오픈 가중치 모델(open weights)을 둘러싼 논의는 이제 단순한 오픈소스 대 폐쇄 소스의 이분법을 넘어섰다. 내이선 램버트(Nathan Lambert)가 정리한 오픈 모델 자료 목록은 지난 몇 년간의 핵심 문헌을 한데 모은 것으로, 오픈 모델이 무엇이고 왜 공개되며 어떤 사업 전략 및 위험과 얽혀 있는지를 조망한다. 국내 실무자 입장에서 이 목록이 중요한 이유는, 여기서 다루는 주제들이 이미 모델 도입 의사결정과 규제 리스크에 직접 영향을 주기 시작했기 때문이다.
출발점은 '개방성'을 스펙트럼으로 보는 관점이다. 아이린 솔라이먼(Irene Solaiman)은 라이선스, 모델 구동 비용, 데이터 접근성 같은 요소에 따라 공개 수준이 연속적으로 달라진다고 정리했다. 실제로 가중치만 공개된 모델과 학습 데이터·과정까지 공개된 '완전 개방' 모델(예: EleutherAI의 Pythia, Olmo 계열)은 재현성과 연구 활용 측면에서 성격이 다르다. 도입을 검토할 때 '오픈이냐 아니냐'가 아니라 '어디까지 열려 있고 그것이 내 워크플로에 무엇을 허용하는가'를 따져야 한다는 뜻이다.
격차는 좁혀졌고, 선두는 중국이다
목록이 반복해서 강조하는 사실은 오픈 모델과 폐쇄 프런티어 모델의 성능 격차가 근래 크게 줄어 대략 4~6개월 수준에 이르렀다는 점이다. 그리고 2024년 무렵부터 선두 오픈 모델은 대부분 중국 연구소에서 나왔다. SemiAnalysis의 독립 평가나 호바르 이흘레(Håvard Tveit Ihle)의 분석은 오픈 모델이 시간이 지날수록 프런티어에 근접해 왔다고 결론짓는다. 다만 절대 성능의 최전선에 있는 것은 아니고, 오픈 모델의 강점은 비용 대비 성능, 즉 파레토 비용 경계에 위치한다는 데 있다. 케빈 슈(Kevin Xu)는 중국이 오픈소스에서 갖는 구조적 우위를 지적하며, 이 흐름이 우연이 아니라 산업 구조에서 비롯된 것임을 짚는다.
이 격차 축소는 서구 기업의 실제 선택으로 나타나고 있다. 퍼플렉시티(Perplexity)는 DeepSeek R1을 빠르게 도입했고, 톰슨 로이터(Thomson Reuters)는 Claude에서 벗어나 Qwen 기반으로 전환하며 비용 절감을 내세웠다. 그만큼 비용에 민감한 실무 환경에서 중국산 오픈 모델은 무시할 수 없는 선택지가 됐다.
규제와 거버넌스라는 변수
그러나 이 선택에는 규제 리스크가 따라붙는다. 자료 목록에 따르면 미국 의원들은 중국 모델 사용을 두고 도어대시, 에어비앤비, 앤디스피어(Cursor), 애플 등을 상대로 문제를 제기했다. 즉 어떤 모델을 쓰느냐가 기술 사양을 넘어 정책·평판 문제가 될 수 있다. 램버트가 '오픈 모델에 남은 6개월'이라는 글에서 경고한 모호한 연방 감독 방식, 이른바 '분위기 규제(vibe regulation)'는 프런티어 오픈 모델의 충돌이나 금지로 이어질 수 있다는 우려를 담는다.
안전성 논쟁도 정리해 둘 필요가 있다. 카푸어·보마사니 등의 초기 연구는 텍스트 중심 LLM이 문서화된 잠재 위험을 아주 미미하게만 높인다고 봤고, 헬렌 토너(Helen Toner)는 특정 임계값에서 AI 접근을 통제하려는 '비확산' 접근이 잘못됐다고 주장한다. 일정 수준 이상의 지능이 어차피 확산될 것이라면, 접근 차단보다 하류의 위험에 사회가 대비하는 편이 현실적이라는 것이다. 사이버 보안 측면에서 조슈아 색스(Joshua Saxe)도 모델 차단보다 위협을 관찰·판단·대응하는 국가 차원의 정책이 필요하다고 본다.
증류(distillation): 2026년의 핵심 쟁점
2026년 오픈 모델 논의에서 가장 뜨거운 주제는 증류다. 증류는 더 강한 모델의 출력 토큰으로 다른 모델을 학습시키는 기법으로, 흔히 SFT 데이터를 통한 방식이 대표적이다. 여기서 실무자가 주목할 사건이 있다. 판필로프·슈모츠·슈마일로프 등의 연구는 독점 API에서 추론 흔적(reasoning trace)을 체계적으로 추출할 수 있음을 보였고, 앤스로픽은 중국 연구소들이 이 기법을 사용했다고 확인했다. 또한 앤스로픽의 오용 대응 보고서는 금지된 당사자가 제품을 우회 사용한 사례를 상세히 기록했다.
다만 램버트는 '증류 패닉'에서 증류가 중국 모델이 프런티어에 근접한 유일한 이유라는 주장은 근거가 부족하다고 반박한다. 증류가 격차 축소를 가속할 수는 있어도 그것이 혁신 자체를 부정하지는 않는다는 것이다. 그는 과거 DeepSeek-R1이 OpenAI o1에서 증류됐다는 의혹에 대해 명확한 증거가 없다고 봤으나, 이후 추론 흔적 추출 기법을 감안하면 일부 흔적을 활용했을 가능성을 처음보다 열어두게 됐다고 밝힌다.
결국 이 목록이 주는 실무적 함의는 명확하다. 오픈 모델은 강력한 폐쇄 모델을 대체하기보다 보완재로서, 특히 기업 맞춤형 에이전트 워크플로 구축에 쓰일 것으로 전망된다. 비용 경계에서 유리하고 도입 자유도가 높지만, 성능은 구조적으로 몇 개월 뒤처지고 어떤 모델을 선택하느냐가 규제·거버넌스 리스크와 직결된다. 오픈 모델을 검토하는 조직이라면 성능·비용뿐 아니라 개방 수준과 규제 지형을 함께 저울질하는 것이 안전한 접근이다.