로컬 AI 인프라 노트 (10/15) — Mac Mini M4 로컬 LLM 벤치마크: MoE vs Dense

-
Mac Mini M4 로컬 LLM 벤치마크 — MoE가 Dense를 압도한 실측 기록

Qwen3.5 4종 비교와 Thinking 모드 함정, Warm/Cold Start 운용 전략

핵심 요약

  • MoE(Mixture of Experts) 아키텍처 35B 모델이 Dense 27B보다 3.8배 빠르다
  • Thinking 모드가 기본 활성화된 최신 모델은 단순 작업에서 80초를 낭비한다 — 반드시 비활성화
  • 로컬 LLM의 진정한 가치는 비용 회수가 아니라 무제한 실험과 데이터 프라이버시다

배경

AI 에이전트를 24시간 운영하면서 모니터링, 메모리 정리, 파일 I/O 같은 반복 작업을 클라우드 API 대신 로컬에서 처리하고 싶었다. Rate Limit과 네트워크 지연에서 벗어난 독립적 자동화 파이프라인이 목표였다. Mac Mini M4 32GB에서 Ollama 위의 Qwen3.5 모델 4종을 테스트했다.

벤치마크 결과

본문

Thinking 모드의 함정

벤치마크 결과

모델 아키텍처 Generation VRAM 3k 토큰 응답 판정
qwen3.5:27b Dense 4.5 tok/s 25.3GB ~170초 폐기
qwen3:8b Dense 빠름 ~8GB ~15초 지시 불이행
qwen3.5:9b Dense 13.1 tok/s ~8GB 30~60초 백업용
qwen3.5:35b-a3b-16k MoE 17.2 tok/s 26.0GB 20~40초 채택

MoE 모델의 우위가 압도적이었다. Prompt Eval 4.7배, Generation 3.8배, 응답 시간 약 7배 차이. MoE는 추론 시 활성 파라미터가 약 3B 수준이라 VRAM 점유는 비슷하면서 실제 연산량이 대폭 줄어든다.

Thinking 모드의 함정

자동화 크론 작업이 실패했다. "Say OK"라는 단순 응답에 80.8초가 걸리고 있었다. 분석 결과 실제 텍스트 생성은 0.12초, 나머지 전부가 thinking(추론) 과정에 낭비되고 있었다.

최신 모델들은 Reasoning 모드가 기본 활성화되어 있다. API에서 명시적으로 비활성화해야 한다.

{
  "payload": {
    "thinking": "off",
    "lightContext": true,
    "timeoutSeconds": 1800
  }
}

시각적으로 reasoning 출력을 숨기는 것만으로는 부족하다. thinking: "off"가 필수다.

Warm/Cold Start 운용 전략

Cold Start 시 첫 호출에 약 30초 지연이 추가 발생한다. 이를 해결하기 위해 두 가지 전략을 적용했다.

  1. LaunchAgent 자동 Warm-up: Mac 부팅 시 keep_alive=-1로 모델을 VRAM에 영구 상주
  2. 모델 공유: 모니터링과 메모리 관리 에이전트가 동일 모델을 공유. 30분 주기 하트비트가 Warm 상태를 자연스럽게 유지

로컬 LLM 프롬프트 설계 규칙

클라우드 LLM에서 작동하던 프롬프트가 로컬에서 실패하는 경우가 많았다.

  1. 단일 책임: 1프롬프트 = 1파일 + 1동작. 복합 지시는 스크립트에서 분할
  2. 명시적 도구 제어: "저장하라"가 아닌 "write 도구를 사용하여 저장하라"
  3. edit 도구 배제: 환각으로 인한 파라미터 오류가 잦아 write(덮어쓰기)만 허용

시행착오 / 주의사항

초기 하드웨어 비용 약 110만 원. BEP 달성에 약 5~6년 소요된다. 금전적 회수가 목적이라면 로컬 LLM은 비추천이다. 또한 32GB에서 26GB를 모델에 할당하면 OS 여유가 6GB뿐이라 더 큰 모델 실험은 불가능하다. 64GB 이상 또는 Mac Studio를 권장한다.

마무리

로컬 LLM의 진정한 가치는 세 가지다 — 무제한 테스트 환경, 완전한 데이터 프라이버시, 예측 가능한 지연 시간(항상 24초 내외). 파라미터 크기보다 아키텍처(MoE vs Dense)가 우선이라는 것을 실측으로 확인했다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »