로컬 AI 인프라 노트 (11/15) — qwen3의 thinking 모드를 끌 수 없다: MoE의 함정

-

벤치마크 최고 속도 모델이 실전에서 102초 걸린 이유와 모델 선택 교훈

핵심 요약

  • qwen3:30b-a3b는 tok/s 최고 속도(37.7)였지만, thinking 모드를 끌 수 없어 "Say OK"에 102초 소요
  • Modelfile 수정, 시스템 프롬프트, API 파라미터 모두 실패 — 모델 가중치 자체의 한계
  • 최종 선택은 qwen3.5:9b — thinking 제어 가능하고 VRAM 9.2GB로 운영 안정적

배경

로컬 LLM 추론 속도 개선을 위해 벤치마크하던 중 qwen3:30b-a3b 모델을 발견했습니다. MoE(Mixture-of-Experts) 아키텍처로 총 30B 파라미터 중 3B만 활성화되며, tok/s가 37.7로 가장 빨랐습니다.

그러나 "Say OK"라는 단순한 요청에 102초가 소요되었습니다. 약 3,500개의 토큰이 모두 추론(reasoning) 용도로 소모된 것입니다.

본문

thinking 제어 3번의 시도, 3번의 실패

시도 1: Ollama Modelfile 수정 — <think> 태그 주입을 제거하려 했으나, 모델 가중치 자체가 추론하도록 학습되어 있어 무효.

시도 2: 시스템 프롬프트 억제 — "절대 thinking을 사용하지 마시오"라는 지시는 무시됨. 모델은 thinking 블록 내에서 추론 필요성을 다시 설명.

시도 3: API think:false 파라미터 — thinking 필드는 비워졌지만, 추론 텍스트가 content 필드로 이동했을 뿐 시간과 토큰 소모 동일.

qwen3 vs qwen3.5 비교

모델 think:false 결과
qwen3:30b-a3b 제어 불가
qwen3.5:9b 정상 작동
qwen3.5:35b-a3b 정상 작동

Ollama 기본 템플릿의 이중 함정

Ollama의 기본 템플릿이 응답 생성 시 <think> 태그를 하드코딩으로 강제 주입하고 있었습니다. 모델 가중치의 추론 강제와 겹쳐 이중 함정을 형성합니다.

VRAM 불일치 함정

deepseek-v2:16b는 다운로드 크기 8.9GB이지만 실제 VRAM 점유 19.0GB. MoE 아키텍처는 라우터와 KV 캐시 오버헤드로 다운로드 크기보다 60% 이상 큰 메모리를 필요로 합니다.

최종 선택

모델 tok/s 응답 시간 thinking 제어 VRAM
qwen3:30b-a3b 37.7 102초 ❌ 20.4GB
qwen3.5:35b-a3b 18.3 6.2초 ✓ 26.3GB
qwen3.5:9b 13.5 8.1초 ✓ 9.2GB

시행착오 / 주의사항

  1. 끌 수 없는 기능의 위험성: thinking 모드는 모델의 강점이지만, 비활성화 불가하면 에이전트 시스템에서 독이 됩니다.
  2. tok/s ≠ 응답 시간: 빠른 생성 속도가 빠른 엔드투엔드 응답 시간을 보장하지 않습니다.
  3. 다운로드 크기 ≠ VRAM: MoE 모델은 실제 환경 로드 후 ollama ps로 실측이 필수입니다.

마무리

벤치마크에서 가장 빠른 모델이 실전에서 가장 느린 모델이 될 수 있습니다. 최고 성능 측정보다 실제 에이전트 태스크(도구 호출, heartbeat 응답)를 기반으로 벤치마크해야 합니다.

시리즈 전체 안내: 시리즈 목차

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 »