Zyphra가 7월 17일, electroencephalography (EEG) — 뇌 활동의 전기적 기록 — 을 위한 공개 라이선스 기반 모델 ZUNA1.1를 공개했습니다. 관대한 Apache 2.0 라이선스 아래 배포되는 이 모델은, 이전의 기반 모델들이 텍스트와 이미지에 했던 일을 복잡한 신경 데이터에도 적용하려는 시도입니다.
The model
ZUNA1.1은 diffusion autoencoder로 구축된 3억8,000만 파라미터 규모의 transformer encoder-decoder입니다. 기존 ZUNA1에서 가장 크게 개선된 점은 유연성으로, 고정된 5초 구간에 묶이지 않고 0.5초부터 30초까지의 가변 길이 입력을 받아들입니다. 실제 기록은 깔끔한 구간 단위로 들어오지 않는 경우가 많다는 점을 고려하면 실용적인 차이입니다.
What it does
이 모델은 EEG의 노이즈를 제거하고, 누락된 채널을 재구성하며, 기록을 업샘플링합니다. 즉, 실제 뇌 데이터에 자주 생기는 빈틈을 메웁니다. Zyphra는 검증용 재구성 오차 기준에서 이 모델이, 대체 대상으로 겨냥한 표준 기법인 고전적 spherical-spline interpolation과 동등하거나 더 우수하다고 밝혔습니다. diffusion autoencoder는 신호를 압축한 뒤 다시 생성하는 방식으로 학습하며, 이를 통해 모델은 사라졌거나 처음부터 기록되지 않은 채널의 그럴듯한 값을 추론할 수 있습니다.
From headbands to research rigs
핵심은 하드웨어 간 일반화입니다. position-aware tokenization을 활용해 ZUNA1.1은 4개 전극의 소비자용 헤드밴드부터 256채널 연구용 장비까지 임의의 전극 배치에서 작동합니다. 이런 기기 간 호환성 부족이 바로 신경 데이터를 사일로에 가두고 활용을 어렵게 만들어 온 분절입니다.
Open weights
약 350만 채널-시간 분량의 공개 EEG로 학습된 이 모델은, 이전 버전의 약 200만에서 늘어난 규모입니다. 모델과 코드, 가중치가 모두 자유롭게 공개됐습니다. 라벨이 붙은 뇌 데이터가 희소하고 비용이 많이 드는 분야에서, 하드웨어에 구애받지 않는 공개 기반 모델은 뉴로테크와 뇌-컴퓨터 인터페이스를 구축하는 스타트업과 학계의 진입 장벽을 낮춥니다. 효율적인 언어 및 멀티모달 모델로 더 잘 알려진 Zyphra는 같은 효율성 우선 철학을 바이오신호에 적용하고 있으며, 결국 채택을 이끄는 개발자 생태계를 공개 인프라가 키워낸다고 보고 있습니다.