AETHER란 무엇인가? VIDRAFT의 완전 공개 파운데이션 모델
가중치만 여는 것을 넘어 학습 데이터·코드·로그·체크포인트까지 전부 Apache-2.0으로 공개한 from-scratch 파운데이션 모델
AETHER는 한국 AI 기업 VIDRAFT가 밑바닥부터 학습한 파운데이션 모델로, 가중치뿐 아니라 학습 데이터·코드·로그·중간 체크포인트까지 모두 Apache-2.0으로 공개합니다. 흔한 '가중치만 공개(open weights)'보다 한 단계 높은 완전 개방 표준을 따릅니다.
AETHER가 '가중치만 공개'가 아니라 '완전 공개'라는 것은 무슨 뜻인가요?
대다수의 '오픈' 모델은 완성된 가중치만 배포하기 때문에 어떤 데이터로 어떻게 학습됐는지 외부에서 재현할 수 없습니다. AETHER는 Allen AI의 OLMo와 같은 완전 개방 표준을 지향해, 연구자와 기업이 학습 과정 전체를 검증하고 그대로 재현하거나 이어서 학습할 수 있도록 다섯 가지 산출물(weights, data, code, logs, checkpoints)을 모두 제공합니다.
AETHER-7B-5Attn의 아키텍처는 어떻게 구성되나요?
7x7 라틴 방진 레이아웃은 다섯 가지 서로 다른 어텐션 유형이 층마다 균형 있게 분포되도록 설계된 것으로, 특정 어텐션에 치우치지 않고 이종 어텐션의 조합 효과를 실험할 수 있게 합니다. AETHER의 핵심 가치는 벤치마크 우위가 아니라, 이 재현 가능한 어텐션 배치 방법 자체와 완전 개방된 학습 파이프라인에 있습니다.
AETHER는 어떤 데이터와 하드웨어로 학습됐나요?
학습 결과물로 base와 instruct 두 가지 변형이 공개되며, 각각 약 13GB 크기의 체크포인트 3종이 함께 제공됩니다. 수학 비중이 가장 높은 데이터 믹스와 한국어·영어를 동등하게 둔 구성은 이 모델이 추론과 이중언어 활용을 함께 겨냥했음을 보여줍니다.
지금 시점에서 AETHER의 한계는 무엇인가요?
AETHER는 프런티어급 성능을 주장하는 모델이 아니라, 재현 가능한 완전 개방과 이종 어텐션 방법론에 가치를 둔 연구용 릴리스입니다. 벤치마크 수치는 회사가 자체 발표하는 대신 누구나 포함된 평가 코드로 검증하도록 열어두었고, KV 캐시 부재는 향후 빌드에서 개선될 수 있는 엔지니어링 사항입니다.
자주 묻는 질문
- AETHER를 상업적으로 무료로 사용할 수 있나요?
- 네. AETHER는 가중치·데이터·코드·로그·체크포인트가 모두 Apache-2.0으로 공개되어 상업적 이용, 수정, 재배포가 허용됩니다.
- AETHER는 어디서 내려받을 수 있나요?
- Hugging Face의 FINAL-Bench 조직 페이지에서 base·instruct 변형과 각 약 13GB 체크포인트 3종을 받을 수 있으며, VIDRAFT 공식 사이트(vidraft.net)에서 관련 정보를 확인할 수 있습니다.
- AETHER가 최상위 프런티어 모델보다 성능이 좋나요?
- 발표 시점에는 벤치마크 점수가 공개되지 않았습니다. AETHER의 강점은 성능 순위가 아니라 재현 가능한 완전 개방과 7x7 라틴 방진 이종 어텐션 방법이며, 성능은 포함된 평가 코드로 누구나 직접 측정할 수 있습니다.
관련 글
이 글은 VIDRAFT의 공개·실측 데이터와 외부 출처에 기반합니다. 성능 수치는 명시된 조건에서의 측정값이며 환경에 따라 달라질 수 있습니다.