> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# 한국어 LLM 및 다국어 AI 동향

> 이 문서는 **[AI 동향](/ai-trends/overview)** 섹션의 일부입니다.

> **참고**
> **이 문서의 범위**: 한국어 특화 LLM, 중국계 모델의 한국어 지원, 한국어 NLP 기술 과제, 벤치마크, 정부 정책을 종합 분석합니다. 한국어 RAG 최적화 상세는 [한국어 RAG 최적화](../guides/rag/korean-nlp)를 참고하세요.

***

## 1. 개요

2026년 초 현재, 한국어 LLM 생태계는 **세 가지 축** 으로 빠르게 재편되고 있습니다.

1. **국내 기업의 자체 모델 고도화**: NAVER HyperCLOVA X, LG EXAONE, Upstage SOLAR 등
2. **글로벌 오픈소스 모델의 한국어 성능 급상승**: Qwen, DeepSeek, Llama 등
3. **MoE 아키텍처의 주류화**: K-EXAONE 236B, Qwen 3.5 397B 등

핵심 배경은 **토큰화 효율성 개선, 학습 데이터 다양화, MoE를 통한 비용 효율적 스케일링** 입니다.

***

## 2. 주요 한국 AI 기업별 동향

### 2.1 NAVER — HyperCLOVA X

NAVER는 한국어 LLM 시장의 선두주자로, **HyperCLOVA X** 시리즈를 CLOVA Studio API로 제공합니다. 모델 가중치를 공개하지 않는 폐쇄형 전략을 취하고 있습니다.

| 항목        | 내용                                    |
| --------- | ------------------------------------- |
| **제공 방식** | NAVER Cloud CLOVA Studio API          |
| **모델 공개** | 비공개 (가중치 미공개)                         |
| **강점**    | 한국어 문화적 맥락 이해 (존비어, 관용 표현, 법률/의료 도메인) |
| **서비스**   | NAVER 검색, 쇼핑, 뉴스 등 자사 서비스에 통합         |

### 2.2 LG AI Research — EXAONE 시리즈 (가장 주목할 행보)

#### K-EXAONE 236B (Active 23B) — 한국어 MoE 플래그십

K-EXAONE은 **한국어 최적화 MoE 아키텍처** 의 대표 모델입니다.

| 항목             | 스펙                                        |
| -------------- | ----------------------------------------- |
| **전체/활성 파라미터** | 236B / 23B                                |
| **아키텍처**       | Fine-grained MoE + Multi-Token Prediction |
| **Expert 구조**  | 128 Expert 중 8개 활성 + 1 Shared Expert      |
| **컨텍스트**       | 256K 토큰                                   |
| **어휘**         | 150K (SuperBPE — 한국어 토큰 효율 \~30% 향상)      |
| **Attention**  | Hybrid (3 Sliding Window + 1 Global, 반복)  |

**한국어 벤치마크 성능:**

| 벤치마크         | 점수   | 설명       |
| ------------ | ---- | -------- |
| KMMLU-Pro    | 67.3 | 전문 지식    |
| KoBALT       | 61.8 | 한국어 이해력  |
| CLIcK        | 83.9 | 한국 문화/역사 |
| HRM8K        | 90.9 | 한국어 수학   |
| Ko-LongBench | 86.8 | 장문 이해    |
| KGC-Safety   | 96.1 | 한국어 안전성  |

#### EXAONE-Deep 시리즈 — 추론 특화

| 모델               | 크기   | 핵심 성과                                    |
| ---------------- | ---- | ---------------------------------------- |
| EXAONE-Deep-32B  | 32B  | 한국 수능 수학 2025 **94.5%**, AIME 2025 65.8% |
| EXAONE-Deep-7.8B | 7.8B | 경량 추론 모델                                 |
| EXAONE-Deep-2.4B | 2.4B | 엣지/모바일용                                  |

LG AI Research는 한국어 평가 데이터셋도 공개: KMMLU-Pro(2,820건), KMMLU-Redux(2,590건), Ko-LongRAG(600건).

### 2.3 Upstage — SOLAR 시리즈

| 모델                | 크기    | 핵심                                   |
| ----------------- | ----- | ------------------------------------ |
| SOLAR-10.7B       | 10.7B | **DUS(Depth Up-Scaling)** 기법, 한국어 특화 |
| Solar Pro Preview | 22B   | 성능 향상                                |
| Solar Open 100B   | 100B  | 2025년 1월 공개                          |

Upstage는 **Open Ko-LLM Leaderboard** 와 **Ko-FreshQA Leaderboard** 를 운영하며 한국어 LLM 벤치마크 표준화에 기여하고 있습니다.

### 2.4 NCSOFT — VARCO 시리즈

| 모델                        | 핵심               |
| ------------------------- | ---------------- |
| VARCO-VISION-2.0-14B/1.7B | 한국어 멀티모달         |
| VARCO-VISION-2.0-1.7B-OCR | 한국어 OCR 특화       |
| Llama-VARCO-8B-Instruct   | Llama 기반 한국어 텍스트 |

한국어 비전-언어 벤치마크도 공개: K-MMStar, K-SEED, K-DTCBench, K-LLaVA-W, K-MMBench.

### 2.5 KRAFTON — Raon (한국어 음성 AI)

| 모델                 | 핵심               |
| ------------------ | ---------------- |
| Raon-Speech-9B     | Any-to-Any 음성 AI |
| Raon-SpeechChat-9B | 음성 대화            |
| Raon-OpenTTS-0.3B  | 오픈소스 TTS         |

한국어 음성 AI의 오픈소스 공백을 메우는 역할을 하고 있습니다.

### 2.6 기타

| 기업/프로젝트         | 모델                | 핵심                                   |
| --------------- | ----------------- | ------------------------------------ |
| **EleutherAI**  | Polyglot-Ko-12.8B | 863GB 한국어 데이터, Apache 2.0            |
| **Kakao Brain** | KoGPT             | 2024년 이후 업데이트 중단, COYO-700M 데이터셋은 활용 |
| **SKT**         | A.X               | 자사 서비스 내재화                           |

***

## 3. 중국계 모델의 한국어 지원

### 3.1 Qwen (Alibaba) — 한국어 공식 지원 최강 오픈소스

| 모델       | 크기                    | 한국어 지원          | 핵심                      |
| -------- | --------------------- | --------------- | ----------------------- |
| Qwen 2.5 | \~72B                 | **공식 (29+ 언어)** | 128K 컨텍스트, GQA, JSON 출력 |
| Qwen 3.5 | 397B MoE (17B Active) | 공식              | 멀티모달 통합, ASR/TTS 전문 모델  |

Qwen은 한국어를 **공식 지원 언어** 에 포함하고 있으며, 한국어 테이블 이해, 구조화 출력 등에서도 잘 작동합니다. 오픈소스 모델 중 한국어 성능이 가장 높은 선택지 중 하나입니다.

### 3.2 DeepSeek — 범용 최강, 한국어는 비공식

| 모델                      | 한국어 지원       | 특징           |
| ----------------------- | ------------ | ------------ |
| DeepSeek-V3.2 (685B)    | 비공식 (다국어 학습) | 범용 최강, 코딩/수학 |
| DeepSeek-OCR/OCR-2 (3B) | 가능           | 한국어 문서 OCR   |

한국어를 공식 지원하지 않지만, 대규모 다국어 데이터 학습으로 한국어 처리가 가능합니다. 한국 문화 맥락 이해는 국내 모델 대비 열세입니다.

> **주의**
> **중국 AI 모델 사용 시 주의**: 데이터 주권, 콘텐츠 검열, 규제 리스크를 고려해야 합니다. 금융/공공/방위산업 등 민감 도메인에서는 셀프호스팅하더라도 보안 정책 확인이 필수입니다.

***

## 4. 한국어 NLP 기술 과제

### 4.1 토큰화 방식 비교

| 방식              | 설명              | 장점          | 단점         | 대표 모델        |
| --------------- | --------------- | ----------- | ---------- | ------------ |
| **BPE**         | 빈도 기반 서브워드      | 범용, OOV 최소  | 형태소 경계 무시  | GPT, Llama   |
| **형태소 기반**      | 형태소 단위 분리       | 언어학적 정확     | 분석기 의존, 느림 | HyperCLOVA X |
| **자소(Jamo) 단위** | 초성/중성/종성 분리     | 미등록어 강력     | 시퀀스 3배     | 연구 모델        |
| **SuperBPE**    | BPE 확장, 다국어 최적화 | 한국어 효율 30%↑ | 검증 초기      | K-EXAONE     |

한국어 전용 토크나이저는 범용 대비 **동일 비용으로 약 1.5\~2배 더 많은 한국어 텍스트** 를 처리할 수 있습니다.

### 4.2 한국어 RAG 최적화 과제

| 과제       | 상세           | 해결 방향                      |
| -------- | ------------ | -------------------------- |
| 불규칙 띄어쓼기 | 청킹 어려움       | 형태소 분석기 전처리                |
| 조사 변화    | BM25 매칭 방해   | 어간 추출, 하이브리드 검색            |
| 임베딩 모델   | 한국어 특화 모델 부족 | BGE-M3, multilingual-e5 활용 |

**한국어 RAG용 임베딩 모델 추천:**

| 모델                        | 차원   | 최대 길이 | 특징                                 |
| ------------------------- | ---- | ----- | ---------------------------------- |
| **BGE-M3** (BAAI)         | 1024 | 8192  | Dense+Sparse+Multi-Vector, 100+ 언어 |
| **multilingual-e5-large** | 1024 | 512   | 100 언어, XLM-RoBERTa 기반             |
| **KoSimCSE**              | 768  | 512   | 한국어 전용 SimCSE                      |

더 자세한 한국어 RAG 전략은 [한국어 RAG 최적화](../guides/rag/korean-nlp) 문서를 참고하세요.

***

## 5. 한국어 벤치마크 & 평가

| 벤치마크                        | 평가 영역                             | 특징                          |
| --------------------------- | --------------------------------- | --------------------------- |
| **KLUE**                    | 8개 NLU 태스크                        | 한국어 GLUE                    |
| **KoBEST**                  | BoolQ/COPA/WiC/HellaSwag/SentiNeg | 한국어판 SuperGLUE              |
| **KMMLU**                   | 50+ 전문 분야                         | 한국어 MMLU, Human Accuracy 포함 |
| **KMMLU-Pro**               | 50+ 분야 (2,820건)                   | LG AI Research              |
| **CLIcK**                   | 한국 문화/역사 지식                       | 한국 고유 지식 평가                 |
| **HRM8K**                   | 한국어 수학 (8,000건)                   | 수학 추론                       |
| **Ko-LongBench**            | 장문 이해                             | 긴 한국어 문서                    |
| **KGC-Safety**              | 한국어 안전성                           | 한국 문화 맥락                    |
| **Open Ko-LLM Leaderboard** | 종합                                | Upstage 운영, 커뮤니티            |

KMMLU는 각 문항에 **Human\_Accuracy** 가 포함되어 "AI가 인간 전문가 수준에 도달했는가"를 판단할 수 있습니다.

***

## 6. 정부 정책 & 산업 동향

### 6.1 주요 정책

| 정책            | 내용                  |
| ------------- | ------------------- |
| AI 일상화 전략     | AI 기술의 전 산업 확산      |
| AI 반도체 육성     | HBM, NPU 등 AI 칩 국산화 |
| AI 데이터댐       | 대규모 한국어 학습 데이터 구축   |
| AI 윤리 가이드라인   | 공공 AI 서비스 기준        |
| 초거대 AI 경쟁력 확보 | R\&D 지원, 컴퓨팅 인프라 투자 |

### 6.2 데이터 인프라

| 자원                  | 설명                        |
| ------------------- | ------------------------- |
| **AI Hub** (NIA)    | 수백 TB, 음성/텍스트/이미지 한국어 데이터 |
| **모두의 말뭉치** (국립국어원) | 한국어 언어 자원                 |
| **KorQuAD**         | 10만+ 한국어 질의응답 데이터         |

### 6.3 산업별 AI 도입 현황

| 산업      | 도입 수준           | 주요 활용                 |
| ------- | --------------- | --------------------- |
| **금융**  | 활발 (KB, 신한, 하나) | 고객 서비스, 문서 분석, 리스크 평가 |
| **의료**  | 초기              | 의료 영상, 임상 문서          |
| **법률**  | 성장 중            | 판례 검색, 계약서 분석         |
| **제조**  | 활발              | 품질 예측, 설비 모니터링        |
| **공공**  | 성장              | **국산 모델 우선 정책**       |
| **커머스** | 성숙              | 추천, 검색, 고객 응대         |

> **참고**
> 공공 부문은 **데이터 주권** 이슈로 국산 AI 모델/국내 클라우드 우선 도입 정책이 강화되고 있습니다.

***

## 7. Databricks와 한국어 AI

### 7.1 세 가지 접근법

| 접근법                        | 설명                                         | 적합 시나리오      |
| -------------------------- | ------------------------------------------ | ------------ |
| **External Model Serving** | AI Gateway → GPT-4o/Claude 4/Qwen API      | PoC, 프로토타이핑  |
| **Provisioned Throughput** | Llama/Qwen 한국어 Fine-tuned 배포               | 프로덕션, 민감 데이터 |
| **한국어 RAG 파이프라인**          | 문서 → 형태소 분석 → BGE-M3 → Vector Search → LLM | 기업 지식 기반     |

### 7.2 한국어 모델 선택 가이드 (Databricks 기준)

| 시나리오        | 1순위                      | 2순위                    |
| ----------- | ------------------------ | ---------------------- |
| 한국어 범용 챗봇   | GPT-4o / Claude 4 Sonnet | Qwen 2.5-72B           |
| 한국 문화/역사 특화 | HyperCLOVA X             | K-EXAONE               |
| 한국어 RAG     | Qwen 2.5-72B + BGE-M3    | Llama 3.3-70B + BGE-M3 |
| 한국어 수학/추론   | K-EXAONE-236B            | EXAONE-Deep-32B        |
| 엣지/모바일      | Qwen 3.5-2B              | EXAONE-Deep-2.4B       |
| 한국어 OCR     | DeepSeek-OCR-2 (3B)      | VARCO-VISION-1.7B-OCR  |
| 한국어 음성      | Raon-Speech-9B           | Qwen3-ASR/TTS          |
| 공공/규제 환경    | HyperCLOVA X             | K-EXAONE (자체 배포)       |

***

## 8. 향후 전망

### 단기 (2026)

* MoE 기반 한국어 모델 보편화
* 한국어 멀티모달 (비전+텍스트) 모델 확대
* 한국어 음성 AI (TTS/ASR/대화) 성장

### 중기 (2026\~2028)

* 3B\~7B 한국어 도메인 특화 모델 고도화
* SuperBPE급 토크나이저 표준화
* MCP/A2A 기반 한국어 에이전트 생태계 성숙
* 공공 AI 전환 가속

### 핵심 과제

| 과제            | 상세                       |
| ------------- | ------------------------ |
| **학습 데이터 부족** | 영어 대비 10\~20배 적은 고품질 데이터 |
| **토큰화 비효율**   | 범용 토크나이저의 한국어 처리 오버헤드    |
| **벤치마크 신뢰성**  | 한국어 벤치마크의 다양성/깊이 확대 필요   |
| **인재 부족**     | AI 연구자/엔지니어 부족           |
| **GPU 인프라**   | NVIDIA GPU 확보 경쟁         |

***

**참고 자료:**

* [K-EXAONE-236B-A23B (HuggingFace)](https://huggingface.co/LGAI-EXAONE/K-EXAONE-236B-A23B)
* [EXAONE-Deep-32B (HuggingFace)](https://huggingface.co/LGAI-EXAONE/EXAONE-Deep-32B)
* [Qwen2.5-72B-Instruct (HuggingFace)](https://huggingface.co/Qwen/Qwen2.5-72B-Instruct)
* [SOLAR-10.7B (HuggingFace)](https://huggingface.co/upstage/SOLAR-10.7B-Instruct-v1.0)
* [Open Ko-LLM Leaderboard](https://huggingface.co/spaces/upstage/open-ko-llm-leaderboard)
* [BGE-M3 (HuggingFace)](https://huggingface.co/BAAI/bge-m3)
* [KMMLU (HuggingFace)](https://huggingface.co/datasets/HAERAE-HUB/KMMLU)
* [한국어 RAG 최적화 가이드](../guides/rag/korean-nlp)