애프트쿼리 vs 휴먼 아카이브

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.

휴먼 아카이브 장단점

• 스탠포드와 버클리 출신의 창업진이 현장 중심의 실행력을 바탕으로 '에이전틱 AI(Embodied AI)'의 핵심인 물리적 데이터 병목 현상을 정면으로 해결하고 있습니다. 특히 시각, 촉각, 소리를 하나로 통합한 정렬된(Aligned) 데이터는 차세대 휴머노이드 로봇 학습에 필수적인 고부가가치 자산으로 평가받습니다. Y Combinator(W26) 배치를 통해 기술력을 인정받았으며, 저비용 하드웨어를 활용해 데이터 수집의 경제성을 확보함으로써 고품질 데이터셋의 대중화를 이끌 잠재력이 큽니다.

• 2026년에 설립된 극초기 스타트업인 만큼 데이터의 장기적인 정밀도와 신뢰성에 대한 업계의 검증 기간이 더 필요합니다. 전 세계에 배포된 하드웨어 기기들의 유지보수 및 데이터 품질 일관성을 유지하는 운영적 난도가 매우 높을 것으로 예상되며, 이는 비용 증가의 원인이 될 수 있습니다. 또한 철저히 로봇 제조사와 연구소를 위한 B2B 서비스로 설계되어 있어 일반 개발자가 개별적으로 접근하거나 소량의 데이터만 구매하기에는 진입 장벽이 높다는 한계가 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

휴먼 아카이브 주요 기능

• 자체 설계 하드웨어 기반 하루 최대 8,000시간 데이터 수집
• 멀티모달(시각·촉각·동작) 데이터 정렬 최적화
• 대규모 데이터 익명화 및 HITL 주석 파이프라인
• 125개 이상 국가 파트너십 기반 50,000+ 글로벌 기여자 네트워크
• 로봇 파운데이션 모델 전용 데이터셋 공급