Upstage buying intent

업스테이지의 총 1,800억 원 규모의 시리즈C 1차 투자가 성공적으로 마무리되었습니다. 누적 투자금은 약 4000억 원 규모가 되었으며, 이번 투자 유치로 업스테이지는 기업 가치 1 billion USD 이상을 인정받아 국내 생성형 AI 기업 최초로 유니콘 반열에 올랐습니다. 또한, 이번 라운드를 통해 기존의 투자분들의 변함없는 신뢰를 확인함과 동시에 해외 투자자 (Axiom Asia), 전략적 투자사 (현대차·기아) 및 신규 투자사들을 확보하였습니다. 비전과 실적의 조화가 펀딩 성공의 이유라고 생각합니다. 시리즈 A 시절부터 AI의 실용화라는 가치를 고수하며, 언어 모델 및 데이터 디지털화 제품을 통해 매년 130%가 넘는 매출 신장을 기록한 실적이 높게 평가받았습니다. 특히 국가적 프로젝트인 '독자 파운데이션 모델' 주관사가 되며 기술적인 증빙과 향후 가능성을 보여준 것도 주효했다고 봅니다. 저희는 이번에 확보한 자금을 AI 모델 고도화를 위한 GPU 및 인재 영입과 해외 시장 판로 개척에 투자할 계획입니다. 다시 한번 저희를 믿어주신 기존투자자 및 신규 참여 투자자분들도 감사합니다. #프라이머사제 #axiomasia #프리미어파트너스 #인터베스트 #KB증권 #신한벤처투자 #미래에셋벤처투자 #현대자동차 #우리벤처파트너스 #IBK #한국투자증권 #unicorn #funding #펀딩 #upstage #업스테이지 #llm #언어모델 #ai #인공지능 #startup #스타트업 #solar #documentai #parser #ocr

[LLM은 어려운 문제를 어떤 식으로 풀까?] 여기서 말하는 어려운 문제는 하나의 정보만으로 답을 낼 수 없고, 여러 문서나 여러 단계의 추론을 거쳐야 답이 나오는 문제들을(multi-hop, multi-turn 문제) 의미함. 가장 단순한 예로 "A의 감독이 졸업한 대학은?" 같은 질문은 A의 감독이 누구인지 먼저 알아낸 뒤, 그 사람의 학력을 다시 찾아야 답이 나옴. agent가 실제로 푸는 복잡한 문제들도 결국 이런 multi-hop 추론의 연쇄로 구성되기 때문에, multi-hop 문제가 어떤 패턴으로 구성되고 해결 방식이 어떻게 발전해왔는지 파악해두는 것이 필요함. - 어떻게 평가할까? multi-hop benchmark는 보통 크라우드 소싱을 거쳐 만들어지기 때문에 seed와 생성 방법이 구체적으로 공개가 잘 안됨. 비교적 자세하게 생성 과정을 공개한 것이 HotpotQA[1]. 대규모 크라우드 소싱으로 만들어졌고 현재까지도 여러 multi-hop 데이터의 seed로 많이 쓰임. graph 기반의 seed 데이터를 두고 2개 이상 문서를 추론해야 풀 수 있는 문제를 생성하고, 정답의 근거가 되는 문장도 함께 수집하는 구조. 이후 등장한 벤치마크들도 비슷한 설계 원칙을 공유함 [1][2][3][4] - 단일 검색이나 단일 문서로 바로 풀리는 문제는 제거 (프론티어 모델이 쉽게 맞추거나 검색 한번에 답이 나오면 필터링) - 여러 정보를 연결하거나 추적해야 답이 나오는 구조 (다수 entity 비교, 수식 계산, 시간 조건에 따라 달라지는 정보, context 내 multi-hop tracing 등) - hard negative(비슷한 이름, 잘못된 전제, distractor 문서)를 넣어서 난이도를 높임 - 제약 조건이나 연결해야 할 정보 단계가 많아질수록 난이도가 올라감 초반 벤치마크들은 미리 구축해 둔 graph 데이터에 간단한 rule을 추가해서 답의 정합성을 보장하는 형식이었는데, 이런 방식도 모델 성능이 점점 포화되면서 아예 정답을 정해 놓고 constraints를 추가하는, 검증은 쉽지만 맞추기는 어렵게[3] 만드는 방향으로 발전함. 이렇게 벤치마크가 점점 어려워지는 이유는 넓은 탐색 공간에서 모델이 어떻게 범위를 좁혀 나가는지, 자기가 가진 지식과 어긋나거나 아예 모르는 사실을 접했을 때 어떻게 사실을 검증하는지를 보려면 쉬운 문제로는 변별이 안 되기 때문. - 어떤 방식으로 풀까? 보통 지식형 QA는 search tool을 이용한 RAG로 푸는 방식이 가장 전형적. 여기서 좀 더 발전하면 문제 난도에 따라 검색을 반복하며 multi-hop 추론을 사용[5]하거나, context를 divide-and-conquer 방식[6]으로 쪼개서 답변 완성도를 높이는 접근을 하게 됨 그러나 현실의 문제는 이렇게 단순하지 않고, 아래의 문제들에 대한 고민이 필요 - standard RAG는 문제 단위로 한번만 검색하는데, 복잡한 문제는 reasoning의 각 step마다 필요한 지식이 달라서 한번 검색으로는 부족하고 오히려 noise만 주입됨[7]. - 고정된 RAG corpus에 필요한 정보가 다 있다는 가정 자체가 현실에선 성립 안 됨. 실제 웹은 정보가 누락되거나, 오래되거나, 여러 도메인에 흩어져 있음[9]. - 기존 multi-hop QA는 대체로 해결 경로가 정해져 있어 답을 향해 탐색 범위를 좁히기 비교적 쉬운 반면, BrowseComp 같은 실전 문제는 해결 경로 자체가 없고 그 경로를 찾아가는 것 자체가 어려운 구조[10]. open model은 이런 구조의 문제를 학습한 적이 없어서 near-zero 성능을 보이고, closed 모델과 큰 격차가 남. 이런 문제들을 해결하기 위해 검색 타이밍을 모델이 스스로 판단하게 하고[7][8], 학습 환경을 고정 corpus에서 실제 웹으로 옮기고[9], 학습 데이터의 난이도를 실전 수준으로 끌어올리는[10][11] 흐름으로 발전하고 있음. 전반적으로는 난도 높은 QA 데이터를 대량 합성해 mid-training으로 cold start 문제를 먼저 완화하고, 이후 RL로 long-tail까지 커버하는 방향으로 scale out 중.

Upstage Ships Solar Open 2, a 250-Billion-Parameter Model That Runs on Two GPUs - DEV Community Upstage has released open weights for Solar Open 2, a 250-billion-parameter model built for agent workloads that runs on two NVIDIA H200 GPUs once quantized. The Korean company activates only 15 billion of those parameters per token, publishes a full technical report alongside the weights, and describes

MediumUsing AI to Maintain a Legacy Code Base: Patience will get you far. | by Gloria W | Medium Sign up # Using AI to Maintain a Legacy Code Base: Patience will get you far. 3 min read Feb 5, 2026 -- Share Press enter or click to view image in full size For the past six years or so, I’ve been the lead developer and the only DevOps on the UpStage Open Source project: https://upstage.live https://g

# Bring stage models into the new back end. Refactor stage permissions. They currently do not work correctly. - State: closed - Author: gloriajw - Created: 2024-09-05T13:50:26Z - Updated: 2025-05-26T18:46:27Z - Repository: upstage-org/upstage - Number: #1325 - Assignees: nnguyenquangg ## Labels - new backend --- We have these stage models in stage/schema.py This is related to media, and media perm