Meta의 Muse 로그에서 발견된 azure/muse-special 모델 추적기

Who Should Read

에이전트 런타임이 여러 모델 제공자를 뒤에서 라우팅하는 구조를 설계하거나 로그로 검증하려는 백엔드 개발자

Core Mechanics

• 세션 하나만 다른 모델이었다
  • 작성자 VM의 세션 로그 대부분은 Meta 내부 모델 Avocado로 라우팅됐다.
  • 서브에이전트 세션 한 건만 azure/muse-special 모델을 썼다.
• OpenAI 스타일 흔적이 나왔다
  • 서명(signature)에 gpt_responses_v1 태그와 gAAAAA로 시작하는 암호화 페이로드가 있었다.
  • 툴 호출 ID는 call_ 뒤에 대소문자 혼합 24자였고, Avocado 세션은 call_ 뒤 16진수 32자였다.
• 코드 저장소에도 단서가 있었다
  • 저장소 검색에서 "GPT Responses model client via MAGI native Azure OpenAI lane"이라는 문구가 나왔다.
  • 모델 카탈로그에는 azure/muse-special 다음에 azure/gpt-5.6-sol이 나란히 있었다.
• 정확한 모델은 알 수 없다
  • 파일과 로그만으로는 어떤 GPT 모델인지, 왜 서브에이전트가 골랐는지 확인되지 않는다.
  • 작성자의 최선의 추측은 Azure로 서빙되는 OpenAI 모델이다.
• 카탈로그엔 여러 제공자 모델이 있다
  • Avocado 약 15개 버전에 더해 Claude Opus 4.6/4.7/4.8, Sonnet 4.6, Haiku 4.5가 있었다.
  • GPT-5.5·5.6 변형(OpenAI, Azure, Codex 경유)과 Kimi K3(Fireworks, Meta 호스팅 경로)도 있었다.

Community Reactions

• 제목이 오해를 부른다는 의견
  • OpenAI 모델이라는 증거가 안 보이고 제목이 매우 오도적이라는 댓글이 있었다.
• 왜 다른 모델로 라우팅하는지 모르겠다는 의문
  • 컴퓨트가 부족해서는 아닐 텐데 자사 모델 답변이 나쁠까 걱정한 걸까라는 댓글이 있었다.
  • 스스로도 앞뒤가 안 맞는다고 인정했다.
• 공시로 드러날지 궁금하다는 의견
  • Meta가 OpenAI에 돈을 냈다면 공개 공시에 나올지 묻는 댓글이 있었다.
• Muse 1.3 spark를 써 봤더니 이상한 응답이 나왔다는 경험
  • 가끔 내부 지시문 같은 중국어 응답이 나온다는 댓글이 있었다.

How to Apply

• 에이전트 로그에 모델 ID 필드 남기기
  • 오늘 서브에이전트가 호출할 때마다 요청 모델명과 응답 모델명을 세션 로그에 함께 기록하라.
  • 세션별 모델 분포를 집계해 예상 밖 모델이 섞였는지 확인하라.
• 툴 호출 ID 형식으로 제공자 구분하기
  • 로그의 tool call ID 패턴(길이, 문자 종류)을 제공자별로 비교하라.
  • 형식이 다른 세션을 따로 뽑아 어느 경로로 갔는지 점검하라.
• 외부 에이전트 도입 전 프라이버시 정책 확인하기
  • 대화가 모델 개발에 쓰일 수 있는지와 옵트아웃 방법을 서비스 약관에서 확인하라.
  • 서버 측 라우팅 변경 가능성을 전제로 민감 데이터 전달 범위를 정하라.

Try It

# Claude Code 또는 터미널 에이전트에 붙여넣기 (원문 분석 방법의 간이 버전)

우리 에이전트 세션 로그 디렉터리 {{로그 경로}}를 분석해줘.

1. 세션별로 사용된 모델 ID를 집계해 표로 보여줘.
2. 다수 모델과 다른 모델을 쓴 세션이 있으면 따로 뽑아줘.
3. 그 세션의 tool call ID 형식(접두어, 길이, 문자 종류)을 다른 세션과 비교해줘.
4. signature나 암호화된 필드가 있으면 접두어 패턴을 알려줘.

확인된 사실과 추정은 구분해서 써줘.

이어서 해 볼 것: 결과로 나온 형식 차이를 로깅 규칙으로 만들어 매 세션 자동 집계하기.

Terminology

관련 논문

• 같은 시뮬레이션, 다른 근거: 도구 출력을 파일로 넘기면 LLM 에이전트 정확도가 어디서 깎이나

  긴 툴 출력을 파일로 넘기자 GPT-5.1은 정확도 11.3%p 하락, 정식 출력 지정하니 회복

• 가짜 뉴스가 진짜 폭락을: LLM 트레이딩 에이전트 대상 정보 주입 공격

  가짜 헤드라인 한 줄로 LLM 트레이딩 에이전트 62%를 조종했다(프롬프트 주입은 14%)

• Harness Engineering 101: LLM은 뇌, harness는 몸

  에이전트는 JSON 배열을 관리하는 루프이고, 16개 챕터로 직접 만들어 본다

• Harness²: 에이전트 harness를 스스로 고쳐 쓰는 재귀 최적화 프레임워크

  모델은 고정하고 harness를 재귀로 고쳤더니 벤치마크 점수가 최대 11.8%p 올랐다

• 해고된 Savannah 경찰관, ICE 요원 남편에게 Flock 계정 공유

  경찰관이 Flock 계정을 남편(ICE 요원)에게 공유했고, 감사에서 983건 검색이 드러나 해고됐다

• tmux와 Claude Code: 세션, send-keys, 그리고 한계선

  tmux로 Claude Code 여러 개를 돌리면 편하지만 에이전트 4개쯤에서 한계가 온다

• Hybrid Reasoning Agents: 잠재 공간에서 생각하고 텍스트로 행동하는 LLM 에이전트

  잠재 공간 추론과 텍스트 도구 호출을 섞었더니 성능 10.4%↑, 토큰 최대 54.7%↓

Related Resources

• https://mouse.dev/blog/muse-special/
• https://x.com/heypeterjames/status/2103545183400800746