원문: Respan — “Introducing Span-01” · 저자 Frank Chen · 발행 2026-09-24 · 수집일: 2026-09-27
개요
Span-01은 Respan이 공개한 “hyper-parallel reasoning classifier”로, “unseen challenges”(모델이 학습 시 본 적 없는 행동 정의)에 대해 단 한 번의 forward pass로 판정을 내리는 것을 목표로 한다. 슬로건은 “Reason first. Classify once.” — 토큰별 생성 없이 확률을 직접 반환하는 구조다.
한 줄 핵심: 분류의 어려움은 레이블을 내는 것이 아니라 “본 적 없는 정의를 본 적 없는 맥락에 적용하는 것”이라는 문제 정의 아래, RLAIF로 일반 분류 추론을 학습한 뒤 행동 감지(behavior detection)에 특화한 모델.
배경 — 왜 “분류기”가 별도로 필요한가
Respan의 논지는 TypeSafe Jev 같은 typed-decision 모델이나 범용 LLM을 가드레일/행동 감지용 판정자로 재사용하는 대신, 판정 자체를 위해 설계된 별도 모델을 두는 게 낫다는 것이다. 근거로 제시하는 것이 두 종류의 벤치마크다:
- Behavior Benchmark — Span-01 자신을 분류기로 놓고, 다른 모델들이 낸 행동 레이블을 얼마나 정확히 재현하는지 측정.
- Decision Models 평가 — 반대로 Span-01을 “판정자(judge)“로 써서 다른 typed-decision 모델(Jev 등)의 산출물 품질을 채점.
두 벤치마크를 분리해서 읽어야 한다 — 하나는 “Span-01이 얼마나 잘 분류하는가”, 다른 하나는 “Span-01을 심판으로 썼을 때 다른 모델들이 어떻게 나오는가”이며, 블로그는 이 둘을 나란히 배치해 Span-01의 이중 역할(분류기+심판)을 강조한다.
기술 설계 (주장, 미검증)
- Hyper-parallel definition branches: 동일한 추적(trace) 컨텍스트 안에서 여러 개의 미확인 행동 정의를 동시에 평가 — 정의 하나마다 별도 요청을 보내지 않는다는 뜻으로 보인다.
- Hybrid attention: 길고 복잡한 추적에서도 추론을 보존한다고 주장.
- One true forward pass: 토큰 단위 디코딩이 아니라 분류 헤드가 확률을 직접 반환 — laya-mlx/interfaze-ai/lev가 채택한 typed-decision(토큰 생성 없는 확률 반환) 계열과 같은 설계 원칙이다.
벤치마크 수치 (원문 그대로, 제3자 재현 없음)
Behavior Benchmark (Overall F1): Span-01 84.3 > GPT-6 Luna 81.5 > Jev 1.13.0 71.5.
Production Behavior 세부 항목 (Span-01 vs Jev 1.13.0 vs Sonnet 5 vs GPT-6 Sol, Overall 열):
| 모델 | Overall |
|---|---|
| Span-01 | 0.806 |
| Sonnet 5 | 0.719 |
| Jev 1.13.0 | 0.716 |
| GPT-6 Sol | 0.885 |
GPT-6 Sol이 7개 세부 항목 전부에서 최고치를 기록해, Span-01의 실질 비교 대상은 Jev/Sonnet 5로 좁혀지고 GPT-6 Sol은 상한선 레퍼런스로 보인다.
Decision Models 평가(Span-01이 판정자): Jev 1.13.0 Accuracy 0.932·Injection ASR 0.063·ECE 0.045로 Tev1 4B·Kev 4B보다 정확도는 높지만 flip rate·ECE에서 Tev1 4B가 더 안정적.
가격
Span-01 Lite는 무료, Span-01은 입력 $0.02/1M 토큰·출력 무료로, 저비용 상시 배치를 겨냥한 가격 구조다.
해석과 주의점
- 1차 소스(Respan 자체 발표)만 존재 — 벤치마크는 자체 측정치이고 방법론·평가셋 세부는 원문에 공개돼 있지 않다.
confidence: low로 표시. - “GPT-6 Luna”, “GPT-6 Sol”, “Sonnet 5”, “Jev 1.13.0”, “Tev1 4B”, “Kev 4B” 등 비교 대상 모델명은 원문에 언급된 그대로 기록했으며, 각 모델의 독립적 실체·스펙은 이 노트에서 검증하지 않았다.
- Span-01의 포지셔닝은 jev-ultrafast 계열(단일 요청으로 typed decision을 내리는 패턴)과 경쟁·대조 관계에 있다 — Jev는 에이전트의 “다음 행동 결정”에, Span-01은 사후 “행동 감지/채점”에 특화되어 있어 같은 typed-decision 계열이지만 역할이 다르다.
추가 언급 (Threads)
@choi.openai가 2026-09-27 Threads에서 Span-01을 소개했다(두 글 중 첫 글만 수집).^[raw/articles/twitter-web-exporter/threads/threads-4464776b32597a676a5631.md] 블로그 원문에 없는 내용은 다음과 같다. 모두 Respan 측 주장을 옮긴 것이다.
- 헤드라인 비교: Jev보다 성능은 18% 높고 비용은 절반이라고 소개했다. GPT-6 Luna보다는 Behavior Benchmark에서 4% 높고, 비용은 최대 700배 낮다고 한다.
- 감지 대상: 프롬프트 인젝션, 환각, 비밀정보 노출, 에이전트 반복 행동, 도구 오사용. 도구 결과 안에 숨긴 Markdown·Base64 공격도 찾아낸다고 한다.
- Span-01 Lite: 무료 버전도 회사 평가에서 Jev보다 높았다고 한다.
관계
- jev — Span-01 벤치마크의 주요 비교 대상(Jev 1.13.0)
- jev-ultrafast — Jev의 typed-decision 단일 요청 패턴을 쓰는 브라우저 에이전트
- interfaze-ai/lev — 같은 typed-decision 계열의 오픈소스 결정 모델
- laya-mlx — 같은 typed-decision/판단 위임 축의 온디바이스 포트
- moc-ai-models — AI 모델 MOC