​
컨텍스트 윈도우

“컨텍스트 윈도우”는 언어 모델이 새로운 텍스트를 생성할 때 되돌아보고 참조할 수 있는 텍스트의 양을 의미합니다. 이는 언어 모델이 훈련된 대규모 데이터 코퍼스와는 다르며, 대신 모델의 “작업 메모리”를 나타냅니다. 더 큰 컨텍스트 윈도우는 모델이 더 복잡하고 긴 프롬프트를 이해하고 응답할 수 있게 하며, 더 작은 컨텍스트 윈도우는 모델이 더 긴 프롬프트를 처리하거나 확장된 대화에서 일관성을 유지하는 능력을 제한할 수 있습니다. 자세한 내용은 컨텍스트 윈도우 이해 가이드를 참조하세요.

​
파인튜닝

파인튜닝은 추가 데이터를 사용하여 사전 훈련된 언어 모델을 추가로 훈련하는 과정입니다. 이는 모델이 파인튜닝 데이터셋의 패턴과 특성을 표현하고 모방하기 시작하게 합니다. Claude는 순수한 언어 모델이 아닙니다; 이미 도움이 되는 어시스턴트가 되도록 파인튜닝되었습니다. 저희 API는 현재 파인튜닝을 제공하지 않지만, 이 옵션을 탐색하는 데 관심이 있으시면 Anthropic 담당자에게 문의해 주세요. 파인튜닝은 언어 모델을 특정 도메인, 작업 또는 작성 스타일에 적응시키는 데 유용할 수 있지만, 파인튜닝 데이터와 모델의 성능 및 편향에 대한 잠재적 영향을 신중히 고려해야 합니다.

​
HHH

이 세 개의 H는 Claude가 사회에 유익하도록 보장하는 Anthropic의 목표를 나타냅니다:
  • 도움이 되는(helpful) AI는 최선의 능력으로 주어진 작업을 수행하거나 질문에 답하려고 시도하며, 관련성 있고 유용한 정보를 제공합니다.
  • 정직한(honest) AI는 정확한 정보를 제공하며, 환각이나 허위 정보를 만들어내지 않습니다. 적절할 때 자신의 한계와 불확실성을 인정합니다.
  • 무해한(harmless) AI는 공격적이거나 차별적이지 않으며, 위험하거나 비윤리적인 행위를 도와달라는 요청을 받았을 때 정중히 거절하고 왜 응할 수 없는지 설명합니다.

​
지연시간

생성형 AI와 대규모 언어 모델의 맥락에서 지연시간은 모델이 주어진 프롬프트에 응답하는 데 걸리는 시간을 의미합니다. 프롬프트를 제출하고 생성된 출력을 받는 사이의 지연입니다. 낮은 지연시간은 더 빠른 응답 시간을 나타내며, 이는 실시간 애플리케이션, 챗봇, 상호작용 경험에 중요합니다. 지연시간에 영향을 줄 수 있는 요인으로는 모델 크기, 하드웨어 성능, 네트워크 조건, 프롬프트와 생성된 응답의 복잡성이 있습니다.

​
LLM

대규모 언어 모델(LLM)은 많은 매개변수를 가진 AI 언어 모델로, 놀랍도록 유용한 다양한 작업을 수행할 수 있습니다. 이러한 모델들은 방대한 양의 텍스트 데이터로 훈련되며, 인간과 같은 텍스트를 생성하고, 질문에 답하고, 정보를 요약하는 등의 작업을 할 수 있습니다. Claude는 더 도움이 되고, 정직하고, 무해하도록 파인튜닝되고 RLHF를 사용하여 훈련된 대규모 언어 모델 기반의 대화형 어시스턴트입니다.

​
MCP (Model Context Protocol)

Model Context Protocol(MCP)은 애플리케이션이 LLM에 컨텍스트를 제공하는 방법을 표준화하는 개방형 프로토콜입니다. AI 애플리케이션을 위한 USB-C 포트와 같이, MCP는 AI 모델을 다양한 데이터 소스와 도구에 연결하는 통합된 방법을 제공합니다. MCP는 AI 시스템이 상호작용 간에 일관된 컨텍스트를 유지하고 표준화된 방식으로 외부 리소스에 액세스할 수 있게 합니다. 자세한 내용은 MCP 문서를 참조하세요.

​
MCP 커넥터

MCP 커넥터는 API 사용자가 MCP 클라이언트를 구축하지 않고도 Messages API에서 직접 MCP 서버에 연결할 수 있게 하는 기능입니다. 이를 통해 Claude API를 통해 MCP 호환 도구 및 서비스와 원활하게 통합할 수 있습니다. MCP 커넥터는 도구 호출과 같은 기능을 지원하며 공개 베타로 제공됩니다. 자세한 내용은 MCP 커넥터 문서를 참조하세요.

​
사전훈련

사전훈련은 대규모 레이블이 없는 텍스트 코퍼스에서 언어 모델을 훈련하는 초기 과정입니다. Claude의 경우, 자기회귀 언어 모델(Claude의 기본 모델과 같은)은 문서의 이전 텍스트 컨텍스트가 주어졌을 때 다음 단어를 예측하도록 사전훈련됩니다. 이러한 사전훈련된 모델들은 본질적으로 질문에 답하거나 지시를 따르는 데 능숙하지 않으며, 원하는 행동을 이끌어내기 위해 종종 프롬프트 엔지니어링에 대한 깊은 기술이 필요합니다. 파인튜닝과 RLHF는 이러한 사전훈련된 모델들을 개선하여 광범위한 작업에 더 유용하게 만드는 데 사용됩니다.

​
RAG (검색 증강 생성)

검색 증강 생성(RAG)은 정보 검색과 언어 모델 생성을 결합하여 생성된 텍스트의 정확성과 관련성을 향상시키고, 모델의 응답을 증거에 더 잘 근거하게 하는 기법입니다. RAG에서는 언어 모델이 컨텍스트 윈도우에 전달되는 외부 지식 베이스나 문서 세트로 증강됩니다. 데이터는 모델에 쿼리가 전송될 때 런타임에 검색되지만, 모델 자체가 반드시 데이터를 검색하는 것은 아닙니다(도구 사용과 검색 함수를 사용하면 가능합니다). 텍스트를 생성할 때, 먼저 입력 프롬프트를 기반으로 지식 베이스에서 관련 정보를 검색한 다음, 원래 쿼리와 함께 모델에 전달해야 합니다. 모델은 이 정보를 사용하여 생성하는 출력을 안내합니다. 이를 통해 모델이 훈련 데이터를 넘어서는 정보에 액세스하고 활용할 수 있어, 암기에 대한 의존도를 줄이고 생성된 텍스트의 사실적 정확성을 향상시킵니다. RAG는 최신 정보, 도메인별 지식 또는 명시적인 출처 인용이 필요한 작업에 특히 유용할 수 있습니다. 그러나 RAG의 효과는 외부 지식 베이스의 품질과 관련성, 그리고 런타임에 검색되는 지식에 따라 달라집니다.

​
RLHF

인간 피드백을 통한 강화학습(RLHF)은 사전훈련된 언어 모델이 인간의 선호도와 일치하는 방식으로 행동하도록 훈련하는 데 사용되는 기법입니다. 여기에는 모델이 지시를 더 효과적으로 따르거나 챗봇처럼 행동하도록 돕는 것이 포함될 수 있습니다. 인간 피드백은 두 개 이상의 예시 텍스트 세트를 순위를 매기는 것으로 구성되며, 강화학습 과정은 모델이 더 높은 순위의 것과 유사한 출력을 선호하도록 장려합니다. Claude는 더 도움이 되는 어시스턴트가 되도록 RLHF를 사용하여 훈련되었습니다. 자세한 내용은 이 주제에 대한 Anthropic의 논문을 읽어보실 수 있습니다.

​
온도

온도는 텍스트 생성 중 모델 예측의 무작위성을 제어하는 매개변수입니다. 높은 온도는 더 창의적이고 다양한 출력을 만들어내며, 표현의 여러 변형과 소설의 경우 답변의 변형도 허용합니다. 낮은 온도는 가장 가능성 높은 표현과 답변에 충실한 더 보수적이고 결정론적인 출력을 만들어냅니다. 온도를 조정하면 사용자가 언어 모델이 가장 가능성 높은 예측만 선택하는 것이 아니라 드물고, 흔하지 않거나, 놀라운 단어 선택과 순서를 탐색하도록 장려할 수 있습니다.

​
TTFT (첫 번째 토큰까지의 시간)

첫 번째 토큰까지의 시간(TTFT)은 언어 모델이 프롬프트를 받은 후 출력의 첫 번째 토큰을 생성하는 데 걸리는 시간을 측정하는 성능 지표입니다. 이는 모델의 반응성을 나타내는 중요한 지표이며, 사용자가 빠른 초기 피드백을 기대하는 상호작용 애플리케이션, 챗봇, 실시간 시스템에 특히 관련이 있습니다. 낮은 TTFT는 모델이 더 빠르게 응답 생성을 시작할 수 있음을 나타내며, 더 원활하고 매력적인 사용자 경험을 제공합니다. TTFT에 영향을 줄 수 있는 요인으로는 모델 크기, 하드웨어 성능, 네트워크 조건, 프롬프트의 복잡성이 있습니다.

​
토큰

토큰은 언어 모델의 가장 작은 개별 단위이며, 단어, 하위 단어, 문자, 또는 바이트(Unicode의 경우)에 해당할 수 있습니다. Claude의 경우, 토큰은 대략 3.5개의 영어 문자를 나타내지만, 정확한 수는 사용되는 언어에 따라 달라질 수 있습니다. 토큰은 일반적으로 “텍스트” 수준에서 언어 모델과 상호작용할 때는 숨겨져 있지만, 언어 모델의 정확한 입력과 출력을 검토할 때 관련이 있습니다. Claude에게 평가할 텍스트가 제공되면, 텍스트(일련의 문자로 구성)는 모델이 처리할 수 있도록 일련의 토큰으로 인코딩됩니다. 더 큰 토큰은 추론과 사전훈련 중 데이터 효율성을 가능하게 하며(가능할 때 활용됩니다), 더 작은 토큰은 모델이 흔하지 않거나 이전에 본 적이 없는 단어를 처리할 수 있게 합니다. 토큰화 방법의 선택은 모델의 성능, 어휘 크기, 어휘에 없는 단어를 처리하는 능력에 영향을 줄 수 있습니다.