Claude Opus 4.7의 금융 벤치마크와 고해상도 비전 전략

금융 업무로 좁혀 본 모델 성능

Anthropic은 2026년 4월 16일 Claude Opus 4.7을 출시했다. 이번 발표의 무게중심은 범용 성능보다 금융 업무에 맞춘 평가와 배포 전략에 있다. 모델은 Vals AI Finance Agent 벤치마크에서 64.37%를 기록했고, 최대 3.75MP 이미지를 처리하는 비전 기능도 탑재했다. 금융사 합작법인 설립과 FIS와의 파트너십은 이러한 기능을 실제 금융 워크플로로 확장하려는 움직임이다.

Vals AI Finance Agent는 스탠퍼드 연구진과 글로벌 시스템적 중요 은행(G-SIB), 업계 전문가들이 함께 만든 537개 문항의 평가 체계다. 엔트리 레벨 금융 애널리스트가 수행하는 상장기업 SEC 공시 리서치, 신용 분석, 투자 실사, 에쿼티 리서치 등을 대상으로 한다.

Claude Opus 4.7의 점수는 64.37%다. Claude Sonnet 4.6은 63.33%, Muse Spark는 60.59%, DeepSeek V4는 60.39%를 기록했다. 경제적 가치가 높은 지식 업무를 측정하는 GDPval-AA에서도 Claude Opus 4.7이 1위를 차지했다. 2026년 5월 4일 기준 Vals 종합 지수에서는 72.21%로 GPT-5.5의 71.0%, GPT-5.4의 66.13%를 앞섰다.

⤢✕

이 성능의 기반으로는 도메인 특화 파인튜닝 아키텍처가 제시된다. SEC 공시와 재무제표, 규제 문서 등 금융 데이터를 선별해 사용하고 금융 추론 작업에 맞춘 RLHF 정렬을 거쳤다. 평가 역시 지식 암기보다 복합 추론과 다단계 의사결정을 측정하는 데 초점을 둔다.

고밀도 금융 문서를 읽는 비전 파이프라인

Claude Opus 4.7은 Anthropic 모델 가운데 처음으로 고해상도 이미지를 지원한다. 최대 해상도는 기존 1568px(1.15MP)에서 2576px(3.75MP)으로 늘었고, 시각적 정확도는 54.5%에서 98.5%로 향상되었다. Opus 4.6과 비교하면 약 3배 높은 해상도다.

입력 이미지는 이미지 토크나이저에서 패치 단위로 나뉜다. Opus 4.7은 기존 모델보다 세밀한 패치 그리드를 사용해 슬라이드의 작은 글자와 복잡한 UI 모크업, 고밀도 재무 보고서의 표와 차트를 처리한다. 비전 인코더가 패치 임베딩을 추출한 뒤에는 KV 메모리 효율화 기법으로 고해상도 입력에 따른 메모리 부담을 줄인다.

Anthropic은 고해상도 비전을 적용한 뒤 시각적 추론 워크플로의 생산 업무 해결률이 3배 증가했다고 발표했다. 금융 업무에서는 재무제표 PDF, 투자 설명서 슬라이드, KYC 서류 스캔본을 파싱하는 데 이 기능을 활용할 수 있다.

벤치마크를 실제 금융 업무로 연결하는 방식

Anthropic은 Blackstone, Hellman & Friedman, Goldman Sachs Group과 함께 월스트리트 기업에 AI 도구를 제공하는 합작법인을 설립했다. 사모펀드 포트폴리오 기업에 도메인 특화 AI 서비스를 공급하는 구조다.

FIS(Fidelity National Information Services)와는 은행용 금융 범죄 탐지 AI 에이전트를 공동 개발했다. Financial Crimes AI Agent는 자금 세탁 방지(AML) 경보와 사례 조사 시간을 수일에서 수분으로 줄이고, 오탐(false positive)을 낮추며, 의심 거래 보고서(SAR)의 서술 품질을 높인다. BMO와 Amalgamated Bank가 초기 도입 기관으로 참여하고 있으며 2026년 하반기에 광범위한 서비스 개시가 예정되어 있다.

금융 서비스에서 시간이 많이 드는 업무를 겨냥한 10개의 에이전트 템플릿도 출시했다. 피치북 작성, KYC 파일 심사, 월말 결산이 여기에 포함된다. Dun & Bradstreet, Fiscal AI, Financial Modeling Prep, Guidepoint, IBISWorld 등 금융 데이터 제공업체와 연결하는 커넥터도 함께 제공한다.

금융 AI 평가는 실무 판단을 재현해야 한다

도메인 특화 벤치마크에서는 실제 업무를 얼마나 충실히 반영하는지, 즉 실무 대표성(ecological validity)이 중요하다. Vals AI Finance Agent는 실제 금융 애널리스트의 업무 데이터로 문항을 구성하고 사실 암기보다 복합 추론과 실무 판단을 평가한다. 답을 명확하게 검증할 수 있도록 설계했으며, 모델이 함수 호출이나 데이터 조회 같은 도구를 사용해 문제를 해결하는 에이전틱 평가 방식을 채택했다.

운영 단계에서는 설명가능성(explainability), 감사 추적(audit trail), 규제 정합성(regulatory compliance)이 함께 요구된다. 감독자와 감사자가 모델의 추론 과정을 이해할 수 있어야 하고, 에이전트가 수행한 행동은 기록과 재현이 가능해야 한다. AML, KYC, GDPR, 금융 소비자보호법 등 적용 규제를 준수하는 설계도 필요하다.

Anthropic은 FIS와 협업하면서 Forward Deployed Engineer(FDE) 팀을 현장에 파견하는 배포 방식을 택했다. 금융 AI 경쟁이 벤치마크 점수에 머물지 않는 이유가 여기에 있다. 도메인 데이터와 모델 성능을 실제 업무에 연결하려면 설명가능성과 감사 가능성, 규제 적합성을 배포 구조 안에서 함께 다뤄야 한다.

금융 업무로 좁혀 본 모델 성능

고밀도 금융 문서를 읽는 비전 파이프라인

벤치마크를 실제 금융 업무로 연결하는 방식

금융 AI 평가는 실무 판단을 재현해야 한다

Sources

함께 읽기