통합 예측은 틀렸다 — 실제로 일어나고 있는 일

2026년을 앞두고 가졌던 통념은 명확했습니다. AI 학습 비용으로 인해 시장 통합(Consolidation)이 일어날 것이라는 점이었습니다. 더 적은 수의 연구소, 더 큰 규모의 베팅, 그리고 승자 독식(Winner-takes-most)의 역학 관계가 나타날 것이라는 예측이었습니다. 하지만 그 예측은 빗나갔습니다.

우리가 실제로 목격하고 있는 것은 그 반대입니다. 더 적은 곳이 아니라, 더 많은 조직이 프런티어급(Frontier-class) 모델을 학습시키고 이를 공개적으로 출시하고 있습니다. 추론 토큰(Inference tokens)에 대한 수요가 효율성 개선을 통한 비용 절감 속도보다 빠르게 성장하고 있으며, 이는 유능한 오픈 모델을 구축하고 출시하는 경제성이 이전보다 줄어든 것이 아니라 그 어느 때보다 매력적이라는 것을 의미합니다.

이러한 변화는 제품 팀에게 엄청나게 중요합니다. 우리가 오픈-폐쇄 모델 격차가 빌더들에게 실제로 의미하는 바에 대한 보도에서 추적했듯이, 독점적(Proprietary) 모델과 오픈 모델 간의 역량 격차는 오픈 모델이 더 이상 타협안이 아닌, 종종 더 현명한 아키텍처적 선택이 될 정도로 좁혀졌습니다.

지형도를 다시 그리는 세 가지 출시

Inkling: Thinking Machines가 오픈 아레나에 진입하다

Thinking Machines는 텍스트, 이미지, 오디오 입력을 처리하는 975B-A41B 멀티모달 MoE(Mixture of Experts)인 Inkling을 출시했습니다. 이 회사가 2025년 초에 출범했을 때, 거의 아무도 그들이 진지한 오픈 모델 플레이어가 될 것이라고 예상하지 못했습니다. 현재 그들은 상당한 수익을 창출하는 상업적 미세 조정(Fine-tuning) 서비스를 운영하고 있으며, Inkling은 모델 연구소로서 그들의 시작을 알리는 선언문입니다.

빌더들에게 여기서 진짜 신호는 포지셔닝입니다. Inkling은 벤치마크 트로피가 아닌, 미세 조정 베이스(Fine-tuning base)로 명시적으로 설계되었습니다. 적응성에 최적화된 모델은 리더보드 순위에 최적화된 모델보다 프로덕션 환경에서 더 가치 있습니다. 이들의 더 작은 276B-A12B 변형 모델은 해당 크기 클래스에서 특히 경쟁력이 있으며, 제한된 추론 예산을 운영하는 팀들의 주목을 받을 만합니다.

Laguna S2.1: 최근 기억 중 가장 투명한 오픈 출시

Poolside는 3개월 연속으로 최상위 오픈 모델 출시 목록에 이름을 올렸으며, 이는 우연이 아닙니다. Laguna S2.1은 단일 DGX Spark에 탑รรม할 수 있는 새로운 사전 학습(pre-trained) 및 사후 학습(post-trained)된 118B-A8B MoE(Mixture-of-Experts) 모델입니다. 이러한 하드웨어 호환성 세부 사항은 충분한 이유가 있는 만큼 상당한 주목을 받았습니다.

이 출시를 차별화하는 점은 투명성입니다. Poolside는 단순히 최종 점수뿐만 아니라 전체 평가 궤적(evaluation trajectories)을 공개했습니다. 이러한 수준의 개방성은 드물며 실질적으로 유용합니다. 프로덕션(production)을 위해 모델을 평가하는 팀들은 벤치마크 수치를 맹목적으로 믿는 대신, 학습 단계 전반에 걸친 성능을 추적할 수 있습니다. 또한 Poolside는 AI 모델 배포를 위해 특별히 설계된, Apache 2.0과 동등하면서도 더 나은 법적 구조를 갖춘 OpenMDW 라이선스를 채택했습니다.

프런티어(frontier) 수준에서 미세 조정(fine-tunable)이 가능하고 허용 범위가 넓은 라이선스를 가진 모델이 필요한 프로덕션 AI 통합 작업을 진행 중이신가요? 저희 팀에 문의하여 프로젝트에 대해 상담해 보세요.

Kimi K3: 판도를 바꾸는 라이선스 논쟁

Kimi K3는 이번 사이클에서 가장 중대한 오픈 모델 출시이며, 저희는 이미 Kimi K3가 오픈 웨이트(open-weights) 군비 경쟁에 의미하는 바를 심도 있게 분석한 바 있습니다. 요약하자면, 이 모델은 강력하지만 추론(inference) 및 미세 조정(fine-tuning) 제공업체가 Moonshot AI와 상업적 계약을 체결해야 하는 비상업적 라이선스 하에 출시되었습니다.

이러한 라이선스 구조는 사소한 각주가 아닙니다. 이는 Kimi K3 추론 토큰을 기반으로 구축하는 미국 기업들이 중국 AI 연구소와 계약 관계를 맺게 된다는 것을 의미합니다. 이러한 관계는 이전에는 "오픈" 모델 사용에 대해 명확한 연결 고리가 없었던 규제 기관 및 정책 도구들이 이제 가시적으로 확인할 수 있는 영역이 되었습니다. 모델의 원시 능력(raw capability)은 인상적입니다. 하지만 이 모델이 만들어내는 컴플라이언스(compliance, 준수) 영역은 제품 및 법무 팀이 신중하게 평가해야 할 요소입니다.

파레토 프런티어(Pareto Frontier)가 빌더들에게 실제로 의미하는 것

"파레토 프런티어 (Pareto frontier)"라는 프레임워크는 정밀하며 중요합니다. 이 모델들은 단순히 경쟁력이 있는 수준을 넘어, 주어진 파라미터 수(parameter count)와 컴퓨팅 예산(compute budget) 내에서 달성 가능한 최선의 성능을 나타냅니다. OpenAI가 가장 작은 모델의 가격을 인하한 지 불과 하루 만에 업데이트된 DeepSeek V4 Flash는 효율성 프런티어(efficiency frontier) 상에서 즉각적으로 앞서 나갔습니다. 이러한 반응성은 폐쇄형(proprietary) 연구소들이 작은 모델 계층(smaller model tiers)에서 따라잡기 위해 고군분투하고 있는 반복(iteration)의 속도를 시사합니다.

저희의 앱 개발 서비스를 통해서든 내부 엔지니어링을 통해서든, 모델을 기반으로 구축하는 팀들에게 이는 실질적인 질문을 던집니다. 어떤 오픈 모델이 귀하의 추론 예산(inference budget), 라이선스 제약 조건(licensing constraints), 그리고 미세 조정(fine-tuning) 로드맵에 적합한가? 그 답은 90일 전과 달랐으며, 앞으로 또 다른 90일 후에는 다시 달라질 것입니다.

하드웨어 독립성 이야기가 현실이 되고 있다

더 많은 관심을 받을 가치가 있는 출시 사례가 하나 있습니다. 바로 Meituan의 LongCat-2.0으로, 이는 전적으로 Huawei Ascend 910 가속기에서 학습된 1.6T 파라미터 MoE(Mixture of Experts) 모델입니다. 이는 Huawei 자체 스택 이외의 중국산 가속기에서 완전히 학습된 최초의 비-Huawei, 비-장난감(non-toy) 모델입니다.

이는 모델의 벤치마크 성능과는 별개로, 하드웨어 독립성 측면에서의 역량 이정표입니다. 본격적인 학습에는 NVIDIA 실리콘이 필요하다는 AI 공급망의 가설이 단순히 연구 논문이 아닌 실제 생산 환경에서 스트레스 테스트를 받고 있습니다.

수익 공유 라이선스와 결정적인 시대

이번 출시 주기 전반에 걸친 더 넓은 패턴은 오픈 모델이 더 이상 단일 카테고리가 아니라는 점입니다. 이들은 완전 허용형(Tencent의 Hy3를 통한 Apache 2.0, Poolside를 통한 OpenMDW), 상업적 합의 필요형(Kimi K3), 그리고 그 사이의 모든 형태를 아우릅니다. 빌더들에게 모델 선택은 이제 역량 감사(capability audit)와 더불어 라이선스 감사(licensing audit)를 요구합니다.

오픈 모델의 결정적인 시대는 다가오고 있는 것이 아니라 이미 도래했습니다. 이를 무시하는 빌더들은 역량(capability)을 포기하고 있는 것과 다름없습니다. Kimi K3가 처음으로 오픈 웨이트(open-weights) 리더보드 상위권에 진입했을 때 다루었듯이, 미국과 중국 연구소 모두의 출시 속도는 대부분의 로드맵이 예상했던 것 이상으로 가속화되었습니다.

오픈 모델 선택을 지속적인 아키텍처 입력(architectural input)이 아닌 분기별 결정 사항으로 취급하는 팀들은 어제의 가정 위에서 구축하고 있는 자신들을 발견하게 될 것입니다.

빌드할 준비가 되셨나요? NerdHeadz는 몇 달이 아닌 몇 주 만에 프로덕션 AI를 출시합니다. 무료 견적 받기.

오픈 모델은 유망한 대안에서 진정한 프런티어 경쟁자로 이동했습니다. Laguna S2.1, Inkling, 그리고 Kimi K3는 각각 투명성(transparency), 미세 조정 유용성(fine-tuning utility), 그리고 순수 역량(raw capability)이라는 서로 다른 차원에서 그 가치를 입증하고 있습니다. 라이선스 환경이 충분히 복잡해짐에 따라, 이제 역량 벤치마크(capability benchmarks)만으로는 모델 선택 결정을 내릴 수 없습니다. 이러한 미묘한 차이를 고려하여 구축하는 팀은 오픈 모델을 여전히 비용 절감을 위한 차선책(fallback)으로 취급하는 팀보다 구조적 우위를 점하게 될 것입니다.