업스테이지 ‘솔라 오픈 2’ 공개, 한국어·에이전트 성능으로 독파모 2라운드 승부

솔라 오픈 2가 나온 배경

• 업스테이지가 자체 개발 오픈웨이트 거대언어모델 ‘솔라 오픈 2’를 공개함

  • 모델 가중치는 허깅페이스에 올라갔고, 아키텍처와 학습 방법론을 담은 테크 리포트도 공개됨
  • 시점도 중요함. 다음 달 정부 주도 ‘독자 AI 파운데이션 모델’ 2차 평가를 앞두고 참여사들의 차세대 모델이 하나씩 나오는 중임

• 이 모델은 “한국어 잘하는 국산 LLM” 정도로만 보면 포인트를 놓침

  • 업스테이지가 강조하는 축은 에이전트 성능, 한국어 업무 성능, 긴 컨텍스트, 그리고 기업이 자체 인프라에 올릴 수 있는 비용 구조임
  • 즉 연구실 데모보다 실제 업무 현장에서 굴릴 수 있느냐에 방점이 찍혀 있음

모델 구조와 성능 포인트

• 솔라 오픈 2는 총 2500억 개 매개변수 중 실제 작업에서는 150억 개만 활성화하는 MoE 구조임

  • 전문가 혼합 구조라 요청마다 필요한 일부 전문가만 쓰는 방식임
  • 최대 100만 토큰 분량의 문서를 한 번에 처리할 수 있다고 밝힘

• 에이전트 관련 벤치마크에서 꽤 공격적인 주장을 내놨음

  • 지시 이행 IFBench, 도구 호출 MCP-Atlas, 에이전트 종합평가 APEX-Agents에서 딥시크 V4 플래시, 미스트랄 미디엄 3.5, 코히어 커맨드 A+를 상회했다고 함
  • 전작 솔라 오픈과 비교하면 과학추론 GPQA-Diamond, 수학 HMMT, 코딩 등 주요 벤치마크에서 20점 이상 올랐다고 설명함

• 한국어 성능도 전면에 세움

  • 한국어 벤치마크 종합 평균에서 오픈AI GPT-5.4 미니, 앤트로픽 클로드 하이쿠 4.5를 웃돌았다고 밝힘
  • 국내 산업 현장 업무 평가 Ko-GDPval에서는 86.75점을 기록했고, 크기가 6배 이상 큰 딥시크 V4 프로에 준하는 결과라고 설명함

• 긴 컨텍스트 비용을 줄이기 위해 하이브리드 어텐션 구조를 썼음

  • 전체 48개 레이어 중 25%만 소프트맥스 어텐션을 사용함
  • 나머지 75%는 선형 어텐션으로 구성해 100만 토큰 컨텍스트를 소프트맥스 단독 구조 대비 약 4분의 1 수준의 메모리·연산으로 처리한다고 함

학습 방식과 남은 약점

• 학습 비용을 낮추기 위한 선택도 들어갔음

  • 전작 솔라 오픈 1의 파라미터 중 2.3%만 재사용하는 선택적 가중치 전이를 적용함
  • 코딩·오피스워크 등 12개 영역별 전문 모델을 따로 학습시킨 뒤, 다중 교사 온폴리시 증류로 하나의 모델에 통합함

• 다만 소프트웨어 엔지니어링 쪽은 아직 약점으로 남아 있음

  • SWE-벤치 베리파이드, 터미널 벤치 하드 같은 저장소·터미널 단위 평가에서는 딥시크 V4 플래시 등 비교 모델과 격차가 있다고 인정함
  • 업스테이지도 이 영역을 향후 보완 과제로 꼽음. 요즘 에이전트 모델에서 이 부분은 진짜 실전 체감 성능과 직결됨

도입 비용과 실사용 전략

• 업스테이지는 기업 도입 비용을 꽤 강하게 강조함

  • 솔라 오픈 2는 양자화 적용 시 엔비디아 H200 칩 2장만으로 구동된다고 밝힘
  • 김성훈 대표는 일부 모델 툴이 엔비디아 B200 GPU 16장을 요구하는 경우를 언급하며, 기업이 실제로 도입할 수 있는 실용성이 중요하다고 말함

• 라이선스와 공개 방식도 확산을 겨냥함

  • 가중치는 허깅페이스에 전면 공개됨
  • 라이선스는 아파치 2.0 기반의 업스테이지 솔라 라이선스이며, 상업적 활용과 파생 모델 개발이 가능하다고 설명됨

• 실제 사용자 접점도 이미 잡아두고 있음

  • 업스테이지는 포털 다음 운영사 AXZ와 범용 AI 에이전트 플랫폼 타임리를 두 축으로 활용할 계획임
  • 주간 이용자 1000만 명 이상인 다음에 솔라 오픈 2를 적용해 검색·요약을 넘어 대화형 에이전트 서비스로 확장하려고 함
  • 타임리로는 지자체, 공공기관, 교육기관의 에이전트 도입을 지원한다는 방향임

• 산업 확장 계획은 꽤 넓게 잡혀 있음

  • 금융, 법률, 의료, 공공, 국방, 제조, 소비재, 로봇, 교육 등 전 산업 AX 서비스를 확대하겠다고 함
  • 국산 NPU와 결합한 풀스택 소버린 AI도 추진하고, 오픈라우터와 헤르메스 에이전트 같은 글로벌 플랫폼 등재도 계획 중임

---

기술 맥락

• 솔라 오픈 2에서 가장 큰 기술적 선택은 MoE와 하이브리드 어텐션을 같이 쓴 거예요. 모델은 크게 만들되 매번 전부 계산하지 않고, 긴 문서 처리에서도 어텐션 비용을 줄여야 기업 인프라에서 굴릴 수 있거든요.

• 100만 토큰 컨텍스트는 단순히 긴 글을 읽는 기능이 아니에요. 기업 문서, 계약서 묶음, 코드 저장소, 내부 지식베이스를 한 번에 넣고 에이전트가 작업하게 하려면 컨텍스트 길이가 실제 제품성으로 이어져요.

• H200 2장 구동 가능성을 강조한 것도 같은 맥락이에요. 아무리 성능이 좋아도 B200 여러 장이 기본 요구사항이면 국내 기업 입장에선 PoC에서 멈출 가능성이 커요.

• 다중 교사 온폴리시 증류는 에이전트 모델을 만들 때 꽤 실용적인 접근이에요. 코딩, 오피스워크처럼 서로 다른 업무 능력을 따로 키운 뒤 하나로 모아야 실제 업무형 에이전트가 여러 작업을 이어서 처리할 수 있거든요.

• 다만 SWE-벤치나 터미널 벤치에서 격차가 남았다는 건 중요해요. 대화형 답변을 잘하는 모델과 저장소를 고치고 명령어를 실행하며 문제를 끝까지 해결하는 모델은 체감 난이도가 다르기 때문이에요.