- 프로젝트 소개
저희 프로젝트는 물건이 어떤 쓰레기통에 속하는지, 그리고 그 이유를 알려주는 비서 역할을 합니다. 플라스틱 병처럼 쉬운 물건도 있지만, 기름 묻은 피자 상자나 깨진 전구 같은 까다로운 물건들도 있습니다. 저희는 '카테고리: 재활용 가능. 이유: …'와 같이 명확한 형식으로 답변을 받기를 원합니다.
NLP 수업에서 저는 GPT를 사용해 다음 단어 예측기(next-word predictor)를 만들었지만, 기본 버전만 사용했을 뿐 GPT-2까지는 도달하지 못했습니다. 이 블로그를 조사하면서 다음 단어 예측이 사실 모든 최신 LLM(대규모 언어 모델)이 하는 일이라는 것을 알게 되었습니다. 다만 그 규모가 훨씬 클 뿐입니다. LLM은 가능한 모든 다음 토큰에 확률을 부여하고, 완전한 답변을 얻을 때까지 계속해서 하나를 선택합니다.
저희 팀은 예산이 없어 16GB 메모리를 가진 무료 Google Colab T4 GPU를 사용합니다. 그래서 저는 약 40억 개 이하의 파라미터를 가진 오픈 모델들을 검색했습니다.
- 제가 살펴본 네 가지 모델
Qwen3-4B-Instruct-2507 (Alibaba, Qwen 팀). 이 모델은 40억 개의 파라미터와 262,144 토큰이라는 매우 큰 컨텍스트 창을 가지고 있습니다. 라이선스는 Apache-2.0입니다. 지침을 잘 따르도록 구축되었으며, '사고 모드(thinking mode)'가 없어 답변이 긴 추론 텍스트로 시작하지 않습니다.
Llama-3.2-3B-Instruct (Meta). 이 모델은 약 32억 1천만 개의 파라미터를 가지고 있으며 128K 컨텍스트 창을 가집니다. Llama 3.2 Community License 하에 2024년 9월에 출시되었습니다. 대화와 요약에 능합니다. 다운로드하려면 Hugging Face 계정이 필요하며 Meta의 약관에 동의해야 합니다.
Phi-4-mini-instruct (Microsoft). 이 모델은 38억 개의 파라미터와 128K 컨텍스트 창을 가지며, MIT 라이선스 하에 있습니다. 2025년 2월에 출시되었으며, 크기에 비해 수학과 논리 분야에서 특히 뛰어납니다.
SmolLM3-3B (Hugging Face). 이 모델은 30억 개의 파라미터를 가지고 있습니다. 64K 컨텍스트로 훈련되었으며 YaRN이라는 방법을 사용하여 128K까지 도달할 수 있습니다. 라이선스는 Apache-2.0입니다. 여섯 가지 언어를 지원하며, 켜거나 끌 수 있는 추론 모드를 가지고 있습니다. 이 모델의 학습 레시피는 완전히 공개되어 있습니다.
- 비교표
메모리 열은 제가 추정한 값입니다: 파라미터 수 × 2 바이트. 네 가지 모델 모두 T4의 16GB 안에 들어갑니다.
- 제가 선택한 모델: Qwen3-4B-Instruct-2507
저는 네 가지 이유로 Qwen3-4B-Instruct-2507을 선택했습니다.
- 무료 Colab T4에서 실행 가능합니다. 저는 이를 다운로드하여 무료 Colab T4에 로드했습니다. 모델 파일 크기는 8.04 GB이며, 이는 제가 추정한 40억 × 2 바이트와 일치합니다. T4가 bfloat16을 지원하지 않기 때문에 float16으로 로드했습니다. 성공적으로 로드되었으므로 16GB 제한 내에 들어갑니다. 정확한 속도는 측정하지 않았습니다.
-
무료이며 시작하기 쉽습니다. API 키, 유료 플랜 또는 이용 약관 동의가 필요하지 않았습니다. Apache-2.0 라이선스이므로 즉시 다운로드하여 사용할 수 있었습니다. Llama는 계정과 Meta의 동의라는 추가 단계가 필요하며, 이는 팀에게 더 많은 작업입니다.
-
지침을 따르고 깔끔한 답변을 제공합니다. 저희 비서는 항상 동일한 형식으로 답변해야 합니다. Qwen3-4B-Instruct-2507은 명령어(instruction) 준수 능력을 개선했으며, '사고 모드(thinking mode)'가 없기 때문에 추가 텍스트 없이 바로 답변이 나옵니다. 이는 읽기 쉽고 코드에서 사용하기 쉽다는 것을 의미합니다.
-
저희 프로젝트에 세 가지 방식으로 도움을 줄 수 있습니다.
- 분류 정확도: 저희 카테고리와 형식을 준수합니다.
- 폐기물 처리 규칙 설명: 큰 컨텍스트 창(context window) 덕분에 로컬 재활용 규칙을 프롬프트에 붙여넣어 추측하는 대신 규칙을 사용하여 설명할 수 있습니다.
- 까다로운 품목: 어려운 품목의 몇 가지 예시를 보여주고 한 문장으로 이유를 요청할 수 있습니다.
Phi-4-mini는 수학과 논리 분야에 가장 뛰어나지만, 폐기물 분류에는 중요도가 낮다. Llama는 계정 및 이용약관 절차가 필요하다. SmolLM3는 매우 개방적이고 좋지만, 6개 언어와 짧은 학습 컨텍스트(trained context)를 기반으로 구축되어 있어 우리에게는 도움이 적다.
한계점. Qwen3-4B가 네 모델 중 가장 크기 때문에 약간 느리고 메모리를 가장 많이 사용한다. 만약 메모리가 부족해지면, 우리의 백업은 Qwen3-1.7B이다. 모든 LLM과 마찬가지로, 이 모델도 사실이 아닌 것을 만들어낼 수 있다(환각/Hallucination). 따라서 중요한 규칙의 경우, 모델의 기억에 의존하기보다는 실제 규칙을 프롬프트(prompt)에 명시해야 한다.
- 결론
나는 이 작업을 할 때 수업 프로젝트에서 배운 다음 단어 예측(next-word prediction) 지식만 가지고 있었다. 이제는 더 큰 모델들이 어떻게 작동하는지, 그리고 크기(size), 라이선스(licence), 메모리(memory), 지침 준수 능력 등 실제 사실을 바탕으로 어떻게 하나를 선택해야 하는지 이해하게 되었다. 우리 프로젝트를 위해, 나는 Qwen3-4B-Instruct-2507을 선택한다.
참고 자료
Qwen 팀. Qwen3-4B-Instruct-2507 모델 카드. [https://huggingface.co/Qwen/Qwen3-4B-Instruct-2507]
Meta. Llama-3.2-3B-Instruct 모델 카드. [https://huggingface.co/meta-llama/Llama-3.2-3B-Instruct]
Microsoft. Phi-4-mini-instruct 모델 카드. [https://huggingface.co/microsoft/Phi-4-mini-instruct]
Hugging Face. SmolLM3-3B 모델 카드. [https://huggingface.co/HuggingFaceTB/SmolLM3-3B]
Qwen 팀. Qwen3 기술 보고서. arXiv (출판 전 번호 확인 필요).
강의 노트: LLM_01 LLM 소개.