Guide Labs Steerling-8B 오픈소스 공개: AI 블랙박스 문제를 해결하는 해석 가능한 LLM
Y Combinator 출신 스타트업 Guide Labs가 2026년 2월 23일 Steerling-8B을 오픈소스로 공개했다. 모든 출력 토큰을 학습 데이터 원본까지 추적할 수 있는 최초의 상용급 해석 가능한 LLM으로, 기존 모델 성능의 90%를 유지한다.
Y Combinator 출신 스타트업 Guide Labs가 2026년 2월 23일 Steerling-8B을 오픈소스로 공개했다. 모든 출력 토큰을 학습 데이터 원본까지 추적할 수 있는 최초의 상용급 해석 가능한 LLM으로, 기존 모델 성능의 90%를 유지한다.
AI 블랙박스 문제에 대한 구조적 해법
Y Combinator 출신 스타트업 Guide Labs가 2026년 2월 23일 Steerling-8B을 오픈소스로 공개했다. 80억 파라미터 규모의 이 모델은 일반적인 LLM과 근본적으로 다른 구조를 가진다. 모든 출력 토큰을 학습 데이터의 원본까지 추적할 수 있도록 설계된, 최초의 상용급 해석 가능한 대규모 언어 모델이다.
CEO Julius Adebayo는 MIT 박사 과정에서 이 연구를 시작했다. 그의 2018년 공동 저술 논문은 기존 딥러닝 해석 방법론이 신뢰할 수 없다는 것을 증명했으며, 이것이 Steerling의 출발점이 됐다.
컨셉 레이어: 해석 가능성의 핵심
Steerling-8B의 핵심 혁신은 '컨셉 레이어(Concept Layer)'다. 기존 LLM이 사후적으로 해석 방법을 적용하는 것과 달리, Steerling은 모델 구조 자체에 해석 가능성을 내장했다.
모델의 임베딩은 세 가지 경로로 분해된다.
| 경로 | 설명 |
|---|---|
| 지도 컨셉 (약 33,000개) | 사전 정의된 추적 가능한 개념 카테고리 |
| 발견 컨셉 (약 100,000개) | 모델이 학습 중 자체적으로 발견한 개념 |
| 잔차(Residual) | 위 두 경로에 포함되지 않는 나머지 정보 |
예를 들어, 모델은 학습 중 양자 컴퓨팅을 독립적인 컨셉으로 자체 식별했다. 이는 모델이 인간이 사전에 정의하지 않은 개념까지 자발적으로 조직화할 수 있음을 보여준다.
성능: 기존 모델의 90%를 유지
Guide Labs에 따르면, Steerling-8B은 동급 비해석 모델 성능의 90%를 달성한다. 더 적은 학습 데이터로 이 수준에 도달했다는 점이 주목할 만하다. CEO Adebayo는 이를 '이론 과학에서 실용 공학으로의 전환'이라고 표현했다.
10%의 성능 손실은 해석 가능성이라는 구조적 제약에서 비롯된다. 하지만 규제 산업이나 고위험 애플리케이션에서는 이 10% 손실보다 출력의 추적 가능성이 훨씬 중요하다.
실용적 응용: 규제와 안전
소비자 애플리케이션에서는 저작권이 있는 콘텐츠를 차단하거나, 폭력이나 약물 남용 같은 민감한 주제에 대한 출력을 제어할 수 있다. 금융 등 규제 산업에서는 대출 심사 시 재무 기록은 고려하면서 인종은 명시적으로 무시하도록 지시할 수 있다.
팩트체킹 측면에서도 사실적 주장에 대한 참조 자료를 식별할 수 있어, 할루시네이션 감지와 출처 검증이 구조적으로 가능해진다.
창업 배경과 투자
Guide Labs는 CEO Julius Adebayo와 CSO Aya Abdelsalam Ismail이 공동 창업했다. Y Combinator를 졸업한 후 2024년 11월 Initialized Capital로부터 $900만 시드 라운드를 유치했다.
$900만이라는 규모는 대형 AI 기업의 수십억 달러 투자와 비교하면 소규모지만, 해석 가능한 AI라는 특정 문제에 집중하는 스타트업으로서는 의미 있는 자금이다.
결론
Steerling-8B은 AI의 '블랙박스' 문제를 구조적으로 해결하려는 최초의 실용적 시도다. 모든 출력을 학습 데이터까지 추적할 수 있다는 것은 AI 신뢰성과 규제 준수에서 근본적인 변화를 의미한다. 10%의 성능 손실이 있지만, EU AI Act 등 글로벌 AI 규제가 강화되는 시점에서 해석 가능한 AI에 대한 수요는 더욱 커질 것이다. 오픈소스 공개로 연구 커뮤니티의 검증과 개선이 가능하다는 점도 큰 장점이다.
장점
- 모든 출력을 학습 데이터까지 추적할 수 있어 AI 신뢰성을 구조적으로 확보한다
- 규제 산업에서 편향 제거와 컴플라이언스를 명시적으로 수행할 수 있다
- 오픈소스로 공개되어 연구 커뮤니티의 검증과 개선이 가능하다
- 저작권 콘텐츠 차단과 민감 주제 필터링이 구조적으로 가능하다
단점/한계
- 기존 동급 모델 대비 약 10%의 성능 손실이 존재한다
- 80억 파라미터 규모로 대형 모델 대비 절대 성능이 제한적이다
- 시드 단계 스타트업으로 장기적인 모델 유지보수와 업데이트에 대한 불확실성이 있다
참고 자료
댓글0개
주요 기능/특징
Guide Labs가 Steerling-8B을 오픈소스로 공개했다. 80억 파라미터 LLM으로, 컨셉 레이어를 통해 모든 출력 토큰을 학습 데이터 원본까지 추적할 수 있다. 약 33,000개의 지도 컨셉과 100,000개의 자체 발견 컨셉으로 구성되며, 기존 모델 성능의 90%를 유지한다.
핵심 인사이트
- 모든 출력 토큰을 학습 데이터 원본까지 추적할 수 있는 최초의 상용급 해석 가능한 LLM이다.
- 컨셉 레이어가 약 33,000개 지도 컨셉과 100,000개 자체 발견 컨셉으로 임베딩을 분해한다.
- 기존 동급 모델 성능의 90%를 유지하면서 해석 가능성을 확보했다.
- 저작권 콘텐츠 차단, 민감 주제 필터링 등 출력 제어가 구조적으로 가능하다.
- 금융 규제 준수 등 고위험 산업에서 편향 제거를 명시적으로 수행할 수 있다.
- 할루시네이션 감지와 출처 검증이 모델 구조 수준에서 가능하다.
- MIT 박사 연구에서 시작된 기존 해석 방법론의 한계를 구조적으로 극복했다.
- EU AI Act 등 글로벌 AI 규제 강화와 함께 수요가 증가할 것으로 예상된다.
이 리뷰가 유용했나요?
공유하기
관련 AI 리뷰
Google Gemma 오픈모델 다운로드 10억 건 돌파, 변형 10만 종 확산
Google이 Gemma 오픈모델 누적 다운로드 10억 건 돌파를 공식 발표했다(2026-08-20). 커뮤니티 변형 모델 10만 종 이상, 우주·헬스케어·암 연구 등에 활용된다.
엔비디아 Nemotron 3.5 Lightning 출시: 30B 경량모델+NeMo Switchyard
엔비디아가 30B(활성 3B) 파라미터 경량 오픈모델 Nemotron 3.5 Lightning과 자동 모델 라우팅 라이브러리 NeMo Switchyard를 공개했다. 단일 GPU로 구동 가능한 에이전트용 모델이다.
Meta Muse Glimmer 출시: 24GB GPU 한 대로 돌리는 로컬 에이전트 모델
Meta Superintelligence Labs가 30B 파라미터 오픈소스 모델 Muse Glimmer를 Apache 2.0으로 공개했다. 4bit 양자화로 소비자용 GPU 한 장에서 로컬 에이전트 워크플로우를 지원한다.
Inkling-Small 출시: 276B 오픈웨이트 멀티모달 MoE 모델 분석
Thinking Machines Lab이 276B 파라미터 오픈웨이트 모델 Inkling-Small을 공개했다. 상위 모델 Inkling보다 코딩·추론 벤치마크는 앞섰지만 사실성 벤치마크는 하락했다.