저커버그가 말로 때린 그 주에, 메타는 물건으로 증명했어

지난주 마크 저커버그가 파이낸셜타임스에 기고문을 냈어. 요지는 '폐쇄형' AI 경쟁사를 비판하며 메타가 오픈 모델 노선으로 돌아간다는 것. 초지능 접근권이 소수 기관에 갇히는 대신 개인에게 열려야 한다는 주장이었지. 해커뉴스에 올라간 이 기고문은 313점에 댓글 346개를 받았고, 반응은 반반이었어. "메타가 폐쇄형 경쟁에서 밀리니까 오픈으로 판을 뒤집으려는 것"이라는 냉소와, "동기가 뭐든 오픈 모델이 늘어나는 건 좋은 일"이라는 실용론이 부딪혔어.

그리고 8월 10일, 메타 슈퍼인텔리전스랩스가 **뮤즈 글리머(Muse Glimmer)**를 공개했어. 300억 파라미터, 아파치 2.0 라이선스, 허깅페이스 배포. 기고문에서 한 말을 나흘 만에 제품으로 받은 셈이야.

숫자 하나가 이 발표의 핵심이야. 원본은 55GB가 넘게 필요하지만, 메타의 K-Quant로 4비트까지 누르면 20GB 아래로 떨어져. 17GB짜리 변형(K-Quant-17GB)도 함께 나왔고. 24~32GB VRAM을 가진 소비자용 GPU 한 대에서 오프라인으로 돌아간다는 뜻이야. RTX 5090 한 장, 혹은 통합 메모리를 넉넉히 넣은 맥 한 대면 끝이라는 거지.

메타가 오픈 웨이트 모델을 마지막으로 낸 지 1년이 넘었어. 그 사이 회사는 유료 뮤즈 스파크 라인과 코딩 에이전트 뮤즈 코드를 냈고, 오픈 진영의 주도권은 알리바바 큐원과 구글 젬마에 넘어가 있었어. 이번 발표는 그 자리를 되찾겠다는 신호야. 저커버그는 추가 공개도 곧 있을 거라고 예고했어.

뮤즈 글리머가 정확히 뭐고, 무엇을 위해 만들어졌나

먼저 만든 주체. 메타 슈퍼인텔리전스랩스는 메타가 AI 조직을 재편하며 세운 연구 조직이야. 이번 모델은 그 조직이 내놓은 첫 대형 오픈 웨이트 결과물이고.

모델 성격은 이래. 300억 파라미터 규모의 멀티모달 모델이고, 공개된 스펙 기준 131K 토큰 컨텍스트를 지원해. 100개 이상 언어 데이터로 학습했어. 겨냥한 용도는 명확해 — 로컬 에이전트, 함수 호출, 로컬 코딩, LLM 심사(LLM-as-a-judge). 범용 챗봇이 아니라 '내 컴퓨터에서 도구를 호출하며 일하는 에이전트'가 타깃이야.

학습 방식도 공개됐어. 메타는 상위 라인인 뮤즈 스파크 모델들이 만든 데이터로 글리머를 학습시킨 뒤, 두 단계의 정제를 거쳤어. 하나는 긴 프롬프트와 추론 능력을 끌어올리는 단계, 다른 하나는 에이전틱 작업 성능을 높이는 단계야. 상위 모델의 산출물로 하위 모델을 키우는, 이제는 업계 표준이 된 증류(distillation) 패턴이지.

속도 쪽 장치는 **DFlash 추측 디코딩(speculative decoding)**이야. 성능이 낮은 '드래프터' 모델이 먼저 답의 초안을 뽑고, 본 모델이 그걸 검증·수정하는 2단계 구조로 토큰 생성 속도를 끌어올려. 측정된 가속치는 하드웨어별로 이래.

하드웨어 디코딩 속도 향상
RTX 5090 3.1배
Mac M5 Max 1.8배
Mac M4 Max 1.5배

여기에 실용적인 장치가 둘 더 붙었어. 추론 강도(reasoning strength) 설정으로 답변마다 얼마나 오래 생각할지 조절할 수 있고, 작업이 실패하면 재시도 로직이 붙어 있어. 둘 다 챗봇이 아니라 에이전트를 염두에 둔 설계야. 사람이 옆에서 다시 물어보는 게 아니라, 모델이 스스로 실패를 감지하고 다시 시도해야 하는 상황을 전제로 하거든.

벤치마크는 조심해서 읽을 필요가 있어. 메타는 비슷한 크기의 젬마4-31B와 큐원3.6-27B를 비교군으로 삼아 에이전틱·코딩·멀티모달·안전·추론 카테고리에서 결과를 냈는데, 두 경쟁 모델을 앞선 건 전체 벤치마크의 절반 정도야. 온라인 리서치, 코드 생성, 과학 차트 분석 세 항목에서는 1위를 차지했고. 전면적인 우위가 아니라 특정 용도에서의 우위라는 게 정확한 표현이야. 메타가 이 수치를 그대로 공개했다는 점은 오히려 신뢰할 만한 신호로 볼 수 있어.

아파치 2.0이라는 선택이 진짜 뉴스야

기술 스펙보다 라이선스가 더 큰 변화야. 메타의 라마 시리즈는 오랫동안 자체 커뮤니티 라이선스를 썼어. 월간 활성 이용자 7억 명 이상인 서비스는 별도 허가가 필요하고, 파생 모델 이름에 '라마'를 붙여야 하며, 산출물로 다른 모델을 학습시키는 데 제약이 있었지. 그래서 오픈소스 진영에서는 "오픈 웨이트지 오픈소스는 아니다"라는 지적이 끊이지 않았어. 실제로 해커뉴스 댓글에서도 가장 많이 나온 기술적 지적이 이거였어 — 가중치를 공개해도 학습 데이터와 방법론이 비공개면 소프트웨어의 오픈소스와는 다르다는 것.

아파치 2.0은 그 제약을 대부분 걷어내. 상업적 사용, 수정, 재배포, 파생 모델 학습이 자유롭고 특허 보호 조항도 붙어. 알리바바가 큐원 시리즈를 아파치 2.0으로 풀면서 중국 밖 기업들의 채택률을 끌어올린 전례가 있는데, 메타가 같은 카드를 꺼낸 거야.

기업 법무팀 입장에서 이 차이는 실무적으로 크게 작동해. 커스텀 라이선스는 검토에 시간이 걸리고 조건마다 판단이 필요하지만, 아파치 2.0은 이미 사내에 표준 승인 절차가 있는 경우가 대부분이거든. 채택 마찰이 줄어든다는 뜻이야.

'30B'라는 크기를 고른 것도 계산된 선택이야. 7~8B급은 노트북에서도 돌지만 도구를 여러 번 호출하며 계획을 세우는 에이전트 작업에서는 금방 한계가 드러나. 반대로 70B 이상은 소비자용 GPU 한 대에 안 들어가서 서버가 필요해지고, 그러면 '로컬에서 돌린다'는 명분이 사라져. 30B를 4비트로 눌러 20GB 아래로 만드는 조합은 이 두 벽 사이의 좁은 틈이야. RTX 4090의 24GB, 5090의 32GB, 그리고 통합 메모리를 넉넉히 넣은 맥이 정확히 이 구간에 있어. 메타가 하드웨어 시장의 현재 사양을 보고 모델 크기를 역산했다고 봐도 무리가 없어.

한 가지 더. 에이전틱 모델을 로컬에서 돌린다는 건 성능만의 문제가 아니야. 에이전트는 파일을 읽고, 명령을 실행하고, 네트워크를 호출해. 그 과정에서 모델이 보는 데이터의 양은 챗봇과 비교가 안 돼. 사내 코드베이스 전체를 훑는 코딩 에이전트를 외부 API로 돌린다는 건 그 코드가 전부 외부로 나간다는 뜻이거든. 기업들이 로컬 모델을 원하는 진짜 이유는 요금이 아니라 이쪽인 경우가 많아. 메타가 '로컬 에이전트'를 첫 번째 용도로 못박은 건 이 수요를 정확히 겨냥한 거야.

각자 뭘 챙기나

메타가 챙기는 건 표준 자리야. 오픈 모델을 푸는 회사의 이익은 라이선스 매출이 아니라 생태계 지배력에서 나와. 개발자들이 글리머 위에 툴체인과 파인튜닝 파이프라인을 쌓으면, 다음 세대 모델이 나올 때 전환 비용이 그쪽에 유리하게 작동해. 동시에 오픈AI·앤스로픽의 유료 API 가격 우위를 갉아먹는 효과도 있어. 해커뉴스 댓글이 "메타의 전략은 명백히 자기중심적이지만 결과는 모두에게 이득"이라고 정리한 게 정확해.

개발자와 소규모 팀이 챙기는 건 원가와 데이터 통제권이야. 에이전트를 돌리면 토큰 소비가 챗봇과 비교가 안 되게 커져. 도구 호출 한 번마다 컨텍스트를 다시 밀어 넣으니까. 그 워크로드를 로컬 GPU로 내리면 API 요금이 0이 돼. 게다가 코드베이스나 내부 문서가 외부로 나가지 않아. 규제 산업이나 보안이 빡빡한 조직에게는 이게 성능보다 중요한 조건이야.

하드웨어 업체도 수혜야. "24~32GB VRAM이면 돌아간다"는 문장은 곧 그 사양의 GPU와 통합 메모리 맥에 대한 수요 문장이야. 애플이 통합 메모리 용량을 계속 늘려온 전략, 엔비디아가 컨슈머 라인의 VRAM을 조절해온 정책이 모두 이 지점과 맞물려.

반대로 부담을 지는 쪽은 중간 가격대 API 사업자야. 프론티어급 성능이 필요한 워크로드는 여전히 오픈AI·앤스로픽으로 가고, 로컬로 충분한 워크로드는 글리머로 내려가. 그 사이에서 "적당한 성능을 적당한 가격에" 팔던 사업자들의 자리가 좁아져.

오픈 웨이트를 푼 회사들의 성적표

오픈 모델 전략의 역사는 이미 두 가지 결말을 보여줬어.

성공 사례는 메타 자신의 라마 2야. 2023년 7월 상업적 사용을 허용하며 공개된 라마 2는 오픈소스 AI 생태계의 기폭제가 됐어. llama.cpp, Ollama, vLLM 같은 실행 스택이 여기서 자랐고, 파인튜닝된 파생 모델이 수만 개 쏟아졌지. 해커뉴스 댓글에서도 메타에 대한 불신과 별개로 "2023년 라마 출시가 실제로 오픈소스 AI의 기폭제였다는 점은 인정해야 한다"는 반응이 많았어. 그 결과 메타는 클라우드 매출 없이도 AI 인프라 논의의 중심에 남을 수 있었어.

또 하나는 알리바바 큐원이야. 큐원은 아파치 2.0과 촘촘한 사이즈 라인업(0.5B부터 수백 B까지)으로 허깅페이스 다운로드 순위를 장악했어. 지정학적 이유로 큐원을 쓰기 꺼리는 서구 기업이 적지 않은데도 그랬다는 게 오히려 오픈 라이선스의 힘을 보여줘. 메타가 이번에 아파치 2.0을 택한 건 이 성적표를 봤기 때문일 가능성이 커.

실패에 가까운 사례도 있어. 미스트랄은 오픈 웨이트로 이름을 얻은 뒤 상위 모델을 점점 비공개로 돌렸어. 오픈으로 확보한 개발자 관심을 매출로 바꾸는 과정에서 커뮤니티의 신뢰를 일부 잃었지. 오픈 전략의 어려움은 여기 있어 — 계속 풀어야 생태계가 유지되는데, 계속 풀면 돈 벌 곳이 줄어들어.

메타는 이 딜레마를 층으로 나눠 푸는 중이야. 최상위 뮤즈 스파크는 유료, 코딩 특화 뮤즈 코드는 제품, 그리고 30B급 글리머는 오픈. 상위 모델이 만든 데이터로 하위 모델을 학습시키는 구조라 오픈 모델을 풀수록 상위 모델의 가치가 훼손되는 게 아니라 오히려 활용처가 늘어나는 설계야. 다만 이 구조가 몇 세대까지 유지될지는 지켜봐야 해. 오픈으로 푸는 모델의 성능이 상위 유료 모델을 너무 바짝 따라붙으면 같은 딜레마가 돌아와.

경쟁자는 어떻게 받아칠까

구글 젬마가 가장 직접적인 상대야. 젬마4-31B는 이번 비교군에 이름이 올랐고, 크기와 용도가 거의 겹쳐. 구글의 카운터는 두 방향이 가능해. 하나는 젬마의 다음 버전으로 에이전틱 벤치마크를 되찾는 것, 다른 하나는 제미나이 나노와 안드로이드 온디바이스 통합처럼 배포 채널로 승부하는 거야. 구글은 안드로이드라는 유통망을 갖고 있어서 후자가 더 구조적인 무기야.

알리바바 큐원은 이번 발표로 가장 압박받는 쪽이야. 큐원3.6-27B가 비교 대상으로 지목됐고, 아파치 2.0이라는 차별점도 사라졌어. 큐원의 대응은 속도야 — 큐원 팀은 지금까지 경쟁 모델이 나올 때마다 몇 주 안에 상위 버전을 내놓는 리듬을 유지해왔어. 사이즈 라인업의 촘촘함(같은 세대에서 4B·8B·14B·32B를 모두 제공) 역시 남아 있는 우위고.

오픈AI와 앤스로픽은 다른 층에서 방어해. 이들의 대응은 오픈 모델과 성능으로 붙는 게 아니라, 에이전트 실행 환경·기업 통제 장치·도구 생태계로 묶어두는 쪽이야. 실제로 오픈AI는 AWS·마이크로소프트·깃허브·커서·버셀과 함께 에이전트 확장 표준을 공동 발표했고, 앤스로픽은 엔터프라이즈 추론 훅을 내놨어. 모델 가중치가 공짜여도 그 모델을 안전하게 회사 시스템에 붙이는 배관은 공짜가 아니라는 논리야.

로컬 실행 스택 쪽은 순수한 수혜자야. Ollama, llama.cpp, LM Studio, vLLM에게 20GB 아래로 떨어지는 30B 에이전트 모델은 그대로 사용자 유입이야. 특히 메타가 K-Quant와 DFlash를 함께 내놨다는 건 이 스택들이 곧바로 최적화를 붙일 수 있다는 뜻이기도 해.

그래서 뭐가 달라지는데

개발자에게는 오늘 당장 시도해볼 만한 변화야. RTX 4090·5090이나 32GB 이상 통합 메모리를 가진 맥이 있다면 K-Quant-17GB 변형을 받아 로컬 코딩 에이전트로 붙여볼 수 있어. 다만 기대치는 현실적으로 잡는 게 좋아 — 벤치마크 절반에서 동급 모델을 앞선다는 건 프론티어 API 모델을 대체한다는 뜻이 아니야. 반복적이고 정형화된 도구 호출 작업부터 옮기는 게 합리적인 순서야.

스타트업 창업자에게는 원가 구조를 다시 계산할 이유가 생겼어. 에이전트 제품에서 API 비용이 매출총이익을 갉아먹고 있다면, 워크로드를 두 층으로 나누는 설계를 검토할 만해. 판단이 어려운 요청은 프론티어 API로, 정형화된 반복 호출은 로컬 글리머로. 다만 자체 GPU 운영 비용과 엔지니어링 시간이 API 요금보다 싼지는 실제 트래픽으로 계산해봐야 해.

기업 법무·보안 담당자에게는 아파치 2.0이 실무적으로 중요한 지점이야. 라마 커스텀 라이선스 때문에 검토가 길어졌던 조직이라면 이번엔 표준 승인 경로를 탈 수 있어. 다만 오픈 웨이트라도 학습 데이터와 방법론은 비공개라는 점, 즉 출력물의 저작권 리스크를 완전히 없애주진 않는다는 점은 그대로야.

일반 이용자에게는 당장 체감할 변화가 없어. 이건 개발자·기업용 모델이고, 챗봇 앱으로 나오는 제품이 아니야. 다만 로컬에서 도는 AI가 실용 수준에 도달하고 있다는 신호로는 읽을 만해. 몇 년 안에 노트북에서 도는 비서가 클라우드 없이 일하는 그림에 한 걸음 가까워졌어.

투자자 관점에서는 오픈 웨이트 모델의 성능이 상용 API를 어디까지 압박하는지가 관전 포인트야. 30B급이 특정 용도에서 프론티어에 근접할수록, 그 용도의 API 가격은 0으로 수렴해. 프론티어 랩들이 단순 추론이 아니라 에이전트 인프라와 기업 통제 장치로 수익 모델을 옮기는 이유가 여기 있어.

🥄 남은 궁금증 세 가지

— 그래서 나랑 무슨 상관이야? 개발을 안 한다면 직접적인 영향은 없어. 다만 이런 모델이 계속 나오면 AI 도구의 구독료가 내려가거나 무료 티어가 후해질 가능성이 커. 공짜로 쓸 수 있는 대안이 있으면 유료 제품의 가격은 오르기 어렵거든.

— 오픈 웨이트면 완전히 오픈소스인 거야? 아니야. 아파치 2.0으로 가중치를 자유롭게 쓸 수 있게 된 건 큰 진전이지만, 학습 데이터와 학습 코드는 공개되지 않았어. 소프트웨어의 오픈소스처럼 처음부터 재현할 수 있는 건 아니라는 뜻이야. 해커뉴스에서 가장 많이 지적된 부분이기도 해.

— 이거 쓰면 챗GPT 안 써도 돼? 용도에 따라 달라. 반복적인 도구 호출이나 코드 생성처럼 패턴이 정해진 작업은 충분할 수 있어. 반면 어려운 추론이나 긴 맥락의 판단이 필요한 일은 아직 프론티어 모델 쪽이 나아. 벤치마크 절반에서 동급 오픈 모델을 앞선 수준이라 만능 대체재로 보긴 일러.

참고 자료

수치는 발표 시점 기준이라 바뀔 수 있어.