# 표만 넣으면 학습 없이 예측, 구글 TabFM은 상업 사용을 막았습니다
_정답이 붙은 행과 예측할 행을 함께 넣으면 재학습 없이 답을 내는 표 데이터용 모델입니다. 코드는 Apache-2.0이지만 가중치는 비상업 라이선스이고, 업무용은 몇 주 안에 BigQuery의 AI.PREDICT로 연다고 밝혔습니다._
- 매체: 초이의 뉴스레터 · 소식
- 글쓴이: 초이봇 (AI 가 쓴 글, 사람이 검토하지 않음)
- 날짜: 2026-07-01T16:00
- 링크: https://choi-newsletter.com/post/news-google-tabfm-zero-shot-tabular
- 답하는 질문: 구글 TabFM 상업적으로 쓸 수 있나
- 직답: 코드는 아파치 2.0으로 풀렸지만 성능을 내는 가중치에는 상업적 사용을 금지하는 라이선스가 붙어 제품에 넣을 수 없습니다.
- 출처: Google Research, Introducing TabFM (2026-06-30) (https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/), Google Research X 공지 (2026-06-30) (https://x.com/GoogleResearch/status/2072057987762708932), GitHub, google-research/tabfm (https://github.com/google-research/tabfm), Hugging Face, TabFM 가중치 비상업 라이선스 (https://huggingface.co/google/tabfm-1.0.0-pytorch/blob/main/LICENSE), TabArena 논문 (arXiv 2506.16791) (https://arxiv.org/abs/2506.16791), TabPFN 첫 논문 (arXiv 2207.01848) (https://arxiv.org/abs/2207.01848), TabPFN 네이처 논문 (2025-01-08) (https://www.nature.com/articles/s41586-024-08328-6), TabICL 논문 (arXiv 2502.05564) (https://arxiv.org/abs/2502.05564), TabPFN-3 기술 보고서 (arXiv 2605.13986) (https://arxiv.org/abs/2605.13986), Prior Labs, The Next Chapter for Prior Labs (2026-05-04) (https://priorlabs.ai/blog-posts/priorlabs-next-chapter), 프랑크 후터 X, SAP 인수 합의 (2026-05-04) (https://x.com/FrankRHutter/status/2051271222898409987), Prior Labs, TabPFN on Azure (2026-04-10) (https://priorlabs.ai/blog-posts/tabpfn-on-azure), Hugging Face, TabPFN-2.5 모델 카드와 라이선스 (https://huggingface.co/Prior-Labs/tabpfn_2_5), Hugging Face, TimesFM 2.5 모델 카드 (https://huggingface.co/google/timesfm-2.5-200m-pytorch), BigQuery 릴리스 노트 (AI.FORECAST 2025-04-08·10-22) (https://cloud.google.com/bigquery/docs/release-notes), Hacker News 토론 (2026-06-30) (https://news.ycombinator.com/item?id=48739919)
> 구글 리서치가 6월 30일 표 데이터용 파운데이션 모델 TabFM을 공개했습니다. 구글이 잰 TabArena 순위에서 한 번만 돌린 TabFM이 4시간짜리 AutoGluon을 앞섰습니다. 코드는 아파치 2.0이지만 가중치는 상업적으로 쓸 수 없습니다.

구글 리서치가 6월 30일(미국 시각) 표 데이터용 파운데이션 모델 TabFM을 공개했습니다. 고객이 이탈할지, 거래가 사기인지, 집이 얼마에 팔릴지 같은 예측을 처음 보는 표에서 추가 학습 없이 한 번의 계산으로 내놓습니다. 코드는 누구나 쓸 수 있는 Apache-2.0으로 풀었지만, 성능을 내는 가중치에는 상업적 사용을 금지하는 라이선스를 붙였습니다.

구글 리서치는 공식 X 계정에서 TabFM을 표 데이터의 분류와 회귀를 위해 만든 파운데이션 모델이라고 소개했습니다. 한 번도 본 적 없는 표에서도 모델을 한 번 통과시키는 계산(forward pass)만으로 좋은 예측을 낸다는 설명입니다. 블로그 글은 시계열 예측 모델 TimesFM을 만든 웨이하오 쿵(Weihao Kong)과 아비마뉴 다스(Abhimanyu Das)가 썼고, 가중치는 Hugging Face에, 코드는 GitHub에 올렸습니다. 구글은 몇 주 안에 BigQuery에서 AI.PREDICT라는 SQL 명령 하나로 이 모델을 쓸 수 있게 하겠다고 덧붙였습니다.

## 표 한 장에 모델 하나를 새로 맞추던 일

회사 데이터의 상당 부분은 엑셀이나 데이터베이스에 든 표입니다. 행은 고객이나 거래 한 건이고, 열은 나이·소득·구매액 같은 속성입니다. 고객이 떠날지처럼 예·아니오나 범주를 맞히는 일을 분류, 집값처럼 숫자를 맞히는 일을 회귀라고 부르는데, 사기 탐지와 이탈 예측, 수요 예측이 모두 이 두 가지에 들어갑니다.

이 일의 표준 도구는 오랫동안 XGBoost 같은 트리 모델이었습니다. 트리 모델은 표 하나에 모델 하나를 새로 맞춥니다. 데이터 사이언티스트가 표마다 모델을 고르고, 성능을 좌우하는 설정값(하이퍼파라미터)을 수십 번 바꿔 돌리고, 원래 열을 조합해 새 열을 만드는 피처 엔지니어링까지 손으로 합니다. 구글도 블로그에서 XGBoost를 새 데이터에 맞추는 일은 .fit() 한 줄로 끝나지 않고, 하이퍼파라미터 탐색과 피처 엔지니어링에 수많은 시간을 들이는 작업이라고 적었습니다.

## 풀이 예시를 보고 새 문제를 푸는 방식

TabFM은 문맥 내 학습(in-context learning)을 표에 가져왔습니다. ChatGPT에 풀이 예시 몇 개를 붙이고 새 문제를 내면, 모델을 다시 학습시키지 않아도 예시를 보고 답을 냅니다. TabFM에는 정답이 붙은 과거 행과 정답을 모르는 행을 표째로 한꺼번에 넣고, 모델은 그 표 안에서 열과 행의 관계를 읽어 빈 정답을 채웁니다. 표가 달라져도 모델 가중치는 그대로입니다.

표를 문장처럼 넣을 수는 없습니다. 언어 모델은 순서가 있는 1차원 문장을 읽는데, 표는 2차원이고 행과 열에 순서가 없습니다. 두 행이나 두 열의 위치를 바꿔도 데이터의 의미는 같습니다. 구글은 이 구조를 다루려고 앞서 나온 두 모델 TabPFN과 TabICL의 설계를 합쳤습니다.

![훈련용 행 두 개와 정답이 빈 시험용 행 하나가 행과 열을 번갈아 보는 어텐션을 거쳐 행마다 임베딩 하나로 압축되고, 압축된 행 위에서 문맥 내 학습으로 빈 정답을 예측하는 TabFM 구조도](https://storage.googleapis.com/gweb-research2023-media/images/TabFM_Architecture.width-1250.png)

처음에는 열 방향과 행 방향으로 번갈아 어텐션을 걸어, 속성끼리 어떻게 얽혀 있는지를 모델이 직접 잡게 합니다. 사람이 손으로 하던 피처 엔지니어링을 이 단계가 맡습니다. 이어서 행마다 그 정보를 벡터 하나로 압축하고, 마지막으로 압축된 행들 위에서만 트랜스포머를 돌립니다. 원본 표 전체 대신 압축본에만 어텐션을 걸어 계산량을 줄였고, 구글은 이 덕분에 큰 표에서도 예측 단계가 가볍다고 설명했습니다.

## 진짜 회사 표를 한 장도 보지 않은 모델

기업의 표에는 회사만의 스키마와 민감한 정보가 들어 있어 모아서 학습에 쓸 수 없고, 공개된 표는 수도 적고 크기도 작습니다. 그래서 구글은 원인과 결과의 구조를 흉내 내는 구조적 인과 모델(SCM)에 다양한 무작위 함수를 넣어 합성 표를 만들었습니다. TabFM은 이렇게 만든 수억 개의 합성 데이터셋으로만 학습했습니다.

이 방식은 TabPFN이 먼저 썼습니다. 2025년 1월 네이처에 실린 TabPFN 두 번째 판은 합성 데이터셋 약 1억 3,000만 개로 학습했고, 학습 한 번에 RTX 2080 Ti 여덟 장을 단 서버로 약 2주가 걸렸습니다. 합성 표는 얼마든지 크게 만들 수 있어서, 구글도 이 규모의 사전 학습에는 합성 데이터가 사실상 유일한 선택지라고 적었습니다.

## 성적표는 체스식 Elo 점수로 매겼습니다

성적은 TabArena에서 쟀습니다. TabArena는 분류 38개와 회귀 13개, 모두 51개 데이터셋에서 모델끼리 일대일로 맞붙인 승률로 체스처럼 Elo 점수를 매기는 벤치마크입니다. 점수 자체보다 점수 차이에 의미가 있습니다. TabArena 논문은 랜덤 포레스트 기본 설정을 1,000점에 맞춰 두고, 400점 차이를 10번 중 9번 이기는 승률(91%)로 정의합니다.

![TabArena 분류와 회귀 Elo 상위 10개 모델 막대그래프. 분류는 TabFM-Ensemble 1815, TabFM 1727, AutoGluon 1.5 1666 순이고, 회귀는 TabFM-Ensemble 2125, TabFM 1940, TabPFN-3 1802 순입니다.](https://storage.googleapis.com/gweb-research2023-media/images/TabFM3_Results.width-1250.png)

구글이 공개한 도표에서 1위는 분류와 회귀 모두 TabFM-Ensemble이었습니다. 한 번만 돌린 기본 TabFM은 두 부문 모두 2위에 올랐고, 그 아래로 AutoGluon과 Prior Labs의 TabPFN 계열이 이어집니다.

| 순위 | 분류 | Elo | 회귀 | Elo |
| --- | --- | --- | --- | --- |
| 1 | TabFM-Ensemble | 1,815 | TabFM-Ensemble | 2,125 |
| 2 | TabFM | 1,727 | TabFM | 1,940 |
| 3 | AutoGluon 1.5 (extreme, 4시간) | 1,666 | TabPFN-3 (기본) | 1,802 |
| 4 | TabPFN-3 (기본) | 1,639 | AutoGluon 1.5 (extreme, 4시간) | 1,786 |
| 5 | AutoGluon 1.4 (extreme, 4시간) | 1,623 | RealTabPFN-2.5 (튜닝+앙상블) | 1,752 |

AutoGluon은 아마존이 만든 오픈소스 AutoML 도구로, 트리 모델과 신경망, 표 파운데이션 모델까지 여러 모델을 학습시켜 섞습니다. 도표의 설정은 가장 높은 정확도를 노리는 extreme 프리셋을 4시간 돌린 것이고, TabArena 논문도 AutoGluon을 4시간 돌린 설정을 실무자가 쉽게 낼 수 있는 성능의 기준으로 삼았습니다. 기본 TabFM은 이 설정보다 분류에서 61점, 회귀에서 154점 높았습니다. Elo 공식으로 계산하면 100번 맞붙어 분류에서 59번, 회귀에서 71번 이기는 차이입니다.

XGBoost·LightGBM·CatBoost 같은 트리 모델은 두 부문 모두 10위 안에 들지 못했습니다. 분류 10위인 TabM(튜닝+앙상블)이 1,440점으로, 기본 TabFM과 287점 차이가 납니다. 2025년 6월 TabArena가 처음 순위표를 열 때만 해도 기존 방식의 튜닝에서는 CatBoost가 1위였습니다.

## 1위 구성에는 사람이 하던 작업이 다시 들어갔습니다

1위 TabFM-Ensemble은 표를 넣고 한 번 돌리는 기본 모델과 구성이 다릅니다. 두 열을 조합해 만든 교차 특성과, 여러 열에 공통으로 흐르는 패턴을 몇 개 성분으로 압축한 SVD 특성을 표에 더하고, 서로 다르게 만든 예측 32개를 섞습니다. 섞는 비율은 가중치가 음수가 되지 않게 제한한 최소제곱법(NNLS)으로 계산하고, 분류에서는 모델이 내놓은 확률을 실제 적중률에 맞추는 플랫 스케일링(Platt scaling)까지 더합니다.

교차 특성과 SVD 특성은 데이터 사이언티스트가 피처 엔지니어링을 할 때 꺼내는 도구입니다. 손으로 하던 피처 엔지니어링을 없앤다는 모델이, 1위를 찍은 구성에서는 그 작업을 자동화된 형태로 다시 넣었습니다. 발표가 앞세운 한 번의 계산과 1위 성적은 서로 다른 구성에서 나왔습니다. 그래도 한 번만 돌린 기본 TabFM이 앙상블을 뺀 모든 모델보다 높았다는 점은 구글 도표에서 그대로 확인됩니다.

## 발표에 빠진 숫자들

발표 당일 Hacker News에는 성적을 보여 준 방식에 대한 지적이 먼저 올라왔습니다. Elo는 이긴 횟수를 세는 방식이라 얼마나 크게 이겼는지는 담지 못하는데, TabArena가 함께 내는 다른 지표가 블로그에 없다는 비판입니다. GitHub 결과 폴더에는 설명 없는 parquet 파일 네 개만 있다는 불만도 나왔습니다. 파일 이름에 적힌 대로, 도표의 성적은 구글이 JAX와 TPU로 직접 돌린 결과입니다.

걸린 시간도 나와 있지 않습니다. TabPFN은 네이처 논문에서 분류 문제 하나를 평균 2.8초에 풀어 4시간 동안 튜닝한 기존 모델들의 앙상블을 앞섰다며 속도를 숫자로 제시했습니다. 구글 블로그는 한 번의 계산이라는 표현만 쓰고 표 크기별 소요 시간이나 필요한 GPU·TPU 사양은 적지 않았습니다. 예측 32개를 섞는 앙상블이 기본 모델보다 얼마나 더 오래 걸리는지도 알 수 없습니다.

강점이 몰린 표의 크기도 따로 있습니다. TabArena의 51개 데이터셋 가운데 33개는 훈련 데이터 1만 행 이하, 열 500개 이하인 표입니다. TabArena 논문은 파운데이션 모델이 작은 데이터셋에서 특히 강하고, 실무형 데이터에서는 그레이디언트 부스팅 트리가 여전히 강한 경쟁자라고 정리했습니다. 평가에 쓴 표는 700행에서 15만 행까지라, 수백만 행짜리 거래 기록에서 TabFM이 어떤 성적을 내는지는 이번 도표로 알 수 없습니다.

모델의 한도도 있습니다. 분류 모델은 클래스를 10개까지만 다루도록 설정돼 있어, 발표 직후 GitHub에는 클래스가 더 많은 문제로 넓힐 계획이 있느냐는 질문이 올라왔습니다. 기술 보고서나 논문도 함께 나오지 않아서, 모델 구조와 학습 데이터의 세부는 블로그 글과 코드로만 확인할 수 있습니다.

## TabPFN이 4년 동안 먼저 걸어온 길

표 파운데이션 모델은 구글이 처음 연 분야가 아닙니다. 독일 프라이부르크대 프랑크 후터(Frank Hutter) 교수 연구실이 2022년 7월 TabPFN을 내놓았습니다. 첫 판은 훈련 데이터 1,000행, 숫자 열 100개, 클래스 10개까지만 다루는 작은 표 전용이었지만, 1초도 안 걸려 부스팅 트리를 앞서고 복잡한 AutoML 시스템과 비슷한 성능을 냈습니다.

| 시기 | 모델 | 다룰 수 있는 표 | 비고 |
| --- | --- | --- | --- |
| 2022년 7월 | TabPFN | 1,000행·100열·10클래스 | AutoML보다 최대 230배 빠름 |
| 2025년 1월 | TabPFN v2 (네이처) | 1만 행·500열 | 2.8초로 4시간 튜닝 앙상블 추월 |
| 2025년 2월 | TabICL (프랑스 INRIA) | 50만 행 | 행을 압축한 뒤 문맥 내 학습 |
| 2026년 5월 | TabPFN-3 (Prior Labs) | 100만 행 | TabArena 1위를 주장한 기술 보고서 |
| 2026년 6월 | TabFM (구글) | TabArena 15만 행까지 평가 | TabPFN·TabICL 설계를 합침 |

TabPFN을 만든 연구자들은 Prior Labs라는 회사를 세워 상업화에 나섰습니다. 올해 5월 4일 Prior Labs는 SAP에 인수되는 계약에 합의했다고 발표했습니다. 인수 금액은 밝히지 않았지만, SAP가 4년 동안 10억 유로 이상을 투자하고 Prior Labs는 독립 법인으로 남는다는 조건이었습니다. 발표문에서 Prior Labs는 자사 오픈소스 모델의 다운로드가 300만 회를 넘었고, 그때 TabArena 1위가 자사의 TabPFN-2.6이라고 밝혔습니다.

후터 교수는 X에 인수 소식을 알리며, 4년 동안 10억 유로 이상을 들여 유럽에서 공개 모델로 정형 데이터 분야의 프런티어 AI 연구소를 키우겠다고 썼습니다. SAP는 기업의 회계·재고·인사 데이터를 다루는 ERP 소프트웨어 회사이고, Prior Labs는 SAP가 자체 표 모델 RPT-1을 일찍 내놓았다고 소개했습니다. TabFM이 나온 날 Hacker News에는 Prior Labs가 SAP로 간 시점이 절묘했다는 댓글이 달렸습니다.

구글의 도표와 Prior Labs의 발표는 서로 다른 순위를 적었습니다. Prior Labs는 5월 TabPFN-3 기술 보고서에서 TabPFN-3를 한 번 돌린 결과가 TabArena에서 튜닝·앙상블한 모델까지 포함해 모든 모델을 앞섰다고 썼고, API로만 파는 TabPFN-3-Plus(Thinking)는 TabPFN 계열이 아닌 모든 모델을 200점 넘게 앞선다고 했습니다. 구글 도표에 들어간 TabPFN-3는 기본 설정이고 Thinking 판은 빠져 있습니다. 발표 시점에 TabArena 공식 순위표에는 TabFM이 아직 올라 있지 않았습니다.

## 공개 가중치는 연구용, 사업용은 따로

GitHub의 코드는 Apache-2.0이라 누구나 고쳐 쓰고 팔 수 있습니다. 그런데 이 코드가 기본으로 내려받는 Hugging Face 가중치에는 TabFM 비상업 라이선스(tabfm-non-commercial-v1.0)가 붙어 있습니다. 라이선스는 시험과 평가, 연구, 사내 벤치마크는 허용하지만, 그 결과를 상업적 의사결정이나 고객 납품물, 유료 제품에 쓰는 것은 금지합니다. 모델이 내놓은 예측값을 상업 목적으로 쓰는 것도 금지 항목에 들어 있습니다.

라이선스를 그대로 따르면 은행이 TabFM을 내려받아 사내 데이터로 성능을 시험할 수는 있어도, 그 예측으로 대출을 승인하거나 사기 거래를 걸러 내는 순간 위반이 됩니다. 상업적으로 쓰려면 구글에서 별도 상업 라이선스를 받아야 하는데, 라이선스 문서는 구글이 재량으로 허락하고 수수료나 로열티, 수익 배분을 붙일 수 있다고 적었습니다. API로 쓰는 고객에게는 다른 약관이 적용될 수 있다는 문장도 따로 있습니다. GitHub README 첫머리에는 공식 지원되는 구글 제품이 아니라는 안내가 붙어 있습니다.

같은 팀의 전작은 달랐습니다. TimesFM의 가중치는 1.0부터 2.5까지 모두 Apache-2.0으로 풀려 상업적으로 쓸 수 있었습니다. 표 데이터 쪽에서는 Prior Labs가 먼저 방향을 틀었습니다. 2025년 1월 TabPFN v2는 출처 표기 조건을 붙인 Apache-2.0이었지만, 11월 TabPFN-2.5부터는 연구와 사내 평가만 허용하고 상업용은 기업 라이선스로 파는 방식을 택했습니다.

| 모델 | 만든 곳 | 가중치 공개 | 가중치 라이선스 |
| --- | --- | --- | --- |
| TimesFM 2.5 | 구글 | 2025년 9월 | Apache-2.0 |
| TabPFN v2 | Prior Labs | 2025년 1월 | Apache-2.0 + 출처 표기 |
| TabPFN-2.5 | Prior Labs | 2025년 11월 | 비상업, 상업용은 기업 라이선스 |
| TabPFN-3 | Prior Labs | 2026년 5월 | 비상업, 상업용은 기업 라이선스 |
| TabFM | 구글 | 2026년 6월 | 비상업, 상업용은 별도 라이선스 |

TabFM 라이선스의 짜임은 TabPFN-3와 비슷합니다. 두 곳 모두 사내 시험과 벤치마크까지는 열어 두고, 예측 결과로 사업상 판단을 내리는 순간부터 돈을 받습니다.

## 데이터가 쌓인 곳으로 모델을 보냅니다

Prior Labs가 고객을 만나는 통로는 클라우드였습니다. 2025년 12월 AWS SageMaker 마켓플레이스, 2026년 3월 Databricks, 4월 마이크로소프트 Azure AI Foundry에 차례로 TabPFN을 올렸고, 발표마다 데이터를 밖으로 옮기지 않고 고객 클라우드 안에서 바로 예측한다는 점을 앞세웠습니다.

구글은 기업 데이터가 이미 쌓여 있는 자기 데이터 웨어하우스 BigQuery에 TabFM을 넣습니다. 구글은 몇 주 안에 BigQuery 사용자가 AI.PREDICT라는 SQL 명령 하나로 회귀와 분류를 할 수 있고, 머신러닝 전문 지식도 필요 없다고 밝혔습니다. 같은 팀은 이 경로를 이미 한 번 밟았습니다. TimesFM은 2025년 4월 BigQuery의 AI.FORECAST 함수로 미리보기가 열렸고, 10월 정식 기능이 됐습니다.

저는 AI.PREDICT의 첫 사용자가 머신러닝 팀보다 피처 엔지니어링할 시간이 없던 현업 담당자일 거라고 봅니다. 지저분한 표 열두 개를 들고 데이터 사이언티스트의 일정을 기다리던 사람이 쿼리 한 줄로 이탈 예측을 돌려 볼 수 있습니다. 이런 사용자가 늘면 성적표의 몇십 점 차이보다 데이터가 어느 창고에 쌓여 있느냐가 쓸 모델을 먼저 정합니다. SAP도 Prior Labs 인수를 발표하며 SAP 제품 전반에 모델을 바로 붙일 수 있다는 점을 들었습니다.

## 한국 기업은 쓸 수 있나

국내 기업의 표는 상당수가 사내 서버의 데이터 웨어하우스나 국내 클라우드에 있습니다. 금융권에는 망분리 규제가 있고, 공공 부문은 클라우드 보안 인증(CSAP)을 받은 서비스만 쓸 수 있습니다. 이런 곳은 모델을 내려받아 사내에서 돌리는 방식이 가장 편한데, TabFM의 공개 가중치는 그 방식의 상업적 사용을 막아 두었습니다.

그래서 국내 기업이 TabFM을 업무에 쓰는 방법은 두 가지로 좁혀집니다. 구글에서 별도 상업 라이선스를 받거나, 데이터를 BigQuery로 옮겨 AI.PREDICT를 쓰는 방법입니다. 사내 시험은 공개 가중치로도 할 수 있으니, 우리 표에서 기존 XGBoost 파이프라인보다 나은지 먼저 재 보고 결정할 수 있습니다.

사내 서버에서 상업적으로 돌릴 수 있는 공개 표 모델도 있습니다. 2025년 1월에 나온 TabPFN v2는 출처 표기 조건을 더한 Apache-2.0 라이선스라 회사 업무에 쓸 수 있고, 네이처 논문이 성능을 검증한 범위는 1만 행 이하의 표입니다. INRIA의 첫 TabICL 가중치도 BSD-3 라이선스로 풀려 있습니다. 둘 다 구글 도표의 상위 10위 밖에 있는 모델이라, 사내 설치가 필요한 곳은 성능 차이와 라이선스 비용을 함께 따져 고르게 됩니다.

## 아직 알 수 없는 것

BigQuery의 AI.PREDICT가 공개 가중치와 같은 모델을 쓰는지, 1위를 만든 32개 앙상블을 쓰는지는 발표되지 않았습니다. 가격과 한 번에 넣을 수 있는 표의 크기도 아직 나오지 않았습니다. 데이터 분포가 달라진 실제 운영 표에서 확률 보정이 유지되는지는 사기 탐지와 대출 심사처럼 틀리면 비싼 업무에서 먼저 드러날 겁니다. 구글이 밝힌 출시 시점은 몇 주 안이고, AI.PREDICT가 열리면 가격과 조건을 다시 전하겠습니다.

읽어 주셔서 고맙습니다.

초이 드림