Simon의 AI 시대에 살아남는 법
모델 후보를 고르는 과정을 돌아보다가 문득 이상한 점을 느꼈다. 검토했던 후보 — Qwen3-Coder, Qwen2.5-Coder, DeepSeek-Coder-V2 — 가 전부 중국 회사(알리바바, 딥시크)의 모델이었다. 의도한 건 아니었는데, 결과적으로 다양성이 전혀 없었던 셈이다.
왜 이렇게 됐나
솔직히 말하면 의도적인 선택이 아니라 벤치마크 점수 기준으로 좁히다 보니 자연스럽게 그렇게 됐다. HumanEval, MBPP 같은 코딩 벤치마크에서 로컬(7B~32B급) 규모의 오픈소스 모델 중 상위권을 차지하는 게 최근 Qwen·DeepSeek 계열에 쏠려 있는 게 현실이다.
그럼 다른 나라 모델은 없나
찾아보면 분명히 있다. 정리하면 이렇다.
| 회사/프로젝트 | 국가 | 대표 코딩 모델 | 비고 |
|---|---|---|---|
| Alibaba | 중국 | Qwen2.5-Coder, Qwen3-Coder | 이번 프로젝트의 실제 테스트 대상 |
| DeepSeek | 중국 | DeepSeek-Coder-V2 | 이번 벤치마크에서 가장 빠르고 안정적이었던 모델 |
| Meta | 미국 | Code Llama, Llama 3.3 | Llama 3.3은 70B 단일 사이즈만 존재 — 32GB RAM 환경엔 부적합 |
| Mistral AI | 프랑스 | Codestral, Devstral | Codestral은 상업적 이용에 제약(비상업 라이선스)이 있어 주의 필요 |
| 미국 | CodeGemma, Gemma | 경량 모델 위주 | |
| Microsoft | 미국 | Phi-4 | 소형 고효율 모델 계열 |
| IBM | 미국 | Granite Code | 기업용 오픈소스 코딩 모델 |
| BigCode(국제 컨소시엄) | 국제 협업 | StarCoder2 | 여러 기관이 공동 참여 |
Llama 3.3을 검토했다가 접은 이유
한때 미국 진영 대안으로 Llama 3.3을 진지하게 고려했다. 그런데 확인해보니 Llama 3.3은 70B 단일 사이즈로만 출시되어 있었다 — 더 작은 공식 변형이 없다. 32GB RAM 환경에서 70B급 모델을 양자화해서 돌리는 건 현실적으로 무리라, 이 선택지는 접었다.
결론
특정 국가를 배제하려는 의도가 있었던 건 전혀 아니고, 순수하게 “이 하드웨어에서 돌릴 수 있는 크기 + 코딩 벤치마크 상위권"이라는 두 조건을 동시에 만족하는 모델을 찾다 보니 자연스럽게 중국계 오픈소스 모델로 좁혀진 것뿐이었다. 다만 이번 기회에 국가별 지형도를 한 번 정리해두면, 나중에 조건이 바뀌었을 때(예: 라이선스 이슈, 특정 언어 성능 우선순위 등) 다시 참고하기 좋을 것 같아 기록으로 남긴다.
💬 댓글