최근 LLM 발전은 대규모 모델(Dense Language Models)의 규모 확장(Scaling)에 크게 의존해 왔습니다. 초기 ULMFiT부터 GPT-2, 그리고 현재 수백억 개 이상의 파라미터를 가진 시스템까지, '더 많은 데이터 + 더 많은 파라미터 = 더 나은 성능'이라는 공식이 주류였습니다.
하지만 이러한 밀집 스케일링(Dense Scaling) 방식은 실질적인 한계에 도달했습니다. 모델 학습 비용의 기하급수적 증가, 추론 시 지연 시간(Inference Latency)의 급격한 상승, 그리고 막대한 메모리 및 하드웨어 요구 사항이 그 예입니다.
Mixture of Experts (MoEs): 효율성을 극대화하는 아키텍처
MoE는 이러한 한계를 돌파하기 위해 등장했습니다. MoE 모델은 트랜스포머의 기본 구조를 유지하되, 일부 밀집 피드-포워드 레이어(Feed-Forward Layer)를 여러 개의 '전문가(Experts)' 세트로 대체합니다. 여기서 전문가란 특정 주제에 국한된 모듈이 아니라, 단순히 학습 가능한 서브 네트워크(learnable sub-network)입니다.
핵심 원리는 다음과 같습니다: 각 토큰은 라우터(Router) 메커니즘을 통해 자신에게 가장 적합하거나 필요한 소수의 전문가만을 선택적으로 활성화하여 처리합니다. 이로 인해 모델의 전체 용량(Capacity)은 총 파라미터 수에 의해 결정되지만, 실제 추론 속도와 계산 부하(Compute Load)는 오직 '활성 파라미터(Active Parameters)'에 의해서만 결정됩니다.
MoE의 압도적인 효율성 예시:
예를 들어, 총 210억 개의 파라미터를 가진 모델이 있다고 가정해 봅시다. 이 모델은 32개의 전문가 중 단 4개만을 토큰당 활성화한다고 할 때, 실제 추론 시 사용되는 계산량은 약 36억 개 수준에 머무릅니다. 이는 마치 36억 개 파라미터의 밀집 모델과 유사한 성능을 내면서도, 210억 개라는 거대한 용량을 유지할 수 있게 합니다.
이러한 구조적 이점 덕분에 MoEs는 다음과 같은 장점을 제공합니다:
- 뛰어난 계산 효율성 (Compute Efficiency): 고정된 학습 FLOP 예산(FLOP budget) 내에서 밀집 모델보다 우수한 성능을 보이므로, 반복적인 개선과 확장성이 뛰어납니다.
- 자연스러운 병렬화 축 (Natural Parallelization Axis): 각 전문가가 독립적인 계산 단위를 제공하므로, 토큰들이 서로 다른 전문가를 사용하면서 '전문가 간 병렬 처리(Expert Parallelism)'가 가능해집니다.
- 산업계 채택 가속화: Qwen 3.5, MiniMax M2, GLM-5 등 최신 오픈소스 모델과 DeepSeek V2 같은 선도적인 시스템에서 MoE 구조의 도입이 활발하게 이루어지고 있습니다.
MoEs를 위한 인프라의 진화: WeightConverter의 역할
기존 LLM 생태계의 대부분의 툴링(모델 로딩, 장치 배치, 양자화 등)은 밀집 모델을 전제로 설계되었습니다. MoE 구조가 주류가 되면서 이러한 가정들을 근본적으로 재설계해야 할 필요성이 생겼습니다.
특히 가중치 로딩 과정에서 큰 변화가 있었습니다. 체크포인트(Checkpoint) 파일에는 각 전문가의 가중치가 개별적인 텐서로 분리되어 저장되는 경우가 많습니다 (예: model.layers.3.mlp.experts.0..., model.layers.3.mlp.experts.255...). 하지만 GPU가 최적화된 커널(Kernel)을 사용하여 MoE를 실행하려면, 이 모든 전문가 가중치들이 하나의 연속적인 텐서(Contiguous Tensor)로 '패킹(Packing)'되어야 합니다.
이러한 '체크포인트의 분리된 구조'와 '런타임의 통합된 요구사항' 사이의 불일치를 해소하기 위해, 트랜스포머 라이브러리는 WeightConverter라는 추상화 계층을 도입했습니다. 이 도구는 단순히 가중치를 복사하는 것이 아니라, 체크포인트에 저장된 여러 개의 분리된 텐서들을 지정된 연산(예: MergeModulelist, Concatenate)을 통해 원하는 런타임 레이아웃의 단일 연속 텐서로 변환하는 파이프라인 역할을 합니다. 이는 MoE를 트랜스포머 프레임워크의 핵심 요소로 자리매김하게 한 중요한 진전입니다.
