Executive Summary

중국 연구진과 기업이 미국 선도 모델에 물어 받은 답을 자국 소형 모델의 학습 자료로 쓰는 일이 실험을 떠나 공정이 됐다는 소식이다. 로이터가 중국의 논문·특허·기업 공시·채용 공고·정부 문서를 300건 넘게 훑어 11월 17일 단독으로 전했다. 답을 모으는 일을 자동화하는 소프트웨어가 있고, 그 일만 맡는 인력이 따로 있다.

그런데 로이터가 센 문서는 숨긴 문서가 아니다. 논문으로 냈고, 특허로 출원했고, 채용 공고로 사람을 뽑았다. 그 가운데 보도가 대표 사례로 고른 논문은 하필 증류를 가장 길게 비판한 논문이고, 데이터 출처를 적었는지 매기는 채점표를 직접 만든 논문이다. 그 채점표로 같은 분야의 시도 일곱 건을 매겨 보니 다섯 건이 데이터 출처 항목에서 0점을 받았다.

무엇을 하고 있는지는 공개 문서에 넘치도록 적혀 있는데, 그 답이 어느 모델에서 나와 어느 모델로 들어갔는지는 정작 모델 쪽에 남지 않는다. 그래서 독자에게 남는 물음은 누가 몰래 가져갔느냐가 아니다. 우리가 가져다 쓰는 모델은 무엇으로 배웠고, 우리가 만든 합성 데이터가 어느 모델의 출력에서 나왔다는 사실은 어디에 적히는가.

7건 중 5건

데이터 출처가 0점인 o1 복제 시도

그 논문이 만든 채점표로 매긴 값이다. 저자들이 자기 작업까지 직접 매긴 자가 채점이라는 한계가 붙는다

300건 이상

로이터가 훑은 중국 문서

논문·특허·기업 공시·채용 공고·정부 문서다. 어느 쪽도 비공개 문서가 아니다

13 대 12

AIME2024 30문제, 증류 모델과 o1-preview

같은 표의 o1-mini는 21문제다. "넘어섰다"의 실제 차이가 한 문제라는 뜻이다

69.08 → 62.65

증류 미세조정 뒤 중국어 사실성

중국어 모델을 만들려고 증류했는데 아홉 지표 가운데 이 항목이 가장 크게 내려갔다

1

로이터가 훑은 300건, 그 전부가 공개 문서다

로이터가 11월 17일 선전발로 낸 단독 보도는 중국에서 나온 문서 300건 이상을 훑은 결과다. 기사가 밝힌 범위는 이렇다. "A Reuters review of more than 300 Chinese academic papers, patents, corporate disclosures, recruitment notices and government documents reveals how the practice — known as distillation — has expanded beyond academic experiments into mainstream industrial use in China." 학술 논문, 특허, 기업 공시, 채용 공고, 정부 문서. 다섯 종류 모두 누구나 받아 볼 수 있는 자리에 놓여 있던 자료다.

증류는 큰 모델에 물어 받은 답을 작은 모델의 학습 자료로 쓰는 일이다. 기법 자체는 새롭지 않고, 왜 그 일이 원본 데이터를 가진 쪽에 기대게 되는지는 앞선 보고서 증류로는 주권을 살 수 없다에서 다뤘다. 이번 보도가 더하는 것은 기법이 아니라 그 일이 굴러가는 방식이다. 로이터가 읽은 기록들은 중국 연구자들이 미국 모델로 답을 받고 코드를 만들고 어려운 문제의 해법을 찾는 과정을 적고 있으며, 중국 기업들은 그 과정을 자동화하는 소프트웨어를 만들고 전담 인력을 붙여 자국 소형 모델의 학습 자료를 다듬는다. '산업 규모'라는 말의 실체가 여기에 있다. 한 사람이 손으로 질문을 던지던 일에 공정 담당자가 생겼다.

이 변화가 수출통제와 맞물리는 지점은 분명하다. 첨단 칩을 팔지 않으면 연산이 줄지만, 남의 모델이 내놓은 답을 받아 적으면 학습 데이터가 는다. 로이터는 증류가 널리 쓰이면 중국 개발자들이 미국 실리콘이 아니라 미국 출력에서 능력을 쌓을 수 있어 칩 판매 제한의 실효가 깎인다고 적었다. 통로가 둘인데 통제는 한쪽에만 걸려 있다.

통로는 둘, 통제는 한쪽 미국 반도체 회사 첨단 가속기 수출통제·원격 접속 제한 중국 개발사 연산 미국 선도 모델 질의에 대한 응답 약관 제한은 있고, 법은 아직 없다 중국 소형 모델 학습 데이터 막힌다 흐른다

연산과 출력은 서로 다른 통로를 탄다. 위쪽은 칩 수출통제와 11월 16일 원격 접속 잠정규칙이 겨냥하는 경로이고, 아래쪽은 그런 통제가 아직 닿지 않는 경로다. 두 통로의 상대적 두께를 나타낸 그림이 아니라 통제가 걸린 자리만 표시한 도식이다.

칩 쪽 통로를 중국 쪽이 어떻게 지나는지는 닷새 전에 따로 다뤘다. 제재받은 중국 대학이 엔비디아 H200을 사서 쓰고 서버를 빌려 쓴 기록을 정리한 엔비디아 H200, 제재받은 중국 대학은 사서 쓰고 빌려 쓴다가 그 글이다. 칩은 사거나 빌려서 지나가고, 답은 받아 적어서 지나간다.

미국 쪽이 이 통로를 어떻게 보는지도 같은 기사에 있다. 청두 논의를 아는 한 미국 관리는 워싱턴이 산업 규모 증류를 중국 모델이 격차를 좁힌 주된 이유로 본다고 로이터에 말했다. 다만 이 판단의 출처는 익명의 관리 한 사람이고, 같은 기사에 반론이 실려 있다. 중국 개발사 사정을 아는 두 사람은 증류가 공학과 알고리즘, 데이터와 모델 설계와 나란히 놓이는 한 요인일 뿐이라고 반박했다. 상하이교통대와 알리바바, 메이투안, 미 상무부, 중국 국가인터넷정보판공실은 모두 논평 요청에 답하지 않았다.

2

대학 실험에서 기업 공정까지, 사다리 세 칸

로이터는 실험에서 공정으로 넘어가는 과정을 사례 세 건으로 보여 준다. 2024년 대학 연구실에서 시작해 2025년 기업 모델 학습으로, 2026년에는 여러 AI 에이전트를 조율하는 모델 학습까지 올라간다. 세 칸이 함께 보여 주는 것은 기법보다 기록의 자리다. 셋 다 논문에 적혀 있고, 그 논문들은 공개돼 있다.

다만 세 칸을 받치는 근거가 같지는 않다. 첫 칸은 어느 논문인지 특정돼 전문을 열어 볼 수 있지만, 나머지 두 칸은 로이터가 "2025년 4월 논문", "2026년 2월 논문"이라고만 적었고 이 글은 그 논문을 특정하지 못했다. 아래 표의 마지막 열에 그 차이를 그대로 적어 둔다.

시기 주체 한 일 이 글이 확인한 근거
2024년 11월 상하이교통대 o1 응답 약 5,000건을 골라 GPT-4o mini로 중국어로 옮기고, 이중언어 10,750쌍을 만들어 Qwen2.5-72B-Instruct를 추가 학습 논문 특정 완료
arXiv:2411.16489 전문을 직접 확인했다
2025년 4월 알리바바 GPT-4와 GPT-4o로 중국어 외 언어의 학습 자료를 만들고, 응답을 다듬고 점수를 매겨 추린 뒤 작은 Qwen을 학습 로이터 서술만
어느 논문인지 특정하지 못했다
2026년 2월 상하이교통대 + 메이투안 GPT-4o로 AI 에이전트들의 협업 계획을 만들고, 그 일을 조율하는 작은 모델을 학습 로이터 서술만
어느 논문인지 특정하지 못했다

출처: 로이터 2026년 11월 17일 보도. 로이터가 기사 본문에 사례로 든 세 건을 그대로 옮겼고, 보도가 훑은 문서 300건 전체의 분포를 나타낸 표가 아니다. 첫 행의 수치는 해당 논문 본문에서 다시 확인했고, 아래 두 행에는 논문 번호나 모델명을 붙이지 않았다.

세 칸을 나란히 놓으면 바뀐 것이 보인다. 2024년에는 사람이 고른 응답 몇천 건이 재료였다. 2026년 칸에서는 재료 자체가 다른 모델이 만든 작업 계획이고, 그것으로 학습시키는 대상도 여러 모델을 조율하는 자리로 올라간다. 로이터가 읽은 채용 공고와 특허는 그 사이에 수집과 선별을 맡는 자리가 생겼음을 보여 준다.

2024 → 2026, 재료가 사람에서 모델로 바뀐다 2024.11 · 상하이교통대 o1 응답 5,000건 선별 Qwen2.5-72B 추가 학습 1차 확인 완료 2025.04 · 알리바바 GPT-4·4o 학습자료 생성 작은 Qwen 학습 로이터 서술만 2026.02 · 교통대+메이투안 GPT-4o 에이전트 계획 생성 조율 모델 학습 로이터 서술만

페블러스 원본 도식. 사다리의 세 칸을 나란히 놓은 그림으로, 왼쪽에서 오른쪽으로 갈수록 학습 재료가 사람이 고른 응답에서 다른 모델이 만든 작업 계획으로 바뀐다. 박스 색은 이 글이 원문으로 확인했는지(오렌지) 로이터 서술에만 의존하는지(회색)를 나타내며, 세 사례의 상대적 규모나 중요도를 나타낸 그림이 아니다.

중국이 학습 데이터를 조달하는 통로가 이쪽 하나만은 아니다. 지난 10월에는 국유 회사를 세워 데이터를 나라가 공급하는 길이 열렸고, 그 소식은 앞선 보고서 중국 국가데이터그룹, AI가 배울 데이터를 나라가 공급한다에서 다뤘다. 한쪽은 자국에서 만들어 대고, 다른 한쪽은 남의 모델에서 받아 적는다. 두 통로가 같은 정책 묶음 아래 있는지는 이 글이 확인하지 못했다.

3

보도가 옮긴 수치는 그 논문의 부가 실험에서 나온다

보도가 첫 칸에 적은 수치는 o1 응답 5,000건과 이중언어 10,750쌍, 그리고 Qwen2.5-72B다. 그 논문을 열어 보면 이 수치가 놓인 자리가 보도에서 읽히는 자리와 다르다. 세 수치는 모두 논문 §4 "Application Beyond Math Reasoning"에서 나온다. 수학으로 증류한 모델이 수학 밖으로도 번지는지 보려고 뒤에 붙인 실험이다. 논문의 주 실험은 다른 베이스 모델에 다른 양의 자료를 썼다.

주 실험 (§2.3·§3) 보도가 옮긴 쪽 (§4)
베이스 모델 Qwen2.5-Math-72B Qwen2.5-72B-Instruct
학습 자료 o1 증류 긴 사고 사슬 "tens of thousands of samples" o1 출력에서 고른 약 5,000건 → GPT-4o mini로 중국어 번역 → 10,750쌍
무엇을 보려고 AIME·MATH500 수학 추론 수학 밖 영역으로 번지는지
결과 AIME2024 13/30 (o1-preview 12/30, o1-mini 21/30), MATH500 87.2 (85.5 / 90.0) 아홉 지표 가운데 넷이 오르고, 하나가 같고, 넷이 내려갔다

출처: arXiv:2411.16489 v1(2024년 11월 25일 제출본, 2026년 11월 18일 열람) §2.3·§3·§4 및 Table 1·2. 논문에 v2는 없다.

§4의 데이터 구성은 논문에 이렇게 적혀 있다. "From our distilled O1 model outputs, we carefully select approximately 5,000 high-quality samples containing retrospective thinking and self-reflection elements. These samples are then translated into Chinese using GPT-4o mini model, resulting in a balanced bilingual dataset. The final training dataset comprises 10,750 mixed Chinese-English sample pairs." 5,000건은 증류해 둔 출력에서 다시 고른 수이지 o1에 던진 질문의 수가 아니다.

주 실험 쪽 주장도 실제 값과 대조해 볼 필요가 있다. 논문은 수만 건의 o1 증류 사고 사슬로 미세조정한 베이스 모델이 AIME에서 o1-preview를 앞섰다고 적는다. Table 1의 실제 값은 AIME2024 30문제에서 13문제 대 12문제다. 한 문제 차다. 같은 표에서 o1-mini는 21문제를 맞혔고, MATH500은 87.2 대 85.5(o1-preview)·90.0(o1-mini)이다. 논문 스스로도 "there remains a noticeable gap compared to O1-mini in terms of mathematical reasoning performance."라고 적었다. 따라잡은 대상과 벌어진 대상이 같은 표 안에 함께 있다.

그리고 증류는 공짜가 아니다. §4의 Table 2는 미세조정 전후를 아홉 지표로 비교하는데, 캡션이 "Performance comparison (accuracy) before and after SFT"라 전부 높을수록 좋은 값이다. 아첨에 넘어가지 않는 정도를 재는 지표도 백분율이 높을수록 잘 버틴다고 논문이 따로 밝혀 두었다. 아홉 줄을 추리지 않고 다 적으면 이렇다.

지표 미세조정 전 미세조정 후 차이
LIMA77.287.2+10.00
Auto-J81.688.0+6.40
ChineseFactEval-Sycophancy89.7092.65+2.95
Flames91.092.5+1.50
DiaSafety100.0100.00.00
SimpleQA10.5810.41−0.17
C-SimpleQA47.0845.76−1.32
WildSafety92.086.5−5.50
ChineseFactEval-General69.0862.65−6.43

출처: arXiv:2411.16489 v1 Table 2 전수 아홉 행. 차이 열은 두 값을 뺀 산술값이며 논문이 제시한 열에는 없다. 지표마다 단위가 달라 세로로 비교하기는 어렵다.

수치가 내려간 지표는 넷이고, 그 가운데 가장 크게 내려간 것이 중국어 사실성이다. 중국어 모델을 만들려고 중국어로 옮겨 학습시켰는데 중국어 사실을 묻는 시험에서 6.43점이 빠졌다. 다만 논문 자신의 표현은 이보다 약하다. 뚜렷한 하락이라고 부른 것은 WildSafety 하나이고, 사실성 쪽 셋에 대해서는 "did not demonstrate significant improvement", 곧 유의한 개선을 보이지 못했다고 적었다. 표의 산술과 본문의 표현이 다르므로 둘 다 적어 둔다.

4

그 논문은 증류를 한 절 내내 비판한다

같은 논문의 마지막 절 제목이 "The Bitter Lesson of Simple Distillation", 곧 단순 증류의 쓰라린 교훈이다. 로이터는 이 절을 한 문장으로 줄여 "excessive reliance on distillation could stifle original innovation, leaving developers dependent on breakthroughs made by more advanced model providers."라고 옮겼다. 증류에 과하게 기대면 독자적 혁신이 막히고 더 앞선 모델 제공자가 낸 돌파구에 의존하게 된다는 뜻이다. 원문에서 그 경고는 한 문장이 아니라 소제목 여섯 개가 달린 절 하나다.

소제목 무엇을 적었나
SURFACE APPEAL증류는 우아한 해법처럼 보이고 성능도 빠르게 오른다. 그러나 "this convenience comes at a price that may not be immediately apparent"
PERFORMANCE CEILING"Models trained through distillation are invariably bounded by the capabilities of their teacher model… This creates an implicit ceiling effect"
MISSED INNOVATIONo1의 실제 돌파구인 추론 시간 확장과 탐색 최적화를 건너뛴다. "we risk creating a widening technological gap"
RESEARCH CULTURE SHIFT"The availability of 'easy wins' through distillation has begun to shift research focus away from tackling fundamental challenges." 인프라가 없으니 증류에 기대고, 기대니 인프라를 더 짓지 않는 고리가 생긴다
EROSION OF FUNDAMENTALS"This shift from 'how it works' to 'what works' represents a fundamental change in research mentality"
GROWING DIVIDE"genuine breakthroughs become the exclusive domain of a small number of well-resourced organizations, while the broader community remains trapped in a cycle of incremental improvements through distillation."

출처: arXiv:2411.16489 v1 §6 소제목 여섯 개 전수. 영어 축자는 논문 표기 그대로이고, 한국어 설명은 이 글이 붙였다.

여섯 갈래 가운데 데이터를 다루는 쪽이 가장 눈여겨볼 것은 천장 효과다. 증류로 학습한 모델은 교사 모델의 능력에 묶이고, 그 묶임은 겉으로 드러나지 않는 천장으로 작동한다. 벤치마크 점수는 교사에 가까워지는 동안 계속 오르기 때문에, 천장에 닿았다는 신호가 점수에 먼저 나타나지 않는다.

절의 맺음에서 저자들은 한 발 물러선다.

"The bitter lesson here is not that distillation is inherently problematic - it remains a valuable tool in our technical arsenal. Rather, the danger lies in allowing the convenience of distillation to divert us from the harder but ultimately more rewarding path of fundamental innovation."

증류 자체가 문제라는 것이 아니라 그 편리함이 더 어려운 길에서 눈을 돌리게 하는 것이 위험하다는 말이다. 증류는 여전히 쓸 만한 도구라고 같은 문장에서 밝히고 있다.

이 절을 중국 연구자의 양심 고백으로 읽으면 글의 방향이 어긋난다. 저자 열 명의 소속에는 상하이교통대와 SII, GAIR만 있는 것이 아니라 뉴욕대도 섞여 있다. 그리고 이들이 한 일은 고백이 아니라 채점표를 만들어 같은 분야의 작업들을 매긴 것이다. 그 채점표가 6절의 재료다.

5

약관은 제한하고, 정부 문서는 권장하고, 법은 아직 없다

증류를 금지하는 법은 어느 나라에도 없다. 로이터는 "Distillation is not illegal and is prevalent in other parts of the world."라고 적었다. 금지하는 쪽은 약관이다. 같은 기사의 설명은 이렇다. "OpenAI's terms restrict using its output to develop competing models, subject to exceptions, while Anthropic similarly restricts training competing systems without permission." 오픈AI 쪽 제한에는 예외가 붙는다는 단서가 달려 있고, 앤트로픽 쪽은 허락 없이 경쟁 시스템을 학습시키는 것을 제한한다. 전면 금지라고 옮기면 원문보다 세진다.

법 대신 움직인 것은 집행 예고다. 스콧 베센트 재무장관은 7월 22일 X에 이렇게 적었다.

"We support open-source AI and the innovation it unlocks. But open source is not open season on American IP. When PRC firms conduct covert, industrial-scale distillation attacks that cross the line into IP theft, sanctions and Entity List designations will be on the table."

제재와 수출통제 명단 지정이 검토 대상에 오르는 조건이 두 개다. 은밀할 것(covert), 그리고 지식재산 절취의 선을 넘을 것(cross the line into IP theft). 둘 다 걸려야 한다는 뜻으로 읽히는 문장이다. 그런데 이번에 로이터가 센 300건은 논문과 특허와 채용 공고다. 집행의 칼은 숨은 쪽을 겨누는데, 이번 보도가 센 문서는 적어 둔 쪽이다.

미국 쪽 기록 넷을 나란히 놓으면 그 어긋남이 더 분명해진다. 첫 줄의 청두 회동은 이번 보도로 처음 알려진 사실이다.

시점 무엇을 했나 무엇을 겨냥하나
7월 미 상무부 관리들이 청두에서 중국 규제당국을 만나 미국 선도 모델 출력 수집을 문제 삼고, 일부 행위가 지식재산 절취에 해당할 수 있다고 경고했다. 중국 쪽은 증류를 표준 개발 기법이라고 옹호하면서 절취에 해당하면 조치할 뜻을 밝혔으나 구체적 약속은 없었다 (논의를 아는 세 사람) 비공개 협의
7월 22일 베센트 재무장관이 조건을 달아 제재와 명단 지정을 예고했다 은밀하고, 지재권 절취 선을 넘는 행위
9월 8일 NSA·CISA·FBI 합동 사이버보안 권고 AA26-251A 공개 API 프록시 회색시장을 통한 우회
11월 16일 상무부 산업안보국(BIS) 잠정규칙 "Addressing Remote Access to Advanced Semiconductors"(RIN 0694-AK50) 발표 해외 데이터센터를 통한 원격 연산 접속

출처: 로이터 2026년 11월 17일 보도(7월 청두 회동), 베센트 게시글 원문, cisa.gov 권고 원문, BIS 잠정규칙. 미국 정부의 증류 관련 조치를 전수로 센 표가 아니라 이 보도와 맞물리는 네 건만 모은 표다.

9월 권고의 제목은 "China-Based Artificial Intelligence Companies Conducting Industrial-Scale Distillation Campaigns Against U.S. AI Companies"이고, 딥시크·문샷AI·알리바바·미니맥스·스텝펀·Z.AI 여섯 곳을 적시했다. 세 기관은 증류가 이들 회사의 모델 개발에 "not a supplement to these companies' AI model development, but the critical core of it", 곧 보조가 아니라 결정적 핵심이라고 적었고, 2024년 말부터 수백만 건의 교환과 요청으로 수십억 토큰을 뽑아냈다고 밝혔다. 경로로는 "a large gray market of API proxies, or 'transfer stations'"를 지목했다. 이 은밀한 경로 쪽은 9월에 중국 모델에 보낸 요청이 사용자 몰래 클로드로 재전송됐다에서 따로 다뤘다.

11월 16일 규칙이 막는 것은 칩 자체가 아니라 원격 접속이다. 인도네시아·말레이시아·싱가포르·태국·브라질의 데이터센터를 거쳐 통제 대상 기업이 미국산 가속기를 원격으로 쓰는 길에 허가 요건을 걸었고, 문턱은 합산 1,200만 TPP다. 이 구멍이 어떤 모양인지는 10월에 텐센트가 오라클에서 AI 칩을 빌리면, 데이터는 어디에 남을까?에서 미리 짚어 뒀다. 다만 이 규칙은 연방관보 게재와 함께 발효되고 게재가 11월 19일로 잡혀 있어, 이 글을 쓰는 시점에는 아직 발효 전이다. 막혔다가 아니라 막는 규칙이 나왔다가 정확하다.

반대편 문서도 있다. 로이터는 중국 정부 부처 여덟 곳이 1월에 낸 'AI+제조' 정책 묶음(《"人工智能+制造"专项行动实施意见》)에 산업 응용을 위한 모델 학습과 미세조정, 그리고 증류를 지지하는 지침이 들어 있다고 적었다. 이 글은 해당 대목을 중국어 원문에서 확인하지 못했으므로 로이터의 서술로만 옮긴다. 한쪽 나라의 약관이 제한하는 기법을 다른 쪽 나라의 정부 문서가 권장하는 구도다.

경계가 불분명하다고 느끼는 것은 중국 개발사들도 마찬가지다. 로이터는 "Chinese AI developers have in recent months asked Beijing's industry regulator for guidance on the boundaries between ordinary use of foreign models and organised collection of output for training"이라고 적었다. 외국 모델을 평범하게 쓰는 것과 학습용으로 출력을 조직적으로 모으는 것 사이의 경계를 당국에 물었다는 것이다. 출처는 논의를 아는 한 사람이다. 이 보도는 선전에서 열리는 APEC 정상회의와 같은 주에 나왔고, 트럼프 대통령과 시진핑 주석의 양자회담은 11월 19일로 예정돼 있다. 회담 결과는 이 글을 쓰는 시점에 나오지 않았다.

6

무엇을 하는지는 적혀 있고, 무엇으로 만들었는지는 비어 있다

지금까지 본 기록은 전부 한 종류다. 우리가 증류를 하고 있다, 이런 방법으로 한다는 행위의 기록이다. 논문에도 있고 특허에도 있고 채용 공고에도 있어서 로이터가 300건을 셀 수 있었다. 그런데 데이터를 다루는 쪽이 필요로 하는 기록은 다른 종류다. 이 모델의 출력이 저 데이터에 섞여 이 모델이 됐다는 계보의 기록이다. 그 기록은 모델 카드와 데이터셋 메타에 적히는데, 거기가 비어 있다.

행위의 기록 계보의 기록
무엇을 적나우리가 증류를 한다, 이런 방법으로이 모델의 출력이 저 데이터에 섞여 이 모델이 됐다
어디에 있나논문·특허·채용 공고모델 카드·데이터셋 메타
이 보도가 보여 준 것300건 이상일곱 건 중 다섯 건이 0점
상태넘친다비어 있다

왼쪽 열의 근거는 로이터 보도이고, 오른쪽 열의 근거는 arXiv:2411.16489 v1 Table 4다. 두 수치는 센 대상이 달라 서로 빼거나 비율로 묶으면 뜻이 흐려진다.

오른쪽 열을 수치로 만든 것은 다른 누구도 아닌 그 논문이다. 저자들은 §5에서 Technical Transparency Index라는 채점표를 만들어 o1 복제 시도들을 100점 만점으로 매겼다. 데이터 14점, 방법론 33점, 평가 24점, 공개 29점이다. 첫 항목인 Data Transparency가 묻는 것은 이렇다.

"This aspect evaluates whether the origin of the data is clearly specified, including detailed descriptions of the datasets used and their respective sources. It considers whether the dataset names, providers, or publications from which the data is derived are explicitly mentioned. This applies to all datasets used in downstream tasks such as supervised fine-tuning (SFT), reinforcement learning (RL), or search algorithms and becomes even more crucial when the datasets serve as seed data for synthesizing long thought data."

데이터가 어디서 왔는지, 데이터셋 이름과 제공자와 유래 논문이 명시됐는지를 본다. 하위 항목은 둘이다. 출처(Data Source)와 선별 과정(Data Selection Process). 그리고 마지막 문장이 이 글의 과녁을 정확히 가리킨다. 그 데이터가 긴 사고 사슬을 합성하는 씨앗으로 쓰일 때 이 항목은 더 중요해진다. 2024년에 적힌 단서인데, 2026년에 로이터가 센 300건이 바로 그 경우다.

저자들은 이 채점표로 o1 복제 시도 일곱 건을 매겼다. 아래가 Table 4 전수다.

작업 데이터 (14) 방법론 (33) 평가 (24) 공개 (29) 총점 (100)
Open O10820533
O1-Journey (Part 1)103324976
LLaMA-O1060511
K0Math0016016
Skywork O100000
DeepSeek-R1-Lite0020020
O1-Journey (Part 2)1033241279

출처: arXiv:2411.16489 v1 Table 4 전수 일곱 행. 각 행의 네 항목을 더하면 총점과 맞는다. 채점한 쪽이 Part 1·Part 2의 저자들이다.

일곱 행을 가로로 읽으면 0점이 한 칸에 몰린다. 데이터 출처가 0점인 다섯 건 가운데 넷은 다른 항목에서 점수를 받았다. 평가 쪽에서 점수를 받은 곳이 셋, 방법론 쪽이 둘, 공개 쪽이 둘이다. 네 항목을 전부 0점으로 둔 곳은 한 곳뿐이다. 작업 전체가 부실해서 데이터 칸까지 0점이 된 경우는 그 한 곳에 그친다.

데이터 열만 따로 세우면 이렇게 보인다. 일곱 건 가운데 다섯 건이 0점이고, 가장 높은 둘도 14점 만점에 10점이다.

데이터 출처 항목 점수 (14점 만점) 14점 0 Open O1 10 O1-Journey Part 1 0 LLaMA-O1 0 K0Math 0 Skywork O1 0 DeepSeek- R1-Lite 10 O1-Journey Part 2

출처: arXiv:2411.16489 v1 Table 4의 데이터 항목 열. 일곱 건 전수이며 추려 낸 행이 없다. 0점 막대는 눈에 보이도록 얇은 밑줄로만 그렸다. 점수를 매긴 쪽은 10점을 받은 두 작업의 저자들이다.

여기에 한 겹이 더 있다. 저자들은 본문에서 자기 작업을 두고 "achieving a perfect transparency score"라고 적는데, 같은 표에 적힌 자기 총점은 79점이다. 데이터 10점에 공개 12점이니 두 항목 모두 만점이 아니다. 채점표를 만든 쪽도 자기 채점표를 채우지 못했다. 게다가 한 독립 리뷰는 이 지수가 자가 채점이고 보고된 점수를 원고만으로는 검증할 수 없다고 지적했다. 지수와 배점을 만든 쪽과 점수를 매긴 쪽이 같다는 것이다. 이 글이 드는 "일곱 건 중 다섯 건"도 같은 한계를 안고 있는 수치다.

그러면 적지 않는 까닭이 게으름인가 하면 그렇지도 않다. 적는 자리와 모델이 흘러가는 자리가 다르다는 쪽에 가깝다. 이 논문이 만든 파생 모델은 초록 각주에서 "Per OpenAI's Terms of Use, our distillation of the OpenAI O1 series models is strictly for research purposes and will not be fully disclosed publicly."라고 밝힌 대로 애초에 공개되지 않았다. 적은 자리는 논문이고, 모델은 나오지 않았다. 모델 카드에서 교사 모델 이름이 빠진 사례가 아니라 모델 자체가 없는 사례다.

정작 비어 있는 쪽은 그 아래다. 이 실험이 올라탄 Qwen2.5-72B-Instruct의 모델 카드에는 베이스 모델 필드만 있고 datasets 필드가 없으며, 학습 데이터 출처를 서술한 대목도 없다. 같은 허브의 DeepSeek-R1-Distill-Qwen-32B는 반대로 적는다. 베이스 모델이 Qwen2.5-32B라고 메타데이터에 적고, 본문에는 DeepSeek-R1이 만든 추론 데이터 80만 건으로 미세조정했다고 적어 두었다. 교사 모델 이름과 샘플 수가 카드 한 장에 다 있다. 둘 다 2026년 11월 18일에 직접 열어 확인한 것이다.

적을 자리는 이미 있다. 적는 것이 선택일 뿐이다. 같은 허브에 적는 쪽과 비워 두는 쪽이 나란히 있다는 사실이 그 자리의 존재를 증명한다.

빈칸은 이 카드 한 장의 사정으로 그치지 않는다. 모델 카드에 학습 데이터를 적자는 제안은 2019년에 나왔다. "Model Cards for Model Reporting"이 학습 데이터를 아홉 개 표준 항목 가운데 하나로 올렸고, 허브의 베이스 모델 필드와 데이터셋 필드가 그 제안을 실무로 옮겼다. 다만 둘 다 권고이고, 기재는 소유자가 스스로 한다. 허브를 전수로 감사한 연구는 그래서 기재가 들쭉날쭉하다고 보고했다. 정의상 베이스 모델에 기대는 양자화 모델조차 그 필드를 안 채우는 경우가 흔했고, 데이터셋 자리에 모델 이름이 들어간 사례가 1,416건 나왔다.

의무 쪽은 어떤가. 학습 데이터 공개를 가장 세게 요구하는 제도는 EU 인공지능법 제53조(1)(d)의 학습 콘텐츠 공개 요약이다. 그런데 이 템플릿은 데이터 출처를 범주로 묻는다. 공개 데이터셋인지, 크롤링인지, 사용자 데이터인지, 합성 데이터인지까지는 묻지만 그 합성 데이터가 누구의 모델 출력에서 나왔는지는 묻지 않는다. 실제로 제출된 요약서를 비교한 앞선 글 EU에 제출된 학습데이터 요약, 빅테크는 절반을 비워 냈다에서도 쟁점은 사용자 데이터와 크롤링 관행이었지 증류가 아니었다. 그리고 이번 보도에 나오는 중국 기업들은 그 의무의 적용 대상도 아니다.

7

페블러스 관심의 이유

페블러스는 AI가 쓸 수 있는 데이터를 만드는 일을 한다. 이 보도가 그 일과 닿는 지점은 어느 나라가 무엇을 했느냐가 아니라 기록의 빈칸에 있다. 모델의 출력이 다음 모델의 학습 데이터가 되는 구조는 이미 전 세계의 기본값이고 중국만의 일도 아니다. 달라진 것은 그 일이 공정이 됐다는 점이다.

7.1공정이 되면 기록 규격이 필요해진다

한 사람이 손으로 질문을 던지던 일에는 규격이 필요 없다. 수집을 자동화하는 소프트웨어가 돌고 전담 인력이 붙으면 달라진다. 어느 모델에서, 어떤 질의로, 몇 건을, 어떻게 걸러, 무엇으로 번역해 넣었는가. 페블러스가 AI-Ready Data라고 부르는 일의 범위가 여기까지 넓어진다. 그리고 이 네 가지의 출처는 6절에서 본 채점표다. 그 첫 항목이 묻는 것이 출처와 선별 과정 둘이고, 네 가지는 그 둘을 작업 단위로 풀어 쓴 것이다.

7.2데이터 계보는 규정 준수 서류가 아니라 디버깅 도구다

그 논문 자신이 증거를 남겼다. 3절에서 본 Table 2가 그것이다. 중국어를 잘하는 모델을 얻으려고 증류했는데 정작 중국어 사실성이 가장 크게 빠졌다. 어느 모델의 어떤 출력을 얼마나 섞었는지 적어 두지 않으면, 점수가 내려간 뒤에도 무엇을 빼야 올라오는지 알 수 없다. 계보(provenance)를 적는 일이 감사 대비가 아니라 품질 작업인 이유가 여기에 있다. DataClinic이 데이터셋을 받을 때 생성 경로부터 묻는 것도 같은 까닭이다.

7.3공개 모델을 가져다 쓰는 쪽은 구경꾼이 아니다

오픈웨이트 모델 하나를 받아 제품에 넣을 때, 그 모델이 무엇으로 배웠는지는 보통 모델 카드에 적혀 있지 않다. 이 글이 6절에서 열어 본 Qwen2.5-72B-Instruct의 카드가 그렇다. 약관 위반 위험이 상류에 있었다면 그 위험은 하류로 따라오고, 품질 결함이 상류에 있었다면 그 결함도 따라온다. 학습 데이터 출처를 비워 둔 채 배포된 모델이 어떤 모양인지는 학습 데이터 출처를 비워 둔 공장용 오픈웨이트 로봇 모델에서 한 번 들여다봤다. 조달 체크리스트에 세 줄을 더할 만하다. 이 모델의 학습 데이터에 타사 모델 출력이 포함되는가, 포함된다면 어느 모델인가, 그 사실이 어느 문서에 적혀 있는가. 그리고 우리가 만드는 합성 데이터에는 같은 세 줄을 우리가 적어 둬야 한다.

7.4기록은 사후에 만들 수 없다

페블러스가 설 자리는 증류를 찬반으로 가르는 쪽이 아니라, 합성이든 증류든 생성 경로가 데이터에 붙어 다니게 하는 쪽이다. 자리는 이미 있다. 허브의 베이스 모델 필드와 데이터셋 필드가 있고, 교사 모델 이름과 샘플 수를 카드에 적는 쪽도 있다. 비어 있는 까닭은 불가능해서가 아니라 의무가 아니어서다. 채점표는 2024년에 만들어졌고, 2년 뒤 로이터가 센 300건이 그 채점표가 왜 필요했는지를 보여 준다. 계보는 사후 감정으로 복원되지 않는다. 데이터를 만드는 순간에 붙여야 남는다.

R

참고문헌

본문의 수치는 네 갈래에서 왔다. 보도 축자는 로이터 기사의 전재본에서 문단 단위로 받아 옮겼고, 유료장벽 때문에 로이터 자체 페이지는 열지 못했다. 논문 수치는 arXiv에 올라온 2024년 11월 25일 판본의 본문과 표를 직접 열어 대조했으며 그 뒤 개정판은 없다. 정부 문서는 각각의 원문 페이지에서 제목과 날짜, 인용 문장을 확인했다. 모델 카드 두 건은 2026년 11월 18일에 직접 열람했다. 알리바바의 2025년 4월 논문과 상하이교통대·메이투안의 2026년 2월 논문은 어느 논문인지 특정하지 못해 로이터의 서술로만 옮겼다.

1차 — 보도

  • 1.Baptista, E. & Chen, L. "Exclusive: China taps US AI models to train homegrown rivals as chip curbs bite." Reuters, 2026년 11월 17일, 선전 발 — 문서 300건 이상의 범위, 자동화 소프트웨어와 전담 인력, 사례 세 건, 7월 청두 회동, 미국 관리의 판단과 중국 개발사 쪽 반론, 중국 1월 정책 묶음, 베이징 규제당국에 경계를 물었다는 대목. 전재본(BusinessWorld)

1차 — 논문

  • 2.Huang, Z. 외 9인. "O1 Replication Journey – Part 2: Surpassing O1-preview through Simple Distillation, Big Progress or Bitter Lesson?" arXiv: 2411.16489 v1, 2024년 11월 25일(2026년 11월 18일 열람). 상하이교통대·SII·뉴욕대·GAIR. §2.3·§3 주 실험, §4 이중언어 데이터 구성과 Table 2, §5 Technical Transparency Index와 Table 3·4, §6 "The Bitter Lesson of Simple Distillation", 초록 각주의 약관 선언. 코드 github.com/GAIR-NLP/O1-Journey
  • 3.Mitchell, M. 외. "Model Cards for Model Reporting." FAT* 2019. arXiv: 1810.03993, DOI 10.1145/3287560.3287596 — 학습 데이터를 모델 카드 표준 항목으로 제안한 원 논문. 권고일 뿐 강제력은 없다.
  • 4.Stalnaker, T. 외 6인. "An Empirical Analysis of Machine Learning Model and Dataset Documentation, Supply Chain, and Licensing Challenges on Hugging Face." arXiv: 2502.04484 — 허브 전수 감사. 베이스 모델과 데이터셋 필드가 자진 신고라 기재가 들쭉날쭉하다는 결과. 양자화 모델의 베이스 모델 필드 미기재, 데이터셋 자리에 모델 이름이 들어간 사례 1,416건.

1차 — 정부·제도

  • 5.NSA·CISA·FBI. "China-Based Artificial Intelligence Companies Conducting Industrial-Scale Distillation Campaigns Against U.S. AI Companies." Joint Cybersecurity Advisory AA26-251A, 2026년 9월 8일. cisa.gov — 여섯 곳 명단, "the critical core of it", 2024년 말 이후 수십억 토큰, API 프록시 회색시장("transfer stations").
  • 6.U.S. Department of Commerce, Bureau of Industry and Security. "Addressing Remote Access to Advanced Semiconductors." Interim Final Rule, RIN 0694-AK50, 2026년 11월 16일 — 대상 5개국, 합산 1,200만 TPP 문턱, 연방관보 게재 2026년 11월 19일 예정이며 게재일에 발효.
  • 7.Bessent, S. X 게시글, 2026년 7월 22일 — "covert, industrial-scale distillation attacks that cross the line into IP theft" 조건 아래의 제재·수출통제 명단 지정 예고.
  • 8.중국 공업정보화부 외 7개 부처. 《"人工智能+制造"专项行动实施意见》, 2026년 1월 — 로이터가 증류 지지 지침이 포함돼 있다고 적은 정책 묶음. 해당 대목은 이 글이 중국어 원문에서 확인하지 못했다.
  • 9.European Commission. "Explanatory Notice and Template for the Public Summary of Training Content for GPAI models"(EU 인공지능법 제53조(1)(d)), 2025년 7월 24일 확정, 2025년 8월 2일 시행 — 데이터 출처를 범주로 공개하게 하며 합성 데이터의 교사 모델까지는 요구하지 않는다.

1차 — 모델 카드

2차

  • 13.AI타임스. "중국, 美 AI '증류' 산업화…자동 수집·전담 인력 투입." 2026년 11월 17일 — 같은 보도의 국내 전달. 이 글이 본 2차 보도 가운데 5,000건이 부가 실험이라는 점이나 채점표를 짚은 곳은 없었다.
  • 14.논문 독립 리뷰 요약(비공식 서비스, 2026년 11월 18일 조회) — Technical Transparency Index가 자가 채점이며 보고된 점수를 원고만으로는 검증할 수 없다는 지적. 기관이 낸 리뷰로 확인되지 않아 본문에서도 "한 독립 리뷰"로만 적었다.

페블러스 인접 글