라이프스타일
파운데이션 모델(Foundation Model)이란 무엇인가
파운데이션 모델은 광범위한 데이터로 학습하고 다양한 다운스트림 작업에 맞게 조정할 수 있는 모델이다. 단순히 매개변수가 많다는 뜻도, 완성된 채팅 제품이라는 뜻도 아니다. 이 글은 Stanford CRFM의 용어 사용을 바탕으로 주민 서비스 메일함의 분류·요약·검색을 예로 들어, 공유 모델이 어떻게 여러 응용의 출발점이 되는지 설명한다. 대규모 언어 모델, 생성형 AI, 공개 가중치와의 차이도 정리한다. 모델 능력, 응용을 위한 조정, 실제 배포 사이의 경계를 구분할 수 있다.
읽는 데 약 9분

목차
파운데이션 모델은 광범위한 데이터로 학습하고 다양한 다운스트림 작업에 맞게 조정할 수 있는 모델이다. 여기서는 Stanford CRFM 보고서에서 제시한 용법을 따른다. ‘기반’이라는 이름은 여러 응용의 공통 출발점이 될 수 있기 때문이지, 초보자가 쉽게 사용할 수 있기 때문이 아니며, 그 자체가 이미 완성된 신뢰할 만한 제품이라는 뜻도 아니다. 규모가 그 배경 중 하나인 경우는 많지만 매개변수모델 매개변수(Model Parameters)란 무엇인가모델 매개변수는 학습 중 조정되며 입력을 출력으로 바꾸는 데 쓰이는 가중치와 편향 등의 수치입니다. 이 글은 간단한 수식 예시로 매개변수가 예측에 미치는 영향을 설명하고, 모델 매개변수와 학습 하이퍼파라미터, 프롬프트, 생성 설정을 구분합니다. 또한 매개변수 수, 수치 정밀도, 활성 매개변수가 서로 다른 지표인 이유를 설명합니다. 읽고 나면 모델 사양을 더 정확히 읽고, 매개변수 증가가 지식의 항목별 증가를 뜻하지 않으며 매번 대화할 때마다 모델을 다시 학습하는 것도 아님을 이해할 수 있습니다.전체 글 읽기 수만으로 정의할 수는 없다.
한 주민 서비스 플랫폼이 접수된 메일을 분류하고 요약하며, 비슷한 과거 문제를 검색하려 한다고 가정해 보자. 이러한 기능은 같은 파운데이션 모델 계열을 활용하면서 서로 다른 데이터와 작업 흐름을 결합할 수 있다. 아래에서는 이 글에서 만든 상황을 통해 공유 능력이 어떻게 조정되는지 설명한다. 자료 확인 기준일은 2026년 9월 14일이다.
단일 작업에서 조정 가능한 출발점으로
Stanford CRFM은 파운데이션 모델을 광범위한 데이터로 학습하고 여러 다운스트림 작업에 맞게 조정할 수 있는 모델로 설명하며, 이러한 공통 기반이 가져오는 기회와 위험을 논의한다. 과거에는 한 모델이 특정 유형의 이미지 인식을, 다른 모델이 텍스트 분류를 전담했을 수 있다. 파운데이션 모델의 접근법은 먼저 재사용할 수 있는 능력을 학습한 뒤, 작업의 요구에 따라 다르게 조정하는 것이다.
이것이 어떤 모델이든 모든 일을 잘할 수 있다거나, 모든 다운스트림 기능이 같은 인터페이스를 공유한다는 뜻은 아니다. 언어 모델, 이미지 모델, 여러 모달리티를 아우르는 모델은 입력과 출력이 다를 수 있다. 어떤 모델은 표현을 제공하는 데, 다른 모델은 시퀀스를 생성하는 데 강하다. 이들을 파운데이션 모델이라고 부를 때의 핵심은 학습 배경과 여러 작업에 맞게 조정할 수 있는 역할에 있으며, 고정된 기능 목록에 있지 않다.
Google의 공식 모델 문서는 범용 모델을 응용에 맞게 조정하는 구체적인 예를 제공한다. 그러나 특정 계열을 근거로 모든 파운데이션 모델의 라이선스, 배포 방식, 하드웨어 요구 사항이 같다고 추론할 수는 없다. 모델 설명을 읽을 때는 능력, 접근 방식, 응용에 대한 책임을 구분해야 한다. 모델을 내려받거나 API를 호출하는 것은 시스템의 일부만 확보하는 일이다.
같은 기반에서 서로 다른 응용이 나온다
주민 메일함 예시의 첫 번째 작업은 접수된 메일을 장비, 환경, 행사 등의 업무 범주로 분류하는 것이다. 입력은 주민의 설명이고, 출력은 지정된 범주와 추가로 필요한 정보다. 두 번째 작업은 긴 메일을 관리자가 빠르게 읽을 수 있는 핵심 내용으로 요약하는 것이다. 세 번째 작업은 비슷한 과거 사례를 찾아 관리자가 처리 방식을 참고하게 하는 것이다.
이 작업들은 모두 텍스트를 다루지만 검증 기준은 다르다. 분류에서는 범주가 실제 업무 분담에 맞는지, 요약에서는 부정 표현과 시간 순서를 보존하는지, 검색에서는 찾은 사례가 유용한지를 확인해야 한다. 공유 모델을 사용하면 처음부터 학습하는 수고를 줄일 수 있지만, 각 기능에는 여전히 별도의 데이터, 프롬프트, 도구와 테스트가 필요하다. 분류 성능이 좋다는 이유만으로 요약도 신뢰할 수 있다고 선언해서는 안 된다.
이 글에서 만든 입력인 “엘리베이터는 오늘 복구됐지만, 어제 났던 이상 소음은 여전히 점검해 주셨으면 합니다”는 아직 점검이 필요하다는 뜻으로 이해해야 한다. 요약에 “엘리베이터가 복구됐다”만 남겨서는 안 된다. 분류는 정확하지만 요약에서 미해결 사항을 빠뜨렸다면 요약 작업의 설정을 점검해야 한다. 반드시 파운데이션 모델 전체를 교체해야 하는 것은 아니며, 분류 기능도 함께 실패했다는 뜻도 아니다.
자세한 설명 보기
같은 파운데이션 모델이 분류·요약·검색 기능에 각각 연결된다. 각 기능에는 자체 작업 데이터와 검증이 필요하며, 한 번의 평가로 전부를 검증하지는 않는다.
조정 방법은 재학습만이 아니다
조정은 명확한 프롬프트와 예시를 제공해 모델이 해당 작업에 맞게 동작하도록 하는 방식일 수 있다. 검색을 추가해 적용 가능한 규정과 과거 사례를 맥락에 넣을 수도 있다. 다른 방법으로는 미세 조정을 통해 모델 매개변수 일부 또는 전부를 변경하는 방식이 있다. 이러한 방법은 비용, 데이터 요구량, 유지 관리 측면에서 다르므로, 무조건 재학습부터 준비하기보다 문제에 맞게 선택해야 한다.
주민 메일함의 업무 범주 이름이 불명확하다면, 미세 조정보다 먼저 라벨의 정의와 예시를 정리하는 일이 더 필요할 수 있다. 모델이 최신 관리 절차를 모르는 것이 문제라면, 기존 매개변수가 알아서 변경 사항을 기억하기를 기대하는 것보다 현행 문서를 확보해 제공하는 편이 더 직접적일 수 있다. 부족한 부분을 명확히 이해해야 어떤 조정 방식이 원인에 대응하는지 판단할 수 있다.
조정한 모델이나 응용의 성능이 오히려 떨어질 수도 있다. 장비 분류 예시를 추가하면 일부 행사 장비 대여 요청이 수리로 잘못 분류될 수 있다. 업데이트할 때마다 기존의 중요한 사례를 유지하면서 새로운 실패 상황을 추가해야 한다. 범용 기반이 편의를 제공해도 작업 사이의 절충이나 회귀 테스트가 필요 없어지는 것은 아니다.
기반을 공유하면 사각지대도 공유한다
여러 응용이 같은 모델에 의존하면 데이터 편향, 능력의 공백, 특정 실패 양상을 함께 물려받을 수 있다. 이는 파운데이션 모델이 시스템 전반에 영향을 미치는 이유 중 하나다. 기반 모델을 업데이트하면 여러 기능을 동시에 개선할 수도 있지만, 여러 제품의 동작이 동시에 바뀔 수도 있다. 각 응용을 서로 독립된 작은 도구로만 보아서는 안 된다.
예시에서 주민이 지역 구어체나 짧은 구절을 사용하면 분류·요약·검색에서 모두 오류가 나타날 수 있다. 반드시 더 큰 모델로 바꿔야 한다는 뜻은 아니다. 해당 언어에 맞는 테스트를 늘리고 프롬프트와 예외 처리를 개선해야 할 수도 있다. 진단할 때 같은 입력이 어떤 기능들에서 함께 실패하는지 먼저 살피면 공통 원인을 파악하는 데 도움이 된다.
따라서 출처와 버전이 중요하다. 플랫폼은 어떤 파운데이션 모델을 사용하고 어떤 조정 데이터와 설정을 결합했는지 알아야 하며, 업데이트 전의 점검 결과도 보관해야 한다. 서비스 제공업체나 로컬 모델 버전이 바뀌면 중요한 용도를 다시 확인해야 한다. 모델 이름이 같거나 같은 계열에 속한다는 사실만으로 동작이 완전히 같다고 입증할 수는 없다.
LLM, 생성형 AI, 공개 가중치와의 차이
대규모 언어 모델은 주로 언어 모델링과 규모를 기준으로 설명하는 용어다. 파운데이션 모델은 광범위한 학습을 거쳐 여러 작업에 맞게 조정할 수 있다는 점을 강조한다. 많은 LLM은 파운데이션 모델이기도 하지만, 파운데이션 모델은 이미지와 다른 모달리티도 포괄할 수 있다. 생성형 AI생성형 AI(Generative AI)란 무엇인가생성형 AI는 데이터에서 패턴을 학습해 입력 조건에 따라 글, 이미지, 소리 등의 콘텐츠를 만든다. 이 글은 지역 중고 장터 홍보물 사례를 통해 생성과 분류·검색의 차이를 설명하고, 언어 모델·확산·적대적 생성 등 다양한 접근법을 소개한다. 또 콘텐츠가 그럴듯해 보여도 사실에 충실하지 않을 수 있는 이유를 살펴본다. 읽고 나면 창작 요구, 반드시 보존할 정보, 사람의 검수를 구분해 계획하고 어떤 결과물이 아직 확인이 필요한 초안인지 판단할 수 있다.전체 글 읽기는 콘텐츠를 생성하는 능력을 기준으로 분류하므로, 이 용어들을 완전히 같은 이름으로 볼 수는 없다.
공개 가중치는 모델 가중치를 확보할 수 있는지와 관련 사용 조건을 설명하는 용어로, 파운데이션 모델인지와는 별개의 문제다. 어떤 파운데이션 모델은 서비스를 통해서만 접근할 수 있고, 다른 모델은 가중치를 제공할 수도 있다. 가중치를 제공한다고 해서 모든 학습 데이터, 코드와 라이선스가 같다는 뜻도 아니다. 이러한 경계를 이해해야 ‘공개’라는 말만으로 확인되지 않은 권리와 능력을 추론하는 일을 피할 수 있다.
일반 사용자에게 가장 필요한 질문은 다음과 같다. 이 공통 기반은 어떤 작업에 사용되며, 그 작업을 위해 어떤 데이터와 검증을 추가했고, 실패하면 누가 처리할 수 있는가? 답이 명확해지면 파운데이션 모델은 추상적이고 거대한 블랙박스를 가리키는 용어가 아니라, 추적 가능한 기술적 출발점이 된다. 사람에게 실제로 제공하는 기능은 여전히 응용 설계와 근거를 통해 완성해야 한다.
| 용어 | 강조하는 점 | 이로부터 추론할 수 없는 것 |
|---|---|---|
| 파운데이션 모델 | 여러 다운스트림 작업에 맞게 조정 가능 | 모든 응용이 이미 검증되었다는 것 |
| 대규모 언어 모델 | 대규모 언어 모델링 | 채팅에만 사용할 수 있다는 것 |
| 공개 가중치 | 가중치 확보와 사용 조건 | 학습 데이터와 모든 권리가 개방되어 있다는 것 |
대규모 언어 모델(Large Language Model)이란 무엇인가
미세 조정(Fine-tuning): 기존 모델을 자신의 작업에 더 적합하게 만들기파인튜닝(Fine-tuning): 기존 모델을 내 작업에 더 적합하게파인튜닝은 기존 모델의 학습을 이어가 특정 작업이나 분야에 더 적합하게 만드는 것입니다. 이 글은 고객 지원 메일 분류를 예로 데이터 정리, 매개변수 갱신, 테스트 세트 분리 보관과 버전 배포를 설명합니다. 전체 파인튜닝, LoRA, 지도 학습 기반 파인튜닝과 RAG를 구분하고, 학습 성적이 좋아져도 실제 성능은 떨어질 수 있는 이유를 살펴봅니다. 읽고 나면 파인튜닝을 적용할 만한 문제인지 판단하고, 형식 일관성, 알려지지 않은 유형, 데이터 누수와 기존 능력 저하를 점검할 수 있습니다.전체 글 읽기
공개 가중치(Open Weights): 모델을 내려받을 수 있어도 무엇을 더 확인해야 할까
AI 용어 총색인: Loop Engineering부터 생성형 AI까지
이 정리가 도움이 되셨나요? 필요한 분께 공유해 보세요
같은 주제의 글
라이프스타일
에이전트형 검색 증강 생성(Agentic RAG): 언제 다시 검색해야 할까
에이전트형 검색 증강 생성은 모델이 검색 결정에 참여해 질문과 이미 찾은 근거에 따라 자료 출처를 선택하거나 검색어를 재작성하거나 추가로 검색하게 합니다. 이 글은 LangGraph 문서의 구체적인 흐름을 바탕으로 장소 대관 조건 비교를 통해 고정형 RAG와의 차이를 보여 주고, 종료 조건, 권한, 검색 기록과 비용 관리를 설명합니다. 읽고 나면 작업에 동적 탐색이 필요한지, 예측 가능한 고정 절차로 충분한지 판단할 수 있습니다.
라이프스타일
그래프 검색 증강 생성(GraphRAG): 관계를 통해 문서 전체 이해하기
GraphRAG는 엔터티와 그 관계를 검색에 활용해 문서 간 연관성과 전체 주제에 관한 질문에 답하도록 돕습니다. 이 글은 Microsoft의 원 논문과 공식 문서를 바탕으로 엔터티 추출, 커뮤니티 요약, 로컬 검색과 글로벌 검색을 설명하고, 지역 행사 기록을 통해 질문에 따라 다른 경로가 필요함을 보여 줍니다. 또한 그래프의 연결 누락, 이름의 잘못된 병합, 요약 왜곡이 답변에 미치는 영향을 설명해 보기 좋은 관계도를 검증된 사실로 오인하지 않도록 합니다.
라이프스타일
지식 그래프(Knowledge Graph): 대상과 관계를 명확히 설명하기
지식 그래프는 개체와 관계로 데이터를 구성해 ‘누가 무엇에 참여했고, 어디서 언제 일어났는지’를 연결을 따라 조회할 수 있게 합니다. 이 글은 커뮤니티 행사 데이터를 예로 개체 식별, 관계 방향, 출처와 시간을 살펴보고, 자원 기술 프레임워크(RDF)와 속성 그래프의 표현 방식 차이를 소개합니다. 또한 그래프가 시각화나 신뢰할 만한 사실 그 자체는 아님을 설명합니다. 읽고 나면 데이터가 그래프 구축에 적합한지 판단하고, 데이터 테이블·벡터 검색·그래프 검색 증강 생성(GraphRAG)과 어떻게 결합하는지 이해할 수 있습니다.
라이프스타일
하이브리드 검색(Hybrid Search): 정확한 단어와 의미를 함께 고려하기
하이브리드 검색은 전문 검색과 벡터 검색 등 서로 다른 검색 결과를 결합해 정확한 코드와 자연어로 표현한 요구를 모두 반영합니다. 장비 설명서 검색을 예로 후보 확보, 중복 제거, 순위 융합, 재순위화를 살펴보고, 역순위 융합(RRF)이 순위로 서로 다른 검색 결과를 결합하는 원리를 설명합니다. 하이브리드 방식이 모든 경우에 정확도 향상을 보장하지 않는다는 점도 짚습니다. 코드 질문, 표현을 바꾼 질문, 답이 없는 질문으로 품질을 확인하고, 권한·필터링·중복 콘텐츠로 인한 편향을 구분할 수 있습니다.
출처
위에 기재된 참고 자료와 확인일 기준 정보를 바탕으로 정리했습니다. 요금, 시간표, 기능, 이용 약관은 바뀔 수 있으므로 여행, 예약 또는 구매 전에 해당 공식 사이트에서 최신 정보를 확인해 주세요.