2025년 말 오픈 소스 AI 생태계의 화려한 마무리: NVIDIA, Arcee, GLM-4.7 등 주요 모델 분석

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

2025년 연말과 2026년 초, 오픈 소스 AI 생태계는 NVIDIA의 Nemotron-3-Nano와 Zhipu의 GLM-4.7 등 강력한 모델들의 등장으로 활기를 띠고 있다. NVIDIA는 Mamba2-Transformer와 MoE를 결합한 혁신적인 아키텍처를 선보였으며, Arcee와 LLM360은 데이터와 가중치를 투명하게 공개하며 오픈 소스의 가치를 높였다. 특히 GLM-4.7은 특정 영역에서 상용 모델인 Claude 3.5 Opus에 필적하는 성능을 보여주며 오픈 모델의 실용성을 입증했다. 이러한 흐름은 2026년 한 해 동안 오픈 소스 모델이 상용 API 모델과의 격차를 더욱 좁힐 것임을 시사한다.

배경

MoE(Mixture of Experts) 아키텍처에 대한 기본 이해, LLM 벤치마크(GPQA, SWE-bench 등)의 의미와 한계에 대한 지식, Mamba 등 상태 공간 모델(SSM)의 기본 개념

대상 독자

오픈 소스 LLM을 활용하여 서비스를 구축하거나 최신 모델 아키텍처 트렌드를 연구하는 개발자 및 연구자

의미 / 영향

오픈 소스 모델들이 상용 모델인 Claude나 Gemini의 최신 버전과 대등한 성능을 내기 시작하면서 기업들의 AI 도입 비용이 획기적으로 낮아질 전망이다. 특히 NVIDIA와 같은 하드웨어 기업이 고성능 오픈 모델과 아키텍처를 주도적으로 배포함에 따라 생태계 전반의 기술 상향 평준화가 가속화될 것이다.

섹션별 상세

NVIDIA는 Nemotron-3-Nano-30B-A3B-BF16 모델을 공개하며 Mamba2-Transformer 아키텍처에 MoE(Mixture of Experts)를 결합했다. 이 모델은 대부분의 학습 데이터를 공개했으며, 2026년 상반기에는 Latent MoE와 MTP(Multi-Token Prediction)를 적용한 100B 및 500B 규모의 Super/Ultra 모델 출시를 계획하고 있다.

NVIDIA Nemotron-3-Nano 모델의 벤치마크 정확도 및 처리량 비교 차트 — ChartNVIDIA의 Nemotron-3-Nano 모델이 Arena-Hard, AIME25, IFBench 등 다양한 벤치마크에서 Qwen3 및 GPT-OSS 모델보다 높은 정확도를 기록하고 있음을 보여준다. 특히 오른쪽의 Throughput 차트에서는 Nemotron 모델이 다른 모델들에 비해 약 2~3배 높은 토큰 처리량을 기록하여 효율성을 입증한다.

Zhipu의 GLM-4.7은 학술적 벤치마크 점수는 낮으나 실제 웹사이트 UI 생성 등 실무 작업에서 Claude 3.5 Opus나 Sonnet 4.5에 필적하는 성능을 보여주었다. 다만 100K 토큰 이상의 긴 컨텍스트 처리 능력은 다소 부족하며 텍스트 전용 모델이라는 한계가 있으나, 저렴한 비용으로 자가 호스팅이 가능하다는 점이 큰 장점이다.

DesignArena 리더보드의 모델별 Elo 레이팅 순위 — ChartDesignArena의 Elo 레이팅 리더보드를 통해 Gemini 3 Pro Preview가 1위에 올라 있고 Claude Opus 4.5와 GLM 4.7이 최상위권에 위치함을 보여준다. 특히 오픈 모델인 GLM 4.7이 상용 모델인 Claude 시리즈와 대등한 위치에 있음을 시각적으로 확인시켜 주며 실무 성능의 우수성을 뒷받침한다.

Arcee-AI는 6B-A1B(Nano) 및 26B-A3B(Mini) MoE 모델인 Trinity 시리즈를 출시했으며, 조만간 20T 토큰으로 학습된 420B 규모의 Large 모델을 공개할 예정이다. 이들은 허용적인 라이선스를 사용하여 미국 내 오픈 모델 구축 커뮤니티의 성장을 주도하고 있다.

LLM360 프로젝트의 K2-V2는 12T 토큰의 프리트레이닝 데이터부터 SFT 과정까지 모든 데이터를 투명하게 공개하는 70B 밀집 모델을 선보였다. 모든 학습 단계의 체크포인트를 함께 제공하여 연구 커뮤니티가 모델의 학습 과정을 상세히 분석할 수 있도록 지원한다.

ServiceNow는 토큰 효율성을 극대화한 Apriel-1.6-15b-Thinker를, Xiaomi는 309B-A15B 규모의 대형 MoE 모델인 MiMo-V2-Flash를 공개했다. DeepSeek은 DSA(Dynamic Sparse Attention)를 통합한 V3.2 시리즈를 업데이트하며 수학 및 코딩 경진대회 수준의 성능을 갖춘 'Speciale' 버전을 발표했다.

실무 Takeaway

NVIDIA의 Mamba2-Transformer와 MoE 결합 사례처럼 모델 아키텍처의 복합적 진화가 추론 효율성과 성능의 균형을 맞추는 핵심 트렌드로 자리 잡고 있다.
GLM-4.7의 사례에서 보듯 벤치마크 점수보다 실제 도메인(UI 생성 등)에서의 체감 성능이 모델 선택의 중요한 기준이 되고 있으며 오픈 모델의 가성비가 상용 API를 위협하고 있다.
LLM360과 NVIDIA의 데이터 공개 행보는 모델 가중치뿐만 아니라 학습 데이터셋의 투명성이 오픈 소스 커뮤니티의 신뢰와 발전을 이끄는 필수 요소임을 보여준다.

언급된 리소스

문서LLM360 K2-V2

GitHubNVIDIA Nemotron-3-Nano-30B-A3B-BF16

API DocsZ.ai API