정의

Training Efficiency vs Inference Efficiency는 모델 효율을 학습 단계에서 적은 compute로 성능에 도달하는 능력과, 완성된 모델을 서빙할 때 token당 비용을 낮추는 능력으로 분리하는 분석 프레임이다.

둘은 연결될 수 있지만 항상 같은 방향으로 움직이지 않는다. Architecture 개선은 양쪽에 영향을 줄 수 있지만, optimizer 개선이나 distillation은 training step 또는 training token을 줄여도 inference cost를 직접 낮추지 않을 수 있다.

구분

양쪽 모두에 영향을 주는 효율

  • Sparse MoE로 token당 active parameter를 줄인다.
  • Linear attention 또는 attention 변형으로 long context 비용을 낮춘다.
  • Quantization과 kernel optimization으로 runtime footprint를 낮춘다.

주로 training에 영향을 주는 효율

  • Optimizer 개선으로 같은 성능에 필요한 step 수를 줄인다.
  • 데이터 품질 개선으로 필요한 token 수를 줄인다.
  • Distillation으로 frontier model output을 학습해 탐색 비용을 줄인다.

판단 기준

Kimi K3 같은 open-weight 모델의 경우 실제 inference efficiency는 다음으로 확인한다.

  • 공개 config의 total expert 수와 active expert 수
  • hidden dimension과 attention 구조
  • token당 FLOPs와 weight memory footprint
  • vLLM, SGLang 등 open serving stack에서 GPU당 token 처리량
  • OpenRouter와 third-party provider의 price spread

연결

출처

클리핑 · X