Flint LLM: AI가 모두 같은 답을 내는 문제를 겨냥하다

LLM은 점점 더 유능해지고 있지만, 개방형 질문에서는 종종 비슷한 답을 냅니다. 여행지 추천, 브랜드명, 은유, 캠페인 문구처럼 정답이 하나로 정해지지 않은 질문일수록 이런 현상이 두드러집니다. 모델이 달라도 결과가 좁은 범위로 모이는 것입니다.

호주 스타트업 Springboards가 만든 Flint는 바로 이 문제를 겨냥한 LLM입니다. Flint의 목표는 하나의 “정답”을 더 잘 맞히는 것이 아니라, 사용자가 탐색할 수 있는 아이디어의 폭을 넓히는 데 있습니다.

문제는 창의성 부족이 아니라 답변의 수렴이다

Springboards는 이 현상을 Artificial Hivemind 효과라고 설명합니다. 개별 LLM은 물론 서로 다른 LLM들까지 개방형 질문에서 비슷한 답변으로 수렴하는 현상입니다.¹

이를 보여주는 예로 2025년 논문 「Artificial Hivemind」는 25개 AI 모델에 “시간에 대한 은유”를 각각 50번 생성하게 했습니다. 총 1,250개 응답을 분석한 결과, 대부분은 “시간은 강”이라는 개념에 몰렸고, 더 작은 군집은 시간을 직조공에 비유했습니다.¹

개방형 질문이라면 훨씬 다양한 답이 나올 것 같지만, 실제 출력은 몇 가지 익숙한 패턴으로 좁혀졌습니다. 머신러닝에서는 이런 다양성 손실을 모드 붕괴(mode collapse)라고 부릅니다. 가능한 답은 많지만 모델이 가장 가능성 높은 몇 개의 답만 반복하는 상태입니다.¹

이 문제는 단순히 “AI가 창의적이지 않다”는 말보다 더 구체적입니다. 사용자가 아이디어를 넓히고 싶을 때, LLM이 평균적인 답으로 빠르게 수렴하면 탐색 도구로서의 가치가 줄어듭니다.

Flint는 무작위성을 높이는 모델이 아니다

흔히 더 창의적인 답을 얻기 위해 temperature를 높입니다. 하지만 이 방식은 문장 전체의 무작위성을 끌어올립니다. 그 결과 새로움이 나오기도 하지만, 답변의 일관성이나 품질이 함께 흔들릴 수 있습니다.¹

Flint의 접근은 다릅니다. 답변 전체를 무작위로 흔드는 대신, 의미가 실제로 갈라지는 지점에 더 높은 엔트로피를 주도록 훈련합니다. 예를 들어 “유럽에서 어디를 가야 하나?”라는 질문에서 중요한 선택 지점은 설명 문장이 아니라 도시 이름을 고르는 순간입니다.¹

Springboards는 이런 지점을 critical tokens라고 설명합니다. 즉 Flint는 아무 답이나 내도록 만든 모델이 아니라, 여러 유효한 선택지가 가능한 순간에 덜 뻔한 방향을 열도록 설계된 모델입니다.¹

이 차이가 중요합니다. 사용자가 원하는 것은 난잡한 문장이 아니라, 검토할 만한 새로운 후보입니다. Flint는 “더 이상한 답”이 아니라 “더 다양한 출발점”을 제공하려는 시도에 가깝습니다.

Flint가 잘 맞는 작업과 그렇지 않은 작업

Flint alpha는 Qwen3-30B 기반으로 미세조정된 모델입니다. Springboards는 NoveltyBench에서 Flint가 10개 응답 중 평균 7.47개의 의미 있게 다른 답을 냈다고 밝혔습니다.²

이 수치가 말해주는 방향은 분명합니다. Flint는 리서치, 계산, 코딩처럼 하나의 정확한 답이 중요한 작업보다는 다음과 같은 작업에 더 잘 어울립니다.

• 브레인스토밍

• 네이밍

• 콘셉트 탐색

• 캠페인 아이디어 발산

• 여러 관점의 초안 만들기

반대로 사실 확인, 정밀한 추론, 코드 검증처럼 정확성과 안정성이 중요한 작업에서는 “다양성”이 항상 장점이 되지는 않습니다. 이때는 평균적으로 안정적인 답을 내는 모델이 더 적합할 수 있습니다.

Flint가 던지는 실용적인 질문

Flint의 의미는 “가장 좋은 LLM은 무엇인가”라는 질문을 바꾸는 데 있습니다. 더 중요한 질문은 이것입니다.

지금 필요한 것은 정확한 평균인가, 아니면 새로운 출발점인가?

아이디어를 좁혀야 할 때는 안정적인 모델이 유용합니다. 반대로 가능성을 넓혀야 할 때는 일부러 다른 답을 내는 도구가 필요합니다. Flint는 후자의 용도에 맞춰 설계된 모델입니다.

창의적 작업에서 AI의 가치는 항상 최종 결론을 내는 데 있지 않습니다. 때로는 익숙한 방향을 벗어나게 만들고, 생각의 출발점을 흔드는 도구일 때 더 쓸모가 있습니다. Flint LLM은 바로 그 지점을 겨냥합니다.

참고

¹How we built Flint: training AI for higher entropy

²World, meet Flint α. Flint α, meet world.