🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

DeepSeek-R1은 OpenAI o1처럼 추론에 더 많은 계산을 쓰는 모델이지만, 추론 과정을 공개한다는 점에서 더 투명한 경쟁자로 제시됐다.

📌 핵심 요약

• 중국 항저우의 AI 연구소 DeepSeek은 프롬프트를 단계별로 처리하는 DeepSeek-R1 모델군을 발표했으며, 웹에서 하루 50개 메시지로 제한된 무료 프리뷰를 제공하고 있다.
• R1-lite-preview는 OpenAI o1-preview와 유사하게 테스트 시점 계산을 활용해 더 깊은 답변을 생성하며, 여러 수학·문제 해결 벤치마크에서 경쟁력 있는 성능을 보였다.
• OpenAI o1-preview가 추론 과정을 숨기는 것과 달리 DeepSeek-R1-lite-preview는 추론 단계를 사용자에게 보여주며, 이는 투명성을 높이지만 탈옥이나 조작 가능성도 키울 수 있다.
• DeepSeek에 따르면 R1-lite-preview는 여섯 개의 추론 중심 벤치마크 중 세 개에서 o1-preview를 앞섰고, AIME·MATH·Codeforces에서는 특히 강한 결과를 냈다.
• 이 모델은 더 많은 추론 토큰을 사용할수록 정확도가 크게 오르지만, 그만큼 출력 속도가 느려지고 비용이 커지는 trade-off가 있다.

🧩 주요 포인트

1. 중국 항저우의 AI 연구소 DeepSeek은 프롬프트를 단계별로 처리하는 DeepSeek-R1 모델군을 발표했으며, 웹에서 하루 50개 메시지로 제한된 무료 프리뷰를 제공하고 있다.
2. R1-lite-preview는 OpenAI o1-preview와 유사하게 테스트 시점 계산을 활용해 더 깊은 답변을 생성하며, 여러 수학·문제 해결 벤치마크에서 경쟁력 있는 성능을 보였다.
3. OpenAI o1-preview가 추론 과정을 숨기는 것과 달리 DeepSeek-R1-lite-preview는 추론 단계를 사용자에게 보여주며, 이는 투명성을 높이지만 탈옥이나 조작 가능성도 키울 수 있다.
4. DeepSeek에 따르면 R1-lite-preview는 여섯 개의 추론 중심 벤치마크 중 세 개에서 o1-preview를 앞섰고, AIME·MATH·Codeforces에서는 특히 강한 결과를 냈다.
5. 이 모델은 더 많은 추론 토큰을 사용할수록 정확도가 크게 오르지만, 그만큼 출력 속도가 느려지고 비용이 커지는 trade-off가 있다.

🧠 상세 정리

1. DeepSeek-R1의 발표와 핵심 차별점

DeepSeek은 OpenAI o1과 비슷하게 실행 중 추론을 수행하는 DeepSeek-R1 모델군을 공개했다. 프리뷰 버전인 R1-lite-preview는 웹에서 무료로 사용할 수 있지만 하루 50개 메시지 제한이 있으며, API 가격은 아직 발표되지 않았다. DeepSeek은 R1을 오픈소스로 공개하겠다고 밝혔지만 라이선스 조건이나 공개 일정은 제시하지 않았다. 가장 큰 차별점은 o1이 추론 과정을 숨기는 반면, R1-lite-preview는 답을 만들기 위해 거치는 추론 단계를 보여준다는 점이다.

2. 테스트 시점 계산을 통한 성능 향상

R1-lite-preview는 DeepSeek 2.5보다 작은 기반 모델을 사용한다고 설명되며, 성능 향상의 상당 부분은 테스트 시점 계산에서 나온다. 이는 모델이 프롬프트에 답할 때 더 오래 생각하도록 훈련하고, 더 많은 계산을 사용해 더 깊은 답변을 생성하게 하는 방식이다. OpenAI o1-preview와 접근법은 유사하지만, DeepSeek 모델은 추론 과정을 노출한다는 점에서 사용자 경험과 위험 구조가 다르다. 추론이 보인다는 점은 모델 작동을 더 이해하기 쉽게 만들지만, 동시에 탈옥 공격이나 조작에 더 취약해질 수 있다는 우려도 함께 제기된다.

3. 벤치마크에서 드러난 강점과 한계

DeepSeek은 R1-lite-preview가 추론 중심 벤치마크 여섯 개 중 세 개에서 OpenAI o1-preview, GPT-4o, Claude 3.5 Sonnet, Qwen 2.5 72B, DeepSeek-V2.5보다 좋은 성능을 냈다고 밝혔다. 특히 AIME에서는 52.5% 정확도로 o1-preview의 44.6%를 앞섰고, MATH에서는 91.6%로 o1-preview의 85.5%를 넘어섰다. Codeforces에서도 1,450점을 기록해 o1-preview의 1,428점을 약간 앞섰다. 반면 대학원 수준 과학 문제인 GPQA Diamond, 실제 코딩 과제인 LiveCodeBench, 논리 추론 문제인 ZebraLogic에서는 o1보다 뒤처졌다.

4. 더 많은 추론 토큰의 효과와 비용

DeepSeek은 추론에 사용하는 토큰 수가 늘어날수록 모델 정확도가 크게 향상된다고 보고했다. AIME 수학 문제에서 1,000토큰 미만을 사용할 때 정확도는 21%였지만, 100,000토큰을 넘게 사용하면 66.7%까지 올라 o1-preview 성능을 넘어섰다. 다만 웹 사용자 인터페이스에서는 사용자가 이 추론 토큰 수를 직접 조절할 수 없다. 성능 향상은 더 느린 출력과 더 높은 비용을 수반하기 때문에, 이 방식은 모든 작업에 항상 적합하기보다 고난도 수학·과학 문제처럼 깊은 추론이 필요한 경우에 특히 의미가 있다.

5. 모델 확장 전략의 변화와 활용 방향

DeepSeek-R1은 더 큰 모델과 더 많은 학습 데이터가 더 높은 성능을 보장한다는 기존 확장 법칙이 의문시되는 시점에 등장했다. 이 모델은 파라미터 수나 데이터 규모를 계속 키우는 방식에서 벗어나, 답변 생성 단계에서 더 많은 에너지를 쓰는 방향으로 고성능을 얻으려는 흐름을 보여준다. 원문은 테스트 시점 계산을 쓰는 모델과 쓰지 않는 모델이 서로 보완적이라고 본다. 전자는 수학과 과학 문제에서 강하지만 느리고 비싸며, 후자는 언어 작업에서 더 빠르고 저렴하므로 수학과 언어 능력이 모두 필요한 애플리케이션은 두 유형을 전환해 사용하는 방식이 유리할 수 있다.

🧾 핵심 주장 / 시사점

• DeepSeek-R1의 핵심 의미는 단순히 o1과 경쟁하는 성능이 아니라, 추론 과정을 공개해 투명성과 보안 위험을 동시에 드러낸다는 데 있다.
• 테스트 시점 계산은 어려운 문제에서 성능을 크게 끌어올릴 수 있지만, 속도와 비용이 악화되므로 작업 유형별 선택이 중요하다.
• 대형 모델 경쟁은 파라미터와 데이터 규모 확대만이 아니라, 답변 생성 단계에서 계산을 어떻게 배분하느냐의 경쟁으로 이동하고 있다.

✅ 액션 아이템

• DeepSeek-R1-lite-preview를 수학·코딩 문제 해결 과제에 적용해 o1-preview 대비 정확도와 응답 시간을 함께 비교한다.
• 추론 단계가 공개되는 방식이 사용자 신뢰를 높이는지, 동시에 조작·탈옥 위험을 키우는지 평가 기준을 만든다.
• 추론 토큰 증가에 따른 정확도 개선폭과 비용·속도 저하를 함께 기록해 고난도 작업에만 선택적으로 쓰는 기준을 정한다.

❓ 열린 질문

• 추론 과정을 보여주는 투명성이 실제 사용자에게 더 나은 판단 근거가 되는가, 아니면 공격 표면을 넓히는가?
• DeepSeek-R1-lite-preview가 강점을 보인 AIME·MATH·Codeforces 성능이 일반 업무형 문제 해결에도 이어질까?
• 추론 토큰을 더 많이 쓰는 방식의 정확도 향상이 느린 출력 속도와 높은 비용을 감수할 만큼 큰가?