테더의 두 번째 예비 자산은 정보입니다.
테더의 QVAC 프로젝트는 스테이블코인 회사에서는 보기 드문 표현으로 시작합니다. 이 회사는 "QVAC Psy"를 "심리역사학의 원칙에 뿌리를 둔" 기본 모델들의 집합이라고 설명합니다.
심리역사학에 대한 언급은 아이작 아시모프의 파운데이션 세계관에 속하며, 그곳에서 해리 셀던은 수학, 통계학, 사회 역학을 이용하여 매우 큰 인구 집단의 행동을 예측하고 은하 제국 붕괴 이후의 암흑기를 단축합니다.
공상과학 백과사전은 아시모프의 심리역사학을 "상상의 과학"으로 묘사하는 반면, 셀던의 연구는 미래 사건을 예측하고 시스템 붕괴를 통해 지식을 보존하는 계획이라고 설명합니다.
테더의 설명은 공상 과학 소설 같은 언어로 포장된 사명 선언문과 같습니다. 이 회사는 준비금, 유동성, 유통을 화폐 인프라로 전환하여 암호화폐 업계에서 가장 큰 스테이블코인을 구축했습니다.
QVAC는 지능에도 동일한 직관을 적용합니다. 테더의 첫 번째 준비 자산은 테더 USDT(USDT) 의 중심에 있는 달러와 유사한 부채입니다. 두 번째 준비 자산은 컴퓨팅, 모델, 데이터 세트, 그리고 중앙 집중식 클라우드 외부에서 AI를 실행할 수 있는 능력이 되고 있습니다.
달러 보유고부터 정보 보유고까지
테더의 AI 분야 확장은 핵심 사업 방식과 일맥상통합니다. 테더 USDT(USDT) 역외 달러에 대한 수요를 단기 국채로 구성된 준비금으로 전환합니다.
테더(Tether) 2026년 1분기 재무제표 업데이트에서 순이익 10억 4천만 달러, 준비금 완충액 82억 3천만 달러, 토큰 관련 부채 약 1,830억 달러, 미국 트레져리 에 대한 직간접적 익스포저 약 1,410억 달러를 보고했습니다. 이러한 준비금 기반은 다음과 같은 의미를 갖습니다.
테더(Tether) 영업 강점을 바탕으로 반복적인 수익, 재무제표상 여유 자금, 그리고 장기적인 인프라 투자 자금을 확보할 수 있는 여력을 갖추고 있습니다.
CryptoSlate는 이미 이러한 준비금 엔진이 어떻게 스테이블코인 규모를 전략적 자산 배분으로 전환할 수 있는지 추적해 왔습니다. 지난 1월 테더의 8,888 비트코인(BTC) 매입은 이자 수익과 영업 이익이 어떻게 지속적인 비트코인 수요로 이어질 수 있는지 보여주었습니다. QVAC는 동일한 논리를 다른 자산군에 적용합니다.
테더(Tether) 비트코인, 금, 스타트업, 에너지, 채굴 , 통신 및 기타 인프라 분야에 투자하는 것 외에도 인텔리전스 분야에도 투자를 확대하고 있습니다. 이러한 움직임은 테더가 단순히 달러 유동성을 제공하는 기업에서 나아가 민간 디지털 인프라를 구축하는 기업으로 기업 이미지를 확장하는 것을 의미합니다.
"심리역사"라는 용어는 테더(Tether) AI를 소프트웨어 분야가 아닌 문명적 차원으로 바라보고 있기 때문에 그러한 방향에 부합합니다. QVAC의 공개 자료에서는 "무한 안정 지능 플랫폼", "분산형 사고"를 위한 로컬 우선 시스템, 그리고 중앙 집중식 AI에 대한 해답을 설명합니다.
QVAC 비전 페이지는 모든 생각을 중앙 집중식 서버를 통해 전달하는 것은 너무 느리고 불안정하며 통제적이라고 주장하며, QVAC를 사용자가 가진 지능을 위한 엣지 네이티브 기반으로 제시합니다.
그러한 관점은 테더의 스테이블코인에 대한 전반적인 비전을 반영합니다. 자금은 허가 없이 이동해야 하고, 데이터는 사용자에게 보관되어야 하며, 인텔리전스는 사용자가 있는 곳에서 실행되어야 한다는 것입니다.
아시모프에 대한 언급 아래에는 중요한 주장이 숨겨져 있습니다. 테더(Tether) 인공지능이 탄력적인 인프라처럼 작동할 때 더욱 견고해진다고 주장합니다.
클라우드 모델은 더 많은 기능을 제공할 수 있지만, 공급자 위험, 가격 위험, 정책 위험, 지연 위험 등을 수반합니다.
QVAC는 서로 다른 레이스를 기반으로 구축된 엣지 스택입니다.
QVAC의 핵심 차별점은 아키텍처에 있습니다. OpenAI, Anthropic, Google DeepMind, xAI는 최대 일반화 능력, 코딩, 다중 모드 처리, 장기 컨텍스트 추론, 에이전트 행동 및 엔터프라이즈 클라우드 배포 측면에서 경쟁합니다.
QVAC는 배포 용이성, 개인 정보 보호, 지연 시간, 구성 가능성 및 단일 공급업체 외부에서의 생존 가능성이라는 다른 축을 목표로 합니다.
QVAC 환영 문서에서는 이 프로젝트를 Linux, macOS, Windows, Android 및 iOS에서 로컬 우선 방식의 P2P AI 애플리케이션을 위한 오픈 소스 크로스 플랫폼 생태계로 정의합니다. 또한 사용자는 LLM 실행, 음성 인식 및 검색 증강 생성, 기타 AI 작업을 로컬에서 처리하거나 내장된 P2P 기능을 통해 추론 작업을 동료에게 위임할 수 있다고 설명합니다.
이러한 차이점 때문에 QVAC는 Frontier Labs와는 다른 벤치마크를 사용합니다. Frontier AI는 중앙 집중식 서비스를 통해 이용 가능한 가장 강력한 범용 모델을 최적화하는 데 중점을 두는 반면, QVAC는 추론이 이루어지는 위치, 런타임 제어 주체, 기기에서 전송되는 데이터, 그리고 중앙 집중식 서비스를 사용할 수 없게 되었을 때 애플리케이션이 계속 작동할 수 있는지 여부를 최적화합니다.
테더는 2026년 4월 SDK 출시를 통해 개발자들이 모든 기기에서 AI를 구축, 실행 및 미세 조정할 수 있도록 지원하는 통합 개발 키트를 소개했으며, 애플리케이션은 iOS, Android, Windows, macOS 및 Linux에서 변경 없이 실행되도록 설계되었습니다.
또한 QVAC SDK는 llama.cpp의 포크(Fork) QVAC Fabric을 비롯한 로컬 추론 엔진 위에 통합 추상화 계층을 사용하며, 음성 및 번역을 위해 whisper.cpp, Parakeet, Bergamot과도 통합되어 있다고 명시되어 있습니다.
이는 단일 모델 출시라기보다는 운영 계층에 더 가깝습니다. 오픈 소스 AI 생태계에는 이미 Llama, Qwen, Mistral, Gemma, DeepSeek, Hugging Face, llama.cpp, Ollama, vLLM, LM Studio 및 수많은 로컬 추론 프로젝트와 같은 강력한 구성 요소들이 있습니다.
QVAC는 개발자들이 모델 로딩, 추론, 음성 인식, OCR, 번역, 이미지 생성, RAG, P2P 모델 배포, 위임 추론 및 로컬 미세 조정을 하나의 인터페이스를 통해 통합하는 일관된 엣지 프레임워크가 필요하다고 생각합니다.
QVAC는 충분히 우수한 로컬 모델이 지속적으로 개선될 것이라는 가정 하에 인텔리전스를 위한 분산 계층으로서의 입지를 구축하고 있습니다.
QVAC Fabric은 이러한 주장의 기술적 핵심입니다. 테더(Tether) Fabric이 Vulkan 및 Metal 백엔드를 통해 최신 소비자 하드웨어 전반에 걸쳐 미세 조정을 지원한다고 밝혔습니다. 여기에는 Qualcomm Adreno 또는 ARM Mali GPU가 탑재된 Android 기기, Apple Silicon 기기, 그리고 AMD, Intel 또는 NVIDIA 하드웨어가 탑재된 표준 Windows 또는 Linux 시스템이 포함됩니다.
또한 모바일 GPU 메모리 제한에 대한 동적 타일링과 GPU 가속 및 마스크 손실 명령어 튜닝을 포함한 LoRA 워크플로에 대해서도 설명합니다.
만약 해당 워크플로가 외부 개발자 사용 환경에서도 검증된다면, 일반적인 오픈 소스 모델 배포 방식과의 차이점이 분명해질 것입니다. 모델 가중치는 한 계층이고, 지역 적응은 그 다음 계층이 됩니다.
MedPsy는 QVAC의 첫 번째 고난도 시험입니다.
MedPsy는 QVAC에 최초의 구체적인 모델 수준 검증 사례를 제공합니다. 5월 7일에 발표된 Hugging Face 기술 보고서에서는 QVAC MedPsy를 17억 및 40억 개의 매개변수를 처리하는 엣지 환경에 최적화된 텍스트 전용 의료 및 헬스케어 언어 모델 제품군으로 소개합니다.
이 주장은 간단하면서도 야심적입니다. 엄격하게 통제된 의료 데이터 후처리 과정을 통해 훈련된 소형 모델이 노트북, 고급 모바일 기기 및 스마트폰급 애플리케이션에서 사용 가능한 실용성을 유지하면서도 더 큰 규모의 의료 데이터 기반 모델보다 뛰어난 성능을 발휘할 수 있다는 것입니다.
논쟁의 핵심은 바로 수치입니다. QVAC에 따르면 MedPsy-1.7B는 7개의 폐쇄형 의료 벤치마크에서 62.62점을 기록했는데, 이는 크기가 절반도 안 되는 구글의 MedGemma-1.5-4B-it(51.20점)보다 높은 점수입니다.
또한 MedPsy-4B의 점수는 70.54로, MedGemma-27B-text-it의 69.95보다 약간 높지만 크기는 거의 7배 작다고 합니다.
HealthBench 및 HealthBench Hard에서 QVAC는 더 큰 격차를 보고했는데, 보고서에 나와 있는 CompassJudger 평가에서 MedPsy-4B는 74.00점과 58.00점을 기록한 반면 MedGemma-27B-text-it는 65.00점과 42.67점을 기록했습니다.
만약 이러한 결과가 독립적으로 재현된다면, QVAC의 핵심 명제, 즉 도메인 특화형, 에지 스케일 모델이 제약 조건이 많고 가치가 높은 범주에서 훨씬 더 큰 시스템에 도전할 수 있다는 명제를 뒷받침하게 될 것입니다.
훈련 레시피는 QVAC가 어떻게 경쟁할 계획인지도 보여줍니다. 보고서에 따르면 MedPsy는 Qwen3 백본을 사용하고, 의료 QA 작업에 다단계 지도 미세 조정 및 강화 학습을 적용합니다.
이 시스템은 실험 과정에서 3천만 개 이상의 합성 행을 생성했고, 2단계 커리큘럼을 사용했으며, 장문 추론 학습을 위한 단일 교사 모델로 Baichuan-M3-235B를 선택했습니다. QVAC는 또한 훈련 코퍼스가 아직 공개되지 않았다고 밝혔습니다. 이 단서 조항이 핵심입니다.
가장 강력한 공개 벤치마크 주장은 여전히 QVAC 자체에서 나오고 있지만, 오염, 적용 범위, 프롬프트 구성 및 교사 영향력을 완전히 조사하는 데 필요한 훈련 데이터는 아직 확보되지 않았습니다.
양자화 과정에서 에지 각도가 더 선명해집니다. QVAC는 llama.cpp 및 QVAC SDK용 GGUF 변형이 게시되었으며, Q4_K_M은 두 가지 MedPsy 크기 모두에서 평균 점수 손실이 1점 미만인 반면 파일 크기는 69% 감소한다고 밝혔습니다.
보고서는 크기와 품질의 균형을 고려하여 매트릭스 보정을 적용한 Q4_K_M을 권장합니다. 4B 모델은 2.72GB, 1.7B 모델은 1.28GB입니다. QVAC 모델 FAQ에서는 MedPsy가 텍스트 전용이며 영어로만 제공되고, 응급 상황에는 적합하지 않으며, 환각에 취약하고, 개발자가 애플리케이션 아키텍처 전반에 걸쳐 개인정보 보호를 철저히 준수해야 한다는 점을 경고합니다. 이러한 내용들이 기술 센터의 적절한 형태를 갖추게 해줍니다.
MedPsy는 의학에서 국소 추론을 선호하는 강력한 이유가 있기 때문에 유망한 기술입니다. 하지만 외부 연구자들이 벤치마크 사다리를 재현하고 실제 임상 워크플로우 제약 조건 하에서 테스트하기 전까지는 그 타당성이 입증되지 않았습니다.
해결되지 않은 갈등은 편의성과 통제력 사이의 대립이다.
로컬 AI와 클라우드 AI 논쟁은 대개 개인정보 보호와 성능 사이의 선택으로 여겨집니다. 하지만 QVAC는 이를 편의성과 제어력 사이의 선택으로 재해석합니다. 클라우드 AI는 편의성 측면에서 우위를 점합니다. 사용자는 앱을 열고, 명령어를 보내고, 답변을 받기만 하면 되며, 모델 가중치, 기기 메모리, 양자화, 임베딩, 런타임 호환성 등의 운영 부담에서 벗어날 수 있습니다.
서비스 제공업체가 복잡성을 처리합니다. 이러한 편리함은 강력한 장점이며, 중앙 집중식 AI 플랫폼이 그토록 빠르게 성장한 이유를 설명해 줍니다. 사용자는 최소한의 설정만으로 최첨단 기능을 활용할 수 있습니다.
QVAC는 개발자와 사용자에게 다른 보안 모델을 제공하는 대신 더 많은 책임을 요구합니다. 그 대가로 로컬 실행, 오프라인 작업, 데이터 노출 감소, API 접근 의존도 감소, 그리고 P2P 추론 및 모델 배포로의 전환 경로를 확보할 수 있습니다.
테더의 SDK 출시 발표에 따르면 QVAC 기반 앱은 연결 상태가 좋지 않은 환경에서도 계속 작동할 수 있으며, "인터넷이 끊어져도 AI는 계속 작동합니다." 2025년 QVAC 발표에서는 한 걸음 더 나아가 로컬 기기에서 직접 실행되는 AI 에이전트, 기기 간 협업을 위한 P2P 네트워킹, 그리고 AI 에이전트가 비트코인과 테더 USDT(USDT) 로 거래할 수 있도록 하는 WDK 통합에 대해 설명했습니다.
이것이 바로 테더(Tether) 핵심 주장입니다. 돈, 컴퓨팅, 그리고 자율 에이전트는 동일한 주권적 설계 패턴을 공유해야 한다는 것입니다.
탈중앙화라는 주장은 정확한 처리가 필요합니다. QVAC는 사용자가 모델을 다운로드하고 로컬에서 실행하며 민감한 데이터를 기기에 보관할 수 있을 때 추론 계층에서 의미 있는 탈중앙화를 이룬다고 할 수 있습니다.
호스팅 API보다 더 분산형입니다. 제공자가 더 이상 모든 프롬프트 내부에 상주하지 않기 때문입니다.
테더의 SDK 자료에 따르면, 이는 홀펀치 스택을 통해 위임 추론 및 분산형 모델 배포를 포함한 P2P 기본 요소를 추가합니다. 이는 중요한 설계상의 선택입니다.
거버넌스는 별도의 계층입니다. QVAC는 테더(Tether) 의 자금 지원, 명칭 부여, 조정 및 홍보를 받습니다. 핵심 애플리케이션, 모델 제품군, SDK 로드맵 및 "안정적인 인텔리전스" 언어는 모두 단일 기업 후원사에서 비롯되었습니다.
그러한 구조는 지역 우선이라는 가치 명제와 공존합니다. 이는 분권화 주장을 증거가 가장 강력한 곳으로 좁혀줍니다.
QVAC는 추론이 이루어질 수 있는 부분을 분산화합니다. 하지만 더 넓은 생태계에서는 기본 레지스트리, 릴리스 채널, 안전 규칙, 모델 포함 및 장기적인 거버넌스에 대한 분산 제어의 증거가 여전히 필요합니다.
복제가 다음 스레스홀드(Threshold) 입니다.
QVAC의 신뢰성은 이제 결과 재현성에 달려 있습니다. MedPsy의 결과가 QVAC 자체 평가 환경 외부에서도 재현된다면, 테더(Tether) 자사의 정보 비축 가설, 즉 민감한 영역에서 대규모 클라우드 기반 시스템과 경쟁할 수 있는 작고 개방적이며 로컬에 배포 가능한 모델에 대한 신뢰할 만한 첫 번째 사례를 확보하게 될 것입니다.
독립적인 테스트를 통해 벤치마크 격차가 좁혀지거나 역전된다면, QVAC는 여전히 인프라 관련 주장을 펼칠 수 있지만, 모델로서의 가치에 대한 주장은 설득력을 잃게 될 것입니다. 결국 이 싸움은 기술의 가장 오래된 원리, 즉 편의성이 권력을 집중시키고 통제는 노동을 강요한다는 논리로 귀결됩니다.
바로 이 지점에서 아시모프의 관점이 유용하게 작용합니다. 파운데이션 의 심리역사학은 스트레스 상황에 놓인 대규모 시스템을 다루었습니다. 테더의 심리역사학은 중앙집권화된 인프라에 초점을 맞추고 있습니다. 용어는 거창하고 기술적 증명은 아직 초기 단계이지만, 방향성은 명확합니다.
테더(Tether) 세계 최대 스테이블코인의 현금 흐름을 활용하여 로컬 실행, 피어 네트워크, 오픈 소스 도구 및 엣지 스케일 모델에 초점을 맞춘 AI 스택을 구축하고 있습니다. 이는 스테이블코인의 개념을 화폐에서 지능으로 확장하는 것입니다.
이제 문제는 스테이블코인 회사가 AI를 구축할 여력이 있느냐가 아닙니다. 테더(Tether) 분명히 그럴 능력이 있습니다.
핵심은 QVAC가 사용자들이 로컬 제어의 불편함을 감수할 만큼 충분히 강력한 모델과 인프라를 구축할 수 있는지 여부입니다.
MedPsy는 최초의 측정 가능한 스레스홀드(Threshold) 입니다. 독립적인 재현 연구를 통해 QVAC의 심리역사적 언어가 은유에 그칠지, 아니면 실제 엣지 AI 스택의 초기 작동 논리와 유사해질지가 결정될 것입니다.
