Claude Opus 4.7 고해상도 비전과 Claude Security 보안 스캐닝

2026년 4월과 5월에 이어진 Anthropic의 발표 흐름에는 서로 다른 듯한 기능이 맞물려 있다. 4월 16일 출시된 Claude Opus 4.7은 기존 Claude 모델 대비 3배 이상의 해상도를 지원하는 고해상도 비전을 탑재했다. 4월 30일 공개 베타로 전환된 Claude Security는 코드베이스를 스캔해 취약점을 찾고 패치를 제안한다. 하나는 이미지를, 다른 하나는 코드를 다루지만 둘 다 LLM이 복잡한 기술 정보를 더 세밀한 맥락 안에서 해석하는 방향을 보여준다.

이미지가 언어 모델의 입력이 되는 과정

멀티모달 LLM의 이미지 처리는 Vision Transformer(ViT) 아키텍처를 토대로 한다. 이미지를 16×16 또는 32×32 픽셀 크기의 패치로 나눈 뒤, 각 패치를 텍스트 토큰처럼 임베딩 벡터로 변환한다. 패치는 선형 프로젝션 레이어를 거치면서 트랜스포머 입력 차원에 맞는 고정 크기 벡터가 되고, 여기에 위치 인코딩을 더해 원래 이미지의 공간 관계를 보존한다.

비전 인코더에서 만들어진 이미지 토큰을 언어 모델에 전달하려면 두 영역을 잇는 장치가 필요하다. 멀티모달 LLM은 크로스 어텐션이나 선형 프로젝션 브리지를 사용해 이미지 토큰 시퀀스를 텍스트 토큰과 같은 시퀀스 공간에 넣는다. 트랜스포머는 이 결합된 입력을 바탕으로 이미지와 텍스트를 함께 처리한다.

해상도를 높이면 패치와 연산량도 늘어난다

고해상도 지원은 입력 이미지의 크기만 키우는 문제가 아니다. 가로와 세로 해상도가 증가하면 패치 수가 제곱으로 늘어나고, 패치 수는 곧 트랜스포머의 시퀀스 길이로 이어진다. 어텐션 연산의 복잡도는 O(n²)이므로 해상도를 확장하려면 계산량을 제어할 인코딩 전략이 필요하다.

타일링은 큰 이미지를 여러 저해상도 타일로 나누고 각 타일을 따로 인코딩한 뒤 결과를 합치는 방식이다. 동적 해상도 스케일링은 이미지의 콘텐츠 복잡도에 맞춰 처리 해상도를 조정해 품질과 계산 효율의 균형을 잡는다.

Anthropic은 이미지 토큰 비용을 (width × height) / 750 공식으로 근사한다. Claude Opus 4.7에서는 긴 쪽 엣지의 최대값이 기존 1,568픽셀에서 2,576픽셀로 늘었으며, 최대 처리 가능 면적은 약 3.75메가픽셀이다.

⤢✕

밀집된 시각 자료에서 드러난 변화

Claude Opus 4.7은 XBOW의 시각 예민도(visual-acuity) 벤치마크에서 98.5%를 기록했다. 전작인 Opus 4.6의 점수는 54.5%였다.

해상도 확장의 효과는 작은 요소가 빽빽하게 들어찬 이미지에서 두드러진다. UI 스크린샷에서는 텍스트와 레이아웃을 픽셀 단위로 판독할 수 있고, 화학 구조식·회로도·플로우차트처럼 가는 선과 기호가 많은 기술 다이어그램에서도 세부 정보를 추출할 수 있다. 재무 리포트, 연구 논문의 그래프와 테이블처럼 정보 밀도가 높은 문서 역시 분석 정확도가 향상된 영역이다.

이 기능은 별도의 API 파라미터 변경 없이 자동 적용되도록 설계됐다. 기존 통합을 수정하지 않고도 고해상도 처리 성능을 사용할 수 있다.

Claude Security가 코드베이스를 읽는 방식

Claude Security는 정적 애플리케이션 보안 테스트(SAST)에 LLM의 맥락 이해 능력을 결합한 코드 보안 검사 도구다. 기존 SAST가 패턴 매칭과 데이터 플로우 분석을 중심으로 검사한다면, Claude Security는 소스 코드 전체를 읽으면서 파일과 모듈의 상호작용 및 데이터 흐름을 분석한다.

발견한 취약점에는 신뢰 수준과 심각도, 예상 영향, 재현 단계가 함께 제공된다. 취약한 위치만 표시하는 대신 개발자가 위험을 해석하고 대응 순서를 정하는 데 필요한 맥락까지 전달하는 방식이다.

검사 범위는 저장소의 특정 디렉토리로 제한할 수 있다. 발견 항목을 무시할 때는 그 사유를 문서화할 수 있으며, 결과는 CSV나 Markdown으로 내보내 기존 추적·감사 시스템에 연결할 수 있다.

코드 생성 직후 보안 검사를 연결한다

AI 코딩 어시스턴트로 코드를 만들거나 수정한 직후 Claude Security가 변경 사항을 스캔하면 코드 생성과 보안 검증을 한 흐름으로 묶을 수 있다. 새 코드가 도입한 취약점을 작성 시점에 찾는 구조다.

보안 피드백이 코드 리뷰나 프로덕션 배포 이후가 아니라 개발 라이프사이클 초기에 도착하면 수정 비용과 위험을 대폭 낮출 수 있다. 스캔은 릴리스 사이클이나 규제 타임라인에 맞춰 예약할 수 있고, 웹훅을 통해 Slack, Jira, 기타 도구로 발견 항목을 전달할 수 있다.

공개 베타는 현재 Claude Enterprise 고객에게 제공된다. Team과 Max 플랜 지원은 이후 확대될 예정이다. Anthropic은 CrowdStrike, Microsoft Security, Palo Alto Networks, SentinelOne, TrendAI, Wiz와 파트너십을 맺고 이들 기업이 Opus 4.7을 자체 보안 도구에 내장할 수 있도록 지원하고 있다. Claude Security를 독립 스캐너에 가두지 않고 기존 기업 보안 인프라에 연결하려는 접근이다.

LLM 스캐너가 놓칠 수 있는 것

대규모 코드베이스는 단일 LLM 컨텍스트에 모두 담기 어렵다. 파일이나 모듈 단위로 나눠 분석하면 여러 경계를 가로지르는 복잡한 취약점 체인을 놓칠 수 있다. 컨텍스트 창 제약은 코드베이스 전체의 관계를 한 번에 추적하기 어렵게 만드는 구조적 한계다.

오탐(False Positive)과 미탐(False Negative)도 함께 관리해야 한다. LLM은 코드의 의미론적 의도를 파악하는 데 강하지만, 실행 환경의 런타임 동작이나 프레임워크 내부 처리 방식까지 완전히 모델링하기는 어렵다. 안전한 코드를 취약한 패턴으로 판단하거나 정교하게 숨겨진 취약점을 지나칠 가능성이 남는다.

같은 코드에서도 분석 시점에 따라 결과가 달라질 수 있다는 비결정성 문제도 있다. 일관되고 재현 가능한 감사 결과가 필요한 규제 환경이라면 별도의 검증 레이어가 필요하다.

DevSecOps 파이프라인에서 맡길 역할

LLM 기반 스캐너는 Semgrep, SonarQube 같은 기존 SAST와 DAST, SCA(소프트웨어 구성 분석)를 대체하기보다 보완하는 위치에 두는 편이 적절하다. LLM은 맥락과 복잡한 로직 흐름을 분석하는 데 강점이 있고, 패턴 기반 도구는 빠르고 결정론적인 검사에 알맞다.

Claude Security가 제안한 패치는 자동 반영하지 않고 개발자가 검토하고 승인한 뒤 적용하도록 구성해야 한다. AI가 만든 패치가 다른 취약점을 추가할 가능성을 배제할 수 없기 때문이다.

처음에는 경고 모드로 운영하면서 오탐률을 확인하고, 팀의 코드와 운영 환경에 맞춰 신뢰 수준 임계값을 조정할 수 있다. 검사 결과가 안정화된 이후 CI/CD 게이트 조건으로 격상하는 점진적 도입이 권장된다.

⤢✕

DevSecOps 성숙도가 높은 조직에서는 LLM 스캐너의 고맥락 분석 능력을 기존 도구가 놓치기 쉬운 비즈니스 로직 취약점, 인증 우회, 권한 에스컬레이션 탐지에 집중할 수 있다. 고해상도 비전과 코드 보안 스캐닝 모두 LLM의 적용 범위를 넓히지만, 보안 영역에서는 오탐과 비결정성을 전제로 기존 도구 스택과 인간 검토 절차를 함께 설계해야 한다.