중국업체 문샷 AI에서 공개한 모델 키미 K3과 그 가중치란?
2.8조 매개변수의 공개형 AI, 키미 K3는 무엇일까?
2026년 7월, 중국의 AI 기업 문샷 AI(Moonshot AI)가 새로운 인공지능 모델 키미 K3(Kimi K3)를 공개했습니다.
키미 K3는 전체 규모가 약 2.8조 개의 매개변수에 달하는 초대형 AI입니다. 글을 작성하거나 질문에 답하는 것뿐 아니라 이미지와 문서를 분석하고, 프로그램을 개발하며, 여러 작업을 장시간 이어서 수행하는 능력도 갖추고 있습니다.
하지만 키미 K3가 특별히 주목받는 가장 큰 이유는 따로 있습니다.
바로 문샷 AI가 이 거대한 모델의 가중치, Model Weights를 외부에 공개했다는 점입니다. 개발자와 연구기관은 키미 K3의 모델 파일을 내려받아 직접 분석하거나 자체 서버에서 운영할 수 있습니다.
그렇다면 키미 K3는 어떤 AI이며, 가중치를 공개했다는 것은 정확히 어떤 의미일까요?
키미 K3를 만든 문샷 AI는 어떤 기업일까?
키미 K3를 개발한 문샷 AI는 중국 베이징에 기반을 둔 인공지능 기업입니다.
문샷 AI는 그동안 긴 문서를 읽고 분석하는 능력과 코딩, 도구 사용, AI 에이전트 기능을 강조한 키미 시리즈를 개발해 왔습니다.
이번에 공개된 키미 K3는 문샷 AI가 현재까지 개발한 모델 가운데 가장 강력한 모델로 소개됐습니다. 장시간 이어지는 코딩, 자료 조사, 문서 작성, 이미지 분석, 복잡한 추론과 같은 작업을 목표로 설계됐습니다.
여기서 말하는 AI 에이전트는 단순히 질문에 답하는 챗봇과는 조금 다릅니다.
쉽게 비유하면
일반적인 챗봇이 질문을 듣고 설명해 주는 상담 직원이라면, AI 에이전트는 지시를 받은 뒤 필요한 자료를 찾고 프로그램을 실행하며 결과물까지 만드는 실무 직원에 가깝습니다.
예를 들어 사용자가 다음과 같이 요청했다고 생각해 보겠습니다.
경쟁사 자료를 조사하고, 내용을 표로 정리한 뒤 발표 자료를 만들어 줘.
일반적인 챗봇은 발표 자료에 들어갈 내용을 글로 설명하는 데 그칠 수 있습니다.
반면 AI 에이전트는 작업을 여러 단계로 나누고, 자료를 조사하고, 내용을 비교한 뒤 실제 문서나 발표 자료를 만드는 방향으로 움직입니다.
키미 K3는 이러한 긴 작업을 스스로 이어서 처리하는 능력에 중점을 둔 모델입니다.
전체 매개변수 2.8조 개는 무엇을 뜻할까?
키미 K3에는 약 2.8조 개의 매개변수가 들어 있습니다. 문샷 AI는 이를 세계 최초의 공개형 3조급 모델이라고 소개하고 있습니다.
매개변수는 AI가 학습을 통해 조정한 수많은 숫자입니다.
AI는 이 숫자들을 바탕으로 다음 단어를 예측하고, 질문의 의미를 파악하며, 문장이나 이미지 사이의 관계를 판단합니다.
매개변수가 많으면 더 많은 정보를 저장하고 복잡한 패턴을 표현할 가능성이 커집니다. 다만 매개변수가 많다고 해서 무조건 더 똑똑하거나 정확한 것은 아닙니다.
학습에 사용한 데이터의 품질과 학습 방법, 모델의 구조도 함께 중요합니다.
쉽게 비유하면
매개변수는 AI의 머릿속에 만들어진 수많은 조절 손잡이와 비슷합니다.
고양이 사진을 보았을 때는 귀, 눈, 수염과 관련된 손잡이가 반응하고, 프로그램 코드를 읽을 때는 문법과 함수에 관련된 손잡이가 반응합니다.
학습은 이 손잡이들을 조금씩 돌려 알맞은 상태로 맞추는 과정입니다.
매개변수 2.8조 개라는 말은 키미 K3의 내부에 이러한 조절값이 매우 많이 저장돼 있다는 뜻입니다.
2.8조 개를 매번 전부 사용하는 것은 아니다
키미 K3는 전체 매개변수가 2.8조 개이지만, 질문 하나를 처리할 때마다 모든 매개변수를 동시에 사용하는 것은 아닙니다.
키미 K3에는 MoE, Mixture of Experts라는 구조가 사용됐기 때문입니다. 이를 한국어로 표현하면 전문가 혼합 구조 정도로 번역할 수 있습니다.
키미 K3에는 896개의 선택형 전문가가 배치돼 있으며, 토큰 하나를 처리할 때는 그중 일부 전문가만 선택적으로 작동합니다.
회사에 여러 전문가가 있다고 생각해 보자
거대한 회사 안에 다음과 같은 직원들이 있다고 가정해 보겠습니다.
수학을 잘하는 직원
프로그램 개발을 잘하는 직원
글쓰기를 잘하는 직원
번역을 잘하는 직원
이미지 분석을 잘하는 직원
사용자가 번역을 요청했는데 회사의 모든 직원을 회의실로 불러 모을 필요는 없습니다.
번역과 언어에 강한 직원들만 불러 일을 맡기는 편이 훨씬 효율적입니다.
MoE 구조도 이와 비슷합니다.
질문이 들어오면 모델 내부의 라우터가 질문의 종류를 판단하고, 문제 해결에 적합한 전문가들을 선택합니다.
라우터는 회사에서 업무를 확인한 뒤 알맞은 부서로 전달하는 안내 데스크 또는 팀장과 비슷합니다.
덕분에 키미 K3는 거대한 규모를 유지하면서도 매번 2.8조 개 전체를 계산하는 부담을 피할 수 있습니다.
토큰은 무엇일까?
AI 모델을 소개하는 자료를 보면 토큰이라는 단어가 자주 등장합니다.
토큰은 AI가 문장을 읽을 때 사용하는 작은 단위입니다.
사람은 문장을 단어와 문장 단위로 이해하지만, AI는 입력된 글을 더 작은 조각으로 나누어 처리합니다.
예를 들어 다음과 같은 문장이 있다고 해보겠습니다.
인공지능이 빠르게 발전하고 있다.
사람에게는 하나의 자연스러운 문장이지만, AI는 이를 ‘인공’, ‘지능’, ‘발전’과 같은 여러 조각으로 나누어 읽을 수 있습니다. 정확한 분리 방식은 모델이 사용하는 토크나이저와 언어에 따라 달라집니다.
쉽게 비유하면
토큰은 긴 레고 작품을 만들 때 사용하는 작은 레고 블록과 같습니다.
AI는 문장 전체를 한꺼번에 보는 것이 아니라 작은 블록들로 나눈 뒤, 블록 사이의 관계를 분석해 전체 의미를 이해합니다.
최대 100만 토큰의 긴 문맥
키미 K3는 최대 약 100만 토큰 규모의 문맥 길이를 지원합니다. 정확히는 1,048,576토큰입니다.
문맥 길이는 AI가 한 번의 작업에서 참고할 수 있는 정보의 양을 뜻합니다.
문맥이 짧은 AI는 대화가 길어지면 앞에서 나온 내용을 잊거나, 대규모 문서의 일부만 읽어야 합니다.
반대로 문맥 길이가 길면 다음과 같은 작업에 유리합니다.
수백 페이지 분량의 문서 분석
여러 개의 논문 비교
대규모 프로그램 소스 코드 검토
오랜 시간 이어진 대화 내용 참고
복잡한 프로젝트 작업 지속
이미지와 문서가 섞인 자료 분석
책상 크기에 비유하면
문맥 길이는 AI가 한 번에 자료를 펼쳐 놓을 수 있는 책상의 크기와 비슷합니다.
책상이 작으면 필요한 자료를 하나씩 치우고 다시 꺼내야 합니다.
책상이 넓으면 여러 권의 책과 설계도, 메모를 동시에 펼쳐 놓고 비교할 수 있습니다.
키미 K3의 100만 토큰 문맥은 AI에게 매우 넓은 작업용 책상을 제공하는 셈입니다.
다만 책상이 크다고 해서 책상 위의 모든 내용을 완벽히 기억한다는 뜻은 아닙니다.
입력된 자료가 지나치게 길거나 중요한 정보가 여러 곳에 흩어져 있으면 AI가 일부 내용을 놓칠 수 있습니다. 최대 입력 길이와 실제 이해 능력은 구분해서 볼 필요가 있습니다.
텍스트뿐 아니라 이미지도 이해한다
키미 K3는 텍스트만 처리하는 언어 모델이 아니라 이미지와 문서도 함께 이해하는 멀티모달 AI입니다.
멀티모달은 글, 이미지, 영상처럼 서로 다른 종류의 정보를 함께 처리할 수 있다는 뜻입니다.
키미 K3는 이미지, 영상, PDF, 워드 문서, 엑셀 자료 등을 분석하고 이를 텍스트 작업과 연결할 수 있다고 문샷 AI는 설명합니다.
예를 들어 다음과 같은 작업이 가능합니다.
프로그램 화면을 보고 오류 원인 찾기
그래프와 표가 포함된 보고서 분석
웹사이트 화면과 코드를 함께 비교
여러 장의 이미지에서 공통점 찾기
문서를 분석해 발표 자료의 구성 만들기
엑셀 자료를 확인하고 필요한 수식 제안하기
쉽게 비유하면
텍스트 전용 AI는 글만 읽을 수 있는 사람과 같습니다.
멀티모달 AI는 글을 읽는 것뿐 아니라 그림, 표, 화면까지 볼 수 있는 사람과 비슷합니다.
설명서를 읽으면서 제품 사진도 함께 보고, 두 정보를 연결해 판단할 수 있는 것입니다.
긴 정보를 효율적으로 처리하는 Kimi Delta Attention
키미 K3에는 Kimi Delta Attention, KDA라는 기술이 적용됐습니다.
AI는 문장을 이해할 때 앞뒤의 단어나 문장 사이에서 무엇이 중요한지 계산합니다. 이러한 과정을 어텐션, Attention이라고 부릅니다.
어텐션은 문맥을 이해하는 데 중요한 역할을 하지만, 입력되는 내용이 길어질수록 계산량과 메모리 사용량이 크게 늘어날 수 있습니다.
Kimi Delta Attention은 매우 긴 문맥을 더욱 효율적으로 처리하기 위해 문샷 AI가 적용한 어텐션 구조입니다.
회의록을 읽는 방법에 비유하면
회의록이 10쪽 정도라면 처음부터 끝까지 다시 읽어도 큰 문제가 없습니다.
하지만 회의록이 수천 쪽이라면 질문이 나올 때마다 모든 페이지를 다시 비교하는 것은 비효율적입니다.
효율적인 사람이라면 핵심 내용을 메모해 두고, 새로운 정보가 들어왔을 때 기존 메모에서 달라진 부분이나 필요한 부분을 중심으로 확인할 것입니다.
Kimi Delta Attention도 긴 정보를 무작정 반복해서 살펴보기보다, 필요한 정보를 효율적으로 갱신하고 활용하기 위한 기술이라고 이해할 수 있습니다.
정보가 깊은 층을 통과해도 사라지지 않게 하는 AttnRes
키미 K3에는 Attention Residuals, AttnRes라는 기술도 사용됐습니다.
대형 AI 모델은 정보를 여러 층의 신경망에 차례대로 통과시켜 처리합니다.
하지만 층이 매우 많아지면 처음에 들어온 중요한 정보가 뒤쪽으로 전달되는 과정에서 약해지거나 다른 정보와 뒤섞일 수 있습니다.
AttnRes는 이전 층에서 나온 정보를 단순히 계속 더하는 대신, 현재 필요한 정보를 선택해 참고할 수 있도록 설계된 구조입니다.
여러 사람이 작성한 보고서에 비유하면
첫 번째 직원이 조사한 내용을 두 번째 직원에게 전달하고, 두 번째 직원이 다시 세 번째 직원에게 전달한다고 생각해 보겠습니다.
이 과정이 수십 번 반복되면 처음 조사한 핵심 내용이 조금씩 변형되거나 빠질 수 있습니다.
AttnRes는 마지막 직원이 바로 앞 직원의 정리만 보는 것이 아니라, 필요할 경우 이전 직원들이 작성한 자료까지 직접 찾아볼 수 있도록 만든 자료 보관함과 비슷합니다.
덕분에 모델의 층이 깊어져도 중요한 정보를 보다 안정적으로 전달하는 데 도움을 줄 수 있습니다.
가중치는 AI의 무엇에 해당할까?
키미 K3 소식에서 가장 중요한 단어는 가중치입니다.
가중치는 AI가 학습 과정에서 만들어 낸 수많은 숫자입니다.
모델은 처음부터 글을 쓰거나 이미지를 이해할 수 있는 상태로 태어나는 것이 아닙니다. 많은 데이터를 살펴보며 예측을 반복하고, 틀린 부분을 수정하면서 내부 숫자를 조금씩 조정합니다.
학습이 끝났을 때 저장된 숫자들의 모음이 바로 가중치입니다.
학생에 비유하면
AI 모델을 학생에 비유해 보겠습니다.
모델 구조는 학생의 두뇌 구조
학습 데이터는 교과서와 문제집
학습 과정은 공부와 문제 풀이
가중치는 공부를 통해 머릿속에 형성된 지식과 판단 기준
추론은 배운 내용을 이용해 새로운 문제를 푸는 과정
건축물에 비유하면 모델 구조는 설계도이고, 가중치는 오랜 학습을 거쳐 완성된 건물 내부의 실제 배선과 시설에 가깝습니다.
설계도만 있다고 해서 완성된 건물을 바로 사용할 수는 없습니다.
AI도 구조와 실행 코드만 공개해서는 학습이 끝난 모델을 그대로 이용할 수 없습니다. 실제 능력이 담긴 가중치가 필요합니다.
가중치를 공개했다는 것은 무슨 뜻일까?
OpenAI의 GPT나 Anthropic의 Claude 같은 폐쇄형 AI는 일반적으로 회사가 운영하는 웹사이트나 API를 통해서만 이용할 수 있습니다.
사용자는 AI에게 질문할 수 있지만, 모델의 가중치 파일을 직접 내려받아 자신의 서버에서 실행할 수는 없습니다.
반면 문샷 AI는 키미 K3의 가중치를 공개했습니다.
라이선스 조건을 지키는 범위에서 개발자는 모델을 내려받아 사용하고, 복사하거나 수정하며, 별도의 모델이나 서비스를 만드는 데 활용할 수 있습니다.
식당에 비유하면
폐쇄형 AI는 완성된 음식을 주문해서 먹는 식당과 같습니다.
손님은 음식을 먹을 수 있지만 주방에 들어가 조리법을 확인하거나, 식당의 주방을 자기 회사로 가져갈 수는 없습니다.
오픈 웨이트 AI는 완성된 조리 설비와 조리법 일부를 넘겨받아 자신의 주방에서 직접 음식을 만들 수 있는 방식에 가깝습니다.
따라서 기업은 외부 AI 서버를 거치지 않고 자체 시스템에서 모델을 운영할 수 있습니다.
공개된 가중치로 무엇을 할 수 있을까?
키미 K3의 가중치를 확보한 기업이나 연구기관은 여러 방식으로 모델을 활용할 수 있습니다.
먼저 자체 서버에 모델을 설치할 수 있습니다.
외부 API로 민감한 문서를 보내지 않고 사내 서버 안에서 자료를 처리하는 시스템을 구축할 수 있다는 뜻입니다.
특정 업무에 맞춰 모델을 추가로 조정할 수도 있습니다.
예를 들어 제조업체라면 장비 설명서와 작업 기준을 잘 이해하도록 만들고, 소프트웨어 기업이라면 내부 코드와 개발 방식에 적합한 모델로 조정할 수 있습니다.
연구자는 모델 내부 구조를 분석하거나, 메모리 사용량을 줄이는 새로운 방법을 시험할 수도 있습니다.
자동차에 비유하면
API로만 제공되는 AI는 택시와 비슷합니다.
목적지를 말하면 이동할 수 있지만 자동차의 엔진을 바꾸거나 내부를 개조할 수는 없습니다.
가중치가 공개된 AI는 자동차를 직접 소유하는 것과 비슷합니다.
자신에게 맞게 부품을 바꾸고, 특정 도로에 적합하도록 조정하며, 필요한 기능을 추가할 수 있습니다.
다만 키미 K3는 너무 거대한 자동차이기 때문에 실제로는 일반 승용차보다 대형 선박이나 항공기에 더 가깝습니다.
소유할 수 있다고 해도 운용하려면 상당한 시설과 비용이 필요합니다.
오픈 웨이트와 오픈소스는 같은 말일까?
가중치를 공개한 모델을 흔히 오픈소스 AI라고 부르기도 합니다.
하지만 보다 정확하게 구분하면 키미 K3는 오픈 웨이트 모델이라고 표현하는 편이 좋습니다.
오픈 웨이트는 학습을 마친 모델의 가중치를 외부에서 이용할 수 있도록 공개했다는 뜻입니다.
그러나 가중치가 공개됐다고 해서 모델을 개발하는 데 사용한 모든 자료가 공개됐다는 의미는 아닙니다.
예를 들어 다음 정보는 별도로 확인해야 합니다.
전체 학습 데이터
데이터 수집 방법
데이터 정제 과정
모든 학습 코드
세부 학습 설정
안전성 학습 자료
모델 개발에 사용된 전체 인프라
개발 과정에서 실패한 실험 기록
키미 K3는 가중치와 설정 파일, 관련 코드 및 문서를 폭넓게 사용할 수 있는 라이선스로 공개됐지만, 전체 학습 데이터와 모든 개발 과정까지 완전히 공개된 것은 아닙니다.
완성된 빵에 비유하면
오픈 웨이트는 잘 구워진 빵과 빵을 만드는 기계를 제공하는 것에 가깝습니다.
사람들은 빵을 분석하고, 다시 데우거나, 재료를 더해 새로운 제품을 만들 수 있습니다.
하지만 밀을 어느 농장에서 구했는지, 반죽을 어떤 조건에서 숙성했는지, 수천 번의 실험 중 어떤 과정을 거쳤는지까지 모두 공개됐다는 뜻은 아닙니다.
따라서 키미 K3를 설명할 때는 다음과 같이 표현하는 것이 정확합니다.
키미 K3는 가중치가 공개된 오픈 웨이트 AI 모델이다.
가중치가 공개됐으니 일반 PC에서도 실행할 수 있을까?
가중치가 공개됐다는 소식을 들으면 누구나 자신의 컴퓨터에서 키미 K3를 실행할 수 있을 것처럼 느껴질 수 있습니다.
하지만 현실적으로는 쉽지 않습니다.
키미 K3는 전체 매개변수가 2.8조 개에 달하는 초대형 모델입니다. 모델을 저장하고 실행하려면 매우 큰 메모리와 여러 개의 고성능 가속기, 빠른 장비 간 통신 환경이 필요합니다. 실제 배포 사례 역시 여러 대의 서버와 다수의 고성능 GPU를 사용하는 방식으로 진행되고 있습니다.
일반적인 게이밍 PC에 장착된 GPU 한 개로 전체 모델을 원활하게 실행하기는 사실상 어렵습니다.
공개된 대형 선박에 비유하면
누군가 거대한 선박의 설계와 완성된 선박을 무료로 제공한다고 생각해 보겠습니다.
선박을 받을 수 있다고 해서 집 앞마당에서 바로 운항할 수 있는 것은 아닙니다.
선박을 보관할 항구와 연료, 선원, 정비 시설이 필요합니다.
키미 K3도 마찬가지입니다.
모델 파일을 내려받을 수는 있지만, 이를 제대로 운용하려면 대규모 컴퓨팅 인프라가 필요합니다.
개인 사용자는 키미 공식 웹서비스나 API를 이용하는 편이 현실적입니다.
MXFP4와 MXFP8은 무엇일까?
키미 K3는 가중치에 MXFP4, 계산 과정의 활성값에는 MXFP8이라는 낮은 정밀도의 숫자 형식을 사용합니다.
AI는 내부 계산을 할 때 수많은 숫자를 저장하고 처리합니다.
숫자를 정밀하게 저장할수록 더 많은 메모리와 계산 능력이 필요합니다. 반대로 숫자의 정밀도를 낮추면 메모리 사용량과 연산 부담을 줄일 수 있습니다.
이처럼 숫자를 더 작은 형식으로 표현하는 기술을 일반적으로 양자화라고 부릅니다.
사진 파일에 비유하면
고해상도 사진은 세밀하고 선명하지만 파일 크기가 큽니다.
사진의 해상도나 품질을 조금 낮추면 세부 정보 일부는 줄어들지만 저장 공간을 크게 절약할 수 있습니다.
AI의 양자화도 비슷합니다.
숫자를 조금 단순하게 표현해 모델의 크기와 계산량을 줄이는 것입니다.
다만 숫자를 지나치게 단순화하면 AI의 답변 품질이 떨어질 수 있습니다. 따라서 얼마나 효율을 높이면서 성능을 유지하느냐가 중요합니다.
키미 K3는 처음부터 낮은 정밀도 환경을 고려해 모델을 조정함으로써, 대형 모델의 계산 부담을 낮추려는 방식을 사용했습니다.
키미 K3는 어떤 작업에 강할까?
문샷 AI는 키미 K3가 특히 다음과 같은 분야를 목표로 한다고 설명합니다.
장시간 이어지는 프로그램 개발
대규모 소스 코드 분석
자료 조사와 지식 업무
문서와 발표 자료 제작
이미지와 영상 분석
복잡한 문제 해결
여러 도구를 연결한 AI 에이전트 작업
웹사이트와 게임 제작
키미 공식 서비스에서는 여러 작업을 동시에 나누어 처리하는 에이전트 기능과 웹사이트, 문서, 슬라이드, 표 등을 만드는 기능도 강조하고 있습니다.
특히 단순한 질의응답보다 여러 단계를 거쳐야 하는 장시간 작업을 중요한 목표로 삼고 있습니다.
단거리 선수보다 프로젝트 팀에 가깝다
간단한 질문에 빠르게 답하는 AI를 단거리 선수라고 한다면, 키미 K3는 여러 업무를 나눠 장시간 프로젝트를 진행하는 팀에 가깝습니다.
자료를 조사하고, 코드를 작성하고, 오류를 수정하며, 결과물을 정리하는 긴 작업에 초점을 맞춘 것입니다.
물론 공식 성능표에 표시된 점수가 실제 모든 작업의 품질을 보장하는 것은 아닙니다.
AI 벤치마크 결과는 사용한 프롬프트와 도구, 추론 설정, 평가 환경에 따라 달라질 수 있기 때문에 실제 활용 결과와 함께 살펴봐야 합니다.
키미 K3의 공개가 중요한 이유
지금까지 최상위급 AI 모델 상당수는 가중치를 공개하지 않는 폐쇄형 방식으로 운영돼 왔습니다.
개발자들은 해당 기업이 제공하는 서비스나 API를 통해서만 모델을 사용할 수 있었습니다.
키미 K3처럼 매우 큰 모델의 가중치가 공개되면 연구기관과 기업은 모델을 직접 분석하고, 수정하고, 자체 환경에서 운영할 수 있습니다.
이는 AI 생태계에 몇 가지 변화를 가져올 수 있습니다.
첫째, 대형 AI 모델을 연구하는 속도가 빨라질 수 있습니다.
여러 연구자가 같은 모델을 살펴보면서 더 효율적인 실행 방법과 새로운 학습 기술을 개발할 수 있기 때문입니다.
둘째, 특정 기업의 API에 대한 의존도를 줄일 수 있습니다.
기업이 충분한 장비를 보유하고 있다면 외부 서비스에 데이터를 보내지 않고 자체 AI 시스템을 만들 수 있습니다.
셋째, 키미 K3를 바탕으로 더 작고 효율적인 파생 모델이 등장할 가능성이 있습니다.
거대한 모델의 지식을 작은 모델로 옮기는 지식 증류, 불필요한 부분을 줄이는 가지치기, 숫자를 단순화하는 양자화 등이 활용될 수 있습니다.
거대한 선생님에게 배우는 작은 학생
지식 증류는 큰 모델이 작은 모델을 가르치는 과정과 비슷합니다.
거대한 모델을 매번 직접 사용하기 어렵다면, 큰 모델이 문제를 해결하는 방식을 작은 모델에게 학습시킬 수 있습니다.
작은 모델이 원본 모델과 완전히 같은 능력을 갖게 되는 것은 아니지만, 훨씬 적은 장비로 비슷한 작업 일부를 수행할 수 있습니다.
가중치 공개에는 우려도 따른다
가중치 공개는 연구와 산업 발전에 도움이 되지만 장점만 있는 것은 아닙니다.
API 방식의 폐쇄형 AI는 운영 기업이 사용 요청을 확인하고, 위험한 기능을 제한하거나 모델을 수정할 수 있습니다.
반면 가중치를 내려받아 자체 서버에서 실행하면 개발사가 사용 방식을 계속 통제하기 어렵습니다.
한번 인터넷에 공개된 가중치는 사실상 완전히 회수하기도 어렵습니다.
공구 상자와 비슷하다
강력한 공구는 집을 짓거나 기계를 수리하는 데 사용할 수 있습니다.
하지만 같은 공구가 잘못 사용되면 위험한 결과를 만들 수도 있습니다.
AI 가중치도 마찬가지입니다.
연구와 개발의 자유를 넓혀 주지만, 악성 코드 제작이나 허위 정보 생성 등 부적절한 목적으로 개조될 가능성도 함께 존재합니다.
따라서 오픈 웨이트 AI를 둘러싸고 기술 개방과 안전 관리 사이에서 어느 정도의 균형이 필요한지 논의가 계속될 것으로 보입니다.
키미 K3를 어떻게 바라봐야 할까?
키미 K3는 단순히 매개변수 숫자가 큰 AI가 아닙니다.
2.8조 개라는 거대한 규모와 100만 토큰의 문맥, 이미지 이해 능력, AI 에이전트 기능을 결합하면서도 가중치를 외부에 공개했다는 점이 핵심입니다.
다만 가중치가 공개됐다는 사실을 다음과 같이 오해해서는 안 됩니다.
누구나 일반 PC에서 쉽게 실행할 수 있다는 뜻은 아니다.
학습 데이터와 개발 과정 전체가 공개됐다는 뜻은 아니다.
매개변수가 많다는 이유만으로 모든 AI보다 뛰어나다는 뜻은 아니다.
공식 벤치마크 결과가 모든 실제 작업에서 그대로 재현된다는 뜻은 아니다.
키미 K3는 누구나 접근할 수 있도록 문이 열린 모델이지만, 실제로 그 문을 통과하려면 상당한 컴퓨팅 장비와 기술이 필요합니다.
그럼에도 최상위권을 목표로 한 초대형 AI의 가중치가 공개됐다는 점은 의미가 큽니다.
앞으로 키미 K3를 분석한 연구 결과와 더 작은 파생 모델, 새로운 AI 서비스가 등장한다면 이번 공개의 영향은 더욱 커질 수 있습니다.
한눈에 정리하는 키미 K3
개발사
중국의 문샷 AI
모델 규모
전체 약 2.8조 매개변수
모델 구조
필요한 전문가 일부만 선택해 사용하는 MoE 구조
문맥 길이
최대 약 100만 토큰
처리 가능한 정보
텍스트, 이미지, 영상 및 각종 문서
주요 목표
코딩, 자료 조사, 문서 제작, 복잡한 추론과 AI 에이전트 작업
가중치 공개 여부
외부에서 내려받고 수정할 수 있는 오픈 웨이트 방식
일반 PC 실행 가능성
모델 규모가 매우 커 현실적으로 어려움
완전한 오픈소스인가?
가중치는 공개됐지만 전체 학습 데이터와 개발 과정이 모두 공개된 것은 아님
마무리
키미 K3는 거대한 AI 모델을 단순히 온라인 서비스로만 제공하지 않고, 학습이 완료된 가중치까지 외부에 공개했다는 점에서 주목할 만합니다.
이를 통해 기업과 연구자는 모델을 직접 분석하고 자체 환경에 적용할 수 있게 됐습니다.
하지만 공개됐다는 말이 곧 가볍고 쉽게 사용할 수 있다는 뜻은 아닙니다. 키미 K3는 일반 사용자가 개인 PC에서 실행하기에는 지나치게 큰 모델이며, 실제 운영에는 대규모 서버와 전문 기술이 필요합니다.
키미 K3의 등장은 오늘날 AI 경쟁이 단순히 누가 더 높은 성능을 기록하느냐를 넘어, 누가 더 강력한 모델을 얼마나 개방적인 방식으로 제공하느냐의 경쟁으로 확장되고 있다는 것을 보여줍니다.
앞으로 키미 K3를 기반으로 한 소형 모델과 새로운 서비스가 얼마나 등장할지, 그리고 오픈 웨이트 AI의 자유와 안전성 사이에서 어떤 논의가 이어질지 지켜볼 필요가 있습니다.
* 허깅페이스에 공개된 키미3
댓글
댓글 쓰기