Nucleus-Image는 Nucleus AI가 2026년 4월 14일 공개한 희소 전문가 혼합(Sparse Mixture of Experts, Sparse MoE) 기반 텍스트-이미지 생성 모델이다. 전체 규모는 17B 파라미터지만 한 번의 추론에서 약 2B만 활성화하도록 설계되어, 모든 파라미터를 매번 계산하는 밀집형 모델과 다른 접근을 취한다. 64개의 라우팅 전문가(routed experts)와 공유 전문가(shared experts)를 구성하고, 전문가가 처리할 토큰을 선택하는 Expert-Choice Routing을 적용한다. 대형 전문 조직 전체를 매 요청마다 투입하는 대신, 작업과 관련된 소수의 전문가만 호출하는 체계에 가깝다. 다양한 화면비를 지원하며 Hugging Face Diffusers 생태계와 연결되고, 반복되는 텍스트 조건 계산을 줄이기 위한 text KV caching도 제공하는 것으로 소개됐다.

기존의 대규모 이미지 생성 모델은 성능을 높이기 위해 파라미터를 확대할수록 추론 계산량과 메모리 부담도 함께 커지기 쉽다. 또한 공개 모델이라 하더라도 최종 가중치만 제공되고 학습 코드나 데이터 구성 방법이 빠져 있으면, 연구자가 결과를 재현하거나 모델 설계를 검증하기 어렵다. Nucleus-Image의 차별점은 17B 전체 용량을 유지하면서 입력마다 약 2B의 선택된 경로만 계산하는 희소 활성화 구조와 함께 모델 가중치, 학습 코드, 데이터 레시피를 공개했다는 점이다. GPT 계열 모델이 텍스트 토큰에 적합한 처리 경로를 선택하듯, 이 모델은 이미지 생성 과정의 토큰을 서로 다른 전문가에게 배분한다. 따라서 단순한 이미지 생성기뿐 아니라 MoE 라우팅, 전문가 특화, 학습 재현성을 연구할 수 있는 실험 대상으로도 의미가 있다.

생명과학 연구자는 논문 초록이나 실험 계획을 바탕으로 학회 발표용 개념 이미지를 제작하는 데 활용할 수 있다. 예를 들어 “종양 미세환경에서 T세포와 암세포의 상호작용”처럼 복합적인 장면을 여러 화면비로 생성한 뒤, 실제 현미경 데이터가 아닌 설명용 합성 이미지임을 명시해 슬라이드나 연구 제안서에 사용할 수 있다. Diffusers 파이프라인과 text KV caching을 결합하면 동일한 긴 프롬프트에서 세포 유형, 배경 또는 시각적 구도만 바꾸는 반복 생성 워크플로를 구성할 수 있다. 다만 생성 결과는 생물학적 사실이나 실험 증거가 아니므로 구조적 정확성을 전문가가 별도로 검토해야 하며, 진단·정량 분석·원자료 대체 용도로 사용해서는 안 된다.

또 다른 활용 방향은 공개된 가중치와 학습 자원을 기반으로 한 도메인 적응 연구다. 연구팀은 생명과학 도식이나 공개 라이선스 과학 이미지로 구성된 별도 데이터셋을 준비하고, 64개 라우팅 전문가의 선택 양상이 조직 유형·염색법·도식 스타일에 따라 달라지는지 분석할 수 있다. 같은 프롬프트를 밀집형 모델과 비교해 생성 품질, 활성 파라미터 수, 지연 시간 및 메모리 사용량을 기록하면 Sparse MoE가 과학 시각화에 주는 효과를 정량적으로 평가할 수 있다. 실제 미세조정 절차와 지원 파라미터, 권장 하드웨어 수치는 공식 저장소 문서를 다시 확인한 뒤 확정해야 한다.