오픈소스 AI, 용어부터 헷갈리지 않으셨나요
AI 뉴스레터 Interconnects를 운영하는 Nathan Lambert가 '오픈소스 AI와 오픈 모델 읽기 목록'을 공개했어요. 이분이 누구냐면, 앨런 AI 연구소(Ai2)에서 완전 공개 모델 OLMo와 후속학습 모델 Tülu를 만드는 데 참여했고, RLHF에 관한 책을 직접 써서 무료로 공개한 사람이에요. 오픈 모델 진영에서 가장 꾸준히 목소리를 내온 사람 중 하나라서, 이 사람이 '이건 읽어야 한다'고 골라준 목록은 그 자체로 의미가 있어요.
그런데 목록을 그냥 따라 읽기 전에 알아둬야 할 게 있어요. 오픈소스 AI 세계는 용어가 정말 뒤죽박죽이거든요. 라마(Llama)를 오픈소스라고 부르는 사람도 있고 아니라는 사람도 있고, 딥시크(DeepSeek)는 어디까지 공개한 건지, 오픈 웨이트라는 말은 또 뭔지. 그래서 이 글에서는 목록 자체보다, 목록을 읽을 때 뼈대가 되는 개념들을 먼저 정리해드릴게요.
오픈 웨이트와 오픈소스는 다른 말이에요
가장 중요한 구분이에요. 오픈 웨이트(open weights)는 이게 뭐냐면, 학습이 끝난 모델의 가중치 파일만 공개한 걸 말해요. 비유하자면 완성된 빵은 주는데 레시피와 재료 목록은 안 주는 거예요. 빵을 먹을 수도 있고 잘라서 다른 요리에 넣을 수도 있지만, 똑같은 빵을 처음부터 다시 구울 수는 없죠. 라마, 큐원(Qwen), 딥시크 대부분이 여기에 해당해요.
반면 진짜 의미의 오픈소스 모델은 가중치뿐 아니라 학습 데이터, 학습 코드, 학습 과정의 중간 결과물까지 전부 공개해요. 레시피와 재료까지 다 주는 거죠. Ai2의 OLMo, EleutherAI의 Pythia, 허깅페이스의 SmolLM 같은 프로젝트가 이 방향이에요. 오픈소스 이니셔티브(OSI)는 2024년 10월에 '오픈소스 AI 정의'를 발표하면서 데이터에 대한 충분한 정보와 코드, 가중치가 모두 공개되어야 오픈소스 AI라고 못 박았어요. 이 기준으로 보면 라마는 오픈소스가 아니에요.
라이선스도 봐야 해요. 라마 라이선스는 월 사용자 7억 명이 넘는 서비스는 별도 허가를 받아야 한다는 조항이 있고, 파생 모델 이름에 라마를 붙이라는 조건도 있어요. 반면 큐원 대부분과 딥시크는 아파치 2.0이나 MIT 같은 진짜 오픈소스 라이선스를 써요. 그러니까 '공개 범위'와 '라이선스'는 별개의 축이고, 둘 다 따로 확인해야 해요.
모델은 어떻게 만들어지나: 사전학습과 후속학습
읽기 목록을 이해하려면 학습 과정도 알아야 해요. 크게 두 단계예요. 사전학습(pretraining)은 인터넷 텍스트 수조 개 토큰을 읽혀서 '다음 단어 맞히기'를 시키는 단계예요. 이 단계가 끝난 모델은 지식은 많지만 대화를 할 줄 몰라요. 그래서 후속학습(post-training)이 필요해요. 여기서 SFT(지도 미세조정)로 질문과 답변 예시를 보여주고, RLHF나 DPO 같은 방법으로 '사람이 더 좋아하는 답'을 고르도록 훈련시켜요. 최근에는 수학이나 코딩처럼 정답을 자동으로 채점할 수 있는 문제로 강화학습을 돌리는 RLVR 방식이 추론 모델의 핵심 기법이 됐고요. Lambert의 RLHF 책이 이 후속학습 단계를 처음부터 끝까지 다루는 교과서라서, 목록에서 이 부분을 먼저 읽으시면 나머지 논문이 훨씬 잘 읽혀요.
오픈 모델 지형도: 중국의 약진과 미국의 재정비
읽기 목록의 맥락을 이해하려면 지금 오픈 모델 시장이 어떻게 돌아가는지도 알아야 해요. 2025년부터 가장 눈에 띄는 흐름은 중국 모델의 약진이에요. 딥시크 R1이 추론 모델을 오픈 웨이트로 풀어버린 이후, 알리바바의 큐원, 문샷의 키미(Kimi), 즈푸의 GLM까지 최상위권 오픈 모델을 중국 기업들이 거의 독식하다시피 했어요. 메타가 라마 4 이후 오픈 모델 전략을 재검토하면서 미국 쪽 공백이 생겼고, 그 자리를 Ai2의 OLMo, 엔비디아의 네모트론, 그리고 2025년 8월에 오픈AI가 오랜만에 내놓은 오픈 웨이트 모델 gpt-oss가 채우고 있는 상황이에요. Lambert가 반복해서 주장해온 게 바로 '미국도 진짜 오픈 모델을 만들어야 한다'는 것이었는데, 이 목록도 그 문제의식의 연장선에 있다고 보시면 돼요.
한국도 이 흐름 안에 있어요. LG의 EXAONE, 네이버의 HyperCLOVA X SEED, 업스테이지의 Solar, 카카오의 Kanana가 오픈 웨이트로 공개됐고, 정부 주도의 독자 파운데이션 모델 프로젝트도 진행 중이죠. 그래서 '오픈 모델을 어디까지 공개할 것인가'는 남의 이야기가 아니라 한국 팀들이 지금 당장 결정해야 하는 문제예요.
한국 개발자에게 주는 시사점
실무에서 오픈 모델을 도입할 때 체크리스트로 쓰시면 좋을 것들이에요. 첫째, 라이선스를 반드시 확인하세요. 상업 서비스라면 아파치 2.0이나 MIT 모델이 가장 마음 편하고, 라마 계열은 조항을 법무팀과 같이 봐야 해요. 둘째, 학습 데이터 출처가 공개된 모델인지 보세요. 데이터가 불투명하면 나중에 저작권 문제가 터졌을 때 대응이 어려워요. 셋째, 베이스 모델인지 후속학습이 끝난 인스트럭트 모델인지 구분하세요. 직접 미세조정할 거면 베이스, 바로 쓸 거면 인스트럭트예요. 서빙은 vLLM이나 llama.cpp, 로컬 테스트는 Ollama로 시작하시면 진입 장벽이 낮고요.
읽기 목록을 공부하는 순서는 이렇게 추천드려요. 먼저 오픈 웨이트와 오픈소스의 차이를 다룬 글, 그 다음 RLHF 책의 앞부분, 그리고 OLMo나 Tülu처럼 학습 레시피를 전부 공개한 프로젝트의 기술 보고서 순서로 가시면 개념이 차곡차곡 쌓이는 느낌이 들 거예요.
정리하면
한 줄 요약은 이거예요. 오픈소스 AI를 이해하는 첫걸음은 '가중치만 공개'와 '전부 공개'를 구분하는 것이고, 지금 오픈 모델 시장은 중국이 주도하는 가운데 미국과 한국이 따라잡으려는 판이에요.
여러분 팀은 오픈 모델을 고를 때 뭘 제일 먼저 보세요? 성능 벤치마크인가요, 라이선스인가요, 아니면 한국어 성능인가요? 그리고 한국 기업들은 가중치만 풀어야 할까요, OLMo처럼 데이터까지 다 열어야 할까요?
🔗 출처: Hacker News