노타의 현재 주가와 거래량은 어떻게 되나요?

노타의 현재 주가는 18160원입니다. 전일 대비 1340.00원 (7.97%) 상승하였습니다. 오늘의 거래량은 54,429주입니다.

노타의 시가총액은 얼마인가요?

노타의 시가총액은 3,590억원입니다.

노타의 52주 최고가와 최저가는 얼마인가요?

노타의 52주 최고가는 65,300원, 최저가는 16,180원입니다.

노타의 외국인 지분율은 얼마인가요?

노타의 외국인 지분율은 1.17%입니다.

노타 (486990) 주가 및 종목 정보

노타 실시간 주가

노타 현재가 상세 정보
항목	값
현재가	18,160 원
변동량	▲ 1340.00 원
변동률	7.97%
거래량	54,429
거래대금	975,412,085 원

노타 일별 주가

노타의 과거 일별 주가
날짜	시가	고가	저가	종가	거래량	거래대금
6/30/2026	20,450	21,250	20,000	21,250	137,676	2,847,187,275
7/1/2026	24,800	25,200	21,150	21,350	498,604	11,582,939,450
7/2/2026	22,400	22,950	21,400	22,350	219,454	4,829,653,525
7/5/2026	21,700	21,850	20,100	20,950	112,849	2,350,977,625
7/6/2026	20,600	21,100	19,290	19,620	135,820	2,702,578,980
7/7/2026	19,000	19,330	17,790	18,030	162,729	3,003,180,860
7/8/2026	17,700	18,620	17,560	18,010	103,371	1,866,737,725
7/9/2026	18,020	19,610	18,020	19,130	121,355	2,315,324,035
7/12/2026	19,130	19,470	17,520	17,570	140,035	2,564,365,880
7/13/2026	16,880	17,340	16,180	16,820	138,885	2,330,628,125

노타 회사 정보

시장	시가총액	기업순위	주식수	외국인 비중	산업군	세부 산업군	52주 최고	52주 최저
kosdaq	3,590억	221위	21,346,230	1.17%	-	-	65,300	16,180

노타 기업 개요

회사 개요 정보가 없습니다.

노타 AI예측

AI예측기는 노타을 강력매도 · 매도 · 중립 · 매수 · 강력매수 로 예측했어요.

멤버십 플랜을 구독하면 예상 주가 시나리오와 AI의 투자의견, 목표·손절가, AI가 참고한 차트 패턴들을 확인할 수 있습니다.

노타 지표분석

수익률 1위 매매전략은 노타을 매수 · 매도 · 보유 · 관망 중이에요.

멤버십 플랜을 구독하면 수익률 1위 매매전략의 매매 시점을 확인하고 다음 신호를 알림으로 받아볼 수 있습니다.

최신 노타 관련 뉴스

노타, ICML26 워크숍서 적응형 FM 추론 논문 2편 발표·효율성 경쟁 3위 쾌거

2026.07.14 09:24:58

[IT동아 남시현 기자] AI 모델 양자화 기술 기업 노타(Nota)가 제43회 국제머신러닝학회(International Conference on Machine Learning, ICML 2026)의 세부 워크숍 ‘AdaptFM: 자원 적응형 파운데이션 모델 추론’에서 ▲ DREAM-MoE: 전문가 혼합형 대규모 언어 모델을 위한 다운스트림 라우팅 오류 인식 마진 보존 양자화 ▲ SRA-MoE: MoE 양자화를 위한 출력 인식 선택적 라우터 정렬 두 개의 논문을 정식 발표했다. AdaptFM은 대규모 파운데이션 모델의 추론 과정에서 발생하는 막대한 연산 비용과 자원 제약을 해결하기 위해 조직된 ‘자원 적응형 추론 기술 체계 및 워크숍’이다. AdaptFM 워크숍은 파운데이션 모델의 입력 복잡도와 시스템 자원 상태 등을 고려해 효율적으로 추론하는 기술을 다룬다. 좌측부터 김태호 노타 최고기술책임자, 김보경 노타 AI 시니어 리서처, 박한철 노타 테크 리드, 이건호 노타 엣지 AI 엔지니어, 신욱수 노타 AI 리서치 엔지니어 / 출처=노타 핵심 연구 영역은 모델의 학습이 끝난 이후 추론 단계에서 자원을 효율적으로 활용하고 제어할 수 있는 부분들이다. 여기에는 ▲ 레이어 건너뛰기 같은 유연한 아키텍처 구조 ▲ 결괏값을 재참조하는 재귀적 추론 등의 연산 ▲동적 네트워크 및 라우팅 ▲ 텍스트 생성 시 디코딩 및 토큰 수준의 최적화 기법 ▲ 양자화, 가지치기, 지식 증류 등 모델 압축 및 가속화 ▲ 하드웨어와 소프트웨어의 연결적인 디자인 등이다. 노타가 제안한 DREAM-MoE, SRA-MoE은 대형언어모델 구동 시 효율적으로 연산을 처리하는 전문가 모델(Mixture-of-Experts, MoE) 구조와 관련된다. DREAM-MoE는 대규모 AI 모델을 GPU에 나눠 들어갈 수 있는 단위로 넣어 순차적으로 양자화할 때 앞에서 생긴 작은 오차가 뒤쪽의 전문가 선택을 바꿀 수 있는 현상을 제어하는 기술이며, SRA-MoE는 모델 결과에 더 큰 영향을 주는 입력을 우선적으로 보호해 전문가 선택과 품질에 영향을 주지 않도록 하는 기술이다. 점수제가 아닌 목록제로 전문가 그룹 관리하는 ‘DREAM-MoE’ 오늘날 대형언어모델은 동작할 때마다 각 분야로 나뉘어있는 전문가 네트워크를 선택적으로 활용하는 MoE 방식을 활용한다. 아울러 모델 구동이 필요한 연산량과 메모리 등을 줄이기 위해 16비트로 학습된 모델을 4비트 압축하는 양자화 과정도 널리 쓰인다. 하지만 MoE는 작은 교란에도 다른 전문가 집합이 실행될 만큼 민감하며 양자화 과정에서 데이터가 조금씩 변하면서 실제로 다른 전문가 모델로 바뀌며 결과가 뒤바뀌기도 한다. 박한철 노타 테크리드가 발표한 DREAM-MoE 논문은 AdaptFM 워크숍에서 상위 20% 수준에 해당하는 포스터 논문으로 선정됐다 / 출처=노타 현행 방식은 원본 모델의 점수를 그대로 복제해 전문가 순서를 보존하려 하지만 모델 양자화 시 발생하는 노이즈나 반올림, 올림 등으로 인해 숫자가 조금씩 변하다가 다른 모델이 선택될 수 있는 식이다. 가령 전문가 A가 2.0, 전문가 B가 1.9점인데 양자화 이후 전문가 A가 1.8점, 전문가 B는 1.9점이라면 숫자 차이는 작아도 원본에서는 A가 동원되는 작업에 B가 투입되어 정확도에 문제가 생길 수 있다. 이 논문에서 제시하는 DREAM-MoE는 단순히 점수를 맞추는 ‘라우터-로짓 매칭’ 방식을 넘어서 ▲ 마진 보존 쌍별 라우팅 목표 ▲ 다운스트림 라우팅 오류 인식 두 가지 방식을 제안한다. 마진 보존 쌍별 라우팅 목표는 점수 등을 복제하는 방식 대신 상위 전문가 그룹 내에서 상대적인 점수 차이와 순위를 보존하는데 집중한다. 양자화를 통해 숫자가 변하더라도 전문가 자체의 점수 격차, 그리고 순서 자체를 잡아두는 만큼 원본에서 동원되는 것과 동일한 전문가가 투입되도록 한다. 또한 전문가 모델 중 선택 목록에 들어온 것과 탈락한 전문가 모델의 경계를 만들고 이들 간의 점수가 좁혀지지 않게 수학적으로 유도한다. 따라서 양자화 노이즈가 개입해서 전문가 모델 순서가 바뀔만한 사건이 생기더라도 사전에 지정한 목록과 규칙 등을 바탕으로 원래 의도한 전문가 모델이 동작하도록 한다. 다운스트림 라우팅 오류 인식은 딥러닝 모델이 여러 레이어를 거쳐 연속적으로 데이터를 처리하는 ‘다운스트림’ 구조에서 단순 오차 보정만 적용하지 않고 다음 블록 결과에 미치는 영향을 고려해 순서가 유지되도록 한다. 대규모언어모델은 수십 개의 블록이 직렬 구조로 연결돼 있으며 순차적으로 양자화한다. 방식은 작은 검증용 데이터셋을 활용해 데이터가 순차적으로 양자화할 때 전문가 집합이 얼마나 일치하는지 확인한다. 물론 모든 절차에 이 조건을 적용하면 오히려 과도한 제약이 될 수 있어서 다음 블록 라우터의 전문가 선택 결과가 원본과 많이 달라졌을 때 함수가 동작한다 실험은 세 가지의 LLM 모델에 대해 각각 4비트, 3비트의 AutoRound, TopM-MSE, DREAM-MoE를 적용한 결과가 첨부됐다. 딥시크-V2-라이트-챗에서 언어 모델의 이해력을 뜻하는 퍼플렉시티(PPL) 지표는 AutoRound가 8.37, TopM-MSE가 8.38일 때 DREAM-MoE가 8.3을 기록해 언어 성능을 가장 잘 보존했고. 특히 다운스트림 평균 정확도는 AutoRound 39.46%와 TopM-MSE 38.18%을 40.54%로 제치며 높은 정확도를 보여줬다. 3비트 양자화 역시 DREAM-MoE가 가장 낮은 PPL을 기록했다. 세 개의 모델에서 AutoRound, TopM-MSE, DREAM-MoE 세 가지 양자화 프레임워크를 적용한 뒤의 결과값 / 출처=노타 특히 문라이트-16B-A3B-인스트럭트를 3비트 양자화한 조건에서는 AutoRound가 15.58, TopM-MSE가 15.46일 때 DREAM-MoR가 1.5포인트 앞선 13.93을 기록했다. 해당 값은 수치가 낮을수록 언어 이해 능력이 뛰어난 값이다. 큐웬 3-30B-A3B 역시 3비트 양자화 기준에서 다운스트림 정확도가 61.54%를 기록해 AutoRound의 60.46%, TopM-MSE의 60.07% 대비 1.08~1.47%를 앞섰다. DREAM-MoE를 통해 로짓-매칭을 단순 마진 보존 손실로 교체한 결과만으로 6개의 시험 중 5개 설정에서 정확도가 향상됐고, 5개의 상승폭은 평균 1.68 포인트에 달했다. 또한 다운스트림 라우터 손실을 보정했을 때는 PPL이 전체 6개 설정 중 4개에서 낮아지며 이해도가 높아진 모습을 보여줬다. 해당 연구를 통해 LLM 양자화 시 전문가 모델값을 지정해 두면 전반적인 정확도가 향상되는 점이 입증되었으며, 특히 실제 추론 시 추가 연산이나 모듈이 필요 없어 적용 가능성이 매우 우수하다는 점이 돋보인다. 일괄 양자화 대신 선택적 관리로 실사용 효율 높인 ‘SRA-MoE’ MoE의 장점은 매개변수를 크게 확장할 수 있으면서도 연산 비용은 낮추는 데 있다. 매개변수가 300B 수준이어도 실제 동작할 때는 20B 수준의 전문가 그룹만 작동하는 식이다. 하지만 연산 효율을 높이는 AI 모델 양자화 시 미세한 값의 변화로 원래 전문가가 아닌 다른 전문가로 할당되는 ‘라우팅 시프트’ 현상이 발생할 수 있고 이 경우 성능이 크게 떨어진다. LLM 중앙 관리자가 변호사를 호출했는데 변리사가 오는 바람에 결과가 틀어지는 식이다. 지금까지의 MoE 양자화는 향후 왜곡을 감안하고 모든 토큰을 일괄 양자화했는데, 연구팀은 대다수 토큰이 크게 압축해도 최종 출력에 변화가 없고 일부 토큰만 최종 출력에 큰 차이가 있다는 것을 확인했다. 이에 모든 토큰을 일괄 정렬하기보다는 출력 변화에 민감한 토큰을 선택적으로 정렬해 효율화해야 한다고 제시했다. 우선 토큰 양자화 시 향후 결괏값을 사전에 측정하는 Sampled-JSD 지표를 통해 모델 간의 출력 결과 차이를 확인하고, 이를 바탕으로 민감한 토큰들만 추려내 최적화한다. 또한 영향이 적은 하위 전문가를 배제하기 위한 상위 세 개의 전문가를 정렬하는 Top-3K MSE 손실 함수도 제안했다. 큐웬3-30B-A3B에 대한 기본값 및 라우팅 정렬, 선택적 라우터 정렬 결과, 우측은 대형 언어모델에서 사후훈련양자화 및 RA, SRA를 적용했을 때의 시험 결과 / 출처=노타 실험은 큐웬3-30B-A3B와 솔라-오픈-100B, GLM-4.5-Air 세 개를 활용해 가중치 4비트 및 3비트로 양자화하고 AIME24, AIME24, GPQA-다이아몬드 등 고급 추론 벤치마크를 적용했다. 큐웬 3-30B-A3B 모델을 가중치 4비트한 결과 사후훈련양자화(GPTQ)와 라우팅 정렬(RA)로 AIME25 테스트를 했을 때 정답률이 67.5%인 반면 선택적 라우터 정렬(SRA)은 70%의 정확도를 보였다. 가중치 3비트 양자화 시 AIME24 결과는 GPTQ, RA가 각각 66.67, 69.58일 때 SRA는 72.08을 기록했다. 대형 모델인 솔라-오픈-100B로 양자화해 AIME24를 해결한 결과에서는 RA 방식이 오히려 노이즈 개입으로 인해 GPTQ보다 성능이 떨어졌지만, SRA는 GPTQ보다 더 높은 성능을 보여줬다. 아울러 손실 함수를 논문에서 제안한 Top-3K로 설정했을 때는 원래 활성화값 혹은 전체 전문가를 모두 정렬한 것보다 높은 점수를 보여줬다. KV 캐시를 최대 4.6배까지 확보한 건 4비트 양자화의 영향이며 SRA-MoE는 양자화 후에도 성능이 최대한 유지된다는 데 이점을 둔다 / 출처=노타 엔비디아 H100을 활용해 vLLM 실측 추론 효율성을 테스트한 결과에서는 전반적인 출력 토큰은 20% 향상되고 소요 시간은 17% 줄어주는 결과를 보여줬다. 초당 출력 토큰 수는 16비트 기준 389.04토큰인데 SRA-MoE 적용 양자화 환경에서는 469.26토큰으로 20.6% 늘었다. 총 처리 토큰수도 20.6% 늘었으며 출력당 토큰 소요 시간은 10.19ms에서 8.44ms로 17.1% 단축됐다. 특히 최대 수용 가능한 콘텍스트에 영향을 주는 KV 캐시는 기존 12만 6000토큰에서 58만 3000토큰으로 약 4.6배 증가했다. SRA-MoE는 라우팅 경로 변경은 대다수 토큰에 영향을 주지 않고, 일부 값만 정렬하면 된다는 방안을 제시했다. 또한 기존에는 모든 데이터를 균일한 가중치로 학습했는데 SRA는 절반 가량의 토큰을 학습에서 배제해 작업 효율성을 높이고 성능 자체를 높였다. 특히 솔라-오픈-100B, GLM-4.5-Air 등 대형 모델을 4비트 양자화한 결과에서는 KV 캐시를 확보하면서도 원본에 가까운 성능을 유지해 실용도가 높다고 평가할 수 있다. 기술력 입증한 노타, 기술 경쟁력 확보에 집중 김재연 노타 AI 엔지니어(좌) 및 김보경 노타 AI 시니어 리서처(우)가 큐웬 효율성 경쟁 추론 결과를 발표 중이다 / 출처=노타 노타는 두 편의 논문 발표 이외에도 ICML 2026 AdaptFM 워크숍에서 열린 큐웬 효율성 경쟁 대회에서 3위를 차지하며 기술 경쟁력을 알렸다. 큐웬 효율성 경쟁은 큐웬 3.5-4B 모델의 답변 생성 속도를 엔비디아 A10G GPU 서빙 환경에서 얼마나 향상할 수 있는지를 겨루는 대회로, 올해 전 세계 40여 개 팀이 참여했다. 노타는 모델 정확도를 유지하면서 평균 6.978배 빠른 추론 속도를 달성해 최종 3위에 올랐다. 이는 제한된 GPU 환경에서도 모델 성능과 추론 효율을 동시에 확보할 수 있는 노타의 기술력을 입증한 결과다. 김태호 노타 최고기술책임자 겸 공동창업자는 "이번 성과는 글로벌 AI 생태계에서 활용되는 대표적인 오픈소스 AI 모델인 큐웬을 대상으로 노타의 추론 최적화 기술력을 검증받은 사례”라며, “앞으로도 다양한 AI 서비스와 온디바이스·엣지 AI 환경에 최적화 기술을 확대 적용해 나갈 것"이라고 말했다. IT동아 남시현 기자 (sh@itdonga.com)

노타, ICML 2026 챌린지 3위…Qwen 추론 6.978배 빨라졌다

2026.07.13 12:00:00

[이 기사에 나온 스타트업에 대한 보다 다양한 기업정보는 유니콘팩토리 빅데이터 플랫폼 '데이터랩'에서 볼 수 있습니다.] AI 모델 경량화·최적화 기업 노타가 세계적 머신러닝 학회 ICML 2026의 'Efficient Qwen Competition' 부문에서 3위를 차지했다고 13일 밝혔다. 이 대회는 오픈소스 LLM Qwen3.5-4B을 단일 엔비디아 A10G GPU에서 실행하며 성능은 유지한 채 답변 속도를 얼마나 높이는지 겨루는 자리다. 전 세계 40여 개 팀이 참가했고, 노타는 평균 6.978배 빠른 추론 성능으로 3위에 올랐다....

노타, 'ICML 2026' 추론대회서 3위..."큐웬 기술력 입증"

2026.07.13 08:29:38

[데일리한국 김영문 기자] 노타가 세계적인 머신러닝 학회 ICML 2026에서 열린 'Efficient Qwen Competition'에서 3위를 기록했다고 13일 밝혔다.Efficient Qwen Competition은 글로벌 AI 개발자들이 널리 활용하는 큐웬의 오픈소스 대규모 언어 모델(LLM)인 Qwen3.5-4B을 단일 엔비디아 A10G GPU 환경에서 실행하면서 모델 성능은 유지한 채 답변 생성 속도를 얼마나 높일 수 있는지를 평가하는 대회다. 즉, AI 답변의 정확도는 그대로 유지하면서 사용자가 더 빠르게 답변을 받을

매드업, 상장 일주일만에 자사주 매입·현금배당 결정 배경은

2026.07.09 18:16:31

AI마케팅 기업 매드업이 코스닥 상장 일주일여만에 자사주 매입과 현금 배당 등 주주환원책을 내놨다. 이레적으로 빠른 주주환원책을 내놓은 것은 상장 후 부진한 주가 때문으로 풀이된다. 9일 매드업은 15억원 규모 자사주 매입과 10억원 규모 현금배당을 발표했다. 지난 1일 코스닥에 상장한지 7영업일 만이다. 일반적으로 코스닥에 상장하는 기업은 자금조달이 목적이기 때문에 상작 직후 배당이나 자사주 매입을 발표하는 경우는 드물다. 매드업은 공모가 8000원, 시가총액 1500원으로 IPO(기업공개)를 시작해 상장 첫날 장중 180% 급등했으나 이후 주가가 빠르게 하락하며지난 7일에는 공모가 대비 25% 가량 낮은 가격에 거래되기도 했다. 이날 종가(8230원)도 공모가와 유사한 수준에 그쳤다....

ICML 2026, AI 기술과 인재 확보를 위한 '총성 없는 격전지'

2026.07.09 14:34:04

제43회 국제머신러닝학회가 이례적으로 북미가 아닌 대한민국의 수도 서울에서 열렸다. 40여 년 역사상 아시아 개최는 이스라엘, 중국에 이어 세 번째다 / 출처=IT동아 [IT동아 남시현 기자] 제43회 국제머신러닝학회(International Conference on Machine Learning, ICML 2026)가 지난 7월 6일부터 오는 11일까지 서울 코엑스에서 개최된다. ICML 2026은 전 세계 인공지능 기업 및 학계 관계자 약 1만 5000여 명이 참석했으며 6600여 건 이상의 논문이 채택됐다. 올해 발표는 기계학습 이론, AI 안전 및 윤리, 경제 및 정책, 계산 생물학, 자연어 처리, 인간 및 컴퓨터 상호작용 등 다양한 분야의 전문가가 기조연설을 진행하며, 총 44개의 전문 워크숍과 최신 학술 논문 등이 발표된다. 주요 전시장은 글로벌 빅테크가 주로 참여했으며, 참관객들 역시 모두 ICML에 참여한 연구자들이다 / 출처=IT동아 ICML 2026이 미국, 유럽 외 국가에서 개최되는 것은 이스라엘, 베이징에 이어 세 번째로 우리나라의 높아진 AI 위상을 알 수 있는 대목이다. 학계에서는 미국 MIT, 스탠퍼드 대학교, UC 버클리, 카네기 멜런 대학교 등이 참여하고, 캐나다는 토론토대, 밀라 연구소, 유럽에서는 옥스퍼드, 캠브리지, 프랑스 인리아 연구소 등이 참여한다. 또한 구글 및 구글 딥마인드가 약 130편 이상의 논문을 발표하며 애플, 아마존, 오픈AI, 메타, 마이크로소프트, 미스트랄 등 전 세계 AI 빅테크 기업들이 총출동한다. 특히 글로벌 AI 기업들이 대거 부스에 참여하며 행사의 열기는 매우 뜨거운 상황이다. 전 세계 석학들이 서울을 찾는 만큼 국내 AI 기업 및 학계 참여도 분주하다. 우리나라는 총 357편의 논문이 채택됐으며 한국과학기술원이 120건, 서울대가 77건, 이어서 연세대와 고려대, 포항공대, 울산과학기술원 등도 논문을 대거 제출했다. 기업은 삼성전자와 네이버, LG AI 연구원, 카카오, 크래프톤 등이 초거대 AI 및 멀티모달 모델, 산업용 대형 파운데이션 모델을 발표한다. 스타트업으로는 디노티시아와 노타, 한양대-리벨리온, 하이퍼엑셀, 베슬AI, 프렌들리 AI 등이 부스를 차리거나 논문 등을 발표한다. 팀네이버, 12건의 논문과 함께 대형 부스로 이목 집중 네이버는 올해 12편의 논문이 채택되면서 탄탄한 연구 역량을 자랑했다 / 출처=IT동아 국내 기업 중 가장 큰 부스는 팀네이버다. 네이버는 올해 총 12개의 논문을 발표하며 그중 Stable-GFlowNet: 대조적인 궤적 균형을 통한 다양하고 견고한 LLM 레드팀 구축을 향하여 논문이 상위 2.2%에 집중되는 스포트라이트 논문으로 선정됐다. 또한 ▲ SyMerge: 단일 레이어 적응을 통한 비간섭에서 시너지적 병합 ▲ 흐릿한 단안 동적 장면을 위한 운동학 기반 가우스 형상 변형 ▲ 분산형 명령어 튜닝: 충돌 인식 분할 및 가중치 병합 ▲ 이중 레벨 최적화 및 텍스트 그라디언트를 이용한 LLM 워크플로우 유도 논문이 상위 15% 내외에 주어지는 포스터로 선정됐다. 네이버 랩스의 피지컬 AI 관련 기술이 소개되고 있다 / 출처=IT동아 네이버 부스는 논문을 제출한 네이버랩스와 네이버클라우드, 그리고 네이버가 ‘팀네이버’로 함께 참여한다. 네이버 부스에는 네이버가 ‘서울’을 기반으로 구축 중인 월드 시뮬레이션 모델에 관한 연구가 전시되고 있다. 월드 모델이란 텍스트나 이미지를 넘어 현실 세계의 물리법칙, 공간, 시간 등의 상호작용을 적용하는 모델이다. 월드 모델은 네이버 AI 랩스를 포함해 카이스트, 서울대 AI연구원(SNU AIIS)이 진행했으며 7월 10일 금요일에 F2S 워크숍 구두 발표로 소개된다. 아울러 네이버클라우드가 개발 중인 비전 모델과 네이버 랩스의 로보틱스 기술이 함께 전시된다. 비전 모델은 사람 및 3D 비전, 비전 이해, 비전 생성, 멀티모달 LLM 등이 포함된다. 로보틱스의 경우 앤드 투 앤드 내비게이션, 로봇 암, 휴머노이드 로봇, 데이터-중심 AI 등이 소개됐다. LG AI 연구원, AI 논문 기반 실증 사례로 우수성 검증 LG AI 연구원은 올해 14편의 논문을 발표했으며 이를 활용한 다양한 응용 사례를 부스에 전시했다 / 출처=IT동아 LG AI 연구원은 올해 14편의 논문을 발표했으며 신소재, 금융, 데이터 등 다양한 산업 현장에서 LG AI 연구원이 올리고 있는 전반적인 성과가 소개됐다. 주요 논문으로는 ▲멀티모달 결정 흐름: 통합 결정 모델링을 위한 모든 모드 간 생성 ▲DEER: 전문가 보고서 생성에 대한 심층 연구 에이전트 평가 벤치마크 ▲ 일반화 가능한 멀티모달 에이전트를 위한 계층적 절차적 메타 추론 ▲ 보상 모델에 대한 사고방식등이 발표되었으며, 해당 논문 등을 기반으로 실제 산업 분야에 적용 중인 사례가 전시됐다. 멀티모달 결정 흐름 논문의 경우 결정 구조 예측 및 새로운 결정 구조를 생성하는 ‘결정 모델링’ 분야에 대한 논문이다. 최근 막 딥러닝 분야에 떠오르는 주제긴 하나 여전히 대부분 작업이 특정 작업에 한정돼 있다. LG AI 연구원은 원자 유형과 결정 구조에 대한 독립적인 시간 변수를 통해 여러 결정이 독립적인 추론 궤적으로 구현되는 ‘멀티모달 결정 흐름’을 제안한다. 해당 신소재 발견 기술은 AI가 생성한 결정 구조에 대한 안정성과 참신성, 후보 물질 생성 다양성 등을 평가하는 LeMat-GenBench에서 세계 2위를 차지하며 주목을 모았다. 로드리고 호르마자발 LG AI 연구원이 참관객을 대상으로 엑사원 디스커버리 관련 논문을 소개 중이다 / 출처=IT동아 LG AI 연구원은 관련 기술 등을 집약해 신소재 발굴 AI 플랫폼 ‘엑사원 디스커버리’로 구현했으며 AI가 문서 구조에서 분자 구조를 분석하고 신소재를 설계하는 연구 개발 절차를 만들었다. 이를 바탕으로 탈모 관리 신소재 ‘람시딜’을 만들어 LG생활건강과 상품화를 준비 중이며, GS칼텍스와 데이터센터용 액침 냉각유를 조합했다. 데이터 생산성을 1000배 이상 향상하면서도 품질을 개선하는 ‘엑사원 데이터 파운드리’ AI 기반 금융 에이전트 ‘엑사원 비즈니스 인텔리전스’ 등 다양한 기술도 함께 전시됐다. 글로벌 AI 인재 영입의 최전선을 찾은 노타 노타는 기업 소개보다는 ICML에 참여한 전문 연구 인력들을 모집하기 위해 부스를 마련했다 / 출처=IT동아 AI 양자화 및 기술 기업 노타도 ICML에 부스를 열었다. 노타의 경우 기술 소개보다는 ICML에 참석한 연구자들을 위한 인사채용 부스 형태로 전시를 기획했으며, 방문객들과 간단한 기술 논의 및 비즈니스 미팅 형태로 작게 준비됐다. 그렇지만 노타가 제출한 논문 두 개가 오는 11일 개최되는 ‘자원 적응형 파운데이션 모델 추론(AdaptFM)’ 워크숍에 채택되면서 업계 전반에 기술력을 알릴 기회가 주어졌다. 채택 논문은 ▲ DREAM-MoE: 전문가 혼합형 대규모 언어 모델을 위한 다운스트림 라우팅 오류 인식 마진 보존 양자화 ▲ SRA-MoE: MoE 양자화를 위한 출력 인식 선택적 라우터 정렬 두 건이다. DREAM-MoE는 기존의 양자화 과정에서 라우터 점수가 왜곡되거나 선택한 MoE(전문가 혼합) 모델이 변경되는 문제를 고려한 MoE 양자화 목적 함수다. SRA-MoE는 양자화 작업 후 출력이 불일치하는 토큰을 우선적으로 최적화하는 출력인식 정렬 전략인 선택적 라우터 정렬 기능이다. 두 연구 모두 최신 MoE 특화 양자화보다 성능이 높으며 MoE 관련 양자화 기술 발전에 보탬이 될 전망이다. 프렌들리AI, 학회 참가자 대상으로 AI 인프라 기술 제안 프렌들리AI는 ICML 참가자를 대상으로 한 구인구직과 기술 소개를 위해 부스를 마련했다 / 출처=IT동아 프렌들리AI는 논문 제출 없이 학계 관계자들을 대상으로 기술 소개 및 비즈니스 기회를 마련하기 위해 부스를 열었다. 프렌들리AI는 생성형 AI등 대규모 인프라 자원을 운영할 때 발생하는 추론 속도 저하, 자원 비용 등을 해결하는 AI 인프라 소프트웨어 스타트업이다. 프렌들리AI는 LLM 서빙에 널리 활용 중인 vLLM의 기술적 기반인 ‘컨티뉴어스 배칭’과 관련된 원천 기술을 가진 기업이다. 프렌들리AI는 오픈라우터가 지난 5월 15일부터 22일 집계한 추론 공급업체의 중간 처리량 집계에 따르면 프랜들리AI가 최대 73토큰, 평균 65토큰으로 가장 높고 투게더AI와 아이오닷넷, 아틀라스클라우드와 파이어웍스 등이 뒤를 이었다. 또한 지난 6월 17일집계된 GLM-5.2 처리량 집계에서도 프렌들리AI가 초당 평균 47토큰, 평균 도구 호출 오류율 0.11%로 우수한 성능을 보여줬다. 서비스는 클로드 코드, 커서, 오픈코드 등 다양한 AI 에이전트들을 지원하며, 최근 킬로(Kilo)와 협업해 엔비디아 네모트론 오픈 모델을 활용해 대규모 AI 에이전트를 구축하기 위한 파트너십도 체결했다. 킬로 측은 지난 1년 간 다양한 오픈 모델 및 폐쇄형 모델을 호스팅하는 추론 제공자를 시험해왔는데, GLM-5 사용 사례에서 프렌들리 AI의 결과는 꾸준히 7배 빠르고 오류율도 현저히 낮은 것으로 평가했다. 아울러 부스 행사 이외에도 지난 6일, ICML 참석을 위해 한국에 방문한 연구진, 개발자 등을 대상으로 네트워킹 행사를 열고 기술 교류 등을 진행한 바 있다. 베슬AI, 고성능 AI 인프라 찾는 연구팀에 러브콜 베슬AI는 AI 인프라 전문 기업으로 가장 고성능의 최신 자원을 활용하는 연구자들에게 서비스를 소개하기 위해 참가했다 / 출처=IT동아 AI 인프라 전문 기업 베슬AI는 부스 전시와 더불어 남상대 연구원이 제출한 ‘DLLM-JEPA: 마스크드 디퓨전 언어모델을 위한 결합 임베딩 예측 아키텍처’가 ICML 2026 SPIGM 워크숍에 채택됐다. 해당 논문은 합성곱 신경망의 아버지이자 세계 4대 AI 석학으로 불리는 얀 르쿤 교수가 제안한 JEPA(공동 임베딩 예측 아키텍처)를 LLM으로 적용한 버전에서 마스크 디퓨전 언어 모델을 결합한 DLLM-JEPA를 다룬다. 기존의 생성형 AI는 이미지의 지워진 부분을 채우거나 빈 내용을 추측하기 위해 모든 세부 정보를 복원하려 한다. 이런 비효율을 막기 위해 얀 르쿤 교수는 생성형 AI가 추상적인 공간에서 다음 상황을 예측할 수 있는 동작 방식을 개발했는데 이것이 JEPA다. JEPA는 최근 대형언어모델 버전인 LLM-JEPA로 발전했는데 다른 두 가지 데이터를 다중으로 요구하고, 구조적 한계로 인해 연산 자체를 두 번씩 반복해야 하는 단점이 있다. 논문에서는 단어를 무작위로 가리는 마스킹 기술을 활용해 서로 다른 두 개의 데이터를 제공하는 효과를 만들고, 설계상 한 번만 진행해도 학습이 가능하도록 개선해 LLM-JEPA의 연산 총량을 33% 절감함을 입증했다. 베슬AI는 이번 연구를 바탕으로 향후 대규모 AI 모델의 학습 효율을 높이고, MLOps로부터 시작한 기술기업으로서의 입지를 계속해서 다져나갈 예정이다. ICML은 전 세계 AI 석학 및 연구자들이 집결하는 자리로 매년 수많은 구인구직 자리가 마련된다. 베슬AI 역시 ICML에 참가해 기술 소개는 물론 인재모집도 같이 진행했다 / 출처=IT동아 전지환 베슬AI 최고기술책임자(CTO)는 “ICML은 학술 행사지만 대형 AI 기업들과 하이퍼스케일러들의 각축장이기도 하다. 전 세계적으로 AI 인프라 경쟁이 심화되고 있지만 베슬 AI는 단순히 AI 인프라를 고객에게 판매하는 게 아니라 AI를 활용한 가치와 목적을 더 빨리 달성할 수 있도록 돕는 기업이고 싶다”라고 말했다. 또한 “학술행사에서는 고성능 AI 기술과 첨단 기술을 가장 빨리 접하는 연구자들을 직접 만날 수 있다. 베슬AI 역시 학술 행사로 접한 연구자들을 지원해 성과를 냈고, 연구자들로부터 서비스 개선점을 찾는 등 사업 고도화 방안으로 삼고있다. 고객이자 의견 수렴의 창구로서 ICML에 참여한 셈”이라고 말했다. 대형언어모델 추론에 최적화된 LPU 소개 나선 하이퍼엑셀 하이퍼엑셀은 글로벌 AI 연구자들을 대상으로 추론 전용 AI 가속기인 ‘LPU’를 소개하고 나섰다 / 출처=IT동아 하이퍼엑셀은 글로벌 기술 기업 및 연구자들에게 LLM 추론에 최적화된 고효율 AI 가속기 LPU(LLM Processing Unit)을 선보이기 위해 부스를 마련했다. 하이퍼엑셀은 4나노미터 공정 기반에 LPDDR5X 메모리를 적용한 베르다(Bertha) 출시를 앞두고 있으며, ICML 2026에서 처음으로 인클로저 내부를 공개하며 AI 가속기가 완성되었음을 알렸다. 하이퍼엑셀 부스는 LPU를 활용한 대규모 추론 작업의 전력 및 비용 효율성을 확인하고, 고대역폭 메모리(HBM)가 아닌 LPDDR5X 기반의 AI 가속기의 메모리 구성을 확인하고자 다양한 분야의 AI 전문가들이 몰렸다. 하이퍼엑셀의 베르다 500 LPU / 출처=IT동아 이번에 출시된 베르다 500 LPU는 PCIe 기반의 서버용 AI 가속기로 250W의 열설계전력(TDP)을 갖췄다. 메모리는 256MB의 S램과 기본 128GB 및 최대 256GB의 LPDDR5X를 갖췄으며 LPDDR5X의 대역폭은 초당 546GB다. HBM 기반 AI 가속기와 비교해 LPDDR5X의 대역폭이 부족하긴 하지만, 초당 수십 TB 수준의 초고속 S램이 보조를 맞추면서 추론 성능과 안정성을 갖췄다. 연산 성능은 FP16 기준 384테라플롭스, FP8 기준 768테라플롭스로 높은 편은 아니지만 추론 전용 반도체면서 매우 높은 가동률을 지속적으로 유지하는 콘셉트인 게 특징이다. ICML, 인공지능을 위한 축제의 장이자 총성없는 격전지 ICML 2026 첫날, 튜토리얼 행사에도 수많은 연구자들이 데몬스트레이션을 보기 위해 행사장을 찾았다 / 출처=IT동아 ICML은 NeurIPS, ICLR과 함께 인공지능 업계의 3대 학회로 불린다. 이중 ICML은 가장 역사가 오래됐고 이론적 기초나 알고리즘, 수학적 증명을 강조한다. 우리나라에서 ICML이 개최된 것은 전 세계 AI 업계 전반에서 주목할만한 일이며 향후 다른 AI나 관련 학회가 다시 한번 한국에서 열릴 수 있는 좋은 사례가 될 수 있다. 특히나 학회에서 제시된 기술과 연구 결과들은 향후 2~3년에 걸쳐 전 세계 IT 기업들에 영향을 미친다는 점에서 주목해야 한다. 오픈AI도 대형 부스를 마련하고 글로벌 연구자들과의 접점을 마련했다 / 출처=IT동아 아쉽게도 올해 행사는 우리나라 기업들의 참여도가 상당히 낮았다. 올해 부스를 차린 우리나라 기업들은 기자가 취재한 부스가 전부다. 해외 기업들의 경우 구글, 마이크로소프트, 메타, 오픈AI는 물론 심지어 CES, MWC 등의 IT 박람회에는 절대로 부스를 차리지 않는 애플조차 참여했다. 애플은 몇 년전부터 CVPR, NeurIPS 등의 학술 행사에 한해서는 부스를 차리고 있다. 이제 막 한국에 진출하겠다는 뜻을 밝힌 프랑스의 미스트랄도 꽤 큰 부스를 마련했으며, 중국계 AI 기업인 바이트댄스, 알리바바는 물론 샤오미도 대형 부스를 통해 연구자들과의 접점을 만드는 모양새였다. ICML 입구에 마련된 잡 보드, 최근 AI 학회에서 인력을 채용하는 경우가 늘면서 하나의 상징적인 문화로 자리 잡았다 / 출처=IT동아 AI 학회는 이제 단순히 연구자들을 위한 자리가 아닌 빅테크 기업들의 기술 경쟁력을 과시하고, 고급 AI 인재들을 채용하기 위한 자리가 되고 있다. 입구에 있는 구인 게시판은 단순히 구직자들을 위한 것이 아닌 글로벌 학회에 초대될 만큼 고급 AI 인력들을 확보하기 위한 상징적인 공간이 됐다. 물론 ‘기계학습’이라는 한정된 분야라서 국내 기업 중에서도 결이 맞는 곳만 참여하기는 했으나, 결이 맞음에도 참여하지 않은 기업들도 보인다. 우리나라가 세계 3대 AI 강국의 입지를 다지고 싶다면 보다 미래의 인력과 시장을 보고 접근할 필요가 있다. IT동아 남시현 기자 (sh@itdonga.com)

노타 매출 정보

노타 분기 매출 정보

날짜	매출액	매출액 증가율	영업이익	영업이익 증가율	순이익	순이익 증가율
2026.1Q	3,584,548,582	18.33%	-4,197,671,191	2.07%	-4,015,414,543	7.97%
2025.3Q	3,029,324,318	-	-4,286,460,818	-	-4,362,935,541	-

노타 투자자별 매매동향

순매수량

개인: -17,854

기관: -828

외인: 18,682

누적 순매수량

개인: 1,150,401

기관: -869,973

외인: -8,474

순매수

날짜	개인	기관	외인
2026-07-14	-17,854	-828	18,682
2026-07-13	247	-360	61
2026-07-10	-41,608	4,334	37,209
2026-07-09	-30,910	-204	31,107
2026-07-08	-6,522	-12,588	18,787
2026-07-07	7,835	-898	-7,783
2026-07-06	16,641	-5,532	-9,784
2026-07-03	28,575	-196	-28,227
2026-07-02	85,163	444	-89,392
2026-07-01	-27,537	8,737	18,085
2026-06-30	31,294	-356	-31,064
2026-06-29	-16,659	-9,726	26,376
2026-06-26	-27,509	-910	28,351
2026-06-25	8,615	-5,441	-2,074
2026-06-24	-12,196	-59,174	72,056
2026-06-23	32,757	-45,840	14,775
2026-06-22	1,405	1,081	-2,280
2026-06-19	20,173	-13,349	-5,548
2026-06-18	21,658	-4,144	-16,905
2026-06-17	41,289	-55,191	13,757
2026-06-16	-8,149	11,142	-3,043

누적 순매수

날짜	개인	기관	외인
2026-07-14	106,708	-188,999	83,146
2026-07-13	124,562	-188,171	64,464
2026-07-10	124,315	-187,811	64,403
2026-07-09	165,923	-192,145	27,194
2026-07-08	196,833	-191,941	-3,913
2026-07-07	203,355	-179,353	-22,700
2026-07-06	195,520	-178,455	-14,917
2026-07-03	178,879	-172,923	-5,133
2026-07-02	150,304	-172,727	23,094
2026-07-01	65,141	-173,171	112,486
2026-06-30	92,678	-181,908	94,401
2026-06-29	61,384	-181,552	125,465
2026-06-26	78,043	-171,826	99,089
2026-06-25	105,552	-170,916	70,738
2026-06-24	96,937	-165,475	72,812
2026-06-23	109,133	-106,301	756
2026-06-22	76,376	-60,461	-14,019
2026-06-19	74,971	-61,542	-11,739
2026-06-18	54,798	-48,193	-6,191
2026-06-17	33,140	-44,049	10,714
2026-06-16	-8,149	11,142	-3,043

노타 자산 비율

자산총계	부채비율	자본비율
35,788,413,170	33.29%	66.71%

노타 매출 구성

매출 구성 정보가 없습니다.

노타 공매도 현황

최근 공매도 거래량: 3,087 (1.5%)

최근 공매도 잔고: 269,817 (1.26%)

공매도 거래량

날짜	종가	공매도량	공매도비중
2026-07-14	16,820	3,087	1.50%
2026-07-13	17,570	899	0.39%
2026-07-10	19,130	4,132	2.05%
2026-07-09	18,010	179	0.11%
2026-07-08	18,030	445	0.17%
2026-07-07	19,620	2,866	1.17%
2026-07-06	20,950	4,003	1.79%
2026-07-03	22,350	4,796	1.16%
2026-07-02	21,350	5,670	0.57%
2026-07-01	21,250	1,453	0.64%
2026-06-30	20,700	9,648	3.54%
2026-06-29	20,450	4,705	2.44%
2026-06-26	19,350	9,801	2.24%
2026-06-25	21,450	17,045	6.78%
2026-06-24	22,250	153	0.06%
2026-06-23	22,100	4,732	1.25%
2026-06-22	23,750	2,455	0.71%
2026-06-19	23,200	4,850	1.01%
2026-06-18	25,050	5,407	1.46%
2026-06-17	26,450	5,666	1.40%
2026-06-16	27,400	1,562	0.54%

공매도 잔고

날짜	종가	공매도 잔고	공매도 비중
2026-07-10	19,130	269,817	1.26%
2026-07-09	18,010	278,292	1.30%
2026-07-08	18,030	291,826	1.37%
2026-07-07	19,620	307,677	1.44%
2026-07-06	20,950	305,443	1.43%
2026-07-03	22,350	296,808	1.39%
2026-07-02	21,350	265,256	1.24%
2026-07-01	21,250	250,267	1.17%
2026-06-30	20,700	262,188	1.23%
2026-06-29	20,450	245,212	1.15%
2026-06-26	19,350	258,192	1.21%
2026-06-25	21,450	250,862	1.18%
2026-06-24	22,250	246,856	1.16%
2026-06-23	22,100	320,213	1.50%
2026-06-22	23,750	319,734	1.50%
2026-06-19	23,200	322,868	1.51%
2026-06-18	25,050	318,857	1.49%
2026-06-17	26,450	314,021	1.47%
2026-06-16	27,400	309,722	1.45%
2026-06-15	27,100	309,620	1.45%
2026-06-12	27,100	309,200	1.45%

노타 업종 내 비교

업종 내 비교 정보가 없습니다.