AI API라고 하면 카드부터 등록하고 사용량 걱정을 하며 쓰는 것이라고 생각하기 쉽습니다. 그런데 LG AI연구원이 지난 11월 9일 독자 개발한 K-엑사원 2.5의 API를 전면 무료로 열었습니다. 기사만 읽으면 반갑긴 한데, 막상 “그래서 어디서 가입하고, 키는 어떻게 받고, 어떻게 불러 쓰는데?”라는 질문이 남습니다. 이 글은 그 질문에 순서대로 답합니다. 가입부터 키 발급, 터미널과 파이썬으로 첫 호출을 해 보는 것까지 따라 하시면 됩니다. 한 가지 미리 말씀드리면, 공짜라고 해서 아무 데나 써도 되는 건 아닙니다. 용도에 붙은 조건이 있어서 그 부분도 같이 짚겠습니다. 이 글은 2026년 11월 15일 기준입니다.
K-엑사원 2.5는 어떤 모델인가요
먼저 가볍게 정체부터 알고 가겠습니다. K-엑사원 2.5는 LG AI연구원이 8월에 공개한 독자 AI 파운데이션 모델 2차 버전에 추가 학습을 해서 만든 기술 검증 모델입니다. 완전히 새로 만든 모델이라기보다, 3차 모델을 만들기 전에 학습 방법을 다듬어 보고 성능이 얼마나 오르는지 확인하려고 내놓은 중간 단계라고 보시면 됩니다.
사양을 간단히 정리하면 이렇습니다. 글자만 다루는 텍스트 전용 모델이고 한국어와 영어를 지원합니다. 총 7,500억 개 파라미터 규모이지만 필요한 부분만 골라 쓰는 구조라서 실제로 동원되는 건 310억 개 수준이라고 소개됩니다. 한 번에 읽을 수 있는 분량은 최대 524,288 토큰입니다. 토큰은 AI가 글을 세는 단위인데, 한국어 기준으로 아주 대략 책 몇 권 분량을 한꺼번에 넣어 볼 수 있는 크기라고 이해하시면 됩니다. 채팅, 도구 호출, 정해진 형식으로 답하기(구조화 출력), 코드 작성, 실시간 스트리밍 응답을 지원합니다.
LG AI연구원은 이 모델이 8월 공개 모델보다 종합 성능이 70% 이상 올랐다고 밝혔습니다. 다만 이건 24개 평가 지표를 합산한 내부 분석 결과이고, 숫자 하나하나가 70%씩 올랐다는 뜻은 아닙니다. 이 부분은 뒤에서 한 번 더 이야기하겠습니다.
시작하기 전에 알아둘 조건 네 가지
가입 전에 먼저 읽어 두시길 권하는 부분입니다. 공개 직후 직접 키를 받아 확인한 후기들을 종합하면 무료에는 이런 조건이 붙어 있습니다.
첫 번째는 키의 유효 기간입니다. 키는 계정당 하나이고 발급일로부터 30일 동안 쓸 수 있다고 합니다. 30일이 지나면 새로 발급받아서 코드에 바꿔 넣어야 합니다.
두 번째는 사용 한도입니다. 공식 문서에는 하루 호출 횟수 예시가 큰 숫자로 적혀 있는데, 공개 당일 키를 받은 한 후기에서는 응답 헤더에 하루 100회, 분당 60회, 초당 1회로 찍혔다고 합니다. 계정이나 시점에 따라 달라질 수 있으니, 가입하신 뒤 첫 응답의 헤더에 적힌 숫자를 기준으로 삼으세요.
세 번째는 용도입니다. 보도자료는 서비스 개발과 연구에 활용할 수 있다고 적었지만, 약관은 비상업적 이용 권한을 준다고 알려져 있습니다. 두 표현의 결이 다릅니다. 내가 직접 써 보고 공부하는 용도는 안전하지만, 손님이나 직원이 쓰는 서비스에 연결하거나 돈이 되는 일에 쓰려면 먼저 플랫폼에 안내된 문의처로 확인하는 편이 좋습니다.
네 번째는 입력 내용입니다. 요청 내용이 서비스 개선과 오류 진단을 위해 수집될 수 있고, 약관상 입력과 결과물이 모델 학습에 쓰일 수 있다고 알려져 있습니다. 한번 학습에 반영된 내용은 되돌리기 어렵다는 점도 같이 안내돼 있습니다. 그래서 고객 이름, 연락처, 계약 내용, 회사 내부 문서는 넣지 마시고, 연습할 때는 가짜 이름과 숫자로 바꿔서 넣으세요.
1단계, 회원가입하고 로그인하기
이제 본격적으로 시작합니다. 접속 주소는 LG AI연구원이 보도자료에서 안내한 EXAONE API 플랫폼, docs.exaone.ai입니다. 브라우저에서 이 주소로 들어가 회원가입을 하고 로그인하면 됩니다. 가입에 필요한 정보와 인증 방식은 화면 안내를 그대로 따르세요.
[여기에 가입 화면 캡처를 넣어 주세요]
이 사이트는 설명서와 키 발급 화면이 함께 있는 곳이라서, 가입한 뒤에도 문서 메뉴를 한 번 훑어보시길 권합니다. 모델 목록, 요청 방식, 사용 한도 같은 내용이 여기에 정리되어 있습니다. 제가 이 글에서 소개하는 값은 공개 직후 기준이라서 나중에 바뀌었을 수 있으니, 코드를 쓰기 전에 이 문서와 한 번 대조해 보세요.
2단계, API 키 발급받고 안전하게 보관하기
로그인한 뒤 API 키 발급 메뉴에서 키를 만듭니다. API 키는 내 계정으로 AI를 불러 쓸 수 있게 해 주는 긴 비밀번호 같은 문자열입니다. 화면에서 처음 보여 줄 때 복사해 두세요. 한 번 닫으면 전체 값을 다시 못 보는 서비스가 많습니다.

키를 받았다면 가장 먼저 할 일은 코드에 직접 적지 않고 환경 변수에 넣어 두는 것입니다. 코드에 키를 그대로 적으면 깃허브에 올리는 순간 누구나 볼 수 있게 되고, 내 한도를 다른 사람이 써 버릴 수 있습니다. 맥이나 리눅스에서는 터미널에 이렇게 입력합니다.
export EXAONE_API_KEY="발급받은_키"
윈도우에서는 명령 프롬프트에 아래처럼 입력하고, 새 터미널을 열어야 적용됩니다.
setx EXAONE_API_KEY "발급받은_키"
3단계, 터미널에서 첫 호출 해 보기
키를 넣어 뒀으니 이제 AI를 한 번 불러 보겠습니다. 이 API는 OpenAI 호환 방식의 채팅 요청을 쓴다고 알려져 있어서, 요청 주소는 api.exaone.ai의 v1/chat/completions이고 키는 Bearer 토큰으로 보냅니다. 모델 이름은 k-exaone_v2.5입니다. 여기서 주의할 점이 있습니다. 중간이 하이픈이 아니라 밑줄입니다. 이름을 k-exaone-2.5처럼 쓰면 모델을 찾지 못하는 오류가 나기 쉬우니 정확히 옮기세요.
맥이나 리눅스에서는 이렇게 호출합니다.
curl https://api.exaone.ai/v1/chat/completions \
-H "Authorization: Bearer $EXAONE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "k-exaone_v2.5",
"messages": [
{"role": "user", "content": "동네 빵집 휴무 안내를 카톡 공지로 세 문장만 써줘."}
]
}'
성공하면 JSON 형태의 긴 응답이 돌아오고, 그 안의 choices 항목 아래 message의 content에 AI가 쓴 글이 들어 있습니다. 필드 구성은 문서의 예시와 한 번 대조해 보세요. 신규 플랫폼이라 항목이 바뀔 수 있습니다. 윈도우 명령 프롬프트에서는 따옴표 처리가 달라서 오류가 나기 쉬운데, 그럴 때는 바로 다음 단계의 파이썬 방식이 훨씬 편합니다.
4단계, 파이썬으로 호출하기
개발을 하시거나 앞으로 자동화에 쓰실 계획이라면 파이썬이 편합니다. OpenAI 호환 방식이라서 이미 설치해 둔 OpenAI 파이썬 라이브러리에 주소와 키, 모델 이름만 바꿔 끼우면 됩니다. 라이브러리가 없다면 pip install openai로 먼저 설치하세요.
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["EXAONE_API_KEY"],
base_url="https://api.exaone.ai/v1",
)
response = client.chat.completions.create(
model="k-exaone_v2.5",
messages=[
{"role": "user", "content": "동네 빵집 휴무 안내를 카톡 공지로 세 문장만 써줘."}
],
)
print(response.choices[0].message.content)
글이 한꺼번에 나오지 않고 타자 치듯 실시간으로 나오게 하려면 스트리밍을 켭니다. 이 모델은 스트리밍을 지원한다고 소개돼 있습니다.
stream = client.chat.completions.create(
model="k-exaone_v2.5",
messages=[{"role": "user", "content": "AI 모델 API가 뭔지 초등학생에게 설명하듯 알려줘."}],
stream=True,
)
for chunk in stream:
if chunk.choices and chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end="")
5단계, 이 모델이 먼저 생각하고 답한다는 점 이해하기
처음 써 보면 의외로 답이 천천히 나오는 느낌을 받으실 수 있습니다. 문서에 따르면 이 모델은 답하기 전에 먼저 생각하는 추론 과정을 거칩니다. 응답에는 추론에 쓴 토큰 수가 따로 표시되고, 짧은 답이어도 출력의 상당 부분이 이 생각 과정에 쓰입니다. 공개 직후 먼저 써 본 후기에서는 한두 문장짜리 답에서도 소요 시간이 4초 안팎이었고, 출력 토큰의 대부분이 추론에 쓰였다고 합니다. 이 후기는 추론 강도를 낮은 단계로 두고 잰 것이라서, 기본값에서는 더 오래 걸릴 수 있습니다.
추론 강도는 낮음, 높음, 최대의 세 단계가 있고 기본값은 최대라고 알려져 있습니다. 간단한 분류나 짧은 문장 작성에는 낮은 단계가 빠르고, 어려운 문제를 풀게 할 때는 높은 단계가 맞을 겁니다. 이 단계를 요청에 지정하는 필드 이름은 문서의 요청 설명에서 확인해서 넣으세요. [추론 강도 필드 이름은 공식 문서에서 확인한 뒤 이 자리에 적어 주세요]
또 하나 알아 둘 점은 말투입니다. 지시문에 말투를 적지 않으면 같은 모델인데도 어떤 요청에서는 존댓말로, 어떤 요청에서는 반말로 답이 나오기도 합니다. 고객에게 나가는 글이라면 “존댓말로, 친절하게”처럼 지시문에 분명히 적고 결과를 한 번 읽어 보세요.
6단계, 업무에 가깝게 써 보기, 문의를 분류해서 JSON으로 받기
감이 잡혔다면 업무 자동화의 기본 재료를 하나 만들어 보겠습니다. 문의를 종류별로 나누고, 그 결과를 프로그램이 읽기 쉬운 JSON 형식으로 받는 일입니다. 이 모델은 정해진 형식으로 답하는 구조화 출력을 지원한다고 소개됩니다. 지시문은 이런 식으로 쓰면 됩니다.
아래 고객 문의를 '배송', '환불', '기타' 중 하나로 분류하고,
결과를 {"문의번호": 숫자, "분류": "문자열"} 형태의 JSON 배열로만 출력해.
설명은 쓰지 마.
1. 주문한 지 일주일인데 아직도 안 와요.
2. 사이즈가 안 맞아서 돈 돌려받고 싶어요.
3. 영업시간이 어떻게 되나요?
연습용으로는 이렇게 직접 만든 가짜 문장을 쓰세요. 앞에서 말씀드린 대로 실제 고객 자료는 넣지 않는 것이 안전합니다. 답이 JSON 외의 글을 섞어 내보내면 지시문에 “JSON 외 다른 글자는 출력하지 마”를 한 줄 더 넣어 보시고, 그래도 흐트러지면 문서에서 구조화 출력 옵션을 확인하세요.
오류가 날 때 먼저 확인할 것
처음 하면 한두 번은 막힙니다. 자주 만나는 경우를 정리하겠습니다. 인증 오류가 나면 키를 잘못 복사했거나, 환경 변수가 새 터미널에 적용되지 않았거나, 30일이 지나 키가 만료됐을 가능성이 큽니다. 키 앞뒤에 공백이 붙지는 않았는지도 확인하세요. 요청이 너무 많다는 오류가 나면 분당이나 하루 한도에 걸린 것이니 잠시 쉬었다 호출하거나, 앞서 말씀드린 응답 헤더의 한도를 확인하세요. 모델을 찾을 수 없다는 오류는 대부분 모델 이름에서 납니다. 하이픈과 밑줄을 다시 확인하세요. 키가 갑자기 먹히지 않는데 오랫동안 접속하지 않았다면, 약관에 장기간 미접속 시 비활성화될 수 있다는 조항이 있다고 알려져 있으니 로그인해서 상태를 확인해 보세요.
이런 곳에는 쓰지 마세요
조건 부분에서 말씀드린 내용을 실전 기준으로 다시 정리하겠습니다. 개인 실험, 한국어 문장 품질 시험, 분류나 요약 같은 업무 자동화 연습에는 잘 맞습니다. 같은 지시문을 여러 AI에 넣고 말투와 정확도를 비교해 보는 용도로도 좋습니다.
반대로 고객 정보나 사내 문서를 넣는 일, 손님이 쓰는 챗봇이나 판매 서비스 뒤에 연결하는 일, 수익이 나는 업무에 쓰는 일은 서면 확인을 받기 전에는 하지 않는 편이 안전합니다. 약관 해석이 애매하면 플랫폼의 약관과 FAQ에 안내된 문의처로 물어보고 답변을 받아 두세요. 이 글은 법률 자문이 아니라 공개된 안내를 정리한 것입니다.
벤치마크 점수는 이렇게 읽으세요
LG AI연구원은 AI가 스스로 계획하고 도구를 써서 업무를 해내는 능력을 재는 네 가지 지표를 공개했습니다. 중국의 딥시크 V4.1 Flash와 GLM 5.3(max)이 비교 대상입니다. 업무 자동화 능력을 보는 오토메이션 벤치는 74.6점으로 딥시크 74.9, GLM 71.6과 견줍니다. 업무 문제 해결을 보는 클로 이밸은 77.3점으로 딥시크 75.8, GLM 77.6입니다. 웹 탐색 능력을 보는 브라우즈컴프는 78.0점으로 딥시크 75.8, GLM 79.0이고, 코드 수정 능력을 보는 SWE-Bench Pro는 59.2점으로 딥시크 58.4, GLM 64.0입니다.
표를 칸마다 보면 앞선 칸도 있고 뒤진 칸도 있어서, 누가 낫다고 한 줄로 요약하기 어렵습니다. 더 중요한 점은 이 수치가 오픈 데이터셋을 이용해 LG AI연구원이 스스로 잰 값이고 제3자가 검증한 결과는 아니라는 것입니다. 그래서 참고용으로만 보시고, 내 일에 맞는지는 내가 쓰는 문장 몇 개로 직접 돌려 보며 판단하세요. 앞서 시도해 본 분들의 후기가 도움이 되는 것도 그래서입니다.
마무리, 공짜지만 용도는 정확히 알고 쓰세요
정리하겠습니다. LG AI연구원은 11월 9일 K-엑사원 2.5 API를 전면 무료로 열었고, 8주 만에 종합 성능을 70% 이상 끌어올렸다고 밝혔습니다. 에이전틱 AI 지표에서는 딥시크와 GLM 같은 글로벌 모델과 겨룰 만한 결과를 냈다고 하지만, 이 수치는 모두 자체 측정이고 70%도 24개 지표의 종합 분석입니다. LG AI연구원은 이번 모델을 3차 모델로 가는 중간 검증 단계로 보고 있고, 내년 1월까지 프런티어급 성능의 엑사원 모델을 완성하는 것이 목표라고 했습니다.
사용하는 입장에서 기억하실 것은 세 가지입니다. docs.exaone.ai에서 가입해 키를 받으면 비용 없이 써 볼 수 있다는 것, 모델 이름은 밑줄이 들어간 k-exaone_v2.5라는 것, 그리고 무료에는 비상업적 이용, 30일 키, 한도, 입력 내용의 수집과 학습 이용이라는 조건이 붙어 있다는 것입니다. 개인 실험과 연습에는 부담 없이 쓰시고, 고객 자료나 서비스 연동은 확인한 뒤에 시작하세요.
오늘 해 보실 일은 하나면 충분합니다. 가짜 문의 문장 세 개를 만들어서 K-엑사원 2.5와 평소 쓰던 AI에 같은 지시문으로 넣고, 분류 결과와 말투가 어떻게 다른지 나란히 비교해 보세요. 그 한 번이 기사 속 점수보다 내 일에 맞는 모델을 고르는 훨씬 믿을 만한 기준이 됩니다.