Kimi K3 증류 논란: 기술 압축인가, 무단 추출인가

Kimi K3 증류 논란은 단순히 “중국 모델이 빠르게 좋아졌다”는 이야기가 아니다. 2026년 7월 미국 행정부 인사와 Anthropic은 Moonshot AI가 Claude 계열 모델의 출력을 대규모로 빼내 Kimi K3 학습에 썼다고 주장했다. 이 Claude 무단 추출 주장은 Moonshot이 Kimi K3의 가중치와 기술 보고서를 공개했더라도, 공개 보고서만으로 독립 입증하거나 반증할 수 없다. 이 글은 고발을 판결처럼 쓰지 않는다. 대신 증류가 무엇이며, 허용된 지식 이전과 무단 능력 추출의 경계가 어디에 있는지를 살핀다.

“Kimi K3가 Claude를 훔쳤다”는 결론은 현재 공개 자료만으로 확정할 수 없다. 이 글에서 말하는 무단 추출은 Anthropic과 미국 정부 측의 주장이고, 법원 판단이나 전체 학습 데이터의 독립 감사는 공개되지 않았다. 다만 허위 계정·우회 접근으로 모델 출력을 대량 수집했다는 주장이 사실이라면, 이를 단지 ‘증류’라고 부르는 것은 지나치게 순한 표현이다.

1. 논란은 무엇이며, 지금까지 확인된 것은 무엇인가

‘Kimi K3’ 증류 논란 확산…AI 모델 탈취가 새로운 사이버 위협으로 라는 데이터넷 기사는 Kimi K3를 둘러싼 증류 논쟁을 국내에 소개했다. 이 기사에서는 중국 문샷AI가 개발한 LLM ‘Kimi K3’가 전 세계에 충격을 주었으나 Kimi K3 모델 테스트 중 Kimi K3에게 인사나 질의를 던졌을 때 일정 확률로 “저는 Kimi가 아니라 앤트로픽이 만든 Claude입니다”라고 스스로를 정의하는 답변을 한다는 내용이 있습니다.

2026년 2월 Anthropic은 DeepSeek·Moonshot·MiniMax와 연계됐다고 보는 계정들이 자사 모델의 능력을 대량 추출하려 했다고 발표했다. 특히 Moonshot 관련 활동으로 340만 회 이상 교환이 있었다고 주장하며, 계정 사기와 프록시를 통한 접근 우회가 있었다고 설명했다. 이후 백악관 과학기술정책실 관계자는 Moonshot이 Anthropic의 Fable 출력을 Kimi K3에 증류했다는 취지의 주장을 공개적으로 반복했다. Anthropic의 발표, Axios의 후속 보도, ITmedia 보도는 이 주장과 정책적 반응을 확인하는 데 도움이 된다.

반대편의 중요한 사실도 있다. Moonshot은 Kimi K3 기술 보고서와 가중치를 공개하며, 안정화한 latent MoE 구조와 토큰당 896개 전문가 중 16개를 활성화하는 방식을 설명했다. 이것은 모델의 구조와 학습 효율에 대한 설명이지, 외부 교사 모델 출력의 출처를 완전히 증명하는 데이터 장부는 아니다. 성능이 비슷하다는 관찰도 증류의 증거가 될 수 없다. 같은 공개 데이터, 비슷한 아키텍처, 벤치마크 최적화로도 결과가 가까워질 수 있기 때문이다.

쟁점	현재 확인 가능한 사실	아직 확인되지 않은 것
무단 추출	Anthropic과 미국 정부 측이 대량 출력 수집·우회를 주장	전체 접근 기록, 법원의 사실 판단
Kimi K3 공개	Moonshot이 기술 보고서·가중치를 공개	모든 학습 데이터와 교사 출력의 출처
성능 유사성	유사한 벤치마크 결과는 관찰 가능	유사성만으로 증류를 증명하는 인과관계
규칙 위반	서비스 약관·계정 정책 위반 가능성이 논의됨	계약·저작권·부정경쟁의 최종 법적 책임

<교사 모델 출력, 권한, 기록이 함께 남아야 하는 증류의 경계 1.1>

2. 증류는 원래 무엇을 뜻하는가

모델 증류(knowledge distillation)는 강한 교사(teacher) 모델의 출력 분포·설명·추론 흔적을 사용해 더 작거나 배포하기 쉬운 학생(student) 모델을 훈련하는 기법이다. Hinton, Vinyals, Dean의 2015년 논문은 큰 모델 또는 앙상블의 ‘부드러운’ 출력 확률을 학생에게 전달해 압축과 일반화를 돕는 방식을 정리했다. 즉 증류는 원래부터 불법 행위의 이름이 아니라, 모델 압축과 전이를 위한 정식 기법이다. 원 논문이 출발점이다.

가장 단순한 형태는 다음과 같다. 교사가 질문에 답하고, 학생은 정답 문자열만이 아니라 교사가 각 선택지를 얼마나 그럴듯하게 봤는지까지 배운다.

PYTHON

# 허가받은 교사 출력과 라이선스가 있는 데이터라는 전제의 개념 예시
teacher_logits = teacher(prompt).logits
student_logits = student(prompt).logits

hard_loss = cross_entropy(student_logits, gold_label)
soft_loss = kl_divergence(
    softmax(teacher_logits / temperature),
    softmax(student_logits / temperature),
)
loss = 0.3 * hard_loss + 0.7 * soft_loss
loss.backward()

그러나 실제 서비스 모델에서는 ‘soft logits’를 주지 않고 텍스트 답변만 제공하는 경우가 많다. 그래서 대량 질의로 설명·코드·추론 답변을 모아 학생을 미세조정하는 형태도 넓은 의미에서 증류라 부른다. 이때 핵심은 수식이 아니라 권리와 접근 경로다.

1. 교사 모델 소유자가 출력의 학습 재사용을 허용했는가?
2. 질의 데이터와 사용자 데이터에 그 재사용 권한이 있는가?
3. 정상 API 계약과 요금·속도 제한 안에서 수집했는가?
4. 누가, 어떤 교사로, 얼마만큼의 출력을 만들었는지 나중에 검증할 기록이 있는가?

이 네 조건이 투명하면 증류는 연구·경량화·온디바이스 배포에 유용하다. 반대로 약관을 우회해 비공개 서비스의 능력을 대량 복제한다면, ‘압축’이라는 기술어가 행위의 경제적 의미를 지우지는 못한다. 나는 이를 사실상 지식 도둑질에 가까운 행위라고 본다. 다만 이것은 윤리·산업정책적 평가이며, 개별 사건의 저작권 침해나 계약 위반은 증거와 관할 법에 따라 별도로 판단해야 한다.

3. 중국산 AI와 공개된 증류 계열: 한 묶음으로 볼 수 없는 이유

중국계 AI에서 증류라는 단어가 낯선 것은 아니다. 가장 잘 알려진 사례는 DeepSeek가 공개한 AI 모델 증류 계열이다. DeepSeek-R1 모델 카드는 Qwen2.5 계열과 Llama 계열 기반의 여섯 가지 DeepSeek-R1-Distill 계열 모델을 공개했고, Qwen 기반 모델은 DeepSeek-R1에서 선별한 80만 샘플로 미세조정했다고 명시한다. 이 사례가 Kimi K3 의혹과 다른 이유는 적어도 모델 카드가 교사·기반 모델·데이터 규모를 공개적으로 설명하고, 공개 가중치와 조건을 제시한다는 데 있다.

계열	교사·기반에 대한 공개 설명	공개 형태	Kimi K3 논란과의 관계
DeepSeek-R1-Distill-Qwen/Llama	DeepSeek-R1 출력으로 Qwen2.5·Llama 기반 모델을 미세조정했다고 모델 카드에 명시	가중치·모델 카드	투명하게 선언한 증류 사례. 무단 접근의 증거는 별개
Qwen 계열의 경량 파생 모델	기반 모델과 파생 관계가 모델 카드·저장소에 표시되는 경우가 많음	가중치·라이선스 조건	공개 여부와 개별 라이선스 준수가 핵심
Kimi K3	Moonshot은 구조·가중치를 공개	가중치·기술 보고서	외부 교사 출력의 무단 수집 주장 때문에 출처 검증이 핵심

중국산이라는 국적은 판정 기준이 될 수 없다. 증류의 적법성은 국적이 아니라 교사 모델의 권리, 데이터 출처, 이용약관, 접근 방식, 감사 가능성으로 판단해야 한다. 반대로 ‘오픈 웨이트’라는 라벨도 면죄부가 아니다. 최종 가중치를 공개했더라도 그 가중치가 만들어지는 과정에서 무단 출력 수집이 있었다면 논란은 남는다.

4. Hugging Face OpenR1을 포함해 찾을 수 있는 유명한 증류 모델

증류가 언제나 숨겨진 행위만은 아니라는 점은 Hugging Face에서 더 선명하게 보인다. 널리 알려진 공개 사례는 다음과 같다.

모델	무엇을 증류했나	왜 주목할 만한가
DeepSeek-R1-Distill-Qwen-32B	DeepSeek-R1에서 선별한 데이터로 Qwen2.5 기반 모델을 후학습	강한 추론 모델을 작은 공개 모델로 옮긴 대표 사례
DeepSeek-R1-Distill-Llama-70B	DeepSeek-R1 데이터와 Llama 기반 모델	기반 모델과 파생 모델의 관계를 명시한 대형 공개 가중치
OpenR1-Distill-7B	DeepSeek-R1에서 증류한 35만 개 검증 추론 흔적으로 Qwen2.5-Math-7B를 후학습	재현 가능한 데이터셋·학습 경로를 내세운 커뮤니티 프로젝트

특히 Hugging Face의 Open R1 프로젝트는 ‘교사 출력이 들어간 학습’을 최대한 재현 가능한 형태로 문서화하려는 실험이다. 모델 카드는 어떤 베이스 모델을 썼는지, 몇 개의 추론 흔적을 썼는지, 어떤 데이터셋을 썼는지를 적고 Apache-2.0으로 배포한다. 이것이 모든 데이터 권리 문제를 자동 해결한다는 뜻은 아니다. 그러나 최소한 “누구의 무엇을 어떤 방식으로 옮겼는가”를 외부가 검토할 표면은 넓힌다.

<증류 모델을 평가할 때 가중치 공개만으로는 부족한 네 가지 증거 4.1>

5. ‘웹을 긁어 만든 AI’와 ‘모델 출력을 긁는 증류’는 같은 문제인가

여기에는 불편하지만 피할 수 없는 반론이 있다. 오늘의 거대언어모델도 처음 만들어질 때 공개 웹의 글, 이미지, 코드, 데이터베이스를 광범위하게 수집했다. 저작권자·작성자의 명시적 동의 없이 크롤링된 AI 학습 데이터가 있었다면, 그것 역시 지식의 무단 전유라는 비판을 피하기 어렵다. 미국 저작권청도 AI 학습이 모든 경우에 공정 이용이거나 모든 경우에 침해라고 미리 결론낼 수 없고, 자발적 라이선스가 가능한 경우도 있다고 정리한다. 미국 저작권청 AI 보고서 안내와 의회조사국 요약은 이 법적 불확실성을 잘 보여 준다.

그렇다고 두 문제를 완전히 같은 것으로 뭉개면 안 된다. 웹 학습은 원저작물 복제·변형·공정 이용·데이터베이스 권리의 논쟁을 낳는다. 서비스 모델 증류는 여기에 API 계약, 계정 신원, 속도 제한, 출력 이용 약관, 기술적 접근 통제라는 층을 더한다. 둘 다 동의와 보상의 문제이지만, 침해 여부를 가르는 증거와 계약 관계는 다르다.

질문	공개 웹 학습	서비스 모델 출력 증류
주된 대상	글·이미지·코드 등 원저작물	모델이 생성한 답변·추론·코드
핵심 쟁점	저작권, 데이터 수집, 공정 이용, 보상	약관, 인증 우회, 출력 재사용 권리, 저작권·부정경쟁
확인에 필요한 기록	수집 목록, 옵트아웃, 라이선스, 학습 영향	계정·API 로그, 프록시·자동화 흔적, 출력 데이터셋, 교사 계약
바람직한 해법	출처·옵트아웃·라이선스·보상 체계	명시적 학습 허가, 속도 제한, 출처 장부, 독립 감사

따라서 “대형 AI도 웹을 긁었으니 증류 비판은 위선”이라는 말은 논점을 해결하지 못한다. 오히려 두 단계 모두에 출처·동의·보상·감사 기준이 필요하다는 결론으로 이어져야 한다. 과거의 불투명함은 다음 불투명함의 면허가 아니다.

결론: 이 논란은 어떻게 마무리될까

Kimi K3 증류 논란은 한 번의 성명이나 벤치마크 표로 끝나기 어렵다. 가장 가능성 높은 결말은 법원 판결 하나보다 여러 층의 규칙이 겹치는 모습이다. 모델 제공사는 계정 무결성, 비정상 질의 탐지, 속도 제한, 워터마킹·출처 기록을 강화할 것이다. 학습 재사용을 허용할 것인지도 API 약관의 작은 문장이 아니라 별도 라이선스로 분리될 가능성이 크다. 오픈 웨이트 진영은 기반 모델, 교사 출력, 합성 데이터, 필터링 과정을 더 자세히 공개하라는 압박을 받을 것이다.

그 과정에서 경쟁국의 정치적 공방은 계속되겠지만, 최종적으로 신뢰를 만드는 것은 국적이나 홍보 문구가 아니다. 누구의 능력을, 어떤 허가 아래, 어느 규모로, 어떤 기록을 남기며 옮겼는지를 제3자가 확인할 수 있어야 한다. 증류는 유용한 기술이다. 하지만 출처를 지운 증류가 업계의 표준이 된다면, 다음 세대의 교사 모델을 만드는 투자와 창작의 동기도 함께 약해질 것이다. 이 논란은 결국 AI의 지능 경쟁이 아니라 AI 지식의 소유·보상·검증 규칙을 다시 쓰는 싸움으로 마무리될 가능성이 높다.