이번 대담에서 여러 번 강조된 점은 pre-training 측면에서 중국과 미국이 동등해졌지만, post-training에서는 여전히 격차가 존재한다는 것이다. DeepSeek-V4는 On-Policy Distillation, Rubric 기반 Reward, 1M 토큰 RL 등 고도화된 post-training을 수행했지만, 여전히 “좀 더 밀어붙일 만한 여지”가 있다고 평가된다. 기초 모델의 성능이 크게 향상되었으므로, 이제는 post-training을 통해 그 잠재력을 얼마나 끌어내느냐가 경쟁의 관건이다. 이는 RL 인프라, 데이터 효율, 에이전트 환경 구축 등 훨씬 복잡한 엔지니어링 싸움으로 이어질 것이다. 앞으로 post-training에 투입되는 연산량이 pre-training 수준으로 증가할 가능성이 높다.
근거
김성현: “pre-training에 대해서는 이미 동등한 수준으로 도달했다. 남은 건 이제 post-training에서 동등한 수준으로 도달하는 것이 되는 거고 동시에 post-training에 대해서 연산력을 pre-training에 대해서만큼 사용하는 것이 되는 거죠.”
노정석: “또 새로운 종을 썼다라고 봐도 무방할 정도로 아키텍처의 변화가 심하기 때문에 4.1, 4.2 나오면서 성현님이 방금 느낀 아쉬움들 좀 해결해 가져오지 않을까요?”
연결된 생각
- 20260607-deepseek-v4-architecture-sparse-attention — post-training 기반이 되는 프론티어 모델
- ai-model-competition-shift-to-value-creation — 모델 성능에서 사업 가치로의 전환