VIDRAFT AI 다운로드 리더보드로 살펴보는 한국 공개 LLM의 확산

TL;DR 비드래프트가 운영하는 글로벌 LLM 다운로드 리더보드는 공개 모델을 성능 점수가 아닌 최근 30일 다운로드 지표로 살펴보는 도구입니다. 2026년 11월 4일 스냅샷에는 글로벌 저장소 300개와 한국 조직 저장소 30개가 표시됩니다. 한국 AI를 이해할 때 모델 개발뿐 아니라 배포와 접근성에도 눈을 돌려보자는 제안입니다.

이 글은 리더보드 운영사이자 POCKET 모델 배포사인 비드래프트 VIDRAFT의 공식 소개 글입니다. 아래 수치는 공개 리더보드의 2026년 11월 4일 스냅샷을 기준으로 합니다.

AI 성능 순위만으로는 무엇을 놓칠까요

새로운 AI가 등장하면 가장 먼저 나오는 질문은 대개 같습니다. “시험에서 몇 점을 받았나?” 추론이나 코딩 평가에서 높은 점수를 받는 일은 중요합니다. 하지만 개발자가 실제로 모델을 검토할 때는 다른 질문도 생깁니다. “내 장비에서 실행할 수 있나?”, “설치 방법은 명확한가?”, “어떤 조건으로 쓸 수 있나?”

성능 평가가 모델의 능력을 살펴보는 창이라면, 다운로드 지표는 공개 저장소로 향하는 접근을 관찰하는 또 다른 창입니다. 둘은 서로 대신할 수 없습니다. 비드래프트의 글로벌 LLM 다운로드 리더보드는 이 두 번째 창에 초점을 맞춥니다.

이 리더보드에서는 무엇을 볼 수 있나요

리더보드는 Hugging Face의 공개 모델 정보를 바탕으로 최근 30일 다운로드 순서를 보여줍니다. 글로벌 표 300개와 별도의 한국 조직 저장소 표 30개를 제공하며, 저장소별 다운로드 수와 공개일, 모델 크기, 배포 형식, 라이선스 등의 정보를 함께 살펴볼 수 있습니다. 전체 누적 다운로드와 최근 30일 다운로드는 구별해 읽어야 합니다. 리더보드 설명

단위는 ‘모델 계열’이 아니라 저장소입니다. 같은 기반 모델이라도 원본 체크포인트, 양자화본, 변환본이 서로 다른 행으로 나타날 수 있습니다. 따라서 행 개수를 독립적인 AI 모델 수로 바꾸어 해석해서는 안 됩니다.

다음은 2026년 11월 4일 스냅샷에서 확인되는 한국 조직 저장소 표의 상위 네 행입니다. 순위의 범위는 이 리더보드가 표시하는 해당 표이며, 한국 전체 모델의 성능 순위를 뜻하지 않습니다.

이 중 POCKET 세 저장소의 플랫폼 카운터를 합하면 1,174,638입니다. 이 합계는 중복을 제거한 이용자 수나 설치 대수가 아닙니다.

한국 개발자에게는 왜 의미가 있을까요

한국 AI의 기여를 바라보는 관점은 대규모 기반 모델을 처음부터 학습하는 일에만 머물 필요가 없습니다. 기존 공개 모델을 개선하고, 실행 가능한 형식으로 변환하고, 장비 조건과 사용 방법을 문서화하는 작업도 개발자가 모델을 접하는 경로를 만듭니다.

예를 들어 양자화는 모델이 사용하는 수치의 표현 정밀도를 줄여 저장 공간과 메모리 부담을 낮추려는 방법입니다. 같은 이름의 모델이라도 어떤 형식과 정밀도를 택했는지에 따라 실행 조건과 결과가 달라질 수 있습니다. 그래서 다운로드 페이지에서 모델 이름만 보는 것보다 기반 모델, 파일 구성, 필요한 메모리와 실행 명령을 함께 확인하는 편이 유용합니다.

POCKET처럼 변환·양자화를 포함한 배포 작업과 EXAONE 같은 모델 개발의 기여는 구별해서 이해해야 합니다. 한국 조직이 배포한 저장소라는 사실만으로 기반 모델의 원천 기술까지 모두 한국에서 만들어졌다고 해석할 수는 없습니다. 이 리더보드를 한국 관점에서 읽는 이유도 국가별 우열을 단정하기 위해서가 아니라, 국내 개발사의 다양한 공개·배포 활동을 발견하고 각 저장소의 내용을 직접 확인하기 위해서입니다.

다운로드 수는 어떻게 읽어야 하나요

Hugging Face는 정해진 집계 대상 파일의 GET·HEAD 요청 등을 서버에서 집계합니다. GGUF의 경우 모든 GGUF 파일이 집계 대상이므로, 파일이 나뉜 모델을 받는 과정에서 여러 파일 요청이 발생할 수 있습니다. 형식과 라이브러리에 따라서도 집계 기준이 다릅니다. Hugging Face 다운로드 집계 문서

따라서 다운로드 지표는 고유 사용자, 성공적인 설치, 실제 업무 사용, 유료 고객, 성능 점수와 같지 않습니다. 특히 여러 조각으로 구성된 모델의 카운터를 조각 수로 단순히 나누어 이용자 수를 계산하는 것도 정확하지 않습니다. 서로 다른 형식의 저장소를 비교할 때도 이 차이를 고려해야 합니다.

개발자에게 가장 실용적인 활용법은 ‘높은 숫자를 정답으로 고르기’가 아닙니다. 관심 있는 저장소를 발견한 뒤 모델 카드와 라이선스를 읽고, 자기 장비와 업무에서 직접 확인할 후보를 좁히는 것입니다. 공개되어 있다는 이유만으로 상업적 이용 조건까지 모두 같아지는 것은 아닙니다.

자주 묻는 질문에는 어떻게 답할 수 있나요

Hugging Face의 공식 성능 인증 리더보드인가요?

아닙니다. 비드래프트가 Hugging Face의 공개 정보를 바탕으로 운영하는 다운로드 관찰 도구입니다. 성능 인증이나 독립 기관의 품질 보증을 뜻하지 않습니다.

다운로드 순위가 높으면 더 좋은 모델인가요?

그렇게 단정할 수 없습니다. 작업별 정확도, 실행 속도, 메모리, 라이선스와 안전성은 별도로 평가해야 합니다.

한국 조직 표는 한국이 원천 개발한 모델만 모은 것인가요?

그렇게 읽으면 안 됩니다. 한국 조직의 저장소에는 기반 모델을 활용한 후처리·변환·양자화 기여도 포함될 수 있습니다. 원천 모델과 배포자의 기여는 각 모델 카드에서 확인해야 합니다.

어디에서 직접 살펴볼 수 있나요?

글로벌 LLM 다운로드 리더보드에서 표와 저장소 링크를 확인할 수 있습니다. POCKET의 세 가지 크기와 실행 경로가 궁금하다면 VIDRAFT POCKET 안내를 참고해 주세요. 해당 안내는 영문으로 제공됩니다.

한국 공개 AI의 다음 장면은 점수표 한 장으로 완성되지 않습니다. 개발한 모델이 어떤 형태로 공개되고, 어떤 조건에서 실행되며, 다른 개발자가 어디까지 활용할 수 있는지도 함께 살펴봐야 합니다. 다운로드 리더보드는 그 경로를 들여다보는 출발점입니다.