LLM 가중치 수정

• 딥러닝 가중치 구조와 포맷을 처음 접하는 개발자
• 파인튜닝 전 단계로 모델 내부를 직접 제어해보고 싶은 연구자
• LLM의 어휘 단위 의미 수정에 관심 있는 개발자
• 가중치 수정과 RAG의 차이를 실감하고 싶은 AI 엔지니어

1. weight_editing_tutorial.ipynb

주제:
가장 기초적인 가중치 생성 → 저장/로드 → 직접 수정(Weight Editing) 과정을 파이썬/PyTorch 코드로 단계별 학습.

주요 내용:

• nn.Linear, nn.Embedding에서 가중치 생성 방식 이해
• PyTorch .pt/.pth 저장, safetensors, ONNX 포맷 비교
• torch.no_grad()로 안전하게 가중치 편집하는 방법
• 편집 vs 파인튜닝 코드 비교
• 저장된 state_dict / safetensors 직접 수정
• 초보자를 위한 보안·이식성·버전 관리 체크리스트

---

2. llm_embedding_weight_editing.ipynb

주제:
Hugging Face 토크나이저 + 모델을 이용해 특정 토큰 임베딩 벡터를 직접 편집하고,
그 효과를 출력 비교 및 **RAG(검색결합생성)**와 대비.

주요 내용:

• Tiny GPT-2(sshleifer/tiny-gpt2) 로드 및 토크나이저 사용
• 특정 토큰 ID 확인 및 해당 임베딩 벡터 관찰
• 벡터에 작은 편향 주입 후 출력 변화 확인
• safetensors로 편집된 모델 저장/재로드
• RAG 대비 실험: 외부 문서 검색 → 프롬프트 결합 → 출력 생성

3. 가중치 수정 방법 추가 설명

구분	학습 기반	비학습 기반
데이터 요구	새로운 훈련 데이터 필수	훈련 데이터 불필요
계산 비용	높음 (GPU 집약적)	낮음 (CPU 가능)
시간 소요	시간~일 단위	분~시간 단위
메모리 사용	대용량 (훈련 시)	상대적 소용량
성능 향상	실질적 능력 확장	효율성 최적화 중심
가역성	어려움 (원본 손실)	용이함 (원본 보존)
전문성 요구	머신러닝 지식 필요	상대적 단순

3.1. 학습 기반 가중치 수정 (Fine-tuning)

새로운 데이터를 사용하여 역전파 알고리즘으로 가중치를 학습하는 방법입니다.

3.1.1. 주요 특징

• 새로운 훈련 데이터 필요
• 역전파(Backpropagation) 알고리즘 사용
• 손실 함수(Loss Function)를 최소화하는 방향으로 가중치 업데이트
• 모델의 지식과 능력을 실질적으로 확장

3.1.2. 세부 방법들

3.1.2.1. Full Fine-tuning

• 모든 가중치를 업데이트
• 최고 성능 달성 가능
• 막대한 계산 자원 필요

3.1.2.2. LoRA (Low-Rank Adaptation)

• 기존 가중치 고정 + 작은 어댑터 행렬 학습
• 메모리 사용량 90% 이상 감소
• 성능 손실 최소화

3.1.2.3. QLoRA (Quantized LoRA)

• LoRA + 양자화 결합
• 더욱 효율적인 메모리 사용
• 개인 GPU로도 대형 모델 파인튜닝 가능

3.1.2.4. Adapter Tuning

• 각 레이어에 작은 어댑터 모듈 추가
• 원본 가중치 완전 보존
• 태스크별 어댑터 교체 가능

3.2. 비학습 기반 가중치 수정

3.2.1. 주요 특징

• 새로운 훈련 데이터 불필요
• 수학적 알고리즘이나 휴리스틱 사용
• 계산 비용 상대적으로 낮음
• 모델 최적화나 배포 효율성 중심

3.2.2. 비학습 기반 가중치 수정

• 학습 없이 가중치를 직접 조작

3.2.2.1. Pruning (가지치기)

• 중요도가 낮은 가중치를 0으로 설정
• 모델 크기 축소 및 속도 향상
• Magnitude-based, Gradient-based 등 다양한 기준

3.2.2.2. Quantization (양자화)

• 32비트 가중치를 8비트, 4비트로 압축
• 메모리 사용량 대폭 감소
• INT8, INT4, Binary 등 다양한 정밀도

3.2.2.3. Model Merging

• 여러 모델의 가중치를 가중평균으로 결합
• 특수화된 모델들의 능력 통합
• SLERP, TIES 등 고급 병합 기법

3.2.2.4. Weight Interpolation

• 두 모델 간 가중치를 선형 보간
• 점진적 모델 변환 가능
• 모델 앙상블 효과

3.3 목적별 선택 가이드

3.3.1. 학습 기반을 선택해야 하는 경우

• 새로운 도메인이나 태스크에 모델 적응
• 특정 스타일이나 톤으로 응답 변경
• 새로운 지식이나 능력 추가
• 모델의 근본적 행동 변경

3.3.2. 비학습 기반을 선택해야 하는 경우

• 모델 크기나 속도 최적화
• 배포 환경의 제약 해결
• 여러 모델의 능력 통합
• 빠른 실험이나 프로토타이핑

3.4. 실제 활용 시나리오

3.4.1. 기업 환경

1. 도메인 특화: LoRA로 의료/법률 등 전문 분야 파인튜닝
2. 배포 최적화: Quantization으로 모바일/엣지 배포
3. 다국어 지원: Model Merging으로 언어별 모델 통합

3.4.2. 개인/연구 환경

1. 리소스 제약: QLoRA로 개인 GPU 활용
2. 빠른 실험: Pruning으로 경량 모델 생성
3. 창작 활동: 스타일 특화 파인튜닝

두 방법은 상호 보완적이며, 실제로는 조합해서 사용하는 경우가 많습니다. 예를 들어, LoRA 파인튜닝 후 Quantization으로 배포 최적화하는 방식입니다.

---

GPT-5, Claude-4 를 통해 생성된 문서를 수정