오픈 웨이트 모델
더 많은 작업
오픈 웨이트 모델(Open-weight model)은 학습된 인공지능 모델의 매개변수 가중치(Weights)를 사용자가 내려받아 직접 실행·배포하거나 허용된 범위에서 수정할 수 있도록 공개한 모델로, 학습 코드·학습 데이터까지 공개하는 오픈 소스 인공지능과는 구별되는 개념이다.
대형 언어 모델과 파운데이션 모델은 공개 방식에 따라 모델 가중치를 외부에 제공하지 않고 API나 서비스로만 이용하게 하는 모델과, 학습된 가중치를 직접 내려받을 수 있도록 제공하는 모델로 구분할 수 있다.
후자를 일반적으로 오픈 웨이트 모델(Open-weight model)이라고 한다.
모델의 가중치는 학습 과정에서 데이터의 패턴을 반영해 조정된 수치 매개변수이다. 가중치가 공개되면 사용자는 개발사가 운영하는 API를 거치지 않고 자신의 컴퓨터나 서버에 모델을 설치하여 추론할 수 있다.
폐쇄형 모델 사용자 ↓ 개발사 API ↓ 개발사 서버의 모델 오픈 웨이트 모델 모델 가중치 다운로드 ↓ 사용자 서버·PC ↓ 직접 실행
그러나 가중치가 공개됐다는 사실만으로 해당 모델을 오픈 소스 AI라고 할 수 있는 것은 아니다.
소프트웨어의 소스코드와 달리 현대 AI 모델은 모델 가중치뿐 아니라 학습 데이터, 데이터 처리 과정, 학습 코드와 설정 등이 모델을 재현하고 수정하는 데 중요한 역할을 한다. 또한 공개된 가중치에도 별도의 라이선스와 사용 제한이 적용될 수 있다.
이 때문에 Open Weight와 Open Source를 구분하는 것이 중요하다.[1]
인공 신경망은 매우 많은 수치 매개변수(Parameter)를 가지고 있으며 학습 과정에서 이 값들이 조정된다.
이 가운데 신경망의 입력과 출력 사이의 관계를 결정하는 핵심적인 매개변수를 일반적으로 가중치(Weight)라고 한다.
예를 들어 대형 언어 모델은 수십억~수천억 개 이상의 매개변수를 가질 수 있다.
학습 전 모델
↓
대규모 데이터로 학습
↓
매개변수 조정
↓
학습된 가중치
↓
모델 파일
실제로 모델을 실행할 때는 모델의 구조를 정의하는 코드와 설정뿐 아니라 학습 결과가 저장된 가중치 파일이 필요하다.
따라서 개발사가 가중치를 공개하면 사용자는 이를 다운로드하여 지원되는 추론 소프트웨어에서 모델을 직접 실행할 수 있다.
오픈 웨이트 모델과 오픈 소스 AI는 자주 혼용되지만 엄밀하게는 다른 개념이다.
| 구분 | 오픈 웨이트 모델 | 오픈 소스 AI |
|---|---|---|
| 모델 가중치 | 공개 | 공개 필요 |
| 추론 코드 | 공개되는 경우가 많음 | 수정·실행에 필요한 형태로 제공 |
| 학습 코드 | 반드시 공개할 필요 없음 | 수정에 필요한 정보 제공 필요 |
| 학습 데이터 | 공개되지 않을 수 있음 | 데이터 정보 등 수정에 필요한 형태의 접근성이 요구됨 |
| 직접 실행 | 가능 | 가능 |
| 수정 | 라이선스에 따라 가능 | 가능해야 함 |
| 재배포 | 라이선스에 따라 제한 가능 | 오픈 소스 조건에 부합해야 함 |
Open Source Initiative(OSI)는 2024년 공개한 Open Source AI Definition 1.0에서 오픈 소스 AI가 사용자가 시스템을 사용하고, 연구하고, 수정하고, 공유할 자유를 제공해야 한다고 정의했다.[1]
또한 모델을 수정하는 데 필요한 선호 형태(Preferred Form)를 확보할 수 있도록 데이터 정보, 코드, 매개변수 등이 제공되어야 한다는 기준을 제시했다.[1]
따라서 단순히 학습된 가중치 파일을 다운로드할 수 있다는 이유만으로 해당 모델이 오픈 소스 AI의 조건을 충족한다고 단정할 수 없다.
AI 모델의 공개 여부는 단순히 공개와 비공개의 두 단계로만 나누기 어렵다.
모델 개발사는 다음 구성요소를 서로 다른 범위로 공개할 수 있다.
| 구성요소 | 내용 |
|---|---|
| 가중치 | 학습 완료된 모델의 매개변수 |
| 모델 구조 | Transformer 구조, 계층 수, 차원 등 |
| 추론 코드 | 모델을 실행하기 위한 프로그램 |
| 학습 코드 | 모델을 학습하는 데 사용한 프로그램 |
| 학습 설정 | 학습률, 배치 크기, 옵티마이저 등의 설정 |
| 학습 데이터 | 실제 사전학습에 사용한 데이터 |
| 데이터 처리 코드 | 수집·정제·중복 제거·필터링 과정 |
| 후속 학습 데이터 | SFT·선호도 학습 등에 사용한 데이터 |
| 평가 코드 | 성능 및 안전성 평가 방법 |
예를 들어 모델의 가중치와 추론 코드는 공개하면서 사전학습 데이터와 전체 학습 코드는 공개하지 않을 수 있다.
이러한 모델은 사용자가 직접 실행하고 미세조정할 수 있다는 점에서는 개방적이지만 모델을 처음부터 동일하게 재현할 수 있는 것은 아니다.
OpenAI는 2025년 gpt-oss-120b와 gpt-oss-20b를 공개했다.
두 모델은 모델 가중치를 내려받아 로컬 또는 자체 인프라에서 실행할 수 있는 오픈 웨이트 추론 모델이며 Apache 2.0 라이선스로 제공된다.[5]
gpt-oss-120b는 총 약 117B 매개변수 가운데 토큰당 약 5.1B 매개변수가 활성화되는 전문가 혼합 구조를 사용하며, gpt-oss-20b는 총 약 21B 가운데 약 3.6B가 활성화된다.[5]
OpenAI가 GPT 계열 모델의 가중치를 공개한 것은 GPT-2 이후 오랜 기간 동안 없었기 때문에 gpt-oss는 OpenAI의 모델 공개 정책에서도 중요한 변화에 해당한다.
대한민국에서도 여러 기업이 자체 개발한 파운데이션 모델의 가중치를 공개하고 있다.
네이버는 HyperCLOVA X SEED 계열 모델 일부를 Hugging Face 등을 통해 공개하고 있다.[6]
LG AI연구원도 EXAONE 계열의 여러 모델을 공개해 왔으며, K-EXAONE 2.0은 모델 가중치를 공개하고 Apache 2.0 라이선스를 적용하고 있다.[7]
업스테이지의 Solar Open 2 역시 가중치를 공개하고 있으며 자체 Solar License에 따라 사용할 수 있다.[8]
SK텔레콤의 A.X-K2도 모델 가중치를 공개해 연구·개발자가 직접 활용할 수 있도록 제공되고 있다.
이처럼 독자 AI 파운데이션 모델 프로젝트에 참여한 주요 모델 가운데 상당수도 오픈 웨이트 방식으로 공개되고 있다.
오픈 웨이트 모델을 사용할 때 가장 주의해야 하는 부분 가운데 하나가 라이선스이다.
가중치를 무료로 다운로드할 수 있다는 사실이 사용자가 어떠한 제한 없이 모델을 사용할 수 있다는 의미는 아니다.
모델별로 다음과 같은 조건이 존재할 수 있다.
- 상업적 이용 제한
- 특정 규모 이상의 서비스에 대한 별도 허가
- 모델 또는 파생 모델의 재배포 조건
- 모델 이름이나 상표 사용 제한
- 파생 모델에 대한 라이선스 표시 의무
- 특정 용도에 대한 사용 제한
- 저작권 고지 의무
반면 Apache License 2.0이나 MIT License와 같이 널리 사용되는 소프트웨어 라이선스로 가중치를 제공하는 모델도 있다.
따라서 오픈 웨이트 모델을 기업 서비스에 적용할 때는 가중치가 공개됐는가와 해당 가중치를 어떤 조건으로 사용할 수 있는가를 별도로 확인해야 한다.
오픈 웨이트 모델의 중요한 특징은 개발사의 API를 사용하지 않고 사용자의 인프라에서 모델을 실행할 수 있다는 점이다.
모델 저장소
↓
가중치 다운로드
↓
기업 GPU 서버
↓
추론 서버
↓
사내 애플리케이션
이를 통해 기업은 입력 데이터가 외부 AI 사업자의 서버로 전달되지 않도록 구성할 수 있다.
특히 금융·공공·국방·의료와 같이 데이터의 외부 전송을 엄격하게 통제해야 하는 환경에서는 자체 구축(On-premises)이나 전용 클라우드 환경에 모델을 배포할 수 있다는 것이 중요한 장점이 될 수 있다.
다만 모델을 자체 실행한다고 해서 자동으로 보안이 확보되는 것은 아니다. 모델 서버, 접근권한, 로그, 검색 증강 생성 데이터, API 및 AI 에이전트의 도구 권한 등에 대한 별도의 보안 통제가 필요하다.
가중치에 접근할 수 있기 때문에 오픈 웨이트 모델은 사용자가 직접 미세조정하기 쉽다는 장점이 있다.
전체 모델을 다시 미세조정할 수도 있지만 대형 모델에서는 LoRA와 같은 매개변수 효율적 미세조정 기법을 이용하는 경우가 많다.
오픈 웨이트 기반 모델
↓
LoRA / SFT
↓
업무 특화 모델
예를 들어 범용 오픈 웨이트 모델을 기반으로 기업의 작업 방식이나 특정 출력 형식을 지도 미세조정하여 특화 모델을 만들 수 있다.
다만 원본 모델의 라이선스에 파생 모델에 관한 조건이 존재한다면 미세조정한 모델에도 해당 조건이 적용될 수 있으므로 라이선스를 확인해야 한다.
오픈 웨이트 모델은 사용자가 가중치를 직접 처리할 수 있기 때문에 양자화를 적용해 모델의 메모리 사용량을 줄이는 것도 가능하다.
예를 들어 FP16 또는 BF16 가중치를 INT8이나 INT4 등 낮은 정밀도로 변환하여 상대적으로 적은 GPU 메모리에서 모델을 실행할 수 있다.
또한 GGUF, GPTQ, AWQ 등 다양한 배포·양자화 형식으로 변환된 모델이 배포되기도 한다.
다만 양자화 수준과 방식에 따라 모델의 성능이 저하될 수 있으며 모든 하드웨어와 추론 엔진에서 동일한 효율을 얻을 수 있는 것은 아니다.
자체 서버에서 모델을 실행하면 프롬프트와 생성 결과를 외부 모델 제공자의 API로 전송하지 않는 구성을 만들 수 있다.
기업 내부 문서나 민감한 데이터를 처리해야 하는 환경에서 중요한 장점이다.
모델 가중치에 접근할 수 있으므로 미세조정, 매개변수 효율적 미세조정, 양자화 등 다양한 방식으로 모델을 변경할 수 있다.
외부 API의 가격 정책, 호출 제한, 서비스 장애 또는 모델 버전 변경에 대한 의존도를 줄일 수 있다.
연구자가 모델의 가중치와 내부 활성값 등을 직접 분석할 수 있기 때문에 폐쇄형 API 모델보다 모델의 동작을 깊게 연구하기 쉽다.
로컬 PC, 자체 서버, 데이터센터, 퍼블릭 클라우드 등 필요한 환경에 모델을 배포할 수 있다.
가중치를 무료로 내려받을 수 있다고 해서 모델 운영 비용까지 무료인 것은 아니다.
대형 모델을 실행하려면 고성능 GPU와 상당한 메모리, 스토리지, 전력 등이 필요하다.
특히 수백B 규모의 모델은 양자화를 적용하더라도 여러 대의 고성능 GPU가 필요할 수 있다.
API형 모델에서는 모델 제공자가 담당하는 인프라 운영을 오픈 웨이트 모델에서는 사용자가 직접 담당해야 할 수 있다.
- 추론 서버 구축
- GPU 관리
- 모델 최적화
- 확장성 관리
- 장애 대응
- 보안 패치
- 접근통제
- 모니터링
따라서 모델 사용료만 비교해서 오픈 웨이트 방식이 항상 더 저렴하다고 판단할 수는 없다.
모델을 직접 수정할 수 있기 때문에 개발사가 적용한 일부 안전장치를 변경하거나 제거하는 것도 기술적으로 가능할 수 있다.
반대로 기업이 자체적인 가드레일과 정책을 모델에 적용할 수 있다는 장점도 있다.
따라서 개방성 자체가 모델의 안전성을 보장하거나 위험성을 의미하는 것은 아니며 실제 배포 환경과 통제가 중요하다.
가중치가 공개돼도 모델이 어떻게 만들어졌는지를 완전히 재현할 수 있는 것은 아니다.
학습 데이터와 데이터 정제 방법, 학습 코드, 하이퍼파라미터, 후속 학습 데이터 등이 공개되지 않았다면 사용자가 동일한 모델을 처음부터 다시 만드는 것은 어려울 수 있다.
이 점이 오픈 웨이트와 완전한 오픈 소스 AI를 구분하는 주요 이유 가운데 하나이다.[1]
오픈 웨이트 모델은 소버린 AI 구축에서도 중요한 선택지로 활용될 수 있다.
해외 사업자의 폐쇄형 API에 의존하지 않고 모델을 국내 또는 조직 내부의 인프라에 직접 배포할 수 있기 때문이다.
그러나 외국에서 개발된 오픈 웨이트 모델을 국내 서버에서 실행하거나 미세조정한다고 해서 해당 모델 자체가 국내에서 독자적으로 개발된 파운데이션 모델이 되는 것은 아니다.
이러한 차이는 대한민국의 독자 AI 파운데이션 모델 프로젝트에서도 중요하게 다뤄졌다.
해당 사업에서는 기존 외부 모델의 단순 미세조정이 아니라 모델 설계, 데이터 구축, 사전학습 등 핵심적인 개발 과정을 국내 개발진이 직접 수행했는지를 독자성 판단의 중요한 기준으로 사용한다.[9]
따라서 다음 개념은 서로 구분할 필요가 있다.
| 개념 | 핵심 기준 |
|---|---|
| 오픈 웨이트 | 모델 가중치를 다운로드할 수 있는가 |
| 오픈 소스 AI | 사용·연구·수정·공유에 필요한 개방 조건을 충족하는가 |
| 독자 파운데이션 모델 | 모델의 핵심 개발 과정을 자체적으로 수행했는가 |
| 소버린 AI | AI 기술·데이터·인프라에 대한 국가·조직의 통제력을 확보하는가 |
따라서 하나의 모델이 이 가운데 여러 특성을 동시에 가질 수도 있고 일부만 충족할 수도 있다.
- ↑ 1.0 1.1 1.2 1.3 Open Source Initiative, 「The Open Source AI Definition – 1.0」, https://opensource.org/ai/open-source-ai-definition, 확인일: 2026-10-04.
- ↑ Meta AI, 「Introducing Llama 3.1: Our most capable models to date」, https://ai.meta.com/blog/meta-llama-3-1/, 확인일: 2026-10-04.
- ↑ 3.0 3.1 DeepSeek, 「DeepSeek-R1」, https://github.com/deepseek-ai/DeepSeek-R1, 확인일: 2026-10-04.
- ↑ Qwen Team, 「Qwen」, https://github.com/QwenLM/Qwen, 확인일: 2026-10-04.
- ↑ 5.0 5.1 OpenAI, 「Introducing gpt-oss」, https://openai.com/index/introducing-gpt-oss/, 확인일: 2026-10-04.
- ↑ NAVER Cloud, 「HyperCLOVA X SEED」, https://huggingface.co/naver-hyperclovax, 확인일: 2026-10-04.
- ↑ LG AI Research, 「K-EXAONE-2.0-750B-A37B」, https://huggingface.co/LGAI-EXAONE/K-EXAONE-2.0-750B-A37B, 확인일: 2026-10-04.
- ↑ Upstage, 「Solar-Open2-250B」, https://huggingface.co/upstage/Solar-Open2-250B, 확인일: 2026-10-04.
- ↑ 과학기술정보통신부, 「독자 AI 파운데이션 모델 프로젝트 관련 공모안내서 명기사항 안내」, https://www.msit.go.kr/bbs/view.do?bbsSeqNo=100&mId=311&mPid=121&nttSeqNo=3179595, 확인일: 2026-10-04.