모티프 3 Beta는 작은 국내 스타트업이 GPU 수보다 설계와 인프라 효율성으로 어디까지 올라갈 수 있는지를 보여주는 실험입니다. AI 서버의 GPU 병목을 함께 살펴보면 이 모델의 희소 연산 설계가 왜 중요한지 이해하기 쉽습니다. 다만 아직 최종 모델이 아닌 베타이며, 기업용 상업 라이선스와 공개 학습 데이터 정보가 제한되어 있습니다.
모티프테크놀로지스는 어떤 회사인가
모티프테크놀로지스는 인공지능 인프라 기업 모레의 AI 사업 조직에서 출발해 2025년 2월 설립된 서울 소재 스타트업입니다. 모레가 GPU 클러스터 최적화, 분산 추론과 경량화에 집중하고 모티프가 모델 설계와 생성형 AI 제품 개발에 집중하는 구조입니다. 회사 공식 소개는 모티프를 단순한 챗봇 회사가 아니라 모델·인프라·기업용 AX를 함께 다루는 회사로 설명합니다.
대표는 임정환 CEO입니다. 회사 공식 프로필에 따르면 임 대표는 KAIST 학사와 영국 옥스퍼드대학교 박사 학위를 받았고, PUBG와 삼성 리서치에서 데이터 사이언티스트로 일한 뒤 모레에서 AI 디렉터를 맡았습니다. 즉 “국내 대학 출신 창업자”라는 한 줄보다, 수학·연구·게임 데이터·GPU 인프라를 함께 경험한 이력이 모티프의 방향을 설명하는 데 더 중요합니다.
공개 기업정보를 종합하면 2026년 6월 기준 임직원은 약 30명이며, 모티프는 비상장 스타트업입니다. 기업공개를 한 대기업과 비교할 규모는 아니지만, 314B급 모델을 공개한 조직으로서는 매우 작은 편입니다. 2025년 중반 보도에서는 25명 미만으로 소개됐으므로 인력 수는 시점에 따라 변하는 추정치로 읽어야 합니다. THE VC 기업정보도 모티프를 2025년 설립 스타트업, 대표 임정환, 비상장 기업으로 분류합니다.
Motif-3-Beta의 핵심은 거대한 MoE와 작은 활성 연산량이다
현재 공개된 Motif-3-Beta 모델 카드의 핵심 수치는 총 약 3,140억 개 파라미터, 토큰당 약 130억 개 활성 파라미터, 256K 토큰 컨텍스트입니다. 전체 모델을 매번 모두 계산하는 Dense 모델이 아니라 384개 라우팅 전문가 중 8개와 공유 전문가 1개를 선택하는 Mixture-of-Experts(MoE) 구조입니다.
| 항목 | 공개 정보 | 의미 |
|---|---|---|
| 총 파라미터 | 약 314B | 모델 전체 지식 용량과 저장 규모 |
| 활성 파라미터 | 토큰당 약 13B | 한 토큰을 처리할 때 실제로 선택되는 연산 규모 |
| 전문가 구조 | 라우팅 384개 중 Top-8 + 공유 전문가 1개 | 입력마다 다른 전문가를 선택하는 희소 연산 |
| 컨텍스트 | 256K 토큰 | 긴 문서·코드 저장소를 한 번에 넣을 수 있는 설계 목표 |
| 레이어·히든 크기 | 53층·4096 | 모델 카드에 공개된 기본 구조 정보 |
| 정밀도 | bfloat16 | 학습·추론용 수치 형식 |
모티프가 강조하는 특이점은 기존 오픈소스 모델의 파라미터를 다시 포장한 모델이 아니라 자체 설계를 출발점으로 삼았다는 점입니다. 모델 카드에는 Grouped Differential Latent Attention(GDLA), 전문가별 Grouped PolyNorm, 수정된 mHC, Multi-Token Prediction 헤드가 적혀 있습니다. MTP 헤드는 다음 토큰을 미리 예측해 자기 speculative decoding을 가능하게 하는 구성입니다.
이 설명은 “314B니까 무조건 GPT-4급”이라는 뜻이 아닙니다. MoE는 총 용량과 한 번의 계산량을 분리해 비용을 줄이는 방법이지만, 전문가 라우팅·메모리 이동·병렬화가 잘못되면 실제 운영비와 지연시간이 커질 수 있습니다. 13B 활성 파라미터는 흥미로운 숫자지만, GPU 메모리에는 전체 가중치와 통신 경로가 영향을 줍니다.
성능은 높지만 실사용 레벨은 물음표
Motif-3-Beta 모델 카드에는 Artificial Analysis Intelligence Index(AAII) 44점이 제시되어 있습니다. 외부 평가 페이지는 이 점수를 여러 언어 모델의 지식·추론·수학·코딩을 합친 종합 지표로 보여주지만, 순위는 평가 시점과 모델 표본에 따라 변합니다. 따라서 “국산 모델 최초 세계 3위”라는 표현보다 “공개된 베타 모델이 AAII 44점을 기록했다”가 더 맞는 표현입니다.
더 중요한 한계도 있습니다. 모델 카드에는 Motif-3 자체의 KMMLU, HumanEval, MBPP, SWE-bench 점수가 체계적으로 공개되어 있지 않습니다. 이전 세대 Motif 2.6B는 모델 카드에서 HumanEval 68.3, MBPP 60.3을 제시했지만, 그 숫자를 Motif-3의 코딩 성능으로 옮겨 적을 수는 없습니다. 모델 크기가 커졌다고 개인적으로 필자가 관심있는 코딩 에이전트 성능이 자동으로 보장되는 것도 아닙니다.
모티프 3은 일반 목적의 다국어 텍스트 생성 모델에 가깝고, 현재 공개 베타는 이미지 입력을 지원하지 않습니다. 로컬에서 vLLM 또는 SGLang으로 OpenAI 호환 채팅 엔드포인트를 띄울 수 있지만, 모델 카드가 테스트 환경으로 명시한 GPU가 B200·H200이라는 점은 개인 개발자에게 현실적인 진입 장벽입니다. 256K 컨텍스트는 저장소 전체를 성능지표로 이해하는 데 유리할 수 있지만, 근래의 외산 AI들의 LLM, 이미지, 추론, 디자인 등의 괴물같은 성능을 보면 갈길이 멀어 보이기도 합니다.
무료인가, 유료인가, API가 있는가
Motif-3-Beta 가중치는 Hugging Face에서 접근 요청 없이 내려받을 수 있습니다. 그러나 현재 모델 카드의 라이선스는 개인·교육·비상업 연구 목적의 사용·수정·재배포만 허용하며, 상업적 사용은 모티프의 사전 서면 허가가 필요합니다. 따라서 “오픈 웨이트”와 “상업적으로 자유로운 오픈소스”를 같은 말로 사용하면 안 됩니다.
모티프의 공식 Open API 페이지는 현재 Motif 12.7B Reasoning API를 OpenAI Chat Completions 방식으로 호출할 수 있다고 안내합니다. 하지만 이 페이지가 Motif-3-Beta의 공개 상용 API 가격표나 모델별 과금표를 제공하는 것은 아닙니다. 정리하면 다음과 같습니다.
| 사용 방식 | 현재 확인되는 상태 |
|---|---|
| Motif-3-Beta 가중치 | 다운로드 가능, 비상업 연구 라이선스 |
| Motif-3-Beta 호스팅 API | 공개 가격·상용 제공 여부를 확인하지 못함 |
| Motif 12.7B Reasoning API | 공식 Open API에서 키 발급·호출 방식 안내 |
| 로컬 API | vLLM·SGLang으로 OpenAI 호환 서버 구성 가능 |
기업이 실제 서비스에 넣으려면 모델 다운로드보다 라이선스 협의, GPU 비용, 장애 대응, 데이터 보안과 지원 계약이 더 중요합니다. 특히 베타 모델을 고객 데이터에 바로 연결하기보다 별도 평가 환경에서 품질·로그·삭제 정책을 검증해야 합니다. 필자는 이런 조건이 좀 많이 아쉽게 느껴집니다. 실 업무에 광범위하게 AI를 도입하고 있는 기업의 의사결정권자로서 AI는 기업환경에서 완벽하게 성능지표로 선택하는 도구입니다. 그렇기 때문에 가성비를 보면서도 성능을 최우선으로 봅니다. 결국 현재 강력한 외산의 AI도구와 비교했을때 거의 구글,오픈AI,클로드 외에 국산을 사용할 매리트가 없기 때문이죠. 응원만으로 생산성을 포기할 수없는게 기업입니다. 이렇게 승자독식의 AI세계에서 폐쇠적인 정책이 도움이 될지 모르겠습니다. 어차피 어지간한 중소기업은 돌릴용기도 없을 것입니다. 중국산들도 그렇기에 오픈으로 계속 여는 것이겠지요.
학습 데이터는 무엇이며 얼마나 투명한가
여기서는 공개된 것과 공개되지 않은 것을 구분해야 합니다. 공식 Motif-3-Beta 모델 카드에는 자체 설계, 파라미터·구조·컨텍스트 정보는 있지만, 학습에 사용한 원천 데이터셋 목록·저작권 정리·언어별 토큰 분포·필터링 절차를 상세히 공개하지 않습니다. 따라서 “어떤 웹사이트와 책을 학습했다”고 단정할 근거는 현재 부족합니다. 물론 다른 오픈 모델들도 마찬가지긴 합니다. 기업의 노하우와도 직결되니까요.
반면 이전 Motif 2.6B 모델 카드에는 AMD MI250 384장, 42일, 2.4T 토큰 학습이라는 정보가 공개돼 있습니다. 이 수치는 Motif-3의 학습량이 아니라 이전 모델의 기록입니다. Motif-3에 대해서는 정부 사업과 외부 보도에서 한국어 데이터와 대규모 학습 자원이 언급되지만, 최종 판단은 향후 기술보고서와 데이터 거버넌스 공개를 기다려야 합니다.
이 부분은 국산 AI의 경쟁력과도 연결됩니다. 한국어 데이터가 많다는 것만으로 좋은 모델이 되지 않습니다. 뉴스·웹·공공문서·코드·대화 데이터를 어떤 권리로 확보했는지, 중복·오염·개인정보를 어떻게 제거했는지, 평가 세트가 학습에 섞이지 않았는지가 장기 신뢰성을 좌우합니다.
GPU는 어떻게 확보했나: 투자보다 독파모 인프라가 큰 역할을 했다
모티프의 초기 강점은 AMD GPU를 활용했다는 것입니다. 이전 Motif 2.6B는 공식 모델 카드상 AMD Instinct MI250 384장으로 42일 동안 학습됐고, 모티프 측은 작은 모델을 AMD GPU 한 장에서도 추론할 수 있도록 만드는 비용 효율성을 강조했습니다. 이는 특정 GPU 공급사에 모델 개발 전체를 종속시키지 않으려는 모레의 인프라 소프트웨어 경험과 맞닿아 있습니다.
Motif-3-Beta는 맥락이 다릅니다. 모티프는 정부의 독자 AI 파운데이션 모델 사업(독파모) 정예팀으로 추가 선정됐고, 보도에 따르면 직원 약 30명이 정부 제공 GPU 700여 장을 활용해 약 5개월 만에 프리뷰 모델을 완성했습니다. 컨소시엄에서는 모티프가 모델 설계를 총괄하고 모레가 GPU 클러스터 최적화·분산 추론·경량화를 담당합니다.
공개 자료에서 확인되는 국책 지원은 GPU 자원과 독파모 개발·평가 체계이며, 세부 현금 지원액과 GPU 소유권은 명확히 공개되지 않았습니다. 투자 측면에서는 2026년 보도에 포레스트벤처스 50억 원과 다른 기관 100억 원 등 투자 내용이 언급됐고, 총 240억 원 규모 투자 유치와 기업가치 약 1,300억 원이라는 보도도 있습니다. 세부 금액의 공개 범위가 서로 다르므로 “240억 원 투자 유치 보도”로 표현하는 것이 정확합니다. 딜사이트 보도
앞으로의 목표: 모델 하나가 아니라 산업용 AI 생태계
모티프가 공개적으로 제시하는 목표는 세 갈래입니다. 첫째, 언어 모델을 이미지·비디오 생성으로 확장하는 멀티모달 전략입니다. 둘째, 멀티모달을 로봇과 자율 작업으로 연결하는 피지컬 AI입니다. 셋째, 개발된 모델과 소프트웨어를 상업용 오픈소스와 대국민 AI 서비스로 개방해 산업·공공 AX 사례를 만드는 것입니다. 이는 AI GPU 클라우드의 비용 구조와도 맞닿아 있는 현실적인 과제입니다.
이 목표는 회사 규모를 생각하면 야심차지만, 모티프가 단순 모델 연구소가 아니라 모레와 함께 GPU 최적화·기업용 AX를 병행하는 이유이기도 합니다. 모델 판매만으로는 대규모 GPU 비용을 회수하기 어렵기 때문에, 기업 맞춤형 모델과 인프라·서비스 매출을 만들고 그 수익을 다시 모델 개발에 투입하는 구조가 필요합니다. 삼일PwC와의 산업별 AI 혁신 협력은 이런 B2B 경로의 한 사례입니다.
필자는 이 부분에서도 좀 아쉬움이 남습니다. 우리는 이미 선발대로 혁신을 이끈 오픈AI의 고전을 실시간으로 보았습니다. 핵심은 수익성이 약하다 하나 입니다. 그리고 그걸 빠르게 극복한 것이 클로드구요. 국산 AI모델이라고 자본주의 게임에서 자유로울 수 없습니다. 대국민 서비스 중에서도 일단 빠르게 돈이 되는 코딩능력, 에이전트 능력, 당장 국내 기업시장에서 쓸수 있는 프로젝트 능력의 수익성높은 기능을 우선 개발하고 오픈해야 합니다. 기업시장이 원하는것은 반드시 코딩뿐만은 아니니까요.
바이브코딩 시대에 모티프가 보여줘야 할 다음 단계
개인적으로는 국산 AI 모델이 단순히 한국어 대화와 요약을 잘하는 수준을 넘어, 실제 바이브코딩이 가능한 모델로 성장했으면 합니다. 여기서 바이브코딩은 코드를 한 번 생성하는 기능이 아니라 다음 작업을 끝까지 반복하는 능력입니다.
- 저장소 구조를 읽고 필요한 파일만 고르는 능력
- 요구사항을 작은 작업으로 쪼개고 수정 계획을 세우는 능력
- 터미널·테스트·브라우저·Git 도구를 안전하게 호출하는 능력
- 오류 로그를 읽고 원인을 좁혀 실제 수정까지 이어가는 능력
- 변경 사항과 보안 위험을 사람에게 설명하고 승인을 기다리는 능력
Motif-3-Beta의 256K 컨텍스트와 MoE 구조는 이 방향에 매력적인 기반입니다. 그러나 현재 모델 카드에는 Motif-3의 코딩 벤치마크와 도구 사용 평가가 충분하지 않고, 베타 라이선스도 상업 서비스에 바로 쓰기 어렵습니다. 다음 공개판에서는 HumanEval 같은 단일 점수보다 SWE-bench 계열, 실제 한국어 저장소, 테스트 실패 복구율, 도구 호출 성공률, 긴 작업의 비용·지연시간을 함께 공개하면 좋겠습니다.
국산 AI의 목표는 외산 모델을 무조건 이기는 한 번의 순위가 아니라, 국내 개발자가 자신의 코드와 데이터를 통제하면서도 세계 수준의 생산성을 얻는 환경을 만드는 데 있어야 합니다. 모티프 3 Beta는 그 가능성을 보여주는 흥미로운 중간 결과이며, 동시에 데이터 투명성·상업 라이선스·실사용 검증이라는 다음 숙제를 남긴 모델입니다.
결론
모티프테크놀로지스는 약 30명의 비상장 스타트업이지만, 임정환 대표의 연구·산업 경력, 모레의 GPU 소프트웨어 기반, 독파모의 대규모 GPU 지원과 투자를 결합해 Motif-3-Beta를 내놓았습니다. 314B 총 파라미터와 13B 활성 파라미터, 256K 컨텍스트, 자체 MoE 설계는 기술적으로 인상적입니다.
다만 베타 모델의 AAII 44점은 출발점이지 상용 성공의 증명서가 아닙니다. 학습 데이터 출처, Motif-3 전용 코딩 성능, 상업 API 가격, 최종 라이선스와 안정적인 GPU 운영비가 공개되어야 실제 경쟁력을 판단할 수 있습니다. 모티프가 이 정보를 꾸준히 공개하고 바이브코딩과 산업용 에이전트까지 연결한다면, 국산 AI는 “한국어를 잘하는 모델”에서 “국내 업무를 실제로 완수하는 모델”로 한 단계 더 나아갈 수 있습니다. 그래도 걸출한 국산 AI모델이 공개됐다는 사실을 부인할 수 없으며 앞으로의 미래를 격하게 응원합니다.
