허깅페이스 허브의 외형적 팽창과 1.5%의 실질적 지배력

허깅페이스 허브의 공개 모델 저장소는 243만 개에서 296만 개로, 학습 데이터셋은 71.1만 개에서 100만 개로 증가했다. 모델을 즉시 실행하고 테스트하는 Spaces(스페이스) 역시 100만 개에서 144만 개로 확대되며 생태계의 외형적 규모가 빠르게 팽창했다. 하지만 이러한 양적 성장과 달리 실제 사용량은 극단적인 쏠림 현상을 보인다. 전체 모델 저장소의 1.5%가 전체 다운로드 횟수의 99.2%를 점유하고 있으며, 모델의 85.6%는 생애 총 다운로드 수가 200회 미만에 그치고 있다.

오픈 소스 AI의 중심축은 모델 랩에서 하드웨어 및 인프라 기업으로 이동했다. 과거 오픈 모델 발행을 정의했던 구글과 메타는 현재 신규 모델 출시 빈도에서 엔비디아보다 낮은 순위에 머물고 있다. 특히 메타가 플래그십 모델을 폐쇄형으로 전환하면서, 하드웨어 최적화 능력을 갖춘 기업이 모델 배포의 실질적 권한을 쥐는 구조로 변했다. 개발자들은 수많은 신규 모델보다 실제 파이프라인에 통합되어 안정성이 검증된 소수의 표준 모델에 의존하는 경향을 보인다.

중국 랩의 초거대 파라미터 전략과 포트폴리오 분화

중국 랩들은 2026년 매월 출시한 최대 규모 모델의 파라미터를 7,540억(754B)에서 2.78조(2.78T) 사이로 유지하며 규모의 경쟁을 주도했다. 반면 미국 랩의 월별 최대 규모는 7개월 중 5개월 동안 1,300억(130B) 미만에 머물렀다. 예외적으로 NVIDIA의 Nemotron 3 Ultra가 5,610억(561B), Thinking Machines Lab의 Inkling이 9,520억(952B), Arcee AI의 Trinity-Large가 3,990억(399B), NVIDIA의 Nemotron 3 Super가 1,240억(124B) 파라미터 규모로 공개되었다.

중국 내 모델 공개 전략은 두 가지 진영으로 명확히 갈린다. Moonshot, MiniMax, Xiaomi, Z.ai는 700억(70B) 파라미터 미만 모델을 거의 출시하지 않는 '프런티어 전용 포트폴리오'를 운영하여 벤치마크 성능과 API 수요에 집중한다. 반면 Tencent와 Alibaba Qwen은 10억(1B) 파라미터 미만부터 초거대 규모까지 전 범위를 아우르는 '풀 스펙트럼 포트폴리오'를 제공하여 개발자 표준화를 노린다. Xiaomi와 Meituan은 올해 1조 파라미터 규모의 모델을 구현하며 거대 모델 구축이 더 이상 기술적 차별점이 아님을 증명했다.

거대 모델의 실제 구동 가능성은 커뮤니티의 양자화(Quantization) 계층이 해결한다. 모델 가중치 정밀도를 낮춰 메모리 사용량을 줄이는 양자화 기술 덕분에, 수천억 개의 파라미터를 가진 모델도 출시 후 며칠 내에 일반 하드웨어 환경에서 실행 가능한 상태로 변환된다. 이로 인해 랩들은 접근성을 위해 소형 모델을 별도로 출시하지 않고도 초거대 모델 중심의 배포 전략을 유지할 수 있게 되었다.

'좋아요'와 '다운로드'의 괴리가 보여주는 실무 의존도

허깅페이스의 다운로드 상위 25개 모델과 좋아요 상위 25개 모델 중 중복되는 저장소는 단 1개뿐이다. '좋아요'는 최신 프런티어 모델에 대한 기대감을 반영하는 지표인 반면, '다운로드'는 실제 서비스 파이프라인에 연결되어 정기적으로 호출되는 의존도를 나타낸다. 실제로 2026년에 출시된 모델 중 다운로드 상위 25위에 진입한 모델은 단 하나도 없으며, 상위 25개 중 13개는 2022년에 출시된 구형 모델이다.

구체적인 사례로 `all-MiniLM-L6-v2` 모델은 7개월 동안 15.5억 회 다운로드되었으나 좋아요 수는 5,156개에 그쳤다. 반면 `Kimi-K3` 모델은 좋아요 1개당 약 60회의 다운로드를 기록하며 서로 다른 사용자 행태를 보였다. 이는 임베딩 모델 같은 소형 모델들이 실무 환경에서 반복적으로 호출되며 실질적인 인프라 역할을 수행하고 있음을 의미한다.

중국 프런티어 랩은 거대 모델의 실제 활용도 측면에서 미국 랩을 압도한다. MiniMax의 2026년 다운로드 물량은 사실상 모두 70B 이상 모델이며, Moonshot은 88%, DeepSeek는 55%, Z.ai는 39%가 70B 이상 모델에서 발생했다. 반면 Google, Microsoft, IBM Granite는 70B 이상 모델의 다운로드 비중이 거의 없으며, NVIDIA와 Meta 역시 각각 14%와 9% 수준에 머물러 거대 모델의 실무 의존도에서 차이를 보인다.

하드웨어 벤더의 칩 판매 전략과 미국 모델의 최적화 레이어

NVIDIA와 AMD는 올해 각각 200개 이상의 신규 모델 저장소를 출시하며 최다 공개 기록을 세웠다. 하드웨어 벤더가 모델 배포에 집중하는 이유는 특정 가속기에 최적화된 모델을 무료로 제공함으로써 해당 칩의 성능을 즉시 증명하고 칩 판매를 촉진하기 위함이다. LiquidAI 역시 약 100개의 저장소를 공개하며 하드웨어-모델 결합 전략에 동참했다.

미국 내 1,000억 파라미터 이상 출시 모델의 상당수는 독자 모델이 아니라 중국 모델을 기반으로 구축된 형태다. Thinking Machines의 Inkling(952B), NVIDIA의 Nemotron 3 Ultra(561B) 등 소수의 오리지널 모델을 제외하면, 대부분은 중국 모델을 미국 하드웨어에서 효율적으로 구동하게 만드는 '분배 및 최적화 레이어' 역할에 집중하고 있다. AMD의 경우 많은 변환 모델을 기여했으나 이 규모의 오리지널 모델은 출시하지 않았다.

이러한 흐름은 중국 모델들이 점차 자국 내 칩셋에 최적화되는 양상과 대조를 이룬다. 미국 기업들이 중국 모델을 자사 하드웨어에 맞게 최적화하는 동안, 중국 랩들은 특정 하드웨어 생태계를 중심으로 모델을 설계하는 역방향 경쟁을 벌이고 있다. 이는 오픈 소스 AI의 주도권이 단순한 모델 성능을 넘어 하드웨어 최적화와 인프라 장악력으로 이동했음을 보여준다.

라이선스 개방 범위와 실무 도입의 최종 선택 기준

중국 랩들은 모델 크기와 상관없이 매우 허용적인 라이선스 정책을 취하고 있다. 200억 파라미터 이상의 중국 모델 178개 중 59%는 Apache 2.0, 22%는 MIT 라이선스를 적용했으며, 비상업적 이용 제한을 둔 사례는 0%였다. 특히 DeepSeek와 Z.ai는 7,000억~1.65조 파라미터의 초거대 모델을 제약 없는 MIT 라이선스로 공개하여 생태계 표준 선점을 노리고 있다.

반면 미국 랩들은 모델 규모가 커질수록 지식재산권 보호를 위해 권한을 제한하는 경향이 강하다. 동일 규모의 미국 모델 중 Apache나 MIT 라이선스 채택 비율은 29%에 불과하며, 41%는 제조사가 정의한 커스텀 조건을 적용하고 30%는 라이선스를 명시하지 않았다. 실무자가 검토해야 할 국가별 라이선스 허용 범위는 다음과 같다.

- **중국 모델**: Apache 2.0 / MIT (상업적 이용 제한 0%, 매우 높음)

- **미국 모델**: Custom / 미표기 (상업적 이용 제약 가능성 높음, 약 71%가 비개방적)

Alibaba Qwen은 2.4조 파라미터의 Qwen 3.8 Max부터 27B 소형 변체까지 제공하는 풀 스펙트럼 전략을 통해 2,045M~2,061M의 다운로드를 기록했다. 이는 프런티어 전용 전략을 쓴 Moonshot(37M)보다 약 55배 많은 수치다. 따라서 실무 도입 시 벤치마크 점수보다 우선해야 할 판단 기준은 사용하려는 하드웨어의 가용 메모리 제약 내에서 구동 가능한 모델 크기가 존재하는지, 그리고 해당 모델의 라이선스가 상업적 목적과 일치하는지 확인하는 것이다.