오픈 소스 AI 및 오픈 모델 읽기 목록

여러분 안녕하세요! 저는 오픈 모델에 대한 대중 청중 및 정책 관련 글쓰기를 준비해 왔기에, 제가 조사한 자료들을 공유하려고 합니다. 여기에 정말 멋진 자료들이 많이 있습니다.

이것은 지난 몇 년간 오픈 모델에 대해 작성된 최고의 글 목록입니다. 만약 누군가가 이 분야를 파악하고 싶다면, 이것을 읽는 것이 현황에 대한 포괄적인 개요가 될 것입니다. 아래에 추가할 만한 글이 있다면 댓글로 알려주세요. 제가 시간이 지남에 따라 업데이트하겠습니다.

최종 업데이트: 2026년 9월 15일

기초 (Foundation)

오픈 모델이란 무엇인지, 사람들이 왜 그것들을 공개하는지, 이것들이 비즈니스 전략과 어떻게 관련되는지, 그리고 위험 요소는 무엇인지.

Open Source AI Strategy에 대해, 오픈 소스 소프트웨어가 기업들에 의해 어떻게 사용되어 왔는지와 이것이 AI에 어떤 의미를 가지기 시작했는지에 대한 설명 —

From Open Source Software to Open Source Strategy, Bill Gurley (2026년 5월). Meta가 왜 open 모델을 공개하는지에 대한 가장 명확한 설명 중 하나는 Mark Zuckerberg의 Llama 3 출시 관련 코멘트입니다. —

Open Source AI is the Path Forward, Mark Zuckerberg (2024년 7월)라이선스, 모델 운영 비용, 데이터 접근성 등 여러 요소를 기반으로 오픈/폐쇄라는 이분법적 관점보다는 그라디언트(gradient)로 open 모델을 바라봐야 하는 이유 —

The Gradient of Generative AI Release: Methods and Considerations, Irene Solaiman (2023년 2월).강력한 폐쇄형 모델에 대한 보완재로서 오픈 모델이 미래 경제에서 어떤 역할을 할 것인지. 전 세계 기업들이 open 모델을 사용하여 맞춤형 에이전트 워크플로우를 생성할 것이라는 이유 —

What comes next with open models, Nathan Lambert / Interconnects (2026년 3월)오픈 모델이 기존 경제의 광범위한 영역에 대한 보완 도구를 제공함으로써 가치를 포착하는 방식, IP 역사와 오픈 vs. 폐쇄 모델에 대한 현재 논쟁(예: 증류(distillation))을 바탕으로 한 입장 —

Some Simple Economics of Open versus Closed AI, Christian Catalini (2026년 8월)왜 open 모델이 성능 면에서 폐쇄형 모델보다 항상 뒤처질 것인지 —

지속적인 추격에 놓인 오픈 모델들, Nathan Lambert / Interconnects (2026년 2월) - 오픈 모델과 폐쇄 모델의 채택률 차이 —

오픈 모델과 폐쇄 모델은 서로 다른 지수 곡선 위에 있다, Nathan Lambert / Interconnects(2026년 6월)

• 강력한 오픈 가중치 모델을 출시하는 것과 안전성을 중요하게 다루는 것을 균형 있게 맞추는 방법에 대한 명확한 설명 —

오픈 가중치로의 안전한 경로, Thinking Machines Lab (2026년 7월). - 텍스트 중심 LLM이 모델의 문서화된 잠재적 위험을 매우 미미하게 증가시켰음을 보여준 초기 논문 —

개방형 파운데이션 모델의 사회적 영향에 관하여, Sayash Kapoor, Rishi Bommasani 외 (2024년 2월). - 폐쇄 모델의 안전 가드레일은 정기적으로 우회되어 오픈 가중치 모델의 가설적 위험이 나타나기도 전에 수많은 실제 AI 위험을 야기하고 있다 —

안전하지 않은 오픈 소스 AI라는 신화, Florian Brand (2026년 6월).

오픈 AI 연구를 크게 저해했던 중요한 요소인 오픈 데이터의 대규모 감소 —

위기 속 동의: AI 데이터 코먼즈의 급격한 쇠퇴, Shayne Longpre 외 (2024년 7월). - 중국의 강력한 모델들이 AI 생태계에 미치는 영향에 대한 최근 사례들 —

Kimi K3: 오픈 가중치의 격상, Nathan Lambert / Interconnects (2026년 7월) / GLM-5.2가 오픈 에이전트의 단계적 변화이다, Nathan Lambert / Interconnects (2026년 6월). - 2025년 오픈 모델 이야기 요약:

나단 램버트, 중국의 AI 생태계와 오픈 모델 격차에 관하여 | The Curve 2025, Golden Gate Institute for AI (2025년 11월).

[ 선택 사항] 오픈 모델 채택에 대한 최신 데이터:

미국 대 중국의 모델 채택 비교 요약 — The ATOM Report (2026년 4월),
지역별 모델 다운로드, 파생물 및 연구 채택에 대한 최신 데이터 — Interconnects Adoption Dashboard,
생태계에서 알아야 할 가장 중요한 모델들 — Interconnects Artifacts Hub

미국-중국 경쟁

오픈 모델 분야의 선두 주자는 누구인지, 시간이 지남에 따라 어떻게 변화했는지, 중국이 어떻게 리더십을 유지하는지, 그리고 관련 역사.

미국이 중국의 경쟁 심화에 직면하여 근본적인 연구 개발(R&D) 및 혁신을 위해 오픈 모델에 투자해야 하는 이유 –

The ATOM Project, Nathan Lambert (2025년 8월)
AI 연구 혁신과 유익한 결과물을 촉진하는 관점으로서의 오픈 모델 —

Why I build open language models, Nathan Lambert / Interconnects (2024년 10월)
오픈 모델이 교육, 혁신, 경쟁이라는 세 가지 핵심 미국 가치를 어떻게 육성하는가 —

Banning Open Source AI Would Be A Mistake, Nathan Lambert & Kevin Xu (2026년 6월)
최근의 ‘분위기 규제’/모호한 연방 감독 메커니즘이 가까운 미래에 최첨단 오픈 모델의 충돌 및 또는 금지 상황을 초래하게 하는 이유 —

6 months to live for open models, Nathan Lambert / Interconnects (2026년 7월)

[선택 사항] 이해 분야의 시작을 보여주는 완전한 오픈 언어 모델 기술 보고서: Pythia (EleutherAI, 2023), Olmo (2024), Olmo 2 (2024), Olmo 3 (2025)

중국의 오픈 소스 역사와 AI 발전 과정 —

Chinese Open Source: A Definitive History, Kevin Xu (2026년 3월).중국이 가진 오픈 소스 구조적 이점 —

China’s Structural Advantage in Open Source AI, Kevin Xu (2025년 6월).중국 연구소들이 모델을 구축하는 방식과 중국 산업이 미국과 다른 점 —

Notes from inside China’s AI labs, Nathan Lambert / Interconnects (2026년 5월).중국 연구소들이 어떻게 미국의 경쟁에 발맞추는지(예: 미국 오픈 가중치 연구소들이 공정한 성능 비교에서 중국 연구소와 경쟁하는 데 어려움을 겪는 경우) —

GLM-5.3: How Chinese labs keep stride with the frontier, Nathan Lambert / Interconnects (2026년 8월).

서방 기업들에 의한 중국 모델의 두드러진 사용 사례가 의미 있는 규제적 관심을 불러일으키고 있음(더 많은 논의)

법률 입안자들은 중국 모델 사용과 관련하여 다음과 같은 회사들을 조사했습니다: DoorDash (CNBC, 2026년 7월 31일), Airbnb (Bloomberg, 2026년 4월 29일; Semafor, 2026년 4월 29일), Anysphere / Cursor (Bloomberg, 2026년 4월 29일; Semafor, 2026년 4월 29일), Apple (Reuters, 2025년 5월 17일), Harvey (2026년 8월)

다른 서방 기업들은 비용 절감을 위해 사용 모델을 미국 폐쇄형 연구소(closed labs)의 모델에서 중국 오픈 모델로 매우 공개적으로 전환했습니다. 예시로는 Perplexity가 DeepSeek R1을 눈에 띄고 빠르게 채택한 사례 (Forbes, 2025년 1월 28일)와 Thomson Reuters가 Claude 대신 Qwen을 기반으로 구축하여 이동한 사례 (Business Insider, 2026년 8월 24일) 등이 있습니다.

기술적 세부 사항

증류(distillation)란 무엇이며 이것이 중국 연구소에 얼마나 도움이 되는지, 오픈 모델은 사이버 보안과 같은 최전선 AI 위험에 어떻게 영향을 미치는지, 그리고 오픈 모델이 폐쇄된 최전선보다 얼마나 뒤처져 있는지?

오픈-폐쇄 모델 간의 격차는 최근 몇 년 동안 줄어들었으며, 현재는 대략 4~6개월 정도입니다. 선도적인 오픈 모델들은 모두 2024년경부터 중국 연구소에서 나왔습니다.

독립 평가를 수행한 SemiAnalysis 기사에서는 오픈 모델들이 시간이 지남에 따라 성능 면에서 폐쇄된 최전선(closer frontier)에 점점 가까워지고 있다고 결론지었습니다 —

오픈 모델이 따라잡고 있는가?, SemiAnalysis (2026년 8월)
오픈 모델들은 절대적인 성능 최전선에는 도달하지 못했지만, 비용(cost) 최전선에는 있습니다. 예를 들어 DeepSeek V4 Flash의 평가 및 비용은 Artificial Analysis를 참고하십시오. Epoch AI와 Artificial Analysis의 데이터 출처 (및 미국 대 중국 관련)는 시간이 지남에 따른 오픈-폐쇄 격차를 보여줍니다.

공개 및 비공개 평가가 혼합된 환경에서의 오픈-폐쇄 격차에 대한 독립적인 분석 —

오픈 모델은 얼마나 뒤처져 있는가?, Håvard Tveit Ihle (2026년 5월)
예를 들어, 2025년에 Z.ai의 제품 책임자는 출시 시기에 대해 “빨리 내놓으세요. 몇 시간 안에 오픈 소스로 공개할게요.”라고 말했습니다 —

Z.ai 플레이북, ChinaTalk (2025년 11월 21일)

사이버 위험 및 오픈 모델 (제가 더 발전시킬 계획입니다)

왜 우리가 악의적인 행위자들이 사이버 역량에 사용하는 오픈 모델을 효과적으로 금지할 수 없는가 (그들은 항상 접근할 것이기 때문) —

OpenAI/Huggingface 사건; 자율적인 해킹이 너무 저렴해져서 측정할 수 없는 상황에 어떻게 대처해야 하는가, Joshua Saxe (2026년 7월)
정부가 신흥 사이버 위협(사내 역량 평가를 기반으로 모델을 차단하는 것과 달리)을 관찰하고, 방향을 설정하며, 결정하고 행동하기 위해 무엇을 해야 하는지 —

우리는 일관성 있는 국가 AI 사이버 보안 정책이 시급하다, Joshua Saxe (2026년 8월)
특정 임계값(예: 오픈 웨이트 모델)에서 AI 접근 통제를 기대할 수 없는 이유와, 사용 가능한 지능의 하류단에서 발생하는 위험에 대비해야 하는 이유 —

AI 오용에 대한 비확산(Nonproliferation)은 잘못된 접근 방식이다, Helen Toner (2025년 4월)

지식 증류(Distillation) – 다른 모델의 출력 토큰으로 학습하는 과정 – 는 2026년 오픈 모델을 둘러싼 가장 중요한 논쟁거리입니다.

기본 배경 지식은 다음 교과서 장에서 합성 데이터 및 지식 증류에 대해 일반적으로 다룹니다:

인간 피드백 기반 강화학습 (Reinforcement Learning from Human Feedback) (2026년 출판 예정 교과서)
지식 증류가 중국 연구소에 어떻게 도움이 되지만, 그들의 혁신을 앗아가지는 못하는 방법 —

지식 증류는 중국 LLM에게 실제로 얼마나 중요할까?, Nathan Lambert / Interconnects (2026년 2월)
중국 기업들이 Anthropic의 제품을 어떻게 사용하고 서비스 약관이나 의도된 용도를 우회했는지 매우 투명하게 문서화한 보고서. 이 보고서는 금지된 당사자들에 의한 Anthropic 제품의 대규모 사용 사례를 상세히 다루며, 기술적 지식 증류(SFT 데이터로 언급됨)와 사용자에게 알리지 않고 Claude를 그들의 제품 및 서비스에 광범위하게 라우팅한 방식을 혼합하여 보여줍니다 —

AI 오용 탐지 및 대응: 2026년 9월. 최신 논문으로, 선도적인 연구소들이 API에 구현한 기능을 통해 추론 과정의 흔적(현대 학습에서 중요한 부분)을 교묘한 트릭을 사용해 체계적으로 추출할 수 있음을 보여주었습니다. 최근 지식 증류 관련 논문, 제가 작성한 글입니다 —

Stealing Reasoning Traces from Proprietary LLM APIs, Panfilov, Schmotz, Shumailov et al 2026 (X에서 더 많은 정보 확인). Anthropic은 이 기술이 중국 연구소에 의해 사용되었다고 확인했습니다. 증류(distillation)가 유일한 이유로 중국 모델들이 최첨단 수준에 근접했다는 주장에 대한 정치적 공황은 증거에 기반하지 않습니다 —

The distillation panic, Nathan Lambert / Interconnects (2026년 5월)
어떻게 연구소들이 에이전트 행동 전반에 걸쳐 RL 환경을 확장하는 시대에 증류를 사용하여 모델을 개선할 수 있는지 —

How distillation is used today and what performance uplift it gives to open models, Nathan Lambert (2026년 7월)[

[ 선택 사항] 더 많은 역사: 2024년에 저는 Frontiers in synthetic data라는 글을 작성했는데, 핵심 내용은 합성 데이터가 강력한 모델의 출력으로 SFT(Supervised Fine-Tuning)를 통해 '증류'하는 방식으로 이루어지는 것이 지배적인 증류 형태였다는 것입니다. 최첨단 연구소들은 Gemini에서 가장 먼저 확인되었고 오늘날까지 이어지고 있는 로짓 기반의 지식 증류(logit-based, knowledge distillation)로 전환해 왔습니다. 2025년 초에는 DeepSeek-R1이 OpenAI의 o1 모델로부터 증류된 것인지에 대해 상당한 논쟁이 있었습니다. 그들이 그렇게 했다는 것을 시사하는 명확한 증거는 없으며, 저는 2025년 4월에 DeepSeek이 증류하지 않았다고 자신 있게 글을 썼습니다. R1 당시에는 제가 생각했던 것보다 DeepSeek이 위의 추론 흔적 추출 방법(reasoning trace extraction methods)을 사용하여 R1 모델을 훈련하는 것을 더 쉽게 만들기 위해 일부 o1의 흔적을 증류했을 가능성이 더 높습니다. 이것이 그 혁신성을 떨어뜨리는 것은 아니지만, 현실적으로 인식할 가치가 있으며 증류가 중국이 미국 연구소와의 격차를 줄이는 속도를 가속화할 수 있는 방법 중 하나입니다.