GPT-4o랑 GPT-4o mini는 대체 뭐가 다른데?

지난번 글에서 모델이 무엇인지 이야기했다.

언어 모델은 학습한 패턴을 바탕으로 입력에 대한 결과를 만들어낸다.

그리고 우리가 흔히 말하는 GPT, Gemini, Llama, Qwen 같은 것들이 모델 계열의 이름이다.

여기까지 알았다.

그런데 AI 서비스를 조금 사용해보면 곧바로 새로운 문제가 생긴다.

GPT-4o
GPT-4o mini
Gemini 3.6 Flash
Gemini 3.5 Flash-Lite

분명 전부 모델인데 이름이 왜 이렇게 많은가?

그리고 대체 mini는 뭐고, Flash는 뭐고, Lite는 뭘까?

왜 그냥 좋은 모델 하나만 만들지 않을까?

처음에는 이런 생각이 든다.

AI 회사가 가장 똑똑한 모델 하나를 만들었다면 그냥 그것만 사용하면 되는 것 아닌가?

그런데 생각해보면 꼭 그렇지는 않다.

계산기를 하나 만들어도 마찬가지다.

간단한 덧셈을 할 때마다 슈퍼컴퓨터를 사용할 필요는 없다.

반대로 복잡한 계산을 해야 하는데 너무 단순한 계산기를 사용하면 답답하다.

AI 모델도 비슷하다.

어떤 작업은 정확하고 똑똑한 모델이 필요하고,

어떤 작업은 빠르고 저렴한 모델이면 충분하다.

예를 들어 게시글의 제목에 붙일 태그를 만드는 데 최고급 모델을 사용할 필요는 없을 수 있다.

반면 복잡한 코드를 분석하거나 어려운 문제를 해결해야 한다면 더 강력한 모델이 필요할 수 있다.

그래서 AI 회사들은 하나의 모델만 만드는 것이 아니라 서로 다른 특성을 가진 여러 모델을 만든다.

모델도 "급"이 다르다

아주 단순하게 생각해보자.

모델에는 여러 가지 특성이 있다.

똑똑한가?

복잡한 문제를 얼마나 잘 해결하는가.

빠른가?

답변이 얼마나 빨리 나오는가.

비싼가?

사용할 때 얼마나 많은 비용이 드는가.

많은 요청을 감당할 수 있는가?

동시에 얼마나 많은 요청을 처리할 수 있는가.

이 네 가지는 서로 항상 같은 방향으로 움직이지 않는다.

더 많은 계산을 사용하면 성능을 높일 수 있지만 속도나 비용에 부담이 생길 수 있다.

반대로 빠르고 저렴하게 만들면 복잡한 작업에서는 성능이 아쉬울 수 있다.

그래서 모델을 만들 때는 결국 성능과 비용, 속도 사이에서 적절한 균형점을 찾게 된다.

그래서 `mini`가 붙는다

이제 mini를 보자.

예를 들어 GPT-4o와 GPT-4o mini가 있다.

OpenAI는 GPT-4o mini를 GPT-4o보다 작은 규모의 빠르고 저렴한 모델로 설명하고 있다.

쉽게 생각하면 다음과 같다.

GPT-4o → 더 높은 성능을 노리는 모델
GPT-4o mini → 상대적으로 가볍고 저렴하게 사용할 수 있는 모델

여기서 중요한 건 mini = 무조건 나쁜 모델이라는 뜻이 아니라는 것이다.

오히려 간단한 작업에서는 작은 모델이 더 합리적인 선택일 수 있다.

예를 들어 다음과 같은 작업들이다.

사용자 메시지의 의도 분류
간단한 텍스트 요약
짧은 문장 번역
수많은 요청을 빠르게 처리

이런 작업이라면 굳이 가장 비싼 모델을 사용할 이유가 없다.

그런데 `Flash`는 또 뭐냐?

이번에는 Google의 Gemini를 보자.

현재 Google은 Gemini 3 계열에서 Pro와 Flash, Flash-Lite처럼 서로 다른 포지션의 모델을 제공하고 있다.

Google은 Gemini 3.6 Flash를 속도와 지능의 균형을 목표로 한 모델로 설명하고 있으며, Gemini 3.5 Flash-Lite는 높은 처리량과 비용 효율을 강조한다.

이름만 보면 Flash = 빠른 모델이라고 생각하기 쉽다.

대체로 그런 방향의 의미를 담고 있지만,

모델 이름의 단어 하나만 가지고 내부 구조나 정확한 성능을 판단하면 안 된다.

각 회사가 모델 제품군을 어떻게 나누고 이름을 붙이는지는 서로 다르기 때문이다.

그래도 큰 방향만 보면,

Flash → 속도와 효율을 중요하게 생각하는 모델 계열

이라고 이해하면 된다.

그럼 `Flash-Lite`는?

그렇다면 Lite는 더 가벼운 버전이라고 보면 될까?

대체로 그렇게 이해하면 된다.

Google은 Gemini 3.5 Flash-Lite를 높은 처리량과 비용 효율에 초점을 둔 모델로 설명한다.

즉,

복잡한 문제를 최대한 잘 푸는 것보다

비용을 줄이면서 빠르게 많은 일을 처리하는 것이 더 중요한 상황을 위한 모델이라고 생각하면 이해하기 쉽다.

예를 들어 수십만 명의 사용자가 남긴 짧은 문장을 분류해야 한다고 생각해보자.

이때 모든 요청을 가장 강력한 모델로 처리하는 것은 비용 면에서 상당히 비효율적일 수 있다.

오히려 적당히 똑똑하면서 훨씬 저렴하고 빠른 모델을 사용하는 것이 더 나을 수 있다.

그러면 모델 크기가 크면 무조건 좋은 건가?

여기서 처음에 잠깐 봤던 파라미터 이야기를 꺼내볼 수 있다.

AI 모델을 설명할 때 가끔 이런 말을 듣는다.

7B 모델
70B 모델

여기서 B는 Billion, 10억이라는 뜻이다.

즉 7B라면 대략 70억 개의 파라미터가 있다는 의미다.

그렇다면

70B > 7B

이니까 70B가 무조건 좋은 모델일까?

그렇게 단순하지 않다.

파라미터가 많다는 것은 모델이 더 큰 규모라는 의미지만,

모델의 성능을 결정하는 요소가 파라미터 수 하나뿐인 것은 아니기 때문이다.

어떤 데이터를 학습했는지,

어떤 구조를 사용했는지,

어떻게 학습했는지,

어떤 작업을 목표로 만들어졌는지에 따라서 결과가 달라진다.

그리고 재미있는 점은 상용 모델의 정확한 파라미터 수가 공개되지 않는 경우도 많다는 것이다.

그래서

"이 모델은 100B니까 저 모델보다 무조건 똑똑하다."

같은 식으로 이름이나 숫자만 보고 판단하면 안 된다.

이름만 봐서는 알 수 없는 것도 많다

이제 조금 조심해야 할 부분이 있다.

우리는 mini, Flash, Lite 같은 단어를 보고 대략적인 방향을 추측할 수는 있다.

하지만 이것을 공식적인 규칙처럼 생각하면 안 된다.

예를 들어 다음과 같이 단정할 수는 없다.

mini = 파라미터가 정확히 절반
Flash = 파라미터가 적음
Lite = 성능이 무조건 낮음

모델 이름은 제품군을 구분하기 위한 이름이고,

실제 모델의 내부 구조와 성능은 별도로 봐야 하기 때문이다.

그래서 모델을 비교할 때는 이름보다 다음과 같은 정보를 보는 것이 더 중요하다.

무엇을 잘하는가?
얼마나 빠른가?
얼마나 비싼가?
어떤 기능을 지원하는가?

결국 "가장 좋은 모델"은 없다

이제 1편에서 했던 이야기로 다시 돌아왔다.

처음에는

"요즘 가장 좋은 AI가 뭐야?"

라고 물었다.

그런데 지금은 질문을 조금 바꿀 수 있다.

"내가 하려는 작업에는 어떤 모델이 적합한가?"

간단한 작업이라면 빠르고 저렴한 모델이 좋을 수 있다.

복잡한 작업이라면 더 강력한 모델이 필요할 수 있다.

수많은 요청을 처리해야 한다면 처리량과 비용이 중요하다.

아주 중요한 결과를 만들어야 한다면 속도보다 정확도가 더 중요할 수도 있다.

결국 모델 선택은

성능 vs 속도 vs 비용

사이에서 적절한 지점을 찾는 문제다.

그래서 모델 이름을 보면

이제 이런 이름을 봤을 때 조금 덜 당황할 수 있다.

모델 이름	대략적인 의미
`GPT-4o`	GPT 계열의 모델
`GPT-4o mini`	같은 계열에서 상대적으로 작고 빠르고 저렴한 모델
`Gemini 3.6 Flash`	Gemini 계열에서 속도와 성능의 균형을 목표로 하는 Flash 계열 모델
`Gemini 3.5 Flash-Lite`	Flash 계열에서 높은 처리량과 비용 효율에 더 초점을 둔 모델

이 정도만 알아도 모델 이름이 전부 외계어처럼 보이지는 않는다.

물론 모델 이름만 보고 실제 성능을 완전히 판단할 수 있는 것은 아니다.

하지만 이제 적어도

"왜 AI 회사들은 비슷해 보이는 모델을 여러 개 만들어 놓는 거지?"

라는 질문에는 답할 수 있다.

모델마다 잘하는 일이 다르기 때문이다.

그런데 여기서 또 궁금한 게 생긴다

지금까지 우리는

모델은 학습한 패턴을 바탕으로 결과를 생성한다.

라고 이야기했다.

그렇다면 이런 질문이 남는다.

"그래서 모델은 대체 뭘 보고 학습한 거야?"

인터넷에서 가져온 걸까?

책을 읽은 걸까?

논문을 본 걸까?

그리고 수십억 개의 파라미터라는 숫자 속에는 대체 무엇이 들어있는 걸까?

다음에는 이 부분을 좀 더 파헤쳐보자.

AI는 대체 무엇을 학습하고 있는 걸까?