애프트쿼리 vs 제너럴 트래젝토리

애프트쿼리 장단점

• 단순 라벨링을 넘어 골드만삭스, 구글 출신 등 실제 업계 전문가들이 직접 설계한 고품질 데이터를 제공하므로 모델의 전문성이 비약적으로 향상됩니다. 특히 루브릭(Rubrics) 기반의 RLHF를 통해 모델이 왜 해당 답변을 내놓아야 하는지에 대한 정교한 피드백을 학습시킬 수 있으며, 에이전트 전용 훈련 환경을 통해 복잡한 멀티스텝 워크플로우 학습이 가능합니다. 또한 독자적인 벤치마크(IDE-Bench, FinanceQA 등)를 보유하고 있어 모델 성능을 객관적으로 검증할 수 있는 연구 역량이 뛰어납니다.

• 전문 인력을 직접 투입하는 방식의 특성상 구축 비용이 경쟁사 대비 매우 높을 것으로 예상되며, 대규모 범용 데이터를 단기간에 확보해야 하는 프로젝트에는 가성비가 떨어질 수 있습니다. 소규모 스타트업이나 개인 개발자를 위한 셀프 서비스 플랜이나 공개된 가격 정보가 부족하여 접근성이 낮으며, 주로 최상위 AI 리서치 랩이나 엔터프라이즈를 타겟으로 하기에 도입 상담 과정이 복잡할 수 있다는 점이 진입 장벽으로 작용합니다.

제너럴 트래젝토리 장단점

• 실제 사용자 및 전문가들은 이 도구가 처음 접하는 물체나 시나리오에서도 뛰어난 적응력을 보이는 '일반화 성능(Generalization)'을 가장 큰 장점으로 꼽습니다. 특히 보상 기반 모방 학습(Reward-Guided Imitation Learning)을 통해 물리 법칙을 어기지 않으면서도 인간의 숙련된 판단을 빠르게 학습할 수 있다는 점이 높게 평가받습니다. 또한 시뮬레이션(GT Sim)과 실제 환경 간의 간극을 줄여 10ms 수준의 초저지연 추론 속도를 구현함으로써 실시간 대응이 필수적인 국방 및 산업 현장에서의 신뢰도가 높습니다.

• 2024년 설립되어 Y Combinator(W25) 배치를 거치고 있는 초기 단계 스타트업인 만큼, 이미 수조 원대 가치를 지닌 Anduril이나 Shield AI에 비해 실전 배치 데이터와 운영 레퍼런스가 부족하다는 점이 한계로 지적됩니다. 또한 고도의 물리 지식과 AI 전문성이 결합된 솔루션 특성상 일반 기업이 도입하기에는 기술적 진입장벽이 높으며, 현재는 대규모 방산 계약이나 특수 R&D 위주로 폐쇄적인 생태계를 형성하고 있어 일반적인 접근성이 낮다는 아쉬움이 있습니다.

애프트쿼리 주요 기능

• 고품질 SFT·RLHF 훈련용 전문가 제작 데이터 페어
• 추론·코딩 성능 개선을 위한 루브릭 기반 피드백
• MCP 기반 에이전트 훈련 상호작용 데이터
• 맞춤형 도메인 특화 데이터셋 제작 서비스
• 컴퓨터 사용 환경 시뮬레이션 및 데이터 수집

제너럴 트래젝토리 주요 기능

• 미학습 객체 조작 성공률 향상을 위한 RGIL(보상 기반 모방 학습) 모델
• 재밍 저항 기능을 갖춘 자율 드론 요격 시스템 Phoenix
• 산업용 비전-언어 모델(VLM)로 예측 불가 환경에서 작업 수행
• 팔레타이징·분류·피킹·포장 자동화를 위한 산업 로봇 AI
• 실제 환경에서 종래 SOTA 모델이 0% 성공률인 케이스 일반화