Latest open artifacts (#23): Laguna S2.1, Inkling, & Kimi K3 show the utility of open models on the Pareto frontier

🖼️ 인포그래픽

Latest open artifacts (#23): Laguna S2.1, Inkling, & Kimi K3 show the utility of open models on the Pareto frontier 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

💡 한 줄 요약

훈련비 급증에도 강한 모델을 개발·공개하는 조직이 늘면서, 공개 모델 경쟁은 성능뿐 아니라 효율성·라이선스·투명성·하드웨어 선택까지 아우르는 결정적 단계로 진입하고 있다.

📌 핵심 요약

과거 예상과 달리 모델 훈련 시장의 통합은 본격화되지 않았고, 수억~수십억 달러를 투입해 강한 모델을 훈련하고 공개하는 기업과 조직이 오히려 늘고 있다.
싱킹 머신스는 멀티모달 MoE 모델 Inkling과 상업용 미세조정 서비스 Tinker를 결합해 공개 모델을 실질적인 사업 기반으로 활용하고 있다.
텐센트의 Hy3는 성능 전반을 개선하면서 제한적인 자체 라이선스에서 Apache 2로 전환했고, 풀사이드의 Laguna-S-2.1은 실행 가능성과 평가 과정 공개로 주목받았다.
DeepSeek-V4-Flash-0731은 파레토 프런티어에서 경쟁력을 보였지만, Kimi-K3는 비상업 라이선스와 상업 계약 요건으로 인해 공개 모델의 이용 방식과 정책적 쟁점을 함께 드러냈다.
LongCat·Motif·Apertus·Instella 등 다양한 모델은 중국산 가속기 훈련, 새로운 아키텍처, 추가 사전학습, 단계별 체크포인트 공개처럼 모델 개발 역량이 여러 조직과 하드웨어로 확산되고 있음을 보여준다.

🧩 주요 포인트

훈련비 상승에도 참여자가 증가하고 있다 → 토큰 수요와 활용처 확대가 독자적인 모델 개발을 지속할 경제적 유인으로 작용한다.
최고 성능만이 경쟁 기준은 아니다 → 미세조정 기반, 파라미터 효율, 단일 시스템 적재 가능성, 평가 투명성이 공개 모델의 실용성을 좌우한다.
공개 방식도 전략적 변수로 부상했다 → Apache 2형 개방성과 상업 계약형 라이선스의 차이가 채택 범위와 정책 적용 가능성을 바꾼다.

🧠 상세 정리

1. 통합 전망과 달리 확산되는 모델 훈련 역량

글은 모델 훈련비가 해마다 몇 자릿수 규모로 증가하기 때문에 연구소와 기업의 통합이 불가피하다는 전망이 널리 받아들여졌다고 설명한다. 저자 역시 2024년에는 2026~2027년경 통합이 본격화될 것으로 예상했지만, 실제로는 더 많은 기업이 강한 모델을 훈련하고 공개하는 방향으로 움직이고 있다고 평가한다. 개별 조직은 전체 개발 과정에 수억 달러에서 수십억 달러를 투자하면서도 자체 모델 역량을 포기하지 않고 있다. 모델 효율이 높아져 가능한 활용 사례가 늘수록 토큰 수요도 커질 가능성이 있으며, 연구소들은 토큰을 생산·공급하는 체계 자체를 가치 창출 경로로 인식하기 시작했다.

2. 싱킹 머신스와 중국 연구소가 보여주는 시장 변화

싱킹 머신스는 2025년 2월 출범 당시 공개 모델 기업으로 분류되기 어려웠지만, 이후 공개 모델 미세조정 서비스로 연간 수억 달러의 매출을 내고 있다고 글은 전한다. 또한 미국에서 개발된 공개 가중치 모델 가운데 선두권 결과를 내며, 엔비디아의 Nemotron과 Arcee의 Trilogy보다 앞선 사례로 제시된다. 다른 한편에서는 중국 연구소들이 꾸준한 출시 속도를 유지하고 있고, 샤오미 같은 신규 진입자도 더 넓은 인공지능 시장에서 인지도를 축적하고 있다. 이에 따라 저자들은 산업 통합보다 채택 확대를 더 유력한 흐름으로 보며, 공개 모델의 시장점유율과 Kimi-K3 같은 수익 공유형 라이선스의 지속 가능성이 향후 핵심 쟁점이 될 것으로 본다.

3. Inkling과 Hy3의 서로 다른 공개 전략

싱킹 머신스의 첫 모델 Inkling은 전체 9750억 개, 활성 410억 개 파라미터의 멀티모달 MoE로, 텍스트·이미지·오디오를 입력받아 텍스트를 출력한다. 같은 규모의 중국 모델들과 비교해 가장 강한 모델은 아니지만, 상업 서비스 Tinker 등을 통한 미세조정의 우수한 기반 모델로 자리매김했으며, 함께 공개된 2760억-A120억 버전도 크기 대비 경쟁력이 높다고 평가된다. 텐센트의 Hy3는 2950억-A210억 MoE로 이전 모델보다 모든 지표가 개선됐고, 특히 제한적인 자체 라이선스 대신 Apache 2를 채택했다. 전용 실행 체계와 Sol 판정 모델을 이용해 50년 된 수학 문제를 증명했지만, 글은 Sol의 역할이 결과에 얼마나 중요했는지는 불분명하다고 덧붙인다.

4. Laguna와 DeepSeek가 보여준 실용성·효율 경쟁

풀사이드는 세 달 연속으로 이 연재에 등장했으며, Laguna-S-2.1은 1180억-A80억 MoE를 새로 사전학습하고 후속학습한 모델이다. 이 모델은 DGX Spark에 적재할 수 있다는 점으로 큰 관심을 받았고, Apache 2.0과 유사하면서 인공지능 모델에 더 구체적인 법적 기반을 제공하는 OpenMDW 라이선스를 채택했다. 풀사이드는 블로그에 전체 평가 궤적까지 공개해 공개 모델 출시로서는 높은 수준의 투명성을 제공했으며, 소형 330억-A30억 모델 Laguna-XS-2.1도 함께 갱신했다. DeepSeek-V4-Flash-0731은 OpenAI가 자사 최소 모델 가격을 80% 내린 다음 날 공개되어 파레토 프런티어에서 Luna를 앞섰지만, 대형 모델은 아직 갱신되지 않아 최종적인 성능 위치는 남은 과제로 제시된다.

5. Kimi-K3 라이선스가 만든 상업·정책 쟁점

Kimi-K3는 최근 공개 모델 가운데 가장 큰 출시 중 하나로 소개되지만, 자유로운 상업 이용을 허용하는 방식은 아니다. 비상업 라이선스가 적용되며, 이 모델의 추론이나 미세조정 서비스를 제공하려는 사업자는 Moonshot과 상업 계약을 체결해야 한다. 글에 인용된 Kevin Xu와 Graham Webster의 논지는 이러한 계약 관계가 미국 기업과 중국 인공지능 기업의 거래를 제한하려는 향후 미국 정부 조치에 더 명확한 적용 근거를 줄 수 있다는 것이다. 따라서 Kimi-K3 사례는 가중치 공개 여부만으로 개방성을 판단하기 어렵고, 실제 서비스 제공에 필요한 계약 조건이 이용 범위와 정책적 취급을 함께 결정할 수 있음을 보여준다.

6. 다양한 조직·칩·개발 단계로 넓어지는 생태계

메이퇀의 LongCat-2.0은 1조6000억 파라미터의 대형 MoE로, 크기 대비 실제 역량은 벤치마크 밖에서 두드러지지 않지만 Ascend 910만으로 전 과정을 훈련했다는 점이 중요하게 다뤄진다. 이는 화웨이가 아닌 조직이 중국산 가속기만으로 훈련한 최초의 비실험용 모델로 소개되며, 다른 중국산 칩이 주로 추론에만 쓰이는 상황과 대비된다. 한국 Motif의 Motif-3-Beta는 3140억-A130억 MoE 미리보기로 GDLA와 mHC 같은 구조적 혁신을 도입했고, Swiss AI의 Apertus-v1.5-70B는 완전 공개형 Apertus 1.0에 2조 토큰의 추가 사전학습을 수행했다. AMD의 Instella-MoE-16B-A3B-Think는 Instinct 카드로 훈련됐으며 기본 모델부터 SFT 체크포인트, MidTrain, DPO까지 여러 개발 단계를 함께 제공해 재현과 후속 활용에 필요한 자료의 범위를 넓혔다.

🧾 핵심 주장 / 시사점

공개 모델의 효용은 절대 성능만으로 결정되지 않으며, Inkling의 미세조정 적합성이나 Laguna-S-2.1의 하드웨어 적재 가능성처럼 실제 배치와 확장에 유리한 특성이 경쟁력을 만든다.
Apache 2로 전환한 Hy3와 상업 계약을 요구하는 Kimi-K3의 대비는 같은 공개 모델 범주 안에서도 이용 권한과 사업 조건이 크게 다를 수 있음을 보여준다.
중국산 가속기만으로 훈련된 LongCat-2.0과 AMD Instinct 기반 Instella는 강한 모델을 개발할 수 있는 역량이 특정 연구소나 단일 하드웨어 계열에만 머물지 않고 확산되고 있다는 글의 핵심 주장을 뒷받침한다.