LLM – Page 2 – TildAlice

Advanced Claude Code Techniques: Multi-Agent Workflows and Custom Skills

2025년 11월 21일

Claude Code, DevTools & Productivity, LLM

Multi-agent workflows in Claude Code fix the single-agent context problem. Practical patterns for agent pipelines, custom skills, and coordination that survive real-world use.

Read more →

Claude Code: Getting Started with AI-Powered Development in Your Terminal

2025년 11월 21일

Claude Code, DevTools & Productivity, LLM

Claude Code runs in your terminal with full filesystem access. After three months of production use, here's what actually works and what doesn't.

Read more →

LoRA vs QLoRA vs DoRA 완벽 비교: 파라미터 효율적 파인튜닝(PEFT) 메모리 최적화 실전 가이드

2025년 11월 17일

LLM

왜 PEFT가 필요한가? 최신 대규모 언어 모델(LLM)을 파인튜닝하려면 엄청난 GPU 메모리와 계산 자원이 필요합니다. 예를 들어 LLaMA-2 7B 모델을 전체 파인튜닝하면 약 60GB 이상의 GPU 메모리가 필요하죠. 하지만 LoRA, QLoRA, DoRA 같은 파라미터 효율적 파인튜닝(PEFT) 기법을 사용하면 16GB GPU로도 충분히 파인튜닝이 가능합니다. 핵심 포인트: PEFT…

Read more →

MoE (Mixture of Experts) 아키텍처 완전 정복: Mixtral부터 DeepSeek-MoE까지 구현 원리와 실전 최적화 기법

2025년 11월 12일

LLM

MoE란 무엇인가? Mixture of Experts (MoE)는 대규모 언어 모델의 파라미터 수를 획기적으로 늘리면서도 실제 연산량은 증가시키지 않는 혁신적인 아키텍처입니다. 2024년 Mixtral, DeepSeek-MoE, Grok-1 등 최신 모델들이 모두 MoE 구조를 채택하면서 AI 업계의 핵심 기술로 자리잡았습니다. MoE의 핵심 아이디어: 모든 전문가(Expert)를 항상 사용하는 대신, 입력에 따라…

Read more →

RLHF vs DPO vs KTO: LLM 정렬(Alignment) 기법 완벽 비교 가이드

2025년 11월 07일

LLM

들어가며 LLM(Large Language Model)을 실무에 적용할 때 가장 중요한 과정 중 하나가 바로 정렬(Alignment)입니다. 아무리 강력한 언어 모델이라도 인간의 의도와 가치관에 맞게 조정되지 않으면 유해하거나 부정확한 결과를 생성할 수 있습니다. 최근 LLM 정렬 기법으로 RLHF(Reinforcement Learning from Human Feedback), DPO(Direct Preference Optimization), KTO(Kahneman-Tversky Optimization)가 주목받고…

Read more →

Category: LLM

Advanced Claude Code Techniques: Multi-Agent Workflows and Custom Skills

Claude Code: Getting Started with AI-Powered Development in Your Terminal

LoRA vs QLoRA vs DoRA 완벽 비교: 파라미터 효율적 파인튜닝(PEFT) 메모리 최적화 실전 가이드

MoE (Mixture of Experts) 아키텍처 완전 정복: Mixtral부터 DeepSeek-MoE까지 구현 원리와 실전 최적화 기법

RLHF vs DPO vs KTO: LLM 정렬(Alignment) 기법 완벽 비교 가이드