HyperCLOVA X THINK 다양한 활용 방법

HyperCLOVA X THINK

 

2025년 7월 29일, 네이버클라우드에서 새로운 추론형 AI 모델 HyperCLOVA X THINK(하이퍼클로바X 씽크)를 일반 유저들도 사용할 수 있도록 클로바 스튜디오에 오픈하였습니다. HyperCLOVA X THINK는 OpenAI의 o3, DeepSeek의 DeepSeek R1, Anthropic의 Claude 3.7 Sonnet에 이어 출시된 국내 추론 모델인데요.

 

추론 모델의 핵심 특징은 단순히 답을 출력하는 데 그치지 않고 스스로 생각하고, 계획하며, 오류를 교정하는 과정을 통해 답을 도출한다는 점입니다. 따라서, 이 모델을 사용하면 어려운 논리 문제, 수학 문제, 복잡한 알고리즘도 높은 정확도로 해결할 수 있습니다.

 

이번 포스팅에서는 HyperCLOVA X THINK 모델을 직접 사용해 보면서 어떻게 활용할 수 있는지에 대해 알아보도록 하겠습니다.

 

---

 

🍭 HyperCLOVA X THINK 맛보기

먼저 HyperCLOVA X THINK를 사용해 볼 수 있는 클로바 스튜디오로 접속해 보도록 하겠습니다.

CLOVA Studio

 

로그인을 하고 나면 먼저 다음과 같이 메인 화면이 나타나게 되는데요. 이곳에서 플레이그라운드 메뉴를 선택하시면 HyperCLOVA X 모델들을 테스트해 볼 수 있는 화면이 나타나게 됩니다.

 

클로바스튜디오 홈 화면

 

플레이그라운드에 접속한 뒤에는 다음과 같이 화면 오른쪽 메뉴바에서 네이버클라우드에서 제공 중인 모델들을 선택할 수 있습니다. HCX-007 모델이 이번에 새로 공개된 HyperCLOVA X THINK 추론 모델입니다.

 

HCX-007(추론 모델) 모델 선택 화면

 

추론 모델을 선택할 경우 다음과 같이 생각 길이(Thinking) 옵션을 추가로 선택할 수가 있습니다. 기본 값은 ‘짧게’로 설정되어 있는데 이 옵션을 통해 얼마나 깊게 추론할 것인지를 선택하여 조절이 가능합니다. 질문의 난이도와 복잡도에 따라 상황에 맞게 조절하여 사용하실 수 있습니다.

 

추론 모델 선택시 Thinking(생각 길이) 옵션 추가 선택 가능

 

다음은 추론 모델의 성능을 한번 확인해 보도록 하겠습니다. 수학 또는 논리 문제를 자유롭게 입력하여 테스트해 보시면 됩니다. 저는 아래 질문을 한번 입력해 보도록 하겠습니다.

 

어느 지점에서 영희는 남쪽으로 70m를 걷는다. 그런 다음 그녀는 오른쪽으로 돌아서 70m 더 똑바로 걷기 시작한다. 그런 다음 다시 그녀의 왼쪽으로 돌아서 60m를 걷는다. 그런 다음 그녀는 왼쪽으로 돌아서 70m를 걷는다. 그녀는 시작 지점에서 얼마나 떨어져 있는가?

 

먼저, 추론 모델이 아닌 HCX-005(일반 모델)의 답변부터 확인해 보도록 하겠습니다.

 

HCX-005(일반 모델) 답변 결과

 

HCX-005 모델의 경우에는 대게 주어진 텍스트에 기반하여 답변을 도출해 내는 것을 알 수 있습니다. 예를 들어, 오른쪽으로 이동하라고 지시를 내렸을 때 마치 바둑돌을 옮기듯이 텍스트 그대로 좌표를 오른쪽으로 옮기는 것을 확인할 수 있었습니다.

 

HCX-007(추론 모델) 답변 결과

 

반면에 HCX-007 추론모델은 질문에 주어진 영희의 입장에서 어느 경로로 움직여야 하는지 분석해 내는 현상을 볼 수 있었습니다. 관찰자의 입장으로 보았을 때 오른쪽은 동쪽이지만, 영희의 입장에서는 오른쪽이 서쪽이기 때문에 모델이 어떤 시점에서 생각해봐야 하는지에 대해 좀 더 고려해서 답변을 도출해 내었다는 사실을 확인할 수 있습니다.

 

---

 

💡 HyperCLOVA X THINK 활용방법

앞서, 살펴보았던 것처럼 HyperCLOVA X THINK는 어려운 논리나 수학 문제에 조금 더 깊이 생각한다는 점에서 사용에 대한 이점을 확인할 수 있었는데요. 실제 비즈니스나 서비스에서는 이 추론 모델을 어떻게 활용해 볼 수 있을까요?

 

기존의 일반 모델은 사람들이 생각하는 복잡한 생각 과정을 잘 이해하지 못했기에 CoT(Chain of Thought) 프롬프팅을 통해 모델이 잘 답변할 수 있도록 워크플로우로 설계하여 차근차근 답변을 얻어가는 과정을 동반했다면 추론 모델은 질문과 필요한 컨텍스트들만 주어준다면 스스로 생각하고 판단하기 때문에 설계에 대한 복잡도를 낮추고 정확도를 높일 수 있게 되었습니다. 따라서, 요즘 핫한 코딩 어시스턴트의 경우에도 이러한 추론 모델과 잘 어울린다고 볼 수 있습니다.

 

이번에는 예시로 HyperCLOVA X THINK를 활용해서 스키마 정보와 질문을 주어줬을 때 사용자가 원하는 SQL을 생성해 낼 수 있는지 한번 확인해 보도록 하겠습니다. 아래는 주니어 데이터분석가 수준의 SQL을 생성해 낼 수 있는 프롬프트 예시입니다.

 

시스템 메시지를 다음과 같이 넣어주도록 하겠습니다.

당신은 유능한 SQL 전문가 겸 데이터분석가 입니다.
아래 스키마와 주의사항을 참고하여 사용자의 질문에 대해 적절한 SQL문을 생성해주세요.
당신이 사용할 테이블명은 event 입니다.
오늘 날짜는 2025년 8월 16일 토요일 입니다.

### 스키마 ###
| 필드명 | 데이터 유형 | 설명 |
| ------ | ----------- | ---- |
| event_name | STRING | 이벤트 이름 (예: page_view, purchase) |
| event_timestamp | TIMESTAMP | 이벤트 발생 시간 |
| user_id | STRING | 사용자 고유 ID |
| session_id | STRING | 세션 ID |
| event_params | STRING | 추가적인 이벤트 정보 (JSON 형식) |

### 주의사항 ###
- 부가적인 설명과 참고자료는 생성하지 않습니다.
- 마크다운 문법이 제거된 SQL 쿼리만 생성합니다.
  - ```sql SELECT A FROM B WHERE C = D;``` (X)
  - SELECT A FROM B WHERE C = D; (O)

 

그리고 사용자 메시지에 다음과 같이 질문을 넣어보겠습니다.

일별 총 판매량 알려줘.

 

이제 HCX-005와 HCX-007 답변 생성 결과 차이를 한번 확인해 보도록 하겠습니다.

HCX-005(일반 모델) 답변 결과

 

HCX-007(추론 모델) 답변 결과

 

“일별 총 판매량 알려줘.” 질문은 명확한 질문이기 때문에 모델 간의 답변에 큰 차이점이 없다는 것을 확인할 수 있습니다. 이처럼 간단한 질문과 컨텍스트가 명확하게 주어지면 추론 모델을 쓰지 않고도 일반 모델로도 충분히 처리가 가능합니다. 이번에는 조금 더 애매한 질문으로 다음과 같이 테스트해보도록 하겠습니다.

 

지난주 주말에 얼마나 방문했는지 알려줘.

 

HCX-005(일반 모델) 답변 결과

 

HCX-007(추론 모델) 답변 결과

 

“지난주 주말에 얼마나 방문했는지 알려줘”라는 질문에서 키 포인트는 바로 시점과 용어인데요. 모델이 답변 생성 시 어제라는 시점을 정확하게 이해해서 SQL 날짜로 변환하는지? 그리고 스키마 정보를 바탕으로 방문이라는 키워드를 적절한 필드값으로 찾아낼 수 있는지? 검토해 보는 것이 중요합니다.

 

먼저 HCX-005 결과를 확인해 보시면 ‘지난주 주말’이라는 키워드를 잘못 인지하여 오늘부터 차주까지의 일주일 기간으로 인식하였고 방문이라는 키워드를 단순히 모든 이벤트 발생 건수로 이해한 점을 볼 수 있습니다.

 

반면에, HCX-007 추론 모델의 경우에는 오늘 날짜를 컨텍스트로 주어주면 주말이 언제인지를 정확히 추론해서 날짜를 찾아내었고 방문이라는 키워드는 page_view 필드를 사용해야 한다는 점 또한 명확히 추론해 낸 점을 확인할 수 있었습니다.

 

이처럼 Text-to-SQL(AI를 활용해 문장을 SQL로 변환하는 기술, NL2SQL이라고도 함.)에서도 추론 모델을 활용하는 경우보다 높은 이해도를 바탕으로 정확도를 높일 수 있다는 점을 확인할 수 있습니다. 특히, 한국어 이해도가 뛰어난 하이퍼클로바X이기 때문에 지난주, 주말, 방문 등의 키워드를 자연스럽게 이해하고 추론하였다고 볼 수 있습니다.

 

HCX-007 추론모델은 수학, 논리 분야뿐만 아니라 공감이나 추천 시스템에서도 활용이 가능합니다. 이번에는 제 가치관과 정보를 컨텍스트로 주어주고 고민이나 선택을 대신해주고 후회 가능성을 줄여주는 어시스턴트를 한번 만들어보도록 하겠습니다. 이 어시스턴트는 실제로 최근에 직접 런칭한 서비스의 프롬프트 초안을 가져왔습니다.

 

SOULMATE - 후회를 줄이고 더 나은 선택을 돕는 AI 서비스

 

시스템 메시지를 다음과 같이 넣어주도록 하겠습니다.

당신은 소울메이트(assistant)입니다. 지금부터 당신은 아래 주어진 사용자정보와 대화 내용을 바탕으로 사용자가 고민중인 선택지 중 한가지를 선택하여 답변해주세요.

### 사용자 정보 ###
- 삶에서 가장 중요한 가치 하나는 성장 입니다. 
- 결정을 내릴 때 오래 고민하고 결정을 미루는 편입니다.
- 후회할 때 가장 많이 하는 생각은 '다른걸 선택했으면 어땠을까' 입니다.
- 선택 앞에서 가장 믿는 것은 '과거 경험' 입니다.

### 답변 포맷 ###
✅ A안: OO
✅ 가치 일치도: 높음
이유 : 

❌ B안: ㅁㅁㅁ
❌ 가치 일치도: 낮음
이유 :

결론
사용자님의 핵심 가치는 ~이며 
성향을 바탕으로 분석했을 때, 이번 선택에서 후회 가능성이 더 낮은 방향은 A안(OO) 입니다.

 

그리고 사용자 메시지에 다음과 같이 질문을 넣어보겠습니다.

### 요청 ###
- 소울메이트(assistant)의 말은 제외하고, 오로지 사용자(user)의 말들 중에서 판단할 수 있는 부분을 찾아야 합니다.
- 근거는 납득 가능해야 합니다.
- 부차적인 말은 생략하고, 판단 근거에 집중해주세요.

### 사용자 질문 ###
잠이 안오는데 억지로 일찍 자는것이 중요할까? 깨어있는동안 뭐라도 생산적인 일을 하는게 좋을까?

 

HCX-005(일반 모델) 답변 결과

 

HCX-007(추론 모델) 답변 결과

 

여기서 재미있는 점은 서로 추천 결과가 다르다는 점인데요. 눈여겨볼 점은 HCX-005(일반 모델)의 경우에는 “잠이 안오는데 억지로 일찍 자는것이 중요할까? 깨어있는동안 뭐라도 생산적인 일을 하는게 좋을까?” 질문에 대해 컨텍스트에 포함된 ‘성장’이라는 키워드와 가장 확률적으로 높은 ‘생산적인 일’이라는 긍정 문구에 매칭이 되어 잠을 자지 말 것을 추천한 듯한 결과를 보여주고 있습니다.

 

반면에 HCX-007(추론 모델)은 ‘억지로’라는 부정 키워드가 들어갔음에도 일찍 자기를 추천했는데요. 이는 긍정, 부정과 관계없이 확실히 주어진 컨텍스트들을 다양한 관점에서 깊이 있게 분석하고 활용해서 추천을 한 듯한 결과를 보여주고 있습니다.

 

---

 

🌠 정리하기

HyperCLOVA X THINK를 직접 사용해 보면서 여러 활용 방법들에 대해 알아보았는데요. 직접 써보면서 느꼈던 점은 이제는 복잡한 질문을 처리하기 위해 단계별로 모델을 호출하는 과정을 직접 설계하지 않고 정돈되지 않은 컨텍스트나 질문들을 마구잡이로 던져도 모델이 이를 이해하고 정확한 결과를 뽑아낸다는 점에서 조금 더 AGI 수준에 한 발짝 다가가지 않았나 하는 생각이 듭니다.

 

또 국내 모델이라는 점에서 확실히 한글에 대한 이해도가 뛰어나서 그런지 추론 능력도 한층 더 높은 것 같다는 생각이 듭니다. 한국의 경우 다양한 방언들과 유사어가 존재하는데 이러한 특성들을 반영하기 위해서 별도로 용어집을 구축한다거나 워크플로우를 설계하지 않아도 HCX-007 추론 모델을 활용하면 사용자의 의도를 올바르게 이해하고 답변을 생성해 낸다는 점에서 앞으로는 실 생활에서 AI를 사용하기가 더욱 편리해질 것 같습니다.