본문으로 건너뛰기
X (Twitter)조회 1

소비자 GPU 추론 최적화, Claude 워터마킹, 오픈 모델 성능 경쟁

메모리 이동을 줄인 로컬 추론과 토큰 샘플링 기반 워터마크 검출

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

이번 기간에는 대형 모델을 소비자 GPU에서 실행하기 위한 메모리·라우팅 최적화와 GLM-5.3의 CUDA 디코드 성능이 함께 부각됐다. FreeToken은 Mixture-of-Experts의 전문가 가중치를 시스템 RAM에 두고 GPU 전송과 CPU 계산을 장치별 대역폭에 맞춰 분배하며, 에이전트의 수정된 이력에는 체크포인트를 적용한다. Claude 워터마킹은 다음 토큰 샘플링과 의사난수 생성기, Tournament Sampling, 재실행 없는 검출 절차를 중심으로 다뤄졌다. Open models의 벤치마크·비용 경쟁, Sentence Transformers의 late interaction 지원, Grok Bot의 로컬 컴퓨터 실행도 이어졌다.

𝕏 실시간 트렌드 토픽

🔥 소비자 GPU로 확장되는 대형 MoE 추론포스트 2

FreeToken은 전문가 가중치를 시스템 RAM에 보관하고 GPU 전송과 CPU 계산을 장치별 메모리 대역폭에 따라 나눠 대형 MoE 모델을 소비자 GPU에서 실행한다. GLM-5.3의 KernelBench-Mega 결과에서는 Kimi-Linear Decode가 PyTorch 기준 대비 21.4배를 기록했다.

  • 대형 MoE 모델은 전체 가중치를 보유해야 하지만 토큰마다 일부 전문가만 활성화하므로 실제 한 단계에서 읽는 가중치는 전체 모델보다 작다. FreeToken은 전문가 가중치를 시스템 RAM에 두고 GPU에는 최근 사용한 전문가를 캐시해 제한된 VRAM에서도 모델을 서비스한다.
  • 라우터가 GPU에 없는 전문가를 고르면 FreeToken은 해당 가중치를 PCIe로 GPU에 복사하거나 시스템 RAM에서 CPU로 계산하는 두 경로 중 하나를 선택한다. 두 경로가 같은 메모리 대역폭을 공유하므로 엔진은 장치별 대역폭을 한 번 측정한 뒤 매 토큰의 누락 전문가를 두 경로에 비례 배분하며, GPU와 CPU 결과는 근사 없이 합쳐진다.
  • Qwen3.6-35B는 토큰마다 약 3B 파라미터를 활성화하고 DeepSeek-V4-Flash는 레이어마다 256개 중 6개 전문가를 선택해 284B 중 13B를 실행한다. 그 결과 Qwen3.6-35B는 8GB GPU에서 39.3 tokens/s, DeepSeek-V4-Flash는 32GB GPU에서 22 tokens/s, GLM-5.2는 96GB GPU에서 14.9 tokens/s를 기록했다.
  • 코딩 에이전트가 대화 이력을 고칠 때마다 전체 prefill을 반복하지 않도록 FreeToken은 에이전트 프레임워크의 경계에 체크포인트를 저장해 새 부분만 다시 처리한다. 첫 토큰 지연은 44초 미만으로, llama.cpp의 232초와 KTransformers의 946초보다 짧았으며 OpenAI·Anthropic API를 Apache 2.0으로 제공한다.
원문 트윗 2개 보기

Akshay

@akshay_pachaar

UC Berkeley just open-sourced FreeToken. (2–4x faster local LLM inference than Ollama) the results are wild: - Qwen3.6-35B on an 8GB GPU at 39.3 tokens/s - DeepSeek-V4-Flash 284B on a 32GB GPU at 22 tokens/s - GLM-5.2 753B on a 96GB GPU at 14.9 tokens/s a 35B model at 16-bit precision needs about 70GB just for its weights. even at 4 bits it is close to 18GB, and FreeToken serves it on an 8GB GPU. let me explain how: all three models mentioned above are Mixture-of-Experts, and that is what FreeToken takes advantage of. each layer holds hundreds of separate experts plus a small router that picks a few of them per token. Qwen3.6-35B activates roughly 3B of its 35B parameters per token. DeepSeek-V4-Flash picks 6 of 256 experts per layer, so 13B of its 284B run at a time. so compute was never the bottleneck. the weights a single step touches fit comfortably on a consumer GPU. every expert the router might pick still has to exist somewhere. they sit in system RAM, and the GPU keeps a cache of the ones the model has been using recently. so everything comes down to what happens when the router picks an expert that is not on the GPU. there are two ways to serve that miss: 1. copy it over PCIe and run it on the GPU 2. run it on the CPU, where it already lives both read from the same system memory, so they compete for one pool of bandwidth instead of adding to each other. existing engines pick one option and freeze it when the model loads. but routing changes on every token, so a fixed choice misses most of what the model asks for. FreeToken measures both bandwidths on your machine and splits each step's misses between the two paths in proportion. the GPU and CPU results then merge exactly, with no approximation. two machines with the same GPU can end up wanting opposite strategies, which I did not expect. a 5090 in a gaming desktop should push nearly everything over PCIe, while an 8GB laptop is better off computing most misses on the CPU. none of that is readable off a spec sheet, so the engine profiles it once per machine. the second half of the design is about agents. coding agents constantly rewrite their own history, and every edit normally forces thousands of tokens back through prefill. FreeToken saves its checkpoints at the exact boundaries agent frameworks cut on, so it only reprocesses the new part. its slowest first token stays under 44 seconds, while llama.cpp peaks at 232 and KTransformers at 946. it serves the OpenAI and Anthropic APIs under Apache 2.0, so Claude Code and Codex can point at it directly. releasing weights publicly decides who can download a model, not who can afford to run one. frontier open models keep shipping, and running them still assumes a rented cluster. meanwhile there are over a hundred million consumer machines with discrete GPUs sitting mostly idle. closing that gap was never a hardware problem, and work like this is what turns open weights into something you can actually use. paper: https:// arxiv.org/pdf/2608.16157 repo: https:// github.com/FlashML-org/Fr eeToken … almost every idea in this post, from why memory bandwidth decides the outcome to why moving weights costs more than computing on them, comes straight out of how a GPU is built. I wrote a detailed primer on that. the article is quoted below.

💬 0 0 2👁 890

Elliot Arledge

@elliotarledge

GLM-5.3 on KernelBench-Mega. Kimi-Linear Decode for RTX PRO 6000 at 21.4x the PyTorch baseline. GLM-5.2 was 11.1x and failed the single-launch gate. One CUDA `load_inline` launch. Persistent 512-thread CTAs. 30 grid barriers. Int4 dequant stays inside the GEMV. MLA is absorbed so the fat KV is not materialized. https:// kernelbench.com/mega solution file below!

💬 4 5 49👁 7187

📈 Claude 워터마킹의 토큰 샘플링과 비재실행 검출포스트 1

Claude의 워터마킹은 LLM의 다음 토큰 샘플링과 의사난수 생성기에 연결되며, 생성 텍스트를 다시 LLM에 통과시키지 않고 워터마크를 검사하는 절차를 갖는다. 관련 강의는 약 50장의 슬라이드로 워터마크의 작동 방식과 텍스트 품질 문제를 다뤘다.

  • 워터마킹은 별도 생성 단계가 아니라 LLM이 다음 토큰을 고르는 정규 샘플링 과정과 연결된다. 의사난수 생성기가 토큰 선택에 영향을 주고, 이후 텍스트의 선택 패턴을 검사해 워터마크 여부를 판별한다.
  • 관련 강의는 다음 토큰 샘플링, 의사난수 생성기, 일반적인 LLM 샘플링과 워터마킹의 관계를 하나의 흐름으로 묶었다. 생성 이후에는 LLM을 다시 실행하지 않고 새 텍스트에서 워터마크를 검사하는 절차가 핵심으로 놓였다.
  • 강의 자료는 약 50장의 슬라이드로 구성됐고 Tournament Sampling도 별도 항목으로 포함됐다. 워터마킹이 텍스트를 더 나쁘게 만드는지와 워터마크를 제거하는 방법도 다뤄졌지만, 게시물에는 세부 구현 수치가 나오지 않았다.
원문 트윗 1개 보기

Open models의 벤치마크·비용 격차 축소포스트 3

Open models와 closed models의 성능 격차가 reasoning·agentic 시대에 좁혀졌다는 평가와 함께, DeepSeek-V4 Pro의 ARC-AGI 점수·작업 비용, Olmo 성능과 학습 데이터의 연결 분석이 공유됐다. 벤치마크 상승과 유용한 지능 비용 하락이 동시에 거론됐다.

  • 과거에는 closed models가 오랜 기간 성능 우위를 유지해 open models가 따라가기 어렵다는 인식이 컸지만, agentic·reasoning 시대에는 그 전제가 약해졌다는 평가가 나왔다. 비교의 기준은 모델 공개 여부가 아니라 벤치마크 성능과 유용한 지능의 비용으로 이동했다.
  • DeepSeek-V4 Pro는 ARC-AGI-1에서 90.5%, ARC-AGI-2에서 61.3%를 기록했고 작업 비용은 각각 0.18달러와 0.60달러로 제시됐다. 게시물은 이를 Flash 버전과 같은 수준의 결과이자 비용 대비 성능 사례로 묶었다.
  • GeorgiaTech 팀은 Ai2의 완전 공개 모델 흐름을 사용해 Olmo의 social/general reasoning 및 social-science/STEM 지식 테스트 성능을 학습 데이터의 텍스트 유형까지 거슬러 연결했다. 따라서 모델 능력의 차이를 결과 점수만이 아니라 어떤 텍스트로 학습했는지와 함께 추적하는 접근이 제시됐다.
원문 트윗 2개 보기

Sentence Transformers v6.0의 MultiVectorEncoder포스트 1

Sentence Transformers v6.0은 ColBERT 스타일의 late interaction 모델을 MultiVectorEncoder로 편입해 dense·sparse·reranker 모델과 나란히 지원한다. 학습, 추론, 해석을 하나의 모델 유형 체계에서 처리하는 변화다.

  • 기존 임베딩 선택지는 dense와 sparse 표현, reranker 같은 모델 유형으로 나뉘었고 late interaction은 별도 구현으로 취급되는 경우가 있었다. Sentence Transformers v6.0은 MultiVectorEncoder를 추가해 ColBERT 스타일 모델을 같은 라이브러리 체계 안에 배치했다.
  • MultiVectorEncoder는 질의와 문서의 여러 벡터 표현을 유지한 뒤 상호작용 단계에서 비교하는 late interaction 방식을 사용한다. 이 구조는 단일 dense 벡터로 압축한 뒤 비교하는 방식과 달리 토큰 수준의 표현을 검색 단계까지 보존한다.
  • 게시물은 해당 모델 유형이 training, inference, interpretation에 모두 적용된다고 밝혔다. 또한 late interaction이 Sentence Transformers의 dense·sparse·reranker 모델군과 함께 first-class model type으로 추가됐다고 전했다.
원문 트윗 1개 보기

Grok Bot의 독립 컴퓨터 실행과 업무 자동화포스트 1

Grok Bot이 자체 컴퓨터에서 실행되며 무료 시험 사용을 제공한다는 소식이 나왔다. 20분 설정 뒤 이메일, 후속 연락, 조사, 콘텐츠 작업을 맡기는 사용 흐름이 핵심이다.

  • Grok Bot은 클라우드 대화 기능에 머무르지 않고 자체 컴퓨터에서 실행되는 형태로 제시됐다. 게시물은 무료 시험 사용이 현재 가능하다고 밝히며 설치와 사용 진입 장벽을 낮췄다.
  • 사용자는 20분 설정 절차를 거친 뒤 이메일 처리, 후속 연락, 조사, 콘텐츠 작업을 Grok Bot에 맡긴다. 입력은 사용자의 업무 요청이고, Bot은 컴퓨터에서 해당 작업을 수행하는 흐름이다.
  • 게시물에는 구체적인 자동화 성공률이나 처리 시간 같은 성능 수치가 없고, 무료 시험과 20분 설정이라는 사용 조건만 제시됐다. 따라서 이번 사례의 핵심은 모델 점수보다 컴퓨터 조작 범위와 업무 위임 방식이다.
원문 트윗 1개 보기

Grok 기반 이미지 처리 수업 자료 제작포스트 1

이미지 처리 수업 자료를 만들고 검토하는 데 걸리던 시간이 며칠에서 몇 분으로 줄었다는 경험이 공유됐다. photon-to-numeric 과정을 Grok이 내레이션하는 수업 콘텐츠가 사례로 제시됐다.

  • 기존에는 수업 자료를 만들고 여러 차례 주고받으며 검토하는 데 며칠이 걸렸지만, 해당 경험에서는 작업 시간이 몇 분으로 줄었다. 자료 품질은 인터넷에서 찾을 수 있는 자료보다 낫다고 평가됐다.
  • 인용된 수업은 Tesla에서 이미지 처리 과정을 가르친 경험을 바탕으로 photon-to-numeric 흐름을 다룬다. Grok은 이 과정을 내레이션하고, 사용자는 그 결과를 수업 자료 제작에 활용한다.
  • 게시물에는 분량, 정확도, 학습 성과 같은 정량 지표는 없고 작업 시간의 변화만 제시됐다. 핵심은 이미지가 광자에서 숫자 표현으로 바뀌는 과정을 설명하는 콘텐츠 제작에 Grok을 결합한 방식이다.
원문 트윗 1개 보기

용어 해설

Mixture-of-Experts
하나의 거대한 모델을 여러 전문가 모듈과 라우터로 나누는 구조입니다. 라우터가 토큰마다 일부 전문가만 선택해 계산하므로 전체 파라미터를 보유하면서도 실제 연산량을 줄이며, FreeToken은 선택되지 않은 전문가 가중치를 시스템 메모리에 둘 수 있게 합니다.
Persistent CTA
GPU 커널 실행 동안 동일한 스레드 블록이 작업을 계속 유지하는 실행 방식입니다. FreeToken의 CUDA 커널에서는 512개 스레드로 구성된 CTA가 반복 작업을 수행하고, 여러 grid barrier를 통해 단계 사이를 동기화합니다.
Int4 역양자화(Int4 Dequantization)
4비트로 저장한 가중치를 계산 직전에 원래 연산 형식에 맞게 복원하는 과정입니다. GLM-5.3의 KernelBench-Mega 사례에서는 역양자화를 GEMV 내부에 배치해 별도 메모리 이동과 커널 단계를 줄였습니다.
텍스트 워터마킹(Watermarking)
언어 모델의 다음 토큰 선택 과정에 의사난수 패턴을 심고, 생성된 텍스트의 토큰 분포에서 해당 패턴을 판별하는 방식입니다. Claude 관련 강의는 재생성 없이 새 텍스트를 검사하는 절차와 Tournament Sampling을 함께 다룹니다.
Late Interaction
질의와 문서를 하나의 벡터로 일찍 합치지 않고 각 토큰 표현을 유지한 뒤 검색 단계에서 세밀하게 비교하는 구조입니다. Sentence Transformers v6.0은 ColBERT 스타일 모델을 dense·sparse·reranker와 함께 학습, 추론, 해석 대상으로 지원합니다.
AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 08. 22.수집 2026. 08. 22.출처 타입 TWITTER

인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.