2026년 오픈소스 LLM 동향은 대형 오픈웨이트 모델의 성능 격차와 라이선스 조건의 분기로 정리됩니다. 도입 팀은 추론 비용, 온프레미스 설치, 한국어 토큰 효율을 같은 기준으로 맞춰 보아야 합니다. 공개 가중치와 실제 상업 이용 가능 범위가 모델마다 다르므로 계약 검토가 먼저입니다.
본문은 시장 현황, 상업 이용 조항, 하드웨어 요구사항, 기업 활용 패턴, 보안 점검을 순서대로 다룹니다. 마지막 절에서 모델을 고르면서 확인할 항목을 한곳에 모읍니다. 아래에서는 주요 모델 변화부터 운영 리스크까지 실무 순서로 살펴봅니다. 도입 규모와 데이터 반출 금지 여부를 먼저 정해 두면 모델 후보가 줄어듭니다.
오픈소스 LLM 시장 현황과 주요 모델 변화
2026년 공개 가중치 경쟁은 총 파라미터와 활성 파라미터를 나누어 표기하는 방식으로 바뀌었습니다. 메타 Llama 4는 2025년 4월에 나온 혼합 전문가 구조이며 네이티브 멀티모달을 지원합니다. 공개 카드에는 총량만 있고 활성 규모가 빠져 있으면 추론 예산을 잘못 잡을 수 있습니다.
알리바바 Qwen3.5 플래그십은 2026년 2월 기준 총 3970억, 활성 170억 규모로 확장되었습니다. 국내에서는 SK텔레콤이 한국어 특화 A.X 4.0을 720억·70억 두 규모로 오픈소스 공개했고 기업 내부 서버 설치 방식의 온프레미스 제공을 예고했습니다. 시장은 폐쇄 API만 보던 단계에서 가중치 공개와 자체 호스팅을 병행하는 단계로 옮겨 갔습니다.
대형 오픈웨이트 모델의 경쟁 구도
Llama 4 Scout는 총 1090억 파라미터에 활성 170억이며 최대 1천만 토큰 컨텍스트를 제품 문서에서 안내합니다. Maverick는 총 4000억에 활성 170억으로 같은 활성 규모를 유지합니다. Qwen 오픈웨이트 라인은 Apache 2.0이라 매출과 MAU 상한이 없고 Llama 4는 Llama 4 Community License를 적용합니다. 대형 모델 비교는 총량보다 활성 파라미터와 컨텍스트 한도를 먼저 맞추고 같은 활성 규모라도 라우팅 안정성과 지연, 품질 편차를 자사 문서 질의로 실측해야 합니다.
한국어·멀티모달 지원 확대
SK텔레콤은 한국어 특화 LLM A.X 4.0을 오픈소스로 공개했고 표준 72B와 경량 7B를 함께 제공합니다. A.X 4.0은 자체 한국어 토크나이저로 같은 한국어 문장을 넣었을 때 GPT-4o보다 약 33%가량 높은 토큰 효율을 자체 테스트에서 기록했다고 밝혔습니다. Llama 4는 텍스트와 이미지를 함께 다루는 네이티브 멀티모달 구조입니다. 한국어 서비스는 토큰 효율이 추론 비용과 지연 시간에 바로 반영되므로 공개 벤치와 별도로 토크나이저와 실제 질의 길이를 확인해야 하고 동일 문장 기준 토큰 수를 기록해 두어야 합니다.
라이선스·상업 이용 조건이 달라진 점
(출처: 토크아이티(Talk IT))
Apache 2.0과 MIT 계열 오픈웨이트는 상업 이용, 수정, 재배포 범위가 넓고 매출 상한을 두지 않아 제품 탑재 검토가 상대적으로 단순합니다. Llama와 Gemma 같은 커스텀 라이선스는 사용자 규모나 용도 제한이 붙는 경우가 많아 법무·구매 검토가 함께 필요합니다. Qwen 오픈웨이트는 Apache 2.0이라 상업 이용과 제품 탑재에 매출·MAU 상한이 없습니다. 라이선스 문면이 공개 가중치와 같지 않으므로 배포 고지와 이용 약관을 모델 카드, 고지 파일과 함께 원문으로 읽어야 합니다.
허용·제한 조항을 읽는 실무 기준
메타 Llama 계열 커뮤니티 라이선스는 상업 이용을 허용하되 제품·서비스 월간 활성 이용자 수가 7억을 넘으면 메타와 별도 상업 라이선스 합의가 필요합니다. Gemma 계열은 구글 제품을 저해하는 용도를 제한하는 조항이 따라붙는 경우가 있어 경쟁 제품 연동 전에 용도 조항을 확인해야 합니다. Apache 2.0은 수정본을 재배포하는 경우 고지와 특허 조항을 지키면 매출 캡 없이 제품에 넣을 수 있습니다. 실무 검토에서는 MAU 정의, 계열사 합산, 출력물 소유, 상표 사용, 지역 제한, 출력 재학습 금지를 계약서에 옮겨 적어야 합니다.
성능·추론 비용·하드웨어 요구사항 비교
활성 170억 규모 MoE는 총량 수천억 모델보다 추론 과정에서 메모리 부담을 낮춥니다. Scout의 1천만 토큰 컨텍스트는 장기 문서에는 유리하나 캐시 메모리와 지연이 함께 늘어납니다. 한국어는 토크나이저 효율이 같은 과업의 토큰 수와 과금에 직접 영향을 줍니다.
온프레미스에서는 GPU 대수, 양자화 비트, 배치 크기가 시간당 비용을 결정합니다. A.X 4.0 7B는 경량 추론용, 72B는 지식형 작업용으로 하드웨어 등급과 설치 대수를 나누는 방식이 일반적입니다. 양자화 INT8·INT4는 VRAM을 줄이지만 한국어 생성 품질을 다시 측정해야 합니다.
| 모델 | 규모 | 라이선스 | 비고 |
|---|---|---|---|
| Llama 4 Scout | 총 109B / 활성 17B | Llama 4 Community | 컨텍스트 최대 1천만 토큰 |
| Llama 4 Maverick | 총 400B / 활성 17B | Llama 4 Community | 네이티브 멀티모달 |
| Qwen3.5 | 총 397B / 활성 17B | Apache 2.0 | 매출·MAU 상한 없음 |
| A.X 4.0 | 72B / 7B | 오픈소스 공개 | 한국어 토크나이저, 온프레미스 |
기업·스타트업 도입 사례와 활용 패턴
SK텔레콤은 A.X 4.0을 기업 내부 서버에 설치하는 온프레미스 방식으로 제공해 데이터 보안 수요에 대응하겠다고 밝혔고 금융·공공의 보안 심사 부담을 줄이는 경로로 설명했습니다. 스타트업은 Apache 2.0 오픈웨이트를 제품에 넣고 가중치를 수정·재배포하는 경로를 상대적으로 많이 고르며 매출 캡이 없는 조건을 우선합니다. 대기업은 Llama 계열을 내부 도구에 쓰되 MAU 한도와 별도 라이선스 조항을 계약에 명시합니다. 공통 패턴은 공개 벤치보다 자사 문서 질의, 요약, 코드 보조처럼 원본 데이터가 내부 망에 남는 과업부터 시작하는 점입니다.
보안·거버넌스·운영 리스크 점검 포인트
온프레미스 설치는 학습·추론 데이터가 외부 API로 나가지 않게 막아 금융·의료처럼 규제 산업의 보안 수요를 맞추는 선택입니다. 다만 가중치 파일 유출, 프롬프트 주입 공격, 검색 로그에 남은 개인정보는 내부 통제 대상이며 접근 권한을 분리해야 합니다. 라이선스 위반은 MAU 집계 오류나 금지 용도 탑재, 재배포 고지 누락에서 자주 발생하므로 출시 전 점검이 필요합니다. 운영 팀은 모델 버전 고정, 평가 세트 보관, 롤백 절차, 접근 권한, 양자화본 출처 추적을 배포 전에 문서화하고 정기 감사와 침해 신고 창구를 같이 붙여야 합니다.
오픈소스 LLM 동향 정리와 선택 체크리스트
2026년 오픈소스 LLM 동향은 활성 파라미터 기준의 MoE, 네이티브 멀티모달, 한국어 토크나이저 효율, 라이선스 분기로 실무 체크 한 줄에 요약됩니다. 고르는 과정에서는 Apache 2.0 여부, Llama MAU 7억 조항, 온프레미스 가능 여부, 72B·7B 같은 규모 조합을 같은 비교 표에 올려 조건별로 비교하면 됩니다. 마지막으로는 자사 과업의 토큰 길이, GPU 예산, 데이터 반출 금지 여부를 먼저 고정한 뒤 후보 모델을 고르는 순서가 사고 가능성을 낮춥니다. 체크 항목은 라이선스 원문, 토크나이저, VRAM, 로그 보관 기간, 롤백 가능 여부입니다.
