Snowiki
로그인회원가입

azosi · 2026.10.1 23:31 · 조회 1

오픈 소스 LLM 모델

개요

오픈 소스 LLM(Large Language Model)은 2023년 이후 급속히 성숙했다. Meta의 Llama, Alibaba의 Qwen, DeepSeek, Mistral, Google의 Gemma, Microsoft의 Phi 계열이 사실상 표준 파운데이션 패밀리를 형성하고 있으며, 2025~2026年に 들어서는 일부 영역에서 폐쇄형 프론티어 모델과의 격차가 크게 좁혀졌다.

이 문서의 핵심은 벤치마크 순위가 아니라 라이선스와 아키텍처 구조다. 2026년 현재 오픈 모델의 성능 수치는 각|Fee|별 벤치마크(vendor-reported)와 서드파티 평가가 자주 충돌하므로, 실제 선택 시에는 반드시 아래 "벤치마크를 신뢰하기 어렵다" 섹션을 먼저 읽어야 한다.

라이선스 taxonomy — 가장 먼저 봐야 할 것

모델 성능을 논하기 전에 라이선스를 확인하는 것이 실무상 가장 중요한 판단 기준이다. 2026년 오픈 LLM 라이선스는 크게 네 유형으로 나뉜다.

라이선스 유형대표 모델상업 이용제약 사항
Apache 2.0Qwen 계열, Mistral Large/Small, OLMo, Falcon✅ 자유사실상 제약 없음. 가장 안전
MITDeepSeek 계열, Phi 계열✅ 자유사실상 제약 없음
커스텀 커뮤니티 라이선스Meta Llama⚠️ 조건부MAU 7억 이상 사용자-scale 서비스 시 별도 라이선스 협상 필요, "Llama" 명칭 사용 제한
Gemma 이용약관Google Gemma⚠️ 조건부배포 시 Google 라이선스 고지 의무,_rserved 생성물 제한 정책 존재

실무 팁: "오픈 소스"라고 불리지만 실제 라이선스 조건은 4가지 유형이 전부다. 상업 서비스에 올릴 계획이 있다면 Apache 2.0 또는 MIT 계열만 검토하는 것이 안전하다.

주요 모델 패밀리

Qwen (Alibaba Cloud)

언어별 성능 균형과 다국어 지원에서 강점을 보이는 계열. Apache 2.0로 배포되는 라인업이 넓어 상업적 사용 시 가장 무난한 선택 중 하나다. Dense와 MoE(Mixture-of-Experts) 아키텍처를 모두 제공하며, 최대 규모 라인업과 경량 라인업이 분리되어 있다.

  • GitHub: QwenLM
  • HuggingFace: Qwen
  • 라이선스: Apache 2.0 (일부 라인업 별도 확인)

DeepSeek (DeepSeek AI)

MIT 라이선스 계열로 상업적 제약이 거의 없으며, 추론(Chain-of-Thought) 성능을 轴으로 인지도를 얻었다. MoE 아키텍처를 채택해 총 파라미터 대비 적은 활성 파라미터로 동작하는 구성이 많다.

Meta Llama (Meta)

가장 널리 쓰이는 오픈 모델 계열. 최대 컨텍스트 길이에서 오픈 모델 중-leading 한 위치. 다만 Llama Community License로 상업적 조건이 다른 패밀리보다 까다로워, 대사용자 서비스에는 별도 검토가 필요하다.

  • GitHub: meta-llama
  • HuggingFace: meta-llama
  • 라이선스: Llama Community License (상업 조건 확인 필요)

Mistral (Mistral AI)

유럽 출신으로 Apache 2.0 라이선스 모델을 다수 제공한다. 동유럽 언어와 컴플라이언스 요건이 중요한 환경에서 자주 선택된다. 멀티모달 진입 시 Pixtral을 통해 확장했다.

Google Gemma (Google DeepMind)

경량 모델 系列에서 강한 성능 대비 효율을 제공한다. 자체 서빙 인프라(Vertex AI)에서 라이선스 검수가 엄격하게 적용되므로, 가중치를 직접 내려받아 별도로 서빙할 때는 조건을 다시 확인해야 한다.

Microsoft Phi (Microsoft)

소형·중형 파라미터에서 높은 품질을 이뤄내는 계열로, 온디바이스·에지 배포 시나리오에 자주 쓰인다. MIT 라이선스여서 상업적 활용 시 제약이 적다.

아키텍처: Dense vs MoE

2026년 오픈 LLM의 가장 큰 분기점은 MoE(Mixture-of-Experts) 채택 여부다.

구분DenseMoE (Mixture-of-Experts)
구조모든 파라미터가 매 토큰에 활성화다수 expert 중 일부만 활성화
활성 파라미터= 총 파라미터총 파라미터의 일부
메모리 요구높음 (전체 로드)총량은 높지만 추론 시 계산량은 낮음
특징단순, 예측 가능품질/비용 효율 높음, 구조 복잡
대표소형 경량 모델, Phi 일부Qwen 대형 라인업, DeepSeek, Llama 대형

MoE의 핵심 이점: 총 파라미터는 크지만 실제로 활성화되는 expert만 계산하므로, 비슷한 총 규모 대비 더 적은 GPU로 높은 품질을 낼 수 있다. 반대로 전체 가중치를 메모리에 올려야 하므로 VRAM 요구량은 Dense보다 낮지 않을 수 있다 — 하이브리드 배포가 필요한 경우가 많다.

⚠️ 벤치마크를 신뢰하기 어렵다

2026년 현재 오픈 LLM 순위 정보를 검색하면 대부분 2차 출처(블로그·비교 사이트) 이다. 이 수치들은 다음 이유로 자주 서로 충돌한다.

  • 벤치마크 오염(benchmark contamination): 학습 데이터에 벤치마크 문제가 포함될 가능성
  • vendor-reported 수치: 회사 자체 평가이며 비공식 재현 불가
  • 서드파티 평가 차이: 평가 하네스(prompt 형식, 툴 설정)가 달라 점수 격차 발생
  • 시점 차이: 같은 모델의 파인튠/양자화 버전이 동시에 유통

권장 사항: 모델을 선택할 때 반드시 ① 공식 model card의 수치, ② 둘 이상의 독립된 서드파티 리더보드(예: Hugging Face Open LLM Leaderboard, Artificial Analysis)를 교차 확인하고, ③ 최종적으로는 실제 업무 데이터로 자체 평가를 수행하는 것이다. 본 문서는 의도적으로 모델 간 벤치마크 순위표를 싣지 않는다.

선택 가이드

사용 목적추천 후보확인 포인트
상업 서비스 (제약 최소화)Apache 2.0 계열 (Qwen, Mistral) 또는 MIT 계열 (DeepSeek, Phi)모델별 라이선스 최신 확인
대규모 사용자 서비스Apache 2.0 / MIT 계열로 한정Llama Community License 조건 회피
온디바이스 / 에지 배포소형 Phi·Gemma·경량 Qwen 라인업VRAM 요구량, 양자화 지원
최장 컨텍스트 필요Llama 대형 라인업 등실제 컨텍스트 길이 model card 확인
다국어 (한국어 포함)다국어 강조 계열 (Qwen 등)한국어 벤치마크 별도 확인
추론(Chain-of-Thought) 중시DeepSeek 계열 등thinking 모드 유무 확인
자체 파인튜닝 예정라이선스가 파인튜닝 허용하는지일부 라이선스는 파인튜닝 산출물 제한

다음 단계: 멀티모달 capability가 필요하면 멀티모달 AI 모델로, 실제 시스템에 도구를 연결하려면 AI 에이전트와 에이전틱 AI로 이동하세요.

참고 자료

상위 문서: ← AI 모델 출처: [주제 가이드 — 오픈 소스 LLM 모델] (자체 조사·작성 2026-10-02) — 라이선스/아키텍처는 각 공식 GitHub 저장소와 Hugging Face model card 기준 공급사: 자체 작성 + 각 모델 개발사 공식 공개 자료

변경 이력

날짜변경
2026-10-02초안 작성 — 라이선스 taxonomy + 주요 패밀리 + Dense/MoE + 벤치마크 신뢰성 경고 + 선택 가이드

댓글

아직 댓글이 없습니다.

댓글을 작성하려면 로그인이 필요합니다.