Maxwell-V1.0-Flash의 개요
Maxwell-V1.0-Flash는 텍스트 전용 mixture-of-experts 언어 모델로, 전체 파라미터 35B, 토큰당 활성 파라미터 3B(둘 다 임베딩 제외), 컨텍스트 창 256K 토큰을 갖습니다. 레이어는 45개로, 밀집 레이어 3개 뒤에 라우팅 전문가 256개를 둔 레이어 42개가 이어지며 토큰마다 12개가 활성화되고, 공유 전문가 2개가 추가됩니다. 어텐션은 Maxwell Block Sparse Attention을 사용해 128토큰 블록을 접두부 8개, 로컬 8개 유지하고 학습된 인덱서로 최대 16개를 더 골라, 주 어텐션을 KV 그룹당 4,096토큰으로 제한합니다. 모델 카드에 따르면 커널은 256K에서 밀집 어텐션보다 6.7x 빠릅니다.
약 26조 개의 다국어 토큰과 Muon 옵티마이저로 사전 학습했으며, 토크나이저는 태국어, 라오어, 미얀마어, 크메르어, 샨어에서도 간결하도록 설계했습니다. 이후 지도 미세 조정, 일반·추론·에이전트 작업별로 분리한 강화 학습, 여러 교사 모델을 하나로 합치는 증류로 사후 학습했습니다. 가중치는 Apache 2.0입니다. 공개 주체는 "Maxwell Team"이며, 모델 카드와 기술 보고서, 웹사이트 어디에도 회사명, 소재지, 투자자가 나오지 않습니다.
Maxwell-V1.0-Flash, 쓸 만한 가치가 있습니까?
눈에 띄는 성적은 에이전트 분야입니다. 사후 학습 표에서 Maxwell은 BrowseComp 76.30으로 Qwen3.6-35B-A3B의 47.00, Muse Glimmer-30B의 55.60을 앞서고, DeepSearchQA 83.30, Terminal-Bench 58.65로 Qwen3.6의 47.42를 앞섭니다. Claude Code 하네스로 측정한 SWE-Bench Verified에서는 65.40 대 63.40으로 Qwen3.6을 근소하게 앞섭니다. 수학 벤치마크 6개 평균은 92.61(mean@8)이고, 장문 컨텍스트 평균에서도 76.94로 1위입니다.
지시를 따르는 능력은 약한 편입니다. IFBench는 64.80으로 Muse Glimmer의 83.20, Gemma 4 26B-A4B의 79.10에 못 미치고, 지시 수행 평균도 둘 모두보다 낮습니다. 베이스 모델은 중국어에서 Qwen 베이스 모델보다 낮지만(CMMLU 79.41 대 87.41), 동남아시아 언어 베이스 벤치마크 4개 중 3개에서 1위를 차지해 토크나이저 작업의 효과가 드러납니다.
주의할 점: 모든 점수는 팀 내부 평가에서 나왔고 설정도 직접 골랐습니다(온도 0.6, 32K부터 256K까지의 컨텍스트, 별표가 붙은 검색 결과에서는 컨텍스트 관리 사용). 독립 리더보드 등재는 아직 없습니다. 뒤에 있는 조직은 확인되지 않습니다. 저자 76명의 명단, 연락처 이메일, 웹사이트는 있지만 회사, 국가, 자금 출처는 없습니다. 실행하려면 저장소의 Python을 내 컴퓨터에서 실행하는 trust_remote_code와 NVIDIA 드라이버 580 이상용 전용 vLLM 이미지가 필요합니다. safetensors에는 약 36.8B개의 BF16 파라미터가 들어 있어 KV 캐시를 빼고도 약 74 GB입니다. 또 모델 카드는 RoPE 기준값을 10,000,000으로 적었지만 config.json에는 20,000,000으로 되어 있어, 서둘러 공개했다는 작은 신호로 보입니다.
확산은 아직 미미합니다. Hugging Face에서 좋아요 215개, 다운로드 1,052회이며, 제3자 GGUF 빌드는 4,437회입니다. 가중치가 Apache 2.0이므로 걸림돌은 라이선스가 아니라 출처와 검증입니다.
결론: 자체 GPU로 검색이나 리서치 에이전트를 돌린다면 Maxwell은 자기 작업으로 Qwen3.6-35B-A3B와 비교해 시험해 볼 만합니다. 규제가 있는 용도라면 이름을 밝히지 않는 개발사와 원격 코드 실행은 외부 평가를 기다릴 이유가 됩니다.
제 역할을 하는 곳
시장조사 회사의 ML 엔지니어
웹을 탐색하고 출처를 인용하는 리서치 에이전트를 자체 하드웨어에서 돌리고 싶다
maxwellmodel/vllm-openai 이미지와 qwen3 도구 호출 파서로 모델을 서빙하고, OpenAI 호환 API로 기존 에이전트에 연결합니다. 전환하기 전에 과거 리서치 질문 세트로 Qwen3.6-35B-A3B와 비교하세요.
태국어와 베트남어 고객을 위한 지원 도우미를 만드는 개발자
긴 프롬프트 비용 없이 동남아시아 언어로 좋은 답변을 얻고 싶다
기술 보고서의 표에서 이 토크나이저는 동남아시아 텍스트에서 가장 간결하므로, 같은 프롬프트로도 토큰과 컨텍스트를 덜 씁니다. 다국어 점수는 자체 발표이니 자체 대화 기록으로 품질을 확인하세요.
도입 전 확인할 점
- 설정
- hf download로 가중치를 받고, maxwellmodel/vllm-openai:v0.30.0 Docker 이미지에서 --trust-remote-code를 붙여 vLLM을 실행합니다. NVIDIA 드라이버 580 이상(CUDA 13.0)이 필요하며, 이전 드라이버에서는 호환 플래그를 씁니다.
- 연동
- vLLM을 통한 OpenAI 호환 채팅 API로, 도구 호출을 지원하고 사고 모드가 기본으로 켜져 있습니다. Hugging Face에 커뮤니티 GGUF 빌드가 있습니다.
- 데이터와 개인정보
- Apache 2.0에 따라 자체 하드웨어에서 실행됩니다. 불러올 때 저장소의 맞춤 모델 코드가 실행됩니다. 웹 플레이그라운드의 데이터 처리 방식은 공개되지 않았습니다.
- 대규모 사용 시 비용
- 가중치는 무료입니다. KV 캐시를 빼고도 BF16 가중치가 약 74 GB이므로 대형 데이터센터 GPU 1장이나 더 작은 GPU 여러 장이 필요합니다. README 예시는 tensor-parallel size를 1로 둡니다.
- 제한
- 텍스트 전용입니다. 벤치마크는 내부 평가이고 일부는 컨텍스트 관리를 사용합니다. 개발사의 정체와 소재지, 학습 연산량은 공개되지 않았습니다.
좋은 점
- 비교표에서 BrowseComp, DeepSearchQA, Terminal-Bench 1위
- 활성 3B에 256K까지의 블록 희소 어텐션
- 동남아시아 언어에 강한 간결한 토크나이저
- Apache 2.0 가중치와 38쪽 분량의 기술 보고서
아쉬운 점
- 모든 벤치마크가 자체 발표
- 공개 주체의 회사명과 국가가 공개되지 않음
- trust_remote_code와 전용 vLLM 이미지가 필요
- 지시 수행이 Gemma 4와 Muse Glimmer에 뒤짐
추천 대상
검색·리서치 에이전트를 만들고 약 74 GB 모델을 호스팅할 수 있으며, Qwen3.6-35B-A3B를 대신할 활성 3B 모델을 시험하려는 팀.
Maxwell-V1.0-Flash 대안
Maxwell-V1.0-Flash: 자주 묻는 질문
- Maxwell-V1.0-Flash, 쓸 만한 가치가 있습니까?
- 개 발진 자체 테스트에서 Maxwell은 에이전트 검색에서 가장 강한 활성 3B 모델이지만, 모든 수치가 자체 발표이고 뒤에 있는 회사는 이름을 밝히지 않습니다. 평점은 5점 만점에 3.7점입니다.
- Maxwell-V1.0-Flash의 가격은 얼마입니까?
- Apache 2.0의 무료 오픈 웨이트입니다. 웹 플레이그라운드가 있지만 유료 API나 가격은 공개되지 않았습니다.
- Maxwell-V1.0-Flash의 단점은 무엇입니까?
- 모든 벤치마크가 자체 발표; 공개 주체의 회사명과 국가가 공개되지 않음; trust_remote_code와 전용 vLLM 이미지가 필요; 지시 수행이 Gemma 4와 Muse Glimmer에 뒤짐.
- Maxwell-V1.0-Flash에 적합한 사람은 누구입니까?
- 검색·리서치 에이전트를 만들고 약 74 GB 모델을 호스팅할 수 있으며, Qwen3.6-35B-A3B를 대신할 활성 3B 모델을 시험하려는 팀.
- 팀이나 프로덕션 환경에서 Maxwell-V1.0-Flash의 비용은 얼마입니까?
- 가중치는 무료입니다. KV 캐시를 빼고도 BF16 가중치가 약 74 GB이므로 대형 데이터센터 GPU 1장이나 더 작은 GPU 여러 장이 필요합니다. README 예시는 tensor-parallel size를 1로 둡니다.
- Maxwell-V1.0-Flash에 회사 데이터를 맡겨도 안전합니까?
- Apache 2.0에 따라 자체 하드웨어에서 실행됩니다. 불러올 때 저장소의 맞춤 모델 코드가 실행됩니다. 웹 플레이그라운드의 데이터 처리 방식은 공개되지 않았습니다.
- Maxwell-V1.0-Flash의 가장 좋은 대안은 무엇입니까?
- 저희가 리뷰한 것 중 가장 가까운 대안은 Qwen3.6, Muse Glimmer 및 Gemma 4입니다.
답변 확인일: 2026년 11월 18일.