언제 어디서나 배우는 일본어 VI 한자 학습
Open Academy
이 강좌는 '토비라(Tobira)' 6~10과에 나오는 한자를 다루는 매력적인 비디오 강의를 통해 한자 학습 효과를 높여줍니다. 학생들은 한자를 쓰는 법뿐만 아니라 각 글자에 담긴 흥미로운 이야기도 함께 배우게 됩니다.
Beginner
일본어, MIT
"1조 파라미터 모델은 어떻게 학습되는가" GTC 2026, Moonshot AI가 무대에서 직접 공개한 Kimi K2.5의 스케일링 전략을 인프런에서 한국어로 만나보세요. 토큰 효율성 2배 · 100만 토큰 컨텍스트 · 1,000개 에이전트 스웜 오픈소스 LLM의 다음 스텝이 여기 있습니다. * 이 강의는 Kimi를 만든 Moonshot AI와 인프런의 공식 협업으로 무료 공개됩니다.
우리 팀 LLM 학습/파인튜닝이 불안정할 때, "옵티마이저 문제인지 아키텍처 문제인지"를 구분해 원인을 짚어낼 수 있는 진단 기준
롱 컨텍스트가 필요한 프로젝트에서 풀 어텐션 대신 Kimi Linear 같은 대안을 검토할지 판단할 수 있는 아키텍처 비교 기준
멀티 에이전트 시스템을 설계할 때, "서브 에이전트를 몇 개, 어떻게 쪼갤지"와 보상 설계(완료율·병렬 실행 유도)를 그대로 적용해볼 수 있는 설계 템플릿
비전+텍스트 모델을 도입/평가할 때, "왜 이 모델이 특정 벤치마크에서 강한지"를 아키텍처 수준에서 설명할 수 있는 근거
K2.5 발표를
K3가 나온 지금 봐야 하는 이유
NVIDIA GTC 2026에서 Kimi 창업자 양즈린은 K2.5를 출발점으로 토큰 효율, 긴 컨텍스트, 다중 에이전트를 설명하고 Kimi Delta Attention과 Attention Residuals로 이어지는 선택을 직접 소개합니다.
K3의 성능표만 보는 대신, 그 결과가 나오기 전부터 이어진 기술적 로드맵을 인프런에서 한국어로 확인해 보세요.
* 2026년 7월 22일 기준. 1,372만은 영상 재생 수가 아니라 전체 발표를 담은 X 게시물의 조회 수입니다. 중복 조회가 포함될 수 있으며 고유 시청자나 영상 완주 수를 뜻하지 않습니다.
K3가 모든 평가에서 1위인 모델은 아닙니다.
그럼에도 주목받은 이유는 오픈 모델이 폐쇄형 프론티어 모델과 같은 경쟁권에 들어왔고, 장시간의 에이전트 작업에서도 강점을 보였기 때문입니다.
출시 직후 기준으로 Artificial Analysis 종합 3위(2026.07.17), AA-Briefcase 2위와 Agent Arena 4위(2026.07.21)를 기록했습니다. 순위는 이후 달라질 수 있습니다. Kimi는 K3를 첫 오픈 3T급 모델로 발표했으며, 2026년 7월 22일 현재 전체 가중치는 7월 27일 공개 예정입니다.
종합 평가 · 장기 지식 작업 · Agent Arena · K3 공식 발표
Kimi도 전체 성능과 사용자 경험에서는 최상위 폐쇄형 모델과 격차가 있다고 밝힙니다. 비용과 속도 역시 작업과 설정에 따라 달라집니다. 중요한 것은 단순히 모델을 크게 만드는 것 외에, 여러 병목을 어떤 순서로 풀어 프론티어 경쟁권에 도달했는가입니다.
발표가 직접 제시하는 세 가지 스케일링은 토큰 효율, 컨텍스트 길이, 에이전트 수입니다.
여기에 함께 소개되거나 예고된 모델 깊이와 멀티모달 연구를 더하면 K2.5에서 K3까지 이어진 기술적 로드맵이 보입니다.
Token efficiency · Muon optimizer와 QK-Clip으로 토큰당 학습 효율과 대규모 학습 안정성을 높입니다.
Sequence scaling · Kimi Linear와 Kimi Delta Attention으로 긴 컨텍스트의 계산과 메모리 병목을 다룹니다.
Depth scaling · Attention Residuals로 이전 층의 표현을 입력에 따라 선택해 모델 깊이 방향의 정보 희석을 줄입니다.
Agent scaling · Agent Swarm과 PARL로 작업을 병렬 서브에이전트에 나누고 다시 통합합니다.
Modality scaling · 네이티브 멀티모달 학습과 Early Fusion으로 비전을 실제 코딩과 에이전트 작업에 활용합니다.
토큰·컨텍스트·에이전트 스케일링을 설명하고, KDA는 긴 컨텍스트 연구로 소개하며 AttnRes는 차세대 구조로 예고합니다.
KDA와 AttnRes를 기반 구조로 채택하고, 희소 MoE와 학습·추론 기술을 더해 2.8T 규모로 확장합니다.
* 이 강연은 K3 전체 해설이 아닙니다. KDA와 AttnRes도 K2.5 모델에 적용됐다고 설명하지 않습니다. 발표에서 소개·예고된 뒤 K3에서 채택된 흐름을 다룹니다. Stable LatentMoE, Quantile Balancing 등 K3에서 추가된 세부 기술은 강연 범위에 포함되지 않습니다.
> K3 공식 기술 블로그 보기
K2.5의 기능을 나열하는 발표가 아닙니다.
같은 토큰에서 더 배우는 방법,
긴 컨텍스트를 감당하는 구조,
여러 에이전트를 병렬로 움직이는 시스템까지
Kimi가 무엇을 스케일링 문제로 봤는지를 따라갑니다.
같은 학습 토큰에서 어떻게 더 많이 배울까?
긴 컨텍스트의 계산과 메모리 부담을 어떻게 줄일까?
여러 에이전트를 동시에 실행하는 것과 무엇이 다를까?
비전과 텍스트가 서로를 강화하다
옵티마이저, 선형 어텐션, RL 보상 함수 —
쉽지 않은 주제인 만큼, 인프런이 언어와 기술의 장벽을 낮췄습니다.
학습 에이전트(BETA)는 현재 재생 중인 영상을 이해하고,
영상의 맥락을 바탕으로 답변합니다.
배움의 흐름을 끊지 않도록 플레이어 옆에서 함께 학습해 보세요.
영어로 진행된 GTC 발표를 한국어 AI 자막과 함께 제공합니다.
발표의 흐름은 그대로, 가장 편한 언어로 학습하세요.
K3 전체 해설이 아닌, K3를 가능하게 한 질문이 어떤 순서로 등장했는지를 보여주는 GTC 발표입니다.
학습 대상은
누구일까요?
최신 LLM 학습/스케일링 기법을 따라잡고 싶은 AI 엔지니어·리서처
Optimizer, Attention 등 모델 내부 구조가 궁금한 ML 개발자
멀티 에이전트 시스템 설계에 관심 있는 백엔드·AI 서비스 개발자
오픈소스 LLM 도입을 검토 중인 테크 리드·CTO
GTC 같은 글로벌 컨퍼런스 발표를 한국어로 편하게 보고 싶은 분
선수 지식,
필요할까요?
트랜스포머, 어텐션 등 딥러닝 기본 개념을 알고 있다면 훨씬 수월합니다
AI 모델이 어떻게 학습되는지를 안다면 수강할 수 있어요
3,850
명
수강생
22
개
수강평
4.9
점
강의 평점
231
개
강의
"언어가 학습의 장벽이 되지 않도록."
세계 유수 기관의 공개 강의를 전합니다.
번역과 자막 작업을 거쳐, 모든 학습자가 원어 부담 없이 강의를 따라갈 수 있도록 돕습니다.
전체
1개 ∙ (39분)
무료
지식공유자님의 다른 강의를 만나보세요!
같은 분야의 다른 강의를 만나보세요!