---
title: "LLM의 frequency penalty와 presence penalty란? | BroadRouter"
description: "빈도 페널티와 존재 페널티는 모델이 이미 쓴 토큰의 확률을 낮춰 반복을 줄입니다. 두 설정의 차이, 값 범위, repetition_penalty까지 정리했습니다."
url: https://broadrouter.com/ko/glossary/frequency-and-presence-penalty/
lang: ko
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

이 페이지는 영어 원문을 AI의 도움을 받아 번역했습니다. [영어 원문 읽기](https://broadrouter.com/glossary/frequency-and-presence-penalty/) (2026-11-15 업데이트).

# 빈도 페널티와 존재 페널티(frequency/presence penalty)

업데이트 2026-11-15

빈도 페널티(frequency penalty)와 존재 페널티(presence penalty)는 출력에 이미 나온 토큰의 점수를 낮추는 샘플링 설정입니다. 존재 페널티는 토큰이 한 번이라도 나오면 한 번 적용되고, 빈도 페널티는 반복될 때마다 커집니다. OpenAI API에서 둘 다 범위는 -2.0~2.0이고 기본값은 0입니다.

다른 이름: 빈도 페널티, 존재 페널티, 반복 페널티, frequency penalty 뜻, presence penalty 뜻, frequency penalty, presence penalty, frequency\_penalty, presence\_penalty, repetition penalty

루프에 빠진 모델은 토큰이 바닥날 때까지 같은 문구를 반복합니다. 페널티는 샘플링 단계에서 적용하는 투박한 해결책입니다.

## 작동 방식

다음 [토큰](https://broadrouter.com/ko/glossary/token/)을 뽑기 전에, 서버는 이미 생성된 토큰의 점수를 조정합니다.

| 설정 | vLLM 문서에 따른 페널티 대상 | 범위와 기본값 |
| --- | --- | --- |
| `presence_penalty` | “based on whether they appear in the generated text so far”(번역: 지금까지 생성된 텍스트에 나타났는지에 따라) 토큰에 적용 | OpenAI: -2.0~2.0, 기본값 0 |
| `frequency_penalty` | “based on their frequency in the generated text so far”(번역: 지금까지 생성된 텍스트에서의 빈도에 따라) 토큰에 적용 | OpenAI: -2.0~2.0, 기본값 0 |
| `repetition_penalty` | “based on whether they appear in the prompt and the generated text so far”(번역: 프롬프트와 지금까지 생성된 텍스트에 나타났는지에 따라) 토큰에 적용 | vLLM과 Hugging Face: 1.0이면 페널티 없음 |

양수 값은 이미 쓴 토큰을 피하게 하고, 음수 값은 반복을 더 잘 일어나게 합니다. OpenAI에 따르면 양수 frequency penalty는 “the model’s likelihood to repeat the same line verbatim”(번역: 모델이 같은 줄을 그대로 반복할 가능성)을 낮추고, 양수 presence penalty는 “the model’s likelihood to talk about new topics”(번역: 모델이 새로운 주제를 이야기할 가능성)를 높입니다. `repetition_penalty`에 대해 vLLM은 1보다 큰 값은 새로운 토큰을, 1보다 작은 값은 반복을 선호하게 한다고 설명합니다. Hugging Face 문서는 이 페널티의 출처로 CTRL 논문을 제시합니다.

```json
{"model": "...", "messages": [...], "frequency_penalty": 0.5, "presence_penalty": 0.3}
```

## 왜 중요한가

-   **긴 출력의 루프.** 에이전트나 긴 요약은 반복 텍스트에 빠질 수 있습니다. 작은 페널티로 루프를 끊을 수 있고, 엄격한 [max\_tokens](https://broadrouter.com/ko/glossary/max-tokens/) 한도로 피해를 제한할 수 있습니다.
-   **부작용.** 페널티는 아이디어가 아니라 토큰에 작용합니다. 페널티가 강하면 코드의 변수명, JSON 키, 의도적으로 반복되는 아랍어 텍스트 속 이름처럼 모델이 꼭 다시 써야 하는 단어까지 막을 수 있습니다. 0에서 시작해 조금씩 바꾸세요.
-   **샘플링 설정과의 중복.** [temperature](https://broadrouter.com/ko/glossary/temperature/)와 [top-p](https://broadrouter.com/ko/glossary/top-p/)도 다양성을 바꿉니다. 테스트할 때는 한 번에 하나의 설정만 바꾸세요.

## BroadNet Inference에서는

BroadNet의 [API 레퍼런스](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-glossary-frequency-and-presence-penalty&utm_content=body)는 `frequency_penalty`, `presence_penalty`, `repetition_penalty`를 문서화하지 않습니다. 의존하기 전에 테스트하세요. 반복하기 쉬운 프롬프트를 이 필드가 있을 때와 없을 때 각각 보내 비교하면 됩니다. 긴 실행에서 반복이 나타나면 더 명확한 프롬프트나 더 낮은 출력 한도를 시도하거나, 실행을 멈추고 체크포인트에서 재개하세요. 이 패턴은 [밤새 돌리는 에이전트 실행 글](https://broadrouter.com/ko/blog/overnight-coding-agent-runs/)에서 다룹니다.

## 흔한 실수

-   프롬프트 문제를 고치려고 페널티를 높게 설정하는 것. 반복은 대개 모델에게 명확한 종료 지점이 없다는 뜻입니다.
-   키가 반드시 반복되어야 하는 구조화된 출력에 페널티를 쓰는 것.

## 자주 묻는 질문

### frequency penalty와 presence penalty는 무엇이 다른가요?

presence penalty는 "이 토큰이 나온 적이 있는가?"를 보고 한 번만 적용됩니다. frequency penalty는 "얼마나 자주?"를 보고 반복될 때마다 커집니다. vLLM은 이를 지금까지의 텍스트에 토큰이 나타났는지, 그리고 얼마나 자주 나타났는지에 따라 페널티를 주는 것으로 설명합니다.

### repetition\_penalty도 같은 것인가요?

아니요. vLLM과 Hugging Face가 쓰는 별도의 배수이며, 1.0이면 페널티가 없습니다. vLLM은 이를 출력뿐 아니라 프롬프트와 출력의 토큰 모두에 적용합니다.

### BroadNet Inference는 이 페널티들을 지원하나요?

BroadNet API 레퍼런스는 frequency\_penalty, presence\_penalty, repetition\_penalty를 문서화하지 않습니다. 의존하기 전에 테스트하세요.

## 함께 보기

-   [Temperature(온도)](https://broadrouter.com/ko/glossary/temperature/) (용어)
-   [Top-p(뉴클리어스 샘플링)](https://broadrouter.com/ko/glossary/top-p/) (용어)
-   [토큰(token)](https://broadrouter.com/ko/glossary/token/) (용어)
-   [Logprobs(로그 확률)](https://broadrouter.com/ko/glossary/logprobs/) (용어)
-   [seed 파라미터(시드 값)](https://broadrouter.com/ko/glossary/seed-parameter/) (용어)
-   [코딩 에이전트를 밤새 무인으로 안전하게 돌리는 방법](https://broadrouter.com/ko/blog/overnight-coding-agent-runs/) (글)
-   [에이전트 토큰 예산: 에이전트 루프의 토큰은 어디로 가는가](https://broadrouter.com/ko/blog/agent-token-budget/) (글)

실제 워크로드로 테스트해 보세요. 신규 계정에는 US$5 상당의 초기 크레딧이 제공되며 Gemma 및 음성 전사에 사용할 수 있습니다. DeepSeek, GLM 및 Qwen3.8 모델은 충전이 필요합니다.

[시작하기](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-glossary-frequency-and-presence-penalty&utm_content=page-cta) ·

**출처**

-   [OpenAI API 레퍼런스, chat completion 생성(frequency\_penalty, presence\_penalty)(2026-11-15 확인)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [vLLM 문서, SamplingParams(presence, frequency, repetition 페널티)(2026-11-15 확인)](https://docs.vllm.ai/en/latest/api/vllm/sampling_params/)
-   [Keskar 외, CTRL: A Conditional Transformer Language Model for Controllable Generation, arXiv 1909.05858(2026-11-15 확인)](https://arxiv.org/abs/1909.05858)
-   [Hugging Face Transformers, GenerationConfig(repetition\_penalty)(2026-11-15 확인)](https://huggingface.co/docs/transformers/main_classes/text_generation)
