하나의 베이스 모델과 여러 어댑터: 베이스를 반복하지 않고 배포 보관하기
LoRA는 패키징 방식이 대형 베이스 모델을 다섯 번 반복하기 전까지만 작습니다. 베이스와 어댑터가 실제로 함께 속한다면 저장 문제는 ‘어떤 파일을 더 줄일 수 있나?’가 아니라 ‘나중에 어떤 관계를 복구해야 하나?’입니다.
반복되는 베이스 패턴
복사하거나 전달하기 편하도록 독립형 배포 폴더를 만드는 것은 흔한 방식입니다. 어댑터별로 폴더 하나를 만들고 각각 필요한 베이스 모델을 담습니다. 각 폴더는 따로 이해하기 쉽지만 모든 배포에 같은 베이스가 있으면 라이브러리 비용이 커집니다.
유용한 단위는 관련 모델군입니다. 관계를 한 문장으로 설명할 수 있다면 베이스, 어댑터 및 배포 버전을 함께 보관하세요. 같은 디스크를 쓴다는 이유만으로 관련 없는 모델을 섞지 마세요.
로컬에서는 편리하지만 관련 릴리스 전반에 같은 바이트가 반복될 수 있습니다.
하나의 모델군에 무엇이 속하나요?
- 하나의 베이스 체크포인트와 그에 맞는 LoRAs 또는 어댑터들,
- 해당 베이스를 반복해서 담은 밀접하게 관련된 독립형 배포들, 또는
- 명확한 복구 목적을 가진 단일 모델 프로젝트의 완료된 리비전들.
모든 체크포인트, 모든 LoRA 또는 모든 모델 형식을 거대한 아카이브 하나로 합치지 마세요. 아카이브는 모호함을 늘리는 것이 아니라 줄여야 합니다. 파일이 왜 모델군에 속하는지 설명할 수 없다면 분리해 두세요.
측정 결과가 실제로 보여 주는 것
Tensor Archive의 통제된 다섯 배포 모델·어댑터 예시에서 각 배포를 따로 저장했을 때의 공간: 907.3 MB. 하나의 관련 모델군으로 저장한 공간: 261.6 MB. 물리적 저장 공간이 71.2% 줄었습니다. 이 수치의 요점은 반복되는 베이스 패턴이지 어댑터에 대한 보편적 주장이 아닙니다.
비율만 보지 말고 범위를 읽으세요. 관련 독립형 배포 다섯 개를 사용했고 복원은 정확했습니다. 개별 어댑터, 공유 데이터가 없는 폴더 또는 관련 없는 모델 라이브러리는 결과가 크게 다를 수 있습니다.
패턴을 안전하게 테스트하는 방법
- 베이스와 실제로 관련된 어댑터만 선택하세요.
- Add model family → Local folder를 사용하고 Analyse source를 실행하세요.
- 아카이브 전에 결과를 검토하세요. 여기서 실제 모델군은 보존할 가치를 입증합니다.
- 아카이브하고 Verify를 실행한 다음 별도 사본으로 복원하세요.
- 이전 작업 사본을 수동으로 제거하기 전에 그 사본이 필요한 워크플로에서 복원된 버전을 테스트하세요.
저장과 변환을 분리하세요
이는 모든 파일을 변환하거나 모델 가중치를 바꿀 이유가 아닙니다. Tensor Archive는 양자화 도구나 모델 변환기가 아니라 정확한 복구가 중요한 관련 버전용 로컬 아카이브입니다. 패키지가 불분명하면 묶기 전에 LoRA 파일에 포함된 내용을 확인하세요. 저장과 변환의 차이는 SafeTensors 저장과 양자화를 읽으세요.
관계가 실제라면 워크플로는 간단합니다. 분석하고 아카이브하고 검증하고 복원한 다음 무엇을 제거할지 수동으로 선택하세요. 한 모델군으로 테스트하려면 Tensor Archive를 다운로드하세요.
출처
- LoRA: Low-Rank Adaptation of Large Language Models — 어댑터가 베이스 모델에 대한 별도의 저랭크 업데이트인 이유.
- Tensor Archive 벤치마크 요약 — 다섯 배포 워크로드와 정확한 복원 근거.