스마트워치에서 LLM 실행: llama.cpp의 RAM 이중 로딩 문제 해결로 메모리 74% 절감

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

핵심 요약

스마트워치와 같은 극도로 제한된 하드웨어 환경에서 LLM을 실행하기 위해 llama.cpp의 메모리 관리 방식을 최적화했다. 기존 방식은 모델 데이터를 mmap 페이지 캐시와 텐서 할당 영역에 이중으로 로드하여 270MB 모델 실행 시 524MB의 RAM을 점유하는 비효율이 존재했다. llama_model_params에 host_ptr을 추가해 CPU 텐서가 mmap 영역을 직접 참조하도록 수정함으로써 피크 RAM 사용량을 142MB로 74% 절감했다. 가용 RAM이 380MB인 삼성 갤럭시 워치 4 클래식에서 SmolLM2 360M 모델을 안정적으로 구동하는 데 성공했다.

배경

C++ 프로그래밍 지식, 운영체제의 메모리 관리(mmap, RAM) 이해, llama.cpp 아키텍처 기초 지식

대상 독자

온디바이스 AI 개발자, 임베디드 시스템 엔지니어, LLM 최적화 연구자

의미 / 영향

이 기술은 스마트워치나 IoT 기기처럼 RAM이 극도로 부족한 환경에서도 LLM을 직접 구동할 수 있는 가능성을 보여준다. 추론 엔진의 메모리 관리 로직을 미세 조정하는 것만으로도 하드웨어 제약 없이 성능을 극대화할 수 있어 온디바이스 AI의 범위를 넓힐 것으로 기대된다.

섹션별 상세

가용 RAM이 380MB에 불과한 스마트워치 환경에서 llama.cpp가 모델 데이터를 메모리에 중복 로드하는 병목 현상이 발견됐다. 270MB 크기의 모델을 로드할 때 APK mmap 페이지 캐시와 자체 텐서 할당이 동시에 발생하여 피크 RAM이 524MB까지 치솟는 문제가 확인됐다. 이로 인해 저사양 기기에서는 메모리 부족으로 인한 실행 실패가 빈번하게 발생했다.

llama.cpp의 llama_model_params 구조체에 host_ptr 필드를 도입하여 메모리 참조 구조를 근본적으로 개선했다. CPU 텐서가 별도의 메모리 복사본을 생성하지 않고 mmap된 영역을 직접 가리키도록 설정하여 불필요한 RAM 점유를 제거했다. Vulkan 텐서와 같이 가속기 전용 메모리가 필요한 경우에만 선택적으로 복사를 수행하도록 로직을 분리했다.

최적화 적용 결과 피크 RAM 사용량이 524MB에서 142MB로 약 74% 감소하며 안정적인 구동 환경을 확보했다. 첫 부팅 시간은 19초에서 11초로 단축됐으며, mmap과 KV 캐시를 재사용하는 두 번째 부팅은 약 2.5초 만에 완료됐다. 하드웨어 제약이 심한 임베디드 환경에서도 경량 LLM 추론이 실용적인 속도로 작동함을 입증했다.

실무 Takeaway

llama.cpp를 저사양 기기에 이식할 때 mmap 페이지 캐시와 텐서 할당 간의 메모리 중복 여부를 확인해 RAM 낭비를 방지해야 한다.
host_ptr을 활용해 CPU 텐서가 mmap 영역을 직접 참조하게 구현하면 RAM 점유율을 70% 이상 획기적으로 낮출 수 있다.
SmolLM2 360M과 같은 초경량 모델은 최적화된 엔진을 통해 스마트워치급 하드웨어에서도 3초 이내의 빠른 응답이 가능하다.

언급된 리소스

GitHubllama.cpp axon-dev branch

문서Running LLM on smartwatch write-up