SKT 독자 AI 'A.X K2', IMO 금메달급 성적…AIME 2026 공동 1위

(서울=뉴스1) 신민경 기자 = SK텔레콤(017670)의 독자 인공지능(AI) 모델 'A.X K2'가 국제수학올림피아드(IMO) 2026에서 금메달에 상응하는 성적을 거둔 데 이어, 'MathArena AIME 2026' 리더보드에서도 공동 1위를 기록했다.

수학적 추론 능력은 AI의 정확도와 문제 해결 역량을 평가하는 대표적인 척도로 꼽힌다. A.X K2는 이번 성과를 통해 글로벌 선도 AI 모델들과 어깨를 견주는 고도화된 수리 추론 성능을 공식적으로 입증했다.

SK텔레콤은 자사가 개발한 초거대언어모델 A.X K2가 세계 최고 권위의 수학 경시대회인 국제수학올림피아드(IMO) 2026 문제 평가에서 금메달 기준에 해당하는 점수를 기록했다고 11일 밝혔다. 오픈소스 AI 플랫폼 허깅 페이스의 MathArena AIME 2026 리더보드에서도 공동 최고점을 달성했다.

A.X K2는 IMO 2026의 6개 문제 평가에서 42점 만점 중 29점을 기록해 금메달에 해당하는 성능을 보였다. 올해 IMO 금메달 기준선은 29점이다. 작년 IMO에서는 구글 딥마인드의 제미나이 딥 씽크와 오픈AI 모델이 각각 금메달 기준선인 35점을 기록했으며, 올해 IMO에서는 중국 샤오홍슈(레드노트)의 dots-note-3.0이 42점 만점을 기록했다.

A.X K2는 그 뒤를 잇는 유일한 국내 AI 모델로, 미국·중국 이외의 지역에서 개발된 모델 중 IMO 2026 금메달 기준을 충족한 사례는 현재까지 없다.

A.X K2는 IMO 2025 기출문제에서도 42점 만점에 35점을 획득해 금메달 수준의 성능을 보여준 바 있다. A.X K2는 한국수학올림피아드(KMO) 2026 2차에서도 만점을 받았다. 1차수 개발 모델인 A.X K1 또한 KMO 1차 시험에서 국내 독자 모델 가운데 가장 높은 성적을 기록했다.

또한 A.X K2는 고난도 수학적 추론 및 문제 해결 능력을 평가하는 MathArena AIME 2026 리더보드에서도 97.1%의 정확도를 기록하며 공동 최고점을 달성했다.

이는 오픈AI CTO 출신 미라 무라티가 설립한 스타트업 싱킹 머신스 랩(Thinking Machines Lab)의 개방형 AI 모델 잉클링(Inkling)과 공동 1위에 해당하는 수치다. 잉클링은 싱킹 머신스 랩이 처음으로 내놓은 9,750억(975B) 파라미터 규모의 오픈웨이트 모델이다.

A.X K2는 96.67%로 리더보드 3위에 오른 중국 스타트업 스텝펀(StepFun)의 스텝(Step-3.5-Flash), 96.4%로 4위를 차지한 중국 문샷AI의 키미(Kimi-K2.6) 등 글로벌 오픈웨이트 모델들과 경쟁해 수리 추론 역량을 입증했다.

평가 기준이 된 AIME는 미국수학올림피아드 선발 과정에 활용되는 수학 시험으로, MathArena AIME 2026 데이터셋은 2026년 AIME 문제를 바탕으로 30개 문항을 공개해 모델의 최종 답 정확도를 비교한다.

AI 모델의 수학 추론 성능은 단순한 문제 풀이 역량을 넘어 모델의 다른 업무 능력을 판단할 수 있는 대리 지표이기 때문에 핵심 경쟁력으로 분류된다. 국제 AI 안전 보고서는 수학 추론 능력의 향상이 안전 필수 소프트웨어 검증, 복잡한 과학 문제 해결, 나아가 AI 연구 자체에 대한 기여 등 다른 영역의 성능까지 함께 끌어올린다고 설명한다. 즉, AI가 수학을 잘할수록 재무·제조 공정처럼 다단계 정밀 계산이 필요한 산업 영역에서 실제로 더 신뢰할 수 있고 효율적인 성과를 창출할 수 있다는 것이다.

한편, A.X K2는 에이전틱 AI 시대에 걸맞게 추론 역량이 강화된 것으로 알려졌다.

SK텔레콤에 따르면 A.X K2는 매개변수 6880억 개(688B) 규모의 거대언어모델(LLM)로, 직전 모델인 519B 규모의 A.X K1 대비 모델 규모를 키워 수학 및 과학 추론 능력, 한국 지식 및 장문 추론 능력을 강화했다. 이전 모델 대비 국내외 14개 벤치마크 평균 성능이 32.2%포인트(p) 향상됐다. 특히 장문 이해와 에이전트 관련 평가에서 약 83.9%p 개선됐다.

김태윤 SK텔레콤 파운데이션모델 담당은 "전체 모델 규모는 688B로 키웠지만, 추론 과정에서 실제로 활성화되는 매개변수는 33B로 유지했다"며 "이에 따라 모델 규모를 확장하면서도 추론 비용은 늘리지 않았다. 단순히 매개변수만 늘린 것이 아니라 데이터 품질과 독자 아키텍처, 정교한 사후 학습이 복합적으로 작용한 결과"라고 설명했다.

smk5031@news1.kr