파라미터
AI나 소프트웨어 모델의 학습·추론 성능을 좌우하는 내부 설정값의 총수예요.
한 입에 정리하면
- 01모델이 표현할 수 있는 복잡도를 가늠해요
- 02많을수록 보통 연산·메모리 부담이 커져요
- 03기기 내 실행에선 크기와 속도의 균형이 중요해요
왜 나온 말일까요?
파라미터는 머신러닝 모델이 데이터를 바탕으로 학습하면서 조정하는 내부 숫자들이에요. 이런 값들이 모여 모델이 문장을 이해하거나 예측하고 생성하는 방식을 결정해요. 그래서 파라미터 수는 모델의 ‘규모’를 보여주는 대표적인 지표로 자주 쓰이죠. 다만 수가 많다고 항상 더 좋은 것은 아니고, 성능과 함께 저장 공간, 메모리 사용량, 처리 속도도 함께 고려해야 해요.
예를 들어
예를 들어 소형 언어모델의 파라미터 수가 적으면 기기 안에서 더 가볍게 돌아가지만, 복잡한 작업에서는 더 큰 모델보다 성능이 떨어질 수 있어요.
이 용어가 나온 이슈
체리픽이 기사 원문이 아닌 사실관계를 바탕으로 쉽게 풀어 쓴 정의예요. 원문은 각 카드의 "더 읽기"에서 확인할 수 있어요.
용어사전으로 돌아가기