lg 엑사원은 시각 지능과 언어 모델을 하나로 결합한 네이티브 멀티모달 구조를 갖추어 기업 현장의 복잡한 문서 분석과 데이터 예측을 수행하려는 독자에게 핵심적인 솔루션을 제공합니다. 텍스트 처리 중심의 기존 생성형 인공지능과 달리 구조화된 표 데이터나 시계열 흐름을 직접 이해하도록 설계된 점이 가장 큰 특징입니다. 개발자와 기업 도입 담당자는 최신 모델의 매개변수 구조, 추론 속도, API 연동 절차를 사전 검토함으로써 자사 시스템에 최적화된 구축 방식을 선별할 수 있습니다.
lg 엑사원은 텍스트와 시각 정보를 동시에 처리하는 네이티브 멀티모달 AI 모델로, 33B 규모의 EXAONE 4.5 및 초거대 K-엑사원 라인업을 통해 글로벌 수준의 문서 이해 및 산업 데이터 예측 성능을 제공합니다.
lg 엑사원 모델 개요와 네이티브 멀티모달 특징
lg 엑사원은 설계 초기 단계부터 비전 인코더와 언어 모델을 하나로 결합하여 시각 정보와 텍스트 맥락을 인지하는 초거대 AI 파운데이션 모델입니다. 외부 시각 모듈을 단순히 연결하던 과거 방식에서 벗어나 인공지능이 복잡한 산업 도면, 그래프, 전문 서식 문서의 행과 열 구조를 직관적으로 분석하도록 구현되었습니다.
산업 현장에 특화된 세부 모델 라인업 역시 핵심적인 경쟁력입니다. 표 형태로 구성된 정형 데이터를 다루는 엑사원 타뷸러(Tabular)와 시간 흐름에 따른 변동성을 분석하는 엑사원 포어캐스트(Forecast)는 다양한 산업 데이터 예측 영역에서 우수한 정확도를 입증했습니다.
- 모델 구조: 언어 모델 기반에 12.9억 개(1.29B) 매개변수의 비전 인코더가 접목된 네이티브 멀티모달
- 특화 분야: 산업용 표 데이터 분석, 시계열 데이터 예측, 전문 문서 추론
- 컨텍스트 길이: 최대 262,144개 토큰(256K) 지원으로 장문 문서 일괄 처리 가능
- 속도 최적화: MTP(Multi-Token Prediction) 기법 적용으로 기존 대비 약 1.5배 빠른 추론 속도 구현
엑사원 성능과 글로벌 벤치마크 평가
엑사원 성능은 글로벌 AI 평가 지표에서 고성능 비전-언어 모델로서의 역량을 명확히 보여줍니다. 총 330억 개(33B) 매개변수를 보유한 EXAONE 4.5 모델은 317억 개의 언어 모델과 12.9억 개의 비전 인코더로 구성되어 뛰어난 벤치마크 점수를 수록했습니다.
수학 및 시각적 추론을 평가하는 MMMU 지표에서 78.7점을 기록하였으며, 문서 이해도를 측정하는 AI2D 벤치마크에서는 89.0점, OmniDocBench v1.5에서는 81.2점을 기록해 높은 정확도를 나타냈습니다. 또한 수리적 코드 작성 능력을 평가하는 AIME 2025 벤치마크 92.9점, LiveCodeBench v6 81.4점을 달성하여 텍스트 추론 성능에서도 강점을 유지하고 있습니다.
- 문서 이해(AI2D): 89.0점 달성으로 서식·차트 정밀 해석 가능
- 수리 추론(AIME 2025): 92.9점 기록으로 복잡한 논리 연산 수행
- 한국어 이해(KRETA): 91.9점 달성으로 국내 산업 맥락 최적화
- 대규모 모델(K-엑사원 2.0): 7,500억 개(750B) 매개변수 확장 모델로 정밀 지능 구현
lg 엑사원 관련주 및 산업 생태계 흐름
lg 엑사원의 기술적 성과는 인공지능 생태계와 연계된 기업들의 산업적 가치 재평가로 이어지고 있습니다. 파운데이션 모델 개발을 총괄하는 LG 그룹 지주사 ㈜LG를 비롯해, 이를 실제 기업용 시스템 및 피지컬 AI 솔루션으로 내재화하는 LG CNS가 대표적인 관련 기업으로 꼽힙니다.
LG CNS는 엑사원을 두뇌로 활용하는 에이전틱 플랫폼 및 산업 자동화 시스템 구축을 주도하며 실제 산업 현장 적용을 확장하고 있습니다. 투자자 및 기업 관계자는 단순한 단순 기대감보다는 실제 기업용 클라우드 도입 건수와 기술 적용 범위를 기준으로 관련 생태계를 판단하는 것이 바람직합니다.
- ㈜LG: AI연구원을 통한 핵심 파운데이션 모델 IP 보유 및 R&D 투자 주도
- LG CNS: 기업용 에이전트 플랫폼 구축 및 공장 자동화·피지컬 AI 서비스 제공
- 주요 활용 산업: 제조 공정 최적화, 바이오·신소재 개발, 금융 데이터 해석
엑사원 다운로드 및 API 구축 환경 설정
개발자와 연구자는 허깅페이스(Hugging Face) 오픈소스 리포지토리를 통해 오픈웨이트 모델 파일을 직접 수령하여 자체 서버에 구축할 수 있습니다. 가중치를 받아 인프라에 올리는 엑사원 다운로드 절차는 인프라 요구사항을 사전에 확인하는 과정이 필수적입니다.
EXAONE 4.5 33B 모델의 경우 256K 전체 컨텍스트 길이를 활용하려면 단일 H200 GPU 또는 A100 40GB GPU 4대를 텐서 병렬화(Tensor Parallelism)로 구성하는 환경이 추천됩니다. 주요 서빙 프레임워크인 vLLM, TensorRT-LLM, SGLang을 지원하므로 기존 엔터프라이즈 파이프라인에 유연하게 통합할 수 있습니다.
1단계: 서빙 프레임워크 패키지 설치
최신 라이브러리 환경을 구성하기 위해 Python 환경에서 vLLM 또는 TensorRT-LLM을 설치합니다. Hugging Face Transformers 패키지는 5.8.0 이상 버전을 준비해야 정상적인 모델 로드가 가능합니다.
2단계: 오픈소스 가중치 다운로드 및 서버 실행
터미널 명령어를 통해 Hugging Face에 등록된 LGAI-EXAONE/EXAONE-4.5-33B 모델을 지정하고 구동합니다. vLLM을 활용한 서빙 명령어 예시는 다음과 같습니다.
vllm serve LGAI-EXAONE/EXAONE-4.5-33B \
--served-model-name EXAONE-4.5-33B \
--port 8000 \
--tensor-parallel-size 2 \
--max-model-len 262144
3단계: OpenAI 호환 endpoint 동작 검증
서버 구동이 완료되면 ` 경로로 OpenAI 규격과 호환되는 엑사원 api 포트가 열립니다. 정상적으로 응답을 반환하는지 테스트 요청을 송신합니다.
기술 문서와 가중치 파일의 세부 사양을 검토하고자 하는 분들은 오픈소스 플랫폼의 공식 리포지토리를 방문하여 전체 매개변수 구성을 조회해 보실 수 있습니다.
개발자를 위한 엑사원 사용법과 추론 모드 활용
엑사원 사용법은 크게 사고 과정을 거쳐 정밀한 답을 내는 사고 모드(Reasoning Mode)와 빠르게 답변을 출력하는 일반 모드(Non-reasoning Mode)로 나뉩니다. 기본 설정값은 사고 모드가 활성화되어 있어 복잡한 수리 문제나 이미지 해석 시 단계별 추론 결과를 함께 출력합니다.
Python 환경에서 OpenAI SDK를 활용해 엑사원 api 호출을 구현하는 기본 코드는 아래와 같습니다.
from openai import OpenAI
client = OpenAI(
base_url="",
api_key="EMPTY"
)
# 사고 모드(Reasoning) 활성화 예시
response = client.chat.completions.create(
model="EXAONE-4.5-33B",
messages=[
{"role": "user", "content": "이미지와 문서를 분석하여 핵심 결론을 도출해 주세요."}
],
max_tokens=32768,
temperature=1.0,
top_p=0.95,
presence_penalty=1.5,
extra_body={
"chat_template_kwargs": {
"enable_thinking": True
}
}
)
print(response.choices[0].message.content)
문서 추출이나 한국어 텍스트 처리 등 일반적인 서식 분석 업무에서는 temperature=0.6, top_p=0.95, top_k=20 설정을 적용하는 것이 응답의 안정성을 높이는 데 효과적입니다. 응답 지연 시간(Latency)이 중요한 실시간 서비스라면 enable_thinking 값을 False로 변경하여 비사고 모드로 동작시킬 수 있습니다. 올바른 매개변수 적용과 호출 방식을 익혀두면 실제 애플리케이션 개발 시 성능을 극대화할 수 있으므로 구체적인 엑사원 사용방법 규칙을 준수하는 것이 권장됩니다.
모델 인스턴스 생성을 위한 라이브러리 및 소스 코드는 개발사 공식 웹사이트나 오픈소스 커뮤니티 페이지에서 직접 받아 확인하실 수 있습니다.
실제 확인·판단할 때 보는 체크리스트
- GPU 인프라 수용량: 33B 모델 운용을 위한 VRAM 용량 및 텐서 병렬 구성 가능 여부 점검
- 프레임워크 버전: Transformers 5.8.0 이상 및 vLLM 0.5.8 이상 라이브러리 설치 확인
- 추론 모드 선택: 정밀 분석(Reasoning=True)과 속도 중심(Reasoning=False) 목적에 맞춘 옵션 지정
- 하이퍼파라미터 설정: 문서 및 한국어 처리 시 temperature 0.6 추천값 적용 여부
- 상업적 라이선스 조건: 아파치 2.0 등 공개 라이선스 범위에 맞춘 활용 가이드 준수
자주 묻는 질문 (FAQ)
Q1. lg 엑사원 모델을 상업적 서비스에 무료로 활용할 수 있나요?
아파치 2.0 라이선스로 공개된 라인업의 경우 규정된 조건을 준수한다면 기업용 서비스 개발 및 상업적 이용이 가능합니다. 다만 모델 버전별로 라이선스 정책에 차이가 있을 수 있으므로 공식 리포지토리의 명시 사항을 사전에 확인해야 합니다.
Q2. 엑사원 4.5 모델 구동에 필요한 최소 하드웨어 스펙은 어떻게 되나요?
33B 모델 기준으로 256K 토큰의 전체 컨텍스트를 안정적으로 처리하기 위해서는 단일 H200 GPU 또는 A100 40GB GPU 4대 수준의 인프라 환경이 권장됩니다. 모형 양자화(Quantization) 기법을 적용할 경우 요구 VRAM 스펙을 낮출 수 있습니다.
Q3. API 호출 시 사고 모드(Reasoning Mode)를 끄려면 어떻게 해야 하나요?
API 요청 시 extra_body 내의 chat_template_kwargs 파라미터 중 enable_thinking 항목을 False로 설정하면 사고 과정을 생략하고 즉시 최종 답변을 출력하도록 변경할 수 있습니다.
결론
lg 엑사원은 독보적인 시각-언어 통합 능력과 산업 데이터 예측 성능을 바탕으로 기업의 디지털 전환을 이끄는 핵심 인공지능 기술입니다. 성공적인 서비스 도입과 활용을 위해 독자 여러분의 상황에 맞는 최적의 선택 방안을 안내해 드립니다.
- 자체 인프라를 보유한 연구 개발팀: 허깅페이스에서 오픈소스 가중치를 받아 vLLM 기반 온프레미스 API 서버를 구축하는 방식을 추천합니다.
- 실시간 대고객 서비스를 개발하는 인프라 담당자: 응답 지연을 줄이기 위해 비사고 모드(Reasoning=False) 파라미터를 적용해 API를 연동하는 방식을 추천합니다.
- 산업 데이터 예측 및 자동화를 검토 중인 기업 관리자: 엑사원 타뷸러 및 포어캐스트 라인업을 통해 자사 표 데이터 및 시계열 데이터 최적화를 우선 검토하는 방식을 추천합니다.
도입 목적에 맞춘 하드웨어 설계와 서빙 옵션을 최종 확인하신 후 공식 개발 플랫폼을 통해 본격적인 시스템 연동 작업을 진행해 보시기 바랍니다.
출처: LG AI연구원, Hugging Face 공식 리포지토리