3.2 KiB
3.2 KiB
id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by
| id | title | category | status | canonical_id | aliases | duplicate_of | source_trust_level | confidence_score | tags | raw_sources | last_reinforced | github_commit | inferred_by | |||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| wiki-2026-0508-adaptive-compute-적응형-계산량-조절 | Adaptive Compute (적응형 계산량 조절) | 10_Wiki/Topics | needs_review | self |
|
none | A | 0.97 |
|
2026-04-20 | pending | Claude Opus 4.7 (auto-normalize 2026-05-08) |
Adaptive Compute (적응형 계산량 조절)
📌 한 줄 통찰 (The Karpathy Summary)
"쉬운 문제는 대충, 어려운 문제는 신중하게." 모든 입력에 동일한 계산 자원을 낭비하지 않고, 과제 난이도에 따라 모델이 사용하는 연산량(층의 깊이, 활성 뉴런 수 등)을 유동적으로 조절하는 지능적 자원 배분 기술이다.
📖 구조화된 지식 (Synthesized Content)
- Early Exit: 모델의 중간 층에서 이미 결과가 확실하다면 최종 층까지 가지 않고 바로 결과를 출력하여 시간과 에너지를 아낌.
- MoE (Mixture of Experts): 거대 모델의 일부(전공 교수)만 활성화하여 특정 분야의 질문에만 자원을 집중함.
- Dynamic Token Processing: 문맥상 중요하지 않은 단어(조사 등)는 낮은 정밀도로 처리하고, 핵심적인 단어에 연산력을 몰아줌.
- Inference Efficiency: 동일한 정확도를 유지하면서 서빙 비용(GPU 소모)을 획기적으로 낮추는 핵심 열쇠다.
⚠️ 모순 및 업데이트 (Contradictions & Updates)
- 계산량을 줄이는 과정에서 모델의 '설명 가능성'이 파편화될 위험이 있다. 또한 어떤 문제가 '쉬운 문제'인지 판단하는 과정 자체가 또 다른 계산 오버헤드가 될 수 있으므로, 판단 로직을 극도로 가볍게 설계하는 것이 쟁점이다. 최근에는 OpenAI o1처럼 추론 시간을 의도적으로 늘려 성능을 극대화하는 '역방향' 적응형 계산 연구도 부상하고 있다.
🔗 지식 연결 (Graph)
- Related: Model-Compression , Mixture of Experts (MoE)
- Modern Pattern: Test-Time Compute Scaling (추론 시간 계산 스케일링)
🤖 LLM 활용 힌트 (How to Use This Knowledge)
언제 이 지식을 쓰는가:
- (TODO)
언제 쓰면 안 되는가:
- (TODO)
🧪 검증 상태 (Validation)
- 정보 상태: needs_review
- 출처 신뢰도: A
- 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)
🧬 중복 검사 (Duplicate Check)
- 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
- 처리 방식: UPDATE (자동 정규화)
- 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|---|---|---|---|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |