finetune-method-picker

English · 한국어 · 웹 UI는 우측 상단에서 EN/KR 전환

내 GPU로 이 모델을 어떻게 파인튜닝하지? — GPU·모델·기법을 넣으면 학습 VRAM, 최대 학습 가능 모델 크기, 데이터 포맷, 데이터량, 학습 시간·비용을 공식과 함께 계산하는 정적 웹 도구.

100% 브라우저에서 동작합니다. 서버·API 키·데이터 전송이 전혀 없어요. 계산 로직은 전부 클라이언트 JavaScript고, 숫자마다 "공식 보기"로 근거와 대입값을 펼칠 수 있습니다. MIT.

공개 스펙·공식 기반 계획용 추정입니다. 실측 벤치를 대신하지 않아요 — 학습 시간은 MFU에 크게 좌우되니 범위로 보세요. 안 들어가면(OOM) "이렇게 줄이세요"를 그대로 띄웁니다. 그래야 도구를 믿을 수 있으니까요.

무엇을 답해주나

• 데이터셋 + 모델만 고르면 best 자동 — 실제 HF 데이터셋(2026 의미있는 케이스)을 고르면 objective·예시수·평균토큰이 채워지고, 모델을 고르면 Full 우선으로 맞는 최소 하드웨어+설정이 자동 셋팅(안 맞으면 LoRA→8-bit→QLoRA 자동 강등). GPU를 바꾸면 그 카드 기준으로 재계산.
• OOM 디버거 — batch / seq_len / grad accum / gradient checkpointing / optimizer를 돌리며 GPU당 VRAM을 실시간으로 보고, 안 들어가면 구체적 처방을 제시
• 튜닝 방식별 완전 config — Full(FSDP/ZeRO-3/DDP·CPU offload) · LoRA(r/alpha/dropout/target) · 8-bit LoRA(int8 base) · QLoRA(NF4/double-quant/compute dtype) + LR·스케줄러·warmup·packing
• 실행 가능한 TRL 스캐폴드 — 선택값을 채운 복붙 Python 코드(objective별 trainer + LoraConfig/BitsAndBytesConfig + FSDP/DeepSpeed 런치)
• 2026 태스크 가이드 — "회사 UI 코드 학습" 같은 작업별 방법·데이터량·베이스 모델 + 파인튜닝을 애초에 할 가치가 있나 게이트(3갈래 시장·5조건·먼저 RAG 의심)
• 최대 학습 가능 모델 / effective batch = per-device × grad accum × GPU 수 / optimizer step 수
• LoRA 도우미 — rank r → 학습 파라미터 수(GQA/MLA-aware), α≈2r, target modules
• 학습 시간·비용 — C≈6ND ÷ (FLOPS × MFU), 임대 비용
• EN/KR 이중언어 — 우측 상단 토글로 화면 전체가 실제 언어로 렌더

공식 (전부 화면 "공식 보기"에서 확인 가능)

• 학습 VRAM = base(파라미터×2, QLoRA는 ×0.5 NF4) + 학습상태(trainable × [grad 2 + optim + master 4]) + 액티베이션 + 오버헤드. FSDP는 base+상태를 GPU에 샤딩. — EleutherAI Transformer Math, QLoRA(arXiv:2305.14314)
• LoRA 학습 파라미터 ≈ 2·r·Σ(in+out) over targeted layers — LoRA(arXiv:2106.09685)
• 학습 시간 = 6·N·D ÷ (dense-bf16 FLOPS × GPU수 × MFU) — Kaplan(arXiv:2001.08361)
• FLOPS는 dense bf16(sparsity off) 기준. 방어 가능한 스펙이 없는 하드웨어(사전예약/NPU/Apple)는 시간 추정을 생략합니다(추측보다 공백이 정직).

로컬 실행

python3 -m http.server   # file://는 fetch가 막히므로 http로 열기
# http://localhost:8000

검증

node test/compute.test.cjs                              # 결정론 유닛 게이트
node audit/js_dump.cjs > /tmp/js.json && python3 audit/reference_audit.py /tmp/js.json  # JS↔Python 파리티

CI(.github/workflows/validate.yml)가 push마다 위 둘 + JSON 검증을 돌립니다.

데이터

• data/gpus.json — 가속기 스펙(VRAM·대역폭·dense bf16 FLOPS·가격·전력), 공개 스펙 2026-07
• data/models.json — 최신 오픈웨이트 모델(파라미터·층·hidden)
• data/methods.json — 목표·튜닝·데이터 포맷·데이터량·증류, 전부 출처 URL
• data/techniques-2026.json — 2026 최근 기법 셸프(성숙도 라벨)

왜 공익(광고 아님)

파인튜닝 기법·메모리 계산은 흩어진 벤치마크와 커뮤니티 스레드에서 파편적으로만 얻을 수 있어, 답을 아는 사람만 정답을 압니다. 계산 로직과 공식·출처를 투명하게 공개해 누구나 자기 GPU로 검증하게 합니다. 특정 제품·서비스를 팔지 않습니다.

MIT License.