# 일본 국산 LLM의 현주소와 PLaMo 3.0 Prime이 지향하는 것 ── Preferred Networks LLM 개발 핵심 인사 독점 인터뷰

> https://bookfactory.kr/board/news/8244
> 게시판: 뉴스
> 작성자: tachikoma43
> 작성일: 2026-07-24T12:00:36.479Z

---

OpenAI, Anthropic, Google 등 세계에서는 LLM(대규모 언어 모델) 개발 경쟁이 가속화되고 있다. 그동안 LLM 개발에서는 벤치마크 성능과 대화 품질 향상이 주요 경쟁 축이었다. 하지만 지금은 추론 능력을 갖추고 자율적으로 도구를 활용하며 업무를 수행하는 'AI 에이전트'에 대한 대응, 기업의 실제 운영 환경에서 견딜 수 있는 신뢰성 등이 새로운 경쟁 축으로 떠오르고 있다.

이러한 변화를 반영해 일본 AI 개발을 이끌어 온 주식회사 Preferred Networks(이하 PFN)는 국산 풀스크래치 개발 LLM 'PLaMo'의 최신 버전인 'PLaMo 3.0 Prime'을 공개했다.

본 기사에서는 PLaMo 개발을 이끄는 LLM 개발 사업본부 본부장 다나카 다이스케(田中大輔)와 같은 팀에서 엔지니어로 활동하는 이무라 히데아키(今村秀明) 두 사람의 인터뷰를 통해 LLM 개발의 경쟁 축이 어떻게 변화하고 있으며, PFN이 이러한 변화에 어떻게 대응하려 하는지 들어보았다.

※ 취재는 2026년 7월 8일에 진행됐다.

**주식회사 Preferred Networks**
**LLM 개발 사업본부 본부장**
**다나카 다이스케**

2015년 주식회사 Preferred Networks 입사. 자사 IoT 제품의 연구개발과 기업 도입 지원, 딥러닝 컴파일러 개발에 종사했다. 엔지니어링 매니저를 거쳐 2022년 머신러닝 기반 담당 VP에 취임했다. 현재는 기반 모델 개발을 맡는 개발 사업본부 본부장이다. 2023년 경영학 석사(MBA)를 취득했다.

**주식회사 Preferred Networks**
**LLM 개발 사업본부 PLaMo Post-training 팀 엔지니어링 매니저·리서처**
**이무라 히데아키**

2018년 도쿄대학교 이학부 정보과학과 졸업, 2020년 도쿄대학교 대학원 정보이공계 연구과 컴퓨터 과학 전공 석사 과정을 마치고 같은 해 주식회사 Preferred Networks 입사. 블랙박스 최적화 프레임워크 Optuna 개발과 결정 구조 탐색 소프트웨어 Matlantis CSP 개발을 거쳐 현재는 국산 생성 AI PLaMo 개발에 종사하고 있다. 저서로 『Optuna를 활용한 블랙박스 최적화』 『베이즈 최적화 - 적응적 실험 계획의 기초와 실천』이 있다.

## '벤치마크 경쟁'에서 'AI 에이전트 경쟁'으로

"1년 반 사이에 LLM의 경쟁 축이 크게 바뀌었습니다."라고 이무라 씨는 말한다.

현재 LLM 시장에서는 미국과 중국이 프론티어 모델을 주도하고 있고, 일본의 국산 LLM은 여전히 뒤따르는 입장에 있다. 한편 생성 AI 활용이 일본 국내로 확산되면서 해외 서비스 의존에 따른 리스크와 우려도 커지고 있다. PFN이 2026년 5월에 공개한 [기술 자료](https://speakerdeck.com/pfn/20260406_plamo_3_beta_posttrain_and_inference_opt)에서도 2030년에는 일본의 디지털 적자가 약 8조 엔 규모까지 확대될 가능성에 대해 강한 위기감을 드러냈다.

![PLaMo 기술 자료 슬라이드](https://storage.googleapis.com/ledge-ai-prd-public-bucket/media/pfn_2_4bc97e8f55/pfn_2_4bc97e8f55.png)
*이미지 출처: [국산 생성 AI PLaMo를 지탱하는 사후학습과 추론 최적화](https://speakerdeck.com/pfn/20260406_plamo_3_beta_posttrain_and_inference_opt?slide=9)*

그렇기 때문에 중요한 것은 '해외 모델을 따라잡는 것'만이 아니다. 기업이 실제 업무에서 안심하고 지속적으로 사용할 수 있는 LLM을 일본 국내에서 개발·유지할 수 있는지 여부다.

그런 가운데 세계 LLM 개발에서는 경쟁 축 그 자체가 급격하게 변하고 있다고 한다.
종전 LLM 개발에서는 벤치마크 점수 향상이 주된 목표였다. 하지만 2024년 이후 OpenAI o 시리즈를 비롯한 추론 모델(Reasoning Model)의 등장으로 상황은 완전히 바뀌었고, 지금 진행형으로 밀려오는 것이 'AI 에이전트'의 부상이다. 이무라 씨는 이 흐름을 다음과 같이 정리한다.

"먼저 추론 능력이 확보되면서 그동안 풀지 못했던 복잡한 문제를 풀 수 있게 됐습니다. 다음으로 AI가 도구를 활용하며 업무를 진행하는 '에이전틱 툴 유즈(Agentic Tool Use)'라는 새로운 패러다임이 등장했습니다."

즉 LLM은 '질문에 답하는 AI'에서 '업무를 완수하는 AI'로 역할을 바꾸기 시작하고 있다.

## 롱컨텍스트와 '끝까지 해내는 힘'이 새로운 기준으로

이번에 PFN이 개발한 PLaMo 3.0 Prime에서는 개발 프로세스 중 하나인 '지속 사전학습(Continual Pre-training)'에도 큰 역할이 부여됐다. 지속 사전학습이란 사전학습을 마친 모델에 추가 학습을 진행하는 공정이다. 종래에는 '새로운 지식을 추가하는 것'이 주된 목적이었지만, 이번 개발에서는 또 다른 목적이 더 중요했다고 이무라 씨는 밝힌다.

"긴 문장을 이해할 수 있도록 만들기 위해 지속 사전학습을 활용하는 사례가 늘고 있습니다. 요즘은 오히려 이쪽 목적이 주류입니다."

![PLaMo 학습 파이프라인](https://storage.googleapis.com/ledge-ai-prd-public-bucket/media/pfn_1_a10f6ac2fb/pfn_1_a10f6ac2fb.png)
*이미지 출처: [국산 생성 AI PLaMo를 지탱하는 사후학습과 추론 최적화](https://speakerdeck.com/pfn/20260406_plamo_3_beta_posttrain_and_inference_opt?slide=20)*

그 배경에는 역시 AI 에이전트의 존재가 있다. AI 에이전트는 사용자의 지시를 받으면 여러 도구를 호출하며 자율적으로 작업을 진행한다. 예컨대 소프트웨어 개발이라면 인간 대신 코드를 읽고 필요한 파일을 열고 테스트를 실행하며 그 결과를 바탕으로 생각하는 일련의 과정을 수행한다.
그 때문에 한 번에 다루는 컨텍스트(문맥)는 종래와는 비교할 수 없을 만큼 길어진다. 이무라 씨 본인도 "예전에는 '256k나 되는 컨텍스트 길이가 정말 필요한가'라고 생각했습니다. 그런데 코딩 에이전트를 실제로 쓰게 되면 한 작업만으로도 256k를 넘는 경우가 드물지 않습니다. AI 에이전트 시대에는 긴 컨텍스트를 다룰 수 있는 것이 필수 조건입니다"라며 연구·개발을 통해 느꼈다고 말했다.

이런 시대의 변화를 받아 '고성능 LLM'의 정의 그 자체도 바뀌고 있다. 그동안은 '수학 문제를 풀 수 있다', '벤치마크에서 고득점을 낸다' 같은 지표가 평가 대상이었다. 하지만 앞으로는 그것만으로는 부족하다.

"한 번이라도 환각(hallucination)을 일으키거나 도구 호출에 실패하면 그 이후 처리 전체가 무너져 버립니다. AI 에이전트에서는 거짓말을 하지 않고 올바르게 도구를 호출할 수 있는 것이 매우 중요해집니다."

즉, 테스트에서 고득점을 내는 것과 기업 업무를 끝까지 해내는 것은 요구되는 능력의 벡터가 다르다는 뜻이다. 그래서 PLaMo 3.0 Prime에서는 도구 활용을 전제로 한 설계와 이번에 새로 지원한 Structured Outputs 대응에도 힘을 쏟았다. 모델이 정해진 형식으로 정확하게 출력하게 함으로써 시스템 연동 시 오류를 줄이고 에이전트로서 안전하게 동작하도록 만들기 위해서다.

"앞으로 기업에서 요구되는 LLM은 단순히 '똑똑한 모델'이 아니라 '업무를 끝까지 해내는 모델'이 될 것."이라고 이무라 씨는 힘을 준다.

## 수작업으로 잡은 추론 능력, 현장이 원한 '속도'

PLaMo 3.0 Prime에서는 추론 능력 확보뿐 아니라 강화학습(RL)과 학습 파이프라인의 전면적인 재검토가 이뤄졌다. 하지만 개발팀은 이것으로 '완성'이라고 생각하지 않는다. 오히려 이번 정식 버전은 다음 경쟁을 향한 출발선이라고 한다.

요즘은 추론 모델이 당연한 것이 되어가지만, PFN이 개발을 시작한 당시에는 참고할 수 있는 정보가 극도로 제한적이었다. 본부장 다나카 씨는 "PLaMo 2.2를 출시하기 전부터 '추론 능력을 획득하자'는 방침을 정해 놓고 있었습니다. 다만 그 당시에는 참고가 될 만한 공개 정보가 거의 없었습니다"라고 회상한다.
당시 참고할 수 있었던 것은 Grok 등 일부 기술 보고서나 각사의 제한적인 기술 공개 정도였다. 수학과 코딩을 중시한다는 방향성, 강화학습을 활용한다는 방향성은 제시돼 있었지만 구체적인 방법론은 거의 공개되지 않았다. 그래서 PFN은 독자적으로 가설을 세우며 검증을 반복했다고 한다. 이무라 씨도 "그 당시에는 전 세계 연구자들이 모두 같은 식으로 감을 더듬던 때였습니다"라고 말했다.

그 결과 PLaMo는 비교적 단순한 학습 파이프라인으로 추론 능력 확보에 성공했다. "생각보다 성능이 크게 오른 것은 개발팀에게도 놀라움이었습니다"(이무라 씨).

![이무라 히데아키 씨](https://storage.googleapis.com/ledge-ai-prd-public-bucket/media/imamura_pfn_5581be7515/imamura_pfn_5581be7515.png)
*엔지니어 이무라 히데아키 씨*

또한 정식 버전에 앞서 3월에 제공한 베타판에서는 기업의 실정에 맞는 소중한 피드백을 얻을 수 있었다. 처음에 개발팀은 '추론 모델이 똑똑하니 그것만으로 충분할 것'이라고 생각했다고 한다. 하지만 현장에서 돌아온 목소리는 달랐다. 실시간 채팅 응대나 문의 대응 같은 영역에서는 '성능이 조금 떨어지더라도 일단 빠른 모델이 필요하다'는 요구가 적지 않았던 것이다.

그래서 정식 버전에서는 깊게 생각하는 추론 모델뿐 아니라 추론을 하지 않는 고속 'Non-reasoning 모델'도 라인업에 추가해 업무 성격에 따라 선택할 수 있게 했다.

"채팅 같은 실시간 용도에서는 그만큼 깊게 생각할 필요가 없습니다. 반면 AI 에이전트처럼 도구를 쓰면서 복잡한 태스크를 처리하는 경우에는 추론 모델이 더 적합합니다. 유스케이스에 따라 최적의 모델을 기업 스스로 선택할 수 있어야 한다고 판단했습니다"(이무라 씨).

PLaMo 3.0 Prime이 Reasoning(추론) 모델과 Non-reasoning 모델을 모두 제공하게 된 데에는 이런 깎아지른 말만이 아니라 실제 운영의 생생한 니즈가 있었던 것이다.

## 풀스크래치 개발 너머로 내다보는 국산 LLM의 미래상

현재 많은 국산 LLM은 Llama 같은 오픈 모델을 기반으로 추가 학습을 얹어 개발되고 있다. 개발 비용과 기간을 억제하면서 높은 성능을 실현할 수 있어 매우 합리적인 접근이다. 하지만 그 가운데 PLaMo는 사전학습부터 자체 수행하는 풀스크래치 개발을 관철하고 있다. 그 집착에 대해 이무라 씨는 '단순한 개발 방법론의 차이'가 아니라고 말한다.

"공개된 오픈 모델에 추가 학습을 했을 뿐이라면 진정한 의미의 국산 LLM이라고 할 수 없다고 생각합니다. 후단 학습으로 갈수록 모델 전체에 미치는 영향력은 한정적이 되고 새로운 지식을 넣기 어려워집니다. 모델의 근간인 전단(사전학습)부터 우리 손으로 설계할 수 있다는 것이 PFN의 큰 강점입니다."

풀스크래치이기에 학습 초기 단계부터 지식을 주입하는 방식도, 학습 파이프라인 구성도 외부 제약 없이 최적화할 수 있다. 또 AI 에이전트 시대에 요구되는 도구 활용 능력에 대해서도 풀스크래치라는 토대가 있기에 독자적인 강점을 갈고닦을 수 있다는 것이다.

더 나아가 PFN이 내다보고 있는 것은 현재의 챗 AI나 코딩 지원에 머무르지 않는 세계다. 이무라 씨는 다음 마일스톤으로 'Deep Research(딥 리서치)'를 꼽았다.

"조사한 내용을 리포트로 상세하게 정리하는 작업은 추론 능력과 에이전트 능력을 모두 매우 많이 사용합니다. 웹은 물론 클라우드나 로컬 파일 서버까지 조사하고 환각을 억누르면서 정확하게 정리하는 것이 중요해집니다"(이무라 씨).

동사의 주요 고객인 관공서와 일본 국내의 모든 엔터프라이즈 기업에서 이런 조사·정보 정리 니즈는 높고, Deep Research의 실현은 실제 운영으로 나아가는 중요한 단계가 된다는 것이다. 그 앞에는 더 고도화된 코딩 에이전트의 실현도 시야에 넣고 있다.

![다나카 다이스케 씨](https://storage.googleapis.com/ledge-ai-prd-public-bucket/media/tanaka_pfn_8f42e51ec0/tanaka_pfn_8f42e51ec0.png)
*LLM 개발 사업본부 본부장 겸 기술기획본부 정보시스템부 부장 다나카 다이스케 씨*

더 장기적인 전망으로 로보틱스와의 융합도 염두에 두고 있다. 다나카 씨는 다음과 같이 말했다.

"지금은 몸을 갖지 않은 똑똑한 모델을 만드는 단계지만, 장래에는 당사의 다른 팀이 개발을 진행 중인 로봇이나 로봇 기반 모델과도 연계하고 싶습니다. 물리 공간과 사이버 공간을 구분하지 않고 이해할 수 있는 범용 모델을 목표로 하고 있습니다."

또 이무라 씨는 "최종적으로는 세계 최상위를 달리는 프론티어 모델을 따라잡고, 추월하고 싶다"는 열의를 밝혔다.

일본 기업이 안심하고 사용할 수 있는 LLM을 제공하는 동시에 세계 최첨단 모델에 도전하는 것. 바로 그 양립야말로 PFN이 풀스크래치로 개발을 계속하는 이유다.

## 다음 경쟁의 출발선으로

인터뷰에서 인상적이었던 점은 개발팀이 'PLaMo 3.0 Prime은 완성형이 아니다'라고 거듭 강조했다는 것이다. 추론 능력은 확보했다. 안전성도 향상됐고 기업 도입도 진행되기 시작했다. 하지만 그것은 골이 아니라 AI 에이전트 시대를 향한 출발점에 지나지 않는다.

LLM 경쟁은 이제 단순한 벤치마크 성능에서 실제 운영에서의 신뢰성과 업무 대체 가능성으로 이동하고 있다. 더 나아가 장기적으로는 AI가 사회와 현실 세계에서 어떤 역할을 할 수 있을지라는 더 본질적인 가치가 물어지는 시대를 맞고 있다.

'PLaMo 3.0 Prime'의 등장은 일본의 LLM 개발 역시 이 새로운 패러다임에 정면으로 맞서고 있음을 보여준다. 국산 모델의 진화는 해외 제품과의 단순한 스펙 비교만으로 잴 것이 아니다. 국내에서 기업의 핵심 업무를 지탱하는 AI를 계속 키워갈 수 있는지, 그 성패야말로 일본 AI 산업 경쟁력 그 자체를 좌우하는 열쇠가 되고 있다.

관련 기사: [프리퍼드, 풀스크래치 개발 국산 생성 AI 기반 모델 'PLaMo 3.0 Prime' 정식 제공 ── Reasoning/Non-reasoning 모델을 API·온프레미스로 전개](https://ledge.ai/articles/preferred_networks_plamo_3_0_prime)

관련 기사: [PFN, 풀스크래치 대규모 언어 모델 'PLaMo' 베타판 공개 ── 무료 트라이얼 신청 접수 시작](https://ledge.ai/articles/pfn_plamo_100b_post-study_completed)