기업의 AI 모델을, 처음부터 끝까지. Build your company's AI end to end.
모델 선정 · 데이터셋 · 학습 · 평가 · 패키징 · 배포까지 — 한 워크벤치에서 끝납니다. 실행 로그는 다시 학습 데이터가 되어, 쓸수록 똑똑해지는 모델을 만듭니다. Model selection, datasets, training, evaluation, packaging, deployment — finished on one workbench. Execution logs feed the next training round, so the model improves as it runs.
네 개의 축이 모델을 스스로 진화시킵니다 Four pillars. One self-improving model.
생산 · 데이터 · 실행 · 진화 — 네 개의 축이 하나의 루프로 이어집니다. Production · Behavior · Execution · Evolution. Four axes locked into a single loop.
선정 → 데이터 → LoRA → 양자화 → 패키징. 회사 목적에 맞는 모델을 직접 생산합니다. Select → dataset → LoRA → quantize → package. Mint a model that fits your goal.
언제 스킬·툴·MCP를 호출할지, 실패 시 어떻게 복구할지를 데이터로 학습합니다. When to call skills, tools, MCP — and how to recover from failure.
스킬 · 툴 · MCP · 루프 7개 모듈이 결합해 모델을 자율 에이전트로 만듭니다. Seven modules — skills, tools, MCP, loop — turn the model into an autonomous agent.
실행 로그가 다시 SFT/DPO 학습 데이터가 되어, 쓸수록 모델이 강해집니다. Execution logs become SFT/DPO data. The more it runs, the stronger it gets.
빌려 쓰는 지능은 오래가지 못합니다 Borrowed intelligence won't last
외부 API에만 의존하는 AI 도입이 두 번째 해를 넘기지 못하는 이유. Why API-dependent AI rarely survives the second year.
비용 폭증Runaway cost
사용량이 늘수록 API 비용이 선형 이상으로 커집니다. API cost scales super-linearly with usage.
데이터 유출 위험Data egress risk
문서 · 코드 · 고객 데이터가 외부로 나가는 순간 통제력이 사라집니다. Once docs, code, and customer data leave your VPC, control is gone.
도메인 무지No domain memory
범용 모델은 우리 회사 문서 · 프로세스 · 도구를 모릅니다. General models don't know your docs, process, or tools.
학습 정체No feedback loop
실패 데이터를 학습하지 않으면 같은 실수를 반복합니다. Without ingesting failures, the model repeats them.
데이터에서 배포까지, 한 화면에서 From data to deploy, on one canvas
7단계가 자동화되어 있고, 각 단계는 독립 실행도 됩니다. Seven automated stages — each runnable on its own.
단순한 모델 파일이 아닙니다.
실행 가능한 지능 패키지입니다.
Not a model file.
A shippable intelligence package.
모델만이 아니라 "어떻게 일하는지"까지 한 파일에 패키징됩니다. More than the brain — the operating manual ships in the same file.
하나의 .leaf 파일에 14개 컴포넌트가 들어 있습니다. Mac에서도, 클라우드에서도 같은 명령으로 실행됩니다.
A single .leaf file holds 14 components. Same command on Mac or cloud.
답을 외우는 게 아니라,
일하는 방법을 학습합니다
Not memorizing answers.
Learning how to work.
스킬 선택 · 툴 호출 · MCP 사용 · 실패 복구 루프까지 — 8가지 학습 신호. Skill selection · tool invocation · MCP usage · failure recovery — eight signals.
SFT
정답 답변과 업무 포맷 학습 Reference answers, output schemas
DPO
좋은 행동 · 나쁜 행동의 선호 학습 Preference between good and bad actions
Tool-use
파일 · 터미널 · 검색 · 테스트 호출 File · shell · search · test invocation
MCP-use
GitHub · DB · Browser · FS 연결 GitHub · DB · browser · filesystem links
Skill-use
반복 작업의 스킬 선택 Picking the right skill for the job
Orchestration
Planner · Coder · Tester 분담 Planner · coder · tester role split
Harness Loop
분석 → 실행 → 평가 → 재시도 Analyze → act → evaluate → retry
Self-evolution
실패 분석 → 정책 수정 → 개선 Failure → policy update → improve
하나의 LLM이 아니라,
목적별 모델 조합
Not one LLM.
A composable stack per purpose.
LLM · 코딩 · 이미지 · 영상 · 음성 모델을 조합해 하나의 실행 패키지로. LLM · coding · image · video · voice — composed into a single runtime.
Enterprise Agent Enterprise Agent
기업 내부 문서 · 시스템과 연결되는 AI 에이전트. 가장 일반적인 구성으로, 툴 · RAG · MCP가 결합된 Reference Stack입니다. An agent connected to internal docs and systems. The reference stack — tools + RAG + MCP.
코딩 에이전트Coding Agent
Sandbox · GitHub MCP · 테스트 루프 Sandbox · GitHub MCP · test loop
크리에이티브Creative
LLM + 이미지 + 영상 + 음성 LLM + image + video + voice
로컬 프라이빗Local Private
데이터가 외부로 나가지 않음 Data never leaves the device
클라우드 스케일Cloud Scale
대규모 팀과 API 서비스 For teams and public APIs
노트북에서 클라우드까지,
같은 패키지로 실행됩니다
From laptop to cloud,
one package, one command
Mac M3 노트북에서도, 클라우드 GPU에서도 같은 호출 시그니처로 동작합니다. Identical call signature on an M3 laptop or a cloud GPU pool.
Mac · Apple Silicon
- 저비용 PoC 테스트Low-cost PoC iterations
- 보안이 중요한 환경Air-gapped, sensitive workloads
- 개인 개발 · 실험Solo dev exploration
- 완전 오프라인 실행Fully offline runtime
Leaf Runtime Gateway
같은 패키지, 같은 호출 시그니처. 환경만 다릅니다. Same package, same call signature. Only the host differs.
Cloud GPU Pool
- 팀 단위 사용Team and org workloads
- 고속 추론 (멀티 LoRA)High-throughput multi-LoRA
- 기업용 API 서비스Public-facing API services
- 사용량 기반 과금Usage-metered billing
실행 경험이 곧 학습 데이터입니다 Experience becomes training
검색 · 수정 · 테스트 · 복구하는 모든 과정이 다음 모델의 학습 셋이 됩니다. Every search, edit, test, and recovery step feeds the next training set.
데이터는 떠나지 않습니다.
지능만 옮겨갑니다.
Data stays.
Only intelligence travels.
기업 데이터를 외부로 보내지 않고 모델을 학습합니다. 모델 업데이트(Δ)만 전송됩니다. Train without exposing data — only model deltas leave the boundary.
데이터가 나갈 길을
애초에 만들지 않습니다
No path out.
No leak.
정책 문서가 아니라 시스템 구조로 막습니다.
통제는 코드 레벨에서 이뤄집니다.
Not enforced by policy docs — enforced by the architecture itself.
Control lives in code.
민감정보 자동 마스킹Sensitive Data Masking
API Key · 개인정보 · 내부 URL · 계약서를 자동으로 식별·제거Auto-redact API keys, PII, internal URLs, contract terms
Local-first 학습Local-first Training
원본 데이터는 고객 환경에 머무릅니다. 모델 가중치만 이동합니다.Source data stays in your VPC. Only weights move.
어댑터 중심 업데이트Adapter-centric Updates
전체 데이터가 아닌 학습 결과 · 메타데이터 중심으로 관리합니다.Manage by deltas and metadata, not full datasets.
감사 로그Full Audit Trail
누가, 어떤 모델을, 언제 학습 · 배포 · 호출했는지 모두 추적합니다.Who trained / deployed / invoked which model — all logged.
실행 권한 정책Execution Policies
툴 권한 · MCP 접근 · 샌드박스 실행 범위까지 코드로 통제합니다.Tool permissions, MCP scope, sandbox boundaries — all enforced in code.
Quick에서 시작, Enterprise로 확장 Start in Quick. Scale to Enterprise.
Quick
PoC · 데모용PoC and demos
- 모델 비교 워크벤치Model comparison workbench
- 데이터셋 생성 (제한)Limited dataset generation
- 로컬 실행 테스트Local-only runtime
- 커뮤니티 지원Community support
Pro
개인 · 소규모팀Solo / small team
- Quick의 모든 기능All of Quick
- LoRA · QLoRA 학습LoRA · QLoRA training
- GGUF 내보내기GGUF export
- Ollama · MLX 배포Ollama · MLX deploy
Business
팀 단위 클라우드Cloud for teams
- Pro의 모든 기능All of Pro
- vLLM · LoRAX 배포vLLM · LoRAX deploy
- 팀 사용 (10명)Up to 10 seats
- API GatewayAPI Gateway
- 우선 지원Priority support
Enterprise
전사 도입 · 규제 산업Org-wide / regulated
- Business의 모든 기능All of Business
- 전용 VPC · 온프레미스VPC / on-premise
- 연합학습 지원Federated learning
- 전담 엔지니어Dedicated engineer
- SLA 보장SLA
우리 회사의 데이터는
이미 모델이 될 준비가 됐습니다
Your data is
already a model in waiting
2분만에 첫 모델 패키지를 만들어보세요. Mint your first intelligence pack in two minutes.