과학기술정보통신부의 독자 AI 파운데이션 모델 프로젝트가 업스테이지와 SK텔레콤, LG AI연구원의 3차 진출로 2차 단계를 마쳤다. 네 팀은 모델 구조와 성능뿐 아니라 산업 적용과 공개 생태계에서도 서로 다른 전략을 제시했다. 3차 단계에서는 추가 연산 자원이 실제 성능과 효율을 얼마나 높이는지, 2차 평가에서 제시한 서비스·산업 연계가 현장의 검증 결과로 이어지는지가 관심사로 떠올랐다.
다만 3차 평가의 세부 항목과 배점은 아직 정해지지 않았다. 과기정통부는 1·2차 평가 과정에서 보완할 부분을 살펴보고 진출한 세 팀과 협의해 평가 방안을 확정할 계획이다. 2027년 지원 방식과 경쟁 구조도 관계부처 논의에 따라 달라질 수 있어, 다음 단계는 모델 간 경쟁과 정부 지원 체계 개편을 함께 지켜봐야 하는 구간이 됐다.
2차 평가는 성능부터 현장 활용까지 범위를 넓혔다
2차 단계평가는 벤치마크 40점, 전문가 평가 35점, 사용자 평가 25점으로 진행됐다. 벤치마크는 Artificial Analysis Intelligence Index (AAII) 25점과 NIA 벤치마크 15점으로 구성됐다. 전문가들은 개발 전략·기술, 개발 성과·계획, 파급효과·기여계획을 살폈고, 전문 사용자와 일반 국민은 각 팀의 모델을 적용한 웹사이트에서 사용성을 5점 척도로 평가했다.
과기정통부가 공개한 영역별 격차는 벤치마크 평가 4점, 전문가 평가 2.4점, 사용자 평가 5점이었다. 세 평가 영역의 1위 팀도 각각 달랐다. 어느 한 항목이 결과를 결정하기보다 각 영역의 근소한 차이가 종합점수에 반영됐다는 것이 정부의 설명이다. 일반 국민 평가 10점은 당락에 영향을 미치지 않았다고 밝혔다.
종합평가에서는 업스테이지와 SK텔레콤, LG AI연구원이 다음 단계에 진출했다. Motif Technologies의 Motif 3는 AAII에서 정예팀 최고점을 기록했고 자체 아키텍처와 토크나이저, 옵티마이저 등 독자 기술을 인정받았지만 종합평가에서는 진출팀에 포함되지 않았다. 과기정통부는 Motif Technologies가 사용성·활용성 측면에서 다른 팀보다 상대적으로 낮은 평가를 받았다고 설명했다. 항목별 팀 점수는 공개되지 않아 서비스 실증, 생태계 기여계획, 전문 사용자 평가 가운데 어느 부분이 결과에 얼마나 영향을 미쳤는지는 구분할 수 없다.
네 모델은 서로 다른 기술과 산업 경로를 제시했다
4개 팀은 대규모 혼합전문가모델(Mixture of Experts·MoE)을 중심으로 모델을 확장했지만 기술의 초점과 산업 진입 경로는 달랐다. 업스테이지의 Solar Open 2는 총 250B (2500억)개 중 토큰당 15B (150억)개의 매개변수를 활성화하고 최대 100만 토큰 문맥을 지원한다. 긴 문서와 다단계 에이전트 작업을 처리하면서 추론에 참여하는 연산량을 조절하는 방향이다. 산업 측면에서는 Daum과 AI 에이전트 플랫폼 타임리 연계, FuriosaAI NPU 실증을 내세웠다.
SK텔레콤의 A.X K2는 총 688B (6880억)개, 활성 33B (330억)개 매개변수의 MoE 모델이다. 한국어 지식과 수학·과학 추론, 긴 문맥 처리에 초점을 맞췄다. 경량 모델은 기업용 AI 서비스 A.Biz와 에이닷 전화·노트 기능에 적용됐으며, 제조 현장 실증과 국방·바이오 분야 확장도 추진한다. 통신 서비스와 기업용 AI 사업에서 축적한 운영 기반을 파운데이션 모델과 연결하는 전략이다.
LG AI연구원의 K-EXAONE 2.0은 총 750B (7500억)개 매개변수 규모로 한국어와 영어를 포함한 10개 언어, 장문 이해, 도구 사용과 에이전틱 AI 역량을 강화했다. Apache 2.0 라이선스로 가중치를 공개하고 제조·바이오·금융·공공 분야와 산업용 Expert AI로 생태계를 확장하는 방향을 제시했다. 과기정통부는 글로벌 협업 전략과 에이전틱 AI의 차별성, 신뢰성 확보와 위험요소 관리 등을 강점으로 평가했다.
Motif 3는 총 314B(3140억)개 중 토큰당 약 13.2B (132억)개의 매개변수를 활성화하며 최대 256K 토큰의 문맥을 지원한다. Motif Technologies는 모델 설계부터 학습·추론 최적화까지 자체 기술을 구현하고 MIT 라이선스로 가중치와 기술자료를 공개했다. 스마트홈·교육·농업 자율주행·로보틱스 분야의 실증도 추진했다.
추가 GPU는 모델의 크기보다 개선 결과로 확인해야 한다
과기정통부는 3차 진출팀에 대한 고성능 GPU 지원을 확대할 방침이다. 정부는 브리핑에서 6개월 임차를 가정한 지원 규모를 팀당 약 400억원, 세 팀 합계 약 1200억원으로 추산했다. 추가 자원이 투입되면 학습 데이터 확대와 후학습, 강화학습, 긴 문맥과 에이전트 성능 개선 등 여러 선택지가 생긴다.
관건은 투입량보다 전후의 변화다. 3차 평가 전까지 공개되는 성과에서는 모델 규모와 자체 벤치마크 점수에 더해 같은 조건에서의 성능 향상, 응답 시간과 처리량, 장문 입력에서의 안정성, 업무 완료율을 함께 볼 필요가 있다. 원본 모델과 양자화 모델, 사용한 GPU·NPU 수량, 입력 길이와 추론 설정이 다르면 발표된 수치를 직접 비교하기 어렵다. 각 팀이 모델 버전과 시험 조건을 얼마나 구체적으로 공개하는지도 기술 성과의 재현 가능성을 판단하는 기준이 된다.
실증 계획은 운영 지표와 실제 적용 모델로 확인된다
2차 평가에서 산업·서비스 연계가 확대된 만큼 3차 전까지는 계획의 수보다 실증의 깊이를 볼 필요가 있다. 업스테이지는 Daum과 타임리에서 Solar Open 2가 실제 어느 기능을 담당하고, FuriosaAI NPU에서 어느 모델 버전을 어떤 조건으로 구동하는지가 확인 대상이다.
SK텔레콤은 A.X K2 경량 모델을 A.Biz와 에이닷 전화·노트 기능에 적용했다. 제조 분야에서는 KG스틸과 코넥 사업장에 데모와 현장 실증을 추진하고 있다. 국방 분야에 배치할 예정인 양자화 모델은 A.X K1 기반이며, 바이오 사례도 SK텔레콤의 파운데이션 모델을 활용한 사업으로 발표됐다. 따라서 3차 전에는 기존 모델의 적용 성과와 A.X K2 및 파생모델이 새롭게 만든 결과를 구분해 살펴볼 필요가 있다.
LG AI연구원은 K-EXAONE 2.0과 별도로 공개한 EXAONE 계열 모델의 적용 사례를 구별해 볼 필요가 있다. 제조·바이오·금융·공공 현장에서 K-EXAONE 2.0 또는 이를 기반으로 한 모델이 맡는 업무와 개선된 시간이 제시돼야 파운데이션 모델의 산업 기여를 판단할 수 있다. 공통적으로 처리량과 응답 시간, 업무 완료율, 오류·거부 응답, 운영 비용처럼 서비스 단계에서 측정되는 지표가 뒷받침돼야 한다.
공개 가중치가 외부 활용으로 이어지는지도 관전점이다
4개 팀은 모두 가중치를 공개했지만 라이선스와 제공 범위는 같지 않다. 공개 이후 외부 개발자가 모델을 설치하고 파생모델을 만들 수 있는 문서와 도구, 양자화 모델, 추론 프레임워크 및 국내 AI 반도체 지원이 뒤따라야 활용 범위가 넓어진다. 다운로드 수 자체보다 외부 연구기관의 재현 결과와 파생모델, 기업 도입 사례가 형성되는지가 생태계 확산을 보여주는 지표가 된다.
Motif Technologies의 다음 행보도 이 관점에서 지켜볼 대상이다. 3차 단계에는 진출하지 못했지만 AAII 성과와 자체 설계 역량, MIT 라이선스 공개는 이후 연구와 사업 확장의 기반이 될 수 있다. 스마트홈·교육·농업 자율주행·로보틱스 실증이 구체적인 제품과 운영 결과로 이어지는지가 기술적 성과의 산업 확장을 판단할 근거가 된다.
3차 평가 방안과 지원 체계가 먼저 확정돼야 한다
3차 평가에서 가장 먼저 확인할 사안은 평가 항목과 배점이다. 과기정통부는 1·2차의 경험을 토대로 보완점을 검토하고 진출팀들과 협의해 구체적인 방안을 발표할 계획이다. 2차 평가처럼 글로벌 범용 성능과 한국어·안전성, 기술개발, 생태계 기여, 사용자 경험을 결합할지, 추가된 연산자원에 따른 성능 향상과 산업 실증을 어떤 비중으로 평가할지가 아직 남아 있다.
당초 사업은 3차 평가를 거쳐 최종 2개 팀을 선정하는 구상으로 출발했다. 그러나 정부는 글로벌 프런티어 모델의 빠른 발전을 고려해 자원의 분산과 집중, 기업 간 컨소시엄 구성, 2027년 지원 방식 등 현재 경쟁구조 전반을 재검토하고 있다. 이에 따라 최종 선정 규모와 이후 지원 방식은 후속 발표를 기준으로 판단해야 한다.
2차 평가가 네 모델의 기술과 활용 전략을 비교한 단계였다면, 3차 전까지는 각 팀이 약속한 방향을 측정 가능한 결과로 바꾸는 과정이 이어진다. 같은 조건에서 개선된 모델 성능, 실제 산업 현장의 운영 지표, 외부 개발자가 활용한 결과, 공개된 평가 기준과 지원 체계가 함께 제시될 때 독자 AI 프로젝트의 다음 성과를 구체적으로 판단할 수 있다.
출처=과학기술정보통신부·정책브리핑 ‘독자 AI 파운데이션모델 프로젝트 2차 단계평가 결과’(2026년 8월 19일, https://www.korea.kr/briefing/policyBriefingView.do?newsId=156774781), Upstage Solar Open 2 모델카드·기술보고서(https://huggingface.co/upstage/Solar-Open2-250B), SK텔레콤 A.X K2 발표자료·모델카드(https://news.sktelecom.com/en/3204), LG AI연구원 K-EXAONE 2.0 발표자료(https://www.lgresearch.ai/news/view?seq=678), Motif Technologies Motif 3 모델카드·기술보고서(https://huggingface.co/Motif-Technologies/Motif-3), Motif Technologies 컨소시엄 산업 실증계획(https://platum.kr/archives/282281)
댓글
0