제공: LG AI Research
LG AI Research의 오픈 웨이트 주력 모델입니다. 한국 독자 AI와 자체 호스팅 에이전트 작업을 겨냥한 프런티어급 전문가 혼합(MoE) 모델입니다.
직접 호스팅할 수 있는 제약이 적은 라이선스 모델이 필요하다면 후보로 올릴 만합니다. 컨텍스트 윈도는 262,144 토큰이고, 자체 비교 표에서 장문 컨텍스트 검색이 강합니다. 코딩이나 수학 성능이 우선이면 건너뛰십시오. 이 항목들은 DeepSeek V4 Pro와 GLM이 대부분 더 높게 나옵니다.
LG AI Research는 확인한 페이지 어디에도 K-EXAONE 2.0의 토큰당 API 요금을 공개하지 않았습니다. 비용은 자체 호스팅에 필요한 모델 카드 기준 GPU 장비 규모로 결정됩니다. 토큰당 요금 모델과 견줄 대상으로는 DeepSeek V4 Pro와 Kimi K3가 있습니다.
K-EXAONE 2.0은 LG AI Research가 2026년 7월 31일 공개한 오픈 웨이트 MoE 언어 모델입니다. 파라미터 7,500억 개 중 370억 개를 활성화하고, 모델 카드에서 SWE-bench Verified 68.2%를 보고했습니다.
입력
출력
전문가 혼합 구조
희소 층마다 라우팅 전문가 256개와 공유 전문가 1개를 두고, 토큰마다 라우팅 전문가 8개를 활성화합니다.
하이브리드 어텐션
슬라이딩 윈도 층 3개와 글로벌 층 1개를 한 블록으로 묶고 NoPE 글로벌 층을 더해, 긴 입력의 비용을 낮춥니다.
전환 가능한 추론 모드
추론이 기본으로 켜져 있고 요청마다 끌 수 있으며, 멀티턴 에이전트 실행용 preserve_thinking 플래그가 있습니다.
내장형 추측 디코딩
MTP와 DSpark 빌드는 추측 디코딩을 더해 출력 속도를 몇 배 끌어올린다고 모델 카드가 설명합니다.
네 가지 빌드의 Apache 라이선스 웨이트
전체 정밀도, FP8, NVFP4, DSpark 체크포인트가 상업적 이용이 가능하도록 Hugging Face에 공개되어 있습니다.
OpenAI-MRCR 장문 컨텍스트 검색 점수
Source: Hugging Face의 K-EXAONE 2.0 모델 카드, 2026-10-12 확인| 지표 | 이 모델 | 순위 | 중앙값 |
|---|---|---|---|
| SWE-bench Verified(코딩 벤치마크)% 해결 | 68.2% | #27 / 39 | 동급 중앙값 76.5% |
| GPQA Diamond% 정답 | 82.2% | #41 / 63 | 동급 중앙값 87.8% |
Hokai에 등록된 정식 출시(GA) 모델 가운데 같은 수치를 공개한 모델과 비교한 순위입니다. 동점은 같은 순위를 공유합니다.
벤치마크는 시험이지 실제 업무가 아닙니다. 점수는 작업마다 다르게 반영되니 업무와 가장 가까운 항목을 보고, 모든 수치를 출처와 함께 읽으십시오.
| 모델 | 개발사 | 컨텍스트 | 입력 / 출력 (100만 토큰당) | 입력과 출력 |
|---|---|---|---|---|
| LG AI Research | 262K | -- | 텍스트 → 텍스트 | |
| DeepSeek | 1M | $1.32 / $3.96 | 텍스트 → 텍스트 | |
| Naver | 128K | -- | text, image, video → text |
학습 데이터
모델 카드에 따르면 지식 기준 시점은 2025년 2분기입니다. 기존 K-EXAONE의 깊이와 너비를 키운 업사이클링 뒤에 지속 사전학습, 난이도 중심 미드트레이닝, 사후 학습을 거쳤습니다. 학습 데이터 구성은 모델 카드에 설명되어 있지 않습니다.
| 이름 | 엔드포인트 | 인증 |
|---|---|---|
| Hugging Face 웨이트 | https://huggingface.co/LGAI-EXAONE/K-EXAONE-2.0-750B-A37B | 없음(공개 다운로드) |
| FriendliAI 전용 엔드포인트 | https://friendli.ai/models/LGAI-EXAONE/K-EXAONE-2.0-750B-A37B | FriendliAI 계정 |
| K-EXAONE 데모 | https://k.exaone.ai/ | 명시되지 않음 |
모델 카드의 샘플링 기본값
temperature=1.0, top_p=0.95
벤더가 대부분의 경우 출력 품질에 더 낫다고 권장하는 설정입니다.
턴 사이에 추론 내용 유지
chat_template_kwargs: {preserve_thinking: true}모델 카드는 장시간 에이전트 실행과 딥 리서치 세션에 이 옵션을 권합니다.
추론 모드가 기본으로 켜져 있음
끄지 않으면 모든 요청이 추론 토큰 비용을 치릅니다. 비추론 챗 기본값에 익숙한 팀은 이 점에서 놀랍니다.
Workaround: 지연 시간에 민감한 호출에서는 챗 템플릿 인자 enable_thinking을 false로 설정하십시오.
빠른 시작에 포크 엔진이 필요함
모델 카드는 정식 릴리스가 아니라 LG 계열 포크 버전의 SGLang, vLLM, Transformers를 설치하도록 안내합니다.
Workaround: 포크 설치 절차를 따르고 커밋을 고정하십시오. 업그레이드하기 전에 정식 버전의 지원 여부를 다시 확인하십시오.
vLLM에서는 DSpark 미지원
모델 카드에 따르면 vLLM에서는 아직 DSpark 서빙이 되지 않아, 가장 빠른 디코딩 경로가 엔진마다 달라집니다.
Workaround: vLLM에서는 MTP 추측 디코딩을 쓰십시오. 엔진을 고르기 전에 DSpark 체크포인트의 모델 카드를 읽어 보십시오.
SGLang의 B200 생성 붕괴
NVIDIA B200 GPU에서 prefill CUDA 그래프를 켜면 출력이 깨진다고 모델 카드가 보고합니다.
Workaround: B200 장비에서 서빙할 때는 --disable-prefill-cuda-graph 플래그를 추가하십시오.
K-EXAONE-2.0-750B-A37B · 2026년 7월 31일
첫 K-EXAONE을 키워 만든 더 큰 전문가 혼합 모델입니다. 라이선스가 Apache License 2.0으로 바뀌었고, 열 개 언어와 추측 디코딩 빌드가 더해졌습니다.
K-EXAONE(1단계 모델)
전체 236B, 활성 23B 파라미터의 전작입니다. 공개 날짜는 확인하지 않았습니다.
웨이트는 무료로 내려받을 수 있어서 실제 비용은 하드웨어입니다. 모델 카드의 서빙 예시는 NVIDIA H200 GPU 8개짜리 노드 2대를 씁니다. 벤더는 토큰당 API 요금을 공개하지 않았고, 2026-10-12에 확인한 FriendliAI 페이지는 토큰 요금 없이 전용 엔드포인트 배포 옵션만 안내했습니다. 도입을 정하기 전에 DeepSeek V4 Pro 같은 토큰당 과금 모델과 장비 비용을 견주어 보십시오.
모델 카드 표에서 DeepSeek V4 Pro(max)는 SWE-bench Verified(80.6)와 GPQA-Diamond(90.1)에서 앞섭니다. K-EXAONE은 연구소의 안전성 시험에서 앞서 KGC-Safety 99.8 대 82.8을 기록했고, OpenAI-MRCR 검색에서도 근소하게 앞섭니다(DeepSeek 92.9). 모두 벤더가 보고한 수치이니 직접 쓰는 작업 일부로 다시 시험해 보십시오.
웨이트는 상업적 이용을 허용하는 Apache License 2.0으로 공개되어 있고, 벤더가 FP8과 NVFP4 빌드도 함께 냈습니다. 모델 카드에는 학습 데이터가 공개되어 있지 않습니다. 엄밀히 말하면 학습 전 과정이 열린 프로젝트가 아니라, 제약이 적은 라이선스의 오픈 웨이트 공개입니다.
웨이트를 직접 호스팅하면 프롬프트가 사내 인프라 안에만 머물고 LG AI Research는 관여하지 않습니다. k.exaone.ai 데모와 FriendliAI 엔드포인트의 데이터 약관은 Hokai가 검토하지 않았습니다. 민감한 텍스트를 보내기 전에 각 서비스의 정책을 읽어 보십시오. 기술 지원 창구는 contact_us@lgresearch.ai입니다.
국내에서 만든 모델을 제약이 적은 라이선스로 사내 네트워크 안에서 돌리고 싶은 조직, 특히 한국 조직에 맞습니다. SWE-bench 같은 순수 코딩 성능이 선택을 좌우하는 코딩 에이전트와 GPU 클러스터가 없는 소규모 팀은 건너뛰십시오. 이런 팀에는 HyperCLOVA X의 더 작은 자체 호스팅 변형이 낫습니다.
K-EXAONE 2.0(엑사원)은 LG AI Research가 2026년 7월 31일 Hugging Face에 공개한 최신 텍스트 모델입니다. 전체 파라미터 7,500억 개 가운데 토큰마다 370억 개만 쓰는 전문가 혼합(MoE) 구조입니다. 한국의 독자 AI 파운데이션 모델 프로젝트(Sovereign AI Foundation Model Project)를 위해 만든 두 번째 모델이며, LG AI Research 모델 전체는 Hokai 모델 디렉터리에서 볼 수 있습니다.
첫 K-EXAONE은 2,360억 개(활성 230억 개)였습니다. 연구소는 이 모델의 깊이와 너비를 키운 뒤 지속 사전학습, 난이도 중심 미드트레이닝, 사후 학습을 거쳤습니다. 지금까지 국내에서 만든 파운데이션 모델 가운데 가장 큰 규모라고 소개합니다.
구조는 주요 층 78개(밀집 층 2개, 희소 층 76개)에 멀티 토큰 예측 층 1개를 더한 형태입니다. 희소 층마다 라우팅 전문가 256개와 공유 전문가 1개를 두고, 라우팅 전문가 8개를 활성화합니다. 어텐션은 슬라이딩 윈도 층(윈도 128과 4,096 토큰)과 주기적인 글로벌 층을 섞었고, 쿼리 헤드 64개와 키·값 헤드 8개를 씁니다. 어휘 크기는 153,600개, 컨텍스트 길이는 262,144 토큰으로 128K에서 400K 구간에 들어갑니다. 지식 기준 시점은 2025년 2분기입니다.
모델 카드의 벤치마크 표를 보면 MMLU-Pro 83.5, GPQA-Diamond 82.2, AIME 2026 92.3입니다. SWE-bench Verified는 68.2, Terminal-Bench 2.1은 43.8, Humanity's Last Exam은 18.3입니다. 모두 벤더가 보고한 수치이고, 이 페이지를 쓴 시점에 독립 평가는 찾지 못했습니다. 같은 표에서 Qwen3.5, GLM-5.1, DeepSeek V4 Pro는 지식과 코딩 항목 대부분에서 앞섭니다. 그래서 이 모델은 해당 영역의 선두라기보다 경쟁력 있는 오픈 모델에 가깝습니다.
연구소에 따르면 24개 벤치마크 평균은 첫 K-EXAONE의 63.3에서 70.1로 올랐고, 코딩·에이전트 코딩 테스트 3개는 약 30% 좋아졌습니다. 가장 강한 근거는 장문 컨텍스트 검색입니다. OpenAI-MRCR 94.4, Ko-LongBench 89.6을 기록했습니다. AA-LCR은 56.2로, 표에 오른 경쟁 모델 세 곳이 모두 더 높습니다.
추론 모드는 기본으로 켜져 있고, preserve_thinking 옵션을 쓰면 앞선 추론 내용을 턴 사이에 이어 갑니다. 모델 카드는 에이전트 실행과 딥 리서치에 이 옵션을 권합니다. 도구 호출은 두 서빙 엔진 모두에서 지원합니다. 다만 에이전트 도구 사용 점수는 보통 수준이어서 tau3 Banking 테스트는 14.2입니다.
지원 언어는 6개에서 10개로 늘었습니다. 한국어, 영어, 스페인어, 독일어, 일본어, 베트남어, 프랑스어, 이탈리아어, 폴란드어, 포르투갈어를 다룹니다. 한국어는 연구소의 본거지 시장인데도 표 안의 한국어 지식 점수가 가장 높지는 않습니다. KMMLU-Pro는 69.1로, GLM-5.1의 75.8보다 낮습니다. 한국어 품질만 보고 고르려는 팀은 자체 프롬프트로 먼저 시험해 보십시오.
Naver의 HyperCLOVA X(Naver 모델 목록)와 Upstage의 Solar Pro 4(Upstage 모델)가 비교 대상입니다. 입력은 텍스트만 받습니다.
웨이트는 BF16, FP8, NVFP4, DSpark 추측 디코딩 빌드로 공개되며 모두 Apache License 2.0입니다. 그래서 오픈소스 라이선스 모델이자 정식 출시 모델에 속합니다. 모델 카드의 서빙 예시는 NVIDIA H200 GPU 8개짜리 노드 2대에서 LG 계열 포크 버전의 SGLang과 vLLM을 씁니다. MTP와 DSpark 추측 디코딩으로 생성 속도가 대략 세 배에서 다섯 배 빨라진다고 합니다.
FriendliAI는 전용 엔드포인트 옵션을 안내하고, 브라우저 데모는 k.exaone.ai에서 열립니다. 확인한 어느 페이지에도 토큰당 API 요금은 없어서, 비용은 보유한 GPU 예산에 달려 있습니다.
안전성 항목에서 연구소는 KGC-Safety 99.8, ROK-Fortress 89.5를 보고했고 두 점수의 평균은 94.6입니다. 한국과 글로벌 안전 기준 준수, 지정학적으로 민감한 상황을 각각 보는 시험입니다. 모든 언어 모델이 그렇듯 모델 카드는 편향되거나 부적절한 출력, 오래된 지식이 나올 수 있다고 경고합니다.
제약이 적은 라이선스의 자체 호스팅 모델이 필요하고 한국 시장·주권 요건이 있는 조직에 잘 맞습니다. 코딩 성능이 가장 중요한 팀에는 덜 맞습니다. 모델 카드에서는 DeepSeek V4 Pro와 Z.ai의 GLM 계열이 더 높은 점수를 냅니다. Hokai에는 GLM-5.3이 등록되어 있습니다.
이 페이지의 사양(컨텍스트 창, 토큰 가격, 벤치마크 점수, 라이선스)은 LG AI Research의 공식 모델 카드와 문서에서 확인했습니다. 평가는 Hokai가 이를 읽고 내린 판단이며, 제공사의 주장이 아닙니다.