개요

2026년 5월 첫째 주는 오픈 가중치 진영에서 의외로 큰 한 주였다. Zyphra가 ZAYA1-8B로 760M 활성 파라미터만으로 8B급 추론을 끌어냈고, Google이 Gemma 4 26B-A4B-it로 25.2B/3.8B 활성 MoE 멀티모달을 풀었으며, 같은 시기 Qwen 3.6 35B-A3B가 35B/3B 활성으로 등장했다. 그리고 그 위에 Unsloth가 며칠 안에 Gemma 4 GGUF와 Qwen 3.6 GGUF를 얹어 llama.cpp·Ollama에서 바로 돌아가는 상태로 만들었다. 한 주를 묶어 보면 “8B–35B급 = MoE, 활성 1–4B, 양자화 동시 출시” 라는 새 표준이 굳어지는 그림이다.

graph TD
    Week["2026-05 첫째 주 오픈 가중치"] --> Vendors["벤더 3사"]
    Week --> Quants["양자화 레이어"]

    Vendors --> Zyphra["Zyphra <br/> ZAYA1-8B (8.4B / 0.76B active)"]
    Vendors --> Google["Google <br/> Gemma 4 26B-A4B-it (25.2B / 3.8B active)"]
    Vendors --> Qwen["Alibaba <br/> Qwen3.6-35B-A3B (35B / 3B active)"]

    Quants --> Unsloth["Unsloth Dynamic 2.0 GGUF"]
    Unsloth --> Gemma4GGUF["gemma-4-26B-A4B-it-GGUF"]
    Unsloth --> Qwen36GGUF["Qwen3.6-35B-A3B-GGUF"]

    Gemma4GGUF --> Runtimes["llama.cpp / Ollama / LM Studio"]
    Qwen36GGUF --> Runtimes

1. Zyphra ZAYA1-8B — 활성 760M, AMD-네이티브 스택의 첫 결과물

Zyphra는 Zamba-7B·BlackMamba 계보를 거쳐, 2024년부터 SSM-attention 하이브리드를 밀어온 회사다. 2025년 6월 $110M Series A로 유니콘 라인업에 진입했고, 2026-05-06에 ZAYA1-8B를 풀었다. 베이스 모델은 ZAYA1-reasoning-base에 별도 공개돼 있다.

핵심 숫자:

ZAYA1-8B는 HMMT Feb 2026에서 71.6, AIME 2026에서 89.1을 찍었다. 같은 그래프에서 Qwen3-4B는 77.5, Gemma-4-E4B는 50.3이다. 활성 1B 미만 모델이 4B급을 이긴다는 게 ZAYA1의 주장이고, 이것이 가능한 이유는 추론 후처리(post-training reasoning)와 SSM-MoE 하이브리드의 결합이다. 배포는 Zyphra 포크 vLLM 한 줄로 끝나도록 패키징돼 있다.

pip install "vllm @ git+https://github.com/Zyphra/vllm.git@zaya1-pr"
vllm serve Zyphra/ZAYA1-8B --port 8010 \
   --mamba-cache-dtype float32 --dtype bfloat16 \
   --reasoning-parser qwen3 --enable-auto-tool-choice --tool-call-parser zaya_xml

AMD 진영에서 처음으로 “NVIDIA H100 없이 end-to-end로 학습된 reasoning SOTA급 모델"을 내놓았다는 게 가장 큰 산업적 의미다. VentureBeat 보도와 HPCWire 기사 모두 이 점을 강조한다.

2. Gemma 4 26B-A4B-it — Google의 MoE 멀티모달

Google DeepMind의 Gemma 시리즈는 Gemma 1 (2024-02) → Gemma 2 → Gemma 3 → Gemma 4로 빠르게 세대를 갈아왔다. Gemma 4 26B-A4B-it는 이번 세대에서 첫 공식 MoE 라인업이다.

아키텍처 디테일이 흥미롭다. local sliding window attention(1024) + 마지막 레이어 global attention, 글로벌 레이어에선 KV를 unify, 그리고 p-RoPE 변형으로 256K 컨텍스트를 끌어 올렸다. 멀티모달 인코더는 약 550M, 비전 토큰 예산을 70/140/280/560/1120 중에 골라서 latency-quality 트레이드오프를 노출한다.

벤치마크 (instruct):

Gemma 4 도큐먼트는 enable_thinking=True 옵션과 multi-turn에서 thinking 블록 제외 권장을 명시한다. 같은 주에 풀린 LiteRT-LM v0.11.0이 Gemma 4용 MTP(Multi-token Prediction)를 모바일 GPU에서 2× 가속한다는 점까지 묶어서 보면, Google은 클라우드 가중치 + 엣지 런타임 + 디코드 가속을 한 분기에 다 챙긴 그림이다.

3. Qwen 3.6 35B-A3B — 256개 전문가, 1M 컨텍스트

Alibaba Qwen 팀은 Qwen2 → Qwen2.5 → Qwen3 → Qwen3.5 → Qwen3.6으로 6개월 단위 릴리스를 유지하는 중이다. Qwen 3.6 35B-A3B 카드를 보면 MoE 설계가 이번 세대에서 가장 공격적이다.

어텐션 레이아웃이 독특하다 — 10 × (3 × (Gated DeltaNet → MoE) → 1 × (Gated Attention → MoE)) 구조다. Gated DeltaNet이 32 V-head / 16 QK-head / 128 head-dim, gated attention이 16 Q-head / 2 KV-head / 256 head-dim. Mamba/DeltaNet 계열 linear-time mixer를 3:1로 attention과 섞은 하이브리드 — 컨텍스트가 길수록 비용 우위가 커지는 설계다.

벤치마크:

• SWE-bench Verified 73.4
• MMLU-Pro 85.2
• LiveCodeBench v6 80.4
• MMMU 81.7 (비전)

권장 추론 엔진은 SGLang ≥0.5.10 / vLLM ≥0.19.0 / KTransformers다.

4. 같은 클래스 묶어 보기

세 모델을 같은 표에 놓으면 “8B–35B 클래스 = MoE” 가 더 또렷해진다.

활성 파라미터가 모두 0.76B / 3B / 3.8B로 압축돼 있다는 점이 핵심이다. 추론 시 메모리 대역폭과 연산 둘 다 4B급에 맞춰져 있어서, VRAM 24GB 한 장에서 35B급 가중치를 4-bit로 굴리는 시나리오가 일반 워크플로가 된다.

5. Unsloth의 양자화 동시 출시

Unsloth가 Dynamic 2.0 GGUF 방식으로 베이스 모델 공개 며칠 안에 양자화를 푼다. 핵심 아이디어는 레이어마다 다른 양자화 타입을 동적으로 선택해서, 같은 파일 크기(Q4_K_M)에서 Q5_K_M에 더 가까운 정확도를 뽑아내는 것. KL Divergence가 imatrix·QAT 대비 낮다는 게 Unsloth 벤치마크의 주장이다.

gemma-4-26B-A4B-it-GGUF의 양자화 라인업:

Qwen3.6-35B-A3B-GGUF도 동일한 사다리를 따라간다 — 1-bit UD-IQ1_M(10 GB)부터 BF16(69.4 GB)까지. 35B 모델이 10 GB에 들어간다는 게 인상적이다.

런타임 매트릭스:

flowchart LR
    GGUF["Unsloth Dynamic 2.0 GGUF"] --> Llama["llama.cpp / llama-server"]
    GGUF --> Ollama["Ollama"]
    GGUF --> LM["LM Studio"]
    GGUF --> Jan["Jan"]
    GGUF --> vLLM["vLLM"]
    GGUF --> Py["llama-cpp-python"]
    GGUF --> Studio["Unsloth Studio"]

# llama.cpp
brew install llama.cpp
llama-server -hf unsloth/gemma-4-26B-A4B-it-GGUF:UD-Q4_K_M

# Ollama
ollama run hf.co/unsloth/gemma-4-26B-A4B-it-GGUF:UD-Q4_K_M

6. 앱 개발자 관점에서 — FP16 레퍼런스가 아니라 양자화 티어를 타깃하라

이 한 주의 진짜 시사점은 모델 사양이 아니라 배포 경로다.

1. MoE는 더 이상 옵션이 아니다. 8B–35B 클래스의 새 모델은 사실상 전부 MoE다. 추론 스택이 MoE-aware 커널 (sparse expert dispatch, batched MoE GEMM)을 지원하지 않으면 활성 파라미터의 이점을 못 살린다. vLLM·SGLang·llama.cpp 모두 이미 MoE 경로를 갖췄으니, 직접 짠 추론 코드라면 갈아탈 시점이다.

2. FP16/BF16 레퍼런스를 타깃하지 마라. 실제 사용 환경의 90%는 Q4_K_M 또는 MXFP4다. 평가는 양자화 후 가중치로 다시 돌려야 의미가 있다. Unsloth Dynamic 2.0 같은 selective quantization 덕에 양자화 손실은 줄었지만 0은 아니다.

3. 컨텍스트 256K–1M가 기본값이 됐다. YaRN 같은 확장을 적용해도 KV cache 메모리가 폭증한다 — 24GB 카드에서 Qwen 3.6 35B-A3B를 1M 컨텍스트로 굴리면 가중치보다 KV cache가 더 무겁다. paged attention·prefix caching·context pruning을 디폴트로 깔고 가야 한다.

4. 벤더 락-인이 사라지는 중. AMD MI300X에서 학습한 ZAYA1, Google TPU에서 학습한 Gemma 4, Alibaba 내부 클러스터의 Qwen 3.6 — 모두 같은 HF 카드 포맷으로 풀린다. 학습 인프라는 점점 다양해지는데 추론 인프라(llama.cpp + Ollama + vLLM)는 한 줄로 통일된다.

인사이트

2026년 5월 첫째 주는 작은 분기점이다. 활성 파라미터 1B–4B / 총 8B–35B / MoE / 양자화 동시 출시 라는 네 항목이 동시에 표준으로 굳어졌다. ZAYA1-8B는 AMD-네이티브 스택이 NVIDIA 없이도 reasoning SOTA를 만들 수 있음을, Gemma 4 26B-A4B-it는 멀티모달 + 256K 컨텍스트가 26B급 MoE로 내려왔음을, Qwen 3.6 35B-A3B는 256개 전문가 + DeltaNet 하이브리드 + 1M 컨텍스트가 가능함을 보였다. Unsloth가 며칠 안에 GGUF를 올린 덕에 한국 개발자도 24GB VRAM 한 장 또는 32GB 통합 메모리 노트북 한 대로 세 모델을 모두 굴려볼 수 있다. 앱 개발자 입장에서 진짜 행동 항목은 단순하다 — 양자화 티어(UD-Q4_K_M)를 평가 기준으로 박고, 추론 스택은 MoE-aware로 맞추고, 컨텍스트 예산은 256K가 아니라 KV cache로 다시 계산하라. 6월에 새 모델이 또 나와도 같은 형판이 계속 굴러갈 가능성이 높다.

참고

모델 카드

• Zyphra/ZAYA1-8B · ZAYA1-reasoning-base · Zyphra 컬렉션
• google/gemma-4-26B-A4B-it · Gemma 4 docs · Gemma 4 launch blog
• unsloth/gemma-4-26B-A4B-it-GGUF · unsloth/Qwen3.6-35B-A3B-GGUF · Unsloth Dynamic 2.0 Quants 컬렉션

기술 보고서 / 블로그

• Zyphra: ZAYA1-8B 블로그 · ZAYA1 arXiv
• Google: Multi-token Prediction for Gemma 4
• Unsloth: Dynamic v2.0 GGUFs · Dynamic 2.0 문서
• VentureBeat: ZAYA1-8B on MI300X · HPCWire: Zyphra Releases ZAYA1-8B · HotHardware: AMD Zyphra GPU Cluster

런타임 / 추론 스택

• llama.cpp · Ollama · LM Studio · Jan · Unsloth Studio
• vLLM · SGLang · KTransformers
• Zyphra vLLM fork

관련 배경

• YaRN paper · Gated DeltaNet paper · Speculative decoding
• Zamba-7B (Zyphra 이전 모델) · BlackMamba