---
title: "seed 파라미터란? LLM 출력 재현하기 | BroadRouter"
description: "seed 파라미터는 같은 요청을 반복할 때 LLM API가 같은 방식으로 샘플링하도록 요청합니다. seed와 system_fingerprint의 작동 방식, 결정성이 최선 노력에 그치는 이유를 정리했습니다."
url: https://broadrouter.com/ko/glossary/seed-parameter/
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/seed-parameter/) (2026-11-15 업데이트).

# seed 파라미터(시드 값)

업데이트 2026-11-15

seed 파라미터는 요청과 함께 보내는 정수로, 같은 요청을 반복할 때 API가 같은 토큰을 샘플링하도록 시도하게 합니다. OpenAI는 이를 최선 노력(best effort)으로 설명합니다. 결정성은 보장되지 않으며, system\_fingerprint 필드로 백엔드 구성이 바뀐 시점을 알 수 있습니다.

다른 이름: 시드 값, 랜덤 시드, 시드 파라미터, 재현 가능한 출력, 결정적 출력, random seed, reproducible outputs, deterministic outputs, system\_fingerprint

샘플링은 의도적으로 무작위입니다. seed는 그 무작위성을 고정해서, 다시 실행했을 때 첫 실행과 같은 결과가 나올 가능성을 만들어 줍니다.

## 작동 방식

[temperature](https://broadrouter.com/ko/glossary/temperature/)가 0보다 크면 서버는 모델의 분포에서 다음 토큰을 무작위로 뽑습니다. 이 추첨은 난수 생성기가 담당합니다. 난수 생성기의 시작 값인 seed를 고정하면, 같은 요청은 같은 추첨 결과를 따라가야 합니다.

OpenAI 레퍼런스는 `seed`를 Beta로 표시합니다. Cookbook에는 “our system will make a best effort to sample deterministically”(번역: 시스템이 결정적으로 샘플링하도록 최선을 다한다)라고 나와 있습니다. 같은 출력을 얻으려면 요청 간에 다음을 똑같이 유지하라고 합니다.

-   `seed` 정수
-   프롬프트와 메시지
-   `temperature`, [top\_p](https://broadrouter.com/ko/glossary/top-p/), `max_tokens`

응답에는 `system_fingerprint`가 포함되며, OpenAI는 이것이 “represents the backend configuration that the model runs with”(번역: 모델이 실행되는 백엔드 구성을 나타낸다)라고 설명합니다. 두 실행 사이에 이 값이 바뀌었다면, seed가 같아도 출력이 다를 것으로 예상하세요.

```python
r = client.chat.completions.create(
    model=MODEL, seed=42, temperature=0.7,
    messages=[{"role": "user", "content": "Name a colour."}],
)
print(r.choices[0].message.content, r.system_fingerprint)
```

오픈 모델 서버에도 같은 설정이 있습니다. vLLM의 `SamplingParams`에는 `seed`가 있으며 설명은 “Random seed to use for the generation”(번역: 생성에 사용할 랜덤 시드)이고 기본값은 없음(none)입니다.

## 왜 중요한가

-   **평가.** [평가(eval)](https://broadrouter.com/ko/glossary/eval/)에서 프롬프트나 모델을 비교할 때 seed를 고정하면 실행 간 잡음이 줄어듭니다. 그래도 샘플은 여러 개 돌리세요. 최선 노력은 보장이 아닙니다.
-   **디버깅.** seed를 넣은 요청은 이상한 응답을 재현하기 쉽게 해 줍니다.
-   **캐싱.** 응답을 캐시한다면 [응답 캐싱 글](https://broadrouter.com/ko/blog/cache-llm-responses-cut-cost/)처럼 캐시 키에 seed를 포함하세요.

## BroadNet Inference에서는

BroadNet의 [API 레퍼런스](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-glossary-seed-parameter&utm_content=body)는 `seed`나 `system_fingerprint`를 문서화하지 않습니다. 의존하기 전에 테스트하세요. seed를 넣은 같은 요청을 다섯 번 보내고 출력을 비교하면 됩니다. 결과가 다르면 temperature를 낮추고, 필요한 출력은 저장하고, 샘플 하나가 아니라 여러 개로 평가하세요. [마이그레이션 코드 워크스루](https://broadrouter.com/ko/blog/migrate-from-openai-api-code-walkthrough/)는 테스트하거나 제거해야 할 OpenAI 필드 중 하나로 seed를 꼽습니다.

## 흔한 실수

-   seed를 바이트 단위로 똑같은 출력에 대한 약속으로 여기는 것.
-   실행 사이에 max\_tokens나 시스템 프롬프트를 바꿔 놓고 차이를 seed 탓으로 돌리는 것.

## 자주 묻는 질문

### 같은 seed를 쓰면 항상 같은 답이 나오나요?

아니요. OpenAI는 "Determinism is not guaranteed"(번역: 결정성은 보장되지 않는다)라고 하며, 파라미터와 system\_fingerprint가 같아도 "a small chance that responses differ"(번역: 응답이 달라질 작은 가능성)가 있다고 말합니다.

### temperature 0은 seed를 설정하는 것과 같은가요?

정확히 같지는 않습니다. 낮은 temperature는 최상위 토큰이 선택될 가능성을 매우 높이고, seed는 무작위 추첨을 고정합니다. 많은 팀이 둘을 함께 쓰지만, 어느 쪽도 혼자서는 동일한 출력을 보장하지 않습니다.

### BroadNet Inference는 seed를 지원하나요?

BroadNet API 레퍼런스는 seed나 system\_fingerprint를 문서화하지 않습니다. 의존하기 전에 seed를 넣은 같은 요청을 여러 번 보내 결과를 비교하세요.

## 함께 보기

-   [Temperature(온도)](https://broadrouter.com/ko/glossary/temperature/) (용어)
-   [Top-p(뉴클리어스 샘플링)](https://broadrouter.com/ko/glossary/top-p/) (용어)
-   [LLM 평가(eval)](https://broadrouter.com/ko/glossary/eval/) (용어)
-   [Logprobs(로그 확률)](https://broadrouter.com/ko/glossary/logprobs/) (용어)
-   [Chat Completions API](https://broadrouter.com/ko/glossary/chat-completions-api/) (용어)
-   [빈도 페널티와 존재 페널티(frequency/presence penalty)](https://broadrouter.com/ko/glossary/frequency-and-presence-penalty/) (용어)
-   [LLM 벤치마크(LLM benchmark)](https://broadrouter.com/ko/glossary/llm-benchmark/) (용어)
-   [LLM API 응답 캐싱으로 비용 줄이기: Python 정확 일치 캐시](https://broadrouter.com/ko/blog/cache-llm-responses-cut-cost/) (글)
-   [제공업체를 바꾸기 전에 LLM을 평가하는 방법](https://broadrouter.com/ko/blog/evaluate-llm-before-switching/) (글)
-   [OpenAI API에서 옮겨 가기: Python, Node, cURL 코드로 보는 전환 과정](https://broadrouter.com/ko/blog/migrate-from-openai-api-code-walkthrough/) (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-seed-parameter&utm_content=page-cta) ·

**출처**

-   [OpenAI API 레퍼런스, chat completion 생성(seed, system\_fingerprint)(2026-11-15 확인)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [OpenAI Cookbook, seed 파라미터로 재현 가능한 출력 얻기(2026-11-15 확인)](https://developers.openai.com/cookbook/examples/reproducible_outputs_with_the_seed_parameter)
-   [vLLM 문서, SamplingParams(seed)(2026-11-15 확인)](https://docs.vllm.ai/en/latest/api/vllm/sampling_params/)
