탐색적 모델링: 수많은 정답 중 최적의 하나를 찾는 새로운 패러다임
기존 생성형 AI 모델들이 겪던 '평균화로 인한 흐려짐(Blur)' 문제와 복잡한 다단계 추론의 한계를 극복하는 새로운 접근법, 탐색적 모델링(Explorative Modeling)이 제안되었습니다. 이 방법은 모델의 데이터, 파라미터, 연산 효율성을 최대 6배 이상 획기적으로 향상시키며, 엔드투엔드(End-to-End) 방식으로 단일 추론만으로도 고품질 결과물을 생성해 낼 수 있습니다. 특히 제어 및 조건부 생성 작업에서 최대 256배 적은 연산량으로 기존 디퓨전 모델과 맞먹는 성능을 내는 등 AI 모델 스케일링의 새로운 축으로 주목받습니다.
웹사이트: https://explorative-modeling.github.io/ 깃허브: https://github.com/alexiglad/XM
요약(TLDR): 우리는 기존 생성 모델에 추가될 때 세 번째 사전 학습(Pretraining) 축으로 작용하며, 엔드투엔드(End-to-end) 생성을 가능하게 하는 새로운 생성 모델링 패러다임인 '탐색적 모델링(Explorative Modeling)'을 소개합니다. 탐색(Exploration)을 강화할수록 이미지, 비디오, 텍스트 영역에 걸쳐 기존 모델들의 성능이 단조롭게 향상되며, 이러한 이득은 모델 규모가 커질수록 증가합니다(데이터 기준 7%→36%, 파라미터 기준 13%→23%). 구체적으로, 탐색적 모델(XM)은 6.2배의 샘플 효율성, 4.1배의 FLOP(연산량) 효율성, 그리고 47% 향상된 파라미터 효율성에 도달합니다. 탐색은 일반화(Generalization) 능력의 확장과 기존 모델들의 엔드투엔드 통합을 가능하게 합니다. 엔드투엔드 생성 모델로서 XM은 최대 256배 적은 추론 연산량으로도 제어(Controllability) 작업에서 디퓨전(Diffusion) 모델과 맞먹는 성능을 냅니다.
단순하게 들릴 수 있는 질문 하나로 시작해 보겠습니다. 만약 모델에게 "개 한 마리를 생성해 줘"라고 요청한다면, 정답은 몇 개일까요? 알고 보니 정답은 매우 많습니다... 우리가 개 이미지라고 간주할 수 있는 이미지는 수십억 장 이상일 것입니다. 그렇다면 신경망을 훈련시켜 개 이미지를 직접 예측하게 하면 어떻게 될까요? 모델은 훈련 과정에서 수천 가지의 다양하고 올바른 개를 보게 되며, 이 모든 개에 가장 가까운 하나의 예측치는 바로 그것들의 '평균'입니다. 모델은 이를 출력하는 법을 학습하는데, 수천 마리 개의 평균은 실제 개와는 전혀 닮지 않은 갈색의 흐릿한 얼룩처럼 보입니다.
이를 명확히 이해하기 위해 게임을 하나 해보겠습니다. 제가 아래 다트판에 다트를 던질 텐데, 각 다트는 다트판의 원 어딘가에 무작위로 떨어질 것입니다. 여러분의 임무는 제 다트가 다음에 어디에 떨어질지 추측하는 것이며, 실제 위치와 멀면 멀수록 점수가 나빠집니다. 그렇다면 어디라고 추측해야 할까요? 알고 보니 오차를 최소화하는 추측은 다트판의 정중앙입니다. 우리는 이 게임을 하도록 모델을 훈련시켰고, 역시나 모델은 매번 정중앙을 추측했습니다(이것이 이 게임에서의 최적의 예측입니다)! 하지만 이는 끔찍한 결과입니다. 정중앙은 다트가 실제로 거의 떨어지지 않는 곳입니다. 즉, "최적의" 추측은 다트가 결코 떨어지지 않는 지점인 것입니다. 이것이 바로 생성 모델링의 핵심 문제입니다. 하나의 예측에 대해 유효한 정답이 많을 때, 단일 예측치로서 가장 좋은 것은 그것들의 '평균'인데, 데이터의 평균은 일반적으로 실제 데이터와 전혀 닮지 않은 나쁜 결과물이 되기 때문입니다.
이러한 문제는 다트판이나 개 이미지에만 국한된 것이 아니라 모든 종류의 데이터에서 나타납니다. 우리가 2개의 점 무리 3개를 직접 생성하도록 모델을 훈련시켰을 때, 모델은 그 한가운데에 있는 단일 점을 예측했습니다. 그리고 텍스트로 훈련시켰을 때는 오직 "the"라는 단어만을 말할 수 있었습니다.
하지만 잠깐. ChatGPT는 매끄러운 텍스트를 쓰고, 이미지 모델들은 정말 놀라운 이미지를 만들어 냅니다. 분명 이 문제가 어떻게든 해결된 것이겠죠? 맞습니다. 오늘날 확장 가능한 모든 생성 모델은 이 문제를 동일한 방식으로 해결합니다. 바로 훈련 중에 생성 과정을 여러 개의 작은 단계로 나누어, 각 단계가 대략 하나의 정답을 갖도록 만드는 것입니다. 단계별로 정답이 하나뿐이면 평균을 낼 대상이 없으므로, 그 흐릿한 현상(Blur)이 사라지게 됩니다.
이것이 어떻게 작동하는지 살펴보겠습니다. 자가회귀 모델(Autoregressive models, LLM 등)은 한 조각씩 예측하는데, 이는 우리의 게임에 빗대어 말하자면 다트의 정확한 위치를 한꺼번에 추측하지 않는 것과 같습니다. 대신, 먼저 다트가 얼마나 왼쪽이나 오른쪽에 떨어지는지만 추측하고, 그 다음 주어진 정보를 바탕으로 얼마나 위아래로 떨어지는지 추측합니다. 다트가 맨 오른쪽에 떨어졌다는 것을 알고 나면, 위치 가능성은 몇 군데로 좁혀집니다. 디퓨전 모델(Diffusion models)은 다른 방식으로 이를 수행합니다. 순수한 무작위 노이즈에서 시작하여 데이터를 향해 수백 번의 아주 작은 단계를 거칩니다. 초기에는 추측이 여전히 어떤 다트든 될 수 있지만, 한 단계마다 가능성을 좁혀가기 때문에 어느 단계에서도 한 번에 여러 유효한 정답에 직면하지 않습니다.
알고 보니 이것이 현대의 모든 생성 모델이 작동하는 기본 원리입니다. 즉, 생성 과정을 잘 예측할 수 있는 더 작은 조각들로 쪼개는 것입니다. 여기에는 LLM, 이미지 및 비디오 모델은 물론 MeanFlow나 일관성 모델(Consistency models) 같은 최근의 소수 단계(Few-step) 모델도 포함됩니다. 우리는 이처럼 생성을 조각으로 나누는 개념을 '생성 인수분해(Factoring generation)'라고 부릅니다. 생성을 분해하는 이러한 접근 방식은 효과적이지만, 몇 가지 이유로 악마적(Evil)이기도 합니다. 첫 번째 이유는 모델이 훈련 중에...