IberBench: LLM Evaluation on Iberian Languages

개발자라면 누구나 한 번쯤은 상상해 봤을 겁니다.
"왜 영어가 아닌 다양한 언어, 특히 이베리아 반도와 라틴 아메리카에서 쓰이는 언어들(스페인어, 포르투갈어, 카탈루냐어, 바스크어, 갈리시아어 등)에 대해 LLM(대형 언어 모델)의 성능을 제대로 평가할 수 있는 벤치마크는 없을까?"
 

IberBench는 바로 그 상상을 연구 수준에서 현실로 끌어내린 프로젝트입니다. 기존의 LLM 벤치마크들이 대부분 영어 중심, 기본 언어 능력 평가, 고정된(변하지 않는) 데이터셋에 초점을 맞춘 것과는 달리, IberBench는 이베리아어권의 언어 다양성과 실제 산업에서 중요한 태스크까지 포괄적으로, 그리고 지속적으로 확장 가능한 평가 환경을 지향합니다.

이 논문이 흥미로운 이유는 단순히 "여러 언어로도 LLM을 평가할 수 있다" 수준을 넘어서, 101개의 데이터셋과 22가지 태스크를 아우르는 대규모 벤치마크 안에서 사용자의 실제 산업적 요구와 언어적 다양성에 반응할 수 있도록 설계되었다는 점입니다. 예를 들어, 감정 분석, 독성(유해성) 탐지, 요약 등 실제 서비스에서 바로 활용할 수 있는 태스크까지 포함되어 있죠. 이제 진짜로 'LLM 평가의 다문화 시대'가 열린 셈입니다.

✅ 어떻게 작동하나요? – IberBench의 핵심 아이디어

IberBench가 도입한 가장 눈에 띄는 개념은 바로 "지속적 확장형, 다언어·다태스크 LLM 평가 벤치마크"입니다. 즉, 단순히 한 번 정해진 데이터셋으로 끝나는 것이 아니라, 커뮤니티가 새로운 데이터와 모델을 계속해서 제출하고, 전문가 위원회가 이를 검증·관리하는 방식으로 운영됩니다.
 

이러한 유연성과 확장성은 실제로 오픈소스 평가 파이프라인 및 공개 리더보드로 구현되며, 이를 통해 언제든 최신 태스크와 언어, 모델을 반영할 수 있다는 점이 IberBench의 강점입니다.

이 벤치마크는 총 4단계의 평가 파이프라인을 거쳐 만들어졌습니다:

• 데이터셋 수집 및 통합 – 이베리아어권 및 이베로아메리카 지역에서 실제로 사용되는 101개 데이터셋을 수집하고, 22개 태스크 유형으로 분류합니다.
• 데이터 정규화 및 호스팅 – 다양한 소스의 데이터셋을 일관된 포맷으로 정제하고, 오픈소스 형태로 공개합니다.
• 모델 평가 자동화 – LLM이 각 태스크별로 자동으로 평가될 수 있도록 파이프라인을 구축합니다.
• 리더보드 및 커뮤니티 운영 – 누구나 모델과 데이터셋을 제출할 수 있고, 전문가 위원회가 이를 검증하여 리더보드에 반영합니다.

✅ 주요 기술적 특징과 혁신점

IberBench의 핵심 기술적 특징은 크게 세 가지 측면에서 살펴볼 수 있습니다.

1. 다언어·다방언 지원
이는 스페인어, 포르투갈어, 카탈루냐어, 바스크어, 갈리시아어 등 이베리아 반도의 주요 언어뿐만 아니라, 멕시코, 우루과이, 페루, 쿠바, 코스타리카 등 다양한 지역 방언까지 포괄합니다. 기존의 영어 중심 벤치마크와 달리, 언어적 다양성을 적극적으로 반영하여 실제 글로벌 서비스에 더 가까운 평가가 가능합니다. 특히 데이터셋 통합 및 언어별 세부 평가를 통해 언어별 LLM 성능 차이를 명확히 보여줍니다.

2. 산업적 실용성 중심 태스크
두 번째 특징의 핵심은 감정·감성 분석, 독성 탐지, 요약, 의도 분류 등 실제 산업에서 바로 활용되는 태스크를 대거 포함했다는 점입니다. 이를 위해 최근 10년간의 주요 평가 캠페인(예: IberLEF, IberEval, TASS, PAN 등)에서 실제로 사용된 데이터셋을 적극적으로 도입했습니다. 실제 서비스 적용 가능성을 높이고, LLM의 실질적 한계와 강점을 드러낼 수 있습니다.

3. 오픈소스·커뮤니티 기반 지속적 확장
마지막으로 주목할 만한 점은 오픈소스 파이프라인과 공개 리더보드, 그리고 커뮤니티 주도형 확장 구조입니다. 누구나 모델이나 데이터셋을 제출할 수 있고, 전문가 위원회가 이를 검증·관리함으로써 벤치마크가 정체되지 않고 계속 진화할 수 있습니다. 이는 특히 빠르게 변화하는 LLM 생태계에서 최신 기술을 즉시 반영할 수 있는 장점을 제공합니다.

✅ 실험 결과와 성능 분석

IberBench의 성능은 다음과 같은 실험을 통해 검증되었습니다.

1. 기본 언어 능력 평가
기본적인 언어 이해, 질의응답, 텍스트 분류 등에서 LLM들은 대체로 높은 성능을 보였습니다. 예를 들어, 스페인어와 포르투갈어의 경우, 최신 LLM들이 기존 전통적 시스템과 비슷하거나 약간 낮은 수준의 점수를 기록했습니다.

2. 산업적 태스크(감정 분석, 독성 탐지 등)에서의 결과
실제 산업에서 중요한 태스크(감정 분석, 독성 탐지 등)에서는 LLM의 성능이 기본 언어 태스크에 비해 다소 낮게 나타났습니다. 특히 갈리시아어, 바스크어 등 저자원 언어에서는 랜덤 수준에 가까운 결과도 일부 확인되었습니다. 이는 기존 영어 중심 LLM의 한계를 잘 보여줍니다.

3. 실제 응용 시나리오(다양한 방언, 지역별 태스크)에서의 평가
멕시코, 페루, 쿠바 등 다양한 스페인어 방언에 대한 테스트에서는, 일부 태스크에서 LLM이 기존 공유태스크 시스템보다 낮은 성능을 보였으나, 다른 태스크에서는 랜덤보다 확실히 우수한 결과를 보였습니다. 실용적 관점에서는 언어별, 태스크별로 LLM 선택이 매우 중요함을 시사합니다.

이러한 실험 결과들은 IberBench가 LLM의 다언어·다태스크 성능 한계와 강점을 효과적으로 진단할 수 있음을 보여줍니다. 특히 저자원 언어 및 산업적 태스크에서의 성능 저하는 향후 LLM 발전 방향에 중요한 시사점을 제공합니다.

✅ 성능은 어떨까요?

IberBench는 HuggingFace IberBench Leaderboard와 공식 오픈소스 평가 파이프라인이라는 첨단 벤치마크에서 각각 최신 LLM(예: GPT-4, Llama2-70B 등)이 평균 60~80점대의 점수를 기록했습니다. 이는 기존 공유태스크 우승 시스템 수준에 근접하거나 일부 태스크에서는 약간 낮은 성능입니다.

실제로 실제 서비스 시나리오, 특히 감정 분석·독성 탐지·요약 등에서 꽤 자연스러운 반응을 보입니다.
물론 아직 "저자원 언어 및 산업적 태스크" 영역에서는 약간의 미흡함이 존재하긴 하지만, 현재 수준만으로도 다양한 서비스에 활용 가능성이 큽니다.

✅ 어디에 쓸 수 있을까요?

IberBench는 단지 새로운 모델이 아니라, "LLM 평가의 다언어·산업 실용성 중심 전환"이라는 흥미로운 방향성을 제시합니다.
앞으로는 더 많은 언어 다양성 확대, 예를 들면 남미의 다양한 스페인어 방언, 새로운 산업 태스크(예: 사용자 프로파일링, 의도 탐지 등)까지 인식하게 될 가능성이 큽니다.

• 다국어 서비스 품질 평가: 글로벌 챗봇, 고객센터, 소셜미디어 분석 등에서 다양한 언어·방언에 대한 LLM 성능을 객관적으로 비교·선택할 수 있습니다.
• 산업용 AI 솔루션 개발: 감정 분석, 독성 탐지, 요약 등 실제 서비스에 바로 적용할 수 있는 LLM을 선택·최적화할 때 활용할 수 있습니다.
• 저자원 언어 연구 및 데이터셋 구축: 갈리시아어, 바스크어 등 저자원 언어의 LLM 성능을 진단하고, 추가 데이터셋 구축이나 모델 개선 연구에 활용할 수 있습니다.

이러한 미래가 IberBench로 인해 조금 더 가까워졌습니다.

✅ 개발자가 지금 할 수 있는 일은?

IberBench에 입문하려면, 기본적인 파이썬 기반 데이터 처리와 HuggingFace 라이브러리 활용에 대한 이해가 필요합니다.
다행히도 공식 HuggingFace 스페이스에 예제 코드와 리더보드가 잘 정리되어 있어, 실제 데이터셋 다운로드 및 벤치마크 실행 과정을 쉽게 따라할 수 있습니다.

실무에 적용하고 싶다면?
필요한 데이터셋(IberBench에서 제공)과 리더보드 평가 파이프라인을 확보하고, 다양한 언어·태스크별 테스트 영역을 테스트하면서 모델을 비교·선택하는 것이 핵심입니다. 또한, 실제 서비스 적용 전에는 도메인 적합성 검증 및 추가 데이터 수집도 병행되어야 합니다.

✅ 마치며

IberBench는 단순한 기술적 진보를 넘어, LLM 평가의 다언어·산업 실용성 중심 패러다임 전환을 향한 중요한 이정표입니다. 이 기술이 제시하는 가능성은 글로벌 AI 서비스와 언어 기술 생태계의 미래를 재정의할 잠재력을 가지고 있습니다.

우리는 지금 AI 언어 평가의 중요한 변곡점에 서 있으며, IberBench는 그 여정의 핵심 동력이 될 것입니다. 당신이 이 혁신적인 기술을 활용하여 미래를 선도하는 개발자가 되어보는 건 어떨까요?

▶ 논문 원문 보러가기

✅ 같이 보면 좋은 참고 자료들

Token-Shuffle: Towards High-Resolution Image Generation with Autoregressive Models
- 논문 설명: 자기회귀(AR) 모델은 언어 생성에서 오랫동안 지배적이었으나, 최근 이미지 합성에도 점점 더 많이 적용되고 있지만, 확산 기반 모델에 비해 경쟁력이 떨어지는 것으로 간주되는 경우가 많습니다.
- 저자: Xu Ma, Peize Sun, Haoyu Ma, Hao Tang, Chih-Yao Ma, Jialiang Wang, Kunpeng Li, Xiaoliang Dai, Yujun Shi, Xuan Ju, Yushi Hu, Artsiom Sanakoyeu, Felix Juefei-Xu, Ji Hou, Junjiao Tian, Tao Xu, Tingbo Hou, Yen-Cheng Liu, Zecheng He, Zijian He, Matt Feiszli, Peizhao Zhang, Peter Vajda, Sam Tsai, Yun Fu
- 발행일: 2025-04-24
- PDF: 링크

The Fourth Monocular Depth Estimation Challenge
- 논문 설명: 이 논문은 제4회 단안 깊이 추정 챌린지(MDEC)의 결과를 제시하며, 이는 자연 및 실내 환경에서 도전적인 환경을 특징으로 하는 SYNS-Patches 벤치마크에 대한 제로샷 일반화에 중점을 두고 있습니다.
- 저자: Anton Obukhov, Matteo Poggi, Fabio Tosi, Ripudaman Singh Arora, Jaime Spencer, Chris Russell, Simon Hadfield, Richard Bowden, Shuaihang Wang, Zhenxin Ma, Weijie Chen, Baobei Xu, Fengyu Sun, Di Xie, Jiang Zhu, Mykola Lavreniuk, Haining Guan, Qun Wu, Yupei Zeng, Chao Lu, Huanran Wang, Guangyuan Zhou, Haotian Zhang, Jianxiong Wang, Qiang Rao, Chunjie Wang, Xiao Liu, Zhiqiang Lou, Hualie Jiang, Yihao Chen, Rui Xu, Minglang Tan, Zihan Qin, Yifan Mao, Jiayang Liu, Jialei Xu, Yifan Yang, Wenbo Zhao, Junjun Jiang, Xianming Liu, Mingshuai Zhao, Anlong Ming, Wu Chen, Feng Xue, Mengying Yu, Shida Gao, Xiangfeng Wang, Gbenga Omotara, Ramy Farag, Jacket Demby, Seyed Mohamad Ali Tousi, Guilherme N DeSouza, Tuan-Anh Yang, Minh-Quang Nguyen, Thien-Phuc Tran, Albert Luginov, Muhammad Shahzad
- 발행일: 2025-04-24
- PDF: 링크

Silenzio: Secure Non-Interactive Outsourced MLP Training
- 논문 설명: 클라우드 제공업체에 ML 훈련을 아웃소싱하는 것은 자원이 제한된 클라이언트에게 매력적인 기회를 제공하지만, 동시에 특히 매우 민감한 훈련 데이터에 대해 고유한 개인정보 보호 위험을 동반합니다.
- 저자: Jonas Sander, Thomas Eisenbarth
- 발행일: 2025-04-24
- PDF: 링크