AMD Strix Halo 기반 로컬 LLM 19종 벤치마크 및 최적화 가이드

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

핵심 요약

AMD Strix Halo 환경에서 19개 로컬 LLM을 45개 실무 테스트로 벤치마크한 결과, 설정 최적화 후 Gemma 4 26B가 가장 우수한 성능을 보였다.

배경

AMD Strix Halo 하드웨어 환경에서 이메일 분류, 코딩, 홈 오토메이션 등 실제 업무에 적합한 로컬 LLM을 찾기 위해 19개 모델을 대상으로 자체 벤치마크를 수행했다.

의미 / 영향

이 토론은 일반적인 벤치마크 지표보다 실제 업무 워크로드 기반의 평가가 로컬 모델 선택에 더 중요함을 시사한다. 하드웨어 특성에 맞는 모델 구조(MoE)와 양자화 전략, 그리고 추론 엔진의 최신 버그 수정을 결합하는 것이 성능 최적화의 핵심이다.

커뮤니티 반응

작성자의 구체적인 하드웨어 사양(AMD Strix Halo)과 실무 중심의 벤치마크 방법론에 대해 긍정적인 반응을 보였으며, 특히 Gemma 4의 버그 해결책 공유에 높은 관심을 나타냈다.

주요 논점

01찬성다수

실제 업무 케이스를 기반으로 한 자체 벤치마크가 일반적인 MMLU 점수보다 모델 선택에 더 유용하다.

02중립분열

양자화 도구(Unsloth vs ggml) 간의 성능 차이는 모델마다 다르므로 절대적인 우위는 없다.

합의점 vs 논쟁점

합의점

공유 VRAM 환경에서는 MoE 모델이 속도 면에서 가장 현실적인 대안이다.
최신 아키텍처 모델 도입 시 추론 엔진(llama.cpp 등)의 업데이트 상태가 성능에 결정적인 영향을 미친다.

논쟁점

GPT-OSS 모델의 llama-server 호환성 문제 및 응답 포맷 오류 해결 방법.

실용적 조언

llama-server 사용 시 빈 응답이 나오면 로그에서 thinking = 1 여부를 확인하고 reasoning = off를 추가할 것.
VRAM 절약을 위해 Gemma 4 26B의 IQ3 양자화 버전을 우선적으로 고려할 것.

섹션별 상세

Gemma 4 초기 구동 시 빈 응답이 출력되는 문제가 발생했다. 원인은 기본 설정된 'Thinking mode'가 토큰을 모두 소모하는 것과 llama.cpp의 토크나이저 버그였다. reasoning = off 설정과 PR #21343이 반영된 최신 빌드를 적용하자 점수가 20점 이상 상승하며 1위를 기록했다.

Gemma 4 버그 수정 전후의 벤치마크 점수 변화 — Chart토크나이저 수정과 추론 설정 변경 후 점수가 20점 이상 급등하여 모델의 실제 잠재력이 발휘되었음을 증명한다.

AMD Strix Halo와 같은 공유 메모리 환경에서 MoE 모델의 효율성이 입증됐다. 3B-10B 활성 파라미터를 가진 MoE 모델들은 Vulkan 기반에서 40-60 tok/s의 실용적인 속도를 보였다. 반면 9B 이상의 Dense 모델들은 속도가 너무 느려 실질적인 업무 자동화에 부적합한 것으로 나타났다.

19개 모델의 벤치마크 결과 요약표 — Chart각 모델의 최종 점수, 초당 토큰 수(tok/s), VRAM 점유량을 한눈에 비교하여 성능 순위를 보여준다. Gemma 4 26B가 81%의 점수로 1위를 차지했음을 확인할 수 있다.

양자화 수준에 따른 성능 트레이드오프 분석이 수행됐다. IQ3 양자화는 Q4 대비 VRAM 사용량을 35% 줄이면서도 성능은 98% 수준을 유지하여 가장 효율적인 선택지로 확인됐다. Q8은 가장 높은 점수를 기록했으나 IQ3 대비 2.4배의 VRAM을 요구했다.

양자화 비트 수에 따른 성능 및 자원 사용량 비교 차트 — ChartIQ3부터 Q8까지 양자화 수준이 높아짐에 따라 성능 점수는 상승하지만 VRAM 사용량이 급격히 늘어나는 상관관계를 수치로 제시한다.

실무 Takeaway

Gemma 4를 로컬에서 사용할 때는 반드시 reasoning = off를 설정하고 최신 llama.cpp 빌드를 사용해야 제 성능이 나온다.
iGPU 기반 시스템에서는 추론 속도 확보를 위해 Dense 모델보다는 MoE 구조의 모델을 선택하는 것이 유리하다.
VRAM이 제한적인 환경에서는 IQ3 양자화가 성능 저하를 최소화하면서 메모리 효율을 극대화할 수 있는 최적의 지점이다.

언급된 도구

llama.cpp추천

로컬 LLM 추론 엔진

llama-server추천

모델 서빙 및 API 제공

Claude Opus추천

벤치마크 응답 자동 채점 및 평가