세계 최초·19개 SOTA 경신…ACE ROBOTICS, 공간지능 범용 모델 ‘ACE-Brain-0’ 오픈소스 공개

최근 ACE ROBOTICS는 상하이교통대학교, 난양공과대학교, 홍콩중문대학교, 홍콩대학교 등 연구기관과 공동으로 공간지능을 기반 프레임워크로 삼고 서로 다른 구현지능 본체를 아우르는 범용 기반 모델‘ACE-Brain-0’을 출시했으며 이를 전 산업을 대상으로 공식 오픈소스로 공개했다.

ACE-Brain-0은 자동차, 로봇, 드론 등 서로 다른 본체 간 장벽을 처음으로 허물었다. 공간 인지, 자율주행, 저고도 감지, 로봇 상호작용을 관통하며, 물리 세계 지능의 기술적 기반 논리를 새롭게 정의했다.성능 측면에서 ACE-Brain-0은 공간 인지, 자율주행, 저고도 감지, 구현지능 상호작용을 포함한 24개 핵심 Benchmark 중 19개에서 현재 모델 기준 SOTA, 즉 1위 성적을 달성했다. 이는 시장의 주요 구현지능 모델을 전면적으로 크게 앞서는 결과다.

ACE-Brain-0은 주로 GPT-4o, Gemini 2.5-Pro, Qwen2.5-VL-7B-Inst, RoboBrain2.0-7B, MiMo-Embodied-7B 등 16개 유명 모델과 비교됐다. 그 결과 19개 Benchmark에서 구현지능 모델의 기존 최강 기준선 대비 정확도를 5%에서 최대 97.8%까지 상대적으로 향상시켰다. 특히 3차원 인지 능력을 평가하는 MindCube에서는 82.1%의 성적을 기록해 가장 우수한 오픈소스 모델인 InternVL3-8B 대비 97.8% 향상된 성능을 보였다.

현재 이 모델은 ACE ROBOTICS의 구현지능 슈퍼 브레인 모듈 A1에 적용됐다. 이를 통해 구현지능 슈퍼 브레인 A1을 탑재한 로봇개는 업계 최초의 엔드투엔드 자율 내비게이션 능력을 갖추게 됐다. 또한 VLA 아키텍처를 기반으로 클라우드 지능형 상호작용을 구현해, 로봇개가 추상적 명령을 이해하고, 복잡한 환경을 감지하며, 복잡한 과제를 수행하는 엔드투엔드 폐쇄형 능력을 갖추도록 했다.

도시 보도와 같은 복잡한 공공장소에서 ACE-Brain을 탑재한 로봇개는 뛰어난 내비게이션 및 VLA 능력을 보여준다. 예를 들어 이미지 기반 시나리오에서 “보행자와 오토바이 사이의 간격을 추정하고, 통과할 수 있는 충분한 공간이 있는지 판단하라”는 요구가 주어졌을 때 ACE-Brain은 로봇개가 세 가지 핵심 동작을 정확하게 수행하도록 지원한다.

먼저 공간 인지 능력을 바탕으로 보행자와 오토바이 사이의 간격을 약 0.5m로 정밀하게 정량화해 내비게이션 의사결정에 신뢰도 높은 근거를 제공한다. 또한 시각-언어 이해 능력을 통해 자연어 명령을 명확하게 해석하고, ‘보고-이해하고-판단하는’ 연속적인 상호작용을 구현한다. 별도의 맞춤형 명령 없이도 상황을 이해할 수 있는 것이다.

마지막으로 내비게이션 의사결정 과정에서는 통과 가능한 공간이 충분하다고 판단하는 동시에 ‘신중하게 전진하라’는 안전 제안까지 능동적으로 제시한다. 이를 통해 이동 효율과 공공 안전을 모두 고려하며, 복잡한 공공장소의 이동 수요에 적응할 수 있음을 보여준다.

ACE-Brain을 탑재한 로봇개는 전방 차량 등 장애물을 정밀하게 인식할 수 있다. 공간지능을 통해 도로 환경과 목표 위치를 감지하고 통행 위험을 사전에 예측해 “멈춘 뒤 안전하게 우회해야 한다”고 능동적으로 판단한다. 이를 통해 공간 인식과 목표 예측의 효율적인 협업을 실현하며 복잡한 도로 환경에서도 안정적인 이동 안전성을 보장한다.

이러한 능력은 로봇개가 혼잡한 인도나 복잡한 도로 환경과 같은 시나리오에서도 강력한 공간지능 기술 기반을 활용할 수 있게 한다. 3D 장면 모델링, 기하학적 관계 추론, 공간 위치 파악 등 핵심 역량을 통해 주변 환경을 정밀하게 인식할 수 있을 뿐만 아니라 자연어 상호작용을 통해 과제까지 이해할 수 있다.이를 바탕으로 안전하고 효율적인 자율 내비게이션을 구현하며, 공공 순찰, 긴급 대응 등 다양한 현장 시나리오에 신뢰도 높은 기술적 지원을 제공한다.

공간지능, 서로 다른 본체를 연결하는 ‘공통 언어’가 되다

다중 과제를 실현하기 위해 기존 방식은 모든 과제 데이터를 한데 섞어 모델을 학습시키고 모델이 스스로 그 안의 규칙을 깨닫기를 기대하는 식이었다. 반면 ACE-Brain의 접근 방식은 교육학에 더 가깝다. 먼저 모델이 ‘공간감’을 형성하도록 하고 세계 속의 앞뒤·좌우, 원근, 높낮이, 시점 변화, 위치 등 공간 기하 관계를 이해하게 한 뒤, 각기 다른 과제에서 필요한 구체적인 기술을 학습하도록 하는 것이다.

간단히 말하면 먼저 “세상을 어떻게 이해할 것인가”를 배우고, 그 다음 “관련 과제 동작을 어떻게 수행할 것인가”를 배우는 방식이다.

ACE ROBOTICS 팀은 자율주행 차량, 저고도 드론, 로봇이 형태는 크게 다르지만 모두 세 가지 핵심 공간 능력에 의존한다는 사실을 새롭게 발견했다. 바로 3차원 공간 구조 모델링, 기하학적 관계 추론, 장면 변화 예측이다.

이러한 공통성에 기반해 ACE ROBOTICS는 처음으로 공간지능을 서로 다른 구현지능 형태를 연결하는 ‘공통 언어’로 제시했다. 이는 서로 다른 물리적 영역을 연결하는 통합 인지 지지체가 되며, 범용 구현지능을 위한 하나의 통일된 기반을 제공한다.

통합된 공간지능 인지 지지체를 구축하기 위해 ACE-Brain-0은 공간 정보를 중심으로 한 멀티모달 자기회귀 아키텍처를 채택했다. 이를 통해 단일 시점 이미지부터 다중 시점 영상 시퀀스까지 인지 과정을 통합적으로 처리할 수 있다.

입력 계층에서는 단일 이미지, 다중 이미지, 영상 등 멀티모달 시각 데이터를 모두 지원하며, 자연어 명령을 과제 조건으로 결합해 모든 구현지능 시나리오의 입력 요구를 포괄한다.

표현 계층에서는 범용 비전 인코더를 통해 특정 분야에 종속되지 않는 공간 특징을 추출한다. 이후 MLP 프로젝터를 거쳐 언어모델이 이해할 수 있는 시각 토큰으로 매핑하고 이를 ‘범용, 공간, 주행, 항공, 구현지능’ 범주에 따라 조직함으로써 공간 정보가 구조적으로 표현되도록 한다.

추론 계층에서는 통합 LLM 디코더가 크로스모달 융합 추론을 수행한다. 이를 통해 공간 인지를 전이 가능한 통합 표현으로 변환하고 서로 다른 구현지능 시나리오의 지식이 공간 논리를 기반으로 자유롭게 흐를 수 있도록 한다.

이 설계의 핵심 장점은 특정 시나리오를 위해 별도의 전용 모듈을 설계할 필요가 없다는 점이다. 공간지능의 ‘범용 표현’만으로 도메인 간 지식의 자연스러운 전이를 실현하며 기존의 ‘하나의 시나리오에는 하나의 모델’이라는 전통적인 구현지능 연구개발 방식을 근본적으로 바꿔놓았다.

새로운 패러다임 구축, 크로스 본체 학습의 난제 해결

기존 크로스 도메인 학습은 두 가지 큰 어려움에 직면해 있었다.

첫째, 공동 학습은 그래디언트 간섭을 유발하기 쉬워 각 분야의 능력이 ‘희석’되는 문제가 발생한다. 둘째, 순차 학습은 재앙적 망각을 초래해 새로운 기술을 학습하는 과정에서 기존 능력을 잃는 문제가 나타난다.

ACE ROBOTICS는 업계 최초로 Scaffold-Specialize-Reconcile(SSR) 3단계 학습 패러다임을 제시했다. 이는 ‘먼저 공통 기반을 구축하고, 이후 전문 역량을 학습한 뒤, 마지막으로 지식을 융합하는’ 경로를 통해 이러한 모순을 효과적으로 해결한다.

먼저 Scaffold, 즉 프레임워크 구축 단계에서는 범용 공간 기반을 견고하게 다진다. ACE-Brain-0은 대규모 공간지능 데이터셋을 활용해 공간 전문가 모델을 학습시키고, 도메인에 종속되지 않는 3차원 인지 사전 지식을 구축한다. 이 단계는 모든 구현지능 역량을 위한 ‘공통 지반’을 마련하는 것과 같다. 이후 각 분야의 학습은 통합된 공간 인지 프레임워크를 기반으로 진행될 수 있어, 각 영역이 공간 개념을 처음부터 다시 학습해야 하는 반복적 부담을 피할 수 있다.

두 번째 단계인 Specialize, 즉 도메인 전문 학습 단계에서는 격리된 최적화와 전문 역량 강화를 실현한다. 공간 프레임워크를 기반으로 ACE-Brain-0은 자율주행 전문가, 로봇 전문가 등 분야별 모델을 각각 독립적으로 학습시킨다. 각 분야 전문가 모델은 자체 전용 데이터셋에서만 미세 조정되기 때문에 서로 다른 본체 데이터로 인한 그래디언트 충돌을 피할 수 있으며 각 영역이 충분한 전문 능력을 확보할 수 있도록 한다.

마지막 단계인 Reconcile, 즉 크로스 도메인 지식 조율 단계에서는 데이터와 무관한 파라미터 수준의 융합을 실현한다. ACE-Brain-0은 태스크 벡터 공간 정렬 기술을 통해 원본 학습 데이터 없이도 각 분야 전문가의 파라미터를 통합한다. 이를 통해 공동 학습에서 발생하는 최적화 간섭과 순차 학습에서 나타나는 재앙적 망각 문제를 동시에 해결한다.

4대 역량을 최초로 통합, ‘하나의 두뇌로 다양한 형태에 대응하는’ 사례 구축

ACE-Brain-0은 단일 모델 프레임워크 안에서 공간 인지, 자율주행, 저고도 감지, 로봇 상호작용이라는 4대 핵심 구현지능 역량을 처음으로 통합했다. 이번 돌파는 단순히 여러 능력을 ‘이어 붙인’ 것이 아니다. 공간지능을 기반으로 한 심층 융합의 결과이며, 그 기술적 핵심은 ‘공유 인지 구조’의 구축에 있다.

공간 중심 모델링을 통해 ACE-Brain-0은 서로 다른 구현지능 시나리오의 인지 논리를 통합했다. 자율주행에서의 ‘차간 거리 판단’과 로봇 상호작용에서의 ‘파지 거리 추정’은 동일한 공간 거리 추론 메커니즘을 공유한다. 또한 교통 시나리오의 ‘다중 시점 융합’과 로봇의 ‘다중 시각 물체 인식’은 같은 크로스뷰 공간 정렬 기술을 기반으로 한다.

이러한 ‘공유 인지 구조’는 모델이 서로 다른 관찰 시점, 운동 스케일, 과제 의미 사이를 자유롭게 전환할 수 있도록 한다. 이를 통해 크로스 도메인 이해와 추론 능력의 자연스러운 전이를 실현한다.

구현지능 모델 SOTA 19개 경신

ACE-Brain-0은 공간 인지, 자율주행, 저고도 감지, 구현지능 상호작용을 포함한 24개 핵심 Benchmark에서 GPT-4o, Gemini 2.5-Pro, Qwen2.5-VL-7B-Inst, RoboBrain2.0-7B, MiMo-Embodied-7B 등 16개 유명 모델과 비교 평가됐다. 그 결과, 현재 구현지능 모델 기준 19개 항목에서 SOTA, 즉 1위 성적을 달성했다.

또한 19개Benchmark에서 구현지능 모델의 기존 최강 기준선 대비 정확도를 5%에서 최대 97.8%까지 상대적으로 향상시키며, 톈궁, 베이징즈위안, 샤오미 등 시장의 주요 구현지능 모델을 전면적으로 뛰어넘었다.

공간 인지 분야

ACE-Brain-0은 공간 인지 분야의 7개 권위 Benchmark 평가에 참여했으며 구현지능 모델 진영에서 5개 SOTA를 달성했다. VSI(시각 공간지능), MMSI(멀티모달 공간지능), SITE(공간 언어 이해), SAT(공간 시점 변환), MindCube(제한 시점 3D 모델링)는 각각 서로 다른 차원의 핵심 공간 능력을 대표한다.

그중VSI(시각 공간지능)는 모델이 공간 배치, 물체 관계, 스케일을 이해하고 추론하는 능력을 종합적으로 평가한다. ACE-Brain-0은63.3%의 성적으로 구현지능 모델 중 선두를 기록하며, 공간 인지 능력의 범용성을 입증했다.

SAT(공간 시점 변환)는 서로 다른 시점에서 공간 배치를 재구성하는 능력을 평가한다. ACE-Brain-0은 92.0%의 성적을 기록했으며 현재 최고 구현지능 모델 대비 16.9% 향상된 성능을 보였다. 이는 시점 변화 환경에서도 뛰어난 공간 모델링 능력을 갖추고 있음을 보여준다.

MindCube(제한 시점 3D 모델링)는 제한된 시점 조건에서 3차원 심리 공간을 구축하는 능력을 평가한다. ACE-Brain-0은 82.1%의 성적으로 다른 구현지능 모델을 압도했으며, 폐쇄형 모델인 Gemini 2.5-Pro 대비 42.5%, 가장 우수한 오픈소스 모델인 InternVL3-8B 대비 97.8% 상대 향상을 달성했다. 이를 통해 가려짐과 시점 제한이라는 난제를 돌파했다.

（*표시는 위 모델을 기반으로 재현한 결과를 의미하며, 밑줄은 차우수 성능, 굵은 글씨는 최우수 성능을 의미한다.）

자율주행 분야

ACE-Brain-0은 MME-RealWorld(실제 주행 시나리오 이해), MAPLM(지도 및 도로 구조 이해), DriveAction(주행 행동 이해), NuscenesQA(다중 시점 동적 장면 이해), NuPlanQA(계획 및 교통 규칙 이해) 등 5개 자율주행 Benchmark에서 모두 선도적인 성능을 기록했다. 특히 실제 주행 시나리오 이해 능력을 평가하는 MME-RealWorld와 계획 추론 능력을 평가하는 NuPlanQA 등 핵심 역량에서 뚜렷한 향상을 달성했다.

그중MME-RealWorld(실제 주행 시나리오 이해)는 실제 교통 환경에서 모델의 멀티모달 주행 장면 이해 능력을 주로 평가한다. ACE-Brain-0은 71.2%의 성적으로 현재 가장 강력한 구현지능 브레인 모델 대비 18% 상대 향상된 성능을 보였다.

NuPlanQA(계획 및 교통 규칙 이해)는 자율주행 계획 과제에서 모델의 교통 신호 이해와 차량 상태 추론 능력을 중점적으로 평가한다. ACE-Brain-0은 91.7%의 성적을 기록했으며, 의사결정 정확도에서 모든 구현지능 모델 기준선을 넘어섰다. 또한 Pelican-VL-7B 모델 대비 약 10% 상대 향상된 성능을 달성했다.

（*표시는 위 모델을 기반으로 재현한 결과를 의미하며, 밑줄은 차우수 성능, 굵은 글씨는 최우수 성능을 의미한다.）

저고도 감지 분야

ACE-Brain-0은 UrbanVideo-Bench(도시급 드론 시나리오 이해), AirCopBench(공중 교통 관계 이해 및 다중 드론 시점 협업 이해), AVI-Math(공중 기하 추론 및 수치 계산), Airspatial-VQA(저고도 공간 시각 질의응답), HIRVQA(원격탐사 시각 질의응답) 등 5개 저고도 비전 Benchmark에서 모두 뚜렷하게 앞선 성능을 기록했다. 특히 UrbanVideo-Bench가 평가하는 도시급 드론 시나리오 이해 능력과 AirCopBench가 평가하는 공중 교통 관계 추론 능력 등 핵심 역량에서 큰 폭의 향상을 달성했다.

그중 UrbanVideo-Bench(도시급 드론 시나리오 이해)는 도시급 드론 영상에서 모델의 대규모 장면 이해와 랜드마크 인식 능력을 주로 평가한다. ACE-Brain-0은 56.9%의 성적으로 현재 가장 강력한 구현지능 브레인 모델 대비 51.7% 상대 향상된 성능을 보였다.

AirCopBench(공중 교통 관계 이해 및 다중 드론 시점 협업 이해)는 복잡한 도시 도로 위상 구조에서 모델의 공중 교통 모니터링과 차량 관계 추론 능력을 주로 평가한다. ACE-Brain-0은 70.3%의 성적으로 구현지능 모델 중 선두를 기록했으며 현재 가장 강력한 구현지능 브레인 모델 대비 35.4% 상대 향상된 성능을 달성했다.

AVI-Math(공중 기하 추론 및 수치 계산)는 드론 시점에서 모델이 기하 계산과 구조화된 수치 추론을 수행하는 능력을 주로 평가한다. ACE-Brain-0은 35.0%의 성적을 기록하며, 현재 가장 강력한 구현지능 브레인 모델보다 1.3%포인트 높은 성능을 보였다.

（*표시는 위 모델을 기반으로 재현한 결과를 의미하며, 밑줄은 차우수 성능, 굵은 글씨는 최우수 성능을 의미한다.）

구현지능 상호작용 분야

ACE-Brain-0은 RoboVQA(로봇 조작 이해), EmbSpatial(구현지능 공간 이해), EgoPlan-Bench2(구현지능 과제 계획), EB-Habitat(구현지능 내비게이션 이해) 등 4개 구현지능Benchmark에서 모두 안정적인 우위를 보였다. 특히 RoboVQA가 평가하는 로봇 조작 이해 등 핵심 역량에서 뚜렷한 돌파구를 마련했다.

RoboVQA(로봇 조작 이해)는 모델이 로봇 조작 행위와 물체 상호작용 과정을 얼마나 잘 이해하는지를 주로 평가한다. ACE-Brain-0은 64.6%의 성적으로 동급 모델을 크게 앞섰다.

EmbSpatial(구현지능 공간 이해)은 구현지능 환경에서 모델의 공간 관계 이해와 환경 구조 인지 능력을 주로 평가한다. ACE-Brain-0은 77.3%의 성적을 기록했으며, 현재 가장 강력한 구현지능 브레인 모델 대비 1%포인트 향상된 성능을 보였다.

EgoPlan-Bench2(구현지능 과제 계획)는 1인칭 시점의 복잡한 과제에서 모델의 장시간 과제 계획 능력을 주로 평가한다. ACE-Brain-0은 55.3%의 성적을 기록했으며 현재 가장 강력한 구현지능 브레인 모델 대비 1.9%포인트 향상됐다.

EB-Habitat(구현지능 내비게이션 이해)은 시뮬레이션 기반 구현지능 환경에서 모델의 내비게이션 의사결정과 전체 과제 완료 능력을 종합적으로 평가한다. ACE-Brain-0은 42.3%의 성적을 기록했으며 현재 가장 강력한 구현지능 브레인 모델 대비 2.3%포인트 향상된 성능을 달성했다.

（*표시는 위 모델을 기반으로 재현한 결과를 의미하며, 밑줄은 차우수 성능, 굵은 글씨는 최우수 성능을 의미한다.）

공유 공간지능, 구현지능의 새로운 세계관이 되다

하나의 모델과 하나의 파라미터 세트가 이처럼 다양한 과제에서 우수한 성능을 보였다는 점은 매우 의미가 크다. 이는 ‘공간 우선’이 단순히 보기 좋은 구호가 아니라 실제로 크로스 형태 학습 효과를 바꿀 수 있는 설계 원칙임을 보여준다.

특히 구현지능 상호작용에서 나타난 성능 곡선은 더욱 주목할 만하다. 왜 직접 학습할 때는 실패하고, 먼저 공간을 학습한 뒤에는 성공할 수 있었을까? 직관적으로 보면 지능체가 실제 세계를 마주할 때 행동 전략은 환경 구조에 대한 올바른 이해에 크게 의존하기 때문이다. 공간 관계조차 안정적으로 학습하지 못한다면, 이른바 ‘구현지능 역량’은 쉽게 표면적인 모방에 그칠 수 있다. 반대로 공유 가능한 공간 골격을 먼저 익힌 뒤 구체적인 동작을 학습하면, 마치 지도를 먼저 읽는 법을 익힌 뒤 운전을 배우는 것처럼 많은 문제가 자연스럽게 해결될 수 있다.

더 중요한 점은 보고서가 ‘실험적으로 가능하다’는 수준에 머무르지 않고 왜 공간이 실제로 공통 기반이 되기에 적합한지를 설명하려 한다는 것이다. 부록의 이론 부분에서 보고서는 이 아이디어를 ‘복원 가능한 공간scaffold’로 형식화했다. 즉 모델의 내부 표현 안에는 형태와 무관한 공유 기하 변수가 존재해야 하며 이 변수는 3차원 배치, 상대 위치와 자세, 깊이, 위상 구조 등의 정보를 담고 있어야 한다는 것이다.

학습 이후 이 공유 변수가 안정적으로 ‘디코딩’될 수 있다면, 그것은 더 이상 모호한 특징에 머무르지 않는다. 서로 다른 신체 형태에서도 재사용할 수 있는 공간 핵심으로 작동하게 된다. 이론은 나아가 이후 각기 다른 시스템이 학습해야 하는 것은 각자의 신체에 특화된 감지, 동역학, 제어 요소이며, 기하학적 세계를 매번 처음부터 다시 학습할 필요는 줄어든다고 설명한다.

이 이론은 하나의 근본적인 질문에 답한다. 왜 하필 ‘공간’인가? 공간은 일반적인 과제 중 하나가 아니라, 모든 물리 지능이 공통으로 의존하는 좌표계에 가깝기 때문이다. 자동차가 차선 안에서 앞뒤와 좌우를 판단할 때도, 드론이 조감 시점에서 도로 관계를 추론할 때도, 로봇이 방 안에서 물체의 위치를 판단할 때도, 먼저 내부적인 ‘공간 지도’가 필요하다.

ACE-Brain-0은 바로 이러한 ‘내부 지도’를 암묵적 가정이 아니라 방법론 설계의 출발점으로 끌어올렸다.

이 기술 경로의 선도성은 현재 구현지능 AI가 직면한 핵심 난제를 해결했다는 데만 있지 않다. 더 나아가 미래 범용 물리 세계 지능 연구개발을 위한 재사용 가능한 기반 프레임워크를 제시했다는 점에 있다.

ACE-Brain이 진정으로 흥미로운 이유는 특정 점수에서 어떤 모델을 앞섰기 때문만은 아니다. 그것은 ‘범용 구현지능’이 어디서부터 출발해야 하는가를 다시 정의했다. 과거 우리는 흔히 ‘범용’을 하나의 모델이 많은 과제를 수행할 수 있다는 의미로 이해했다. 그러나ACE-Brain은 또 다른 가능성을 보여준다. 진정한 ‘범용성’은 과제 목록을 계속 늘리는 것이 아니라, 이들 과제 뒤에 존재하는 공유 구조를 먼저 찾는 데 있을 수 있다. 그리고 ACE-Brain이 제시한 답은 바로 공간이다.

ACE-Brain은 새로운 구현지능 세계관을 제안한다. 서로 다른 신체는 반드시 처음부터 따로 학습할 필요가 없다. 먼저 세계에 대한 공유 공간 이해를 함께 구축하고 그 기반 위에서 각자의 능력을 발전시킬 수 있다.

미래의 구현지능체는 더 이상 단일 형태에 맞춘 모델을 매번 별도로 설계할 필요가 없을 수 있다. ACE-Brain의 공간지능 기반을 활용하면 새로운 물리적 본체와 응용 시나리오에 빠르게 적응할 수 있다. 자율주행부터 저고도 경제, 산업용 로봇부터 가정 서비스 기기까지ACE-Brain은 실제 물리 세계의 다양한 시나리오를 아우르는 플랫폼 잠재력을 보여준다.

해당 기술 성과는 아래에서 확인할 수 있다.

논문:
https://arxiv.org/abs/2603.03198

프로젝트 페이지:
https://ace-brain-team.github.io/ACE-Brain-0

코드:
https://github.com/ACE-BRAIN-Team/ACE-Brain-0

Hugging Face:
https://huggingface.co/ACE-Brain/ACE-Brain-0-8B