1. 개요
GDC 2026에서 크래프톤과 NVIDIA는 "Building a Co-Playable Character: PUBG Ally, an AI Teammate Powered by NVIDIA ACE" 세션을 공동 발표했다. 당시 공개한 버전은 workflow 기반 SLM 구조였다. 이후 Ally는 언어 모델의 역할이 응답 생성에서 도구 기반 의사결정으로 확장되는 자율 에이전트 구조로 발전했다.
이 글은 그 아키텍처 전환의 배경, 자율 에이전트 루프의 설계, 그리고 on-device 배포를 위해 Nemotron을 선택한 기준을 다룬다.
2. SLM Workflow의 확장
PUBG Ally의 SLM workflow가 어떻게 발전했는지 간략히 짚는다.
GDC에서 공개한 초기 버전은 workflow 기반 SLM 구조였다. 매 프레임의 빠른 제어는 Behavior Tree가 담당하고, 언어 모델은 발화와 상위 steerable command를 담당했다. 당시에는 이를 System 1 / System 2 구조로 설명했다. 잘 작동했지만, 진짜 팀메이트에 가까워지려면 System 2가 할 수 있는 것을 더 넓혀야 했다.
Ally가 진짜 팀메이트 경험을 지원하도록 확장되면서, 세 가지 역량이 필요해졌다.
- Proactivity — 명령 없이도 먼저 말을 거는 능력
- Memory — 지난 대화와 선호를 기억하는 능력
- Strategic Suggestion — 상황을 읽고 전략을 제안하는 능력
이 기능들이 추가되면서 workflow도 더 구조화되었다. 세 역량을 하나의 프롬프트에 모두 담기보다, 역할과 호출 패턴이 다른 전용 컴포넌트로 분리해 다루게 된 것이다.
역할을 분리한 가장 실용적인 이유는 프롬프트 공간과 레이턴시다. 하나의 프롬프트가 전부 담당하면 컨텍스트가 빠르게 포화된다. 각 컴포넌트가 자기 일만 하면 토큰 예산도, 호출 빈도도 따로 최적화할 수 있다.
GDC에서 발표한 내용은 여기까지다. Workflow는 "누가 무슨 역할을 맡는가"를 명확히 분리했다. 하지만 각 컴포넌트 안에서 어떻게 판단하고 행동하는가 — 이 부분은 아직 프롬프트와 정해진 흐름에 의존하고 있었다.
3. 자율 에이전트로 확장되며 달라진 것
핵심 변화는 언어 모델의 역할에 있다. 기존 workflow 구조에서는 시스템이 정해진 순서대로 각 컴포넌트를 호출했고, 언어 모델은 주어진 프롬프트에 대해 텍스트를 생성했다. 오케스트레이션의 주도권은 시스템에 있었다.
SLM의 역할이 확장되면서, 모델은 직접 어떤 tool을 부를지 고르고, 시스템이 실행한 결과를 보고, 다음에 뭘 할지 스스로 결정하게 되었다. 시스템으로부터 지시를 받는 대신, 모델이 의사결정 주체가 된 것이다. 이것이 핵심 전환이다.
핵심 기능과 자율 에이전트 루프
Ally가 사용하는 tool은 발화, 인식, 기억, 행동 영역에 걸쳐 있다. 실제 tool call이 어떻게 생겼는지 몇 가지 예시를 들면 다음과 같다:
모델은 매 상황마다 이 중에서 필요한 것만 골라 호출하고, 결과를 보고 다음 행동을 결정한다 — 이 과정을 응답이 완성될 때까지 반복한다. 때문에 tool calling 정확도와 결과 해석 능력, 그리고 여러 단계에 걸쳐 일관된 판단을 유지하는 능력이 모두 높아야 한다.
4. On-Device 배포를 위한 모델 선택: Nemotron
on-device SLM의 선택 기준은 명확했다.
- Multi-turn tool calling 정확도 — 여러 tool을 반복 호출하면서도 hallucination 없이 정확해야 한다.
- 같은 아키텍처 패밀리 내 Knowledge Distillation — LLM의 지식을 on-device까지 효율적으로 전달할 수 있어야 한다.
- 게임 엔진과의 통합 — LLM 추론과 그래픽 렌더링이 같은 GPU 위에서 충돌 없이 돌아야 한다.
NVIDIA Nemotron(Minitron) 계열과 NVIDIA 스택은 이 세 가지를 동시에 만족했다.
패밀리 내 Knowledge Distillation
학습 방식은 두 가지를 비교했다.
- (A) Direct SFT — 2B 모델이 LLM의 출력(hard label)에서 직접 배운다.
- (B) Knowledge Distillation — 8B 모델이 먼저 LLM에서 배우고, 2B가 그 8B의 probability distribution(soft label)에서 증류된다.
KD에서 teacher와 student가 같은 아키텍처 패밀리에 속하면 logit distribution의 전달이 훨씬 자연스럽다. Minitron 8B → Minitron 2B는 토크나이저, 어텐션 구조, 학습 코퍼스가 공유되기 때문에 soft label의 의미가 모델 경계를 넘어도 보존된다. 이 점이 다른 2B 후보들 대비 KD 경로에서 결정적인 이점이었다.
NVIDIA 스택의 실전 이점
IGI(In-Game Inferencing) SDK. 동일한 플러그인 API로 로컬 실행(GGML/CUDA 기반)과 클라우드 실행(NIM)을 자유롭게 스위칭할 수 있다. 개발 초기에는 LLM으로 아키텍처를 검증하고, 안정된 뒤 on-device Minitron으로 전환하는 과정이 API 한 줄 교체로 끝났다. 이 스위칭이 매끄럽지 않았다면 "LLM에서 설계하고 SLM으로 배포한다"는 전체 전략 자체가 성립하기 어려웠을 것이다.
CUDA in Graphics(CiG). CUDA 연산과 그래픽 렌더링을 같은 컨텍스트 안에서 실행. Ally는 한 사이클에 tool call을 3~5회 반복하기 때문에 — 매 호출마다 GPU 컨텍스트 스위칭이 줄어드는 효과가 누적된다.
On-Device SLM 배포 패턴 비교
크래프톤이 on-device SLM을 배포한 건 이번이 처음이 아니다. inZOI의 "스마트조이"는 Minitron 0.5B로 캐릭터 행동 선택, 내면 독백, 일일 회고 같은 추론 태스크를 처리했다. 두 배포는 풀어야 하는 문제가 다르지만, 그 차이가 on-device 모델에 요구되는 조건이 얼마나 달라질 수 있는지를 잘 보여준다.
| inZOI (스마트조이) | PUBG Ally | |
|---|---|---|
| Model | Minitron 0.5B | Minitron 2B (Q4_K_M) |
| Task | 단일 추론 (one-shot) | 반복적 다단계 추론 |
| Tool Use | 없음 | 있음 |
| Frequency | 이벤트당 1회 | 이벤트당 반복 처리 |
두 프로젝트 모두 Nemotron 패밀리와 NVIDIA IGI 스택 위에서 동작한다. on-device SLM으로 게임 안의 AI를 구동한다는 방향은 같다.
5. 정리
PUBG Ally의 핵심 아키텍처 변화는 하나의 구조가 다른 구조로 대체된 데 있지 않다. 핵심은 언어 모델의 역할이 응답 생성 중심의 workflow 컴포넌트에서, 도구를 선택하고 결과를 해석하며 다음 행동을 결정하는 자율 에이전트로 확장되었다는 점이다. 그 역할이 확장될수록, 모델에 요구하는 능력의 범위도 함께 넓어졌다.
이 자율 에이전트 루프를 플레이어 PC에서 구동하기 위해 Nemotron을 선택했다. Multi-turn tool-calling accuracy, 동일 패밀리 내 Knowledge Distillation, 그리고 IGI SDK와 CiG를 통한 게임 엔진 통합 — 이 세 조건을 Nemotron과 NVIDIA 런타임 스택이 충족했다.
PUBG Ally는 2026년 여름, PUBG의 새 아케이드 모드 베타를 통해 플레이어에게 공개될 예정이다.