32GB Mac Mini에서 로컬 LLM 운용 한계와 최적화기

-

35B→9B 다운그레이드로 시스템 안정성을 확보한 아키텍처 리팩토링 실전기

핵심 요약

  • 35B MoE 모델이 VRAM 26.3GB를 점유하여 여유 메모리 0.1GB → 텔레그램 플러그인이 10분마다 사망
  • 4개 모델 45회 벤치마크 후 qwen3.5:9b 채택 — VRAM 9.2GB로 안정적 운영 확보
  • 9B 모델의 추론 약점은 스크립트 계층으로 보완 — "LLM이 판단 → 스크립트 실행" 구조를 뒤집었다

배경

Mac Mini M4 32GB에서 AI 에이전트를 24시간 운영 중이었습니다. 초기 2주간 정상 작동했으나, 텔레그램 플러그인이 반복적으로 종료되는 장애가 발생했습니다.

원인은 단순했습니다. qwen3.5:35b-a3b 모델이 VRAM 26.3GB를 점유하여 가용 메모리가 0.1GB에 불과했고, Swap 스래싱이 8GB를 초과한 것입니다.

본문

장애 중 발견된 5가지 연쇄 이슈

# 문제 근본 원인 심각도
1 gpt-5.4 Fallback 연쇄 실패 API HTTP 429 4회 연속 High
2 Ollama 0토큰 응답 오류 Thinking 결과가 content로 미인식 Critical
3 KEEP_ALIVE 설정 누락 launchctl reload 시 메모리 상주 리셋 High
4 NUM_CTX 적용 실패 환경변수 미적용, API 파라미터만 허용 Medium
5 서브에이전트 타임아웃 크론(300초) < 에이전트(600초) High

핵심: 추론 모델의 <think> 과정이 OpenAI 호환 API(/v1)에서 무시되어 content: ""만 전달. Gateway가 모델 장애로 오판하여 불필요한 Fallback 발동. → 네이티브 API(/api/chat)로 전환하여 해결.

벤치마크: 4개 모델, 45회 테스트

모델 정확도 VRAM 속도 Free RAM 판정
qwen3.5:35b-a3b 45/45 26.3GB 18.3 0.1GB ❌ 메모리 한계
qwen3:30b-a3b 42/45 20.4GB 37.7 12.0GB ❌ thinking 제어 불가
qwen3.5:9b 39/45 9.2GB 13.5 23.0GB ✅ 채택
deepseek-v2:16b 33/45 19.0GB 57.1 13.0GB ❌ 정확도 미달

9B 모델의 약점을 스크립트로 보완

설계 원칙의 변화: LLM이 판단 → 스크립트가 실행 에서 스크립트가 판단 → LLM은 지시만 실행 으로 전환.

9B 모델의 조건 분기 취약점을 상위 Python 스크립트에서 if/else 로직으로 선처리한 뒤, LLM에는 단방향 지시만 전달하는 구조로 리팩토링했습니다.

9B 모델 전용 운영 5계명: 1. 단일 책임 — 멀티스텝 지시 금지 2. 조건 분기 배제 — if/else는 스크립트로 3. 대용량 파일 직접 전달 금지 — 8KB 이상은 section-extract.py 경유 4. 명시적 도구 호출 — "수정하라" 대신 "write 도구를 호출하여 덮어써라" 5. 반환 규격 강제 — UPDATED 또는 SKIP 문자열만 반환

전환 결과

지표 이전 (35B) 이후 (9B)
플러그인 비정상 종료 10분당 1~2회 0회 (무중단)
Free RAM 0.1GB 6~8GB
Swap 메모리 8.0GB+ ~2.0GB
모델 전환 수정 파일 - 33개

시행착오 / 주의사항

  • 벤치마크 점수는 '독립 실행' 전제의 환상입니다. 35B가 만점이었지만 운영 환경에서는 가장 위험한 이웃이었습니다.
  • 모델 전환은 파일 교체가 아닌 시스템 리팩토링입니다. 33개 파일 수정이 필요했습니다. 초기 설계부터 모델 의존성을 추상화해야 합니다.
  • MoE 모델의 다운로드 크기와 VRAM 점유는 60% 이상 차이날 수 있습니다.

마무리

10분마다 죽는 천재 에이전트보다, 약간 느리더라도 24시간 지시를 완수하는 시스템이 인프라로서 더 큰 가치를 갖습니다. 모델 크기를 줄여 안정성을 확보하고, 지능의 하락분은 스크립트 로직으로 상쇄하는 것이 제한된 하드웨어 환경의 핵심 전략입니다.

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 »