Solar-Open-100B vs GLM-4.5-Air
모델 파생 논쟁의 포렌식

업스테이지와 커뮤니티의 적극적 검증으로 논란 종결

2026년 1월 1일 (업데이트: 2026년 1월 4일) | 페블러스 데이터커뮤니케이션팀

✅ 논란 종결: 의혹 제기자 사과 및 저장소 폐쇄

요약 (Executive Summary)

본 보고서는 대한민국 AI 기업 Upstage의 Solar-Open-100B 모델이 중국 Zhipu AI의 GLM-4.5-Air 모델에서 파생되었는지에 대한 논쟁을 다룹니다. 논란은 의혹 제기에서 시작되어, 정황적 반박을 거쳐, 조경현 교수(NYU)의 통계적 검증으로 기술적 종결에 이르렀습니다.

단계 주체 주장 핵심 판세
1. 의혹 제기 Sionic AI "코드가 같고, 가중치 유사도가 0.99다. 이건 100% 베낀 것이다." 🚨 Solar 위기
2. 정황 반박 Hyunwoong Ko "MS Phi-2도 코드는 똑같다. 코드는 그냥 표준 템플릿 쓴 거다." 🛡️ 반격 시작
3. 기술 검증 조경현 교수 "가중치 유사도 0.99는 수학적 착시일 뿐이다. 실제 패턴(Pearson)은 다르다." ⚖️ 종결

최종 결론: 조경현 교수의 피어슨 상관계수 분석 결과 0.0054 — 두 모델의 가중치 패턴이 전혀 상관관계가 없음(독립적 학습)을 통계적으로 입증했습니다. 이후 의혹 제기자는 사과문을 게시하고 해당 저장소를 폐쇄했습니다.

"Weak Evidence, Inconclusive" — Sionic AI의 주장은 증거 불충분/결정적이지 않음.

— 조경현 교수의 최종 판정

배경 (Background)

분석 대상 모델

이번 논쟁의 주인공은 Solar-Open-100B(Upstage)와 GLM-4.5-Air(Zhipu AI), 그리고 대조군인 Phi-3.5-MoE(Microsoft)입니다. 세 모델 모두 MoE 아키텍처와 RMSNorm을 채택하고 있어, 이 구조적 공통점이 논쟁의 핵심 변수가 됩니다.

모델명 개발사 파라미터 아키텍처 특징
Solar-Open-100B Upstage (한국) ~100B MoE, 48 Layers, DUS 기법 적용 추정
GLM-4.5-Air Zhipu AI (중국) 106B MoE, 46 Layers, 96 Heads
Phi-3.5-MoE Microsoft (미국) ~42B MoE, 32 Layers, 대조군 모델

논쟁의 출처

파생설 (Sionic AI)

sionic-ai/solar-vs-glm

통계적 이상치(Outlier) 탐지에 주력

독립설 (Hyunwoongko)

hyunwoongko/solar-vs-glm-vs-phi

지표의 타당성(Validity) 검증에 주력

주장 재구성 및 상호 비교

아래 표는 파생설(Sionic AI)과 독립설(Hyunwoong Ko)의 핵심 주장, 중심 증거, 각 주장의 맹점을 비교합니다. 시오닉 AI는 LayerNorm의 "182 시그마 이상치"를, 현웅 고 교수는 "RMSNorm 구조적 수렴"을 핵심 논거로 삼습니다.

구분 Sionic AI (파생설) Hyunwoongko (독립설)
핵심 주장 Solar는 GLM의 파생작이며, 증거는 동일 레이어 LayerNorm의 비정상적 유사도(≈0.989)와 선택적 보존 RMSNorm은 정보량이 낮고 구조적 제약이 강하므로, 높은 Cosine 유사도는 아키텍처적 필연(수렴)이지 표절의 증거가 아님
중심 증거 • 동일 레이어 간 LN Cosine ≈ 0.99
• 모델 내부 베이스라인(0.377) 대비 182σ
• "선택적 보존" 패턴 		• Phi-3.5-MoE와 GLM 간에도 0.9+ 유사도 발생
• 타 모델 간에도 LN 유사도 0.99 관측
• RMSNorm의 벡터 방향성 편향 특성
맹점/한계 결정적 증거가 저정보 파라미터(LayerNorm)에 과도하게 의존. RMSNorm의 수학적 특성 미고려 Attention/MoE의 '0에 가까운 유사도(재학습 증거)'를 직접 반박하지 않음. "선택적 보존" 발생 이유 설명 부재

상호 검증이 필요한 핵심 질문

논쟁 해결의 핵심은 "고정보 텐서(Attention/MoE)"에서도 유사도가 높게 나오는가입니다. 파생설은 "선택적 보존 패턴이 유지되는가"를, 독립설은 "Solar-GLM이 Solar-Phi보다 유의미하게 가까운가"를 묻습니다. 아래 두 질문은 사실상 동일한 실험을 요구하며, 그 결과에 따라 파생설 강화 또는 독립설 확정으로 이어집니다.

파생설 검증 질문

"선택적 보존 패턴(LN은 같고 나머지는 다름)이, RMSNorm의 수학적 특성을 제거하고 고정보 텐서(Attention Weight)를 비교했을 때도 유지되는가?"

독립설 검증 질문

"RMSNorm을 배제했을 때, Solar와 GLM 사이의 거리가 Solar와 Phi 사이의 거리보다 통계적으로 유의미하게 가까운가?"

결합 검증 프레임워크: Sionic의 '선택적 보존' 가설을 유지하되, 대상 변수를 RMSNorm에서 Attention / MoE / FFN으로 변경하여 Solar–GLM–Phi 3자 비교를 수행합니다.

결과 A (파생설 강화)

고정보 텐서에서도 Solar-GLM 유사도가 타 모델 대비 유의미하게 높게 측정됨

결과 B (독립설 확정)

고정보 텐서에서는 모든 모델 간 유사도가 낮거나 비슷하게 측정됨

각 주장의 세부 데이터 분석

파생설: "182 시그마의 충격"

시오닉 AI의 분석은 텐서 유형별로 극단적인 유사도 차이를 보여줍니다. 아래 표는 Solar-Open-100B와 GLM-4.5-Air 간의 텐서별 Cosine 유사도입니다.

텐서 유형 Cosine 유사도 시오닉 측 해석 비고
input_layernorm 0.949 원본 보존 구조적 뼈대
post_attention_layernorm 0.986 원본 보존 구조적 뼈대
k_proj / v_proj 0.001 재학습됨 Attention (지능)
mlp.gate 0.004 재학습됨 MoE Router (지능)
embed_tokens 0.002 재학습됨 어휘 확장

시오닉 AI의 논리

독립적으로 학습된 모델이라면 우연히 0.99 유사도가 나올 수 없습니다(P-value < 10^(-1000)). 따라서 뼈대(LN)를 가져다 놓고 근육(Attn/MLP)만 갈아끼운 것입니다.

독립설: "RMSNorm의 함정"

현웅 고 교수는 제3의 모델인 Phi-3.5-MoE를 도입하여 이 '유사도'가 허상임을 증명했습니다. 아래는 10번째 레이어 LayerNorm Cosine 유사도 매트릭스입니다.

구분 Solar-Open GLM-4.5-Air Phi-3.5-MoE
Solar-Open 1.000 0.9+ 0.9+
GLM-4.5-Air 0.9+ 1.000 0.9+
Phi-3.5-MoE 0.9+ 0.9+ 1.000

핵심 관찰

서로 전혀 다른 모델(Phi vs GLM)끼리도 LayerNorm 유사도는 0.9를 넘습니다.

원인 분석

RMSNorm은 학습이 진행될수록 특정 값(Scale)으로 수렴하며, 벡터의 방향성이 유사해지는 '구조적 수렴(Convergence)' 현상이 발생합니다. 따라서 LN 유사도는 모델의 '지문'이 될 수 없습니다.

조경현 교수의 최종 판정 (The Verdict)

세계적인 AI 석학 조경현 교수(NYU)가 핵심 쟁점인 "코사인 유사도 0.99"를 재분석했습니다. 아래 비교 카드는 Raw Cosine(0.99, 착시)과 Pearson Correlation(0.0054, 실제 패턴)의 차이를 보여주며, 최종 판정표는 코드와 가중치 두 쟁점에 대해 각각 "무죄(관행)"와 "무죄(통계적 입증)"를 선고합니다.

데이터 분석 상세

Raw Cosine (0.99의 진실)

  • LayerNorm/RMSNorm의 가중치는 특성상 대부분 1.0 근처의 값을 가짐
  • 무작위로 다른 레이어끼리 비교해도 유사도가 0.95가 나옴
  • 즉, 0.99는 '원래 높게 나오는 값'이지, 베꼈다는 증거가 될 수 없음 (Uninformative)

Pearson Correlation (0.00의 증거)

  • 값의 절대적 크기가 아니라 가중치의 '모양(Pattern)'이 얼마나 비슷한지 측정
  • 결과값: 0.0054
  • 두 모델의 가중치 패턴이 전혀 상관관계가 없음(독립적)을 의미

📊 Pearson Correlation이란? (초보자용 설명)

피어슨 상관계수는 두 데이터가 "같은 패턴으로 움직이는지"를 측정합니다. 값이 1에 가까우면 "같이 오르고 같이 내려감", 0에 가까우면 "서로 상관없이 움직임"입니다.

예시: 상관관계가 높은 경우 (r ≈ 0.99)

철수와 영희의 5과목 시험 점수:

→ 두 선이 거의 같은 모양으로 움직임
→ "같은 패턴" = 베꼈을 가능성 있음!

예시: 상관관계가 없는 경우 (r ≈ 0)

민수와 지영의 5과목 시험 점수:

→ 두 선이 제각각으로 움직임
→ "다른 패턴" = 각자 공부함!

Solar vs GLM 분석 결과: 두 모델의 가중치 피어슨 상관계수 = 0.0054 (거의 0) → 두 모델은 "서로 다른 패턴으로 학습됨" = 독립적으로 개발된 것

0.99
Raw Cosine
(착시)
0.0054
Pearson
(실제 패턴)
0%
상관관계
(독립적)
✓
무죄
(통계적 입증)

"Weak Evidence, Inconclusive"

Sionic AI의 주장은 증거 불충분/결정적이지 않음.

"0.99라는 숫자에 속지 마라. 통계적으로 뜯어보니 두 모델의 가중치는 서로 독립적으로 학습된 것으로 보인다."

쟁점 공격 측 (베꼈다!) 방어 및 검증 (아니다!) 최종 판정
코드 "GLM이랑 코드가 토씨 하나까지 똑같다!" "MS Phi-2도 똑같다. 그건 업계 표준 템플릿이라 그렇다." ✅ 무죄 (관행)
가중치 "벡터 코사인 유사도가 0.99다! 빼박이다!" [조경현 교수] "LayerNorm 특성상 원래 높게 나온다. 패턴(Pearson)을 보니 0.00이다." ✅ 무죄 (통계적 입증)

결론: 논란의 본질과 해결

이 논란은 "오픈소스 템플릿 활용에 대한 오해"와 "RMSNorm의 수학적 특성에 대한 이해 부족"에서 비롯된 해프닝으로 정리할 수 있습니다.

3줄 요약:

  1. 1. Sionic AI: "숫자(0.99)는 거짓말 안 한다! 베꼈다!"
  2. 2. Hyunwoong Ko: "코드는 MS도 똑같다. 억까 하지 마라."
  3. 3. 조경현 교수: "0.99는 착시(Artifact)다. 통계적으로 뜯어보니 서로 다른 모델 맞다. 땅땅땅."

기술적 결론

조경현 교수의 피어슨 상관계수 분석은 Sionic AI의 주장을 통계적으로 기각했습니다. Solar-Open-100B는 GLM-4.5-Air와 독립적으로 학습된 모델입니다.

에필로그: 논란의 종결

기술적 분석을 넘어, 이 논란은 실제 행동으로 완전히 종결되었습니다. 아래 타임라인은 업스테이지의 공개 검증(1/2), Sionic AI CEO의 공식 사과(1/3), 그리고 원본 저장소 폐쇄(현재 404)라는 세 가지 결정적 사건을 정리합니다.

🎤

업스테이지의 공개 검증

2026.01.02
  • 서울 강남에서 공개 검증 세션 개최
  • CEO 김성훈 + 핵심 엔지니어 + 외부 전문가 참석
  • W&B 학습 로그와 중간 체크포인트 공개
  • 전체 파라미터 중 0.0004%만 유사 → 99.9996% 독자 개발 입증
🙏

의혹 제기자의 사과

2026.01.03
  • Sionic AI 고석현 CEO, LinkedIn을 통해 사과문 게시
  • "충분한 검증 없이 의혹을 제기했다" 인정
  • "LayerNorm 코사인 유사도만으로는 모델 가중치 재사용을 판단하기 어렵다"
  • 업스테이지 CEO 김성훈과 팀원들에게 공식 사과
🗂️

원본 저장소 폐쇄

현재

sionic-ai/solar-vs-glm 저장소는 현재 404 Not Found 상태입니다. 의혹 제기의 근거가 되었던 분석 자료가 철회되었습니다.

논란 종결 요약

✅
기술적 무죄
조경현 교수 검증
🎤
공개 입증
업스테이지 검증 세션
🙏
공식 사과
의혹 제기자 인정

이 논쟁이 남기는 교훈

이번 'Solar vs GLM' 사태는 LLM 오픈 웨이트(Open Weights) 시대에 '모델 포렌식(Model Forensics)'의 중요성과 함께, 건전한 논쟁 해결 문화의 모범 사례를 보여주었습니다.

분석가를 위한 교훈

단일 지표(특히 LayerNorm 같은 저정보 파라미터)에 의존한 성급한 결론은 위험합니다. 충분한 검증 없이 공개적 비난은 큰 책임을 수반합니다.

개발사를 위한 교훈

모델 개발 과정의 투명성(WandB, Checkpoints)은 이제 선택이 아닌 '보험'입니다. 업스테이지의 적극적인 공개 검증은 모범 대응 사례로 기록됩니다.

커뮤니티를 위한 교훈

"누가 맞나"보다 "어떤 실험이 과학적으로 타당한가"를 묻는 것이 건강한 생태계를 만듭니다. 법적 갈등 대신 공개 검증과 대화로 해결한 이 사례는 AI 생태계의 성숙함을 보여줍니다.

이 논쟁의 진정한 승자는 가장 목소리가 큰 쪽이 아니라, "과학적 검증을 통해 투명하게 입증한 쪽"이었습니다. 그리고 잘못을 인정하고 사과한 의혹 제기자의 태도 역시 존중받아야 합니다.

자주 묻는 질문 (FAQ)

시오닉 AI가 주장하는 '182 시그마'란 무엇인가요?
시오닉 AI는 Solar-Open-100B와 GLM-4.5-Air의 동일 레이어 LayerNorm 간 Cosine 유사도가 약 0.989로, 모델 내부 베이스라인(0.377) 대비 182 표준편차 이상 차이가 난다고 주장합니다. 이는 통계적으로 우연히 발생할 확률이 10^(-1000) 미만이라는 의미입니다.
현웅 고 교수의 반론 핵심은 무엇인가요?
현웅 고 교수는 제3의 모델인 Phi-3.5-MoE와 GLM 간에도 0.9+ 유사도가 발생함을 보여주었습니다. RMSNorm은 학습이 진행될수록 특정 값으로 수렴하는 '구조적 수렴' 현상이 발생하므로, 높은 LN 유사도는 아키텍처적 필연이지 표절의 증거가 아니라고 주장합니다.
선택적 보존 패턴이란 무엇인가요?
시오닉 AI가 발견한 패턴으로, LayerNorm 가중치는 0.99 수준의 높은 유사도를 보이는 반면, Attention(k_proj, v_proj)이나 MoE(mlp.gate) 가중치는 0.001~0.004 수준의 매우 낮은 유사도를 보입니다. 이는 '뼈대(LN)를 가져다 놓고 근육(Attn/MLP)만 갈아끼웠다'는 해석의 근거입니다.
왜 LayerNorm만으로는 판단할 수 없나요?
RMSNorm(LayerNorm의 변형)은 정보량이 낮고 구조적 제약이 강합니다. 학습이 진행될수록 특정 스케일 값으로 수렴하는 특성이 있어, 서로 다른 모델 간에도 높은 유사도가 나타날 수 있습니다. 따라서 모델의 '지능'을 담당하는 고정보 텐서(Attention, MoE) 비교가 필요합니다.
이 논쟁의 최종 판정은 어떻게 내릴 수 있나요?
핵심 질문은 '선택적 보존 패턴이 고정보 텐서(Attention/MoE)에서도 재현되는가?'입니다. 고정보 텐서에서도 Solar-GLM 유사도가 타 모델 대비 유의미하게 높으면 파생설이 강화되고, 모든 모델 간 유사도가 낮거나 비슷하면 독립설이 확정됩니다.
논란은 어떻게 종결되었나요?
2026년 1월 2일 업스테이지가 강남에서 공개 검증 세션을 개최하여 W&B 학습 로그와 체크포인트를 공개했습니다. 99.9996%가 독자 개발임을 입증한 후, 1월 3일 Sionic AI 고석현 CEO가 LinkedIn에서 공식 사과문을 게시하고 원본 저장소(sionic-ai/solar-vs-glm)를 폐쇄했습니다.
이 논쟁이 AI 업계에 주는 교훈은 무엇인가요?
LLM 오픈 웨이트 시대에 '모델 포렌식'의 중요성을 보여줍니다. 분석가는 단일 지표(특히 저정보 파라미터)에 의존한 성급한 결론을 경계해야 하고, 개발사는 학습 과정의 투명성(WandB, Checkpoints)을 보험으로 갖춰야 합니다. 또한 이 사례는 법적 갈등 대신 공개 검증과 대화로 해결하는 성숙한 AI 생태계의 모범 사례가 되었습니다.

리포트 다운로드

📑

Solar-Open-100B vs GLM-4.5-Air 모델 파생 논쟁의 포렌식

182 시그마 LayerNorm 유사도 vs 구조적 수렴성 — 과학적 검증 프레임워크

페블러스 데이터커뮤니케이션팀 | 2026년 1월

원문 보기 (v2) 다운로드

참고문헌

  1. [1] Solar-Open-100B vs GLM-4.5-Air: 가중치 파생 분석 (파생설) - Sionic AI GitHub. [404 - 저장소 폐쇄됨]
  2. [2] Solar vs GLM vs Phi: 구조적 수렴성 반박 (독립설) - Hyunwoong Ko GitHub. https://github.com/hyunwoongko/solar-vs-glm-vs-phi
  3. [3] Upstage Controversy Ends with Apology from Sionic AI CEO - KoreaTechDesk. https://koreatechdesk.com/...
  4. [4] Upstage Pushes Back Against Claims of Copying Chinese AI Model - KMJ. https://www.kmjournal.net/...
  5. [5] South Korea's Upstage Faces Plagiarism Claims Over Solar Open Model. Public Data Review Tells a Different Story - KMJ. https://www.kmjournal.net/...
  6. [6] AI Independence on Trial: How the Upstage Defense Tests Korea's Sovereign Model Strategy - KoreaTechDesk. https://koreatechdesk.com/...
  7. [7] Upstage Denies Copying Chinese Model, Vows Public Verification - Chosun. https://www.chosun.com/english/...
  8. [8] Upstage Solar-Open-100B Public Validation - LocalLLaMA - Reddit. https://www.reddit.com/r/LocalLLaMA/...

면책조항: 본 보고서는 공개된 두 GitHub 리포지토리(sionic-ai, hyunwoongko)의 데이터를 기반으로 작성되었으며, 특정 주장의 진위 여부를 최종적으로 확정하지 않습니다. 본 보고서는 과학적 검증을 위한 방법론을 제안하는 데 목적이 있습니다.