Claude Opus 4.6, BridgeBench 환각(Hallucination) 테스트에서 정확도 83% → 68%로 하락

Who Should Read

Anthropic Claude API를 프로덕션에 사용 중이고 모델 품질 변화에 민감한 백엔드/AI 개발자, 또는 LLM 벤치마크 신뢰성에 관심 있는 개발자.

Core Mechanics

• BridgeBench는 LLM의 환각(모델이 사실이 아닌 내용을 사실처럼 생성하는 현상) 수준을 측정하는 벤치마크로, Claude Opus 4.6를 대상으로 테스트한 결과 정확도가 83%에서 68%로 약 15%p 하락했다고 보고됐다.
• 이 결과를 발표한 것은 BridgeMind AI 팀(@bridgemindai)으로, X(구 Twitter)에 공개했지만 원문 트윗 자체는 JavaScript 없이 접근이 불가해 세부 내용 확인이 어렵다.
• 15%p라는 수치 자체는 단순 노이즈로 보기엔 꽤 큰 차이다. 벤치마크 설계상 여러 반복(iteration)에 걸쳐 테스트하도록 만들어졌다면, 이 정도 격차는 무시하기 어렵다는 시각이 있다.
• 반면 몇 가지 방법론적 의문도 제기됐다. 공개된 정보에 샘플 사이즈나 반복 실행 횟수가 명시되지 않아, 단 1회 실행 결과일 가능성이 있다는 지적이 나왔다.
• LLM은 기본적으로 비결정론적(같은 입력에도 매번 다른 출력이 나올 수 있음)이기 때문에, 단일 실행 결과만으로는 모델 성능이 실제로 저하됐다고 단정하기 어렵다는 반론도 있다.

Evidence

• 샘플 사이즈와 실행 횟수가 공개되지 않았다는 점을 지적하는 댓글이 있었다. '아마 전체 테스트 스위트를 1회만 실행한 것 같다'며, 비결정론적 모델 특성상 실행마다 결과가 달라질 수 있으므로 이것이 실제 성능 저하의 증거라고 보기 어렵다는 의견이었다.
• 반대 입장의 댓글에서는 '15%는 엄청난 격차'라고 반박했다. 벤치마크가 여러 반복에 걸쳐 철저히 테스트하도록 설계됐다면 이 정도 차이는 유의미하다는 주장이며, Anthropic이 최상위 모델 접근을 제한하고 있다는 불만도 함께 표출됐다.
• 일부 유저는 'Anthropic이 사용하는 실제 최고 모델에 제한 없이 접근하고 싶다, 비용이 더 들더라도'라는 감정적 불만을 토로했다. 이는 모델 성능 저하에 대한 커뮤니티의 오랜 불신을 반영한다.
• 논의와 무관하게 '계산 기호론(Computational Semiotics)이 실증적으로 증명됐다'며 자신의 Substack 글을 홍보하는 스팸성 댓글도 달렸다.

How to Apply

• Claude API를 프로덕션에서 사용 중이라면, 모델 업데이트 전후로 자체 테스트셋을 구축해 정기적으로 회귀 테스트를 돌리는 것이 좋다. 외부 벤치마크 결과에만 의존하면 실제 서비스에 맞는 성능 변화를 놓칠 수 있다.
• 벤치마크 결과를 해석할 때는 샘플 사이즈, 반복 실행 횟수, temperature 설정 등 방법론적 세부사항을 반드시 확인하라. 이번 사례처럼 메타데이터가 불명확하면 결과의 신뢰성 자체를 판단하기 어렵다.
• LLM의 비결정성을 고려해 중요한 평가는 최소 수십~수백 회 반복 실행 후 평균값을 사용하라. 단일 실행 결과로 모델 간 혹은 버전 간 성능을 비교하면 잘못된 결론을 내릴 수 있다.

Terminology

관련 논문

• LLM이 TLA+로 실제 시스템을 제대로 모델링할 수 있을까? — SysMoBench 벤치마크

  LLM이 TLA+ 명세를 작성할 때 문법은 잘 통과하지만 실제 시스템과의 동작 일치도(conformance)는 46% 수준에 그친다는 걸 체계적으로 검증한 벤치마크 연구로, AI 기반 형식 검증의 현실적 한계를 보여준다.

• Natural Language Autoencoders: Claude의 내부 활성화를 자연어 텍스트로 변환하는 기법

  Anthropic이 LLM 내부의 숫자 벡터(활성화값)를 직접 읽을 수 있는 자연어로 변환하는 NLA 기법을 공개했다. AI가 실제로 무슨 생각을 하는지 해석하는 interpretability 연구의 새로운 진전이다.

• ProgramBench: LLM이 프로그램을 처음부터 다시 만들 수 있을까?

  LLM이 FFmpeg, SQLite, PHP 인터프리터 같은 실제 소프트웨어를 문서만 보고 처음부터 재구현할 수 있는지 측정하는 새 벤치마크로, 최고 모델도 전체 태스크의 3%만 95% 이상 통과하는 수준에 그쳤다.

• MOSAIC-Bench:코딩 에이전트의 Compositional Vulnerability 유도 측정

  티켓 3장으로 쪼개면 Claude/GPT도 보안 취약점 코드를 53~86% 확률로 그냥 짜준다.

• LLM의 거절(Refusal) 동작은 단 하나의 방향(Direction)으로 제어된다

  13개의 오픈소스 채팅 모델을 분석했더니, 모델이 유해한 요청을 거절하는 동작이 내부 활성화 공간에서 단 하나의 1차원 벡터 방향으로 인코딩되어 있었다. 이 방향을 제거하면 안전 파인튜닝이 사실상 무력화되므로, 현재 안전 학습 방식이 얼마나 취약한지 보여준다.

• LLM의 구조화된 출력(Structured Output)을 테스트하는 새 벤치마크 SOB 공개

  스키마 준수 여부만 보던 기존 벤치마크의 한계를 넘어, 실제 값의 정확도까지 7가지 지표로 평가하는 Structured Output Benchmark(SOB)가 공개됐다. 인보이스 파싱, 의료 기록 추출처럼 JSON 출력의 정확성이 중요한 프로덕션 시스템에서 어떤 모델을 써야 할지 판단하는 데 직접적으로 참고할 수 있다.

Related Resources

• https://twitter.com/bridgemindai/status/2043321284113670594
• https://open.substack.com/pub/sublius/p/the-semiotic-reflexi