AI — 427개 용어

LLM이 한 번에 처리할 수 있는 최대 토큰 수. Claude Opus 4.7은 200K~1M, Gemini는 최대 2M.

OpenAI의 text-to-video 모델. 최대 분 단위 고품질 영상 생성.

Meta의 오픈소스 LLM 시리즈. 연구용에서 상업 라이선스 모델로 진화. 로컬 LLM 생태계의 중심.

작은 모델로 추측·큰 모델로 검증. 생성 속도 2~3배.

LLM이 첫 토큰을 반환하기까지 지연. 체감 반응성의 핵심.

사전 학습된 모델을 자체 데이터로 추가 학습해 특정 도메인·스타일에 맞추는 기법.

문법·스키마·정규식에 맞는 출력을 강제 생성. logit biasing.

LLM에게 원하는 출력을 끌어내기 위한 지시문 설계 기술. Few-shot·CoT·role prompting 등 패턴이 존재한다.

LLM이 외부 함수·API를 호출하도록 하는 기능. 에이전트 구현의 핵심. MCP가 표준화 주도.

Gradient Boosting의 최적화 구현. 테이블 데이터 Kaggle 우승의 공식.

vLLM 대안 고성능 LLM 서빙. 복잡 제어 플로우에 강점.

Anthropic의 터미널 기반 AI 코딩 에이전트. 저장소 전체 리팩터링·테스트·PR 작성에 강점.

사용자 입력·외부 문서에 포함된 악성 지시가 LLM의 원래 지시를 가로채는 공격. AI 에이전트 시대의 가장 큰 보안 위협.

대형 모델 전체가 아닌 작은 어댑터 행렬만 학습해 메모리·시간을 크게 절감하는 파인튜닝 기법.

텍스트·이미지·음성·영상 등 여러 종류의 입력을 함께 처리하는 모델. GPT-4o, Claude Opus, Gemini가 대표적.

엔터프라이즈 LLM·임베딩·리랭커 전문 AI 회사. 2019년 캐나다에서 창업.

LLM 애플리케이션 프레임워크. 체인·에이전트·RAG 추상화를 빠르게 구현.

RAG에서 top-k 결과를 더 정확한 모델로 재정렬해 품질을 끌어올리는 단계.

Google이 2018년 공개한 양방향 Transformer 인코더. 분류·검색·임베딩에 강점, 현재도 NLP 백본으로 활약.

OpenAI의 text-to-image 모델. DALL·E 3가 ChatGPT에 내장되어 대중화.

수십만 AI 모델·데이터셋·Spaces(앱) 호스팅 플랫폼. "AI의 GitHub".

텍스트를 LLM이 이해하는 토큰 단위로 분할하는 컴포넌트. BPE·WordPiece·SentencePiece가 대표.

LLM 입출력에 추가하는 안전·품질 검증 레이어. 민감정보 마스킹·환각 감지·토픽 제한 등.

Model Context Protocol 서버 구현. LLM에 도구·리소스를 제공.

학습 단계에서 본 적 없는 작업을 예시 없이 바로 수행하는 능력. 대형 LLM의 핵심 역량.

AI 시스템이 인간 의도·가치에 부합하게 동작하도록 만드는 연구 분야.

LLM이 최종 답 이전에 단계별 추론 과정을 명시적으로 서술하게 유도하는 프롬프트 기법. 수학·논리 문제에서 정확도를 크게 높인다.

상태 머신 기반 에이전트 프레임워크. LangChain 팀. 순환·조건 분기·휴먼인루프.

Microsoft의 Gradient Boosting. XGBoost보다 빠르고 메모리 효율적.

Google Cloud의 관리형 AI 플랫폼. Gemini·PaLM·오픈모델 통합.

NVIDIA의 GPU 프로그래밍 플랫폼·언어. 딥러닝 프레임워크의 기반.

Hugging Face의 프로덕션 LLM 서빙. Docker 이미지로 즉시.

실시간 객체 검출 모델. 이미지 전체를 한 번에 처리해 속도 대비 성능 우수.

Google DeepMind의 경량 오픈소스 LLM. Gemini 아키텍처 기반, 로컬·엣지 실행 최적화.

2026 LLM 스택: 모델 API·로컬 런타임·프레임워크·벡터DB·에이전트 플랫폼.

모델 복잡도를 제한해 과적합을 방지하는 기법 총칭. L1·L2·Dropout 등.

Hugging Face의 초경량 코드 에이전트. 수백 줄로 agent 구현.

텍스트를 음성으로 변환하는 기술. ElevenLabs·Coqui·Google Cloud TTS.

RAG 파이프라인의 첫 단계. 긴 문서를 임베딩·검색에 적합한 단위로 분할.

Anthropic이 2026년 4월 공개한 사이버보안 특화 LLM 클래스. 취약점 탐지·대규모 코드 분석·공격 체인 추론에 특화.

Cognition AI의 자율 SWE 에이전트. 2024년 화제.

가중치 업데이트 크기를 결정하는 하이퍼파라미터. 너무 크면 발산, 작으면 수렴 느림.

대형 모델을 여러 GPU에 레이어 단위로 분할. Megatron·PaLM 학습에 사용.

OpenAI가 제안한 강화학습 알고리즘. RLHF의 전통적 선택.

LLM 샘플링 시 출력 무작위성을 조절하는 파라미터. 0이면 결정적, 1 이상이면 창의적·예측 불가.

프롬프트보다 넓은 개념. 검색·도구·메모리까지 포괄한 LLM 컨텍스트 설계.

여러 "전문가" 서브네트워크 중 일부만 활성화해 파라미터는 크지만 추론 비용은 낮춘 아키텍처. Mixtral·GPT-4·Llama 4에 적용.

RLHF의 단순·안정적 대안. 보상 모델 없이 선호도 데이터로 직접 최적화.

몇 개(보통 1~10개)의 예시만 제공해 모델이 새 작업을 수행하게 하는 방식. 파인튜닝 없이 in-context 학습.

초등·중등 수학 문제 8.5K. Reasoning 모델 평가의 기본.