AI 에이전트를 만들고 토큰·비용을 아끼는 데 도움이 되는 오픈소스 도구와 기법을 모읍니다.
HydraDB는 벡터 저장소와 시간 정보를 다루는 그래프를 결합한 데이터베이스로, 데이터가 실시간으로 계속 바뀌는 환경을 위해 설계되었다. 한 개발자가 로그가 계속 추가되고 상태가 실시간으로 변하는 프로젝트에 RAG 시스템을 구축하려는데, 일반 벡터 DB로는 시간 흐름에 따른 변화를 제대로 검색하기 어렵다는 문제를 겪고 있다. HydraDB의 개념이 이 문제를 해결할 수 있어 보이지만, 실제 프로덕션 사용 경험이나 신뢰할 수 있는 성능 비교 결과가 없어서 팀 시간을 투자할 가치가 있는지 판단이 어렵다는 고민이다. 결론적으로 커뮤니티에 실제 사용 경험이 있는지 묻는 글이며, 아직 답변은 없는 상태다.
Biostar Z890 Valkyrie 메인보드는 중앙처리장치에 직접 연결된 PCIe 5.0 슬롯 3개를 제공한다. 한 슬롯만 쓰면 x16, 두 슬롯을 쓰면 x8/x8, 세 슬롯을 쓰면 x8/x4/x4로 나뉜다. 듀얼 GPU로 LLM 추론을 돌리려는 구성에서는 두 GPU가 x8/x8로 동작하는 것이 기대 상황이다. 하지만 아래쪽 PCIe 슬롯에 SATA 확장 카드를 추가하면 가운데 GPU 슬롯이 x4 속도로 내려갈 수 있다. 핵심 걱정은 두 GPU를 x8/x4로 쓸 때 추론 속도가 체감될 만큼 떨어지는지다. 특히 모델이 VRAM 안에 완전히 들어가는 경우와, 일부만 GPU에 올리고 나머지를 다른 메모리로 넘기는 부분 오프로딩 상황이 구분된다.
로컬 대형 언어 모델을 글보다 영상으로 배우고 싶은 사람에게는 클릭을 부르는 겉모습보다 실제 테스트가 있는 채널을 고르는 것이 중요하다. 추천된 채널들은 새 모델 소개, 추론 기법 시연, 벤치마크, 양자화 품질 비교, 모델별 코딩 테스트, 하드웨어와 여러 장비를 묶어 쓰는 실험으로 나뉜다. Fahd Mirza는 새 추론 기법을 다룰 때 시연이나 벤치마크를 함께 보여주고, 길고 복잡한 논리 추론 질문으로 모델을 시험한다. Protorikis는 벤치마크와 양자화 품질 테스트에 강점이 있고, Token Chaser는 여러 로컬·클라우드 모델을 직접 비교하며 최근 영상에서는 한 번만 묻고 끝내지 않고 반복해서 개선하는 방식도 다룬다. Alex Ziskind는 하드웨어와 여러 대의 대형 언어 모델 장비를 묶는 실험을 보여주지만, 일부 평가는 오래된 모델 중심이거나 깊이가 부족하다는 비판도 있다. Bijan Bowen은 같은 테스트 질문을 반복해 모델끼리 비교하기 쉽지만, 자바스크립트 중심 테스트와 단일 질문 방식은 실제 개발 업무를 충분히 반영하지 못한다는 지적이 있다. 더 실전적인 평가가 필요하다는 의견도 강했다. 단일 프롬프트로 작은 결과물을 만드는 테스트보다, 기존 코드 안에서 오류를 고치고, 작업 흐름을 나누고, 하위 에이전트와 검증 에이전트를 붙이고, 긴 작업을 끝까지 수행하게 하는 평가가 AI 에이전트 구축에는 더 유용하다는 방향이다.
목표는 Llama 모델이 사용자 요청을 받으면 완성된 정적 웹페이지나 프론트엔드 구성요소를 만들도록 파인튜닝하는 것이다. 결과물은 HTML, CSS, 바닐라 자바스크립트로 된 반응형 화면이어야 하며, 바로 작동하는 닫힌 코드 블록이어야 한다. 문제는 알맞은 학습 데이터셋을 찾기 어렵다는 점이다. Hugging Face에서 찾은 자료는 대부분 LeetCode식 알고리즘 문제이거나, 사용자 요청과 짝이 맞지 않는 잘린 코드 조각이다. 필요한 형태는 Alpaca 형식처럼 “사용자 지시 → 완성된 결과물”이 분명하고, 결과물이 항상 독립 실행 가능한 웹페이지인 데이터셋이다. 학생 환경이라 DDR3 메모리와 Kaggle, Colab 같은 무료 클라우드 그래픽처리장치에 의존해야 하며, 데이터 라벨링 업체나 GPT-4 같은 비싼 상용 API를 많이 쓰기는 어렵다. 그래서 Hugging Face의 숨은 데이터셋이나, 기존 코드베이스를 걸러내고 지시문을 거꾸로 만드는 오픈소스 파이프라인이 필요하다.
Kuma는 파이토치로 만든 인공지능 모델을 하나의 자체 실행 패키지로 바꾸려는 실험 프로젝트다. 이 패키지에는 모델의 계산 구조, 가중치, 브라우저용 실행 코드, 런타임 정보가 함께 들어간다. 가벼운 런타임이 이 패키지를 읽고, 서버 없이 브라우저 안에서 WebGPU로 모델을 실행한다. 목표는 파이썬이나 무거운 실행 환경 없이 모델을 배포하는 것이다. 현재 시연은 테스트하기 쉬운 신경망 기반 영상 표현이지만, 실제 관심사는 연산자 네트워크와 과학용 기계학습처럼 하나의 이동 가능한 파일로 나눠 쓰고 싶은 분야다. 핵심 고민은 실행 코드를 패키지 안에 넣는 방식이 좋은 설계인지, ONNX Runtime을 다시 만드는 것에 그치는지, 비슷한 기존 시스템에서 배울 점이 있는지다.
복잡한 작업을 하나의 AI 에이전트가 모두 처리하게 하지 않고, 여러 AI 에이전트가 역할을 나눠 처리하는 방식이 주제다. 예를 들어 한 에이전트는 계획을 세우고, 다른 에이전트는 자료를 찾고, 또 다른 에이전트는 결과를 검토하는 식이다. 제공된 내용에는 구체적인 도구 이름, 비용 수치, 성능 비교, 구현 단계는 포함되어 있지 않다.
사무실에서 대형 언어 모델(LLM)을 실행하기 위해 DGX Spark 2대를 사려는 상황이다. 목적은 새 모델을 직접 훈련하거나 미세조정하는 것이 아니라, 이미 있는 모델을 돌려 답을 얻는 추론이다. 전력을 700와트 넘게 쓰는 큰 워크스테이션은 사무실 온도와 소음 면에서 부담이 커서, 더 작은 장비가 선택지로 검토되고 있다. 핵심 걱정은 DGX Spark의 운영체제가 Ubuntu 24.04 기반인데, Nvidia가 이 운영체제를 언제까지 지원할지 명확히 알려줬는지 여부다. 2028년쯤 지원이 끊겨 새 제품을 사야 하는 상황이 생기면, 2대에 약 1만3000유로를 쓰는 결정의 부담이 커진다. 성능 면에서는 초당 273GB 메모리 대역폭이 아쉽지만, 최고 성능보다 사무실에서 견딜 수 있는 온도와 전력 사용이 더 중요하게 여겨지고 있다.
로컬 대규모 언어 모델을 직접 돌리기 위해 몇 달 전 RX 7900 XTX 24GB 그래픽카드를 새 제품 900유로에 샀지만, 같은 카드를 하나 더 추가하려 하자 가격이 크게 올랐다. 새 RX 7900 XTX는 약 1200유로, 중고 제품도 약 900유로 수준이다. 더 싼 선택지는 RX 7900 XT 20GB인데, 최저가가 약 700유로라 오래된 카드치고도 부담이 크다. 엔비디아 그래픽카드는 더 비싸고, 현재 장비가 AMD RDNA 3 기반이라 llama.cpp에서 Vulkan이나 ROCm을 쓰려면 같은 계열의 RX 7900 XTX나 XT를 맞추는 쪽이 낫다고 보고 있다. 서로 다른 기술의 그래픽카드를 섞으면 성능이나 호환성이 좋지 않을 수 있다는 걱정도 있다. 가격 대비 비디오 메모리가 큰 카드 선택지가 별로 없고, 이런 카드 부족을 바로 해결할 새 제품도 보이지 않아, 아직 새 AMD RDNA 3 카드를 살 수 있을 때 비싼 가격을 감수해야 하는지 고민이 커졌다.
사용자 중심 관찰 가능성을 위한 오픈소스 구조 초안은 AI 서비스의 평가 지표가 어디에서 실행되는지 나눠 보려 한다. 핵심 구분은 로컬 처리와 클라우드 API 처리다. 로컬 처리는 정규식이나 기본 계산처럼 빠르고 네트워크 비용이 없는 작업을 뜻한다. 클라우드 API 처리는 LLM-as-a-Judge처럼 느리거나 호출 제한이 걸릴 수 있는 작업을 뜻한다. 공통 기반 클래스인 AppLayer는 점수와 지표별 점수 목록을 담아, 화면에서 빠르게 값을 찾아볼 수 있게 한다. IChatMetric 구조는 개발자가 직접 식별자를 만들지 않아도 코드 구조를 보고 자동으로 이름공간을 등록하는 방향을 제안한다.
LLM이 코드를 더 적은 토큰으로 쓰도록, LLM 전용 프로그래밍 언어를 만들자는 아이디어다. 이 언어는 각 토큰에 더 많은 뜻을 담거나 더 좁고 정확한 기능을 담아서, 파이썬보다 짧은 표현으로 같은 작업을 하게 만드는 것을 목표로 한다. 충분한 학습 데이터가 있다면 LLM이 더 빠르게 코드를 만들고, 추론 비용도 줄일 수 있다는 가정이 깔려 있다. 100만 토큰 문맥 창 안에 파이썬 코드보다 훨씬 더 많은 작업 내용을 넣을 수 있다는 주장도 있다. 세미콜론이나 중괄호처럼 사람에게 익숙한 문법 요소가 LLM에는 불필요한 잡음일 수 있으므로, 그런 요소를 줄이면 코드 작성 능력이 좋아질 수 있다는 생각이다. 다만 이는 아직 실험 결과가 아니라 가능성을 묻는 이론적 제안이다.
로컬 모델을 주로 쓰면서, 더 큰 작업이나 개인 장비가 바쁠 때는 클라우드 모델을 함께 쓰는 방식이 있다. 이때 번거로운 부분은 모델 자체보다 연결 설정이다. 여러 화면 도구나 작업 도구마다 엔드포인트, 키, 문맥 설정, 응답 형식을 따로 저장해야 해서 클라우드 모델을 바꿀 때마다 새 연결을 다시 만들게 된다. 문맥 설정이나 샘플러 프리셋도 모델마다 조금씩 달라 그대로 옮겨지지 않는 경우가 있다. GPTProto를 중간 연결 지점으로 두면 도구 쪽에서는 하나의 엔드포인트만 보이고, 모델 이름만 바꿔 클라우드 모델을 교체할 수 있다. 모델마다 동작이 달라 프리셋 확인은 여전히 필요하지만, 매번 연결을 처음부터 다시 만드는 일은 줄어든다. 로컬 모델은 따로 유지하고, 클라우드 모델 쪽만 하나의 연결로 묶는 방식이 가장 큰 불편을 줄였다.
llama.cpp의 b9788 릴리스에 인텔 GPU용 수정이 들어갔다. 핵심은 SYCL 환경에서 `--split-mode tensor` 옵션을 지원하는 변경이다. 이 옵션은 여러 GPU가 있을 때 모델 계산을 텐서 단위로 나누어 맡기는 방식과 관련된다. 아직 실제 속도나 비용 절감 수치는 나오지 않았다. 두 개의 인텔 GPU를 가진 사람이 직접 시험해 보고 성능 숫자를 공유해 달라는 요청이 함께 올라왔다.
감독 없이 대규모 언어 모델이 수천 줄의 코드를 만들게 두면, 빠르게 만든 것처럼 보여도 나중에 고치기 어려운 시스템이 될 수 있다. 핵심 문제는 기술 부채가 시간이 지날수록 불어난다는 점이다. 사람이 구조를 정하고 검증하지 않은 코드는 명확한 논리보다 그럴듯한 확률적 결과의 묶음에 가까워질 수 있다. 그래서 AI를 소프트웨어 설계자를 대신하는 존재로 보기보다, 사람이 큰 방향과 구조를 잡고 AI가 세부 코드를 돕는 방식이 필요하다. AI-Powered Developer Manifesto는 이를 작은 코드 작성 중심의 마이크로 코딩에서, 시스템 방향과 지식 검증을 맡는 매크로 코딩으로 바꾸자고 주장한다. 검증되지 않은 AI 반복 작업으로만 쌓은 시스템은 2026년 말쯤 구조적 한계에 부딪힐 수 있다는 경고도 담고 있다.
같은 모델에 같은 질문을 넣었지만, 내부 상태에 아주 작은 수학적 조정을 넣은 경우 답변이 크게 달라졌다는 실험입니다. 이 조정은 모델을 다시 학습시키거나 프롬프트를 바꾸는 방식이 아니라, 트랜스포머의 각 층에 작은 신호를 더하는 방식입니다. 조정 크기는 bfloat16이 구분할 수 있는 최소 단위보다 작았고, 코사인 측정값과 20개 층의 변화 표도 모두 0으로 나왔습니다. 일반적인 측정 도구로는 아무 변화가 없는 것처럼 보였습니다. 그러나 기본 모델은 세 부분으로 된 시스템 설계 문제에서 흔한 답을 만들고, 비교를 건너뛰고, 실제 내용이 부족한 파이썬 코드 뼈대를 냈습니다. 조정된 모델은 같은 조건에서 알려진 해법 후보 중 하나를 이름으로 고르고, 다른 선택지와 비교하며 설계 이유를 설명하고, 실제 임포트와 로직이 있는 코드 뼈대를 만들었습니다. 두 실행의 차이는 20개 층에 나뉘어 들어간 누적 내부 조정값 0.034953뿐이었다는 주장입니다.
명령줄 도구가 하나의 요청을 여러 코딩 에이전트에 동시에 보내고, 각 에이전트의 답을 한곳에 모은다. 지원하는 에이전트, 설치 방법, 가격, 라이선스, 토큰 사용량을 줄이는 방식은 제시된 정보에 없다. 확인할 수 있는 핵심 가치는 비용 절감보다 여러 에이전트의 답을 빠르게 비교하는 작업 흐름이다.
노트북 메모리 16기가바이트로는 비주얼 스튜디오 코드, 코덱스와 Claude 확장, 여러 브라우저 창, 디버그 도구를 함께 돌리기 어려웠다. 에이전트형 인공지능 도구와 Electron 기반 앱이 메모리를 많이 써서 전체 사용량이 약 20기가바이트까지 올라가며 스와프가 자주 발생했다. 남는 라즈베리 파이 5 8기가바이트 모델에 code-server를 설치해 개발 환경을 따로 옮겼다. Tailscale로 밖에서도 접속할 수 있게 했고, 회사나 안드로이드 태블릿의 Samsung DeX에서도 작업할 수 있었다. 인공지능 에이전트를 컨테이너 안에서 돌리면 권한을 넓게 주더라도 작업 환경을 분리하기 쉽다. 파일은 집에 두고 NAS로 정기 백업할 수 있어 관리도 단순해졌다. 설정 과정에서 배울 점은 있지만, 지금까지는 해결하지 못할 문제는 없었다.
ROCm과 Intel stack 같은 NVIDIA CUDA의 대안은 아직 CUDA만큼 편하게 쓰기 어렵다는 문제가 제기됐다. CUDA는 NVIDIA 그래픽카드에서 AI 작업을 안정적으로 돌리게 해 주는 핵심 소프트웨어 기반이다. 다른 회사의 소프트웨어 생태계가 빨리 따라잡지 못하면, NVIDIA는 “그냥 잘 되는” 제품이라는 이유로 높은 가격을 계속 받을 수 있다. 개인 AI 실험에서 NVIDIA와 Apple Silicon을 쓰는 사람들도 더 싼 선택지를 원하지만, 실제 경쟁이 생기기 전까지 가격이 내려가기 어렵다는 시각이다.
Work Review는 하루 동안 어떤 일을 했는지 나중에 확인하고 일일 보고서를 만들 수 있게 돕는 데스크톱 앱이다. 백그라운드에서 실행되며 사용한 앱, 창 제목, 브라우저 주소, 사용 시간을 기록한다. 선택하면 화면 캡처와 OCR도 기록에 넣을 수 있다. 기록은 시간표와 통계로 정리되며, 특정 기간을 검색하거나 “이번 주에 무엇에 집중했나” 같은 질문을 할 수 있다. 모든 데이터는 내 컴퓨터의 SQLite에 저장되고, 서버 전송이나 telemetry는 없다. AI 기능은 기본으로 꺼져 있으며, 켜더라도 Ollama나 OpenAI 호환 API, DeepSeek, Qwen, Zhipu, Claude, Gemini 같은 사용자의 모델 또는 API 키로 직접 호출한다. 앱별로 기록 방식을 보통, 익명화, 무시 중에서 고를 수 있고, 특정 도메인 차단, 민감어 필터링, 화면 잠금 시 자동 일시정지도 지원한다. 보고서는 Markdown으로 내보내거나 자동으로 저장할 수 있다.
개인 노트북에서 만든 학습용 도구가 여러 인공지능 서비스로 로컬 데이터를 보내 처리할 수 있다. 현재는 OpenRouter와 연결되어 있지만, 회사에서 주로 쓰는 Claude로 바꾸는 것도 쉽다. 회사 업무에 도움이 될 수 있어도, 회사가 허용하는지 확인해야 한다는 불안이 있다. 회사 API 키를 쓰면 조직의 제한과 설정이 적용될 가능성이 있지만, 개인이 만든 도구를 업무 데이터와 연결하는 방식은 여전히 민감할 수 있다. 개인정보를 보내지 않더라도 회사 코드, 문서, 업무 맥락 같은 데이터에는 위험이 남는다. 실제 허용 기준은 회사마다 다르기 때문에 비슷한 경험이 있는 사람들의 사례가 필요하다.
GLM 5.2를 직접 돌릴 추론 클러스터를 만들려는 상황에서 Dell이 RTX PRO 6000 Blackwell Max-Q 그래픽카드 6장을 장당 8,959.99달러에 제시했다. 이 카드는 300와트 제품이며, 정가는 전날 15,999달러로 올랐다. 6장 전체 견적은 약 3시간 뒤 만료되고, 같은 단가로 2장만 살 수 있는 별도 견적은 7월 3일까지 유효하다. 당장 6장을 모두 사기는 어렵지만 다음 날에는 자금이 준비되는 상황이다. 가능한 선택지는 2장만 먼저 사고 나머지는 오른 가격에 사는 것, 6장 주문을 함께 나눌 사람을 찾는 것, 다른 방식으로 견적을 살리는 것이다. 이후 문제는 해결됐고, 해당 견적을 다른 사람에게 넘기거나 판매하려는 목적은 아니다.
혼자 쓰는 로컬 LLM 추론 환경에서 그래픽카드 성능을 충분히 쓰는 방법이 핵심입니다. 이 환경은 한 명에게 초당 45개 토큰을 만들 수 있지만, 동시에 4명에게는 각각 초당 40개 토큰을 만들 수 있는 것으로 보입니다. 단순히 한 대화만 돌리면 전체 처리량의 일부만 쓰이고, 여러 요청을 동시에 처리할 때 그래픽카드가 더 바쁘게 움직입니다. 질문의 실제 목표는 혼자 쓰는 상황에서도 남는 처리량을 끌어와 초당 토큰 수를 더 높일 수 있는지입니다.
LLM으로 움직이는 에이전트에 텔레메트리를 붙이는 것이 핵심 주제입니다. 텔레메트리는 에이전트가 어떤 작업을 했는지, 어디서 모델을 호출했는지, 실행 흐름이 어떻게 이어졌는지 추적하는 장치입니다. 제공된 내용은 제목 수준이라 구체적인 도구, 수치, 구현 단계는 확인되지 않습니다.
Moomacha는 팀 메신저인 Zulip 안에 AI 에이전트를 배치해 함께 일하게 하는 오픈소스 제어판이다. 핵심 내용은 AI 에이전트를 따로 떨어진 도구가 아니라 팀 대화 공간 안으로 넣어 운영한다는 점이다. 공개된 정보만으로는 어떤 모델을 쓰는지, 비용을 얼마나 줄이는지, 토큰을 아끼는 기능이 있는지는 확인되지 않는다. 따라서 AI 에이전트 운영 방식에는 관련이 있지만, 토큰 절감이나 추론 비용 절감 근거는 아직 분명하지 않다.
HDD-RoPE는 언어 모델이 단어의 순서를 이해하도록 돕는 새로운 위치 표현 방식이다. 기존 RoPE는 질의와 키를 두 차원씩 묶어 정해진 속도로 회전시키며, 모델이 단어 사이의 상대적 위치를 배우게 한다. HDD-RoPE는 이전 프로젝트의 누적 행렬 곱 아이디어를 위치 표현에 바꿔 적용한다. TinyStories 데이터셋으로 학습한 GPT-2 비슷한 모델에서, xPos를 쓴 기본 트랜스포머보다 검증 손실이 더 빨리 낮아졌다. 실험 모델은 TinyStories-33M 설정을 참고해 블록 4개와 768차원 크기를 사용했다. 공개 저장소에는 결과를 다시 확인할 수 있는 코드와 수학적 설명, 구조 설명이 들어 있다.
금융 분석 업무에 Copilot과 Claude를 약 6개월 써 본 경험이 있다. 업무는 복잡한 프로그래밍이 아니라, 데이터 분석, 결론 도출, 표와 참고 자료가 포함된 설명문 작성에 가깝다. 프로그래밍 지식은 30년 전 간단한 DOS 스크립트를 다뤄 본 정도로 매우 기초적이다. 그래도 AI 에이전트를 만들고 자동화된 분석 시스템을 구성하는 기본 개념은 배울 수 있을 것으로 보고 있다. 핵심 궁금증은 어떤 컴퓨터 사양이 필요한지, AI 에이전트를 만들고 시험해 볼 때 어떤 소프트웨어가 적합한지다.
게임의 목표는 인공지능 인턴 역할을 하는 시스템을 속이거나 압박해 사기성 행동을 하게 만드는 것이다. 공개된 정보만으로는 게임 방식, 사용한 모델, 방어 장치, 성능 수치, 토큰 절감 효과, 비용 절감 효과가 확인되지 않는다. 실제 개발 방법을 알려주는 자료라기보다는, 사람이 AI 에이전트를 설득해 규칙을 어기게 만들 수 있다는 위험을 보여주는 사례에 가깝다.
Sakana Fugu는 일반적인 단일 인공지능 모델이 아니라, 사용자의 요청을 뒤에서 다른 모델로 보내는 중간 계층처럼 보인다. 알려진 주장에 따르면 SWE-Bench Pro 73.7%, LiveCodeBench 93.2% 같은 높은 성능 수치가 제시되고 있으며, Fable 5와 Mythos에 맞먹는다는 말도 나온다. 다만 실제로는 GPT-5.5와 Opus 같은 다른 고급 모델을 대신 호출해 주는 방식일 수 있다는 의문이 있다. 가격도 직접 그 모델들을 쓰는 것과 비슷하다면, 성능은 좋아 보여도 토큰이나 비용을 줄이는 도구라고 보기는 어렵다. 실제 사용 경험과 가격 구조가 확인되지 않아, 지금 단계에서는 기대보다 검증이 더 필요한 항목이다.
보조금이 붙어 값이 낮은 모델 API를 직접 쓰면, 만든 제품의 코드나 아이디어가 모델 회사에 노출될 수 있다는 걱정이 제기됐다. 특히 다음 모델 업데이트에서 비슷한 기능이 바로 나올 수 있다는 불안이 핵심이다. 중국 회사가 제공하는 모델 API에 대해서는 이런 우려가 더 크다. 실제 질문은 비용이 낮은 API를 쓰는 대신, 제품 정보와 코드의 비밀을 어떻게 지킬 것인가에 맞춰져 있다.
운영 중인 AI 앱은 외부 API에 크게 의존할 수 있다. 그 API가 멈추면 앱 전체가 같이 멈추는지, 아니면 일부 기능만 제한되는지가 중요한 운영 문제다. 핵심 질문은 AI 앱을 실제 서비스로 운영할 때, 모델 제공사의 장애가 곧바로 사용자 장애로 이어지는지 여부다.
Meta의 MUSE Spark 1.1이 Claude와 GPT-4에 비해 실제 업무에서 어느 정도 성능을 내는지가 핵심입니다. 비교 대상은 추론 능력, 코딩 능력, 속도, 정확도, 문맥 처리, 전체 성능입니다. MUSE Spark 1.1이 실제 사용 사례에서 Claude나 GPT-4와 경쟁할 수 있는지, 또는 더 나은 결과를 낼 수 있는지가 궁금한 상황입니다. 구체적인 실험 결과, 비용 수치, 토큰 사용량, 답변 품질 사례는 포함되어 있지 않습니다.