AI 용어 사전 (2026) — GPT·LLM·딥러닝 · 오픈소스 AI · 온도, 이름은 아는데 뜻은 헷갈리는 3단어

“GPT랑 LLM이랑 뭐가 다른 거야? 뉴스에서는 또 바꿔 부르던데.” “오픈소스 AI가 좋다던데, 그럼 ChatGPT 안 결제해도 돼?” “AI 설정에 ‘온도(temperature)’ 슬라이더가 있던데, 올리면 뭐가 달라져?” — 뉴스, 유튜브, 도구 설정창 어디서나 이 단어들이 나옵니다. 그런데 이름은 수없이 들었어도 정작 “그래서 뭐가 다른 건데?”를 한 줄로 설명하지 못하는 분이 훨씬 많습니다. 문제는 용어를 헷갈린 채로 도구를 고르거나 결제하면, 돈과 시간을 엉뚱한 곳에 쓰게 된다는 겁니다. “LLM이면 다 GPT 아니야?”라고 생각하고 비교도 없이 플랜을 올리는 일이 대표적입니다.

이 글은 5분 안에 읽고 이름은 아는데 뜻은 헷갈리는 세 단어 — GPT·LLM·딥러닝의 관계, 오픈소스 AI, 온도와 Top-p를 정리합니다. 각 용어마다 “그래서 내가 뭘 다르게 하면 되는가”를 ChatGPT·Claude·Gemini·LMArena 같은 화면에서 직접 확인하는 방식으로 풀고, 흔히 빠지는 오해와 한계도 짚습니다. 도구 사용법이 아니라 개념을 먼저 잡는 글입니다.

왜 “도구 비교 글”과 다른가? 우리 블로그의 AI 챗봇 비교 (2026)는 “어떤 도구를 고를까”를 다뤘습니다. 이 글은 그 이전 단계 — 뉴스와 설정창에 뜨는 단어의 뜻을 먼저 알아야 비교도 제대로 한다는 취지로, ‘AI 용어 사전’ 시리즈의 네 번째 글입니다. 앞선 1편 토큰·컨텍스트·환각, 2편 프롬프트엔지니어링·RAG·파인튜닝, 3편 AI 에이전트·멀티모달·API에 이어집니다.

3가지 용어 한눈에 보기

이 섹션에서 배우는 것: 세 단어를 한 줄씩 먼저 훑고, 각각이 내 화면·결정에서 어떻게 나타나는지 보기.

용어	한 줄 정의	내 화면에서는	이걸 모르면 생기는 일
GPT·LLM·딥러닝	큰 틀(딥러닝) 안의 언어모델(LLM), 그중 하나의 이름(GPT)	“GPT-4o”, “LLM 기반”, “딥러닝”이 뒤섞여 나옴	경쟁 제품인지 포함관계인지 몰라 비교를 잘못함
오픈소스 AI	모델의 가중치를 공개해 누구나 받아 쓸 수 있게 한 AI	Llama·Mistral·Qwen 같은 이름이 “공개”로 소개됨	”공개=무료로 더 좋다”로 오해해 상황 안 맞게 선택
온도·Top-p	AI가 다음 글자를 고를 때 ‘얼마나大胆하게’ 고를지 정하는 값	API·일부 앱 설정에 ‘temperature’ 슬라이더	왜 같은 질문인데 답이 들쭉날쭉인지 모름

⚠️ 모델 이름, 공개 여부, 온도의 기본값은 플랫폼·버전마다 다르고 자주 바뀝니다. 이 글은 2026년 8월 기준의 개념 설명이며, 정확한 수치와 최신 지원 현황은 각 사 공식 문서에서 확인하세요. 출처: OpenAI 플랫폼 문서, Meta Llama, Mistral AI, Hugging Face

용어 1: GPT·LLM·딥러닝 — “경쟁 제품이 아니라 포함관계입니다”

이 섹션에서 배우는 것: 세 단어가 ‘큰 상자 안의 작은 상자’ 구조라는 것, 그래서 “GPT랑 LLM이랑 뭐가 나아?”가 성립하지 않는 이유.

이 세 단어를 같은 줄에 세워놓고 “뭘 써야 해?”라고 묻는 분이 많습니다. 하지만 셋은 경쟁 제품이 아니라 포함관계입니다. 가장 바깥쪽부터 정리하면 이렇습니다. **딥러닝(Deep Learning)**은 사람의 신경망을 본뜬 모델로 데이터에서 스스로 규칙을 찾아내는 기술 전반을 가리키는, 아주 넓은 말입니다. 그 딥러닝을 ‘글(언어)‘에 특화시켜 아주 큰 규모로 만든 모델이 **LLM(Large Language Model, 대규모 언어 모델)**입니다. 그리고 GPT는 OpenAI가 만든 LLM 제품군의 이름 — 즉 LLM이라는 큰 무리 안의 한 브랜드입니다.

ChatGPT 홈페이지 화면 chatgpt.com 홈페이지

이 구조를 알면 헷갈리는 문장이 풀립니다. “이 앱은 LLM 기반입니다”라는 말은 “GPT를 쓴다”가 아니라 **“언어모델을 쓴다”**는 뜻이고, 그 모델이 GPT일 수도 있고 Claude·Gemini·Llama일 수도 있습니다. 반대로 “GPT-4o”는 구체적인 한 모델 이름이지, LLM 전체를 통틀어 부르는 말이 아닙니다. 그래서 “GPT vs LLM, 뭐가 나아?”라는 질문 자체가 “현대차 vs 자동차, 뭐가 나아?”를 묻는 것과 같은 꼴입니다. 브랜드와 그 브랜드가 속한 부류를 비교하고 있는 셈입니다.

5분 안에 직접 확인하기

lmarena.ai 에 접속해 여러 모델이 나란히 답하는 ‘맹평가(blind test)’ 화면을 봅니다. GPT·Claude·Gemini·Llama 등이 같은 ‘언어모델(LLM)’ 부류에서 경쟁하고 있다는 걸 한눈에 볼 수 있습니다.
chatgpt.com 설정에서 ‘모델’ 항목을 열어보면 GPT-4o·GPT-4o mini 같은 이름이 나옵니다. 이 이름들이 전부 ‘GPT라는 한 브랜드 안의 모델’이라는 점을 확인하세요.
뉴스에서 “새 LLM이 공개됐다”는 기사를 볼 때, 그 모델이 누가 만든 어떤 브랜드인지를 한 줄로 적어보세요. “GPT=LLM의 한 종류”라는 감각이 금방 붙습니다.

잘 안 되는 경우

“딥러닝까지 안 알아도 되나?” 하고 불안해하는 경우: 실사용자 입장에서는 ‘딥러닝’은 그냥 “AI를 만든 기술 중 하나” 정도로만 알아도 충분합니다. 다만 ‘머신러닝(딥러닝의 상위 개념)‘과 ‘딥러닝’을 뉴스에서 섞어 쓰는 건 일반적이니, 완벽한 분류 체계를 외우려다 지치지 마세요.
모델 이름을 보고 성능을 단정 짓는 경우: 이름만으로 “GPT라서 좋다”, “Llama라서 뒤진다”라고 판단하면 안 됩니다. 같은 브랜드 안에서도 버전·크기·과제에 따라 결과가 다릅니다. 벤치마크 숫자보다는 내 과제에 직접 돌려보는 것이 가장 확실합니다.

용어의 관계를 잡았다면, 자연스럽게 이어지는 질문이 “그 언어모델들은 다 같은 방식으로 풀리는 건가?”입니다. 그다음 단어가 바로 오픈소스 AI입니다.

용어 2: 오픈소스 AI — “공개했다는 건 좋은 거잖아? …반은 맞고 반은 아닙니다”

이 섹션에서 배우는 것: ‘오픈소스 AI’가 정확히 뭘 공개한다는 뜻인지, 그리고 “공개=무료+더 좋다”는 오해가 왜 위험한지.

‘오픈소스 AI’는 모델의 가중치(weights) — AI가 학습한 결과물, 쉽게 말해 ‘모델의 두뇌 파일’ — 를 누구나 받아 쓸 수 있도록 공개한 모델을 가리킵니다. Meta의 Llama, 프랑스의 Mistral, 알리바바의 Qwen이 대표적입니다. 반대로 ChatGPT의 GPT나 Anthropic의 Claude는 모델 파일을 공개하지 않고, 회사 서버를 통해서만 쓸 수 있게 한 ‘폐쇄형(closed)’ 모델입니다. 뉴스가 자주 “오픈소스 AI가 폐쇄형을 따라잡았다”라고 쓰는 건 바로 이 맥락입니다.

LMArena 홈페이지 화면 lmarena.ai 홈페이지

여기서 조심할 점이 있습니다. “공개됐으니까 무료고 더 좋다”는 반만 맞는 말입니다. 공개 모델이 폐쇄형과 비슷한 성능을 내는 과제가 분명히 늘었고, 연구·개발 목적으로는 큰 의미가 있습니다. 하지만 “좋은 모델 파일을 받았다”고 해서 곧바로 내 노트북에서 ChatGPT처럼 쓸 수 있는 건 아닙니다. 모델을 직접 돌리려면 충분한 성능의 컴퓨터(GPU)가 필요하고, 설정과 보안을 스스로 감당해야 합니다. 즉 ‘공개’는 ‘가져다 쓰기 쉽다’와는 다른 이야기입니다. 일반 사용자에게는 여전히 ChatGPT·Claude·Gemini 같은 완성된 서비스가 훨씬 편하고, 공개 모델의 진가는 직접 설치·활용할 수 있는 개발자에게 나타납니다.

구분	오픈소스(가중치 공개) 모델	폐쇄형(서비스형) 모델
대표 사례	Llama, Mistral, Qwen	GPT(ChatGPT), Claude, Gemini
쓰는 법	모델 파일을 받아 직접 설치·실행	회사 웹사이트·앱에서 로그인해 바로 사용
비용 구조	모델 자체는 무료인 경우 많음, 단 실행 장비·전력 비용은 별도	월정액·사용량 과금, 가입만 하면 바로 시작
잘 맞는 상황	연구, 사내 자체 구축, 맞춤 개조가 필요한 개발자	설치 없이 바로, 보안 설정을 직접 안 하고 싶은 일반 사용자

5분 안에 직접 확인하기

huggingface.co 에 접속해 ‘Llama’나 ‘Mistral’을 검색해 봅니다. 수많은 모델 파일이 ‘공개’되어 올라와 있지만, 이걸 ‘다운로드→실행’하려면 별도의 설치 과정이 필요하다는 걸 화면 구성만 봐도 짐작할 수 있습니다.
lmarena.ai 리더보드에서 공개 모델과 폐쇄형 모델이 같은 순위표에 섞여 있는 걸 확인합니다. 과제에 따라 공개 모델이 위에 오르기도, 아래에 있기도 합니다 — “한쪽이 항상 이긴다”는 아님을 체감합니다.
일반 사용자라면 가장 빠른 결론은 이렇습니다: 지금 바로 쓰고 싶다면 chatgpt.com·claude.ai 같은 서비스를 쓰고, “내 서버에 직접 올리고 싶다”는 명확한 이유가 생겼을 때 공개 모델으로 넘어가 보세요.

잘 안 되는 경우

회사 기밀자료를 다루며 “오픈소스니까 더 안전하겠지”라고 단정하는 경우: 공개 모델을 사내에 직접 설치하면 데이터가 밖으로 나가지 않는다는 장점은 있지만, 설치·운영·보안 패치를 스스로 책임져야 합니다. “공개=안전”이 아니라 “직접 굴리면 통제는 내 손에, 그만큼 책임도 내 손에”라는 구도입니다.
일반 사용자가 굳이 설치하려다 오히려 시간만 뺏기는 경우: 모델을 직접 돌릴 컴퓨터 성능과 설치 지식이 없다면, 공개 모델을 받는 순간이 가장 쉬운 지점입니다. 이런 경우에는 폐쇄형 서비스를 쓰는 쪽이 비용·시간 모두에서 이깁니다.

⚠️ 공개 여부와 라이선스(상용 이용 가능 여부)는 모델마다, 버전마다 다릅니다. “Llama는 상용 가능하다” 같은 단정은 피하고, 사용 전 해당 모델의 공식 라이선스를 직접 확인하세요.

모델이 어떻게 나뉘는지 알았다면, 마지막 단어는 “그 모델이 답을 만드는 방식”을 조절하는 손잡이입니다.

용어 3: 온도(Temperature)와 Top-p — “같은 질문인데 왜 답이 매번 달라요?”

이 섹션에서 배우는 것: AI가 ‘다음 한 글자’를 고르는 방식, 그리고 온도와 Top-p가 그 선택의大胆함을 어떻게 바꾸는지.

AI는 답을 쓸 때 한 글자 한 글자, ‘다음에 올 가장 자연스러운 말’을 확률로 따져 고릅니다. 예를 들어 “오늘 날씨가 정말” 다음에는 ‘좋다’가 압도적으로 높은 확률로, ‘끔찍하다’는 낮은 확률로 올라옵니다. 이때 **온도(temperature)**는 그 확률 분포를 얼마나 평평하게 펼치느냐를 정하는 값입니다. 온도가 낮으면 늘 1등 단어만 골라 답이 안정적·반복적으로 나오고, 온도가 높으면 하위권 단어도 자주 뽑혀 답이 다양하고 때로는意外로워집니다. “같은 질문을 했는데 아까랑 답이 다르다”는 현상의 가장 흔한 원인이 바로 이 온도 설정입니다.

Gemini 홈페이지 화면 gemini.google.com 홈페이지

Top-p는 같은 선택 문제를 다른 각도에서 다룹니다. 확률이 높은 단어부터 누적해 ‘누적 확률이 p(예: 0.9)에 닿는’ 후보들 안에서만 고르고, 나머지 아주 낮은 확률의 단어는 아예 선택에서 빼버립니다. 온도는 “전체를 얼마나 평평하게”라면, Top-p는 “상위 몇 %까지만 후보로”라는 식입니다. 둘 다 ‘창의성 vs 일관성’의 손잡이로 쓰이지만, 일반 사용자가 매일 쓰는 ChatGPT 웹 화면에는 이 값이 노출되지 않는 경우가 대부분입니다 — 개발자가 API를 직접 부를 때 만지는 값이라는 뜻입니다.

5분 안에 직접 확인하기

platform.openai.com 의 Playground(API 실험 화면)에 들어가면 temperature와 top_p 슬라이더를 직접 볼 수 있습니다. 같은 질문을 넣고 온도만 0과 1로 바꿔가며 답이 어떻게 달라지는지 비교합니다.
일반 ChatGPT 웹에서는 온도 슬라이더가 안 보일 수 있습니다. 대신 “같은 질문을 세 번 다시 해 줘”라고 해 보세요. 답이 미세하게 달라지는 걸로 ‘매번 같은 답이 나오는 게 아니라’ 확률적으로 만들어진다는 점을 체감할 수 있습니다.
실용적인 가이드는 단순합니다: 사실·요약·번역처럼 틀리면 안 되는 과제는 ‘낮은 온도(안정)’ 쪽이, 아이디어·브레인스토밍·이야기 창작은 ‘높은 온도(다양)’ 쪽이 잘 맞습니다. 일반 웹 서비스는 대개 이 사이의 적당한 값을 기본으로 둡니다.

잘 안 되는 경우

온도를 ‘지능의 스위치’로 오해하는 경우: 온도를 높인다고 AI가 ‘더 똑똑해지는’ 것이 아닙니다. 높은 온도는 그저 선택의 폭을 넓혀 더 다양하게, 때로는 더 엉뚱하게 만들 뿐입니다. 정확성이 중요한 과제에서 온도를 무턱대로 올리면 환각처럼 보이는 오답이 늘어납니다.
웹 화면에 온도가 없다고 해서 “내 답은 항상 같다”로 믿는 경우: ChatGPT·Claude·Gemini 웹은 사용자에게 온도 노출을 숨기지만, 시스템은 확률적으로 답을 만듭니다. 그래서 같은 질문을 다시 해도 미묘하게 다른 답이 나옵니다. ‘복붙해둔 결정적 답’을 그대로 믿기보다는 중요한 숫자·사실은 그때그때 다시 확인하는 습관이 안전합니다.

온도가 “틀린 답을 지어내는 환각”을 키울 수 있다는 점은, 1편의 환각과 이어집니다. 개념은 따로지만 현상은 한 곳에서 만나는 셈입니다.

세 용어가 어떻게 연결되는가

이 섹션에서 배우는 것: 세 단어를 한 흐름으로 이어 — “무엇인가 → 어떤 종류가 있나 → 어떻게 조절하나” — 보기.

셋을 흐름으로 이으면 ‘AI를 이해하는 한 사슬’이 됩니다. 딥러닝이라는 큰 기술 위에 언어모델(LLM)이 있고, 그 LLM을 ‘공개(오픈소스)하느냐 폐쇄하느냐’로 나누며, 쓸 때는 ‘온도·Top-p’로 답의 성격을 조절합니다. 즉 “무엇인가 → 어떤 종류가 있나 → 어떻게 조절하나”의 한 줄입니다. 이 흐름을 한 번 익히면, 뉴스가 “새 오픈소스 LLM이 나왔다”라고 할 때 “아, 언어모델(LLM) 부류의, 공개된, 새 모델이구나”로 제대로 읽히게 됩니다.

관계	설명	실전 팁
딥러닝 → LLM → GPT	큰 기술 안의 언어모델, 그중 한 브랜드가 GPT	”GPT vs LLM” 비교는 성립 안 함 — 브랜드와 부류를 섞은 것
LLM → 오픈소스/폐쇄	같은 언어모델이라도 가중치 공개 여부로 갈림	일반 사용자는 폐쇄형 서비스가, 개발자·연구자는 공개 모델이 잘 맞음
모델 → 온도·Top-p	모델이 정해졌어도 답의 성격은 온도로 바뀜	정확성 과제는 낮게, 창의성 과제는 높게 — 중요한 사실은 항상 재확인

처음 한 번은 이 흐름을 머릿속에 그려두고 뉴스 한 줄을 읽어 보세요. “이 기사가 말하는 건 포함관계의 어디쯤인가?”를 묻는 습관이 붙으면, 세 단어는 더 이상 헷갈리는 장벽이 아니라 뉴스와 설정창을 읽는 지도가 됩니다.

자주 묻는 질문 3가지

Q. ChatGPT를 안 쓰고 오픈소스 AI로 바꾸면 돈이 절약되나요? 모델 파일 자체는 무료인 경우가 많지만, 그걸 내 컴퓨터에서 직접 돌리려면 충분한 성능의 컴퓨터(GPU)와 설정 지식이 필요합니다. 일반 사용자에게는 설치·운영의 시간과 비용이 오히려 더 크게 들 수 있습니다. “무료 모델 = 무료로 바로 쓸 수 있다”로 연결되지 않는다는 점이 핵심입니다. 자세한 건 공식 모델 페이지에서 확인하세요.

Q. 온도를 0으로 하면 항상 똑같은 답만 나오나요? 대체로 매우 비슷하고 안정적이지만, ‘완벽히 100% 동일’이라고 보장할 수는 없습니다. 모델 구조와 서비스 설정에 따라 아주 작은 차이가 날 수 있습니다. 다만 온도를 낮추면 답의 변동폭이 확실히 줄어드는 경향이 있어, 사실·요약·번역 같은 과제에 유리한 건 맞습니다. API에서 이 값을 직접 만질 수 있고, 자세한 건 OpenAI 문서를 참고하세요.

Q. GPT, Claude, Gemini 중에 뭘 골라야 하나요? 이건 ‘GPT vs LLM’ 같은 개념 질문이 아니라 실전 선택의 문제입니다. 각자 강점이 다르고 과제마다 결과가 달라서, 정답보다는 “내가 주로 하는 일에서 누가 더 나은가”를 직접 비교해 보는 게 낫습니다. 비교 기준이 궁금하다면 AI 챗봇 비교 (2026)를 참고하세요.

요약

세 단어를 한 문장씩만 기억해도 뉴스와 설정창이 다르게 읽힙니다.

GPT·LLM·딥러닝 → 포함관계. 딥러닝 안의 언어모델(LLM), 그중 한 브랜드가 GPT.
오픈소스 AI → 모델 가중치를 공개한 AI. ‘공개=무료로 바로 좋다’는 반만 맞는 말.
온도·Top-p → 답의 ‘다양성 vs 안정성’을 조절하는 값. 정확성 과제는 낮게, 창의성은 높게.

단어의 관계를 한 번 그려두면, “무엇인가 → 어떤 종류 → 어떻게 조절”이 한 지도가 됩니다. 이번 주에는 한 가지만 해 보세요 — 뉴스나 유튜브에서 이 단어들이 나올 때 “이건 포함관계의 어디쯤이지?”를 한 줄로 적어보는 것. 그 작은 습관 하나가 이름만 아는 단어를 ‘이해하는 단어’로 바꿔줍니다. 다음 글에서는 “파라미터·어텐션·스트리밍, 모델의 작동 원리를 이해하는 3단어”를 이어서 풀 예정입니다.