Atlas: Rust와 CUDA로 구현한 초고속 LLM 추론 엔진

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

TL;DR

Atlas는 Python과 PyTorch 의존성을 완전히 제거하고 Rust와 순수 CUDA로 작성된 고성능 LLM 추론 엔진입니다. 기존 vLLM이 20GB 이상의 이미지 크기와 긴 콜드 스타트 시간을 갖는 것과 달리, Atlas는 약 2.5GB의 단일 바이너리 이미지로 2분 이내의 빠른 실행이 가능합니다. Blackwell 아키텍처(GB10)에 최적화된 수동 튜닝 커널과 MTP(Multi-Token Prediction) 투기적 디코딩 기술을 통해 Qwen3.5-35B 모델에서 최대 130 tok/s의 성능을 기록했습니다. 현재 AGPL-3.0 라이선스로 오픈소스화가 진행 중이며, OpenAI 호환 API를 통해 다양한 에이전트 도구와 즉시 연동됩니다.

배경

Docker 및 NVIDIA Container Toolkit 설치 환경, NVIDIA Blackwell (GB10) 또는 호환 GPU (DGX Spark 등), CUDA 및 LLM 추론 아키텍처에 대한 기본 이해

대상 독자

고성능 LLM 추론 인프라를 구축하려는 MLOps 엔지니어 및 실시간 에이전트 서비스를 개발하는 개발자

의미 / 영향

Atlas의 등장은 Python 중심의 LLM 생태계에서 시스템 프로그래밍 언어인 Rust와 하드웨어 밀착형 최적화가 추론 효율성을 얼마나 극적으로 개선할 수 있는지 보여줍니다. 특히 Blackwell 아키텍처에 최적화된 커널을 제공함으로써 차세대 GPU 자원을 보유한 기업들에게 vLLM의 강력한 대안이 될 것으로 예상됩니다.

섹션별 상세

기존 추론 엔진의 무거운 의존성 구조를 해결하기 위해 Python과 PyTorch를 배제한 순수 Rust 및 CUDA 아키텍처를 채택했습니다. vLLM이 200개 이상의 패키지와 20GB 이상의 용량을 차지하는 반면, Atlas는 단일 바이너리 형태의 2.5GB 이미지로 배포되어 시스템 복잡도를 획기적으로 낮췄습니다. 이를 통해 인터프리터나 GIL, JIT 워밍업 없이 HTTP 요청부터 커널 디스패치까지 직접 연결되는 효율적인 실행 구조를 갖췄습니다.

Blackwell SM120/121 아키텍처에 최적화된 전용 CUDA 커널을 수동으로 튜닝하여 하드웨어 성능을 한계까지 끌어올렸습니다. Attention, MoE, Mamba-2 커널은 NVFP4 및 FP8 데이터 타입을 지원하며 네이티브 텐서 코어를 직접 활용하도록 설계되었습니다. 범용적인 폴백(fallback) 방식 대신 각 모델 아키텍처에 맞춤화된 레지스터 수준의 최적화를 적용한 것이 특징입니다.

MTP(Multi-Token Prediction) 기반의 투기적 디코딩 기술을 도입하여 한 번의 순전파(forward pass)에서 여러 토큰을 동시에 생성합니다. Qwen3.5-35B 모델 테스트 결과, 단일 토큰 디코딩 대비 최대 3배의 처리량 향상을 달성하며 평균 111.4 tok/s의 속도를 기록했습니다. 이는 동일 하드웨어 조건에서 vLLM의 37.5 tok/s보다 약 3.1배 빠른 수치입니다.

OpenAI 호환 API를 기본 제공하여 Claude Code, Cline, Open WebUI 등 기존 에이전트 생태계와 즉각적인 호환성을 확보했습니다. 도구 호출(Tool Calling), 구조화된 출력, 멀티턴 대화 기능을 지원하며 Qwen3-VL과 같은 멀티모달 모델에 대한 비전 지원도 포함되어 있습니다. 사용자는 간단한 Docker 명령만으로 DGX Spark 환경에서 즉시 서비스를 구동할 수 있습니다.

언급된 리소스

GitHubAtlas GitHub Repository

DemoAtlas Docker Image (avarok/atlas-gb10)