연구 프로그램
돈만으로는 풀리지
않는 문제.
쓸 수 있는 예산이 정해져 있는 기업과 개인을 위해, AI를 실제로 돌릴 수 있는 조건을 연구합니다.
문제인식
기기
대부분의 AI 모델은 데이터센터 GPU에서 돌아갑니다.
정작 기업과 개인이 쓸 수 있는 기기는 그보다 한참 아래입니다.
숫자
공개된 모델의 벤치마크는 언제나 좋아 보입니다.
같은 조건에서 잰 숫자인지 직접 확인할 방법은 거의 없습니다.
언어
비영어권 언어는 관심받기 어렵습니다.
대부분의 기술이 영어 기준이거든요. 한국어는 같은 문장에 토큰을 더 쓰고, 인도 22개 언어는 비교할 숫자조차 없습니다.
권리
오픈소스나 오픈웨이트라고 적혀 있어도 그대로 쓸 수 있는 건 아닙니다.
받아서 실제로 돌릴 수 있는지는 라이선스와 출처를 열어봐야 압니다.
접근법
돈이 가리키지 않는 쪽으로 갑니다
AI 진전은 대부분 돈으로 삽니다. 파라미터를 더 넣고, 컴퓨트를 더 태우고, 데이터를 더 모으는 거죠. 프론티어는 가장 큰 예산이 가리키는 쪽으로 움직입니다. 그 방향에 있는 문제는 기다리면 언젠가 풀립니다. 우리는 기다려도 풀리지 않는 문제만 봅니다.
기기에서 끝낸다
GPU도 네트워크도 없이, 사용자가 이미 가진 하드웨어에서 끝까지 돌립니다.
결과를 모두 남긴다
테스트셋마다 숫자 하나. 이긴 것만 고르지 않고 무승부와 패배도 그대로 공개합니다.
언어부터 다시 본다
한국어와 인도 22개 언어에서 토큰 비용과 성능을 다시 측정합니다. 영어에서 통하던 방법도 다시 검증합니다.
라이선스
약속할 수 있는 것
우리 작업물에는 우리 스스로 규칙을 겁니다. 다만 업스트림까지 보증하지는 않습니다.
우리가 거는 것
- Apache-2.0 아니면 MIT 기반만
- 상용 API 출력으로는 학습하지 않음
- 공개물은 Apache-2.0, 있는 그대로
보증하지 않는 것
- 우리가 본 적 없는 업스트림 데이터
- 라이선스·모델 카드·밝혀 둔 출처, 그 너머의 것
회사 안에서
프로덕션이 곧 어젠다
제품을 내면서 부딪힌 제약이 연구 어젠다가 됩니다. 그렇게 나온 결과물은 다시 제품으로 들어갑니다.
제품
실제 사용자, 실제 기기
제약
돈으로는 못 사는 것
랩 결과물
제약 속에서 공개한 방법
밖으로 절대 안 나가는 것: 고객 데이터, 내부 비용, 가격, 계약 조건. 논문이든 레포든 벤치마크든 똑같습니다.
리더십
이장훈 (Janghoon Lee)
Redrob Labs 총괄, Redrob CTO
이끄는 건 한 사람이지만, 서울·인도·미국에 걸친 50명 넘는 레드롭 엔지니어들과 함께 합니다. 레드롭 플랫폼에 들어가는 툴의 기반을 여기서 만듭니다.
제일 좋은 결과는 늘 제약에서 나왔습니다. 돈으로 그 제약을 넘어서려 해봐도 소용없었고요.
2026년 8월 7일 업데이트