RTL 코딩에서 열린 모델의 기준이 더 높아진 이유

반도체 설계 보조 AI의 경쟁은 일반 코드 생성보다 훨씬 까다롭다. RTL은 회로의 시간 동작, 모듈 재사용, 시뮬레이션 실패, assertion, lint 결과를 함께 해석해야 한다. NVIDIA가 공개한 Nemotron 3 Ultra 결과는 이 영역에서 열린 모델이 어디까지 올라왔는지를 보여준다. 핵심 수치는 CVDP 벤치마크 9개 작업 범주 평균 97.1% 통과율과 반복당 평균 6,629 토큰이다.

“We tested Nemotron 3 Ultra on agentic chip design. The task is RTL coding: a model iteratively writes the code that defines a chip's logic, runs it through a simulator, reads the failures, and rewrites.”

NVIDIA AI의 원문 트윗은 RTL 코딩을 단발성 Verilog 생성이 아니라 생성, 테스트, 반성, 수정이 반복되는 에이전트 작업으로 정의한다. @NVIDIAAI는 NVIDIA의 개발자용 AI 모델과 인프라 성능을 자주 소개하는 계정이며, 이번 트윗은 연결된 기술 블로그의 벤치마크 수치를 압축해 전달한다.

블로그에 따르면 평가에는 ACE-RTL 에이전트가 쓰였다. 이 에이전트는 generator, reflector, coordinator로 구성되어 RTL을 만들고, 시뮬레이션이나 도구 기반 검사를 실행하며, 실패 원인을 분석하고, 다음 생성 시도에 필요한 디버깅 문맥을 유지한다. 같은 ACE-RTL 파이프라인에서 Nemotron 3 Ultra는 평균 97.1%를 기록했고, Kimi K2.6은 95.2%, GLM 5.2는 92.1%였다.

토큰 효율도 중요한 차이다. Nemotron 3 Ultra는 반복당 평균 6,629 토큰을 사용했다. GLM 5.2의 9,156 토큰보다 약 28% 적고, Kimi K2.6의 22,579 토큰보다 약 71% 적다. RTL 에이전트는 사양, 기존 모듈, 생성 코드, 시뮬레이터 출력, 이전 수정 시도까지 문맥에 쌓이기 때문에, 토큰 절감은 단순 비용 문제가 아니라 더 많은 설계 작업을 같은 예산에서 시도할 수 있는지의 문제다.

모델 자체도 장기 에이전트 작업을 겨냥한다. NVIDIA는 Nemotron 3 Ultra를 550B 전체 파라미터, 55B 활성 파라미터의 Hybrid Mamba-Attention MoE 모델로 설명하며, 1M 토큰 컨텍스트와 RTL 특화 합성 데이터 학습을 강조한다. 다음 관찰 지점은 Cadence, Siemens, Synopsys 같은 EDA 도구 파트너의 통합이 연구 결과를 실제 설계 흐름의 시간 절감으로 바꾸는지다.

#rtl

Nemotron 3 Ultra, RTL 코딩 9개 범주 평균 97.1% 통과율로 열린 모델 경쟁 압박