한 줄 정의

Open-weight는 학습이 끝난 모델의 weights를 내려받아 실행하거나 미세조정할 수 있게 공개한 상태를 말해. 사용자는 보통 Hugging Face 같은 저장소에서 체크포인트를 받고, LLM을 로컬 장비나 자체 서버에 올려 실험해 볼 수 있어.

중요한 건 이 말이 곧바로 “오픈소스 AI”를 뜻하지는 않는다는 점이야. 가중치는 열려 있어도 학습 코드, 학습 데이터 정보, 필터링 방식, 중간 체크포인트, 라이선스 조건은 닫혀 있을 수 있어. 그래서 open-weight는 “모델을 받을 수 있나”에 가까운 말이고, 오픈소스 AI는 “모델을 이해하고 재현하고 고칠 수 있나”에 더 가까운 말이야.

어떻게 작동하나

모델 개발자가 최종 체크포인트, 토크나이저, 설정 파일, 추론 코드를 함께 올리면 사용자는 그 묶음을 받아 inference나 미세조정에 쓸 수 있어. 이때 핵심 자산은 weights야. weights는 학습 과정에서 굳어진 파라미터라서, 같은 아키텍처와 런타임 위에 올리면 모델이 입력을 어떻게 처리할지 크게 정해.

하지만 open-weight 배포에도 층위가 있어. 어떤 모델은 가중치와 추론 예제만 공개하고, 어떤 모델은 학습 코드와 데이터 정보까지 넓게 공개해. 또 어떤 모델은 weights는 받을 수 있지만 license가 상업 사용이나 특정 경쟁 사용을 제한해. 그래서 저장소에 “open”이라는 말이 있어도, 실제 판단은 모델 카드와 라이선스를 같이 봐야 해.

OSI의 오픈소스 AI 정의는 사용, 연구, 수정, 공유의 자유를 말하고, 그 자유를 행사하려면 데이터 정보, 코드, 파라미터 같은 preferred form이 필요하다고 설명해. 반대로 OSI의 가중치 공개 설명은 최종 weights만으로는 학습 과정의 재현성과 감사 가능성이 부족하다고 선을 그어. 이 차이가 open-weight라는 말을 볼 때 가장 먼저 잡아야 할 기준이야.

왜 중요한가

Open-weight 모델은 팀이 모델을 직접 내려받아 비용, 지연시간, 데이터 통제, 커스텀 미세조정을 실험할 수 있게 해. API 호출만 쓰는 방식보다 배포 통제가 커지고, local LLM이나 사내 서버에서 테스트하기도 쉬워져. Llama나 DeepSeek 같은 이름을 볼 때도 모델 성능만큼이나 weights 접근성과 라이선스 조건을 같이 보게 되는 이유가 여기에 있어.

다만 도입 판단은 더 까다로워져. weights가 공개돼 있어도 보안 패치, 모델 업데이트, 유해 출력 대응, 데이터 권리 검토는 사용자 쪽 책임으로 넘어올 수 있어. 추론 비용이 낮아 보이더라도 실제로는 GPU 메모리, quantization 포맷, 런타임 호환성, 운영 모니터링 비용이 붙어.

그래서 open-weight라는 말은 “무료로 안전하게 써도 된다”는 신호가 아니야. 더 정확하게는 “가중치 접근권이 있으니, 라이선스와 재현성, 운영 조건을 직접 검토해야 한다”는 신호에 가까워.

주의해서 볼 점

첫째, 라이선스를 먼저 봐야 해. 연구용 허용인지, 상업 사용이 가능한지, 파생 모델 재배포가 가능한지, 특정 규모 이상의 서비스나 경쟁 사용을 제한하는지에 따라 같은 open-weight라도 실무 의미가 달라져.

둘째, 공개 범위를 나눠 봐야 해. weights만 있는지, 추론 코드가 있는지, 학습 코드와 데이터 정보가 있는지, 평가 코드와 안전성 보고서가 있는지 따로 체크해야 해. 이 범위가 넓을수록 감사와 재현이 쉬워지고, 좁을수록 “쓸 수는 있지만 어떻게 만들어졌는지는 모른다”에 가까워져.

셋째, 로컬 실행 가능성을 과장하면 안 돼. 모델 파일을 받을 수 있어도 실제로는 VRAM, 컨텍스트 길이, KV cache, 추론 엔진, 양자화 품질이 병목이 될 수 있어. open-weight는 배포 방식의 신호이지, 성능이나 비용을 자동으로 보장하는 말이 아니야.