2026년의 개방형 AI 모델: DeepSeek, Qwen, Kimi 해설

‘개방형 AI 모델’은 무슨 뜻입니까?

‘개방형’은 여러 설명을 묶은 말이지 보증이 아닙니다. 오픈 웨이트 릴리스는 모델의 최종 학습된 매개변수를 공유하며, 라이선스가 허용하면 다른 사람이 이를 미세 조정하거나, 변형하거나, 배포할 수 있습니다. ^[4] 오픈소스 AI 시스템은 그보다 강한 주장입니다. 오픈소스 이니셔티브(Open Source Initiative, OSI)의 정의는 OSI가 승인한 조건 아래 세 가지 요소를 요구합니다. 숙련된 사람이 실질적으로 동등한 시스템을 만들 수 있을 만큼 상세한 데이터 정보, 시스템을 학습시키고 실행하는 데 쓰인 완전한 소스 코드, 그리고 모델 매개변수입니다. ^[1]

이 구분은 실제 선택에 영향을 미칩니다. 가중치는 제공되지만 학습 데이터와 학습 코드는 제공되지 않을 수 있습니다. 오픈소스 이니셔티브의 오픈 웨이트 해설은 오픈 웨이트가 오픈소스 AI와 다르다고 말하는데, 학습 코드나 학습 데이터세트, 또는 데이터세트를 법적으로 공유할 수 없는 경우 그 데이터세트에 관한 포괄적인 세부 정보를 포함하지 않기 때문입니다. 그런 것들이 없으면 학습 과정을 재현하거나 감사하기 어렵습니다. ^[4] 따라서 어떤 모델은 로컬에 배포할 수는 있지만 완전히 재현할 수는 없거나, 특정 용도를 제한하는 조건 아래 가중치가 제공될 수 있습니다.

릴리스를 고르기 전에 네 가지를 물어보십시오. 바로 그 가중치를 구할 수 있는가? 어떤 라이선스가 적용되는가? 고른 형식을 어떤 런타임과 하드웨어가 불러올 수 있는가? 중요한 작업에 대해 어떤 증거가 있는가? ‘오픈소스’는 성능 등급도, 프라이버시 보장도, 모델이 노트북에 들어간다는 약속도 아닙니다.

아래 섹션에서는 증거가 가중치에 관한 것일 때 ‘오픈 웨이트’라는 말을 쓰고, ‘오픈소스 AI’는 시스템 수준의 더 강한 의미에만 씁니다. 이렇게 하면 유용한 기술적 구분이 마케팅용 줄임말로 변질되는 것을 피할 수 있습니다.

DeepSeek V4에 관해 확인된 것은 무엇입니까?

DeepSeek의 투명성 센터(Transparency Center)는 DeepSeek-V4를 2026년 4월 24일 출시일과 함께 기재하고 모델 카드와 기술 보고서로 연결합니다. ^[2] 공식 변경 기록은 API가 2026년 4월 24일부터 V4-Pro와 V4-Flash를 지원했다고 말합니다. 2026년 9월 10일 항목은 V4 Flash가 퇴역했고 그 API 이름이 임시로 V4.1 Flash로 연결된다고 말하며, 2026년 11월 11일 기준 가장 최근 항목인 2026년 10월 17일 자 항목은 그 모델을 V4.1-Flash-1017로 업그레이드합니다. ^[6] 이런 진술은 모델 제품군의 출시와 API의 변천을 확인해 줍니다. 모든 V4 변형이 동일한 가중치, 라이선스, 가격, 로컬 배포 요구 사항을 갖는다는 뜻은 아닙니다.

DeepSeek의 2026년 4월 24일 발표는 V4 Preview를 ‘오픈소스로 공개했다’고 표현하면서 Hugging Face에 있는 오픈 웨이트로 연결했고, V4-Pro를 총 매개변수 1.6T에 활성 매개변수 49B, V4-Flash를 총 매개변수 284B에 활성 매개변수 13B로 설명했습니다. ^[7] ‘오픈소스로 공개했다’는 것은 회사 자신의 표현입니다. 특정 V4 릴리스가 OSI 정의를 충족하는지는 그 저장소와 라이선스가 실제로 무엇을 제공하는지에 달려 있습니다. 이런 규모는 중요합니다. 모델은 토큰당 활성 매개변수가 총 매개변수보다 적더라도 여전히 상당한 인프라와 모델 파일을 필요로 할 수 있습니다. API 모델을 개인용 컴퓨터에서 무리 없이 실행할 수 있다고 미루어 짐작하지 마십시오.

개발자라면 API 모델 이름과 내려받은 체크포인트를 구별하십시오. DeepSeek의 문서는 API 이름과 호환성 라우팅을 설명합니다. 주요 릴리스를 확인하고 그 카드를 찾기에 알맞은 곳은 투명성 센터입니다. ^[2][6] 로컬 배포를 하려면 API 이름으로 추측하지 말고 해당 모델 카드, 가중치 출처, 라이선스, 지원되는 런타임을 이용하십시오.

일반 독자라면 DeepSeek을 하나의 제품군으로 이해하는 것이 유용합니다. 서로 관련된 이름 아래 대형 모델, 호스팅형 모델, 로컬용 모델이 있을 수 있습니다. 실질적인 선택은 정확한 릴리스와 제공 방식이지, 브랜드 이름에 대한 충성이 아닙니다.

Qwen3.8과 Kimi K3.1 Pro는 어떻게 다릅니까?

Qwen3.8-27B는 비전-언어 모델로, 공식 카드에는 언어 모델 매개변수 27B와 Apache 2.0 라이선스가 기재되어 있습니다. Hugging Face가 이 저장소에 대해 보여 주는 파일 요약에는 모델 크기가 28B 매개변수로 나옵니다. 카드는 저장소에 사후 학습을 거친 모델의 가중치와 구성 파일이 Transformers 형식으로 들어 있다고 말하며, Hugging Face 페이지는 llama.cpp, Ollama, LM Studio 또는 호환되는 모든 앱을 위한 양자화 버전으로 연결됩니다. ^[3] 이 양자화 버전들은 별도의 저장소에 있으므로 각각을 누가 게시했는지 확인하십시오. 따라서 이 모델은 선택한 양자화, 컨텍스트, 하드웨어가 맞을 때에만 로컬 모델 후보로 삼을 만합니다.

Kimi K3.1 Pro는 규모와 라이선스 면에서 위치가 다릅니다. 게시자의 카드는 이 모델을 오픈 웨이트 멀티모달 전문가 혼합(mixture-of-experts) 모델이라고 부르고, 총 매개변수 2.8T와 활성화 매개변수 104B를 기재하며, Kimi 고유의 라이선스를 명시합니다. ^[5] 기술적으로 접근할 수 있다고 해서 일반 하드웨어에 알맞은 로컬 선택지가 되거나 Apache 라이선스 모델처럼 라이선스가 부여되는 것은 아닙니다.

이 두 릴리스는 매개변수 수만으로는 ‘어느 쪽이 더 나은가’에 답할 수 없는 이유를 보여 줍니다. Qwen의 27B 규모는 적절한 양자화를 쓰면 로컬에서 시험하기가 더 쉬울 수 있습니다. Kimi의 훨씬 큰 규모는 메모리와 배포 용량이 훨씬 많은 인프라를 겨냥한 것일 수 있습니다. 올바른 비교 기준은 작업, 출력 품질, 지연 시간, 비용, 라이선스, 하드웨어이지, 한 제품군이 모든 벤치마크에서 이긴다는 주장이 아닙니다.

두 카드 모두 게시자가 제공한 정보입니다. 벤치마크 주장과 기능 설명은 평가의 출발점으로 다루어야 하며, 대표적인 프롬프트와 언어, 실패 사례를 시험하는 일을 대신할 수 없습니다. 결과가 중대한 용도라면 사람의 검토 단계와 독립적인 출처 확인 절차를 유지하십시오.

어떤 개방형 모델이 무엇에 적합합니까?

로컬 배포를 배우려면 원하는 언어와 작업을 처리할 수 있는, 지원되는 가장 작은 모델을 골라 시험해 보십시오. 다루기 쉬운 Qwen 호환 양자화가 훨씬 큰 릴리스보다 더 실용적인 첫 실험이 될 수 있습니다. Hugging Face는 LM Studio, Ollama, llama.cpp, MLX LM을 포함해 GGUF, MLX 및 그 밖의 형식을 위한 로컬 앱 경로를 문서로 안내합니다. ^[8]

호스팅형 작업 흐름에서는 API가 가중치를 내려받고, 런타임을 고르고, 하드웨어를 유지관리하는 부담을 줄여 줄 수 있습니다. 그것은 서비스에 관한 선택이지 로컬 프라이버시에 관한 선택이 아닙니다. DeepSeek의 API 문서는 모델 이름 변경과 API 릴리스를 보여 줍니다. 사용자는 민감한 자료를 보내기 전에 현재의 서비스 약관, 가격, 데이터 처리 방식을 확인해야 합니다. ^[6]

연구 팀이나 인프라 팀에게는 매우 큰 오픈 웨이트 릴리스가 통제된 자체 호스팅, 전문화된 평가, 또는 변형 작업을 뒷받침할 수 있습니다. 그런 릴리스는 운영 업무도 늘립니다. 가중치를 확보하고, 추론 용량을 관리하고, 보안 업데이트를 적용하고, 라이선스를 준수하고, 출력 품질을 모니터링해야 합니다. Kimi K3.1 Pro의 크기는 가중치를 구할 수 있다는 사실이 이런 비용을 없애 주지 않음을 잘 보여 줍니다. ^[5]

멀티모달 작업에서는 모든 모델이 이미지, 동영상, 문서를 받아들인다고 가정하지 말고 정확한 모델 카드를 확인하십시오. Qwen은 Qwen3.8-27B를 비전-언어 모델로 설명하고, Kimi의 카드는 텍스트와 이미지 모달리티를 설명합니다. ^[3][5] 그것만으로는 특정 이미지나 문서에서의 정확도에 대해, 특히 민감한 분야에서의 정확도에 대해 아무것도 말해 주지 않습니다.

프라이버시에 민감한 작업에서는 로컬 실행이 호스팅 제공업체와 프롬프트를 공유하는 일을 줄일 수 있지만, 그것이 자동으로 프라이버시를 보장하지는 않습니다. 모델 다운로드, 업데이트, 로컬 로그, 백업, 플러그인, 네트워크에 노출된 서버는 별개의 위험으로 남습니다. 하드웨어와 프라이버시의 장단점 전체는 이 사이트의 로컬 AI 가이드를 참고하십시오.

오픈 웨이트 모델을 어떻게 평가해야 합니까?

먼저 모델 카드를 읽으십시오. 게시자, 모델 리비전, 라이선스, 의도된 작업, 아키텍처, 모달리티, 알려진 한계, 지원되는 배포 형식을 확인하십시오. 카드는 정확도를 인증해 주는 문서가 아니지만, 게시자가 무엇을 공개했다고 말하는지를 알려 주는 가장 직접적인 출처입니다. ^[2][3][5]

그런 다음 현실적인 시험 세트를 하나 고르십시오. 예상되는 사실이 알려져 있는 대표적인 프롬프트, 까다로운 경계 사례, 그리고 사용하려는 언어로 이루어진 작은 세트를 사용하십시오. 출력을 정확성, 완전성, 일관성, 해로운 과신 여부의 측면에서 비교하십시오. 매끄럽게 다듬어진 첫 응답이나 공개 벤치마크 하나만으로 모델을 판단하지 마십시오.

정확한 환경을 기록하십시오. 모델 리비전, 양자화, 컨텍스트 한도, 런타임, 하드웨어, 프롬프트 작성 방식, 도구 접근 권한이 그것입니다. 이런 변수가 다르면 두 사용자가 같은 이름의 모델에서 서로 다른 결과를 얻을 수 있습니다. 이 기록은 유용한 구성을 재현하거나 잘못된 답변을 조사할 수 있게도 해 줍니다.

개인적인 실험을 넘어 배포하기 전에 라이선스를 확인하십시오. OSI 정의는 오픈소스 AI에 가중치 이상의 것이 포함된다고 설명하며, OSI의 오픈 웨이트 해설은 가중치만으로는 시스템을 온전히 사용하고, 연구하고, 수정하고, 공유하는 데 필요한 수준에 미치지 못한다고 말합니다. ^[1][4] 상업적 이용, 재배포, 미세 조정, 호스팅 서비스에서의 이용, 저작자 표시는 서로 다른 조건의 적용을 받을 수 있습니다.

마지막으로 출력에 경계를 적용하십시오. 개방형 모델은 초안을 작성하거나, 번역하거나, 분류하거나, 정보를 탐색하는 일을 도울 수 있습니다. 독립적인 최신 증거와 적절한 전문가의 판단 없이 법률, 금융, 의료, 안전, 보안에 관한 결정의 최종 권위가 되어서는 안 됩니다.

혼란 없이 개방형 모델을 로컬에서 실행하려면 어떻게 합니까?

모델 파일을 내려받기 전에 런타임을 고르십시오. Hugging Face는 호환되는 로컬 애플리케이션과 형식을 나열합니다. 예를 들어 LM Studio는 GGUF와 MLX 모델을 지원하고, Ollama는 GGUF를 지원하며, MLX LM은 MLX 텍스트 생성 모델을 지원합니다. ^[8] 형식이 맞지 않는 모델 파일은 쓸모 있는 다운로드가 아닙니다.

게시자의 공식 페이지나 자리 잡은 모델 호스트에서 시작한 다음, 컴퓨터에 맞는 형식을 고르십시오. Qwen3.8-27B의 Hugging Face 페이지는 양자화 버전으로 연결되지만, 기본 27B 릴리스 자체가 모든 기기가 모든 버전을 불러올 수 있다는 주장은 아닙니다. ^[3] 모델이 디스크에서 차지하는 크기를 전체 요구 사항으로 여기지 말고, 운영 체제와 컨텍스트를 위한 메모리 여유분을 남겨 두십시오.

첫 서버는 같은 컴퓨터 안에서만 접근되도록 두고 무해한 데이터로 시험하십시오. 단지 다른 기기에서 쓰려고 로컬 모델 엔드포인트를 공개 인터넷에 노출하지 마십시오. 나중에 네트워크 서비스가 필요해지면 인증을 사용하고, 런타임에 패치를 적용하고, 누가 그 서비스에 프롬프트를 보낼 수 있는지 파악하십시오.

구성은 소스 관리 도구로 관리하고 모델 라이선스를 기록해 두십시오. 로컬 모델은 기술적으로는 실행하기 쉽지만 계획한 서비스에는 법적으로 부적합할 수 있고, 그 반대일 수도 있습니다. 질서 있게 진행하는 실험이 출처가 불분명한 거대한 파일을 거듭 내려받는 것보다 더 안전하고 유용합니다.

모델이 제대로 답하지 못할 때에는 한 번에 한 가지 변수만 바꾸십시오. 더 작은 컨텍스트, 다른 양자화, 다른 런타임, 또는 작업에 더 잘 맞는 모델을 시도해 보십시오. 더 많은 매개변수 수가 유일한 해결책은 아닙니다.

2026년 동안 독자는 개방형 모델에서 무엇을 지켜보아야 합니까?

릴리스의 정체를 주의 깊게 지켜보십시오. DeepSeek의 공식 페이지는 V4, V4-Pro, V4-Flash, 그리고 V4.1-Flash API 변경을 구별합니다. ^[2][6] ‘DeepSeek V4’라고 쓴 헤드라인은 독자가 사용하려는 것과는 다른 정확한 모델이나 제공 경로를 가리킬 수 있습니다.

라이선스와 배포 세부 사항을 기능만큼 꼼꼼히 지켜보십시오. Qwen3.8-27B의 공개 페이지는 Apache 2.0을 명시하고, Kimi K3.1 Pro는 Kimi 고유의 라이선스를 명시합니다. ^[3][5] 기본 모델, 커뮤니티 양자화, 파생 모델의 문서가 서로 다를 수 있으므로 이런 표시는 실제 저장소에서 읽어야 합니다.

작업에 맞는 증거를 지켜보십시오. 코딩 벤치마크가 문서 이해 능력을 판가름해 주지 않고, 긴 컨텍스트를 지원한다는 주장이 사실 정확도를 판가름해 주지 않으며, 모델의 이미지 지원이 이미지 처리의 신뢰성을 판가름해 주지 않습니다. 공개 릴리스는 시험과 변형을 더 쉽게 해 주지만, 평가의 필요성을 없애 주지는 않습니다.

릴리스 노트뿐 아니라 운영상의 변화도 지켜보십시오. DeepSeek의 V4 변경 기록이 보여 주듯이 호스팅형 API는 엔드포인트의 이름을 바꾸거나, 다른 곳으로 연결하거나, 퇴역시킬 수 있습니다. ^[6] API에 의존하는 팀은 대체 모델을 운영 환경에 쓰기 전에 시험하고 대비 절차를 유지해야 합니다. 자체 호스팅을 하는 팀은 그 대신 다운로드 무결성, 런타임 업그레이드, 저장 공간, 용량을 계획해야 합니다. 어느 경로도 영구적으로 유지관리가 필요 없는 것은 아닙니다. 출시 전에 롤백을 계획하고, 모니터링 예산을 잡고, 각 운영 업무를 누가 맡는지 문서로 남기십시오.

모델 카드 리비전, 참고한 라이선스 본문, 런타임 버전, 평가용 프롬프트, 관찰된 실패 유형을 담은 증거 파일을 보관하십시오. 이는 개인 프로젝트에는 소소한 작업이고 조직에서 사용할 때에는 필수입니다. 그렇게 하면 공개 릴리스에 관한 매력적인 주장이 반복할 수 있는 결정으로 바뀝니다. 또한 모델의 한계와 양자화, 프롬프트 설계, 로컬 구성에서의 실수를 구별하는 데에도 도움이 됩니다.

변하지 않는 선택 기준은 추상적인 차원에서의 DeepSeek 대 Qwen 대 Kimi가 아닙니다. 사용자가 유지관리할 수 있는 배포 방식 아래에서 작업을 충족하는, 가장 작고 라이선스가 가장 명확하며 성능을 검증할 수 있는 정확한 모델입니다.