[Engineering] Core ML 디코딩 최적화: GQA의 repeat_kv가 만든 토큰당 1.9 GiB 복사를 없앤 방법
KV 헤드 8개를 32개로 복제하는 대신 쿼리 헤드 32개를 [8, 4]로 재배열해 tile 연산 60개를 없애고 처리량을 20.39에서 54.30 tok/s로 높였습니다.
자세히 보기Blog
최신 글
[Engineering] 같은 GQA, 다른 실행 비용: 포인터 산술부터 텐서 형상까지
kv_head = query_head // group_size라는 같은 매핑도 백엔드마다 표현 수단이 다릅니다. 포인터 산술, 그래프 fan-out, 텐서 형상을 비교합니다.
자세히 보기[Engineering] FlashDecoding++ 이식기 (3) — 최적화를 어디에 넣을 것인가
같은 비동기 softmax도 적용 위치에 따라 HMX 할당과 실제 TPS가 달라집니다. Custom Op와 export 단계 접근을 비교합니다.
자세히 보기[Engineering] 같은 GQA, 다른 실행 비용: 포인터 산술부터 텐서 형상까지
kv_head = query_head // group_size라는 같은 매핑도 백엔드마다 표현 수단이 다릅니다. 포인터 산술, 그래프 fan-out, 텐서 형상을 비교합니다.
자세히 보기[Engineering] FlashDecoding++ 이식기 (3) — 최적화를 어디에 넣을 것인가
같은 비동기 softmax도 적용 위치에 따라 HMX 할당과 실제 TPS가 달라집니다. Custom Op와 export 단계 접근을 비교합니다.
자세히 보기[Engineering] FlashDecoding++ 이식기 (2) — 커스텀 연산자와 디바이스 디버깅
커스텀 커널은 구현보다 검증이 비쌉니다. HMX 할당, 양자화, HVX 레인 재배열과 누적 오차를 실측 데이터로 추적합니다.
자세히 보기[Engineering] FlashDecoding++ 이식기 (1) — 비동기 Softmax의 원리
통합 최댓값으로 블록 간 동기화를 제거하고, fallback으로 수치 안전성을 지키는 비동기 softmax의 원리를 살펴봅니다.
자세히 보기[Benchmark] iPhone에서 Core AI로 Qwen3 돌리기: Export부터 실측까지
Core AI의 연산 장치는 런타임 플래그가 아니라 export 시점의 shape으로 결정됩니다. iPhone 17 Pro에서 네 가지 실행 경로를 비교했습니다.
자세히 보기[Tech Review] Core AI: 온디바이스 생성형 모델을 위한 변환 스택의 재설계
Apple Core AI가 그래프 캡처, KV 캐시, 컴파일러 스택을 어떻게 다시 설계했는지 ANEMLL과 구조적으로 비교합니다.
자세히 보기[Paper Review] FORA: Fisher-orthogonal Rank Adaptation의 수학적 메커니즘과 효율성 증명
LoRA 기반 파라미터 효율화에서 발생하는 랭크 붕괴 문제를 Fisher-guided layer selection과 Stiefel 제약으로 어떻게 완화할 수 있는지 분석합니다.
자세히 보기What Makes On-device AI Hard?
Limited memory, power budgets, latency constraints, and heterogeneous hardware environments make device deployment fundamentally different from cloud inference.
영어 원문 · 한국어 번역 미제공자세히 보기CPU vs GPU vs NPU: Why Dedicated AI Acceleration Matters
A practical explanation of general-purpose compute, parallel acceleration, and dedicated neural processing for sustained local inference.
영어 원문 · 한국어 번역 미제공자세히 보기INT8, INT4, and Mixed Precision for Edge AI
How precision mapping, calibration, and mixed precision strategies reduce model size while preserving accuracy.
영어 원문 · 한국어 번역 미제공자세히 보기Static Shape Handling for On-device LLM Deployment
Why dynamic model graphs often fail on edge runtimes, and how static shape transformation improves deployment stability.
영어 원문 · 한국어 번역 미제공자세히 보기Running EXAONE on iPhone with CoreML-based Inference
A technical overview of model compression, inference speed, context length, and accuracy validation for mobile sLM deployment.
영어 원문 · 한국어 번역 미제공자세히 보기KV Cache Adaptation for Local LLM Inference
How KV cache design affects memory pressure, latency, and context length in on-device LLM execution.
영어 원문 · 한국어 번역 미제공자세히 보기Why AI Infrastructure Is Moving Closer to the Device
Latency, privacy, cloud cost, and network dependency are pushing AI deployment from centralized servers to local devices.
영어 원문 · 한국어 번역 미제공자세히 보기On-device AI for Telecom Services
How mobile operators can use local inference for call intelligence, summarization, privacy-first assistants, and low-latency AI features.
영어 원문 · 한국어 번역 미제공자세히 보기From Model to Device: The Optimization Pipeline
A step-by-step view of model adaptation, quantization, compilation, and runtime optimization for real-device deployment.
영어 원문 · 한국어 번역 미제공자세히 보기