Apriel-1.6-15b-Thinker: AI의 미래, 작고 강한 다중모달 혁신

AI 업계의 판을 흔드는 새로운 인공지능 모델이 탄생했습니다. ServiceNow에서 선보인 ‘Apriel-1.6-15b-Thinker’는 150억 개의 파라미터만으로도 수백억~수천억 파라미터의 대형 모델과 어깨를 나란히 하며, 텍스트와 이미지 모두에서 뛰어난 추론 실력을 자랑합니다. 이번 글에서는 Apriel-1.6-15b-Thinker의 기술적 특징, 학습 전략, 그리고 비용 효율적 AI가 왜 중요한지, 쉽고 재미있게 풀어봅니다.

대형 모델을 능가하는 ‘작지만 강한’ AI의 등장

인공지능 모델의 크기는 그동안 ‘성능’과 거의 동일시되어 왔습니다. 파라미터가 많으면 당연히 더 똑똑할 거라 믿었죠. 하지만 최근에는 “작은 언어 모델(Small Language Model, SLM)”이 주목받고 있습니다. SLM은 모바일이나 소규모 서버에서도 돌아갈 만큼 경량화된 AI로, 기업이나 개발자 입장에선 비용과 속도, 배포 편의성 측면에서 큰 이점이 있습니다.

Apriel-1.6-15b-Thinker는 150억 파라미터라는 SLM의 경계에 있으면서, 실제로 Artificial Analysis Index에서 57점을 획득해 10배~100배 큰 모델들과 비슷하거나 오히려 더 뛰어난 추론 효율을 보여줍니다. Qwen3 235B, Gemini 2.5 Flash, Claude Haiku 등 이름만 들어도 입이 떡 벌어지는 거물 모델들과 당당히 경쟁하고 있죠.

텍스트와 시각 추론 능력의 혁신적 발전

Apriel-1.6-15b-Thinker의 진짜 강점은 멀티모달(다중모달) 능력입니다. 즉, 텍스트뿐 아니라 이미지나 차트, 구조화된 데이터도 이해하고 추론할 수 있다는 것. 기존의 1.5 버전에 비해 시각적 문제 풀이와 토큰 사용 효율성이 크게 개선되었습니다.

이미지 출처: huggingface

훈련 과정에서 49,000 토큰 길이의 CPT(Continual Pretraining)를 실시하고, 그 위에 SFT(지도 학습), RL(강화 학습)을 다단계로 쌓아 올렸습니다. 텍스트-이미지 혼합 데이터, 수학/코딩/과학 문제, 대화와 기능 호출 등 현실의 복잡한 사용 환경을 아우르는 방대한 데이터셋이 활용되었습니다.

비용 효율성과 실제 활용성의 새로운 기준

이쯤에서 ‘작은 모델이 왜 중요한가?’라는 질문을 할 수 있습니다. 쉽게 말해, 대형 모델은 엄청난 컴퓨팅 파워와 예산을 필요로 합니다. 수십억~수천억 파라미터를 돌리려면 최신 GPU 서버를 수백~수천 대 마련해야 하죠.

Apriel-1.6-15b-Thinker는 약 1만 GPU 시간만으로 훈련을 마쳤습니다. 이는 다른 대형 모델이 필요로 하는 자원에 비해 극히 작은 규모입니다. 또한 실제 응답 과정에서 사용하는 토큰(데이터 양)을 획기적으로 줄여, 기업의 서버 비용 절감 효과까지 가져다 줍니다.

이미지 출처: huggingface

실제 평가에서는 이전 모델 대비 30% 이상 토큰 사용량을 낮추면서도 성능을 높였습니다. 덕분에 실전 기업 환경(특히 대량 문의, API 호출 등)의 운영비용이 크게 줄어듭니다.

Apriel의 훈련 전략: 데이터 품질과 효율 중심

대형 AI 모델을 만드는 데 있어 ‘데이터 품질’이 갈수록 중요해지고 있습니다. Apriel-1.6-15b의 SFT 단계는 엄선된 240만 개의 고품질 텍스트 샘플로 이루어졌고, 실행 검증, 중복 제거, 내용 필터링 등 여러 단계를 거치면서 데이터의 신뢰도를 높였습니다.

이미지 출처: huggingface

여기에 RL(강화학습)까지 적용해, 시각적으로 복잡하거나 추상적인 문제, OCR, 과학적 다중 선택 등 다양한 유형의 질문에서 정확도와 경제성을 동시에 잡았습니다.

한계와 앞으로의 과제

물론 완벽한 모델은 없습니다. Apriel-1.6-15b 역시 복잡한 이미지나 저해상도 사진, 비정형 차트나 아주 세밀한 시각적 분류에서는 가끔 부정확한 결과를 낼 수 있습니다. 또, 현장 배포 과정에서 호환성 문제나 버그 이슈가 일부 제기되고 있지만, 이는 소규모 연구팀이 적은 자원으로 빠르게 개발할 때 불가피한 장벽일 수 있습니다.

작지만 강한 AI 모델의 흐름은 단순히 기술 경쟁이 아니라, 실제 기업과 사회가 원하는 ‘현실적 효과’에 집중하는 방식으로 진화 중입니다.

시사점: AI 혁신 속에서 우리가 얻을 수 있는 가치

Apriel-1.6-15b-Thinker는 ‘커다란 것이 좋다’는 고정관념을 뒤집고, 적정 규모에서 최적의 성능과 실용성을 내는 AI의 새로운 기준을 제시합니다. 세계 여러 기업과 스타트업, 공공기관들이 실전 환경에서 AI를 활용하려면, 이렇게 효율적이면서도 강력한 모델이 필수입니다.

오늘날 AI 시장은 대형 모델의 독주에서 벗어나, 각 지역과 현업에 꼭 맞춘 “소형·특화 모델” 개발 경쟁이 치열합니다. 인도는 독자적인 대규모 언어모델과 SLM(작은 언어모델) 기반의 서비스에 적극적으로 투자하고 있고, 미국, 유럽, 한국 등도 각자 다양한 소형 모델을 개발 중입니다.[2][1]

이제 중요한 것은 ‘더 많은 데이터’가 아니라 ‘똑똑하게 다듬은 데이터’와, ‘과도한 자원은 쓰지 않으면서도 현장에서 돋보이는 성능’입니다. 앞으로 AI 모델을 도입하려는 기업·기관·개발자라면, 효율성과 실전 적용성을 동시에 고려하는 SLM 중심의 전략이 더 스마트한 선택이 될 수 있습니다.

참고

[1] India’s leap from AI user to AI builder - CXOToday

[2] Small language model - Wikipedia - Wikipedia

[3] Apriel-1.6-15b-Thinker: Cost-efficient Frontier Multimodal Performance - Hugging Face