대형 언어모델의 성능은 탐나지만 가중치도 로짓도 못 보는 '블랙박스' API만 열려 있다면? 이 연구는 GPT-4 같은 폐쇄형 모델의 출력 텍스트만으로 작고 운영 가능한 모델에 지식을 옮기는 증류(distillation) 기법을 정리합니다. 핵심은 세 가지입니다. 첫째, 내부 확률값 대신 '생성된 답변·설명·추론 과정' 자체를 학습 신호로 삼습니다. 둘째, 단순 정답 모방을 넘어 사고의 연쇄(chain-of-thought)와 근거까지 따라 배우게 해 추론 능력을 이식합니다. 셋째, 잘 설계된 프롬프트로 다양한 학습 데이터를 뽑아내는 것이 품질을 좌우합니다. 실무적으로는 비싼 API 호출을 줄이고, 데이터 유출 걱정 없이 사내 모델을 운영하며, 특정 도메인에 특화된 경량 모델을 만드는 길을 열어줍니다. 다만 원본의 라이선스·이용약관과 편향까지 함께 복제될 수 있다는 점은 반드시 짚어야 할 부분입니다. LLM 비용과 종속성에 고민 중인 팀이라면 검토할 가치가 있습니다.