쓸모 쓸모연구소 · 실전 노트
제 825 호이번 주 새 글 49 편2026 · 11 · 14
챗GPT·제미나이⁠·AI 소식
JEV · 라야

Laya Jev 비교, 한국어 정확도 차이와 Laya 설치 방법

Laya와 Jev 비교 결과가 궁금한 사람을 위해 두 결정 모델의 차이, 한 개발자가 맥북에서 잰 속도와 한국어⁠·영어 정확도, Laya를 내 컴퓨터에 설치하는 방법을 정리했습니다. 무료로 내 컴퓨터에서 도는 Laya는 영어 질문과 속도에서 쓸 만했고, 한국어 문장 판단은 따로 학습시키지 않으면 Jev보다 많이 틀렸습니다. 아래 비교 수치는 한 사람의 맥북과 한 가지 데이터에서 나온 시험이라 일반적인 성능 결론은 아닙니다.

Laya Jev 비교, 한국어 정확도 차이와 Laya 설치 방법 삽화
삽화 · 쓸모연구소

Laya는 어떤 AI이고 Jev와 무엇이 다른가

Laya(라야)와 Jev(제브)는 같은 부류의 결정 모델입니다. 글을 써 주는 대신 질문과 선택지를 주면 선택지마다 확률을 매겨 답합니다. 차이는 쓰는 방식입니다.

Jev Laya
만든 곳 TypeSafe AI Convai Innovations
쓰는 방식 돈을 내고 서버 API로 요청 오픈소스를 내려받아 내 컴퓨터에서 실행
비용 입력 100만 토큰당 0.042달러, 출력 무료 무료(라이선스 Apache-2.0, 전기료와 컴퓨터는 별도)
한국어 제목 150개 시험 높은 정확도 학습 없이는 낮은 정확도(다국어판은 100개 이상 언어 지원)
입력 한도 요청 전체 64k 토큰 영어판 512 토큰, 다국어판 기본 1,024 토큰(늘릴 수 있음)

Laya 저장소에는 체크포인트(학습이 끝난 모델 파일)가 세 가지 있습니다. 영어판(약 4억 2천만 파라미터), 100개 이상 언어를 읽는 다국어판(약 3억 2천만), 업무별 결정에 맞춰 조정한 typed-decisions판(약 4억 2천만)입니다. 모두 GPU 없이도 돌릴 수 있는 크기입니다. 파라미터는 모델 크기를 말하는 단위입니다.

Laya 문서는 이 모델을 설치해서 바로 쓰는 결정 엔진이 아니라 자기 데이터로 학습시켜 쓰는 빠른 바탕 모델로 봐 달라고 적고 있습니다.

속도 비교: 맥북에서 Laya 0.009초, Jev 0.28초

Laya 공식 저장소가 밝히는 속도는 T4 GPU 한 장에서 질문 하나에 약 33~40밀리초이고, 질문 10개를 묶어 보내면 72~159밀리초입니다. 맥북 비교 결과는 이렇습니다. M2 Max 맥북 프로에서 같은 질문 하나를 보냈을 때 걸린 시간입니다.

  • Laya 기본 설치판: 0.04초
  • Laya MLX(애플 칩 전용으로 옮긴 판): 0.009초
  • Jev: 0.28초

Laya MLX가 Jev보다 30배쯤 빠릅니다. Jev는 요청마다 인터넷으로 서버에 다녀오는 시간이 포함된 값이라, 게임처럼 초당 수십 번 판단해야 하는 일에서는 내 컴퓨터에서 도는 쪽이 구조적으로 유리합니다. SNS에서는 Laya가 Jev보다 50배 빠르다는 글이 널리 퍼졌지만 조건이 다른 값이므로, 위의 30배는 이 시험에서 나온 값으로만 읽습니다. 더 새로운 맥에서는 값이 달라질 수 있습니다.

MLX판은 Laya 개발사의 공식 제품이 아니라 애플 칩용으로 옮긴 별도 프로젝트(laya-mlx)입니다.

정확도 비교: 한국어 유튜브 150개 시험

Jev로 유튜브 영상 2,500개를 분류해 본 적이 있는 개발자가, 그 일을 무료인 Laya로 바꿀 수 있을지 확인하려고 한국어 영상 150개에 정답을 달아 두 모델에 같은 질문을 했습니다. 제목과 채널 이름만 주고 물었고, 제목만으로 애매한 영상은 채점에서 뺐습니다.

한국어 결과

  • 취업⁠·커리어 영상인가: 채점한 영상 중 취업 영상은 18개였습니다. Jev는 18개를 모두 찾았고 Laya는 3개만 찾았습니다. Laya는 "개발자 채용은 당분간 더 늘 수밖에 없습니다"라는 제목도 취업 영상이 아니라고 답했습니다.
  • AI·개발 영상인가: 105개 중 Jev는 100개, Laya는 62개를 맞혔습니다.
  • 조건을 바꿔도 비슷했습니다. 모델과 질문 방식을 바꿔 12가지 조합으로 다시 시험했지만 Laya의 최고점은 105개 중 69개였습니다. 질문을 한국어로 쓰면 더 나빠져서, 150개 중 149개에 "예"라고 답했습니다.

영어 결과

같은 시험을 영어 영상 150개로 하자 달라졌습니다.

  • 취업 질문: Laya가 140개 중 138개를 맞혀 Jev와 점수가 같았습니다. 취업 영상 8개 중 6개를 찾았습니다.
  • AI 질문: 106개 중 68개로, 영어에서도 쉬운 질문보다 어려웠습니다.

설명서 예제로 확인

Laya 설명서에는 고객 문의가 해지 의사인지 묻는 예제가 있습니다. 문의 8개를 영어로 넣었을 때 Laya는 7개를 맞혔습니다. 같은 문의를 한국어로 바꿔 넣자 해지 의사가 있는 문의 4개를 모두 놓쳤습니다. Jev는 영어와 한국어 모두 8개를 다 맞혔습니다.

요컨대 Laya는 쉬운 질문이면 영어에서 Jev만큼 맞히고, 한국어에서는 쉬운 질문도 놓쳤습니다.

왜 한국어에서 차이가 나는가

Laya 저장소가 적은 한계가 이 결과와 맞아떨어집니다.

  • 영어판은 라틴 문자가 아닌 글자에 약합니다. 한국어를 읽으려면 다국어판을 써야 하고, 다국어판도 영어보다는 낮은 정확도를 보입니다.
  • Laya 개발사가 잰 typed-decisions 시험에서 기본 영어판은 학습 전 36%였고, 그 문제로 학습시키면 77%까지 올랐습니다. 같은 시험에서 Jev는 73%였습니다. 학습시키면 Jev를 넘을 수 있다는 뜻입니다. 한국어에 같은 효과가 있을지는 내 데이터로 확인해야 합니다. 맥에서 27분 학습시킨 결과는 오픈소스 결정 모델 라야 글에 있습니다.
  • 확신도를 그대로 믿으면 안 됩니다. Laya의 확신도 값은 Jev와 계산 방식이 달라 기준선이 그대로 옮겨지지 않고, 자동 처리 기준으로 쓰기 전에 보정이 필요합니다.
  • 뱀 게임처럼 코드가 방향마다 영어 설명을 붙여 주는 과제는 Laya가 잘 합니다. 한국어 제목의 뜻을 스스로 읽어 내야 하는 과제는 훨씬 어렵습니다.

비용: Jev는 150건에 4원쯤

Jev로 영상 150개를 판단하는 데 약 0.003달러, 우리 돈으로 4원 안팎이 들었습니다. Laya는 무료지만 이 정도 양이면 차이가 4원입니다. 비용 때문에 Laya를 고를 이유는 크지 않고, 내 컴퓨터에서 돌려야 하는 사정이 있을 때 의미가 큽니다.

어느 쪽을 고를까

  • 한국어 글을 판단하고 정확도가 중요하다: 지금은 Jev가 낫습니다. 비용도 부담이 안 됩니다.
  • 초당 수십 번 판단해야 한다(게임, 로봇): Laya가 유리합니다. 개발자 시연에서 Laya는 뱀 게임을 인터넷 없이 맥북 안에서, 메모리 1GB쯤으로 돌렸습니다.
  • 인터넷을 못 쓰거나 자료를 밖으로 보내면 안 된다: Laya입니다.
  • 영어 자료의 쉬운 분류를 무료로 대량 처리한다: Laya를 시험해 볼 만합니다.
  • 한국어 자료에 Laya를 쓰려면 내 데이터로 학습시키는 과정을 거칩니다.

어느 쪽이든 먼저 내 데이터 수십 개에 정답을 달아 두 모델에 똑같이 물어보는 시험부터 합니다.

Laya 설치 방법

2026년 11월 기준이고, 명령은 Laya 공식 저장소 README를 따랐습니다.

설치 전 확인

  • 파이썬 3.10 이상이 필요합니다. 터미널에서 python3 --version으로 확인합니다.
  • 계정 가입이나 API 키는 필요 없습니다. 처음 실행하면 모델 파일을 내려받으며, 저장소 안내 기준 체크포인트 세 가지를 모두 받으면 약 2.3GB입니다.
  • 인텔 맥은 저장소가 안내하는 라이브러리 버전 고정이 필요합니다. 애플 칩 맥과 엔비디아 GPU 환경은 필요 없다고 안내합니다.

설치와 첫 실행

  1. 작업할 폴더를 만들고 터미널에서 가상 환경을 만듭니다.
    • 확인: 폴더 안에 .venv 폴더가 생깁니다.
명령어
mkdir laya-test
cd laya-test
python3 -m venv .venv
source .venv/bin/activate
  1. Laya를 설치합니다.
    • 확인: 마지막 줄에 Successfully installed가 나옵니다.
명령어
python -m pip install -U laya
  1. test_laya.py 파일을 만들어 아래 코드를 저장합니다. 환불을 요청하는 문장인지 묻는 예제입니다.
프롬프트
from laya import Router

router = Router()
result = router.predict(
    {"body": "We were billed twice. Please refund the duplicate."},
    {"billing": {"type": "noul", "instructions": "Does the user request a refund?"}},
)
print(result["answers"]["billing"]["noul"])
print(result["routing"]["model"])
  1. 실행합니다. 처음에는 모델 파일을 내려받느라 시간이 걸립니다.
    • 확인: 0~1 사이의 숫자(환불 요청일 확률)와 쓰인 체크포인트 이름이 출력됩니다. 숫자가 1에 가까우면 환불 요청으로 본 것입니다.
명령어
python test_laya.py

클로드 코드에 맡겨 설치하기

명령을 직접 치기 싫으면 Claude Code에 설치를 맡길 수 있습니다. Claude Code가 폴더와 파이썬 버전을 확인하고 가상 환경을 만들어 설치해 줍니다. 요청문은 이런 식입니다.

프롬프트
Laya를 내 컴퓨터에 맞게 설치해 줘. 가상 환경을 만들어 그 안에 설치하고, 설치가 끝나면 예제 문장으로 한 번 실행해서 결과를 보여 줘.

Claude Code에서 쓰는 MCP 서버는 laya[mcp] 추가 설치로 제공됩니다. 등록 명령은 저장소 README의 안내를 따릅니다. 등록 뒤에는 claude mcp list로 상태를 확인합니다. 이후 작업을 맡길 때 아래 한 문장을 덧붙이면 Claude Code가 작업 중에 Laya에 물어봅니다.

프롬프트
판단이 필요할 때는 Laya를 써 달라.

애플 칩 맥에서 더 빠른 속도가 필요하면 별도 프로젝트인 laya-mlx를 쓸 수 있습니다. 공식 Laya가 아니므로 해당 저장소의 README와 요구 사양(애플 칩, 최신 macOS)을 확인하고 설치합니다.

지우기

가상 환경을 켠 상태에서 pip uninstall laya를 실행하고 작업 폴더를 지웁니다. 내려받은 모델 파일은 허깅페이스 캐시 폴더(보통 홈 폴더의 .cache/huggingface)에 남아 있으니, 용량이 필요하면 거기서 지웁니다.

막힐 때

  • 설치 오류가 나면 파이썬이 3.10 이상인지 먼저 봅니다.
  • 한국어 판단이 자꾸 틀리면 다국어판이 쓰이는지 routing 결과를 확인하고, 그래도 부족하면 내 데이터로 학습시킵니다. 질문(instructions)을 영어로 쓰고 판단할 글만 한국어로 넣는 편이 한 시험에서는 더 나았습니다.
  • 긴 글이 잘리면 입력 길이 설정(max_len)을 늘립니다. 다국어판은 기본 1,024 토큰입니다.

자주 묻는 질문

Laya가 Jev를 대신할 수 있나요?

영어의 쉬운 분류에서는 가능하지만 한국어 문장 판단에서는 어렵습니다. 한 시험에서 한국어 취업 영상 18개 중 Jev는 18개, Laya는 3개를 찾았습니다. 한국어에 쓰려면 내 데이터로 학습시켜야 합니다.

Laya는 정말 무료인가요?

라이선스는 Apache-2.0이라 내려받아 쓰는 데 요금이 없습니다. 대신 내 컴퓨터의 전기료와 하드웨어가 들고, 모델 파일 용량이 필요합니다.

Laya가 Jev보다 50배 빠르다는 말은 사실인가요?

조건에 따라 다릅니다. 맥북 시험에서는 Laya MLX가 Jev보다 30배쯤 빨랐습니다. Jev 값에는 서버 왕복 시간이 포함돼 있어서, 같은 컴퓨터 안에서 도는 Laya가 속도에서 유리한 것은 사실입니다.

한국어에서 Laya 정확도를 높이려면 어떻게 하나요?

다국어판을 쓰고 내 업무 데이터로 학습시키는 방법이 저장소가 안내하는 방향입니다. 학습 전후와 확신도 보정은 오픈소스 결정 모델 라야 글에서 숫자로 확인할 수 있습니다.

이 글의 본문은 아래 원본 유튜브 영상의 내용을 바탕으로 쓸모연구소가 다시 정리해 쓴 것입니다. 세부 내용과 최신 정보는 원본 영상과 공식 안내에서 확인해 주세요.

원본 영상 보러가기 ↗