구글 딥마인드가 차세대 프런티어 모델 제미나이 4 아르곤(Gemini 4 Argon)을 공개했습니다. 이번 모델은 단순한 대화형 AI를 넘어 크롬 브라우저의 핵심 코드 리팩토링, 추론 서버 속도 최적화, 오픈소스 과학 라이브러리 성능 개선 등 실제 엔지니어링 현장에서 수개월 걸릴 작업을 며칠에서 몇 주 만에 해낸 사례들을 전면에 내세웠다는 점에서 눈여겨볼 만합니다. 특히 보안 취약점 복구 벤치마크에서 공동 1위를 기록하고, 장시간 자율 작업이 필요한 소프트웨어 엔지니어링 분야에서 선호되는 모델로 자리잡고 있다는 설명이 뒤따릅니다.

크롬 4000만 줄 코드베이스를 손본 자율 리팩토링

가장 눈에 띄는 사례는 크롬 팀과의 협업입니다. 아르곤은 약 4000만 줄에 달하는 크로미움(Chromium) 코드베이스 중에서도 약 600만 줄 규모의 레거시 브라우저 기능 폴더를 핵심 웹페이지 처리 로직과 분리하는 아키텍처 리팩토링을 수행했습니다. 한 번에 여러 개의 정제된 코드 변경사항을 연속으로 처리하면서 수백 개 파일에 걸친 작업을 완료했고, 구글 측은 이를 “수개월 걸릴 작업을 몇 주 만에 끝냈다”고 설명합니다.

이 리팩토링이 완료되면 크롬 사용자는 실행 중인 웹페이지를 다시 불러오지 않고도 탭, 사이드 패널, 플로팅 창 사이를 자유롭게 이동시킬 수 있게 되며, 이 과정에서 발생하던 특정 유형의 브라우저 크래시도 사라질 것으로 예상됩니다. 대규모 레거시 코드를 사람이 수작업으로 리팩토링하는 대신 AI가 장시간에 걸쳐 일관성 있는 변경을 자율적으로 이어간다는 점이 기존 코드 어시스턴트 도구들과 구분되는 지점입니다.

추론 속도와 연구 인프라 전반의 성능 개선

아르곤은 코드 작성뿐 아니라 AI 모델 자체의 추론 효율을 높이는 데도 활용됐습니다. A100 GPU에서 vLLM을 통해 Gemma 4 E2B 모델의 추론 속도를 초당 약 3만 7900 토큰에서 10만 8000 토큰 이상으로, 약 2.85배 향상시켰다는 결과가 공개됐습니다. 토큰 일치율 100%를 유지하면서 품질 저하 없이 이 작업을 수개월이 아닌 며칠 만에 끝냈다는 설명입니다. 어텐션 튜닝부터 추측 디코딩(speculative decoding)까지 구체적으로 어떤 부분을 최적화했는지는 업스트림 풀 리퀘스트를 통해 공개돼 있습니다.

구글의 오픈소스 에이전트 개발 키트(ADK)에서도 아르곤은 팀이 제공한 규칙 문서와 한 문단짜리 목표만으로 밤새 자율 작업을 수행해, 긴 세션에서의 메모리 세션 준비 시간을 40% 줄이고 콜드 임포트 속도를 21% 개선하는 최적화를 찾아냈습니다. 또한 분자 구조 예측에 널리 쓰이는 오픈소스 양자화학 패키지 xTB의 성능을 분자 구조 예측에서 최대 2.3배, 컨포머 탐색에서 1.8배 향상시켰고, 이 개선 사항은 xTB 공식 깃허브 저장소에 반영됐습니다.

보안 분야 강점과 반복 작업 자동화

보안 측면에서 아르곤은 취약점 복구 벤치마크인 CWE-Bench에서 68% 점수로 공동 1위를 기록했으며, 간접 프롬프트 인젝션(indirect prompt injection) 공격에 가장 강한 저항성을 가진 모델로 소개됐습니다. 이와 함께 보안 관련 조기 접근 프로그램인 페어윈드(Fairwind Program)가 수백 곳의 추가 파트너로 확대되고 있다는 소식도 전해졌습니다.

반복적이고 번거로운 내부 작업 자동화 사례도 소개됐습니다. 구글 스킬스(Google Skills) 교육 랩 700개 이상을 하드코딩된 시스템 이미지와 다섯 개 코드 저장소에 흩어진 런타임 환경에서 마이그레이션하는 과정에서, 아르곤은 숨어 있던 타임아웃 및 레이스 컨디션 버그 16개 이상을 발견했습니다. 이 작업으로 955시간의 엔지니어링 시간이 절약됐고, 연간 약 540시간이 들던 반복적인 정리 작업이 단 3시간짜리 업데이트로 축소됐다는 설명입니다.

영상·이미지 기반 시뮬레이션과 3D 콘텐츠 생성

아르곤은 연구용 시뮬레이션 분야에서도 활용되고 있습니다. 실제 촬영된 영상을 입력받아 깊이와 물리적 경계를 추정하고, 해당 환경을 재현하는 물리 기반 시뮬레이션 코드를 자율적으로 작성하는 기능이 소개됐습니다. 또한 ‘Antigravity’라는 멀티 에이전트 환경에서 책상 위 사물 사진을 레이싱 게임으로 변환하거나, 멀티 에이전트 시각 비평 루프를 통해 사실적인 전통 건축물(파고다) 3D 모델을 블렌더(Blender)로 자율 제작하는 등 공간 추론, 수학적 정밀도, 시각적 코딩 능력이 이전 제미나이 모델 대비 크게 개선됐다고 밝혔습니다. 이 과정에서 블렌더 MCP로 모델링과 충돌 검사를 하고, 나노 바나나(Nano Banana)로 텍스처를 입히고, 제미나이 옴니 플래시(Omni Flash)로 엔진 사운드를 생성해 Three.js로 조립하는 등 여러 도구를 하나의 자율 작업 흐름으로 엮어내는 방식이 특징적입니다.

한국 개발자 입장에서 살펴볼 점

이번 발표에서 공개된 사례들은 대부분 구글 내부 팀이나 초기 접근 파트너와의 협업 결과이며, 일반 개발자가 당장 동일한 환경에서 똑같은 성능을 재현할 수 있다고 단정하기는 어렵습니다. 다만 장시간 자율 작업, 대규모 레거시 코드 리팩토링, 추론 인프라 최적화처럼 기존에는 사람이 수개월에 걸쳐 수행하던 작업을 AI 에이전트가 보조하는 방향성은 국내 백엔드·인프라 엔지니어들에게도 참고할 만한 흐름입니다. 특히 vLLM 최적화나 xTB 관련 개선 사항은 공개 저장소의 풀 리퀘스트로 확인할 수 있으므로, 자신의 프로젝트에 적용 가능한 기법인지 직접 코드를 살펴보는 것이 가장 확실한 방법입니다. 보안 쪽에서는 간접 프롬프트 인젝션 방어력이 강화됐다는 점이 AI 에이전트를 업무에 도입하려는 기업 입장에서 긍정적인 신호가 될 수 있습니다.

원문: Gemini 4 Argon