ChatGPT에 머신러닝 질문을 했을 때 그 답변이 어디서 나온 건지 궁금해본 적 없나요? 이 프로젝트는 RAG(검색 증강 생성) 기술을 사용해 문서에서 실제 정보를 먼저 찾은 다음 당신의 질문에 답하는 AI 과외 선생님을 만듭니다. 그리고 그 답변이 정확히 어디서 나왔는지 보여줍니다. LangChain으로 프로세스를 조율하고, ChromaDB로 지식을 저장하며, Hugging Face 임베딩으로 의미를 이해하고, Groq의 대형 언어 모델로 빠르게 응답합니다. 쉽게 말해 AI 어시스턴트에게 추측하게 하는 대신 교과서를 참고자료로 주는 것과 같습니다. 머신러닝이나 딥러닝을 배우고 있고 검증 가능한 신뢰할 수 있는 답변을 원한다면, 이 도구는 정말 실용적입니다.
Microsoft의 TRELLIS.2를 PyTorch MPS를 통해 Apple Silicon에서 실행되도록 포팅했습니다. 원본은 CUDA 전용 컴파일 확장 5개(flex_gemm, flash_attn, o_voxel, cumesh, nvdiffrast)에 의존하는데 Mac에는 대응 버전이 없습니다. 처음부터 대체 백엔드를 작성했습니다: 순수 PyTorch 희소 3D 합성곱(flex_gemm 대체), 공간 해싱을 사용한 Python 메시 추출(o_voxel의 CUDA 해시맵 연산 대체), 희소 Transformer용 SDPA 어텐션(flash_attn 대체), GPU 가속 삼선형 보간(cumesh와 nvdiffrast 대체)입니다.
마이크로소프트의 TRELLIS.2(40억 파라미터 이미지-3D 모델)를 PyTorch MPS를 통해 Apple Silicon에서 네이티브로 실행하도록 포팅했습니다. 원본은 CUDA, flash_attn, nvdiffrast, 커스텀 희소 합성곱 커널이 필요한데 Mac에서는 작동하지 않습니다. CUDA 특화 연산을 순수 PyTorch 대안으로 교체했습니다. 구체적으로는 gather-scatter 희소 3D 합성곱, 희소 Transformer용 SDPA 어텐션, CUDA 해시맵 연산을 대체하는 Python 기반 메시 추출입니다. 총 9개 파일에서 수백 줄의 변경사항이 있습니다.
M5 Pro 머신에 24GB 메모리를 갖춘 사용자가 Ollama를 통해 Qwen 3.6 대형언어모델(LLM)을 실행하려고 합니다. Q4 양자화(4비트 양자화) 버전을 사용해야 할지 확실하지 않고, 적절한 Q3 양자화 솔루션을 찾지 못했습니다. 자신의 하드웨어에서 부드럽게 작동하면서도 모델 품질을 과도하게 손상시키지 않는 버전에 대한 추천을 찾고 있습니다.