2026년 2월, Guide Labs가 Steerling-8B를 오픈소스로 공개했습니다. 핵심은 단순히 "8B 모델이 하나 더 나왔다"가 아니라, 모델이 출력한 각 토큰을 학습 데이터의 출처까지 추적하려는 설계를 전면에 내세웠다는 점입니다1. 요약하면, Steerling-8B는 성능 경쟁만 하던 LLM 판에 "설명 가능한 구조"라는 새 게임 규칙을 던졌습니다.
Steerling-8B란? "왜 그렇게 말했는지"를 설계로 푸는 LLM
지금까지 LLM은 대체로 똑똑하지만 속을 알기 어려웠습니다. 환각이 나와도 "왜 그 문장이 나왔는지"를 개발자가 확실히 짚기 힘들고, 편향을 줄이려 해도 어디에 숨어 있는지 찾는 일이 고역이었죠.
Steerling-8B는 이 문제를 '사후 분석'이 아니라 '건축 방식'으로 해결하려 합니다. 모델 내부에 일종의 개념 레이어(Concept layer)를 두고, 데이터를 추적 가능한 범주로 묶어 토큰 생성의 근거를 더 선명하게 만들겠다는 접근입니다1. 대신 초기에 데이터 주석(라벨링)이 더 필요하지만, 다른 AI를 활용해 그 부담을 줄였다고 알려져요1.
한마디로 비유하면, 기존 LLM이 "거대한 솥에 다 때려 넣고 끓인 국물"에 가까웠다면, Steerling-8B는 "재료 칸이 나뉜 도시락"에 가깝습니다. 나중에 문제가 생겼을 때, 무엇 때문인지 찾기 쉬운 쪽은 도시락이겠죠.
토큰 추적이 바꾸는 것: 저작권·규제·감사(Audit) 난이도 하락
"각 토큰을 학습 데이터로 추적한다"는 말은 개발자에게 꽤 실용적인 의미가 있습니다. 예를 들어 모델이 어떤 사실을 단정적으로 말했을 때, 그 근거가 된 참고 자료가 무엇인지 더 쉽게 확인할 수 있습니다1. 이건 단순한 디버깅 편의가 아니라, 제품 운영 방식 자체를 바꿉니다.
소비자 서비스에서는 저작권이 걸린 자료의 사용을 차단하거나, 특정 주제(폭력, 약물 등)에 대해 더 정교한 제어를 붙이는 쪽으로 이어질 수 있습니다1. 금융처럼 규제가 강한 산업에서는 더 직접적입니다. 대출 심사에서 "재무 기록은 보되, 인종 같은 민감 속성은 보지 말라"는 요구를 모델 수준에서 분리·점검 가능한 형태로 만들고 싶어 하거든요1. 결국 기업이 원하는 건 "똑똑함"만이 아니라 "감사 가능한 똑똑함"입니다.
최근 보험 영역 연구에서도, 규제·거버넌스 문제 때문에 범용 LLM 도입이 제한되고 로컬 배포, 통제 가능한 파이프라인이 중요해진다는 흐름이 보입니다. 현업 데이터에 맞춘 튜닝과 평가 체계를 갖추면 실무 적합성이 올라간다는 결론도 있고요2. Steerling-8B 같은 '설명 가능 구조'는 이런 산업의 도입 장벽을 더 낮추는 카드가 될 수 있습니다.
"통제하면 재미가 사라지나?"--발견된 개념과 스티어링 경쟁의 시작
통제와 해석 가능성을 강화하면, LLM 특유의 '뜻밖의 일반화'가 줄어드는 것 아니냐는 걱정이 항상 따라옵니다. Guide Labs는 Steerling-8B에서도 모델이 스스로 만들어낸 "발견된 개념"을 추적하고 있으며(예: 양자컴퓨팅 같은 주제), 일반화가 유지된다고 주장합니다1. 즉, "칸을 나눠도 창의성은 남는다"는 쪽에 베팅한 셈이죠.
한편 2026년엔 모델 내부의 특정 "개념"을 증폭·감쇠해 출력을 조정하는 스티어링(steering) 연구도 주목받고 있습니다. 개념을 조작하면 성능 개선도 가능하지만, 반대로 안전장치를 약화시켜 탈옥(jailbreak) 위험도 커질 수 있다는 경고도 함께 나옵니다3. 이 흐름을 Steerling-8B와 연결해 보면 재밌습니다.
스티어링이 "이미 만들어진 뇌를 조작하는 기술"에 가깝다면, Steerling-8B는 "처음부터 해부가 쉬운 뇌를 설계하는 시도"에 가깝습니다. 둘 다 궁극적으로는 LLM을 더 통제 가능한 시스템으로 만들려는 경쟁이고, 앞으로는 성능만큼이나 통제/감사/안전성이 모델의 스펙으로 거래될 가능성이 큽니다.
시사점: 오픈소스 LLM 고를 때 "성능표" 말고 이것도 보세요
Steerling-8B가 당장 모든 벤치마크를 뒤집는 뉴스는 아닐 수 있습니다. 하지만 제품을 만드는 입장이라면 체크리스트가 달라집니다.
첫째, "모델이 똑똑한가?" 다음으로 "문제 생겼을 때 설명 가능한가?"를 보게 됩니다. 특히 규제 산업이나 B2B에서는 이 순서가 뒤집힐 수도 있습니다.
둘째, 로컬 LLM 도구 생태계가 성숙해진 2026년엔, 모델 선택이 더 현실적인 옵션이 됐습니다. 이제는 "돌아가느냐"보다 "운영 가능한 통제력을 제공하느냐"가 차이를 만듭니다.
셋째, 오픈소스의 다음 경쟁은 '파라미터 크기'가 아니라 '감사 가능성'일 수 있습니다. Steerling-8B 같은 시도가 늘어나면, 팀의 AI 도입 전략도 "최고 성능 모델 붙이기"에서 "설명 가능한 아키텍처 + 평가/거버넌스 체계"로 이동하게 될 겁니다.
참고
1Guide Labs open-sources Steerling-8B, an interpretable 8B-parameter LLM
2Claim Automation using Large Language Model
3Innovative AI Steering Technique Reveals System Vulnerabilities and Paths for Enhancement
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.