스로 툴을 호출하고, 파일을 수정하고, 터미널을 다루면서 긴 작업을 끝까지 완수하는 능력에 초점을 맞췄다는 뜻이죠.

뭐가 달라졌는데요?

기존 Qwen3 시리즈와 비교했을 때 가장 눈에 띄는 개선은 긴 컨텍스트 유지 능력과 툴 사용 정확도예요. 에이전트가 일을 잘하려면 수십 번의 툴 호출을 거쳐도 맥락을 잃지 않아야 하거든요. 예를 들어 "이 레포지토리에서 버그를 찾아서 수정하고 테스트까지 돌려줘" 같은 지시를 받으면, 파일 읽기 → 코드 분석 → 수정 → 테스트 실행 → 실패하면 다시 분석 같은 긴 루프를 돌아야 하는데, 중간에 처음 지시를 까먹거나 엉뚱한 파일을 건드리면 안 되잖아요.

Qwen 팀은 이 부분을 개선하려고 강화학습 단계에서 실제 코드베이스를 다루는 시나리오를 많이 학습시켰다고 해요. 벤치마크로 자주 쓰이는 SWE-bench(실제 GitHub 이슈를 해결하는 능력을 측정)나 Terminal-Bench(터미널 명령을 조합해 문제를 푸는 능력)에서 기존 오픈소스 모델들을 큰 폭으로 앞섰다고 밝혔고요. 심지어 일부 항목에서는 클로즈드 모델에 근접한 수치를 보였습니다.

라이선스는 여전히 Apache 2.0이라 상업적 이용이 자유롭고, Hugging Face와 ModelScope에서 가중치를 바로 받을 수 있어요. A3B 구조 덕분에 단일 H100 GPU에서도 충분히 돌릴 수 있고, 양자화(quantization, 모델을 압축해서 메모리를 덜 쓰게 만드는 기법)를 적용하면 RTX 4090 한 장으로도 동작시킬 수 있는 수준입니다.

업계 맥락에서 보면

요즘 오픈소스 코딩 모델 경쟁이 정말 치열해요. DeepSeek-V3, Kimi, GLM-4 같은 중국발 모델들이 연달아 나오면서 클로즈드 모델과의 격차를 빠르게 좁히고 있거든요. 특히 에이전틱 코딩 영역은 Claude Code, Cursor 같은 도구들이 시장을 선점하고 있었는데, 이제 오픈소스 모델로도 비슷한 경험을 구축할 수 있는 시대로 넘어가고 있어요.

MoE 구조를 택한 것도 업계 흐름과 맞닿아 있습니다. 파라미터를 모두 활성화하는 dense 모델은 한계 비용이 너무 크기 때문에, 같은 품질을 더 싸게 내는 방향이 대세가 됐어요. Mistral의 Mixtral부터 DeepSeek까지 다들 이 길을 가고 있는 거죠.

한국 개발자 입장에서는

실무에서 바로 체감할 수 있는 포인트는 세 가지예요. 첫째, 사내 코드를 외부로 보내기 꺼려지는 기업에서 자체 호스팅이 현실적인 선택지가 됐다는 거예요. 그동안은 오픈소스 모델의 코딩 능력이 아쉬워서 결국 외부 API를 쓰는 경우가 많았는데, 이제는 온프레미스에서도 쓸 만한 결과를 기대할 수 있어요.

둘째, 에이전트 기반 자동화 파이프라인을 직접 만들어볼 수 있는 기회가 넓어졌습니다. 예를 들어 CI 단계에서 테스트가 깨지면 자동으로 원인을 분석하고 PR을 올리는 봇을 사내 인프라에 돌려보는 식이죠. 셋째, 한국어 처리 품질도 Qwen 시리즈는 전통적으로 괜찮은 편이라 국내 프로젝트에 붙이기도 부담이 덜해요.

다만 주의할 점도 있어요. 벤치마크 수치와 실제 체감 성능은 항상 갭이 있고, 특히 레거시 코드베이스처럼 학습 데이터에 적게 나왔을 법한 도메인에서는 실망스러울 수 있습니다. 작은 파일럿 프로젝트로 먼저 검증해보고 확장하는 걸 추천드려요.