"이미 잘 만들어진 영어 기반 언어 모델에, 새로운 언어(예를 들어 아랍어)를 추가하고 싶을 때, 정말 처음부터 다시 학습해야 할까? 기존 지식은 그대로 두고, 효율적으로 새로운 언어 능력만 쏙 집어넣을 수는 없을까?"
 

Kuwain 1.5B는 바로 그 상상을 연구 수준에서 현실로 끌어내린 프로젝트입니다. 기존의 다국어 LLM 확장들이 대부분 전체 모델을 처음부터 재학습하거나, 기존 언어 성능 저하에 초점을 맞춘 것과는 달리, Kuwain 1.5B는 아주 작은 추가 학습과 "언어 주입(Language Injection)" 기법을 통해 효율적으로 새로운 언어(아랍어)를 기존 영어 모델에 더하는 방식을 지향합니다.

이 논문이 흥미로운 이유는 단순히 "아랍어 성능이 좋아졌다"는 수준을 넘어서, 기존 영어 모델의 지식과 성능을 거의 그대로 유지하면서도 사용자의 아랍어 요구에 즉각적으로 반응할 수 있도록 설계되었다는 점입니다. 예를 들어, 영어로 잘 대화하던 모델이, 추가적인 대규모 재학습 없이 아랍어로도 자연스럽게 대화할 수 있게 된 것이죠. 이제 진짜로 '모델에 새로운 언어를 플러그인처럼 꽂아넣는' 시대가 열린 셈입니다.

✅ 어떻게 작동하나요? – Kuwain 1.5B의 핵심 아이디어

Kuwain 1.5B가 도입한 가장 눈에 띄는 개념은 바로 "Language Injection(언어 주입)"입니다. 즉, 기존 영어 기반의 소형 LLM(여기서는 TinyLlama 1.1B)을 완전히 새로 학습하지 않고, 아랍어 데이터로 추가 레이어만 부분적으로 학습하는 방식입니다. 여기에 아랍어 토큰을 위한 어휘 확장도 함께 적용하여, 토크나이저의 한계도 극복했습니다.
 

이러한 언어 주입(Language Injection)은 실제로 기존 모델 위에 아랍어 전용 추가 레이어를 쌓고, 어휘도 26,000개 아랍어 토큰으로 확장하는 방식으로 구현됩니다. 이를 통해 전체 모델을 처음부터 재학습하지 않아도, 비용과 시간은 줄이면서도 새로운 언어 능력을 빠르게 확보하는 게 Kuwain 1.5B의 강점입니다.

이 모델은 총 4단계의 프로세스를 거쳐 만들어졌습니다:

• 1. 기존 영어 모델 선정 – TinyLlama 1.1B와 같은 소형 영어 기반 LLM을 베이스로 선택합니다.
• 2. 아랍어 토크나이저 확장 – 기존 영어 중심 토크나이저에 26,000개의 아랍어 토큰을 추가하여, 아랍어 처리 효율을 높입니다.
• 3. 추가 레이어 학습(Language Injection) – 기존 모델의 파라미터는 대부분 고정하고, 아랍어 데이터(그리고 일부 영어 데이터)로 추가 레이어만 부분적으로 학습합니다.
• 4. 성능 평가 및 미세조정 – 아랍어와 영어 벤치마크에서 성능을 평가하고, 필요한 경우 미세조정합니다.

✅ 주요 기술적 특징과 혁신점

Kuwain 1.5B의 핵심 기술적 특징은 크게 세 가지 측면에서 살펴볼 수 있습니다.

1. 언어 주입(Language Injection) 기반 확장
이는 기존 모델 전체를 재학습하지 않고, 추가 레이어만 아랍어 데이터로 학습하는 방식입니다. 기존의 전체 파라미터 파인튜닝과 달리, 부분적 학습을 통해 비용과 시간 절감, 기존 지식 보존이라는 장점을 달성했습니다. 특히 영어 성능 저하 없이 아랍어 능력만 강화할 수 있다는 점이 인상적입니다.

2. 토크나이저 어휘 확장
두 번째 특징의 핵심은 아랍어 전용 토큰 26,000개 추가에 있습니다. 기존 영어 중심 토크나이저만 사용하면 아랍어 단어가 비효율적으로 쪼개지거나 표현이 어려웠는데, 어휘 확장으로 아랍어 처리 효율과 정확도가 크게 향상되었습니다. 실제로 토크나이저 확장 전후의 성능 차이가 실험에서 뚜렷하게 나타났습니다.

3. 최소한의 데이터로 기존 지식 보존
마지막으로 주목할 만한 점은 아주 적은 양의 영어 데이터만 추가 학습에 사용해도, 기존 영어 능력이 거의 그대로 유지된다는 점입니다. 즉, 새로운 언어 능력만 추가하면서도, 기존 언어 성능 저하가 거의 없음을 실제 실험으로 입증했습니다. 이는 특히 멀티링구얼 확장에서 중요한 이점입니다.

✅ 실험 결과와 성능 분석

Kuwain 1.5B의 성능은 다음과 같은 실험을 통해 검증되었습니다.

1. 아랍어 벤치마크(Arabic NLP Benchmarks)에 대한 성능
아랍어 자연어처리 벤치마크에서 평가한 결과, 기존 TinyLlama 1.1B 대비 평균 8% 성능 향상을 달성했습니다. 이는 모델 크기가 훨씬 큰 아랍어 LLM들과 비교해도 경쟁력 있는 결과입니다. 특히 모델 크기 대비 효율성이 매우 뛰어납니다.

2. 영어 성능 유지
영어 벤치마크에서는 기존 TinyLlama 1.1B와 거의 동일하거나 약간(1%) 향상된 성능을 기록했습니다. 기존 접근 방식들에서 흔히 발생하는 기존 언어 성능 저하 문제가 거의 없었습니다.

3. 실제 응용 시나리오에서의 평가
실제 아랍어-영어 혼합 질의 응답, 번역, 대화 등 다양한 응용 환경에서 테스트한 결과, 아랍어와 영어 모두 자연스럽고 일관된 응답을 확인할 수 있었습니다. 다만, 특정 방언이나 희귀 도메인에서는 여전히 한계가 존재함도 드러났습니다.

이러한 실험 결과들은 Kuwain 1.5B가 저비용, 고효율로 새로운 언어를 기존 모델에 추가하는 데 효과적임을 보여줍니다. 특히 멀티링구얼 LLM 확장의 새로운 가능성을 제시합니다.

✅ 성능은 어떨까요?

Kuwain 1.5B는 Arabic NLP Benchmark와 English NLP Benchmark라는 첨단 벤치마크에서 각각 아랍어 평균 8% 향상, 영어 1% 향상이라는 점수를 기록했습니다. 이는 동급 크기의 기존 영어/아랍어 모델 수준의 성능입니다.

실제로 아랍어-영어 혼합 질의 응답이나 아랍어 자연어 생성 등 실제 사용 시나리오, 특히 아랍어 중심 태스크에서도 꽤 자연스러운 반응을 보입니다.
물론 아직 "희귀 방언" 등 특수 도메인에서 약간의 미흡함이 존재하긴 하지만, 현재 수준만으로도 다양한 서비스에 활용 가능성이 큽니다.

✅ 어디에 쓸 수 있을까요?

Kuwain 1.5B는 단지 새로운 모델이 아니라, "기존 LLM에 새로운 언어를 효율적으로 주입하는 확장성"이라는 흥미로운 방향성을 제시합니다.
앞으로는 더 많은 언어 확장, 예를 들면 페르시아어, 터키어까지 인식하게 될 가능성이 큽니다.

• 아랍어 챗봇 및 고객 지원: 아랍어 사용자 대상의 대화형 서비스, FAQ, 상담 챗봇 등에 바로 적용할 수 있습니다.
• 다국어 번역 및 문서 생성: 영어-아랍어 자동 번역, 아랍어 보고서/콘텐츠 자동 생성 등 다양한 언어처리 업무에 활용할 수 있습니다.
• 아랍어 중심 데이터 분석: 아랍어 소셜 미디어 분석, 감정 분석, 정보 추출 등 데이터 기반 서비스에도 적용 가능합니다.

이러한 미래가 Kuwain 1.5B로 인해 조금 더 가까워졌습니다.

✅ 개발자가 지금 할 수 있는 일은?

Kuwain 1.5B에 입문하려면, 기본적인 PyTorch 기반 LLM 파인튜닝과 토크나이저 커스터마이징에 대한 이해가 필요합니다.
아쉽게도 아직 공식 코드나 오픈소스 링크는 논문에 공개되어 있지 않으나, 논문 내 실험 세팅과 데이터 구성, 토크나이저 확장 방법 등이 상세히 기술되어 있으니, 논문을 참고하여 직접 구현해볼 수 있습니다.

실무에 적용하고 싶다면?
아랍어 데이터셋과 기존 영어 LLM을 확보하고, 다양한 아랍어 태스크(질의응답, 번역, 생성 등)을 테스트하면서 모델을 부분 파인튜닝 및 토크나이저 확장하는 것이 핵심입니다. 또한, 실제 서비스 적용 전, 방언/특수 도메인 성능 검증도 병행되어야 합니다.

✅ 마치며

Kuwain 1.5B는 단순한 기술적 진보를 넘어, 기존 LLM의 언어 확장 방식 자체를 혁신하는 중요한 이정표입니다. 이 기술이 제시하는 가능성은 글로벌 AI 서비스와 언어 다양성의 미래를 재정의할 잠재력을 가지고 있습니다.

우리는 지금 효율적 멀티링구얼 LLM 확장이라는 기술 발전의 중요한 변곡점에 서 있으며, Kuwain 1.5B는 그 여정의 핵심 동력이 될 것입니다. 당신이 이 혁신적인 기술을 활용하여 미래를 선도하는 개발자가 되어보는 건 어떨까요?

📎 논문 원문 보러가기