엘지, 7500억 파라미터급 케이 엑사원 2.0 오픈소스로 공개

• 엘지 AI연구원이 K-엑사원 2.0을 허깅페이스에 오픈소스로 공개함

  • 파라미터 규모는 7500억 개
  • 기존 1차 모델의 2360억 개보다 3배 이상 커진 체급임
  • 기사에서는 국내에서 공개된 AI 파운데이션 모델 가운데 최대 규모라고 소개함

• 성능 수치로는 장문 이해 평가가 가장 눈에 띔

  • OpenAI-MRCR 장문 이해 지표에서 94.4점을 기록했다고 밝힘
  • 비교 대상으로 언급된 중국 지푸AI의 GLM-5.1은 71.5점
  • 장문 문맥을 오래 붙잡아야 하는 문서 분석, 보고서 처리, 사내 지식 검색 쪽에 의미가 있는 수치임

• 라이선스는 아파치 2.0이 적용됨

  • 상업적 활용이 자유로운 쪽이라 기업 PoC나 내부 서비스 실험에 붙여보기 쉬운 편임
  • 국내 모델은 공개돼도 라이선스가 애매하면 실무 도입이 막히는데, 이 부분은 진입장벽을 낮추는 요소임

• 같은 기사 묶음에서는 국내 딥테크 투자와 미중 AI 경쟁도 같이 다룸

  • DGIST 산하 디지스트기술지주는 약 20억 원 규모 투자조합을 결성해 AI, 로봇, 반도체, 바이오·헬스케어 초기 기업에 투자할 계획임
  • 중국과 미국의 최상위 AI 모델 성능 격차는 아레나리더보드 기준 2.7%까지 좁혀졌다고 소개됨
  • 반면 지난해 AI 민간투자는 미국 2859억 달러, 중국 124억 달러로 미국이 23배 많았다는 대비도 나옴

• 엘지는 산업 특화 AI 모델도 이어서 공개할 계획이라고 밝힘

  • 범용 대형 모델 공개 다음 단계가 산업별 모델이라면, 제조·화학·바이오 같은 엘지 계열 사업과 연결될 가능성이 큼
  • 한국 개발자에게는 “국내 대기업 모델을 실제 업무 데이터에 맞춰 쓸 수 있나”가 앞으로의 체크포인트가 됨

---

기술 맥락

• 엘지가 선택한 건 공개형 대형 파운데이션 모델 전략이에요. 모델을 내부 서비스에만 묶어두지 않고 허깅페이스에 올리면, 외부 개발자와 기업이 직접 실험하면서 생태계가 생길 수 있거든요.

• 7500억 파라미터는 체급을 보여주는 숫자지만, 그 자체가 도입 가능성을 보장하진 않아요. 이 정도 모델은 추론 인프라 비용이 커질 수 있어서, 실제 현장에서는 작은 모델과의 역할 분리나 API 형태 제공이 같이 중요해져요.

• 장문 이해 점수를 강조한 이유는 기업 업무가 짧은 질의응답보다 긴 문서 처리에 더 자주 걸리기 때문이에요. 계약서, 보고서, 기술 문서처럼 맥락이 긴 데이터를 다룰 때 장문 성능은 바로 제품 경쟁력으로 이어져요.

• 아파치 2.0 라이선스는 기업 입장에선 꽤 현실적인 조건이에요. 법무 검토에서 막히는 오픈소스 모델도 많은데, 상업 활용 가능성이 명확하면 PoC에서 실제 서비스 검토로 넘어가기 쉬워요.