9B 오픈모델 RL 파인튜닝, 500달러로 프론티어 모델 능가
원제: A $500 RL fine-tune of a 9B open model beat frontier models on catalog review
왜 중요한가
태스크 특화 RL 파인튜닝이 대형 프론티어 모델 대비 압도적인 비용 효율을 실현할 수 있음을 보여줘, 기업의 AI 도입 전략에 중요한 시사점을 제공한다.
FermiSense는 2026년 7월 27일, 9B 파라미터 오픈소스 모델에 GRPO 방식으로 강화학습 파인튜닝을 적용한 결과, 카탈로그 리뷰 워크플로에서 모든 프론티어 모델 구성을 능가했다고 발표했다. 비용은 1,000건당 0.50달러로, 가장 저렴한 프론티어 구성 대비 40배, 가장 비싼 구성 대비 약 340배 저렴하다.
FermiSense가 공개한 사례 연구에 따르면, 동일한 카탈로그 리뷰 워크플로, 동일한 도구·이미지·채점 기준을 적용했을 때, GRPO(Group Relative Policy Optimization) 방식으로 파인튜닝된 9B 오픈소스 모델이 테스트한 모든 프론티어 모델 구성을 성능 면에서 앞섰다. 비용은 1,000건당 0.50달러로, 가장 저렴한 프론티어 모델 설정 대비 40배, 가장 고비용 설정 대비 약 340배 낮았다.
이 사례는 AI 도입 성과 격차를 설명하는 맥락에서 제시됐다. 기업 지출 관리 플랫폼 Ramp의 데이터에 따르면, 2022년 11월부터 2025년 12월까지 AI 투자 상위 25%의 기업은 매출이 2배 이상 증가한 반면, AI 지출이 전무한 기업은 약 15% 성장에 그쳤다.
FermiSense는 AI 도입 효과를 극대화하는 핵심 요인으로 ▲워크플로 재설계(McKinsey 2025년 조사에서 EBIT 영향과 가장 상관관계가 높은 항목이나 실제 적용 기업은 21%에 불과) ▲실험 장려 문화 ▲맞춤형 비즈니스 컨텍스트 제공 ▲사용량 및 성과 측정 등을 제시했다. 이번 카탈로그 리뷰 사례는 특정 업무에 특화된 소형 오픈소스 모델이 범용 프론티어 모델을 비용·성능 양면에서 모두 능가할 수 있음을 실증한 사례로 주목받는다.