정의
동일한 knowledge cutoff(지식 마감일)를 가진 데이터셋을 기준으로 pre-training을 완료한 후, post-training 기법, 합성 데이터, 사용자 피드백을 통해 같은 빈티지(vintage) 내에서 지속적으로 성능이 개선되는 AI 모델의 발전 패턴을 설명하는 개념이다. 이는 데이터 수확 시점이 모델 세대를 규정하며, post-training이 pre-training의 한계를 극복하는 핵심 동력임을 시사한다.
핵심 속성
- Knowledge Cutoff 동일성: 같은 빈티지에 속한 모든 모델은 동일한 지식 마감일을 가진다. (예: Gemini 2.5와 3.0 모두 2025년 1월 cutoff)
- Post-training 중심 개선: 빈티지 내 성능 도약은 pre-training 재수행 없이 post-training, 강화학습, 합성 데이터 학습 등을 통해 이루어진다.
- 사용자 상호작용 데이터의 재투입: AI Studio, Antigravity 등에서 생성된 높은 에너지의 사용자 프롬프트와 의도 데이터는 다음 빈티지의 pre-training 데이터셋을 풍부하게 만드는 자원이다.
관계
- scaling-law-data-plateau — 데이터 규모의 법칙이 고원에 도달했다는 대중적 믿음과 달리, 빈티지 이론은 post-training을 통한 지속적 개선 가능성을 설명한다. (상위개념)
- post-training-dominance — 동일 빈티지 내 성능 차이를 결정하는 주요 메커니즘. (하위개념)
- data-agumentation-feedback-loop — 사용자 피드백이 다음 빈티지의 기반 데이터를 증강하는 순환 구조. (연장)
인용
“보시면 Gemini 2.5가 나올 때 knowledge cutoff가 2025년 1월이었어요. 굉장히 up-to-date한 그런 데이터셋을 가지고 training을 한 건데 이번에 3.0 나온 것도 보면 knowledge cutoff가 똑같아요. 얘기인즉슨 같은 vintage에서 2.5가 희생되고 거기서 계속 무언가가 진행된 산출물이라는 생각이 듭니다.”
출처
- 📎 클리핑: 20260613-ep77-ko-transcript