- Zyphra가 2026년 7월 16일 ZUNA1.1을 Apache 2.0 라이선스로 공개했으며, 380M 파라미터 규모의 masked diffusion autoencoder 구조를 채택했다.
- 입력 길이가 기존 ZUNA1의 고정 5초에서 0.5초부터 30초까지 가변적으로 확장되어 짧은 이벤트와 장기 신호를 모두 다룰 수 있게 되었다.
- 임의의 채널 레이아웃에서 scalp-EEG(두피 뇌파) 신호의 재구성(reconstruction), 디노이징(denoising), 업샘플링(upsampling)을 수행하며, 입력 범위 확대에도 NMSE(Normalized Mean Squared Error) 지표가 유지 또는 개선된 것으로 보고되었다.
ZUNA1.1은 오픈소스 정책과 가변 길이 처리를 결합해 EEG 파운데이션 모델의 실용성 문턱을 낮춘 사례로 평가된다.
2026년 7월 16일, AI 연구 기업 Zyphra는 EEG(뇌전도) 신호 분석을 위한 파운데이션 모델 ZUNA1.1을 Apache 2.0 라이선스로 공개했다. EEG는 두피에 부착한 전극으로 뇌의 전기적 활동을 측정하는 신호로, 뇌-컴퓨터 인터페이스(BCI)와 신경과학 연구에서 핵심 데이터로 사용되어 왔다. 이번 릴리스는 모델 규모와 학습 방식 측면에서 기존 ZUNA1 대비 뚜렷한 변화를 보여주며, 오픈소스 AI 의료 모델 흐름에서도 의미 있는 이정표로 언급되고 있다.
ZUNA1.1 개요: Zyphra의 오픈소스 EEG 파운데이션 모델
릴리스 배경과 Apache 2.0 라이선스 선택의 의미
Zyphra는 ZUNA1.1을 Apache 2.0으로 배포함으로써 연구자와 개발자가 상업적 용도를 포함한 광범위한 활용을 할 수 있도록 허용했다. Apache 2.0은 특허 조항과 책임 제한 조항을 포함하는 대표적인 허용적 라이선스(permissive license)로, 의료 및 신경과학 분야에서 모델 도입 장벽을 낮추는 선택으로 해석된다. 다만 이 평가는 공개된 보도와 라이선스 일반적 성격에 기반한 해석이며, 구체적인 채택 이유는 별도 공식 자료에서 확인되지 않았다.
이전 버전 ZUNA1 대비 주요 변화 요약
MarkTechPost 보도가 정리한 ZUNA1과 ZUNA1.1의 차이는 다음과 같다.
| 구분 | ZUNA1 | ZUNA1.1 |
|---|---|---|
| 입력 길이 | 고정 5초 | 0.5초 ~ 30초 가변 |
| 아키텍처 | 표현형 자기지도 구조 (보도 기반) | Masked diffusion autoencoder |
| 파라미터 규모 | 공개 수치 미확인 | 약 380M |
| 라이선스 | 공개 수치 미확인 | Apache 2.0 |
| 채널 레이아웃 | 고정 구성 추정 | 임의 채널 레이아웃 |
핵심 기술: 가변 길이 입력과 380M Diffusion 구조
0.5초~30초 가변 입력 처리 메커니즘
ZUNA1.1은 입력 길이를 0.5초에서 30초 사이에서 자유롭게 조절할 수 있다. 기존 ZUNA1이 5초로 고정되어 짧은 사건(event) 신호와 장기 휴식 상태 신호를 동시에 다루기 어려웠던 점을 보완한 것으로 보인다, 보도된 내용에 따르면 입력 범위 확대에도 NMSE 지표가 유지되거나 개선되는 양상이 관찰되었다고 한다. 짧은 입력은 ERP(사건관련 전위) 같은 순간 신호 분석에, 긴 입력은 수면 단계나 휴식 상태 패턴 분석에 대응할 수 있어 활용 범위가 넓어진다.
Masked Diffusion Autoencoder 아키텍처 분석
ZUNA1.1의 구조는 마스킹(masking)과 확산(diffusion) 과정을 결합한 자기지도학습(autoencoder) 방식으로 보고되었다. 보도 자료 외 일반론임을 명시해 단정 표현 완화 확산 모델은 일반적으로 노이즈에서 점진적으로 신호를 복원하는 생성 과정을 학습하며, 이를 마스킹과 결합해 신호의 일부만으로도 일관된 재구성을 시도하는 접근으로 이해된다. 다만 이는 공개된 보도 내용을 토대로 한 기술적 해설이며, 구현 세부 사항은 Zyphra의 공식 코드 저장소에서 추가 확인이 필요하다.
임의 채널 레이아웃 지원의 기술적 의의
EEG 장비는 연구실과 임상 현장마다 전극 수와 배치 방식이 다르다. ZUNA1.1이 임의의 채널 레이아웃을 수용한다는 것은 표준 10-20 시스템(국제 표준 전극 배치법)뿐 아니라 저채널 웨어러블, 연구용 고밀도 어레이에서도 동일 모델을 적용할 가능성을 시사한다. 이는 파운데이션 모델이 다양한 다운스트림 작업으로 전이(transfer)되기 위한 전제 조건 가운데 하나로 평가된다.
성능 평가와 오픈소스 생태계 영향
NMSE 지표 분석 및 모델 일반화 성능
보도된 자료에서 ZUNA1.1의 성능은 NMSE로 보고되었다. NMSE(Normalized Mean Squared Error, 정규화 평균제곱오차)는 재구성 신호가 원 신호와 얼마나 가까운지를 정량화하는 지표로, 값이 낮을수록 원 신호에 가까운 재구성 품질을 의미한다. 보도에 따르면 ZUNA1.1은 입력 길이를 30초까지 늘려도 NMSE가 안정적으로 유지되었고, 일부 조건에서는 개선된 것으로 나타났다. 다만 이 평가는 공개된 기사에 한정된 결과이며, 독립적인 벤치마크를 통한 외부 검증은 공개된 자료에서 확인되지 않았다.
뇌-컴퓨터 인터페이스·신경과학 연구에 대한 시사점
ZUNA1.1이 수행하는 세 가지 기능인 재구성, 디노이징, 업샘플링은 EEG 분석의 대표적인 전처리 단계에 해당한다. 고품질 사전학습 모델이 이러한 전처리 단계를 대체하거나 보완할 가능성이 있으며, 보도된 내용을 토대로 하면 연구자가 라벨 부족 문제를 완화하고 다운스트림 모델 설계에 집중할 수 있게 된다. 결과적으로 소규모 실험실도 대형 파운데이션 모델의 이점을 활용할 수 있게 되며, 이는 개인화된 BCI 연구의 확산을 뒷받침할 요소로 작용할 수 있다. 다만 임상 적용 가능성에 대해서는 별도의 검증과 규제가 필요하며, 현 시점에서 이를 단정하기는 이르다는 견해가 지배적이다.
오픈소스 AI 의료 모델 트렌드에서 ZUNA1.1의 위치
최근 의료 영상, 유전체, 임상 텍스트 등 다양한 영역에서 Apache 2.0 또는 유사 허용적 라이선스의 의료 AI 모델이 잇따라 공개되고 있다. ZUNA1.1은 이 흐름에서 신경 신호 영역을 대표하는 사례로 분류될 수 있다. 다만 EEG 데이터는 개인 식별 정보와 밀접하게 연결될 수 있어, 오픈소스 공개와 동시에 데이터 거버넌스, 윤리적 활용 가이드라인의 중요성이 함께 부각된다. 이러한 부수적 과제는 본 모델 외 의료 AI 전반에 공통된 과제로서, ZUNA1.1 단독의 문제가 아닌 것으로 보인다.
핵심 정리
- 모델 개요: ZUNA1.1은 Zyphra가 2026년 7월 16일 Apache 2.0으로 공개한 380M 파라미터 EEG 파운데이션 모델이다.
- 핵심 진전: 입력 길이가 5초 고정에서 0.5~30초 가변으로 확장되어 짧은 사건과 장기 신호를 모두 다룬다.
- 기능 범위: 임의 채널 레이아웃의 scalp-EEG에 대해 재구성, 디노이징, 업샘플링 기능을 제공한다.
- 성능: 보도에 따르면 입력 범위 확대에도 NMSE가 유지 또는 개선되는 양상이 보고되었다.
- 생태계 의의: 오픈소스 EEG 모델의 실용성 문턱을 낮추며 BCI·신경과학 분야의 전이 학습 기반을 확장하는 것으로 평가된다.
참고 출처: MarkTechPost – Zyphra Releases ZUNA1.1, GeekNews – AI 및 오픈소스 동향