LG AI연구원이 지난 7월 31일 과학기술정보통신부의 독자 AI 파운데이션 모델 프로젝트에 제출한 2차수 모델 K-EXAONE 2.0을 공개했다. 전체 매개변수는 1차수 모델 K-EXAONE의 236B(2360억개)에서 750B(7500억개)로 3배 이상 늘었다. LG AI연구원은 국내에서 개발된 AI 파운데이션 모델 가운데 최대 규모라고 설명했다.
모델을 키운 방향은 공개된 성능 결과에서 드러난다. K-EXAONE 2.0은 소프트웨어 개발처럼 여러 단계가 이어지는 Agentic coding과 장문 처리에서 이전 모델보다 큰 폭으로 향상됐다. LG AI연구원의 장기 연구 방향을 함께 살펴보면 범용 질의응답을 넘어 도구와 많은 자료를 활용해 전문 업무를 수행하는 Expert AI의 기반 모델을 확장하려는 전략을 확인할 수 있다.
236B 모델의 깊이와 폭을 함께 확장
K-EXAONE 2.0은 기존 모델을 폐기하고 처음부터 다시 학습한 모델이 아니다. LG AI연구원은 K-EXAONE의 가중치를 바탕으로 구조를 확장한 뒤 학습을 이어가는 업사이클링 방식을 적용했다.
모델 계층은 48개에서 78개로 늘었고, 각 혼합전문가모델(Mixture of Experts·MoE) 계층에 배치된 하위 신경망은 128개에서 256개로 증가했다. 입력 토큰을 처리할 때는 이 가운데 8개와 공통 하위 신경망 1개가 작동한다.
전체 매개변수는 236B에서 750B로 3.2배 증가했지만 토큰당 활성 매개변수는 23B에서 37B로 1.6배 늘었다. MoE는 모델이 보유한 지식 용량을 확대하면서도 입력을 처리할 때 전체 매개변수를 모두 계산하지 않도록 구성한 구조다. 모델의 전체 규모와 한 번의 추론에 참여하는 규모를 구분해야 하는 이유다.
기존 모델의 토크나이저와 라우팅 방식 등 핵심 설계는 이어받았다. 확장된 모델에는 약 8조개 토큰을 추가로 학습했으며 이후 복잡한 추론과 코드 작업, 장문 이해, 도구 사용을 강화하는 중간학습과 사후학습을 진행했다.
추가된 용량은 Agentic coding과 장문에 집중
LG AI연구원은 세계 지식과 수학, 코딩·Agentic coding, 도구 사용, 지시 이행, 장문 이해, 한국어, 다국어, 안전성 등 9개 영역 24개 지표로 두 모델을 평가했다. 회사가 공개한 평균 점수는 K-EXAONE 63.3점, K-EXAONE 2.0 70.1점이었다.
향상 폭은 영역마다 달랐다. 실제 소프트웨어 저장소의 문제를 해결하는 SWE-bench Verified는 49.4점에서 68.2점으로 올랐다. 터미널 환경에서 여러 단계의 작업을 수행하는 Terminal-Bench 2.1은 30.3점에서 43.8점으로 상승했다.
긴 입력에서 필요한 정보를 찾아 연결하는 OpenAI-MRCR은 52.3점에서 94.4점으로 크게 향상됐다. 한국어 장문 이해를 평가하는 Ko-LongBench도 86.8점에서 89.6점으로 올랐다. 최대 문맥 길이는 이전과 같은 256K 토큰이지만, 입력 가능한 길이보다 긴 문서 안에서 정보를 찾아 추론하는 능력이 개선된 것이다.
지식·수학 영역의 일부 지표는 큰 변화가 없었다. MMLU-Pro는 83.8점에서 83.5점, HMMT Feb 2026은 80.7점에서 78.4점을 기록했다. 금융 분야 도구 사용을 다루는 τ³-Banking도 이전과 같은 14.2점이었다.
기술보고서는 Agentic coding과 장문 이해를 K-EXAONE 2.0의 핵심 개발 과제로 제시했다. 성능 변화 역시 늘어난 모델 용량이 모든 영역에 같은 효과를 낸 것이 아니라 코드 저장소를 이해하고 도구를 사용하며 긴 작업 흐름을 이어가는 능력에 집중됐음을 보여준다.
10개 언어와 한국 사회 맥락까지 학습
지원 언어는 기존 한국어와 영어, 스페인어, 독일어, 일본어, 베트남어에 프랑스어와 이탈리아어, 포르투갈어, 폴란드어를 추가한 10개로 확대됐다. 다국어 수학 추론 지표인 PolyMath 점수는 57.4점에서 71.3점으로 상승했다.
LG AI연구원은 한국의 사회·문화적 맥락과 글로벌 윤리 기준을 반영하는 안전성 학습도 확대했다. 기존 위험 영역 100여개의 판단 기준을 보완하고 70개 영역을 새로 추가했다고 밝혔다. 회사가 자체 개발한 KGC-Safety에서는 99.8점, 지정학적 맥락과 보안 관련 질문을 다루는 ROK-Fortress에서는 89.5점을 기록했다. 이전 모델의 ROK-Fortress 점수는 60.9점이었다.
KGC-Safety는 LG AI연구원이 구성한 자체 지표이므로 독립기관의 평가 결과와 구분해 볼 필요가 있다. 기술보고서도 모델이 부적절하거나 편향된 답변을 생성하고 최신 정보와 다른 내용을 제시할 가능성을 한계로 명시했다.
Artificial Analysis의 AA-Omniscience는 정답에는 점수를 부여하고 잘못된 추측에는 불이익을 적용해 지식의 정확성과 환각을 함께 측정한다. 8월 21일 확인한 리더보드에서 K-EXAONE 2.0은 AA-Omniscience Index 기준 481개 모델 가운데 29위로 표시됐다. 평가 대상과 점수가 갱신되는 리더보드의 해당 시점 결과이며 모델의 모든 역량을 포괄하는 고정된 세계 종합순위는 아니다.
EXAONE 연구는 산업별 Expert AI로 이어져
Agentic AI는 K-EXAONE 2.0에서 처음 제시된 연구 방향이 아니다. LG AI연구원은 2025년 공개한 EXAONE 4.0에서 일반 응답과 추론 모드를 통합하고 외부 도구를 호출하는 기능을 도입했다. K-EXAONE 2.0은 이 흐름을 더 큰 모델과 장시간 작업 환경으로 확장했다.
LG AI연구원의 연구 분야는 언어모델을 비롯해 Advanced Agent, Data Intelligence, Materials Intelligence, Bio Intelligence 등으로 구성돼 있다. 공개된 연구 포트폴리오에도 ChatEXAONE Code Agent, EXAONE Data Foundry, EXAONE Chemical Agent, 금융 분석용 EXAONE BI와 자율화학실험실 등이 포함됐다.
이들 연구는 코딩과 기업 문서 분석, 금융, 소재·신약 탐색처럼 많은 자료와 외부 도구를 활용해 여러 단계를 수행하는 업무를 겨냥한다. 긴 문맥을 관리하고 이전 작업 과정을 유지하며 필요한 도구를 선택하는 능력이 공통으로 요구된다. K-EXAONE 2.0이 집중적으로 강화한 장문 이해와 Agentic coding은 이러한 Expert AI에 필요한 기반 역량과 연결된다.
다만 공개자료에는 K-EXAONE 2.0이 현재 EXAONE BI나 Chemical Agent, Data Foundry에 적용됐다는 내용은 없다. 해당 사례는 LG AI연구원의 연구·사업 방향을 보여주지만 K-EXAONE 2.0의 실제 도입 사례로 볼 수는 없다. 행정안전부 AI 안전신문고와 식품의약품안전처 신약 심사 AI에 적용될 모델도 K-EXAONE 2.0이 아닌 비전언어모델 EXAONE 4.5다.
Apache 2.0으로 열었지만 운용 규모는 과제
K-EXAONE 2.0의 가중치는 Hugging Face에 공개됐으며 라이선스는 Apache 2.0으로 변경됐다. 이용자는 라이선스 조건에 따라 가중치를 활용해 모델을 수정·배포하고 상업적 서비스를 개발할 수 있다. 외부 기업과 연구기관이 모델을 검증하거나 목적에 맞춰 추가 학습할 수 있는 범위가 넓어진 것이다.
공개 가중치와 실제 접근성은 구분할 필요가 있다. LG AI연구원이 제공한 NVFP4 양자화 모델의 SGLang·vLLM 실행 예시는 NVIDIA H200 GPU 8장으로 구성된 단일 노드를 기준으로 한다. Hugging Face 모델카드에도 K-EXAONE 2.0을 바로 호출할 수 있는 외부 추론 서비스는 8월 21일 현재 등록돼 있지 않다.
LG AI연구원은 생성할 토큰 후보를 먼저 만들고 원래 모델이 검증하는 MTP와 DSpark 방식도 적용했다. 기술보고서에 따르면 FP8 모델을 H200 GPU 8장에서 구동한 시험에서 DSpark는 일반 생성 방식보다 1.81~2.57배의 종단간 속도 향상을 기록했다. 모델카드에 제시된 약 3~5배는 토큰 생성 가속에 관한 설명이며, 전체 처리시간을 측정한 기술보고서 결과와 구분된다.
K-EXAONE 2.0의 차별점은 750B라는 규모에만 있지 않다. 기존 모델을 업사이클링해 전체 용량을 3배 이상 늘리면서 토큰당 활성 매개변수의 증가 폭을 조절했고, 확보한 용량을 Agentic coding과 장문 이해, 다국어와 안전성에 집중했다. Apache 2.0 공개로 외부 활용 범위도 확대했다.
다음 과제는 이 기반 기술을 실제 산업 업무로 연결하는 것이다. LG의 Expert AI 연구와 K-EXAONE 2.0의 기술 방향은 맞닿아 있지만 현재 공개된 적용 사례는 제한적이다. H200 GPU 8장이 필요한 운용 조건을 낮추고, 장시간 이어지는 실제 업무에서도 공개된 성능이 유지되는지를 입증해야 모델의 개방성이 산업적 활용으로 이어질 수 있다.
출처= LG AI연구원 K-EXAONE 2.0 공개자료 · K-EXAONE 2.0 기술보고서 · K-EXAONE 2.0 모델카드 · EXAONE 4.0 기술보고서 · Artificial Analysis AA-Omniscience · LG AI INSIGHT 2026 · LG AI연구원 ICML 2026 발표자료
댓글
0