Workspace IndexKnowledge Notes › Local AI, in four parts — weights, quantization, an engine, and memory decide whether a model runs on your machine

#97PoC2026-09-19chat

Local AI, in four parts — weights, quantization, an engine, and memory decide whether a model runs on your machine

Tim from Tech With Tim gave a roughly 24-minute walkthrough (YouTube) of what "running AI locally" actually means: instead of calling a cloud chatbot, you download a model's weight file and run inference on your own CPU or GPU (01:11, 01:42). The payoff is no data leaving the machine, no subscription or per-token cost, and it keeps working offline (01:48). The weights are tens to hundreds of billions of floating-point parameters (02:37, 02:48); a bigger parameter count (8B, 70B) generally means a smarter model, but file size and required memory grow right along with it (03:23). Quantization — lowering weight precision from 16-bit down to 4-bit or 8-bit (Q4, Q8), the same trade JPEG makes on pixels — shrinks that footprint with limited quality loss, and GGUF is the standard packaging format for the result (03:50, 04:03, 04:21). An inference engine, almost always llama.cpp underneath, loads the weights into memory and runs the matrix math that produces the next token (04:55, 05:06, 05:12).

For Jayverse this is sizing vocabulary jay can reuse anywhere a model needs to run on his own hardware instead of a hosted API: how big a model fits, how fast it answers, and which of four wiring options to use.

Why

Getting local inference to work is really four separate decisions, not one "can my machine run it" lookup, and treating them separately is what makes the numbers below usable. Skip quantization and a 70B model needs roughly 140GB just for weights at 16-bit; pick a reasonable quantization and the same model fits under 40GB with modest quality loss. Skip the memory check and the process either refuses to load or pages to disk, no matter how good the engine is. Skip the engine layer entirely and there's nothing to load the weights or run the math at all. A leaderboard score answers "how smart," not "will this run here" — the four levers (weights, quantization, engine, memory) are what actually answer the second question, and they can be tuned independently of each other.

How it works

Weights and parameters set both intelligence and cost

A local model is, physically, a file: a few gigabytes to a few hundred, holding tens to hundreds of billions of learned floating-point parameters (02:37, 02:48). The parameter count in a model's name is a direct proxy for both capability and cost — roughly, parameter count times bytes-per-parameter sets file size and memory footprint, so doubling the parameter count roughly doubles both (03:23). That is why "how smart a model can I run" and "how big a model can I run" are the same question asked two ways.

Quantization and GGUF compress the file, not the idea

Quantization lowers each weight's numeric precision — 16-bit down to 8-bit (Q8) or 4-bit (Q4) — trading a small, largely invisible quality loss for a much smaller footprint (03:50, 04:03); Q4 roughly quarters the 16-bit size. GGUF is the file format llama.cpp defined to package a quantized model together with its metadata (tokenizer, architecture) into one portable file, and it has become the default format for locally distributed models (04:21).

The inference engine does the actual work

The engine loads GGUF weights into memory and, for each new token, runs a forward pass — the matrix multiplications between the input and the weight matrices that produce the next token's probability distribution (04:55, 05:06, 05:12). llama.cpp is the reference implementation and underlies nearly every local tool, so "which engine" and "which app" usually turn out to be the same question wearing different UI.

Memory is the gate; bandwidth is the speed

The first hard constraint is whether the weights, plus a working buffer, fit in memory at all (05:28, 06:22). On PC or Linux this means GPU VRAM specifically — the model has to fit in the card's own memory for GPU-speed inference (05:39). On a Mac it means the unified memory pool, since Apple Silicon's CPU and GPU share one physical memory bank rather than the GPU getting its own smaller VRAM allotment (05:54). As a rule of thumb from the video: 8GB fits a 3-4B model, 16GB fits 7-8B, and 32GB fits 14-30B, which the video calls the sweet spot where perceived intelligence jumps the most per gigabyte spent (06:27, 06:43, 09:09).

Once a model fits, capacity and speed pull in opposite directions across the two platforms. Apple Silicon's unified memory scales past 128GB, enough to load a 70B+ model a 24GB card never could, but memory bandwidth is the bottleneck, so tokens/second run comparatively slow (07:36, 07:41, 08:39). An Nvidia RTX 4090 tops out at 24GB VRAM — too little for the largest models — but its bandwidth is far higher, so on any model that fits both machines the 4090 runs it roughly 2-3x faster, on the order of 100-200 tokens/s in the video's numbers (08:14, 08:28). None of this is fixed once and forgotten: a longer context window adds a KV cache on top of the weights, and that cache grows with context length independent of model size, so a long-running conversation can push a model that fit at first out of memory later (07:05, 14:13).

Four ways to actually run one

LM Studio is the GUI path: search a model, pick a quantization level (it flags which ones your hardware can realistically handle), one-click download, chat locally (11:13, 11:18, 12:12, 13:02); it also runs a local HTTP server so your own code can hit it as a development endpoint (14:57). Ollama is the CLI path — ollama pull <model> then ollama run <model> (11:23, 15:52, 17:19, 17:28) — with a background daemon serving an OpenAI-compatible REST API on port 11434 by default (18:19, 18:51). Docker Model Runner, a Docker Desktop feature, treats a model like an image and a container: pull it, run it, and reference it as a service dependency in a Dockerfile or compose file (11:34, 19:02, 19:25, 20:03, 20:09). And the code path — libraries such as llama-cpp-python — loads weights directly and generates tokens with no app in between: minimum overhead, full control over sampling and prompt handling (11:45, 21:05, 21:10, 23:45).

Where it lands in Jayverse

  • Dark Horse: which local model fits jay's Mac to query the alice corpus. Size it with the memory-then-bandwidth rule above — check available unified memory against the 8/16/32GB tiers, pick the largest quantization that clears it, then check whether the resulting tokens/s is tolerable for interactive queries — and write the result as a one-page decision table, not a single pick.
  • Rabbit: key material and mandates stay behind a local model, full stop. Session keys and EIP-7702/7715 mandates should only ever be summarized or classified by a model running on jay's own hardware (Ollama or llama.cpp, not a hosted API); "no data leaves the machine" (01:48) is the actual requirement here, not a nice-to-have.
  • CI: Ollama in Docker as a PR-summary service, Docker Model Runner for the compose file. A small quantized model serving on port 11434 inside the CI container can generate PR summaries or flag odd commit messages without an external API call; Docker Model Runner is the natural way to declare that model as a service dependency in the compose file instead of scripting a manual ollama pull.
  • Theory: quantization as lossy compression, decode as bandwidth-bound. Q4/Q8 quantization is a concrete example for the lossy-compression trade-off entries in Theory, and the RTX-4090-versus-Apple-Silicon gap is a clean case of memory bandwidth, not compute, setting decode speed — the same shape as other bandwidth-bound systems already noted there.
  • Eng: interview prep — VRAM vs unified memory in one breath. "VRAM is memory dedicated to the GPU and physically separate from system RAM; unified memory is one physical pool the CPU and GPU both address, which is why a Mac can load a bigger model than its GPU alone would suggest, at the cost of bandwidth" is worth being able to say without notes.

Verified and unverified

Verified on 2026-09-19: Tech With Tim is a real YouTube channel and this video exists at the given link; GGUF is llama.cpp's own model file format; llama.cpp underlies both Ollama and LM Studio; Ollama serves an OpenAI-compatible REST API on port 11434 by default; Docker Model Runner is a real Docker Desktop feature; Apple Silicon uses a unified memory architecture shared between CPU and GPU; the RTX 4090 has 24GB of VRAM; and KV-cache memory usage grows with context length — all documented, general behavior. Taken from the summary and not independently checked: the specific memory-to-model-size guide (8GB→3-4B, 16GB→7-8B, 32GB→14-30B), the tokens/s figures (100-200 tokens/s on the 4090, the 2-3x gap over Apple Silicon), and all timestamps.

Sources: YouTube — Tech With Tim, "Local AI Explained: How to Run AI Models on Your Computer" · related items: mlx-local-agentic-ai-on-mac (Apple-specific, agentic), Life 1304 (Andrew Ng: keep sensitive data local), Tech #97, Tech #62 (agentic engineering writes the boundaries).

Key expressions

Words and phrases from this page worth keeping, with the Korean meaning and the sentence they come from.

Expression뜻 · 쓰이는 자리
weights가중치(학습으로 얻은 모델 파라미터 값) · 로컬 모델 파일의 실체. "you download a model's weight file"
parameter (8B, 70B)파라미터(모델을 이루는 숫자 하나하나, B=billion) · 모델 크기·능력의 표기 단위. "a bigger parameter count (8B, 70B)"
quantization양자화(가중치의 수치 정밀도를 낮춰 압축하는 것) · 로컬 모델 배포의 핵심 기법. "trading a small, largely invisible quality loss"
Q4 / Q84비트/8비트 양자화 표기 · 파일 크기·품질의 트레이드오프 레벨. "Q4 roughly quarters the 16-bit size"
GGUFllama.cpp가 정의한 로컬 모델 파일 포맷 이름(특정 확장 약어라기보다 llama.cpp 생태계의 고유 포맷명) · 로컬 배포 모델의 기본 컨테이너. "GGUF is the standard packaging format"
inference engine추론 엔진(가중치를 적재해 토큰을 생성하는 프로그램) · llama.cpp가 대표 사례. "loads the weights into memory and runs the matrix math"
forward pass순전파(입력을 모델에 통과시켜 출력을 얻는 한 번의 연산) · 추론 한 스텝을 가리키는 표준 용어. "runs a forward pass"
VRAMVideo RAM(GPU 전용 메모리, 시스템 RAM과 분리) · PC/Linux 로컬 추론의 1차 제약. "GPU VRAM specifically"
unified memory통합 메모리(CPU와 GPU가 공유하는 하나의 물리 메모리 풀) · Apple Silicon의 구조, 큰 모델 적재에 유리. "share one physical memory bank"
GPUGraphics Processing Unit(그래픽 처리 장치) · 로컬 추론의 주 연산 하드웨어. "run inference on your own CPU or GPU"
CPUCentral Processing Unit(중앙 처리 장치) · GPU와 함께 추론 하드웨어를 이룸. "your own CPU or GPU"
bandwidth대역폭(단위 시간당 메모리에서 읽어올 수 있는 데이터량) · tokens/s 속도를 정하는 실제 병목. "memory bandwidth is the bottleneck"
KV cacheKey-Value 캐시(이전 토큰들의 키·값을 저장해 재계산을 피하는 메모리) · 컨텍스트가 길어질수록 커지는 추가 메모리. "a KV cache on top of the weights"
tokens/s초당 생성 토큰 수 · 추론 속도를 재는 표준 단위. "100-200 tokens/s in the video's numbers"
REST APIRepresentational State Transfer API(웹 표준 방식의 요청-응답 인터페이스) · Ollama가 노출하는 인터페이스 형태. "an OpenAI-compatible REST API"
HTTP serverHyperText Transfer Protocol 서버 · LM Studio가 로컬로 띄우는 개발용 엔드포인트. "runs a local HTTP server"
CLICommand Line Interface(명령줄 인터페이스) · Ollama를 쓰는 방식(ollama pull, ollama run). "Ollama is the CLI path"
GUIGraphical User Interface(그래픽 사용자 인터페이스) · LM Studio를 쓰는 방식. "LM Studio is the GUI path"
sweet spot최적점(투입 대비 효과가 가장 좋은 지점) · 32GB 구간을 부르는 말. "the sweet spot where perceived intelligence jumps the most"
rule of thumb경험칙(엄밀한 공식이 아닌 대략적인 지침) · 메모리-모델크기 가이드에 붙이는 라벨. "As a rule of thumb from the video"

← All Knowledge Notes · Workspace Index · Top ↑

로컬 AI, 네 부분 — 가중치, 양자화, 엔진, 메모리가 모델이 내 컴퓨터에서 돌아갈지를 결정한다

Tech With Tim의 Tim이 약 24분짜리 영상(YouTube)에서 "로컬로 AI를 돌린다"는 것이 실제로 무엇인지 설명한다. 클라우드 챗봇을 호출하는 대신 모델의 가중치 파일을 내려받아 자신의 CPU나 GPU로 추론을 실행하는 것이다(01:11, 01:42). 얻는 것은 데이터가 기기를 벗어나지 않는다는 점, 구독료나 토큰당 비용이 없다는 점, 오프라인에서도 계속 작동한다는 점이다(01:48). 가중치는 수백억 개의 부동소수점 파라미터다(02:37, 02:48). 파라미터 수(8B, 70B)가 클수록 대체로 더 똑똑하지만, 파일 크기와 필요 메모리도 그만큼 함께 커진다(03:23). 양자화 — 가중치 정밀도를 16비트에서 4비트나 8비트(Q4, Q8)로 낮추는 것, JPEG가 픽셀에 하는 것과 같은 거래 — 는 품질 손실을 제한하며 그 용량을 줄이고, GGUF가 그 결과물을 담는 표준 포맷이다(03:50, 04:03, 04:21). 추론 엔진은 거의 항상 그 밑에 llama.cpp가 있으며, 가중치를 메모리에 적재하고 다음 토큰을 만드는 행렬 연산을 실행한다(04:55, 05:06, 05:12).

Jayverse에서 이것은 모델을 호스팅된 API 대신 jay 자신의 하드웨어에서 돌려야 할 어디에서든 재사용할 수 있는 사이징 용어다. 어느 크기의 모델이 들어가는지, 얼마나 빨리 답하는지, 네 가지 연결 방법 중 무엇을 쓸지.

로컬 추론을 돌아가게 만드는 일은 사실 "내 기계가 이걸 돌릴 수 있나"라는 하나의 조회가 아니라 네 개의 독립된 결정이고, 이것들을 따로 다루는 것이 아래 숫자들을 쓸모 있게 만든다. 양자화를 건너뛰면 70B 모델은 16비트 가중치만으로 약 140GB가 필요하다. 적절한 양자화를 고르면 같은 모델이 품질 손실을 조금만 감수하고 40GB 아래로 들어간다. 메모리 확인을 건너뛰면 엔진이 아무리 좋아도 프로세스가 로드를 거부하거나 디스크로 페이징된다. 엔진 계층을 아예 건너뛰면 가중치를 적재하거나 연산을 실행할 것이 애초에 없다. 리더보드 점수는 "얼마나 똑똑한가"에는 답하지만 "여기서 돌아가는가"에는 답하지 않는다. 실제로 두 번째 질문에 답하는 것은 네 개의 레버(가중치, 양자화, 엔진, 메모리)이고, 이것들은 서로 독립적으로 조정할 수 있다.

동작 방식

가중치와 파라미터가 지능과 비용을 함께 정한다

로컬 모델은 물리적으로 파일 하나다. 몇 기가바이트에서 몇백 기가바이트까지, 그 안에 학습된 수백억 개의 부동소수점 파라미터가 들어 있다(02:37, 02:48). 모델 이름의 파라미터 수는 능력과 비용 모두의 직접적인 대용 지표다. 대략 파라미터 수 곱하기 파라미터당 바이트가 파일 크기와 메모리 사용량을 정하므로, 파라미터 수를 두 배로 하면 둘 다 대략 두 배가 된다(03:23). 그래서 "얼마나 똑똑한 모델을 돌릴 수 있나"와 "얼마나 큰 모델을 돌릴 수 있나"는 같은 질문을 두 가지로 물은 것뿐이다.

양자화와 GGUF는 아이디어가 아니라 파일을 압축한다

양자화는 각 가중치의 수치 정밀도를 낮춘다. 16비트에서 8비트(Q8)나 4비트(Q4)로. 작고 대체로 눈에 띄지 않는 품질 손실을 훨씬 작은 용량과 맞바꾼다(03:50, 04:03). Q4는 16비트 크기를 대략 4분의 1로 줄인다. GGUF는 llama.cpp가 정의한 파일 포맷으로, 양자화된 모델을 메타데이터(토크나이저, 아키텍처)와 함께 하나의 이동 가능한 파일로 묶으며, 로컬로 배포되는 모델의 기본 포맷이 되었다(04:21).

추론 엔진이 실제 작업을 한다

엔진은 GGUF 가중치를 메모리에 적재하고, 새 토큰마다 순전파(forward pass)를 실행한다. 입력과 가중치 행렬 사이의 행렬 곱셈으로 다음 토큰의 확률 분포를 만든다(04:55, 05:06, 05:12). llama.cpp가 기준 구현이며 거의 모든 로컬 툴의 밑바탕이므로, "어느 엔진인가"와 "어느 앱인가"는 보통 같은 질문에 다른 UI를 입힌 것일 뿐이다.

메모리가 문을 열고, 대역폭이 속도를 정한다

첫 번째 절대 조건은 가중치와 작업용 버퍼가 메모리에 들어가는가다(05:28, 06:22). PC나 Linux에서는 구체적으로 GPU VRAM을 뜻한다. GPU 속도로 추론하려면 모델이 그래픽카드 자체 메모리에 들어가야 한다(05:39). Mac에서는 통합 메모리 풀을 뜻한다. Apple Silicon은 CPU와 GPU가 별도의 작은 VRAM을 각각 갖는 대신 하나의 물리 메모리 뱅크를 공유하기 때문이다(05:54). 영상이 제시하는 경험칙: 8GB는 3~4B 모델, 16GB는 7~8B, 32GB는 14~30B가 들어가며, 영상은 이 32GB 구간을 투입한 기가바이트 대비 체감 지능이 가장 크게 오르는 스위트 스폿이라고 부른다(06:27, 06:43, 09:09).

일단 모델이 들어가고 나면 두 플랫폼에서 용량과 속도가 반대 방향으로 당긴다. Apple Silicon의 통합 메모리는 128GB를 넘게 확장되어 24GB 카드로는 불가능한 70B 이상 모델을 적재할 수 있지만, 메모리 대역폭이 병목이라 초당 토큰 수는 상대적으로 느리다(07:36, 07:41, 08:39). Nvidia RTX 4090은 VRAM 24GB가 한계라 최대형 모델에는 부족하지만 대역폭이 훨씬 빨라서, 두 기계 모두에 들어가는 모델이라면 4090이 대략 2~3배 빠르게, 영상 수치로는 초당 100~200 토큰 정도로 돌린다(08:14, 08:28). 이것은 한 번 정해지고 끝나는 값이 아니다. 컨텍스트 창이 길어지면 가중치 위에 KV 캐시가 추가되고, 이 캐시는 모델 크기와 무관하게 컨텍스트 길이에 따라 커지므로, 처음엔 들어갔던 모델도 대화가 길어지면 나중에 메모리를 초과할 수 있다(07:05, 14:13).

실제로 돌리는 네 가지 방법

LM Studio는 GUI 경로다. 모델을 검색하고, 양자화 버전을 고르면(하드웨어가 실제로 감당할 수 있는 버전을 표시해 준다) 원클릭으로 내려받아 로컬에서 채팅한다(11:13, 11:18, 12:12, 13:02). 로컬 HTTP 서버도 내장하고 있어 자신의 코드가 개발용 엔드포인트로 호출할 수 있다(14:57). Ollama는 CLI 경로다. ollama pull <model> 다음 ollama run <model>(11:23, 15:52, 17:19, 17:28). 백그라운드 데몬이 기본적으로 포트 11434에서 OpenAI 호환 REST API를 서빙한다(18:19, 18:51). Docker Model Runner는 Docker Desktop 기능으로, 모델을 이미지와 컨테이너처럼 다룬다. 받고, 실행하고, Dockerfile이나 compose 파일에서 서비스 의존성으로 참조한다(11:34, 19:02, 19:25, 20:03, 20:09). 그리고 코드 경로 — llama-cpp-python 같은 라이브러리로 가중치를 직접 로드해 앱 없이 토큰을 생성한다. 오버헤드가 최소고 샘플링과 프롬프트 처리를 완전히 제어할 수 있다(11:45, 21:05, 21:10, 23:45).

Jayverse에서의 위치

  • Dark Horse: alice 코퍼스에 물을 로컬 모델을 jay의 Mac에 어떤 크기로 맞출지. 위의 메모리 우선·대역폭 다음 규칙으로 사이징한다. 사용 가능한 통합 메모리를 8/16/32GB 구간에 대보고, 그걸 통과하는 가장 큰 양자화를 고른 다음, 결과 tokens/s가 대화형 질의에 견딜 만한지 확인한다. 그 결과를 하나의 선택이 아니라 한 페이지짜리 결정표로 적어 둔다.
  • Rabbit: 키 자료와 mandate는 무조건 로컬 모델 뒤에만 둔다. 세션 키와 EIP-7702/7715 mandate는 jay 자신의 하드웨어에서 도는 모델(Ollama나 llama.cpp, 호스팅 API 아님)만 요약하거나 분류해야 한다. "데이터가 기기를 벗어나지 않는다"(01:48)는 것이 여기서는 선택이 아니라 요구 사항이다.
  • CI: Docker 안의 Ollama를 PR 요약 서비스로, compose 파일은 Docker Model Runner로. CI 컨테이너 안에서 포트 11434로 서빙하는 작은 양자화 모델이 외부 API 호출 없이 PR 요약이나 이상한 커밋 메시지 표시를 생성할 수 있다. Docker Model Runner는 ollama pull을 수동 스크립트로 넣는 대신 그 모델을 compose 파일의 서비스 의존성으로 선언하는 자연스러운 방법이다.
  • Theory: 양자화는 손실 압축, 디코드는 대역폭 제약. Q4/Q8 양자화는 Theory의 손실 압축 트레이드오프 항목에 쓸 수 있는 구체적 예이고, RTX 4090 대 Apple Silicon 격차는 디코드 속도를 정하는 것이 연산이 아니라 메모리 대역폭이라는 깔끔한 사례다. Theory에 이미 있는 다른 대역폭 제약 시스템들과 같은 모양이다.
  • Eng: 인터뷰 준비 — VRAM과 통합 메모리를 한 호흡에 설명하기. "VRAM은 GPU 전용이고 시스템 RAM과 물리적으로 분리된 메모리다. 통합 메모리는 CPU와 GPU가 함께 주소를 참조하는 하나의 물리 풀이다. 그래서 Mac은 GPU만 봤을 때 예상보다 더 큰 모델을 적재할 수 있지만, 그 대가로 대역폭을 희생한다" — 이 정도는 메모 없이 말할 수 있어야 한다.

확인된 것과 미확인

2026-09-19 확인: Tech With Tim은 실제 YouTube 채널이고 이 영상은 주어진 링크에 존재한다. GGUF는 llama.cpp 자체의 모델 파일 포맷이다. llama.cpp는 Ollama와 LM Studio 둘 다의 기반이다. Ollama는 기본적으로 포트 11434에서 OpenAI 호환 REST API를 서빙한다. Docker Model Runner는 실제 Docker Desktop 기능이다. Apple Silicon은 CPU와 GPU가 공유하는 통합 메모리 아키텍처를 쓴다. RTX 4090은 VRAM 24GB다. KV 캐시 메모리 사용량은 컨텍스트 길이에 따라 커진다 — 모두 문서화된 일반적 동작이다. 요약에서 가져왔고 독립 확인하지 않은 것: 구체적인 메모리-모델크기 가이드(8GB→3~4B, 16GB→7~8B, 32GB→14~30B), tokens/s 수치(4090에서 초당 100~200 토큰, Apple Silicon 대비 2~3배 격차), 모든 타임스탬프.

출처: YouTube — Tech With Tim, "Local AI Explained: How to Run AI Models on Your Computer" · 관련 항목: mlx-local-agentic-ai-on-mac(Apple 특화, 에이전틱), Life 1304(Andrew Ng: 민감한 데이터는 로컬에), Tech #97, Tech #62(에이전틱 엔지니어링은 경계를 쓴다).

핵심 표현

이 페이지의 영어 본문에서 배울 만한 단어와 표현, 뜻과 나온 자리.

Expression뜻 · 쓰이는 자리
weights가중치(학습으로 얻은 모델 파라미터 값) · 로컬 모델 파일의 실체. "you download a model's weight file"
parameter (8B, 70B)파라미터(모델을 이루는 숫자 하나하나, B=billion) · 모델 크기·능력의 표기 단위. "a bigger parameter count (8B, 70B)"
quantization양자화(가중치의 수치 정밀도를 낮춰 압축하는 것) · 로컬 모델 배포의 핵심 기법. "trading a small, largely invisible quality loss"
Q4 / Q84비트/8비트 양자화 표기 · 파일 크기·품질의 트레이드오프 레벨. "Q4 roughly quarters the 16-bit size"
GGUFllama.cpp가 정의한 로컬 모델 파일 포맷 이름(특정 확장 약어라기보다 llama.cpp 생태계의 고유 포맷명) · 로컬 배포 모델의 기본 컨테이너. "GGUF is the standard packaging format"
inference engine추론 엔진(가중치를 적재해 토큰을 생성하는 프로그램) · llama.cpp가 대표 사례. "loads the weights into memory and runs the matrix math"
forward pass순전파(입력을 모델에 통과시켜 출력을 얻는 한 번의 연산) · 추론 한 스텝을 가리키는 표준 용어. "runs a forward pass"
VRAMVideo RAM(GPU 전용 메모리, 시스템 RAM과 분리) · PC/Linux 로컬 추론의 1차 제약. "GPU VRAM specifically"
unified memory통합 메모리(CPU와 GPU가 공유하는 하나의 물리 메모리 풀) · Apple Silicon의 구조, 큰 모델 적재에 유리. "share one physical memory bank"
GPUGraphics Processing Unit(그래픽 처리 장치) · 로컬 추론의 주 연산 하드웨어. "run inference on your own CPU or GPU"
CPUCentral Processing Unit(중앙 처리 장치) · GPU와 함께 추론 하드웨어를 이룸. "your own CPU or GPU"
bandwidth대역폭(단위 시간당 메모리에서 읽어올 수 있는 데이터량) · tokens/s 속도를 정하는 실제 병목. "memory bandwidth is the bottleneck"
KV cacheKey-Value 캐시(이전 토큰들의 키·값을 저장해 재계산을 피하는 메모리) · 컨텍스트가 길어질수록 커지는 추가 메모리. "a KV cache on top of the weights"
tokens/s초당 생성 토큰 수 · 추론 속도를 재는 표준 단위. "100-200 tokens/s in the video's numbers"
REST APIRepresentational State Transfer API(웹 표준 방식의 요청-응답 인터페이스) · Ollama가 노출하는 인터페이스 형태. "an OpenAI-compatible REST API"
HTTP serverHyperText Transfer Protocol 서버 · LM Studio가 로컬로 띄우는 개발용 엔드포인트. "runs a local HTTP server"
CLICommand Line Interface(명령줄 인터페이스) · Ollama를 쓰는 방식(ollama pull, ollama run). "Ollama is the CLI path"
GUIGraphical User Interface(그래픽 사용자 인터페이스) · LM Studio를 쓰는 방식. "LM Studio is the GUI path"
sweet spot최적점(투입 대비 효과가 가장 좋은 지점) · 32GB 구간을 부르는 말. "the sweet spot where perceived intelligence jumps the most"
rule of thumb경험칙(엄밀한 공식이 아닌 대략적인 지침) · 메모리-모델크기 가이드에 붙이는 라벨. "As a rule of thumb from the video"

← 전체 기술 노트 · 워크스페이스 인덱스 · 맨 위 ↑