🔗 원문 전체 보기 → Venturesquare.net
요약
팀스파르타가 인터넷 연결 없이 코드 생성과 검토, 빌드·테스트·배포를 수행하는 폐쇄망 AI 코딩 에이전트 ‘AX 포트리스’를 공개했다. 제품에는 K-AX 스파르탄 122B가 탑재됐으며 최대 100만 토큰의 컨텍스트와 초당 50토큰 수준의 응답을 지원한다. 실제 경쟁력은... The post 소스코드 외부 전송 없이 AI 코딩…팀스파르타, ‘AI 서밋 서울 2026’서 AX 포트리스 공개 appeared first on 벤처스퀘어.
본문
- 인터넷 차단 워크스테이션에서 코드 생성·검토부터 빌드·테스트·배포까지 시연
- 자체 모델 ‘K-AX 스파르탄 122B’ 탑재…1M 컨텍스트·초당 50토큰 응답 지원
생성형 AI 코딩 도구는 개발 속도를 높일 수 있지만 대부분 외부 클라우드와 통신하는 방식으로 작동한다. 개발자가 입력한 명령과 내부 소스코드가 외부 서버로 전송되기 때문에 망분리 규정을 적용하는 공공·금융·국방·의료기관은 도입에 제약을 받는다. 이러한 조직에서 AI 코딩 에이전트를 활용하려면 모델부터 코드 분석과 실행 환경까지 내부 인프라에서 운영해야 한다. 팀스파르타가 인터넷 연결 없이 코드 생성과 검토, 빌드·테스트·배포를 수행하는 폐쇄망 코딩 에이전트 ‘AX 포트리스’를 공개했다.
AI 업스킬링 기업 팀스파르타는 지난 19일 서울 코엑스에서 열린 ‘AI 서밋 서울 & 엑스포 2026’에 참가해 폐쇄망 기반 AI 코딩 에이전트 ‘AX 포트리스(AX Fortress)’를 시연했다.
AI 서밋 서울은 디엠케이글로벌과 코엑스, 한국무역협회가 공동 주최하는 AI 행사다. 올해 행사에는 기업의 생성형 AI 도입과 AI 에이전트, 산업별 활용 사례 등을 주제로 한 전시와 콘퍼런스가 마련됐다.
팀스파르타는 행사장에 인터넷 연결을 차단한 워크스테이션을 설치했다. 방문자가 개발 과제를 입력하면 AX 포트리스가 코드를 생성하고 자동완성·검토한 뒤 빌드와 테스트, 배포 과정까지 수행하도록 체험존을 구성했다.
AX 포트리스는 외부 통신을 차단한 온프레미스 패키지 형태로 제공된다. 기업 내부 서버나 워크스테이션에 모델과 코딩 에이전트를 함께 설치해 개발자의 명령과 소스코드가 외부 클라우드로 전송되지 않도록 설계했다.
지원 기능은 코드 자동완성과 함수 생성, 리팩토링, 코드 검토, 레거시 시스템 분석 등이다. 에이전트가 개발 환경과 연결되면 코드 작성 이후 빌드와 테스트 결과를 확인하고 오류를 수정하는 작업도 수행한다. 조직 내부의 코드와 개발 규칙을 활용해 전용 AI 개발 환경을 구성할 수도 있다.
AX 포트리스에는 팀스파르타가 개발한 1220억 파라미터 규모 언어모델 ‘K-AX 스파르탄 122B’가 탑재됐다. 회사에 따르면 최대 100만 개 토큰의 컨텍스트를 지원해 A4 문서 약 1500장에 해당하는 내용을 한 번에 분석할 수 있다. 다만 실제 처리할 수 있는 문서 분량은 코드와 문서의 언어, 토큰 변환 방식에 따라 달라질 수 있다.
응답 속도는 초당 50토큰 수준이며 워크스테이션 한 대를 기준으로 코드 자동완성 응답 시간이 0.3초 미만으로 측정됐다는 것이 회사 측 설명이다. 파이썬 코딩 성능은 함수 호출 능력을 평가하는 BFCL V4에서 95.25%를 기록했다.
팀스파르타는 사용량에 따른 API 비용이 추가되지 않는 점도 강조했다. 조직 내부 인프라에 모델을 설치하기 때문에 개발자가 이용할 때마다 토큰 비용이 발생하는 클라우드 API와는 비용 구조가 다르다. 이용 인원이 많은 조직은 일정한 서버 운영비를 기준으로 예산을 설계할 수 있다.
자체 모델 기술을 검증하기 위해 개발한 초경량 모델 ‘K-AX 스파르탄 체리 1.8B’는 과학기술정보통신부와 한국지능정보사회진흥원(NIA)이 운영하는 AI-Hub K-AI 리더보드의 HLE(Ko) 평가에서 0.123점을 기록했다. 현재 공개된 리더보드에서는 국내 모델 가운데 가장 높은 점수다.
HLE(Ko)는 과학과 수학, 인문학 등 여러 분야의 고난도 문제를 한국어로 제시해 모델의 추론 능력을 평가하는 지표다. 팀스파르타가 공개한 1.8B 모델은 같은 평가에서 0.073점을 기록한 차순위 모델을 앞섰다.
다만 리더보드에 제출된 모델은 AX 포트리스에 탑재된 122B 모델이 아니라 1.8B 초경량 모델이다. 해당 점수는 팀스파르타의 경량 모델 개발 능력을 확인할 수 있는 지표지만 AX 포트리스의 코드 생성과 레거시 분석 성능을 직접 입증하는 수치로 해석하기는 어렵다. 제품 도입 단계에서는 실제 사내 코드와 개발 과제를 활용한 별도의 검증이 필요하다.
성능보다 운영 조건…하드웨어·업데이트·감사체계가 도입 변수
폐쇄망 AI의 장점은 데이터가 조직 밖으로 나가는 경로를 줄일 수 있다는 점이다. 반면 모델을 실행할 GPU 서버와 저장장치, 전력·냉각 설비를 조직이 직접 마련하고 운영해야 한다. 122B 규모 모델의 실제 구동에 필요한 하드웨어 구성과 동시 이용자 수, 응답 속도, 장애 대응 방식은 도입 비용에 직접적인 영향을 준다.
사용량에 따른 토큰 과금이 없더라도 전체 비용을 판단할 때는 서버 구매·임차비와 설치, 유지관리, 모델 업데이트 비용을 함께 계산해야 한다. 이용자가 늘어나면 동시 요청을 처리하기 위한 추가 장비가 필요할 수 있으며 조직별 보안 정책에 맞춘 구축과 검증에도 시간이 들어간다.
모델과 개발도구를 최신 상태로 유지하는 방식도 중요하다. 인터넷에서 분리된 환경에서는 새로운 프로그래밍 언어와 라이브러리, 보안 취약점 정보, 모델 패치를 내부망으로 반입하는 별도 절차가 필요하다. 업데이트 주기가 길어지면 AI가 오래된 코드나 패키지를 제안할 가능성도 커진다.
기존 개발 체계와의 연동도 확인해야 한다. 소스코드 저장소와 IDE, 빌드 서버, CI/CD 파이프라인, 이슈 관리 시스템에 AX 포트리스를 연결할 때 개발자별 접근 권한과 실행 범위를 통제해야 한다. AI가 생성하거나 수정한 코드와 명령, 테스트 결과를 기록해 누가 어떤 작업을 승인했는지 추적할 수 있는 감사 로그도 요구된다.
보안 측면에서는 외부 전송 차단과 함께 내부 권한 관리가 중요하다. 모든 개발자가 조직 전체의 코드를 AI를 통해 검색할 수 있게 되면 기존 접근 권한이 무력화될 수 있다. 프로젝트와 조직별로 AI가 읽고 수정할 수 있는 저장소를 제한하고, 자동 배포나 명령 실행에는 별도 승인 절차를 적용할 필요가 있다.
이범규 팀스파르타 대표는 “생성형 AI를 도입하고 싶어도 보안 규제로 적용하지 못했던 기업과 기관들이 폐쇄망에서도 높은 수준의 AI 성능을 경험할 가능성을 확인한 자리였다”며 “보안이 중요한 산업이 AI 전환을 현실화할 수 있도록 지원하겠다”고 말했다.
팀스파르타는 공공·보안·금융·의료 분야 기업과 AX 포트리스의 기술 검토 및 도입 협의를 추진할 계획이다. 이들 산업은 소스코드와 개발 문서, 고객 데이터의 외부 전송을 엄격하게 관리하는 만큼 폐쇄망 코딩 에이전트의 주요 수요처로 꼽힌다.
실제 도입 성과는 벤치마크 점수보다 개발 현장의 지표로 확인될 전망이다. 기존 프로젝트의 코드를 얼마나 정확하게 이해하는지, AI가 제안한 코드의 채택률과 테스트 통과율이 어느 정도인지, 개발 시간과 오류 수정 시간이 얼마나 줄었는지를 측정해야 한다. AX 포트리스가 보안 요건을 지키면서 업데이트와 권한 통제, 기존 개발 체계 연동까지 안정적으로 해결한다면 폐쇄망 조직도 클라우드 기반 코딩 에이전트와 유사한 개발 경험을 내부에서 구축할 수 있다.
Like this:
Like Loading...Related
AI Coding Without External Source Code Transmission… Team Sparta Unveils AX Fortress at 'AI Summit Seoul 2026'
Generative AI coding tools can accelerate development speed, but most operate by communicating with external clouds. Since commands entered by developers and internal source code are transmitted to external servers, public, financial, defense, and medical institutions subject to network separation regulations face restrictions on adoption. To utilize AI coding agents in such organizations, operations—from models to code analysis and execution environments—must be run on internal infrastructure. Team Sparta has unveiled 'AX Fortress,' a closed-network coding agent that performs code generation, review, building, testing, and deployment without an internet connection.
AI upskilling company Team Sparta participated in the 'AI Summit Seoul & Expo 2026' held at COEX in Seoul on the 19th and demonstrated its closed-network-based AI coding agent 'AX Fortress'.
AI Summit Seoul is an AI event jointly hosted by DMK Global, COEX, and the Korea International Trade Association. This year's event features exhibitions and conferences on topics such as the adoption of generative AI by companies, AI agents, and industry-specific use cases.
Team Sparta installed workstations with internet connections blocked at the event venue. They configured an experience zone where, when a visitor inputs a development task, AX Fortress generates code, auto-completes and reviews it, and then performs the build, test, and deployment processes.
AX Fortress is provided as an on-premises package that blocks external communication. It is designed so that the model and coding agent are installed together on internal corporate servers or workstations, preventing developers' commands and source code from being transmitted to the external cloud.
Supported features include code auto-completion, function generation, refactoring, code review, and legacy system analysis. Once the agent connects to the development environment, it also performs tasks such as checking build and test results after code is written and fixing errors. It is also possible to configure a dedicated AI development environment by utilizing the organization's internal code and development rules.
AX Fortress is equipped with 'K-AX Spartan 122B,' a 122 billion parameter language model developed by Team Sparta. According to the company, it supports context for up to 1 million tokens, allowing it to analyze content equivalent to approximately 1,500 pages of A4 documents at once. However, the actual volume of documents that can be processed may vary depending on the code, the language of the document, and the token conversion method.
The company explained that the response speed is at the level of 50 tokens per second, and the code auto-completion response time was measured at less than 0.3 seconds based on a single workstation. Python coding performance recorded 95.25% in BFCL V4, which evaluates function call capabilities.
Team Sparta also emphasized that there are no additional API costs based on usage. Because the model is installed on the organization's internal infrastructure, the cost structure differs from cloud APIs, where token costs are incurred every time a developer uses it. Organizations with a large number of users can design their budgets based on fixed server operating costs.
The ultra-lightweight model 'K-AX Spartan Cherry 1.8B', developed to verify proprietary model technology, recorded a score of 0.123 in the HLE(Ko) evaluation of the AI-Hub K-AI Leaderboard operated by the Ministry of Science and ICT and the National Intelligence Society Agency (NIA). This is the highest score among domestic models on the currently available leaderboard.
HLE(Ko) is an indicator that evaluates a model's reasoning ability by presenting high-difficulty problems in Korean across various fields, including science, mathematics, and humanities. The 1.8B model released by Team Sparta outperformed the next-ranked model, which scored 0.073 points in the same evaluation.
However, the model submitted to the leaderboard is the 1.8B ultra-lightweight model, not the 122B model installed in the AX Fortress. While this score serves as an indicator of Team Sparta's lightweight model development capabilities, it is difficult to interpret it as a direct verification of the AX Fortress's code generation and legacy analysis performance. Separate verification using actual in-house code and development projects is required during the product adoption phase.
Operating conditions over performance… Hardware, updates, and auditing systems are adoption variables
The advantage of closed-network AI is that it can reduce the paths data takes to leave the organization. On the other hand, the organization must directly provide and operate the GPU servers, storage devices, and power and cooling facilities to run the models. The hardware configuration, number of concurrent users, response speed, and fault handling methods required to actually run a 122B-scale model have a direct impact on the implementation cost.
Even without usage-based token billing, server purchase and rental costs, as well as installation, maintenance, and model update expenses, must be calculated together when determining total costs. As the number of users increases, additional equipment may be required to handle concurrent requests, and deployment and verification tailored to each organization's security policies also take time.
The method of keeping models and development tools up to date is also important. In an environment isolated from the internet, a separate procedure is required to bring new programming languages and libraries, security vulnerability information, and model patches into the internal network. If the update cycle is extended, the likelihood of the AI suggesting outdated code or packages also increases.
Integration with existing development systems must also be verified. When connecting AX Fortress to source code repositories, IDEs, build servers, CI/CD pipelines, and issue management systems, access rights and execution scopes must be controlled for each developer. Audit logs are also required to record code, commands, and test results generated or modified by AI, enabling tracking of who approved which tasks.
From a security perspective, internal permission management is crucial alongside blocking external transmissions. If all developers are able to search the entire organization's code via AI, existing access rights could be rendered ineffective. It is necessary to restrict the repositories that AI can read and modify on a project and organizational basis, and to apply separate approval procedures for automated deployments or command executions.
Lee Beom-gyu, CEO of Team Sparta, stated, “This was an opportunity to confirm the potential for companies and institutions that wanted to adopt generative AI but were unable to do so due to security regulations to experience high-level AI performance even within closed networks,” adding, “We will support industries where security is critical to realize their AI transformation.”
Team Sparta plans to pursue technical reviews and adoption discussions for AX Fortress with companies in the public, security, finance, and medical sectors. These industries are considered major demand centers for closed-network coding agents, as they strictly manage the external transmission of source code, development documentation, and customer data.
The actual performance of implementation is expected to be verified by metrics from the development field rather than benchmark scores. It is necessary to measure how accurately existing project code is understood, the adoption rate and test pass rate of code proposed by the AI, and how much development and error correction time have been reduced. If AX Fortress can reliably handle updates, access control, and integration with existing development systems while adhering to security requirements, even closed-network organizations can establish an in-house development experience similar to cloud-based coding agents.
ソースコード外部転送なしでAIコーディング…チームスパルタ、「AIサミットソウル2026」でAXポートレス公開
生成型AIコーディングツールは開発を高速化できますが、ほとんどが外部クラウドと通信する方法で動作します。開発者が入力した命令と内部ソースコードが外部サーバに送信されるため、網分離規定を適用する公共・金融・国防・医療機関は導入に制約を受ける。これらの組織でAIコーディングエージェントを利用するには、モデルからコード分析と実行環境まで、内部インフラストラクチャで運営する必要があります。チームスパルタがインターネット接続なしでコード生成と検討、ビルド・テスト・配布を遂行する閉鎖網コーディングエージェント「AXポートレス」を公開した。
AIアップスキリング企業チームスパルタは19日、ソウルCOEXで開かれた「AIサミットソウル＆エキスポ2026」に参加し、閉鎖網ベースのAIコーディングエージェント「AX Fortress」を実演した。
AIサミットソウルは、D-MのグローバルとCOEX、韓国貿易協会が共同主催するAIイベントだ。今年のイベントには、企業の生成型AI導入とAIエージェント、産業別活用事例などをテーマにした展示とカンファレンスが設けられた。
チームスパルタはイベント会場にインターネット接続を遮断したワークステーションを設置した。訪問者が開発課題を入力すると、AXポートレスがコードを生成して自動完成・検討した後、ビルドとテスト、配布過程まで行うように体験ゾーンを構成した。
AXポートレスは、外部通信を遮断したオンプレミスパッケージの形態で提供される。企業の内部サーバーやワークステーションにモデルとコーディングエージェントを一緒にインストールし、開発者のコマンドとソースコードが外部クラウドに転送されないように設計した。
サポート機能は、コード自動補完と関数生成、リファクタリング、コードレビュー、レガシーシステム分析などです。エージェントが開発環境に関連付けられている場合は、コードの作成後にビルドとテスト結果を確認し、エラーを修正する作業も実行します。組織内部のコードと開発ルールを活用して専用のAI開発環境を構成することもできる。
AXポートレスには、チームスパルタが開発した1220億パラメータ規模の言語モデル「K-AXスパルタン122B」が搭載された。同社によると、最大100万個のトークンのコンテキストをサポートし、A4文書約1500枚に該当する内容を一度に分析できる。ただし、実際に処理できる文書分量は、コードと文書の言語、トークン変換方式によって異なります。
応答速度は毎秒50トークンレベルで、ワークステーション1台を基準にコード自動完成応答時間が0.3秒未満と測定されたというのが会社側の説明だ。 Pythonのコーディングパフォーマンスは、関数呼び出し能力を評価するBFCL V4で95.25％を記録しました。
チームスパルタは、使用量に応じたAPIコストが追加されない点も強調した。組織の内部インフラストラクチャにモデルをインストールするため、開発者が利用するたびにトークンコストが発生するクラウドAPIとはコスト構造が異なります。利用者の多い組織は、一定のサーバー運営費に基づいて予算を設計することができる。
独自のモデル技術を検証するために開発した超軽量モデル「K-AXスパルタンチェリー1.8B」は、科学技術情報通信部と韓国知能情報社会振興院（NIA）が運営するAI-Hub K-AIリーダーボードのHLE（Ko）評価で0.123点を記録した。現在公開されているリーダーボードでは国内モデルの中で最も高い点数だ。
HLE(Ko)は科学と数学、人文学など様々な分野の高難度問題を韓国語で提示してモデルの推論能力を評価する指標だ。チームスパルタが公開した1.8Bモデルは、同じ評価で0.073点を記録した順位モデルを上回った。
ただし、リーダーボードに提出されたモデルは、AXポートレスに搭載された122Bモデルではなく、1.8B超軽量モデルだ。このスコアはチームスパルタの軽量モデル開発能力を確認できる指標だが、AXポートレスのコード生成とレガシー分析性能を直接立証する数値と解釈することは難しい。製品導入段階では、実際の社内コードと開発課題を活用した個別の検証が必要である。
性能より動作条件…ハードウェア・アップデート・監査システムが導入変数
閉鎖ネットワークAIの利点は、データが組織から出る経路を減らすことができることです。一方、モデルを実行するGPUサーバーとストレージ装置、電力・冷却設備を組織が直接設けて運営しなければならない。 122B規模モデルの実際の駆動に必要なハードウェア構成と同時ユーザー数、応答速度、障害対応方式は導入コストに直接的な影響を与える。
使用量に応じたトークン課金がなくても全体費用を判断するときは、サーバーの購入・賃借費と設置、メンテナンス、モデル更新費用を一緒に計算しなければならない。利用者が増えると、同時要求を処理するための追加装備が必要になることがあり、組織別のセキュリティポリシーに合わせた構築と検証にも時間がかかる。
モデルと開発ツールを最新の状態に保つ方法も重要だ。インターネットから分離された環境では、新しいプログラミング言語とライブラリ、セキュリティ脆弱性情報、モデルパッチを内部ネットワークにインポートするための別々の手順が必要です。アップデートサイクルが長くなると、AIが古いコードやパッケージを提案する可能性も大きくなる。
既存の開発体系との連動も確認しなければならない。ソースコードリポジトリとIDE、ビルドサーバー、CI / CDパイプライン、および問題管理システムにAXポートレスを接続するときは、開発者固有のアクセス権と実行範囲を制御する必要があります。 AIが生成または修正したコードやコマンド、テスト結果を記録し、誰がどのタスクを承認したかを追跡できる監査ログも要求される。
セキュリティの観点からは、外部の転送をブロックするとともに、内部権限の管理が重要です。すべての開発者が組織全体のコードをAIで検索できるようになると、既存のアクセス権が無効になる可能性があります。プロジェクトと組織ごとにAIが読み込み、変更できるリポジトリを制限し、自動展開やコマンド実行には別途承認手順を適用する必要がある。
イ・ボムギュチームスパルタ代表は「生成型AIを導入したくてもセキュリティ規制で適用できなかった企業と機関が閉鎖網でも高いレベルのAI性能を経験する可能性を確認した場所だ」とし「セキュリティが重要な産業がAI転換を現実化できるように支援する」と話した。
チームスパルタは、公共・セキュリティ・金融・医療分野企業とAXポートレスの技術検討及び導入協議を推進する計画だ。これらの産業は、ソースコードと開発文書、顧客データの外部伝送を厳密に管理するだけに、閉鎖網コーディングエージェントの主要需要地に挙げられる。
実際の導入成果は、ベンチマークスコアより開発現場の指標として確認される見通しだ。既存のプロジェクトのコードをどれだけ正確に理解するか、AIが提案したコードの採用率とテストパス率がどれくらいか、開発時間とエラー修正時間がどれだけ短いかを測定する必要があります。 AX Fortressがセキュリティ要件を守り、アップデートと権限制御、既存の開発体制連動まで安定的に解決すれば、閉鎖網組織もクラウドベースのコーディングエージェントと同様の開発経験を内部で構築することができる。
无需外部源代码传输即可进行AI编码……Team Sparta在“2026首尔人工智能峰会”上发布AX Fortress
生成式人工智能编码工具可以加快开发速度，但大多数工具需要与外部云平台通信才能运行。由于开发人员输入的命令和内部源代码都会传输到外部服务器，因此受网络隔离法规约束的公共机构、金融机构、国防机构和医疗机构在采用此类工具时会面临诸多限制。为了在这些机构中使用人工智能编码代理，从模型到代码分析和执行环境的所有操作都必须在内部基础设施上运行。Team Sparta 推出了“AX Fortress”，这是一款闭路网络编码代理，无需互联网连接即可执行代码生成、审查、构建、测试和部署。
AI技能提升公司Team Sparta参加了19日在首尔COEX举办的“AI Summit Seoul & Expo 2026”，并展示了其基于封闭网络的AI编码代理“AX Fortress”。
首尔人工智能峰会是由DMK Global、COEX和韩国国际贸易协会联合主办的人工智能盛会。今年的峰会将举办展览和会议，主题涵盖企业如何采用生成式人工智能、人工智能代理以及行业特定应用案例等。
Team Sparta 在活动场地安装了网络连接被屏蔽的工作站。他们配置了一个体验区，当访客输入开发任务时，AX Fortress 会生成代码，自动完成并审查代码，然后执行构建、测试和部署流程。
AX Fortress 是一款本地部署软件包，可阻断外部通信。它的设计理念是将模型和编码代理一起安装在企业内部服务器或工作站上，从而防止开发人员的命令和源代码传输到外部云端。
支持的功能包括代码自动补全、函数生成、重构、代码审查和遗留系统分析。代理连接到开发环境后，还能执行诸如代码编写完成后检查构建和测试结果以及修复错误等任务。此外，还可以利用组织内部的代码和开发规则配置专用的 AI 开发环境。
AX Fortress 搭载了由 Team Sparta 开发的拥有 1220 亿个参数的语言模型“K-AX Spartan 122B”。据该公司称，该模型支持高达 100 万个词元的上下文信息，使其能够一次性分析相当于约 1500 页 A4 文档的内容。然而，实际可处理的文档量可能因代码、文档语言和词元转换方法而异。
该公司解释说，响应速度达到每秒 50 个令牌，基于单台工作站测得的代码自动补全响应时间小于 0.3 秒。在评估函数调用能力的 BFCL V4 测试中，Python 编码性能得分为 95.25%。
斯巴达团队还强调，API 的使用不产生额外费用。由于该模型部署在组织内部基础设施上，其成本结构与云 API 不同，云 API 每次开发者使用都会产生令牌费用。用户数量庞大的组织可以根据固定的服务器运营成本来制定预算。
为验证自主研发的模型技术而开发的超轻量级模型“K-AX Spartan Cherry 1.8B”在由韩国科学技术信息通信部和国家情报院（NIA）联合运营的AI-Hub K-AI排行榜的HLE(Ko)评估中取得了0.123的成绩，是目前该排行榜上所有国产模型中的最高分。
HLE(Ko) 指标通过呈现涵盖科学、数学和人文等各个领域的高难度韩语问题来评估模型的推理能力。斯巴达团队发布的 18 亿模型在该项评估中表现优于排名第二的模型，后者仅获得 0.073 分。
然而，提交到排行榜的模型是18亿的超轻量级模型，而非AX Fortress中安装的122亿模型。虽然该分数可以作为Team Sparta轻量级模型开发能力的指标，但很难将其直接解读为AX Fortress代码生成和遗留系统分析性能的验证。在产品应用阶段，还需要使用实际的内部代码和开发项目进行单独验证。
运行条件比性能更重要……硬件、更新和审计系统都是影响采用情况的因素。
封闭网络人工智能的优势在于可以减少数据离开组织机构的路径。但另一方面，组织机构必须直接提供并运营运行模型所需的GPU服务器、存储设备以及电力和冷却设施。实际运行1220亿级模型所需的硬件配置、并发用户数、响应速度和故障处理方法都会直接影响实施成本。
即使不采用基于使用量的令牌计费方式，在确定总成本时，也必须将服务器的购买和租赁成本，以及安装、维护和型号更新费用一并计算在内。随着用户数量的增加，可能需要额外的设备来处理并发请求，而且针对每个组织的安全策略进行部署和验证也需要时间。
模型和开发工具的更新方式也至关重要。在与互联网隔离的环境中，需要一套独立的流程才能将新的编程语言和库、安全漏洞信息以及模型补丁引入内部网络。如果更新周期延长，人工智能推荐过时代码或软件包的可能性也会增加。
还必须验证与现有开发系统的集成。将 AX Fortress 连接到源代码库、IDE、构建服务器、CI/CD 流水线和问题管理系统时，必须控制每个开发人员的访问权限和执行范围。此外，还需要审计日志来记录 AI 生成或修改的代码、命令和测试结果，以便跟踪哪些人批准了哪些任务。
从安全角度来看，内部权限管理与阻止外部传输同样至关重要。如果所有开发人员都能通过人工智能搜索整个组织的代码，现有的访问权限将失效。因此，有必要在项目和组织层面限制人工智能可以读取和修改的代码库，并对自动化部署或命令执行应用单独的审批流程。
Team Sparta 首席执行官 Lee Beom-gyu 表示：“这是一个机会，可以验证那些想要采用生成式人工智能但由于安全法规而无法实现的公司和机构，即使在封闭网络中也能体验到高水平的人工智能性能。”他补充道：“我们将支持那些安全至关重要的行业实现其人工智能转型。”
斯巴达团队计划与公共部门、安全、金融和医疗行业的公司就AX Fortress进行技术评审和采用讨论。这些行业被认为是封闭网络编码代理的主要需求中心，因为它们严格控制源代码、开发文档和客户数据的外部传输。
实际实施效果预计将通过开发领域的指标而非基准测试分数来验证。需要衡量现有项目代码的理解准确度、人工智能生成的代码的采纳率和测试通过率，以及开发和纠错时间的缩短程度。如果 AX Fortress 能够在满足安全要求的前提下，可靠地处理更新、访问控制以及与现有开发系统的集成，那么即使是封闭网络组织也能建立起类似于云端编码代理的内部开发体验。
Programmation IA sans transmission de code source externe… L’équipe Sparta dévoile AX Fortress au « AI Summit Seoul 2026 »
Les outils de codage IA génératifs peuvent accélérer le développement, mais la plupart fonctionnent en communiquant avec des clouds externes. Étant donné que les commandes saisies par les développeurs et le code source interne sont transmis à des serveurs externes, les institutions publiques, financières, de défense et médicales soumises à des réglementations de séparation des réseaux rencontrent des restrictions quant à leur adoption. Pour utiliser des agents de codage IA dans ces organisations, les opérations – des modèles à l'analyse du code et aux environnements d'exécution – doivent être exécutées sur une infrastructure interne. Team Sparta a dévoilé « AX Fortress », un agent de codage fonctionnant sur un réseau fermé, qui effectue la génération, la révision, la compilation, les tests et le déploiement du code sans connexion Internet.
La société de perfectionnement en IA Team Sparta a participé au « AI Summit Seoul & Expo 2026 » qui s'est tenu au COEX de Séoul le 19 et a présenté son agent de codage IA basé sur un réseau fermé « AX Fortress ».
L'AI Summit Seoul est un événement dédié à l'IA, organisé conjointement par DMK Global, COEX et la Korea International Trade Association. Cette année, l'événement propose des expositions et des conférences sur des sujets tels que l'adoption de l'IA générative par les entreprises, les agents d'IA et les cas d'usage spécifiques à chaque secteur.
L'équipe Sparta a installé des postes de travail sans connexion internet sur le lieu de l'événement. Elle a configuré un espace d'expérimentation où, lorsqu'un visiteur saisit une tâche de développement, AX Fortress génère du code, le complète automatiquement, le vérifie, puis effectue les processus de compilation, de test et de déploiement.
AX Fortress est fourni sous forme de solution sur site bloquant toute communication externe. Il est conçu pour que le modèle et l'agent de codage soient installés conjointement sur les serveurs ou postes de travail internes de l'entreprise, empêchant ainsi la transmission des commandes et du code source des développeurs vers le cloud externe.
Les fonctionnalités prises en charge incluent la saisie semi-automatique du code, la génération de fonctions, la refactorisation, la revue de code et l'analyse des systèmes existants. Une fois connecté à l'environnement de développement, l'agent effectue également des tâches telles que la vérification des résultats de compilation et de test après l'écriture du code et la correction des erreurs. Il est également possible de configurer un environnement de développement IA dédié en utilisant le code et les règles de développement internes de l'organisation.
AX Fortress est équipé de « K-AX Spartan 122B », un modèle de langage à 122 milliards de paramètres développé par Team Sparta. Selon l'entreprise, il prend en charge le contexte de jusqu'à un million de jetons, ce qui lui permet d'analyser simultanément un contenu équivalent à environ 1 500 pages de documents A4. Toutefois, le volume réel de documents pouvant être traités peut varier en fonction du code, de la langue du document et de la méthode de conversion des jetons.
L'entreprise a indiqué que la vitesse de réponse est de 50 jetons par seconde et que le temps de réponse de la saisie semi-automatique du code a été mesuré à moins de 0,3 seconde sur un seul poste de travail. Les performances de codage Python ont atteint 95,25 % lors du test BFCL V4, qui évalue les capacités d'appel de fonctions.
L'équipe Sparta a également souligné qu'il n'y a pas de frais d'API supplémentaires liés à l'utilisation. Le modèle étant installé sur l'infrastructure interne de l'organisation, la structure des coûts diffère de celle des API cloud, où des frais de jeton sont facturés à chaque utilisation par un développeur. Les organisations comptant un grand nombre d'utilisateurs peuvent ainsi établir leur budget en fonction des coûts fixes d'exploitation du serveur.
Le modèle ultraléger « K-AX Spartan Cherry 1.8B », développé pour valider une technologie propriétaire, a obtenu un score de 0,123 à l'évaluation HLE(Ko) du classement AI-Hub K-AI Leaderboard, géré par le ministère des Sciences et des TIC et l'Agence nationale de renseignement (NIA). Il s'agit du meilleur score parmi les modèles nationaux figurant dans ce classement.
L'indice HLE(Ko) évalue la capacité de raisonnement d'un modèle en lui présentant des problèmes complexes en coréen, couvrant divers domaines tels que les sciences, les mathématiques et les sciences humaines. Le modèle 1.8B de l'équipe Sparta a surpassé le modèle suivant, qui a obtenu 0,073 point lors de cette même évaluation.
Cependant, le modèle soumis au classement est le modèle ultra-léger de 1,8 milliard d'octets, et non celui de 122 milliards d'octets installé sur l'AX Fortress. Bien que ce score témoigne des capacités de développement de modèles légers de Team Sparta, il est difficile de l'interpréter comme une vérification directe des performances de l'AX Fortress en matière de génération de code et d'analyse des systèmes existants. Une vérification distincte, s'appuyant sur du code interne et des projets de développement réels, est nécessaire lors de la phase d'adoption du produit.
Les conditions d'exploitation plutôt que les performances… Le matériel, les mises à jour et les systèmes d'audit sont des variables d'adoption
L'avantage de l'IA en réseau fermé réside dans la réduction des flux de données sortant de l'organisation. En revanche, cette dernière doit fournir et exploiter directement les serveurs GPU, les dispositifs de stockage, ainsi que les systèmes d'alimentation et de refroidissement nécessaires au fonctionnement des modèles. La configuration matérielle, le nombre d'utilisateurs simultanés, la vitesse de réponse et les méthodes de gestion des pannes requises pour exécuter un modèle à l'échelle de 122 milliards d'utilisateurs ont un impact direct sur le coût de mise en œuvre.
Même sans facturation au forfait, les coûts d'achat et de location des serveurs, ainsi que les frais d'installation, de maintenance et de mise à jour des modèles, doivent être pris en compte pour déterminer le coût total. À mesure que le nombre d'utilisateurs augmente, du matériel supplémentaire peut être nécessaire pour gérer les requêtes simultanées, et le déploiement et la vérification, adaptés aux politiques de sécurité de chaque organisation, prennent également du temps.
La méthode de mise à jour des modèles et des outils de développement est également importante. Dans un environnement isolé d'Internet, une procédure distincte est nécessaire pour intégrer au réseau interne les nouveaux langages de programmation et bibliothèques, les informations sur les failles de sécurité et les correctifs de modèles. Si le cycle de mise à jour est prolongé, la probabilité que l'IA suggère du code ou des packages obsolètes augmente.
L'intégration aux systèmes de développement existants doit également être vérifiée. Lors de la connexion d'AX Fortress aux référentiels de code source, aux EDI, aux serveurs de compilation, aux pipelines CI/CD et aux systèmes de gestion des problèmes, les droits d'accès et les périmètres d'exécution doivent être contrôlés pour chaque développeur. Des journaux d'audit sont également nécessaires pour consigner le code, les commandes et les résultats de tests générés ou modifiés par l'IA, permettant ainsi de suivre les auteurs des approbations.
Du point de vue de la sécurité, la gestion des permissions internes est essentielle, au même titre que le blocage des transmissions externes. Si tous les développeurs pouvaient explorer l'intégralité du code de l'organisation via l'IA, les droits d'accès existants deviendraient inefficaces. Il est donc nécessaire de restreindre les dépôts que l'IA peut lire et modifier, au niveau des projets et de l'organisation, et d'appliquer des procédures d'approbation distinctes pour les déploiements automatisés ou l'exécution de commandes.
Lee Beom-gyu, PDG de Team Sparta, a déclaré : « Cela a permis de confirmer le potentiel des entreprises et des institutions qui souhaitaient adopter l'IA générative mais qui n'en avaient pas la possibilité en raison des réglementations de sécurité, de bénéficier de performances d'IA de haut niveau même au sein de réseaux fermés », ajoutant : « Nous soutiendrons les secteurs où la sécurité est essentielle à la réalisation de leur transformation par l'IA. »
L'équipe Sparta prévoit de mener des analyses techniques et des discussions sur l'adoption d'AX Fortress auprès d'entreprises des secteurs public, de la sécurité, de la finance et médical. Ces secteurs représentent d'importants marchés pour les agents de codage en réseau fermé, car ils contrôlent rigoureusement la transmission externe du code source, de la documentation de développement et des données clients.
Les performances réelles de la mise en œuvre devraient être vérifiées par des indicateurs issus du terrain plutôt que par des scores de référence. Il est nécessaire de mesurer la précision de la compréhension du code existant du projet, le taux d'adoption et le taux de réussite des tests du code proposé par l'IA, ainsi que la réduction des temps de développement et de correction d'erreurs. Si AX Fortress gère de manière fiable les mises à jour, le contrôle d'accès et l'intégration aux systèmes de développement existants tout en respectant les exigences de sécurité, même les organisations à réseau fermé pourront bénéficier d'une expérience de développement interne similaire à celle des agents de codage basés sur le cloud.