Executive Summary

편집자의 노트. 이 글은 재현할 수 없는 도구로 하는 과학의 후속편이다. 앞 글이 "모델이 닫혀 있어 재현이 안 된다"를 다뤘다면, 이번 글은 "열려 있어도 누가 쓰느냐가 갈렸다"를 다룬다. 같은 시기에 쓴 미국 최강 오픈웨이트, 그런데 왜 중국에 밀릴까와는 축이 다르다. 그 글이 모델을 만드는 경쟁을 봤다면 이 글은 모델을 쓰는 분포를 본다. 두 글 모두 소버린 AI 시리즈에 속한다.

이 글을 지탱하는 네 수치

아래 네 수치가 이 글의 뼈대다. 앞의 셋은 오픈웨이트 사용의 현재 비중과 그 쏠림의 크기를 보여주고, 마지막 하나는 그 쏠림이 개방성 때문이 아니라는 것을 보여준다. 값이 비슷해 보여도 분모와 조건이 제각각이라, 본문에서는 하나씩 그 조건을 확인하며 따라간다.

출처: Dunivin, Z. O. (2026), Who Uses Open-Weight Models? China and the Shifting Geography of AI in Science, arXiv:2608.11090v1. 2026년 수치는 모두 1~6월 부분 연도.

이 연구가 무엇인지부터 정확히 해 두자. 2026년 8월 11일 arXiv에 올라온 Who Uses Open-Weight Models? China and the Shifting Geography of AI in Science는 독일 슈투트가르트대학 사회과학연구소의 Zackary Okun Dunivin이 단독으로 쓴 v1 프리프린트다. 동료심사는 아직 거치지 않았다. 대신 저자는 코드와 시드, 얼린 분류 결정, 체크섬을 담은 재현 자료를 함께 공개했다. 이 글의 모든 수치는 그 v1 본문과 부록에서 직접 확인한 것이다.

이 논문을 소개하는 요약문은 대개 "논문 2,100만 편 분석"이라는 표현으로 시작한다. 그런데 부록의 표본 구성표를 열어 보면 2,100만이라는 숫자는 분석 대상이 아니라 훑은 코퍼스의 크기다. 이 차이가 사소하지 않다. 규모를 130배 넘게 부풀리는 오독이기도 하지만, 무엇보다 이 연구의 실제 기여가 "얼마나 많이 봤나"가 아니라 "무엇을 걸러냈나"에 있기 때문이다.

1.12,100만에서 15만으로 좁혀지는 깔때기

출발점은 Semantic Scholar의 전문 코퍼스 S2ORC다. 스키마 전환기의 중복 레코드를 정리하면 고유 논문이 2,133만 8,177편 남는다. 여기서 다섯 단계를 거쳐 분석 대상이 확정된다. 각 단계에서 얼마나 떨어져 나가는지를 보면 이 연구가 어디에 공을 들였는지가 드러난다.

출처: arXiv:2608.11090v1, 부록 Table S1.

정확한 표현은 이렇다. 2,100만 편을 훑어 15만 7,446편을 골라냈다. 그리고 국가별 선택을 실제로 계산한 회귀 분석의 표본은 4만 8,129편이다. 코퍼스의 규모가 아니라 이 깔때기의 좁아지는 속도가 연구의 정직함을 보여준다.

1.2썼는가, 언급했는가

위 표에서 가장 큰 폭으로 걸러지는 두 단계가 이 연구의 실질적 기여다. 논문에 모델 이름이 나온다고 해서 그 논문이 그 모델을 쓴 것은 아니다. "우리는 GPT-4를 세 벤치마크에서 평가했다"는 사용이고, "선행 연구가 GPT-4를 평가한 바 있다"는 남의 사용을 소개한 것이며, "GPT-4는 다국어 능력을 갖췄다"는 단순한 존재 서술이다. 세 문장 모두 같은 이름을 담고 있지만 계측기 지도에 올라야 할 것은 첫 번째뿐이다.

저자는 이 판정을 과학 문헌으로 사전학습된 언어 모델 SciBERT를 미세조정해 처리했다. 정체성 판정 분류기의 정확도는 0.921, 저자 사용 판정 분류기는 정확도 0.89에 사용 클래스 F1이 0.93이다. 학습 과정에서 대상 모델명을 [TARGET_MODEL]이라는 자리표시자로 가려, 분류기가 특정 계열 이름을 외우는 대신 문맥만으로 판단하도록 강제했다. 은라벨을 만든 생성 모델은 DeepSeek-V4-Flash였고, 사람이 라벨을 매긴 150개 지문과 대조해 정체성 F1 0.970, 저자 사용 F1 0.943을 보고한다.

1.3"ChatGPT로 문장을 다듬었습니다"를 걷어내면

세 번째 분류기는 논문 말미의 AI 사용 공개진술을 겨냥한다. 저자가 150건을 직접 감사한 결과, 공개진술에 등장한 모델 언급의 71%는 원고 교정, 21%는 그 밖의 작업 흐름, 11%는 사용 없음이었고 과학적 계측기로 쓴 경우는 9%에 그쳤다. 한 번의 모델 언급이 여러 용도를 동시에 가리킬 수 있어 이 범주들은 서로 배타적이지 않고, 그래서 합이 100을 넘는다. 이 필터로 1만 1,080편이 탈락했는데, 탈락한 논문과 계열의 쌍 가운데 72.3%가 ChatGPT였다.

1.4이 논문에서 "오픈"은 무슨 뜻인가

용어 하나를 미리 못 박아 둬야 한다. 이 연구에서 오픈웨이트는 "학습된 파라미터를 내려받거나 로컬에서 실행할 수 있는 릴리스"만을 뜻한다. 저자는 이 표시가 학습 데이터나 학습 코드, 필터링 절차, 라이선스가 오픈소스 기준을 충족한다는 뜻이 아니라고 본문에 직접 적었다. 반대편의 독점형은 파라미터가 공개되지 않고 접근이 제공자 통제 아래 있는 릴리스다. 다운로드 가능한 릴리스와 통제된 릴리스가 섞인 혼합 계열은 자동으로 오픈웨이트에 넣지 않고, 릴리스 단위 규칙이나 논문 단위 근거가 있을 때만 확정한다.

사전은 모델 어근 159개를 98개 계열로 묶어 만들었다. 접근 체제와 개발사 국적은 AI 에이전트가 1차로 코딩하고 저자가 검증했는데, 설계상 중요한 순서가 하나 있다. 접근 체제 코딩은 이름 인식 이후에 수행된다. 어떤 모델이 열려 있는지에 대한 가정이 추출 단계 자체를 흔들지 않도록 분리한 것이다. 5장에서 다시 보겠지만, 이 좁은 정의는 결론까지 그대로 이어진다. 가중치가 열려 있다는 사실 하나로 이 논문이 말할 수 있는 것은 생각보다 적다.

이 연구에서 가장 널리 인용되는 수치는 44.0%다. 2026년 1월부터 6월까지 발표된 단일 계열 논문 1만 6,125편 가운데 오픈웨이트 모델을 쓴 비중이다. 단일 계열 논문이란 모델을 딱 한 계열만 쓴 논문을 말한다. 여러 계열을 벤치마크로 비교하는 기초 연구가 아니라 도구 하나를 골라 문제를 푸는 응용 연구에 가깝고, 그래서 "연구자가 무엇을 골랐나"를 읽기에 적합하다. 참고로 이 연구의 코퍼스는 2026년 6월까지라, 2026년 수치는 모두 반년치다. 연간 확정치로 읽으면 안 된다.

다만 이 프록시는 거칠다. 저자가 근거로 드는 것은 분야 구성의 차이 하나다. OpenAlex 주제가 붙은 논문을 기준으로 단일 계열 논문은 55.9%가 컴퓨터과학을 주 주제로 삼는데, 복수 계열 논문에서는 그 비율이 70.9%다. 여러 모델을 나란히 놓고 재는 쪽이 컴퓨터과학 안쪽에 더 몰려 있다는 뜻이다. 저자도 이 대비를 "단일 계열 논문이 기초 연구보다 응용 연구를 대표할 가능성이 높다는 가정과 부합한다"는 선에서 멈춘다. 응용과 기초를 가르는 분류가 아니라 그쪽을 가리키는 표지로 읽는 편이 맞다.

2.1계열별로 펼쳐 보면 다른 그림이 나온다

44.0%라는 합계는 오픈웨이트 계열 전체의 합집합이다. 이 합계를 계열별로 풀면 안에서 무슨 일이 일어났는지가 보인다. 아래는 2026년 상반기 단일 계열 논문에서 각 계열이 차지한 비중이다.

오픈웨이트 44.0% 안에서 Qwen 혼자 22.0%를 가져간다. 오픈웨이트를 고른 논문만 놓고 보면 49.9%가 Qwen이고, 중국산 모델 전체로 넓히면 60.5%다. 논의 절에서 저자는 이를 "약 61%, 그중 83%가 Qwen"으로 반올림해 표현한다. 그러니 지난 3년 사이 벌어진 일을 "오픈웨이트로의 이동"이라 부르는 것은 절반만 맞다. 계측 결과에 더 가까운 표현은 "Qwen으로의 이동"이다.

2.2GPT의 우위와 오픈웨이트의 상승은 동시에 참이다

같은 표에서 GPT 계열은 44.2%다. 오픈웨이트 합계 44.0%와 값이 거의 같아 헷갈리기 쉬운데, 두 숫자는 분모가 같은 배타적 두 집단이다. 단일 계열 논문은 정의상 계열을 하나만 쓰므로, GPT를 쓴 논문과 오픈웨이트를 쓴 논문은 겹치지 않는다. 즉 2026년 상반기의 응용 연구는 GPT 진영과 오픈웨이트 진영으로 거의 반씩 갈렸다. 우연히 같은 값이 나온 것이 아니라 실제로 반반이다.

다만 GPT가 밀려난 것은 아니다. 2023년 단일 계열 논문에서 GPT 계열은 80.9%였다. 3년 만에 반토막이 났지만 여전히 최대 단일 계열이고, 여러 계열을 함께 쓰는 복수 계열 논문에서는 64.6%로 Qwen(62.1%)과 사실상 동률이다. 벤치마크를 돌리는 기초 연구는 GPT와 Qwen을 나란히 놓고, 도구를 하나만 고르는 응용 연구는 둘 중 하나로 갈린다. 이 두 그림이 함께 성립한다.

2.3Llama와 Mistral은 열어 둔 채로 밀려났다

오픈웨이트의 상승분을 중국산 계열이 가져갔다는 말은, 뒤집으면 서구 오픈웨이트가 자리를 잃었다는 뜻이다. 실제로 그렇다. 단일 계열과 복수 계열을 나란히 놓으면 후퇴의 폭이 보인다.

단일 계열 분모 16,125편, 복수 계열 분모 29,000편. 복수 계열은 한 논문이 여러 계열을 쓰므로 합이 100을 넘는다. 출처: arXiv:2608.11090v1, Table 1.

Llama는 단일 계열에서 2025년 12.0%로 정점을 찍고 8.6%로 내려왔다. 복수 계열에서는 2024년 58.7%에서 41.3%로 밀렸다. Mistral의 낙폭은 더 크다. 복수 계열 20.6%에서 12.1%로, 단일 계열에서는 0.8%까지 내려갔다. 반대로 gpt-oss(0.7%)와 Kimi(0.1%)가 바닥에 붙어 있는 것은 후퇴가 아니라 시차다. 둘 다 2025년 하반기 이후에 나왔고 논문의 출판 시차를 감안하면 아직 반영될 시간이 없었다. 저자도 이 두 계열의 상승을 예상한다고 본문에 적었다.

회귀 분석의 표본은 단일 계열 논문 가운데 제1저자와 교신저자의 소속국이 확인된 4만 8,129편이다. 이 표본에서 중국 기관 소속 논문이 28.9%, 중국계 이름이지만 중국 밖 기관에 소속된 논문이 11.5%, 중국과 연결이 없는 논문이 59.6%를 차지한다. 종속 변수는 "이 논문이 오픈웨이트를 골랐는가"이고, 모든 모델에 게재일을 자유도 4의 자연스플라인으로 넣어 시점 효과를 통제했다.

3.12.87에서 2.13으로 내려앉은 이유

저자는 모델을 세 개 돌리고 셋을 모두 보고한다. 이 순서가 중요하다.

세 모델은 변수를 하나씩 더해 가며 쌓인다. 모델 1은 게재 시점 스플라인 위에 중국 기관 소속 여부만 얹는다. 모델 2는 여기에 83개 세부분야 랜덤절편을 넣어 "어느 분야에 발표했는가"를 흡수한다. 모델 3은 중국 연결을 서로 겹치지 않는 세 집단으로 나눠, 중국계 이름이면서 중국 밖에 소속된 논문을 비교 기준에서 떼어낸다. 그래서 모델 3의 승산비가 2.13에서 2.23으로 조금 올라간 것은 효과가 커졌다기보다 비교 대상이 중국 연결이 전혀 없는 논문으로 좁아진 결과로 읽는 편이 자연스럽다.

n = 48,129. 대괄호는 95% 신뢰구간. 출처: arXiv:2608.11090v1, Table 2.

세부분야를 통제하지 않은 모델 1에서 승산비는 2.87이다. 83개 세부분야에 랜덤절편을 넣자 2.13으로 내려앉는다. 이 하락이 뜻하는 바는 분명하다. 중국 소속 연구자들이 오픈웨이트를 선호하는 분야에 상대적으로 더 많이 발표하고 있었다는 것이다. 즉 원시 격차의 4분의 1가량은 국적이 아니라 분야 구성에서 온 것이다. 저자가 이 하락을 감추지 않고 세 모델을 모두 실어 둔 대목에서 이 논문의 지적 정직성이 읽힌다.

이름 변수까지 넣은 모델 3에서 최종 승산비는 2.23, 신뢰구간은 2.12에서 2.34다. 중국계 이름이면서 중국 밖 기관에 소속된 논문의 승산비는 1.23으로, 있기는 하되 훨씬 작다. 이것은 연관이지 인과가 아니다. "국적이 모델 선택을 결정했다"고 쓸 근거는 이 논문 어디에도 없다. 저자 자신도 결정 주체를 국적이 아니라 플랫폼과 시장, 사회문화적·지정학적 맥락에 둔다.

3.2늘어난 23.1%p는 누가 만들었나

더 흥미로운 것은 현황이 아니라 증가분이다. 회귀 표본에서 오픈웨이트 채택률은 2023년 12.8%에서 2026년 상반기 35.8%로 올랐다. 총 23.1%p의 증가분을 집단별로 분해하면 이렇게 갈린다.

분해는 두 축으로 이뤄진다. 하나는 각 집단 안에서 채택률 자체가 오른 몫이고, 다른 하나는 표본에서 각 집단이 차지하는 비중이 달라진 몫이다. 전체로 보면 집단 내 상승이 23.9%p, 표본 구성 변화가 −0.8%p다. 늘어난 것은 사실상 전부 같은 집단이 예전보다 더 많이 골랐기 때문이지, 특정 집단의 논문 수가 불어나서가 아니다. 아래 막대는 두 축을 합친 집단별 순기여를 보여준다.

중국 기관 소속 논문의 기여분은 10.2%p다. 전체 증가분 23.1%p로 나누면 44.0%가 되고, 초록이 말하는 "증가분의 44%"가 이것이다. 그런데 이 지점에서 이 연구를 읽는 사람이 가장 자주 미끄러진다. 44라는 값이 서로 다른 세 곳에서 나오기 때문이다.

중국계 이름이면서 중국 밖에 소속된 논문의 3.7%p까지 더하면 중국 연결 논문의 기여는 13.9%p, 증가분의 60.2%가 된다. 이 집단이 표본에서 차지하는 비중은 38.9%다. 표본의 5분의 2가 증가분의 5분의 3을 만들었다. 참고로 이 분해의 분모인 35.8%는 앞 절의 44.0%와 다른 수치다. 회귀 표본은 소속국이 확인된 논문만 남긴 부분집합이고, 뒤에서 보겠지만 소속 정보는 오픈웨이트 논문에서 더 많이 비어 있어 채택률이 체계적으로 낮게 잡힌다.

3.3저자가 개방성 가설을 직접 기각한다

여기까지 보면 자연스러운 해석이 하나 떠오른다. 중국 연구자들이 개방성을 더 중시한다는 것. 저자는 이 해석을 검증할 수 있는 형태로 바꿔 놓고 데이터에 물었다. 만약 개방성 자체가 이 패턴을 만들었다면, 중국 소속 논문은 비중국 오픈웨이트도 더 많이 골라야 한다. 이를 확인하려고 선택지를 셋으로 나눈 다항 모델을 돌린다. 독점형, 중국산이 아닌 오픈웨이트, 중국산 오픈웨이트. 세부분야 분포로 표준화한 조정 확률의 결과는 아래와 같다.

중국 기관 소속 논문이 중국산 오픈웨이트를 고를 조정 확률은 2023년 2.2%에서 2026년 상반기 37.1%로 올랐다. 같은 기간 중국 연결이 없는 논문은 0.3%에서 9.2%로 올랐다. 격차는 1.9%p에서 27.9%p로 벌어졌다. 이 9.2%는 앞 절 분해에 나온 9.2%p와 값만 같을 뿐 다른 양이다. 저쪽은 증가분에 대한 기여이고 이쪽은 선택 확률이다. 여기까지는 예상대로다.

3.4소속 정보는 하필 오픈웨이트 논문에서 더 비어 있다

이 연구에서 가장 흥미로운 한계는 모델 쪽이 아니라 메타데이터 쪽에 있다. 저자 소속국은 OpenAlex에서 가져오는데, 이 정보가 관측 대상에 따라 다른 비율로 비어 있다. 그것도 발견이 놓인 자리에서 가장 많이 비어 있다.

제1저자와 교신저자의 소속국을 확인할 수 있는 비율을 논문 유형별로 보면 이렇다.

전체 논문의 77.1%에서 소속국이 확인되는데, 독점형 모델을 쓴 논문에서는 82.1%로 올라가고 오픈웨이트를 쓴 논문에서는 65.9%로 떨어진다. Qwen을 쓴 논문은 49.6%, 2026년에 발표된 Qwen 논문은 39.5%다. 연도별로도 같은 패턴이 보인다. 2023년에는 중국계 이름 논문의 커버리지가 92.9%로 그 밖의 논문(91.1%)보다 오히려 높았지만, 2026년에는 62.8% 대 77.2%로 역전된다.

정리하면 이 연구의 계측기는 가장 최신이고, 가장 오픈웨이트를 많이 쓰고, 가장 중국계인 논문에서 가장 많이 눈을 감는다. 저자는 이를 숨기지 않고 완전 무작위 결측이 아니라고 명시하며, 분해 결과의 구성 성분이 음수(−1.9%p)로 나온 것을 "중국 소속 논문의 모집단 비중이 줄었다는 증거로 읽지 말라"고 경고한다. 그리고 민감도 분석을 붙인다. 저자의 최종 소속까지 허용해 결측을 메우면 승산비는 2.23에서 2.19로 움직이고, 분해의 10.2%p는 그대로다. 결론은 흔들리지 않되 정밀도의 한계는 분명하다는 것이 정직한 요약이다.

학술 메타데이터의 커버리지가 균일하지 않다는 문제는 이 논문만의 사정이 아니다. 페블러스도 OpenAlex가 제공하는 4.7억 편의 논문 데이터를 다루면서 같은 결을 짚은 적이 있다. 다른 점이 있다면, 이 연구의 저자는 자기 계측기의 시야가 어디서 어두워지는지를 측정해서 숫자로 남겼다는 것이다.

연구자가 무엇을 골랐는지를 보려면 그가 무엇을 고를 수 있었는지부터 봐야 한다. 오픈웨이트 사용이 늘어난 3년은 동시에 쓸 만한 오픈웨이트 모델이 쏟아진 3년이기도 했다. 다만 쏟아진 방향이 한쪽으로 기울었다.

4.1가중치 공개는 한쪽으로 몰려서 일어났다

아래는 논문의 관측 기간과 겹치는 주요 공개 사건이다. 중국 쪽과 서구 쪽을 같은 축에 올려 두면 밀도의 차이가 눈에 들어온다.

가장 촘촘한 구간은 2024년 9월부터 2025년 4월까지의 여덟 달이다. Qwen2.5, DeepSeek-V3, DeepSeek-R1, Qwen3가 이 사이에 연달아 나왔고 그중 Qwen3는 Apache 2.0, DeepSeek-R1은 MIT였다. 같은 3년 동안 서구에서 이에 견줄 규모의 가중치 공개는 Gemma와 Llama 4, gpt-oss 셋이다. 2장에서 본 2026년 상반기 분포는 이 타임라인의 앞쪽까지만 반영한 결과다. gpt-oss와 Kimi가 아직 바닥에 붙어 있는 이유도 여기에 있다.

각 항목은 2026년 8월 13일 기준으로 공식 발표를 재확인한 것이다.

여기서 한 가지 유의할 점이 있다. Qwen 카탈로그는 혼합이다. Apache 2.0과 소스 공개형 Qwen License, 비상업 Qwen Research License가 공존하고 최상위 모델은 API 전용이다. 앞서 본 논문의 규칙, 즉 혼합 계열을 자동으로 오픈웨이트에 넣지 않고 릴리스 단위로 확정한다는 원칙이 그래서 필요했다. 계열 이름 하나로 개방성을 판정할 수 없는 시장이 이미 만들어져 있다.

4.2가중치를 여는 것만으로는 부족했다

Llama도 Mistral도 가중치는 열려 있었다. 그런데 2장에서 봤듯 둘 다 논문에서 자리를 잃었다. 저자는 논의 절에서 이 대조를 정면으로 다룬다.

"The contrasting trajectories of Qwen and DeepSeek on one hand and Llama and Mistral on the other suggest that releasing weights translates into scientific use only when attached to a competitive technical and economic package. Open release is itself an industrial strategy."

한쪽의 Qwen·DeepSeek과 다른 쪽의 Llama·Mistral이 서로 다른 궤적을 그렸다는 사실은, 가중치 공개가 경쟁력 있는 기술적·경제적 묶음에 붙어 있을 때에만 과학적 사용으로 이어진다는 것을 시사한다. 공개 그 자체가 하나의 산업 전략이다.

Dunivin (2026), Discussion

저자의 진단은 이어진다. 연구자는 개방성이나 폐쇄성을 추상적으로 고르지 않는다. 능력과 가격, 언어 성능, 기관 요인이 묶인 시스템 중에서 고른다. 그러므로 오픈웨이트의 성장은 과학자들의 방법론적 가치관이 바뀐 결과라기보다 모델 생산자들 사이의 경쟁을 반영한 것일 수 있다는 것이다.

4.3고를 수 있는 것의 조건이 계열마다 달랐다

라이선스 조건도 계열마다 꽤 다르다. Llama 커뮤니티 라이선스는 Llama 2 이래로 몇 가지 제약을 유지한다. 직전 달 월간 활성 사용자 7억 명을 넘는 기업은 메타에 별도 허가를 요청해야 하고 메타가 재량으로 거부할 수 있으며, 이용정책상 EU 소재 개인과 법인은 배제된다. 여기에 "Built with Llama" 표기 의무, 파생 모델명을 Llama로 시작해야 하는 규칙, 출력물로 경쟁 기반모델을 개선하지 못하게 하는 조항, 특허 보복 조항이 붙는다. OSI는 Llama를 오픈소스로 인정하지 않는다. 반면 Qwen3와 gpt-oss는 Apache 2.0이고, DeepSeek-R1은 MIT다.

이 비대칭이 Llama의 후퇴를 만들었다고 말할 수는 없다. 이 논문은 라이선스를 변수로 넣지 않았고, 여기서 확인되는 것은 연구자가 고를 수 있는 것의 조건이 계열마다 달랐다는 사실까지다. 가중치 공개를 데이터 주권의 문제로 읽는 관점은 오픈웨이트 Kimi K3, 데이터 주권의 조건은 인프라였다에서 따로 다뤘다.

오픈웨이트를 쓰라는 권고의 근거는 처음부터 재현성이었다. 가중치를 손에 쥐고 있으면 같은 결과를 다시 얻을 수 있으리라는 기대다. 저자는 논의 절에서 그 기대가 실제로 성립하는지를 직접 따져 본다.

"Downloadable parameters enable local execution, preservation, adaptation, and reduced exposure to unilateral API changes, but they do not make models transparent in the ordinary scientific sense."

내려받을 수 있는 파라미터는 로컬 실행과 보존, 적응, 그리고 API의 일방적 변경으로부터의 보호를 가능하게 한다. 그러나 통상적인 과학적 의미에서 모델을 투명하게 만들지는 않는다.

Dunivin (2026), Discussion

저자는 세 가지를 이유로 든다. 학습 데이터와 개발 절차는 여전히 공개되지 않는 경우가 많고, 모델의 행동은 설명하기가 극히 어려우며, 기술적으로 재현이 가능하다는 사실이 재현할 유인을 만들지도 재현이 실제로 일어나게 하지도 않는다는 것이다. 마지막 조건은 특히 뼈아프다. 공개된 코드조차 절반은 다시 돌아가지 않는다는 사실을 우리는 공개된 논문 코드, AI 에이전트가 돌리니 절반은 실패했다에서 이미 확인한 바 있다.

5.1같은 가중치를 쥐고도 결과는 갈린다

"우리는 오픈웨이트 모델을 썼다"는 한 줄로는 3년 뒤 같은 결과를 얻을 수 없다. 같은 가중치 파일을 손에 쥐고도 결과가 갈리는 지점이 여럿 있기 때문이다. 아래는 논문의 방법 절에 남겨야 최소한의 재현이 가능해지는 항목들이다.

• 체크포인트 식별자와 개정판. 같은 이름의 모델이 조용히 갱신되는 일은 드물지 않다. 리포지터리 리비전 해시까지 적어야 특정된다.
• 양자화 방식. 4비트로 돌린 결과와 16비트로 돌린 결과는 같은 가중치에서 나와도 같지 않다.
• 서빙 스택과 버전. 추론 엔진이 무엇이고 어느 버전인지에 따라 커널과 수치 처리가 달라진다.
• 디코딩 파라미터. 온도, top-p, 반복 페널티, 최대 토큰 수. 온도 0이라고 적는 것만으로도 재현 가능성이 크게 올라간다.
• 난수 시드. 샘플링과 데이터 분할 양쪽에 필요하다.
• 프롬프트 원문. 요약이 아니라 실제로 모델에 들어간 문자열 전체.

이 목록은 가중치가 열려 있느냐와 무관하다. 독점형 API를 썼든 오픈웨이트를 로컬에서 돌렸든 똑같이 필요하다. 오픈웨이트가 주는 것은 이 기록을 남길 가능성이지 기록 그 자체가 아니다.

5.2이 논문 자신이 모범 사례다

재미있게도 이 논문은 자기가 지적한 문제에 대한 답을 스스로 실연해 보인다. 공개 저장소에는 추출용 모델 사전, 후보 발생 361만 9,386건의 텍스트 없는 관계형 데이터, LLM 프롬프트와 구조화된 주석, 수작업으로 분류한 평가 데이터, 고정된 학습·검증 분할, 그리고 소프트웨어 사양과 난수 시드가 들어 있다. 시드는 세 군데에 명시돼 있다. SciBERT 학습과 폴드 배정에 13, 조정 확률 500회 추출에 20260710, 분해 부트스트랩 2,000회에 20260630이다.

더 눈여겨볼 것은 두 가지다. 첫째, 간소 워크플로가 얼린 분류 결정에서 출발해 통계 결과를 재현하고, 나온 표본 수와 표·그림·모델 출력을 보고된 값과 자동으로 대조한다. 둘째, 미세조정한 SciBERT 체크포인트 세 개를 체크섬과 모델 카드를 붙인 버전 관리 릴리스 자산으로 배포하고, SciBERT 기반 모델의 정확한 리비전을 함께 적었다. 논문 전문을 재배포할 수 없는 저작권 제약 아래에서도 문서 식별자와 문서 내 위치를 남겨 측정 과정 자체를 다시 들여다볼 수 있게 했다.

5.3열려 있어도 문제는 남는다

페블러스는 앞서 재현할 수 없는 도구로 하는 과학에서 모델이 닫혀 있어 검증이 성립하지 않는 상황을 다뤘다. 그때의 진단은 "닫혀 있어서 문제"였다. 이번 연구가 보여준 것은 그 다음 국면이다. 열린 가중치가 재현으로 이어지려면 기록이 따라야 하고, 어떤 열린 가중치를 고르느냐는 개방성보다 생태계가 정한다.

같은 결의 질문을 다른 각도에서 던진 연구도 있다. 이 논문이 참고문헌 8번으로 인용한 Evans 팀의 Nature 연구는 AI 도구가 과학자 개인은 강하게, 과학 전체는 좁게 만들었다는 결론을 4,130만 편에서 끌어냈다. 한쪽은 AI가 과학의 폭을 어떻게 바꿨는지를, 다른 쪽은 그 AI가 어디서 온 것인지를 센 셈이다. 두 연구를 겹쳐 놓으면 질문이 하나 더 생긴다. 과학의 주제가 좁아지는 동안, 그 좁아짐을 계측한 도구마저 한 생태계로 좁아지고 있다면 어떻게 되는가.

한국이 이 지도에 없는 것은 우연이 아니라 설계다. 이 연구의 축은 미국과 중국이고, 이름 기반 분류기에는 오탐을 줄이려고 한국계 성씨를 억제하는 규칙이 들어 있다. 김·이·박 같은 성씨가 중국계로 잘못 잡히는 일을 막기 위한 장치다. 저자는 이름 분류가 잡음 지표임을 분명히 하며, 국적이나 시민권, 민족, 자기 정체성, 거주지를 식별하지 않는다고 명시한다. 즉 한국 연구자는 이 계측기에서 중국이 아닌 쪽으로 뭉뚱그려질 뿐, 별도의 좌표를 갖지 않는다.

6.1한국 논문은 어떤 모델을 언급하나

원 논문의 방법을 한국에 적용하려면 전문 코퍼스와 사용·언급 분류기가 필요한데, 공개 API로는 거기까지 가지 못한다. 대신 훨씬 거친 대체 지표를 만들 수는 있다. OpenAlex에서 국가별 AI 논문 중 특정 모델명이 본문 어딘가에 등장한 비율이다. 2026년 8월 13일 기준으로 질의한 결과는 아래와 같다.

OpenAlex Works API 직접 질의, 2026-08-13. 모집단은 2023~2026년 AI 개념 태그가 붙은 논문으로 한국 72,425편, 중국 875,729편. GLM은 통계 용어 generalized linear model과, Solar는 태양광 연구와 문자열이 충돌해 이 표에서 제외했다.

한국 AI 논문의 Llama 언급률은 중국의 약 두 배이고, 중국산 모델 쪽은 비슷하거나 오히려 낮다. 원 논문이 중국에서 찾아낸 자국 모델 쏠림을 한국은 보이지 않는다는 방향성 신호로 읽을 수는 있다. 다만 세게 주장할 수 없는 이유가 세 가지다. 첫째, 이것은 언급이지 사용이 아니다. 원 논문이 두 개의 분류기를 동원해 갈라낸 바로 그 구분이 여기에는 없다. 둘째, 소속 국가를 귀속하는 방식이 다르다. 원 논문은 제1저자와 교신저자만 보지만 OpenAlex 질의는 모든 저자의 소속 기관을 매칭한다. 셋째, 자국 모델 언급률이 0.05%에도 못 미쳐 비교의 기반 자체가 얇다. 교차 검증도 하지 못했다. 단일 출처의 거친 지표라는 조건을 붙여야만 쓸 수 있는 숫자다.

6.2산출에는 있고 컴퓨트에는 없다

다른 지표에서는 한국도 지도에 나타난다. 스탠퍼드 HAI의 AI Index 2026 1장에 따르면 2025년 주목할 만한 AI 모델은 미국 59건, 중국 35건, 한국 8건이고 캐나다·프랑스·홍콩·싱가포르·영국이 각 1건으로 뒤를 잇는다. 같은 보고서의 2024년 기준 인구 10만 명당 AI 특허는 한국이 14.31건으로 세계 1위다. 룩셈부르크 12.25건, 중국 6.95건, 미국 4.68건이 그 뒤다.

그런데 Epoch AI가 집계한 2025년 5월 기준 국가별 AI 슈퍼컴퓨터 성능 점유에서는 미국이 74.5%, 중국이 14.1%를 차지하고 한국은 이름이 오르지 않는다. 산출과 밀도 지표에는 등장하는데 컴퓨트 점유율 표에는 부재한다. 오픈웨이트 선택이 자원 제약과 얽혀 있다면, 이 대비가 시사하는 바를 가볍게 넘기기 어렵다. 다만 이 역시 추론이지 계측이 아니라는 점은 분명히 해 두자.

6.3성능이 가장 앞선 국내 모델은 비상업 라이선스다

4장에서 본 "고를 수 있는 것의 조건"을 국내 모델에 적용하면 또 다른 결이 보인다. 아래는 가중치를 공개한 국내 주요 모델 넷을 상업 이용 조건으로 정리한 것이다. 연구용으로 내려받는 일과 그 결과를 제품에 넣는 일 사이에 어떤 문턱이 있는지를 보면, 같은 "공개"라는 말이 계열마다 다른 폭을 뜻한다는 사실이 드러난다.

2026년 8월 13일 기준 공개 라이선스 조건. 이후 발표된 EXAONE 후속 계열의 조건은 별도 확인이 필요하다.

이 대비는 4장에서 본 구도를 국내에서 그대로 되풀이한다. 가중치를 여는 것과 그 가중치가 널리 쓰이게 만드는 것은 다른 일이다. 이 문제를 국가 단위 전략의 관점에서 정리한 논의는 소버린 AI 시리즈에 모아 두었다.

페블러스는 데이터가 모델에 들어가기 전 상태를 다룬다. 그래서 이 연구가 던지는 질문이 남 얘기로 들리지 않는다. 데이터를 다듬는 일 앞에 질문이 하나 더 서기 때문이다. 그 데이터를 무엇으로 읽었는가.

7.1모델 선택은 실험 설정이 아니라 계보의 한 항목이다

데이터 파이프라인 안에서 LLM은 이미 도구가 아니라 부품이다. 라벨을 붙이고, 분류하고, 품질을 판정하고, 합성 데이터를 만든다. 그런데 데이터셋의 이력은 꼼꼼히 남기면서 그 데이터를 처리한 모델의 이력은 "GPT-4를 썼습니다" 한 줄로 끝나는 경우가 흔하다. 데이터의 계보를 추적하는 일이 의미를 가지려면 그 데이터를 만지고 지나간 모델의 좌표도 같은 정밀도로 남아야 한다. 모델 선택을 실험 설정 항목이 아니라 계보의 한 항목으로 옮기는 것. 5장의 체크리스트가 그 최소 단위다.

7.2결측을 채우지 말고 어디가 비었는지를 남겨야 한다

3장의 결측 구조는 데이터 품질 실무의 교과서 같은 사례다. 소속 정보의 결측이 최신 논문, 오픈웨이트 논문, 중국계 이름 논문에 몰려 있어서 계측기의 시야가 관측 대상에 따라 달라졌다. 커버리지가 균일하지 않다는 사실을 모른 채 회귀 계수만 받아 들면 그 계수는 자기가 못 본 것을 모른다. 저자는 그 편차를 측정해서 숫자로 공개했고, 민감도 분석으로 결론이 얼마나 흔들리는지까지 보여줬다. 데이터 품질 진단이 하는 일이 정확히 이것이다. 값을 채우는 것이 아니라 어디가 비어 있고 그 비어 있음이 어느 방향으로 기울었는지를 남기는 것.

7.3"오픈웨이트를 씁니다"는 감사에 대한 답이 못 된다

규제와 감사가 모델 계보를 요구하기 시작하면 이 문제는 서류의 문제가 된다. AI 부품 명세를 요구하는 흐름이나 EU AI Act의 문서화 의무 앞에서 "우리는 오픈웨이트 모델을 씁니다"는 답변이 되지 못한다. 요구되는 것은 어떤 가중치를, 어떤 버전으로, 어떤 환경에서 돌렸는가이고, 그 답은 사후에 복원할 수 없다. 실행 시점에 남기지 않으면 영영 남지 않는다. 개방성은 이 기록을 가능하게 할 뿐 대신해 주지 않는다.

7.4주권 논의는 만드는 쪽만 세어 왔다

소버린 AI를 둘러싼 논의는 대체로 "누가 모델을 만드느냐"에 머물러 왔다. 이 연구는 그 위에 다른 층을 얹는다. 누가 쓰느냐는 이미 갈렸고, 그것도 계측 가능한 형태로 갈렸다는 것이다. 자국 모델을 몇 개 만들었는지가 아니라 자국 연구자가 실제로 무엇을 계측기로 쓰는지가 주권의 지표라면, 한국에는 아직 그 지표가 없다. 6장이 남긴 공백이 그것이다. 데이터 주권을 말할 때 근거가 정책 선언이 아니라 계측된 사용 분포가 되는 편이 낫다고 우리는 생각한다.

이 글의 모든 수치는 1차 출처인 arXiv:2608.11090v1의 본문과 부록에서 직접 확인했다. 아래는 그 1차 출처, 원 논문이 방법론과 논지의 근거로 인용한 학술 문헌, 6장에서 쓴 정책·통계 자료, 그리고 같은 주제를 다룬 페블러스의 인접 글을 묶은 것이다.

1차 출처

• 1.Dunivin, Z. O. (2026). Who Uses Open-Weight Models? China and the Shifting Geography of AI in Science. arXiv:2608.11090v1 [cs.CY], 2026-08-11. Institute for Social Sciences, University of Stuttgart.
• 2.Dunivin, Z. O. (2026). who-uses-open-weights. 재현 저장소 (모델 사전, 후보 발생 데이터, 프롬프트, 시드, 분류기 체크포인트와 체크섬).

방법론·데이터 인프라 (학술)

• 3.Lo, K., Wang, L. L., Neumann, M., Kinney, R., & Weld, D. S. (2020). S2ORC: The Semantic Scholar Open Research Corpus. ACL 2020, 4969–4983.
• 4.Priem, J., Piwowar, H., & Orr, R. (2022). OpenAlex: A fully-open index of scholarly works, authors, venues, institutions, and concepts. arXiv:2205.01833.
• 5.Beltagy, I., Lo, K., & Cohan, A. (2019). SciBERT: A pretrained language model for scientific text. EMNLP-IJCNLP 2019, 3615–3620.

개방성·재현성 논의 (학술)

• 6.Liesenfeld, A., & Dingemanse, M. (2024). Rethinking open source generative AI: Open-washing and the EU AI Act. ACM FAccT 2024, 1774–1787.
• 7.Kapoor, S., et al. (2024). On the societal impact of open foundation models. ICML 2024.
• 8.Hao, Q., Xu, F., Li, Y., & Evans, J. A. (2026). Artificial intelligence tools expand scientists' impact but contract science's focus. Nature, 649, 1237–1243. 원 논문이 참고문헌 8번으로 인용한 연구.
• 9.Bommasani, R., et al. (2023). The Foundation Model Transparency Index. arXiv:2310.12941.
• 10.Open Source Initiative. (2024). The Open Source AI Definition 1.0.
• 11.National Academies of Sciences, Engineering, and Medicine. (2019). Reproducibility and Replicability in Science. The National Academies Press.

정책·통계

• 12.Meinhardt, C., et al. (2025). Beyond DeepSeek: China's diverse open-weight AI ecosystem and its policy implications. Stanford HAI / DigiChina.
• 13.Chahal, H., et al. (2026). Open models, soft power, and the spectrum of U.S.–China artificial intelligence competition. RAND, PEA4686-1.
• 14.OECD. (2025). AI openness: A primer for policymakers. OECD AI Papers No. 39.
• 15.Stanford HAI. (2026). AI Index Report 2026, Chapter 1: Research and Development. 국가별 notable AI 모델 수(2025), 인구 10만 명당 AI 특허(2024).
• 16.Epoch AI. AI supercomputers performance share by country. 2025-05 기준.
• 17.OpenAlex Works API 직접 질의 (2026-08-13). 국가별 AI 논문 내 모델명 언급 건수. 질의 조건은 본문 6.1절 각주 참조.

페블러스 인접 글

• 18.페블러스. 재현할 수 없는 도구로 하는 과학. 이 글의 전편.
• 19.페블러스. AI가 과학자 개인은 강하게, 과학 전체는 좁게 만들었다. 원 논문이 인용한 Nature 연구를 다룬 리포트.
• 20.페블러스. OpenAlex가 제공하는 4.7억 편의 논문 데이터. 학술 메타데이터 커버리지 문제.
• 21.페블러스. 미국 최강 오픈웨이트, 그런데 왜 중국에 밀릴까. 모델을 만드는 경쟁의 축.
• 22.페블러스. 오픈웨이트 Kimi K3, 데이터 주권의 조건은 인프라였다.
• 23.페블러스. 공개된 논문 코드, AI 에이전트가 돌리니 절반은 실패했다.
• 24.페블러스. 소버린 AI 시리즈 허브.