교육에 특화된 자체 LLM, SOLON을 공개합니다
FINSBERG GLOBAL AI Lab이 개발해 온 자체 거대언어모델 ‘SOLON(솔론)’의 연구 현황을 공개합니다. 학습자의 질문에 답하고, 답안을 채점하고, 무엇을 어떻게 고쳐야 하는지 짚어주는 — 가르치고 평가하는 일만을 위해 설계된 모델입니다. 곧 만나보실 수 있습니다.
교육·평가 특화 한국어 거대언어모델 · Education-Tuned LLM
FINSBERG GLOBAL AI Lab은 하나의 질문에 집중해 왔습니다. “학습자를 가장 잘 가르치는 모델은 어떤 모습일까?” 더 많은 것을 아는 범용 모델이 아니라, 가르치고 채점하고 피드백하는 일을 가장 정확하게 해내는 모델 — 그렇게 설계한 것이 SOLON입니다.
이름에 담긴 뜻 — 왜 ‘SOLON’인가
공정한 평가를 설계한다는 약속
SOLON(솔론)은 고대 그리스에서 ‘공정한 기준을 세운 입법가’의 이름입니다. 누구에게나 같은 잣대를 적용한다는 뜻을 담았습니다. 평가의 본질은 결국 일관되고 공정한 기준이며, 그것이 우리가 모델에 가장 먼저 새긴 원칙입니다.
SOLON은 Standardized · Open · Learning-Oriented · Network의 의미로도 읽힙니다. 표준화된 기준 위에서, 학습을 위해 설계된 모델이라는 정체성을 이름 한 단어에 담았습니다.
한눈에 보는 역량 프로파일
교육·평가 6개 축에서 범용 베이스라인과 비교
* 자체 평가셋 기준의 사전 공개 수치이며, 정식 공개 시점에 최종 결과로 갱신됩니다.
무엇을 학습했나 — 코퍼스 구성
교육 도메인 중심으로 정제한 대규모 코퍼스
- 자격·직무 도메인 텍스트38%
- 한국어 일반 코퍼스30%
- 채점 루브릭·답안 로그16%
- 코드·기술 문서10%
- 영어·다국어6%
일반 한국어 능력을 갖추되, 학습량의 절반 이상을 자격·직무 도메인과 실제 채점 데이터에 할애했습니다. 모델이 “무엇이 정답인가”뿐 아니라 “왜 그것이 정답이고 어디서 틀렸는가”를 설명할 수 있는 이유입니다.
시스템 아키텍처
데이터에서 학습자 피드백까지
세 갈래의 데이터가 하나의 모델로 모이고, 다시 채점·튜터링·콘텐츠 생성이라는 세 가지 쓰임으로 펼쳐집니다. 학습의 전 과정이 하나의 모델 위에서 매끄럽게 이어지도록 설계했습니다.
실제로 이렇게 동작합니다
서술형 답안 채점 · 해설 예시
과적합의 정의는 정확합니다. 다만 “데이터를 늘리면 해결된다”는 부분은 보완이 필요합니다. 데이터 증강은 한 가지 방법일 뿐, 정규화(L1/L2)·드롭아웃·조기 종료·교차검증이 함께 언급돼야 만점입니다.
* 실제 응답 형식을 단순화한 예시입니다.
내부 벤치마크
교육·평가 과제에서 범용 베이스라인을 앞섭니다
* 자체 평가셋 기준의 사전 공개 수치이며, 정식 공개 시점에 최종 결과로 갱신됩니다.
안전과 거버넌스
평가에 쓰는 모델은 공정해야 합니다
채점 일관성
동일 답안에 항상 동일한 기준을 적용하도록 루브릭 정렬을 학습했습니다. 채점자 간 편차를 모델 단위로 흡수합니다.
편향 점검
성별·연령·출신 등 보호 속성이 평가 결과에 개입하지 않도록 정렬 단계에서 반복 점검합니다.
근거 추적
해설과 채점 사유를 교안·루브릭 출처와 연결해, 왜 그렇게 평가했는지 사람이 되짚을 수 있게 합니다.
프라이버시
학습자 답안은 비식별 처리 후 활용하며, 개인 식별 정보는 학습 코퍼스에서 분리·차단합니다.
공개 로드맵
곧, 합격자 커뮤니티부터 차례로
- 완료
사전학습 코퍼스 구축
교육·자격 도메인 한국어 코퍼스 대규모 정제 완료
- 완료
베이스 모델 학습
SOLON Base 모델 사전학습 및 도메인 정렬 완료
- 진행 중
도메인 파인튜닝 & 평가
자격 문항 자동 채점·해설 특화 튜닝, 내부 벤치마크 검증
- 예정
클로즈드 베타 공개
합격자 커뮤니티 대상 학습 도우미 베타 오픈
- 예정
정식 공개
전 과정 학습·평가 어시스턴트로 정식 통합