머신러닝과 AI에서 파라미터(parameters)는 학습된 모델의 동작을 정의하는 내부 수치 값(가중치와 편향)을 의미합니다. 이는 모델이 '아는 것'의 핵심으로, 학습 과정의 산물이며, 방대한 양의 학습 데이터에 노출되면서 모델이 발견한 입력과 출력 사이의 통계적 관계를 부호화한 결과입니다. 신경망이 입력을 처리할 때마다 네트워크 구조 안에서 이 파라미터를 사용해 입력 값을 곱하고 더하고 변환하여, 해당 유형의 입력과 연관되도록 학습된 내용을 반영하는 출력을 생성합니다. 학습 이전의 파라미터는 작은 무작위 값으로 초기화되며, 학습 과정에서는 모델의 출력과 정답 출력 간의 차이를 최소화하도록 최적화를 통해 반복적으로 조정됩니다. 학습이 끝나면 파라미터는 고정되며, 사용자가 생성 도구를 통해 상호작용하는 저장된 모델, 즉 파일 또는 시스템을 구성합니다.

모델의 파라미터 수는 그 규모와 성능을 가늠하는 지표로 자주 인용됩니다. 최신 대규모 언어 모델과 이미지 생성 모델은 수십억 개 이상의 파라미터를 보유하고 있으며(예: GPT-3는 1,750억 개, 더 큰 모델은 1조 개를 넘어서기도 합니다), 이는 자연어, 이미지, 영상의 복잡성을 고품질로 모델링하기 위해 필요한 표현 능력의 규모를 반영합니다. 다만 파라미터 수 자체가 품질이나 성능을 온전히 보여주는 지표는 아닙니다. 아키텍처 설계, 학습 데이터의 품질, 학습 방법론, 그리고 특정 과제 도메인 모두가 일정한 파라미터 수로 달성 가능한 성능에 큰 영향을 미칩니다. 고품질의 도메인 특화 데이터로 학습한 작은 모델이 해당 도메인의 특정 과제에서 훨씬 더 큰 범용 모델을 능가할 수도 있습니다. 파라미터 활용 효율(파라미터 하나가 기여하는 성능의 크기)은 AI 연구의 활발한 영역이며, 희소 모델(sparse model)이나 전문가 혼합(mixture-of-experts) 같은 아키텍처 혁신을 통해 개별 추론에 사용되는 파라미터 수를 비례적으로 늘리지 않고도 더 큰 실효 표현 능력을 확보할 수 있도록 발전해 왔습니다.

AI 생성 도구의 맥락에서 '파라미터'라는 용어는 일상적인 사용에서 좀 더 직관적인 두 번째 의미를 갖기도 합니다. 생성 플랫폼의 인터페이스를 통해 노출되는 사용자 조정 설정과 컨트롤(CFG 스케일, 스텝 수, 시드, 노이즈 레벨, 샘플러 등)을 흔히 '생성 파라미터' 또는 '프롬프트 파라미터'라고 부르는 경우입니다. 이러한 용법은 학습 후 고정되어 사용자가 직접 접근할 수 없는 모델 파라미터와 기술적으로는 다른 개념이지만, 두 의미 모두 출력에 영향을 미치는 수치 값을 가리킨다는 공통점이 있습니다. 모델 파라미터는 모델이 무엇을 할 수 있는지를 결정하고, 생성 파라미터는 그 능력이 특정 생성 과제에 어떻게 적용되는지를 결정합니다. 두 가지 용법과 그 관계를 이해하는 것은 AI 생성 시스템을 효과적으로 다루기 위한 기본기입니다.