모델 카드

쉽게 말하면, 모델 카드는 AI 모델에 함께 붙는 짧은 설명서다. 이 모델을 어디에 쓰려고 만들었는지, 무엇으로 학습했는지, 인구 집단에 따라 성능이 어떻게 달라지는지, 어떤 위험과 한계가 있는지를 정해진 형식으로 적어 둔다. 식품의 영양 성분표처럼 사용자가 모델을 쓸지 판단하도록 돕는 문서다.

1. 개요

모델 카드(model card)는 학습된 머신러닝 모델에 함께 붙는 짧고 표준화된 문서로, 의도된 용도, 학습 데이터, 여러 인구 집단에서의 평가 결과, 윤리적 고려 사항, 알려진 한계를 적는다. 마거릿 미첼(Margaret Mitchell)과 팀닛 게브루(Timnit Gebru)는 구글 소속 동료들과 함께 2019년 논문 「Model Cards for Model Reporting」에서 이 개념을 제안했다. 논문은 모델 카드를 문화, 인구통계, 표현형 집단 등 다양한 조건에서 벤치마크 평가를 제공하는 짧은 문서로 정의한다.²

모델 카드는 AI 투명성 문서의 한 형태로, 식품 영양 성분표, 전자 부품 데이터시트, 화학 물질의 물질 안전 보건 자료(MSDS)에 견줄 만하다. 널리 퍼져 사실상 업계 표준이 된 데는 주로 허깅페이스의 역할이 컸다. 허깅페이스 플랫폼의 공개 모델 200만 개 이상은 모두 README 파일 형태의 모델 카드를 갖고 있다.^2,3,4

모델 카드는 AI 문서화 관행 전체의 일부다. 여기에는 데이터셋 데이터시트(Gebru 등, 2021), OpenAI가 GPT-4 같은 모델에 쓰는 시스템 카드, EU AI법 같은 규제 틀의 문서 요건이 포함된다. 이 문서화 기준들은 AI 개발의 전 과정에서 책임성, 재현성, 정보에 근거한 판단을 높이는 것을 목표로 한다. 모델 카드는 책임 있는 AI, AI 거버넌스, AI 안전 실무가 맞닿는 지점에 놓인다.

2. 만든 사람과 시기

기초 논문 「Model Cards for Model Reporting」은 2019년 1월 29~31일 애틀랜타에서 열린 공정성·책임성·투명성 학술대회(ACM Conference on Fairness, Accountability, and Transparency, FAT*, 이후 FAccT로 이름이 바뀜)에서 발표되었다. 저자는 마거릿 미첼(Margaret Mitchell), 시몬 우(Simone Wu), 앤드루 잘디바르(Andrew Zaldivar), 파커 반스(Parker Barnes), 루시 바서먼(Lucy Vasserman), 벤 허친슨(Ben Hutchinson), 엘레나 스피처(Elena Spitzer), 이니올루와 데버라 라지(Inioluwa Deborah Raji), 팀닛 게브루(Timnit Gebru)다. 모두 당시 구글에 소속되어 있었다. 첫 사전 인쇄본(preprint)은 2018년 10월 5일 arXiv(1810.03993)에 올라왔고, 수정본은 2019년 1월 14일 확정되었다.²

미첼은 게브루와 함께 구글 윤리적 AI 팀을 세우고 이끌었다. 모델 카드 제안은 이 팀이 배포된 머신러닝의 공정성, 책임성, 편향 문제를 다룬 더 넓은 연구에서 나왔다. 게브루가 2020년 12월 논란 속에 구글을 떠난 뒤, 미첼도 내부 조사를 거쳐 2021년 2월 해고되었다. 미첼은 그해 허깅페이스의 수석 윤리 과학자(Chief Ethics Scientist)로 합류해 모델 카드 작업을 이어 갔고, 플랫폼의 문서화 관행을 만드는 데 참여했다.^5,6

논문은 머신러닝 모델을 문서화하고 공유하는 방식의 공백을 짚었다. 소프트웨어 공학에는 API 레퍼런스, 변경 기록, README 같은 문서화 관행이 이미 자리 잡았다. 그러나 머신러닝 모델은 의도된 용도, 집단별 성능, 학습 데이터 구성, 알려진 한계에 관한 정보가 최소한으로만 담긴 채 배포되는 경우가 많았다. 이런 불투명성 탓에 후속 사용자가 모델이 자신의 응용에 맞는지 평가하기 어려웠고, 영향을 받는 공동체가 입을 수 있는 피해도 가려졌다.

미첼 등은 학습된 머신러닝 모델마다 함께 붙는 짧고 구조화된 문서로 모델 카드를 제안했다. 이 발상은 다른 분야의 관행에서 가져왔다. 전자 산업의 데이터시트, 식품 산업의 영양 표시, 화학의 물질 안전 보건 자료가 그 예다. 저자들은 표준화된 형식이 모델 개발자와 사용자 사이의 소통을 낫게 하고, 집단별 평가를 장려하며, 알려진 한계에 책임을 지게 만든다고 주장했다.

논문의 가장 많이 인용되는 정의에 따르면 모델 카드는 다양한 조건에서 벤치마크 평가를 제공하는 짧은 문서다. 그 조건에는 인종, 지역, 성별, 피츠패트릭 피부 유형 같은 인구통계·표현형 집단과, 나이와 인종, 성별과 피부 유형처럼 여러 속성이 겹친 교차 집단이 포함되며, 이 집단들은 의도된 적용 분야와 관련된 것이어야 한다. 교차 집단 평가를 강조한 것은 비판적 인종 이론과 앞선 공정성 연구에 기대고 있으며, 전체 정확도만 보고하던 관행에서 의도적으로 벗어난 것이다.

논문은 구글의 두 모델로 예시 카드를 만들어 개념을 보였다. 하나는 CelebA 데이터셋으로 학습한 미소 탐지기이고, 다른 하나는 Perspective API에 바탕을 둔 독성 분류기다. 미소 탐지 카드는 나이 든 남성에게서 허위 발견율(false discovery rate)이 더 높다는 것을 드러냈다. 독성 분류 카드는 성적 지향과 관련된 단어에 대한 편향을 드러냈다. 두 경우 모두 집단별로 나눈 보고가 전체 정확도 수치에 가려져 있던 격차를 드러냈고, 저자들이 해결하려던 실패 방식을 그대로 보여 주었다.²

3. 구성 항목

미첼 등의 원래 틀은 모델 카드에 담겨야 할 아홉 개 절을 명시한다. 이후 채택한 사람들이 이를 다듬고 넓혔지만, 대부분의 현대 템플릿에서 핵심 구조는 그대로 유지된다.²

하위 집단별 평가(disaggregated evaluation), 즉 성능 지표를 하나의 총합 숫자로만 보고하지 않고 인구통계나 맥락에 따른 하위 집단으로 나누어 보여 주는 방식은 모델 카드 틀이 남긴 가장 중요한 기여 중 하나다. 예를 들어 얼굴 인식 모델이 전체 정확도 99%를 보이면서도 피부색이 짙은 얼굴에서는 85%에 그칠 수 있다. 총합 지표는 이런 격차를 가리지만, 모델 카드는 이를 명시적으로 드러낸다. 이 접근은 조이 부올람위니(Joy Buolamwini)와 팀닛 게브루의 앞선 연구 「Gender Shades」에 직접 영향을 받았다. 그 연구는 상용 얼굴 분석 시스템이 밝은 피부의 남성보다 짙은 피부의 여성에게서 훨씬 나쁜 성능을 보인다는 것을 밝혔다.²

논문은 보고 방식도 두 가지로 제안했다. 하나는 단일 요인별 성능을 보여 주는 단일 결과(unitary results)이고, 다른 하나는 요인이 겹치는 지점, 예컨대 나이와 피부 유형의 조합에서의 성능을 보여 주는 교차 결과(intersectional results)다. 교차 결과는 더 까다롭지만, 대개는 어느 한 요인만 볼 때 짐작되는 것보다 나쁜 결과를 드러낸다. 미첼 등이 교차 결과가 필요하다고 주장한 이유가 여기에 있다.

4. 허깅페이스의 구현

오픈소스 AI 플랫폼이자 모델 호스팅 서비스인 허깅페이스는 실제로 모델 카드가 만들어지고 쓰이는 주된 장이 되었다. 허깅페이스 허브는 2024년에 호스팅 모델 100만 개를 넘었고 2025년에는 200만 개를 넘었다. 2026년 기준 공개 모델은 약 240만 개다. 각 모델 저장소에는 모델 카드 역할을 하는 README.md 파일이 있다.^3,4

첫 100만 개 모델이 쌓이는 데는 허브가 집계를 시작한 2022년 3월 이후 1,000일이 넘게 걸렸다. 반면 두 번째 100만 개는 335일 만에 채워졌다. 소요 기간은 약 65% 줄었는데, 주로 작은 미세 조정 모델이 대거 올라온 흐름이 이를 이끌었다.⁴

모델 카드가 널리 쓰이게 된 데는 허깅페이스의 역할이 가장 컸다. 연구자나 조직이 모델을 허브에 올리면 플랫폼은 표준 템플릿을 채우도록 안내한다. 이 템플릿은 미첼 등의 원래 틀을 바탕으로 하되, 허깅페이스 생태계에 맞는 메타데이터 필드를 더했다. 예를 들어 파이프라인 태그(text-classification, image-generation 등), 언어 코드, 사용한 데이터셋, 라이브러리 호환성이 있다.

2022년 허깅페이스는 에지 오조아니(Ezi Ozoani), 마리사 거처크(Marissa Gerchick), 마거릿 미첼(Margaret Mitchell)이 주로 쓴 「Model Card Guidebook」을 펴냈다. 이 가이드북은 네 가지 자료를 묶었다.

• 주석이 달린 모델 카드 템플릿: 각 절을 어떻게 채울지 설명한다.
• 허브에서 모델 카드를 쓰는 방식에 관한 사용자 조사.
• 더 넓은 문서화 생태계에 관한 현황 분석.
• 마크다운을 직접 쓰지 않고 그래픽 화면으로 모델 카드를 만들게 하는 Model Card Creator 도구.

이번 공개에서는 템플릿에 안내 문구를 추가해 편향, 위험, 한계 절을 충실히 채우도록 했다.³

허깅페이스 모델 카드의 품질은 편차가 크다. 구글, 메타, 마이크로소프트, 앤트로픽 같은 주요 기관이 올린 모델은 대체로 상세하고 짜임새 있는 카드를 갖는다. 허브 콘텐츠의 대다수를 차지하는 커뮤니티 기여 모델은 충실한 문서부터 완전히 빈 README 파일까지 폭이 넓다. Liang 등은 2024년 『Nature Machine Intelligence』에 실린 분석에서 허브의 AI 모델 카드 32,111개를 체계적으로 조사했다(이 카드들은 74,970개 모델에서 가져왔다). 연구는 학습 절이 가장 꾸준히 채워져 있었고, 환경 영향, 한계, 평가 절의 완성률이 가장 낮았다고 밝혔다. 같은 논문은 카드 완성도가 높을수록 다운로드 수도 많은 상관관계를 보여, 문서화가 책임성뿐 아니라 채택에도 보답한다는 점을 시사했다.⁷

4.1. 허깅페이스 메타데이터 항목

허깅페이스 모델 카드는 README.md 파일 맨 위에 YAML 메타데이터 블록을 둔다. 블록은 세 개의 하이픈(---) 줄로 감싸며, 플랫폼 안에서 구조화된 검색과 필터링, API 연동을 가능하게 한다. 주요 메타데이터 필드는 다음과 같다.

model-index 필드는 허브가 평가 수치를 표준화된 방식으로 보여 줄 수 있게 한다는 점에서 특히 눈여겨볼 만하다. 저장소는 예를 들어 lm-eval-harness를 써서 MMLU에서 87.3점을 얻었다고 선언할 수 있고, 그 결과는 본문에 묻히지 않고 집계 리더보드에 나타난다.

5. 데이터셋 데이터시트와의 관계

「Datasheets for Datasets」는 팀닛 게브루(Timnit Gebru), 제이미 모건스턴(Jamie Morgenstern), 브리애나 베키오네(Briana Vecchione), 제니퍼 워트먼 본(Jennifer Wortman Vaughan), 한나 월러크(Hanna Wallach), 할 두메 3세(Hal Daume III), 케이트 크로퍼드(Kate Crawford)가 제안한 틀이다. 2018년 3월 사전 인쇄본으로 처음 발표되었고, 2021년 12월 『Communications of the ACM』에 실렸다.

데이터시트 틀은 전자 산업에서 이름을 따 왔다. 전자 부품마다 작동 특성을 적은 데이터시트가 함께 나오듯, 게브루 등은 머신러닝에 쓰는 모든 데이터셋에도 비슷한 문서가 붙어야 한다고 주장했다. 이 문서는 동기, 구성, 수집 과정, 전처리나 라벨링 단계, 권장 용도, 배포, 유지 관리 계획, 법적·윤리적 고려 사항을 다룬다. 전체 질문지는 일곱 개 범주에 걸친 57개 질문으로 이루어져 있으며, 데이터셋을 널리 공유하기 전에 답하도록 설계되었다.⁸

데이터시트와 모델 카드는 상호 보완적이다. 모델 카드는 학습 데이터와 평가 데이터를 가리키고, 데이터셋의 데이터시트는 그 데이터의 세부 출처 정보를 제공한다. 둘을 합치면 원본 데이터에서 배포된 모델까지 이어지는 문서 사슬이 만들어진다. 허깅페이스는 이후 허브의 모든 데이터셋 저장소에 이 구조를 본뜬 데이터셋 카드(YAML 머리말을 단 README)를 도입했다.⁸

6. 시스템 카드와의 차이

시스템 카드는 모델 카드 개념이 발전한 것으로, 단일 모델보다 복잡한 AI 시스템을 위해 설계되었다. 이 용어는 OpenAI가 대중화했으며, 회사는 GPT-4(2023년 3월), GPT-4V(시각 기능을 갖춘 변형, 2023년 9월), GPT-4o(2024년 8월), o1 추론 모델(2024년 12월), 이후의 최전선 출시작 등 여러 주요 출시작에 시스템 카드를 공개했다.

시스템 카드는 모델 카드와 몇 가지 점에서 다르다. 모델 카드가 단일 학습 모델을 따로 떼어 기록하는 반면, 시스템 카드는 사용자에게 배포되는 시스템 전체를 기록한다. 기반 모델, 미세 조정 절차, 안전 완화 조치(RLHF 학습, 콘텐츠 필터, 요청 속도 제한 등), 배포 구성, 레드팀 평가와 안전성 평가 결과가 포함된다. 시스템 카드는 또한 시스템의 능력과 배포 시 그 능력이 낳는 위험에 대한 논의를 보통 담는다.

OpenAI는 2023년 3월 23일 GPT-4 기술 보고서와 함께 GPT-4 시스템 카드를 공개했고, 이 카드는 이후 시스템 카드가 따르는 틀이 되었다. 회사는 사이버 보안, 생물 보안, 설득, 공정성, 정렬 등 분야의 연구자 41명으로 외부 레드팀을 꾸렸다. 여러 달에 걸친 시험 기간에는 1,000명이 넘는 초기 사용자도 모델을 시험했다. 카드는 안전 우려를 낳은 구체적 능력을 기록했다. 위험한 화학물질의 합성 단계를 알려 주는 능력(거절 학습으로 완화), 외부 데이터와 결합하면 개인을 식별할 수 있는 잠재력, 표준화 시험 성적(모의 변호사 시험에서 90백분위)이 그것이다. 카드는 알려진 탈옥 기법을 포함해 안전 조치의 한계도 설명했다.

GPT-4o 시스템 카드(2024년 8월)는 이를 멀티모달 시스템으로 확장해, 허가받지 않은 음성 생성, 화자 식별, 허용되지 않는 오디오 콘텐츠, 근거 없는 추론에 대한 음성 안전성 평가를 더했다. o1 시스템 카드(2024년 12월)는 추론 모델을 위한 새 평가를 도입했다. 여기에는 사고의 연쇄 모니터링과, 목표가 학습과 충돌할 때 모델이 평가자를 속이는지 시험하는 항목이 있다.⁹

Anthropic은 Claude 계열의 상세한 모델 카드와 시스템 카드를 발행한다. Claude 3 모델 카드(2024년 3월)는 헌법적 AI 학습을 기록했고, 여섯 개 언어에 걸친 14개 신뢰·안전 정책 영역을 다뤘다. 선거 무결성, 아동 안전, 사이버 공격, 증오와 차별, 폭력적 극단주의 같은 영역의 평가도 포함했다. 이 모델 카드는 Claude 3.5 Sonnet(2024년 6월), 업그레이드된 Claude 3.5 Sonnet과 Claude 3.5 Haiku(2024년 10월), Claude 3.7 Sonnet, Claude Opus 4와 Sonnet 4(2025년 5월), Claude Opus 4.5(2025년 11월)의 부록으로 확장되었다. 각 출시는 Anthropic의 책임 있는 확장 정책(Responsible Scaling Policy)에 연결된다. 이 정책은 배포 전에 CBRN(화학·생물·방사능·핵), 사이버 보안, 자율 능력 영역의 특정 평가를 의무화한다.^10,11

Google DeepMind는 Gemini 1.0, 1.5, 2.0 및 이후 출시작에서 비슷한 역할을 하는 기술 보고서를 냈고, Meta는 Llama 시리즈의 모델 카드를 공개했다. DeepSeek-V3 기술 보고서(2024년 12월)와 DeepSeek R1 기술 보고서(2025년 1월)도 두 모델의 시스템 카드 역할을 한다. 이 보고서들은 구조(V3는 총 671B, 활성 37B 매개변수의 전문가 혼합), 학습 데이터 규모(14.8조 토큰), 학습 연산량(H800 GPU 278만 8,000시간), 후속 평가를 다룬다.¹²

공통된 흐름은 AI 시스템이 복잡하고 강력해질수록 문서화가 모델 자체뿐 아니라 그 주변의 공학, 안전, 배포 결정 전체를 다뤄야 한다는 점이다.

7. 모델 카드 제작 도구

모델 카드 제작을 쉽게 하는 오픈소스 도구 생태계가 자라고 있다. 각 도구는 개별 연구자부터 기업 거버넌스 팀까지 조금씩 다른 독자를 겨냥한다.

모델 카드 툴킷(MCT)은 2020년 7월 TensorFlow 저장소의 model-card-toolkit 프로젝트로 오픈소스 공개되었다. 구글이 엔지니어들이 모델 카드를 일상적으로 만들도록 처음 내놓은 공개 시도였다. JSON 스키마, 파이썬 API, 기본 HTML 템플릿을 제공하며, ML Metadata에서 모델 계보를 끌어와 학습 데이터셋, 평가 지표 같은 항목을 자동으로 채울 수 있다.¹⁴

IBM의 AI 팩트시트는 「FactSheets: Increasing Trust in AI Services through Supplier's Declarations of Conformity」(Arnold 등, IBM Journal of Research and Development)에 바탕을 둔다. 이 도구는 기업 거버넌스 쪽 접근을 택해, 각 모델을 추적되는 목록의 자산으로 다룬다.¹⁵

8. 규제에서의 활용

AI 시스템의 문서화 요건은 2023년부터 2026년 사이 여러 관할권에서 자발적 모범 사례에서 법적 의무로 옮겨 갔다. 규제는 모델 카드라는 용어를 명시적으로 쓰는 경우가 드물지만, 요구하는 정보는 미첼 등의 틀과 긴밀하게 대응한다.

8.1. EU AI법

EU AI법(공식 명칭 규정(EU) 2024/1689)은 2024년 7월 12일 공식 관보에 게재되었고 2024년 8월 1일 발효했다. 고위험으로 분류된 AI 시스템에 대한 구체적 문서화 요건을 담고 있다. 고위험 AI 시스템의 제공자는 시스템의 의도된 목적, 설계, 개발 방법론, 학습·시험 데이터, 성능 지표, 위험 관리 조치, 출시 후 모니터링 계획을 포괄하는 기술 문서를 유지해야 한다.¹⁶

대규모 언어 모델을 포함한 범용 AI(GPAI) 모델에 대해 AI법은 제공자가 학습 데이터 내용을 충분히 상세하게 요약해 공개하도록 요구한다. 요약은 EU AI 사무국(AI Office)이 2025년 7월 24일 공개한 양식을 쓴다. 제공자는 학습과 시험 과정, 평가 결과를 다루는 기술 문서를 작성하고, 모델을 통합하는 하위 제공자와 문서를 공유하며, 모델 버전별 문서를 10년 동안 보관하고, EU 저작권법을 준수해야 한다. GPAI 의무는 2025년 8월 2일부터 적용되었고, 2026년 8월 2일부터 AI 사무국의 완전한 집행 권한이 시작된다. 2025년 8월 2일 이전에 시장에 출시된 모델의 제공자는 2027년 8월 2일까지 준수하면 된다.^16,17

학습에 10^25 부동소수점 연산을 넘게 쓴 시스템 위험 GPAI 모델의 제공자에게는 추가 의무가 있다. GPT-4와 Claude Opus 같은 최전선 모델을 포착하도록 설계된 기준이다. 추가 의무에는 적대적 시험을 포함한 모델 평가, 중대 사고 보고, 사이버 보안 보호, 에너지 소비 문서화가 들어간다. 무료·오픈소스 모델은 기술 문서와 하위 지원 의무가 일부 면제되지만, 학습 데이터 요약 공개와 저작권 준수는 여전히 해야 한다.¹⁶

AI법의 문서화 요건은 EU에서 판매되거나 배포되는 AI 시스템 모두에 대해 모델 카드와 비슷한 것을 사실상 요구한다. 규정이 미첼 등의 형식을 명시적으로 요구하지는 않지만, 규제 요건과 모델 카드 모범 사례가 겹치면서 많은 조직이 컴플라이언스의 출발점으로 모델 카드를 쓴다.

8.2. NIST AI 위험 관리 틀

미국 NIST의 AI RMF(AI 100-1)는 2023년 1월에 발표되었으며, 책임 있는 AI 실무를 GOVERN, MAP, MEASURE, MANAGE의 네 가지 핵심 기능으로 조직한다. 문서화는 네 기능 모두에 걸쳐 있다. MAP은 맥락, 위험, 의도된 용도의 문서화를, MEASURE는 평가 방법과 결과의 문서화를 요구한다. GOVERN은 문서화를 체계적으로 만드는 조직 정책을, MANAGE는 위험 대응과 모니터링의 문서화를 요구한다. 틀은 특정 양식을 규정하지 않지만, 문서화를 투명성, 책임성, 사람의 검토를 가능하게 하는 수단으로 명시적으로 다룬다.¹⁸

NIST는 또한 RMF를 생성형 모델에 맞게 조정한 생성형 AI 프로파일(NIST AI 600-1, 2024년 7월)을 발표했다. 이 프로파일은 데이터 유출, 환각, 콘텐츠 출처 같은 위험에 맞춰 문서화 기대치를 정한다.

8.3. 미국 행정명령과 콜로라도 법

2023년 10월 바이든 행정부는 행정명령 14110 「Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence」를 발표했다. 이 명령은 특정 연산 임계값을 넘는 이중 용도 파운데이션 모델의 개발자가 안전 시험 결과를 연방 정부와 공유하도록 요구했고, 모델 카드 내용과 비슷한 보고 요건을 검토했다. 또 NIST 안에 미국 AI 안전 연구소(USAISI)를 만들고 레드팀 지침을 개발하도록 맡겼다.¹⁹

2025년 1월 20일 트럼프 대통령은 행정명령 14148로 행정명령 14110을 폐지했다. 사흘 뒤 「Removing Barriers to American Leadership in Artificial Intelligence」에 서명해 연방 기관이 180일 안에 AI 행동 계획을 작성하도록 지시했다. 2026년 기준 미국 파운데이션 모델에 대한 연방 문서화 요건은 유동적이지만, 콜로라도 같은 주 단위 요건은 계속 적용된다.^19,20

콜로라도 상원 법안 24-205(SB 24-205)는 2024년 5월 17일 서명되었으며, 「콜로라도 AI 차별 금지법」(ADAI)으로도 불린다. 미국에서 주 단위로 제정된 첫 고위험 AI 법이다. 고위험 AI 시스템을 만들거나 크게 수정하는 개발자와, 이를 실제로 사용에 투입하는 배포자를 구분한다. 개발자는 배포자에게 합리적으로 예견 가능한 용도, 알려진 유해하거나 부적절한 용도, 시스템 학습에 쓴 데이터 유형, 알려졌거나 예견되는 한계를 적은 문서를 제공해야 한다. 또 알고리즘 차별의 알려진 위험을 발견 후 90일 안에 콜로라도 법무장관과 알려진 모든 배포자에게 알려야 한다. 배포자는 영향 평가를 수행하고, 영향 평가, 시험 결과, 데이터 출처 설명, 버전 이력, 내부 검토 승인 같은 기록을 체계적으로 보관하며, 고위험 시스템이 소비자에 관한 중대한 결정에 쓰였을 때 해당 소비자에게 알려야 한다. 이 규정은 2026년 6월 30일부터 시행된다.²¹

9. 실제 모델 카드의 모습

이 문서들의 차이는 조직의 우선순위와 구속력 있는 표준이 없다는 사실을 반영한다. OpenAI와 Anthropic은 길고 여러 절로 된 시스템 카드로 수렴했다. 최전선 모델의 경우 50~200쪽 이상이며, Claude Opus 4.6과 GPT-5.3 시스템 카드를 합치면 244쪽이라고 보도되었다. Meta와 Mistral은 간결한 모델 카드를 선호한다. 오픈소스 커뮤니티의 공개물은 그 사이 어디에나 있다.

10. 최신 LLM 모델 카드의 절

표준 모델 카드 템플릿은 미첼 등의 원래 아홉 개 절을 크게 넘어 확장되었다. 2024~2026년의 전형적인 대규모 언어 모델 모델 카드는 다음 절을 담는다.

모든 모델 카드가 모든 절을 채우는 것은 아니다. 공개 가중치 모델은 탄소와 연산 수치를 발표할 가능성이 더 높다. 가중치를 공개하지 않는 최전선 출시물은 안전과 위험 능력 절에 더 많이 투자하는 경향이 있다.

11. 한계와 비판

자발적이고 일관성이 낮다. 규제 환경 밖에서 모델 카드 작성은 자발적이다. 특히 소규모 조직이나 개인 연구자가 낸 많은 모델은 문서가 불완전하거나 아예 없는 채 공개된다. 리앙 등(Liang et al., 2024)이 허브의 모델 카드 32,111개를 분석한 결과, 평균적인 카드도 여러 절이 빠져 있거나 뼈대만 있었고, 환경, 한계, 평가 절이 가장 덜 채워져 있었다.⁷

정적인 문서다. 모델 카드는 보통 출시 시점에 작성되고 이후에는 거의 갱신되지 않는다. 모델이 미세 조정되거나 새 맥락에 배포되거나 이전에 알려지지 않은 실패 양상이 발견되면 원래 카드는 낡게 된다. 일부 조직은 버전별 모델 카드를 채택했다. Anthropic은 Claude 출시마다 부록을 내고, Meta는 Llama 3.1, 3.2, 3.3에 걸쳐 카드를 갱신했다. 그러나 이 관행은 널리 퍼지지 않았다. 길버트 등(Gilbert et al., 2023)의 보상 보고서는 목표가 배포에 따라 바뀌는 강화 학습 시스템의 동적 맹점을 다루려고 제안되었다.²²

자기 보고다. 모델 카드는 그것을 만든 개발 조직이 쓴다. 투명성과 자기 이익 사이에는 본질적인 긴장이 있어, 조직은 위험을 축소하거나 성능을 과장하거나 알려진 문제를 빼기도 한다. 모델 카드 주장에 대한 독립 감사는 여전히 드물다. Inioluwa Deborah Raji와 동료들은 내부 알고리즘 감사를 표준 관행으로 삼고, 고위험 배포의 전제 조건으로 외부 감사 접근권을 보장해야 한다고 주장했다.²³

문서화가 실질을 대신하는 문제다. 카드 작성이 실제 안전, 공정성, 책임성 작업을 대신할 수 있다는 비판도 있다. 올바른 절 제목을 갖춘 세련된 카드는 모델이 관련 방식으로 한 번도 시험받지 않았더라도 충분히 검토했다는 인상을 줄 수 있다. 이 우려는 기술 업계의 윤리 세탁에 대한 오래된 비판과 닮아 있다.

읽기 어렵고 독자가 제한된다. 모델 카드는 흔히 ML 실무자에게는 이해되지만, 정책 입안자, 기자, 영향을 받는 공동체처럼 정보가 가장 필요한 이해관계자에게는 불투명한 전문 용어로 쓰인다. 미첼 등의 원 논문도 이 긴장을 인정하고 쉬운 말 요약을 요구했지만, 실제로 대부분의 카드는 여전히 연구 논문 부록처럼 읽힌다.

범위가 모델에 머문다. 모델 카드는 모델을 기록할 뿐 배포 맥락, 하위 응용, 출력의 영향을 받는 사람들의 경험은 기록하지 않는다. 독성 분류기의 모델 카드는 표준 벤치마크에서 성능이 좋다고 적을 수 있지만, 그 모델이 콘텐츠 모더레이션 시스템에 놓여 특정 공동체의 표현의 자유에 어떤 영향을 주는지는 담지 못한다. 시스템 카드가 이 공백을 일부 메우지만, 배포 수준의 문서화는 여전히 미흡하다.

벤치마크 게이밍이다. 모델 카드가 경쟁적 마케팅 자료가 되면서, 카드가 보고하는 벤치마크도 데이터 오염, 유리한 항목만 고르기, 시험에 맞춘 튜닝의 대상이 되었다. 카드 자체의 잘못은 아니지만, 일반화되지 않을 수 있는 좁은 지표 집합에 주목을 모으는 데 모델 카드가 한몫했다.

12. 머신러닝 문서화 체계 전체

모델 카드는 더 넓은 ML 문서화·거버넌스 도구 생태계 안에 있다. Hugging Face는 이런 보완적 틀을 정리한 「Landscape of ML Documentation Tools」 자료를 관리하며, 각 틀은 AI 생애주기의 서로 다른 층위를 다룬다.

이 도구들은 겹치지만 목적이 다르다. 원시 학습 데이터에서 실제 영향까지 AI 시스템의 모든 것을 한 문서가 담을 수는 없다. AI 문서화의 흐름은 서로 보완하는 층위형 문서로 가고 있다. 모델 카드는 모델 층위를, 데이터시트는 데이터를, 시스템 카드는 배포를 맡고, 보상 보고서는 강화 학습 시스템의 동적 행동을 맡는다.

13. 현황과 전망

2026년 기준 모델 카드는 AI 업계의 규범으로 확고히 자리 잡았지만, 채택과 품질은 여전히 고르지 않다. EU AI법의 GPAI 의무는 2025년 8월부터 시행되었고 완전한 집행 권한은 2026년 8월에 시작된다. 이미 최전선 모델 문서의 중간 품질을 끌어올리고 있다. 회사의 소재지와 관계없이 유럽 시장에 판매하는 제공자는 EU 기술 문서 기대에 맞춘 문서를 점점 더 많이 공개한다.

Hugging Face는 모델 카드 도구와 인프라에서 계속 앞서 있다. 플랫폼은 현재 200만 개가 넘는 공개 모델을 호스팅하며, 메타데이터, 학습 로그, 벤치마크 결과를 바탕으로 일부 필드를 미리 채우는 자동 카드 생성 기능을 갖고 있다. 일부 연구 그룹은 언어 모델 자체로 모델 카드 초안을 쓰는 방법을 시험해 왔다. 문서를 쓰는 주체가 문서화 대상과 같은 종류의 시스템일 때 정확성과 책임 문제가 까다롭게 제기된다.⁴

최전선 연구소의 시스템 카드는 범위가 크게 늘었다. 2023년 GPT-4 시스템 카드가 약 60쪽이었던 데 비해, Claude Opus 4.5와 GPT-5.3 시스템 카드 등 최근 출시물은 각각 100쪽을 넘는다. 위험 능력 평가 절(CBRN 능력 상승 연구, 사이버 CTF 성능, 자율 복제 시험), 자율 작업 평가(SWE-bench, 44개 직업에 걸친 220개 과제로 이루어진 OpenAI의 GDPval 골드 데이터셋), 평가 재현성에 대한 관심도 커졌다. Anthropic의 책임 있는 확장 정책, OpenAI의 준비성 프레임워크(Preparedness Framework), Google DeepMind의 프런티어 안전 프레임워크(Frontier Safety Framework)는 모두 출시 결정을 특정 평가에 연결하며, 그 평가 결과는 시스템 카드에 다시 보고된다.^9,10,11

더 넓게 보면 AI 문서화는 최선의 관행을 넘어 법적·상업적 요건이 되어 가는 방향이다. AI 시스템이 의료, 금융, 형사 사법, 국방에 배치되면서 철저하고 정확하며 독립적으로 검증 가능한 문서에 대한 수요는 계속 커질 것이다. 모델 카드는 여러 한계에도 불구하고 어휘와 기대치를 세웠고, 더 엄격한 후속 문서들이 그 위에 쌓이고 있다.