OK 스터디
KO English 한국어 日本語 中文 हिन्दी বাংলা اردو Español Português Français Deutsch Русский العربية Bahasa Indonesia Tiếng Việt ไทย Türkçe

알림을 켜는 방법

이 브라우저 또는 주소에서는 알림을 사용할 수 없습니다. 지원되는 브라우저로 보안 연결된 배움노바 사이트에 접속해 주세요.

알림이 차단되어 있으면 브라우저 설정에서 허용해 주세요.

  1. 주소 표시줄 옆의 사이트 설정 또는 브라우저의 사이트 설정을 열고, 이 사이트의 알림을 허용으로 바꾸세요.
  2. 기기 설정에서 브라우저 알림을 허용하고 방해 금지 또는 집중 모드를 확인하세요.
  3. 배움노바로 돌아와 페이지를 새로고침하세요. 알림이 켜지면 벨은 사라집니다.

iPhone 또는 iPad에서는 배움노바를 홈 화면에 추가하고 거기에서 연 뒤 알림을 허용하세요.

손님

로그인하시면 회원님의 수업 스케줄 정보를 확인할 수 있습니다.

시작하기

한 단계씩 시작하는 영어 수업

단계를 누르면 그 화면으로 가요.

무료 체험

  1. 무료 체험 강사 고르기

    사진에 [무료 체험]이 붙은 강사를 눌러요.

  2. 선물 표시 시간 누르기

    시간표에서 선물 그림이 있는 무료 시간을 눌러요.

  3. 로그인하고 예약하기

    로그인하면 바로 예약돼요. 결제는 없어요.

  4. 카메라 & 마이크 테스트

    수업 전에 카메라와 마이크를 미리 확인해요.

  5. 예약된 수업 확인

    예약한 수업의 시각과 강사를 확인해요.

  6. 수업 입장

    시간이 되면 화상 교실에 들어가요.

  7. 지난 수업 확인

    끝난 수업의 기록을 다시 봐요.

  8. 강사 평가

    수업이 끝나면 강사를 평가해요.

나를 소개

  1. 나의 프로필 사진 등록하기

    사진이 있으면 강사가 나를 알아보기 쉬워요.

  2. 나를 소개 등록하기

    자기소개 게시판에 인사를 남겨요.

수업 듣기

  1. 수업 예약

    마음에 드는 강사의 시간표에서 예약해요.

  2. 페이팔 수업료 결제

    PayPal 로 내면 PayPal 이 확인하는 즉시 수업이 예약돼요.

  3. 예약된 수업 확인

    예약한 수업의 시각과 강사를 확인해요.

  4. 수업 입장

    시간이 되면 화상 교실에 들어가요.

  5. 지난 수업 확인

    끝난 수업의 기록을 다시 봐요.

  6. 강사 평가

    수업이 끝나면 강사를 평가해요.

요청이 가는 길

로봇 안내원이 질문 카드를 많은 전문가 책상 가운데 세 곳으로만 보내고, 불이 켜진 그 세 전문가만 일하는 사무실 그림
한눈에 보는 전체 길

글을 배운 AI가 내 화면에 답하기까지

글을 모아 을 만들고(), 다 만든 모델로 다음 을 하나씩 계산해 답합니다(). 위쪽 길에서는 가 바뀌고, 아래쪽 길에서는 가중치를 그대로 둔 채 계산만 합니다.

XSLM 실제 계산 숫자는 작은 학습용 모델 XSLM 을 기본 설정으로 실제로 돌린 값입니다. "설명용 예"라고 적힌 막대만 손으로 정한 예입니다.

모델 만들기 — 학습 가중치가 바뀜

  1. 자료 모으기
  2. 정리하기
  3. 토큰·숫자로
  4. 반복 학습

학습 반복: 예측 → 정답과 비교 → 손실 계산 → 가중치 수정

모델 쓰기 — 추론 가중치 고정

  1. 사람의 질문
  2. 입력을 숫자로
  3. 모델 계산
  4. 다음 토큰 고르기
  5. 글로 되돌리기
  6. 화면에 보이기

답변 반복: 다음 토큰 계산 → 고르기 → 입력 뒤에 붙이기 → 다시 계산 (끝 표시가 나오거나 길이 한도에 닿으면 멈춤)

  • 자료(글)
  • 토큰
  • 가중치
  • 확률
  • 문장
여러 글이 정리 기계를 지나 깨끗한 자료 묶음이 되는 그림

① 배울 자료를 준비한다

웹 문서·책··대화 글을 모으고, 겹치는 글과 품질이 낮은 글을 과 사람이 걸러 냅니다. 일부는 시험용(검증 자료)으로 떼어 둡니다.

XSLM XSLM: 15줄 → 겹침 지우기 → 학습 12줄 · 검증 3줄

자세히 배우기
문장 띠가 토큰 조각으로 잘리고 조각마다 숫자 묶음으로 이어지는 그림

② 글을 숫자로 바꾼다

문장을 토큰 조각으로 자르고, 조각마다 번호를 붙이고, 그 번호로 숫자 묶음()을 찾아옵니다.

  1. Q:␣29
  2. s22
  3. u24
  4. n18
  5. ↵1
  6. A:␣30
  7. t23
  8. h13
  9. e11
  10. ␣2
  11. s22
  12. u24
  13. n␣31
  14. is␣35
  15. w25
  16. a7
  17. r21
  18. m.39
  19. ↵1

XSLM 어휘 40개 · 이 문장은 조각 19개

자세히 배우기
로봇이 가린 조각을 맞히고 차이를 재어 조절 손잡이를 돌리는 그림

③ 예측하면서 가중치를 배운다

다음 조각을 가리고 맞혀 봅니다. 정답과의 차이()를 거꾸로 보내 가중치를 조금씩 고칩니다.

예측은 앞으로 고칠 신호는 뒤로

XSLM 같은 창을 다시 계산하면 손실 3.7050 → 3.6684

자세히 배우기
설계도·가중치·토크나이저·설정이 한 상자에 담겨 서버에 올라가는 그림

④ 사용할 모델을 완성한다

학습을 마치면 처음 보는 검증 자료로 실력을 재고, 구조·학습된 가중치··설정을 한 묶음으로 저장합니다. 대화용 큰 모델은 그 전에 추가 학습과 평가를 더 거칩니다. 실행기는 이 묶음을 에 올립니다.

XSLM XSLM: 행렬 9개 · 가중치 1,248개 · 검증 손실 3.7568 → 3.7298

자세히 배우기
질문 조각이 모델을 지나 확률 막대가 되고 가장 큰 조각이 뒤에 붙는 그림

⑤ 다음 토큰을 계산한다

질문을 숫자로 바꿔 모델에 넣으면 후보마다 점수가 나오고, 점수를 로 바꿔 한 조각을 고릅니다. 고른 조각을 뒤에 붙여 다시 계산합니다.

설명용 예 — 낱말 단위 오래 배운 모델이라면 the sun is …
  • warm63.2%
  • hot23.2%
  • blue10.4%
  • run3.1%

가중치 고정 이때 가중치는 바뀌지 않습니다.

자세히 배우기
토큰이 글로 바뀌어 노트북 대화창에 보이고 뒤로 전체 길이 보이는 그림

⑥ 사람이 읽는 답변이 된다

고른 번호를 글자로 되돌리고, 가 로 보내 대화창에 보입니다.

the sun is warm.

XSLM 실행기는 답을 다 만든 뒤 한 번에 보내고, 흔한 챗봇은 만드는 대로 흘려보냅니다.

자세히 배우기

직접 해 보기

같은 문장 "⁨the sun is warm.⁩" 를 따라가며 토큰·임베딩·가중치·확률이 어떻게 다른지 눌러 봅니다.

토큰 번호와 임베딩

조각을 누르면 그 번호와 숫자 묶음(임베딩)이 함께 밝아집니다.

토큰 번호 — 조각을 가리키는 번호일 뿐 뜻은 없습니다
t 23

임베딩 — 학습으로 정해지는 숫자 8개

학습 전
  1. 0.11
  2. -0.03
  3. 0.28
  4. -0.12
  5. 0.09
  6. -0.03
  7. 0.01
  8. 0.07
20걸음 학습 뒤
  1. 0.11
  2. -0.03
  3. 0.28
  4. -0.12
  5. 0.09
  6. -0.02
  7. 0.01
  8. 0.07

학습 한 걸음 가중치가 바뀜

처음 모델이 이 문장 창으로 예측 → 손실 → 가중치 수정을 한 걸음씩 합니다.

  1. Q:␣
  2. s
  3. u
  4. n
  5. ↵
  6. A:␣
  7. ?
맞혀야 할 조각
t
정답 조각의 확률
3.2%
손실
3.7050
  1. 학습 전 · 손실 3.7050

답변 한 걸음 가중치 고정

20걸음만 학습한 XSLM 이 질문 뒤에 한 조각씩 고릅니다. 가중치는 고정입니다.

지금까지 만든 답 Q:␣sun↵A:␣

  • Q:␣5.4%
  • .3.8%
  • A:␣i3.4%
  • A3.1%
  • t3.1%
  • 나머지 후보 합81.3%

고른 조각 —

확률은 다음 조각 후보의 가능성이지 답이 사실일 확률이 아닙니다. 20걸음만 배운 모델이라 아직 엉뚱한 조각을 고릅니다 — 의 정답은 "⁨the sun is warm.⁩" 입니다.

큰 그림 — 다섯 군데

  • 내 컴퓨터
  • 멀리 있는 기계
1

내 컴퓨터의 프로그램

··앱. 내 요청을 받아서 무엇을 보낼지 정합니다.

1번과 5번은 같은 내 컴퓨터예요

3번 칸 안 — 멀리 있는 계산 기계

한 번
  1. 의 큰 파일들에 된 숫자와 을 불러올 때 필요한 정보가 담겨 있습니다.
  2. 이 그것을 읽어 계산 전용 부품 위에 올려 두고, 그대로 켜 둡니다.
매번
  1. 문지기가 열쇠를 확인하고, 요청은 차례를 기다립니다.
  2. 이미 올라가 있는 그 숫자로 계산이 돌아갑니다.

한 단계씩

여덟 단계입니다. 여덟 번째에서 길이 둘로 갈립니다.

1

내가 보냅니다

키보드와 마우스는 를 거치고, 운영체제가 지금 내가 보고 있는 에게 신호를 건넵니다. 마이크는 다릅니다 — 내가 허락할 때만 프로그램이 소리를 받아 로 글자를 만들거나, 소리를 직접 들을 수 있는 에게 그대로 보냅니다.

길은 하나가 아니라 둘입니다

이 둘을 한 줄기로 그리는 데서 무서운 오해가 생깁니다. 둘은 같지 않습니다.

8 여기서 길이 갈립니다

대화만

  1. 화면에 글자
  2. 여기서 끝
자세히 보기

글자가 화면에 흐르고 그것으로 끝납니다. 에는 아무 일도 일어나지 않습니다. 이 사이트의 리엔 학습 도우미가 이 길입니다.

손을 빌림

  1. 도구 요청 찾아내기
  2. 허락 묻기
  3. 실제로 하기
  4. 결과 담기

결과는 2단계 가방에 담겨 3단계로 다시 나갑니다

자세히 보기

돌아오는 것은 여전히 글자뿐입니다. 그 글자가 "이 파일을 고쳐" 같은 이면, 내 컴퓨터의 이 그것을 확인하고 대신 움직입니다. 그리고 그 결과를 2단계의 가방에 담아 3단계로 다시 보내면서 대화가 이어집니다. 사람들이 라고 부르는 것이 이 반복입니다.

잘 만든 프로그램은 파일을 지우거나 명령을 실행하기 전에 나에게 묻습니다. 묻지 않게 바꾸는 것도 사람이 정합니다. 그 물음이 안전장치이고, 그것을 지키는 것은 모델에게 건네는 공손한 지시가 아니라 프로그램입니다.

위험한 명령을 확인하는 습관 익히기

굳이 비유하자면

모델은 계산만 하는 부품이고, 몸은 내 컴퓨터의 프로그램이나 그것을 둘러싼 서비스입니다. 계산 부품에는 손이 없습니다 — 스스로 파일을 만들 수도, 앱을 켤 수도 없습니다. 글로 부탁할 수 있을 뿐입니다. 실제로 움직이는 것은 언제나 프로그램이고, 허락받은 만큼만 움직입니다.

  • 가 몸이고 모델은 그 계산 부품입니다 — 몸은 이 부품을 갈아 끼울 수 있습니다. 같은 에디터에 내일은 다른 회사의 모델을 달 수 있습니다.

  • 같은 계산 부품이 서로 모르는 수많은 사람의 요청을 동시에 처리합니다. 살아 있는 것이라면 있을 수 없는 일입니다.

두 가지만 더

계산 기계가 늘 멀리 있는 것은 아닙니다

이 사이트의 학습 도우미는 우리 서버를 거쳐 갑니다

요청이 지나가는 세 가지 길
1 · 내 2 · 3 · 원격 기계 4 · 계산 5 · 내 화면
내 안에서 예 아니요 아니요 예 예
우리 를 거쳐서 예 예 예 예 예
멀리 있는 회사의 기계에서 예 예 예 예 예

가운데 길(우리 를 거쳐서)도 실제 계산은 세 번째 길, 멀리 있는 회사의 기계에서 일어납니다. 우리 서버는 요청을 확인하고 실어 나를 뿐입니다.

자세히 보기

작은 모델은 내 컴퓨터 안에서 돌 수 있습니다. 이 사이트의 음성이 그렇습니다 — 을 한 번 내려받고 나면, 글을 말소리로 바꾸는 일은 내 기기에서 일어납니다. 대화는 다릅니다. 대화 메시지는 여전히 배움노바를 거쳐 서비스로 갑니다.

리엔 학습 도우미를 열어 무엇이든 물어보세요. 가 우리 서버로 보내고, 우리 서버가 멀리 있는 계산 기계에 넘깁니다. 글자가 조각으로 돌아오는 것이 6단계, 그 글자가 화면에서 늘어나는 것이 7단계입니다. 리엔은 대화만 하는 길에 있어서, 내 컴퓨터의 파일에는 손을 대지 않습니다.

리엔 학습 도우미가 그렇습니다. 우리 서버는 요청을 넘겨줄 뿐, 모델을 돌리지는 않습니다.

계산이 실제로 일어나는 곳입니다. 그 안에서 어떤 런타임을 쓰는지는 공개돼 있지 않습니다.

어른을 위한 주석

조금 더 정확한 표현이 필요한 분을 위해 덧붙입니다.

토큰

모델은 낱말을 읽지 않습니다. 가 글을 으로 자르는데, 낱말 하나가 통째로 한 토큰이 되기도 하고 글자 몇 개나 하나가 한 토큰이 되기도 합니다. 그리고 각 토큰은 숫자가 됩니다. 모델마다 자르는 법이 달라서, 같은 글도 토큰 수가 다르게 셀 수 있습니다.

스트리밍

만들어지는 대로 부분 출력을 밀어 보내며, 보통 를 씁니다. 조각의 크기는 제품마다 다릅니다 — 토큰 하나가 아니라 문장 단위로 보내는 것도 있습니다.

모델의 종류

(큰 언어 모델), (작은 언어 모델), (시각 언어 모델), 그리고 이미지·영상을 만드는 이 있습니다. LLM 과 SLM 은 주로 크기가 다르고, VLM 은 그림도 읽으며, 확산 모델은 주로 그림·영상을 내놓습니다(글을 쓰는 확산 언어모델도 있습니다).

뽑는 방식

다음 토큰을 어떻게 고를지는 설정입니다. 를 내리면 가장 높은 점수를 더 자주 골라 같은 입력에 더 비슷한 답이 나오고, 올리면 답이 더 달라집니다. 0 으로 두어도 실제 서비스가 언제나 똑같은 답을 약속하지는 않으며, 한결같은 답이 더 맞는 답인 것도 아닙니다.

RAG · MCP · 스킬

가방에 무언가를 더 담는 방법들의 이름입니다. 는 문서를 검색해 찾은 것을 붙이고, 는 AI 앱을 바깥 도구·에 연결하는 이며, 은 미리 준비해 둔 지시문 묶음입니다. 이 가운데 무엇을 쓸 수 있는지는 앱의 설정과 이 정합니다 — 모델 혼자 정하지 못합니다.

모델을 돌리는 프로그램(런타임)

이 사이트가 실제로 쓰는 것은 ()과 ()입니다. 서버에서 큰 언어 모델을 돌릴 때는 같은 일을 하는 다른 프로그램들 — · · 등 — 을 씁니다. 어느 회사가 무엇을 쓰는지는 공개돼 있지 않습니다.

가중치·파라미터 수와 용량 공식

(영어 weight)는 으로 얻은 숫자입니다. (영어 parameter)에는 가중치와 등 학습으로 정한 값이 포함됩니다. 은 파라미터가 약 700억 개라는 뜻이며, 는 그 개수가 아니라 숫자 하나를 저장하는 수를 줄입니다. 여기서 가중치 용량은 이러한 모델 파라미터 전체를 저장하는 용량을 뜻합니다.

가중치 용량(바이트) ≈ 파라미터 수 × 숫자당 저장 비트 수 ÷ 8. 1바이트가 8비트라서 8로 나눕니다. 70B를 4비트로 저장하면 70,000,000,000 × 4 ÷ 8 = 35,000,000,000바이트, 즉 십진 단위로 35GB입니다. 양자화 부가 정보와 실행 작업 는 제외한 값입니다.

Q4·Q6·Q8 — 같은 숫자를 더 작은 공간에

·Q6·Q8은 보통 하나를 대략 4·6·8로 저장한다는 뜻입니다. 같은 의 이론상 용량은 각각 35GB·52.5GB·70GB입니다. 16비트 기준 140GB와 비교하면 25%·37.5%·50%입니다.

이는 정확한 다운로드 크기가 아닌 어림값입니다. 같은 방식은 여러 를 섞고 ·를 더합니다. 양자화는 숫자를 더 거칠게 근사하므로 답변 품질이 떨어질 수 있으며, 를 없애는 작업은 아닙니다.

70B의 이론상 가중치 용량(십진 GB)
  • FP16 / BF16 140 GB · 100%
  • Q8 70 GB · 50%
  • Q6 52.5 GB · 37.5%
  • Q4 35 GB · 25%
양자화하지 않은 원본은 항상 16비트일까?

아닙니다. 공개 의 원본 는 또는 BF16인 경우가 많으며, 둘 다 16 형식입니다. 숫자당 저장 용량은 같지만 표현 범위와 는 다릅니다. 여기서는 비교를 위해 16비트 원본을 예로 듭니다.

원본이라는 말이 비트 수를 정하지는 않습니다. 된 체크포인트는 (32비트)나 혼합 정밀도일 수도 있고, 이미 된 가중치일 수도 있습니다. 와 실제 을 확인해야 하며, 모든 원본을 16비트라고 부르면 틀립니다.

파일이 작아지면 메모리와 GPU 사용량도 줄까?

한 를 저장하면 보통 파일이 작아집니다. 이 에서도 압축된 표현을 유지하면 가중치 메모리도 줄어듭니다. 불러올 때만 양자화하면 의 원본 파일은 그대로일 수 있고, 불러오면서 높은 로 풀면 메모리는 다시 커질 수 있습니다.

메모리 ≈ 가중치 + + 임시 + 런타임 입니다. 가중치를 양자화해도 KV 캐시까지 자동으로 양자화되지는 않습니다. 대화가 길거나 동시 요청이 많으면 가 더 필요할 수 있습니다. · 사용률과 속도는 수에 정비례하지 않으며, 지원·값을 푸는 계산· 이동의 영향을 받습니다.

모델은 숫자와 프로그램이 들어 있는 파일 하나일까?

일반적인 다운로드에서 가장 큰 부분은 로 묶인 된 숫자입니다. 파일 하나에 담기도 하고 여러 조각으로 나누기도 하며, 설정· 파일이 따로 있을 수 있습니다. 설정은 모델 구조를 기술하고, 토크나이저는 글자 조각을 로 바꿉니다.

는 텐서·구조 ·토크나이저 정보를 함께 담을 수 있습니다. 는 텐서와 메타데이터를 저장하며 구조 설정은 흔히 별도 파일입니다. 는 도 기술할 수 있습니다. 구조를 기술하는 것과 실행 엔진을 포함하는 것은 다릅니다. · 같은 은 이 정보를 읽고 ·로 계산하는 별도의 입니다.

요리법·계량한 재료·요리사로 비유할 수 있습니다. 모델은 어떤 계산을 할지와 학습된 값을 제공하고, 런타임은 그 순서대로 실행합니다. 일반적인 모델 파일 안에 실행 프로그램 전체가 들어 있다고 설명하면 오해가 생깁니다.

이어서 읽기

예약할 수 있는 시간이 지났습니다

리엔과 음성 대화 언어와 주제를 골라 리엔과 말로 대화해요

리엔은 English · 한국어 · 日本語 · हिन्दी 로 소리 내어 말해요. 다른 언어는 글로 답해요.

리엔과 음성 대화는 회원만 할 수 있어요. 먼저 회원 가입을 해 주세요.