# Moondo 이미지 모델 용어 풀이

2026년 10월 1일. 고등학교 비전공 학생을 위한 설명.

## GPU · 많은 계산을 동시에 하는 장치

**쉽게 말하면** 컴퓨터 안에서 비슷한 계산을 여러 개 동시에 처리하는 장치다. 원래 화면을 그리는 데 많이 쓰였지만, AI가 그림을 배우고 만드는 계산에도 쓰인다. 빠르기와 담을 수 있는 메모리 양은 서로 다른 특징이다.

**예를 들어** 한 사람이 계산 문제 1만 개를 순서대로 푸는 대신 많은 계산 담당자가 나눠 푸는 모습에 가깝다. 다만 모든 계산이 같은 비율로 빨라지는 것은 아니다.

**이 프로젝트에서는** 두 RTX PRO 6000은 실제 확인했다. RTX 4090은 접속 대상을 더 확인해야 한다. 보유 장비 이름만으로 학습 속도가 몇 초인지 정하지 않는다.

## VRAM · GPU의 작업 책상

**쉽게 말하면** GPU가 지금 계산하는 모델과 중간 자료를 담는 전용 메모리다. 디스크에 남은 저장 공간과 다르다. 계산할 자료가 여기에 들어가지 않으면 오류가 나거나 더 느린 이동 방법이 필요하다.

**예를 들어** 책장이 아무리 커도 책상이 좁으면 책 여러 권을 펼칠 수 없는 것과 같다. 96GB는 책상 전체 크기이고 다른 작업이 65GB를 쓰면 새로 쓸 수 있는 공간은 훨씬 작다.

**이 프로젝트에서는** 두 서버의 전체 메모리뿐 아니라 남은 양을 확인했다. 사용률 0%여도 이미 메모리에 놓인 모델이 있으므로 기존 작업 시간을 조정해야 한다.

## 일반 메모리 · 컴퓨터 전체의 작업 공간

**쉽게 말하면** CPU와 여러 프로그램이 실행 중인 자료를 놓는 공간이다. GPU 전용 메모리와 별개이며 전원을 끄면 보통 내용이 사라진다. 파일을 오래 보관하는 디스크와도 다르다.

**예를 들어** GPU 책상에 못 올린 자료를 옆 작업대로 옮길 수는 있다. 하지만 옆 작업대도 가득 찼다면 더 옮길 수 없고, 오가는 시간도 든다.

**이 프로젝트에서는** 두 서버는 약 64GB의 일반 메모리를 갖지만 조회 때 여유는 약 7.6–9.2GB였다. GPU 메모리 부족을 일반 메모리로 무조건 해결할 수 있다고 보지 않는다.

## GiB·MiB · 메모리 크기를 세는 단위

**쉽게 말하면** GiB와 MiB는 컴퓨터 메모리의 양을 세는 단위다. 1GiB는 1,024MiB다. 일반적인 GB·MB는 1,000을 기준으로 세기 때문에 같은 숫자처럼 보여도 기준이 다를 수 있다.

**예를 들어** 길이를 미터와 다른 단위로 표시하면 숫자가 달라지듯, 제품 표기와 프로그램 표기 방식이 다를 수 있다. 97,887MiB를 1,024로 나누면 약 95.6GiB다.

**이 프로젝트에서는** 제품의 96GB 표기와 실제 조회의 97,887MiB를 함께 남겼다. 작업에 남은 메모리도 어떤 단위인지 표시해서 용량을 과장하지 않는다.

## 모델 · 학습한 그림 생성 규칙

**쉽게 말하면** 자료를 보며 조절한 많은 숫자와 계산 구조를 합쳐 부르는 말이다. 파일 안에 완성 그림만 모아 두는 방식이 아니라, 새 요청을 받아 그림을 만드는 규칙을 배운다.

**예를 들어** 그림 교재를 본 학생이 책에 없는 새 장면을 그리는 것에 가깝다. 다만 사람처럼 이해한다고 보장할 수 없어서 실제 새 문제로 검사해야 한다.

**이 프로젝트에서는** Moondo 모델은 기존 공개 모델에 원하는 웹툰 자료를 추가로 가르치는 것으로 시작한다. 데이터 도구와 문서만 준비된 지금은 훈련된 모델이 있다고 말하지 않는다.

## Base · 추가 학습의 출발 모델

**쉽게 말하면** 여러 번 계산해 그림을 만드는 기본 모델을 뜻한다. 이미 기본적인 그림 능력이 있으므로, 모든 것을 처음부터 가르치는 대신 원하는 영역을 더 학습시키는 출발점으로 쓴다.

**예를 들어** 그림을 처음 접하는 학생보다 기본 소묘를 배운 학생에게 웹툰 채색법을 가르치는 편이 수월한 것과 비슷하다.

**이 프로젝트에서는** Z-Image Base에 그림체를 가르친 결과를 Moondo Base라고 부른다. 이것이 먼저 좋아져야 그 모델을 교사로 하는 빠른 모델 실험에 의미가 있다.

## API · 프로그램이 서비스를 요청하는 통로

**쉽게 말하면** 프로그램이 다른 서비스에 정해진 형식으로 부탁하고 결과를 받는 통로다. 사람이 웹 화면에서 버튼을 누르는 것과 별도로, 코드가 이미지 생성 요청을 보낼 수 있다.

**예를 들어** 음식점 화면에서 직접 주문하는 대신 정해진 주문서로 주문을 전달하는 것에 가깝다. 메뉴, 주문 가능 횟수, 결제 수단은 따로 확인해야 한다.

**이 프로젝트에서는** gpt-image-2는 공식 이미지 API로 요청할 수 있다. ChatGPT 구독이나 Codex 크레딧이 있다고 API 요금이 자동으로 충당되는 것은 아니다.

## 크레딧 · 특정 서비스 요금에 쓰는 잔액

**쉽게 말하면** 서비스 이용 비용에 사용할 수 있는 잔액 또는 사용 단위다. 이름이 같아도 API의 달러 잔액과 ChatGPT·Codex의 사용 단위가 같지는 않다. 발급된 서비스와 만료일도 중요하다.

**예를 들어** 서로 다른 가게의 쿠폰 둘에 1,000이라고 적혀 있어도 가치와 쓸 수 있는 곳이 같지는 않다. 숫자뿐 아니라 어느 가게의 무엇에 쓰는지를 봐야 한다.

**이 프로젝트에서는** 지급량은 달러가 아닌62,500크레딧으로 확인했다. 표준 GPT Image 2 요금이 적용되면 높은 품질1024×1024 출력은 약1만1,800장이다. 실제 적용 서비스와 잔액·만료일은 계정에서 더 확인해야 한다.

## 고정 버전 · 같은 모델을 계속 가리키는 이름

**쉽게 말하면** 업데이트되는 서비스 이름 대신 특정 시점 모델을 가리키는 이름이다. 같은 설정의 결과를 비교할 때 모델이 몰래 바뀌는 영향을 줄이는 데 쓴다. 완전히 동일한 그림이 나온다는 보장은 아니다.

**예를 들어** 항상 바뀌는 최신 교과서 대신 2026년 4월 21일 판으로 시험을 통일하는 것과 비슷하다.

**이 프로젝트에서는** image2 경로가 허용되고 실행할 때 gpt-image-2-2026-04-21 등 버전 이름을 기록한다. 비교 실험에는 그림 크기·품질·입력도 함께 남긴다.

## 추가 학습 · 이미 배운 모델에 새 예제를 가르치기

**쉽게 말하면** 이미 기본 능력을 가진 모델에 새로운 자료를 보여 주며 숫자를 다시 조절하는 과정이다. SFT는 정답 예시로 가르치는 추가 학습을 가리킨다. 정확한 자료와 설명이 중요하다.

**예를 들어** 기본 그림을 그릴 줄 아는 학생에게 같은 선·색의 웹툰 여러 장을 보여 주며 새 스타일을 연습시키는 것과 같다.

**이 프로젝트에서는** 처음에는 300–500장의 검수 통과 자료로 원하는 그림체와 지시가 함께 좋아지는지 본다. 더 많은 부분을 바꾼다고 잘못된 설명이 해결되지는 않는다.

## LoRA · 작은 추가 부품을 학습하는 방법

**쉽게 말하면** 큰 모델의 모든 숫자를 바꾸는 대신 작은 추가 부품의 숫자를 바꾼다. 적은 메모리와 저장 공간으로 특성을 바꿀 수 있지만, 바꿀 수 있는 범위에도 한계가 있다.

**예를 들어** 기존 카메라 전체를 새로 만드는 대신 특수 필터를 붙여 표현을 바꾸는 것에 비유할 수 있다. 실제로는 색 필터보다 더 많은 변화가 가능하다.

**이 프로젝트에서는** 과거 결과가 아쉬웠어도 같은 좋은 자료에서 LoRA와 넓은 학습을 비교한다. 32·64라는 부품 용량 후보가 있으며 무조건 큰 숫자가 좋은 것은 아니다.

## 파라미터 · 모델 안의 조절 가능한 숫자

**쉽게 말하면** 모델 계산에 쓰이며 학습 중 조금씩 바뀌는 숫자다. 숫자가 모여 그림 생성 행동을 결정한다. 사용자가 입력하는 그림 크기 설정과는 다른 뜻이다.

**예를 들어** 아주 많은 조절 손잡이가 있는 장치를 생각할 수 있다. 학습은 좋은 결과를 내도록 손잡이 위치를 조금씩 바꾸는 과정이다.

**이 프로젝트에서는** Z-Image의 중심 그림 모델에 약 61억 5천만 개가 있다. 글 읽기 모델까지 포함한 전체 크기가 아니며 학습에는 숫자 외의 작업 기록도 저장해야 한다.

## 캡션 · 그림에 실제로 있는 내용을 적은 설명

**쉽게 말하면** 학습할 그림과 함께 주는 설명 문장이다. 무엇이 있는지, 색과 위치·행동이 어떤지 실제 그림에 맞게 써야 한다. 생성할 때 원했던 요청문과 다를 수 있다.

**예를 들어** 빨간 컵 세 개를 요청했어도 결과가 파란 컵 두 개면 캡션은 파란 컵 두 개여야 한다. 또는 그 그림을 원하는 자료에서 제외한다.

**이 프로젝트에서는** 원래 요청과 실제 캡션을 별도 항목으로 저장한다. 이전 LoRA 실패 원인으로 설명 불일치가 있었는지 먼저 확인한다.

## 과적합 · 연습 답을 외워 새 문제에 약해지는 현상

**쉽게 말하면** 학습 자료에서는 잘하지만 새로운 장면에서는 결과가 나빠지는 상태다. 자료가 적거나 비슷한 예제가 반복되거나 학습을 지나치게 오래 하면 생길 수 있다.

**예를 들어** 교실에서 웃는 같은 주인공만 반복해서 배우면 시장에서 달리는 장면에서도 교실을 그릴 수 있다. 연습문제만 외운 모습과 비슷하다.

**이 프로젝트에서는** 다양한 장소·행동을 넣고 처음 보는 시험 문제를 따로 둔다. 오래 학습한 상태보다 검증 결과가 좋은 상태를 선택한다.

## 증류 · 좋은 모델의 능력을 더 적은 계산으로 배우기

**쉽게 말하면** 교사 모델이 알려 주는 결과나 내부 신호를 학생 모델이 따라 배우는 훈련이다. 목표에 따라 작은 모델을 쓰거나 생성 과정을 줄일 수 있다. 항상 크기와 속도가 동시에 줄어드는 것은 아니다.

**예를 들어** 정확하지만 긴 풀이를 가진 선생님에게서 핵심을 배우고 짧은 풀이를 만드는 학생을 떠올리면 된다. 짧아져도 정답을 유지하는지 시험해야 한다.

**이 프로젝트에서는** 먼저 좋은 Moondo Base를 만든 뒤 핵심 계산 약 8회의 학생을 시험한다. 최종 image2 그림만으로 공식 DMD 내부 신호를 얻을 수는 없다.

## 교사 · 학생에게 학습 신호를 주는 모델

**쉽게 말하면** 학생 모델이 배울 때 기준을 제공하는 모델이다. 사람 교사가 아니라 별도 AI 모델을 가리킨다. 증류 방법에 따라 완성 결과뿐 아니라 내부 예측도 필요하다.

**예를 들어** 풀이를 배워야 하는 학생에게 답안 사진만 주는 경우와 풀이의 각 단계를 보여 주는 경우는 얻는 정보가 다르다.

**이 프로젝트에서는** 원하는 그림체를 잘 그리는 자체 Moondo Base가 교사 후보다. image2 공개 API에는 DMD에 필요한 내부 예측값이 확인되지 않았다.

## 학생 · 빠른 생성법을 배우는 모델

**쉽게 말하면** 교사의 신호를 이용해 훈련하는 모델이다. 학생이라는 이름이 반드시 작은 파일이라는 뜻은 아니다. 이 프로젝트에서는 적은 생성 단계로 만드는 것이 목표다.

**예를 들어** 풀이를 짧게 만들어도 답을 자주 틀리면 좋은 학생이라고 할 수 없다. 속도와 정답을 함께 봐야 한다.

**이 프로젝트에서는** Moondo Webtoon 8-Step 후보를 뜻한다. 교사보다 지시 정확도와 그림체 점수가 얼마나 떨어지는지 같은 문제로 검사한다.

## 분포 · 여러 그림을 모았을 때 나타나는 경향

**쉽게 말하면** 한 장의 모습이 아니라 많은 결과 전체가 어떤 종류와 특징으로 나타나는지 설명하는 말이다. 선·색·구도·내용이 얼마나 자주 나타나는지도 포함될 수 있다.

**예를 들어** 한 반 학생의 키 하나가 아니라 전체 키의 퍼짐을 보는 것과 비슷하다. 그림 한 장이 비슷해도 나머지 결과가 다르면 전체 분포는 다를 수 있다.

**이 프로젝트에서는** DMD는 학생의 많은 결과가 교사의 경향을 따라가도록 훈련한다. 좋은 컷 몇 장만 골라 보여 주는 것으로 이 목표를 검증할 수 없다.

## Decoupled-DMD · 그림의 경향과 지시 효과를 나눠 가르치기

**쉽게 말하면** 학생이 만든 그림의 전체 경향을 교사에 맞추는 훈련과, 문장 지시 효과를 강화하는 훈련을 나눠 조절하는 증류 방법이다. 그림 완성 파일 외에도 교사의 내부 예측과 보조 모델이 필요하다.

**예를 들어** 그림체가 선생님과 비슷한지 보는 수업과 요청문을 잘 따라 그리는지 보는 수업을 나누어 조절하는 비유로 이해할 수 있다. 실제 계산은 논문 방식에 따라 구현해야 한다.

**이 프로젝트에서는** Z-Image-Turbo 방법론의 핵심 참고 대상이다. 공개 학습 도구의 단순 과정 모방을 이 방법과 동일하다고 부르지 않는다.

## DMDR · 증류에 결과 점수 훈련을 더하는 방법

**쉽게 말하면** DMD 훈련과 결과에 점수를 주는 훈련을 결합하는 연구 방법이다. 어떤 결과를 좋다고 평가하는지에 따라 배우는 행동이 바뀐다. 점수가 틀리면 원하지 않는 결과가 좋아질 수도 있다.

**예를 들어** 예쁜 그림에만 상을 주면 컵 두 개를 그려도 높은 점수를 받을 수 있다. 예쁨과 요청 정확도를 함께 평가해야 한다.

**이 프로젝트에서는** 첫 실험의 필수 단계로 넣지 않았다. 웹툰과 개수·행동을 제대로 평가할 점수 체계를 준비한 뒤 후속 연구로 검토한다.

## 시드 · 그림 생성의 시작 번호

**쉽게 말하면** 무작위 시작 상태를 고르는 번호다. 다른 조건이 같을 때 결과 비교를 도와주지만 모델·버전·장치에 따라 완전한 동일 결과가 보장되지는 않는다.

**예를 들어** 같은 출발점에서 달리면 비교는 편해지지만, 코스와 달리는 방식이 바뀌면 도착 모습은 달라질 수 있다.

**이 프로젝트에서는** 문제마다 두 시작 번호를 써서 우연히 잘 나온 한 장에 의존하지 않는다. 같은 번호로 캐릭터 정체성을 고정할 수 있다고 보지 않는다.

## 이미지 조건 · 참고 그림도 입력으로 받는 기능

**쉽게 말하면** 글뿐 아니라 참고 이미지를 보고 새 그림을 만드는 기능이다. 새 인물 외모나 구도 정보를 전달할 수 있다. 이 입력을 처리하는 구조와 학습이 필요하다.

**예를 들어** 주인공을 말로만 설명하는 대신 얼굴·옷 사진을 함께 주고 다른 장소에서 그려 달라고 부탁하는 경우다.

**이 프로젝트에서는** 새 캐릭터의 외모를 유지하려면 필요할 수 있다. 글만 받는 Z-Image Base 추가 학습과 별도 개발·평가 항목이다.

## Tailscale · 떨어진 컴퓨터를 연결하는 사설 네트워크

**쉽게 말하면** 서로 다른 장소의 기기들이 허용된 사설 연결로 통신하게 하는 도구다. 서버 목록과 온라인 여부를 볼 수 있지만 로그인 권한과 GPU 사용 권한은 별개다.

**예를 들어** 집과 사무실 사이에 길을 놓는 것과 비슷하다. 길이 있어도 건물 출입 열쇠까지 자동으로 받는 것은 아니다.

**이 프로젝트에서는** 등록된 다른 기기 23개를 확인했다. 두 GPU 서버를 연결해도 메모리가 하나로 합쳐지거나 빠른 분산 학습이 자동 완성되지는 않는다.

## SSH · 다른 컴퓨터에 안전하게 로그인하는 통로

**쉽게 말하면** 허용된 사용자와 인증 키로 다른 컴퓨터의 명령을 실행하는 접속 방식이다. 네트워크 연결과 별도의 출입 권한이 필요하다. 로그인 거부는 하드웨어가 없다는 뜻이 아니다.

**예를 들어** 서버 건물의 출입 열쇠로 비유할 수 있다. 건물이 지도에 있어도 열쇠가 맞지 않으면 내부를 볼 수 없다.

**이 프로젝트에서는** 온라인 컴퓨터 모두의 접속 가능 여부를 확인했다. 일부는 현재 키로 거부됐다. 사용자에게 필요한 것은 장비 이름과 로그인 사용자 정보이며 비밀번호·개인 키를 공개하지 않는다.

## 분산 학습 · 여러 장비가 학습 일을 나누는 방식

**쉽게 말하면** 여러 GPU나 서버가 자료·계산·모델 상태를 나누고 서로 정보를 주고받으며 학습하는 방식이다. 나누는 방법마다 필요한 메모리와 통신 양이 다르다.

**예를 들어** 팀 과제를 나누면 빨라질 수 있지만 매번 큰 파일을 주고받아야 하면 오히려 기다리는 시간이 길어진다.

**이 프로젝트에서는** 다른 서버의 96GB 두 장을 자동 192GB로 계산하지 않는다. 먼저 독립 실험을 하고 통신 속도와 학습 프로그램 지원을 확인한 뒤 검토한다.

## Adam · 모델 숫자를 바꿀 방향을 정하는 방법

**쉽게 말하면** 학습 오류를 줄이도록 모델 숫자를 조절하는 계산 방법 중 하나다. 이전 수정 기록을 저장해서 다음 수정을 정하므로 숫자 자체 외에도 메모리가 필요하다.

**예를 들어** 틀린 답을 보고 그냥 수정하는 것뿐 아니라 지난번 수정 방향과 크기를 메모하며 다음 수정을 고르는 모습에 비유할 수 있다.

**이 프로젝트에서는** 흔한 전체 학습 설정의 모델·수정 기록만 약 98.4GB가 될 수 있다. 숫자를 작은 형식으로 저장하거나 일부만 학습하는 방법을 측정한다.

## 캐시 · 같은 계산을 반복하지 않도록 미리 저장하기

**쉽게 말하면** 반복해서 필요한 계산 결과를 저장해 다음에 다시 계산하는 일을 줄이는 방법이다. 시간은 아낄 수 있지만 저장 공간이 들고 입력이나 처리 방식이 바뀌면 다시 만들 수 있다.

**예를 들어** 매번 사전을 찾기보다 자주 쓰는 단어의 뜻을 작은 노트에 적어 두는 것과 비슷하다.

**이 프로젝트에서는** 고정한 글 읽기·그림 압축 부분의 결과를 저장하는 방법을 검토한다. 어느 부분이 고정됐는지와 디스크 공간을 함께 확인한다.

## 오프로딩 · GPU 밖으로 일부 작업 자료를 옮기기

**쉽게 말하면** GPU 메모리에 모두 놓기 어려운 자료를 일반 메모리나 다른 저장 공간으로 옮겨 쓰는 방법이다. GPU 사용량은 줄 수 있지만 이동 시간이 들고 옮길 공간도 필요하다.

**예를 들어** 작은 책상에서 안 쓰는 책을 옆 책상에 놓고 필요할 때 가져오는 것과 같다. 옆 책상이 꽉 찼으면 해결이 안 된다.

**이 프로젝트에서는** 두 서버의 일반 메모리 여유가 작아 무제한 대안이 아니다. 메모리와 1회 학습 시간을 함께 재고 전체 학습 설정을 고른다.

## 라이선스 · 사용·수정·배포를 허용하는 조건

**쉽게 말하면** 자료나 프로그램을 어떤 목적으로 사용·수정·공유할 수 있는지 정한 조건이다. 공개로 다운로드할 수 있다고 모든 상업 사용과 모델 학습이 자유로운 것은 아니다.

**예를 들어** 무료로 읽는 책이라도 책 전체를 복사해 판매할 권한까지 받는 것은 아닌 것과 비슷하다.

**이 프로젝트에서는** 그림의 학습 권한과 프로그램 코드의 이용 조건을 각각 확인한다. DMD2 코드의 비상업 조건과 독자 구현을 구분한다.

## 벤치마크 · 모두에게 똑같이 내는 시험

**쉽게 말하면** 여러 모델을 공정하게 비교하려고 정해 둔 공통 문제와 평가 방식이다. 비교 도중 문제나 조건이 바뀌면 차이를 해석하기 어려워진다.

**예를 들어** 한 학생은 쉬운 문제만 풀고 다른 학생은 어려운 문제만 풀었는데 점수만 비교하면 공정하지 않다. 같은 문제와 기준이 필요하다.

**이 프로젝트에서는** 72문제와 두 시작 번호로 계획한다. 현재 준비된 문제는 18개이며 학습 전에 나머지와 채점 기준을 완성한다.

## 학습 세트 · 실제 연습에 쓰는 자료

**쉽게 말하면** 모델 숫자를 고치는 데 직접 사용하는 그림과 설명 묶음이다. 시험 문제와 구분해야 새로운 장면에 배운 것을 적용할 수 있는지 알 수 있다.

**예를 들어** 수업 중 풀어 본 연습문제에 해당한다. 최종 시험이 같은 문제라면 외운 답인지 실력인지 구분하기 어렵다.

**이 프로젝트에서는** 같은 컷의 변형과 같은 요청의 유사 그림은 묶음으로 나눈다. 거의 같은 그림이 시험에 들어가지 않게 한다.

## 검증 세트 · 학습 설정을 고르는 확인 문제

**쉽게 말하면** 모델을 직접 학습시키지 않고 중간 성능을 보고 설정을 고르는 데 쓰는 자료다. 여러 번 보고 고르므로 마지막 시험과도 별개로 둔다.

**예를 들어** 수업 방법을 바꾸며 보는 모의고사와 비슷하다. 모의고사를 기준으로 연습 방법을 바꿨다면 마지막 시험은 다른 문제가 필요하다.

**이 프로젝트에서는** 학습을 언제 멈출지, 어떤 저장 모델을 고를지 결정한다. 최종 시험 자료로 반복 설정을 고르지 않는다.

## 테스트 세트 · 마지막에 남겨 둔 새 문제

**쉽게 말하면** 설정을 정한 뒤 마지막 평가에 사용하는 자료다. 학습이나 반복 설정 선택에 쓰면 더 이상 독립된 최종 시험 역할을 하기 어렵다.

**예를 들어** 정답을 미리 보지 않은 시험지에 해당한다. 거의 같은 연습 문제를 넣지 않아야 새 문제 실력을 볼 수 있다.

**이 프로젝트에서는** 최종 요청 정확도와 그림체 유지 결과를 확인한다. 같은 장면의 조금 다른 파일로 연습·시험을 나누지 않는다.

## 리플레이 · 새 수업 중 원래 능력도 복습하기

**쉽게 말하면** 새 영역을 학습할 때 기존 영역의 자료를 함께 섞어 원래 능력을 너무 잊지 않게 하는 방법이다. 적절한 양은 자료와 목표에 따라 시험해야 한다.

**예를 들어** 웹툰 채색을 배우면서 기본 사물과 여러 구도를 그리는 연습도 계속하는 것과 비슷하다.

**이 프로젝트에서는** 일반 장면 자료 10–30%를 섞는 방법을 후보로 비교한다. 이 비율이 이미 검증된 정답이라고 보지 않는다.

## 파일럿 · 큰 작업 전의 작은 실제 실험

**쉽게 말하면** 큰 비용과 시간이 드는 작업을 정하기 전에 작은 범위에서 실제 동작·품질·속도·메모리를 확인하는 실험이다. 계획을 읽는 것과 다르며 실제 자원을 사용한다.

**예를 들어** 옷 천을 수천 벌 주문하기 전에 몇 벌을 만들어 품질과 제작 시간을 확인하는 것과 같다.

**이 프로젝트에서는** 작은 자료 학습과 50–100회 훈련 측정으로 큰 견적을 정한다. 단순 상태 조회를 핑계로 유료 생성이나 훈련을 제출하지 않는다.

## 체크포인트 · 학습 중 모델 상태를 저장한 파일

**쉽게 말하면** 학습의 특정 시점에 모델 숫자와 필요한 상태를 저장한 파일이다. 중단 후 이어서 학습하거나 다른 시점 결과를 비교하는 데 쓴다.

**예를 들어** 게임의 저장 지점처럼 생각할 수 있다. 다만 나중 저장 파일이 항상 좋은 그림을 만드는 것은 아니다.

**이 프로젝트에서는** 기존 파일을 덮어쓰지 않고 시점별 상태와 설정을 남긴다. 검증 시험에서 좋은 상태를 선택하며 최종 파일에 버전과 자료 출처도 연결한다.

## 추론 · 학습한 모델로 새 그림 만들기

**쉽게 말하면** 모델을 새로 훈련하는 대신 이미 배운 숫자로 요청을 처리하는 과정이다. 그림 생성에서는 글을 받아 새 이미지를 만드는 실행을 뜻한다.

**예를 들어** 수업을 받는 시간이 학습이라면, 시험장에서 배운 것으로 문제를 푸는 시간은 추론에 가깝다.

**이 프로젝트에서는** 학습 때 들어가는 메모리와 그림 한 장 생성 때 들어가는 메모리를 구분한다. 생성이 가능하다고 전체 학습도 같은 장비에서 가능하지는 않다.

## 계산 횟수 · 큰 그림 모델을 실제로 부른 횟수

**쉽게 말하면** 그림을 만들며 핵심 모델이 실제 계산한 횟수다. 화면 설정의 단계 숫자와 항상 같지는 않다. 적어질수록 빨라질 가능성이 있지만 각 계산 비용도 영향을 준다.

**예를 들어** 풀이를 8줄 쓰는 것과 큰 계산을 실제 8번 하는 것은 다를 수 있다. 준비 계산과 추가 계산이 있으면 전체 시간도 달라진다.

**이 프로젝트에서는** 공식 Turbo 예제의 설정 9는 실제 핵심 계산 8회다. 버전별로 확인하고 실제 초 단위 시간도 함께 측정한다.

## BF16 · 모델 숫자를 짧게 저장하는 형식

**쉽게 말하면** 숫자 하나를 16비트, 즉 2바이트로 저장하는 형식이다. 더 긴 형식보다 메모리를 아끼지만 숫자를 표현하는 세밀함이 달라진다. 모든 학습 기록이 이 형식인 것은 아니다.

**예를 들어** 아주 긴 소수점 대신 짧은 표기로 숫자를 적는 것에 비유할 수 있다. 계산 목적에 충분한 정확도가 남는지 확인해야 한다.

**이 프로젝트에서는** 61억 5천만 개 숫자만 이 형식이면 약 12.3GB다. 수정 기록과 중간 계산을 더해야 해서 전체 학습 메모리는 훨씬 커질 수 있다.

## 양자화 · 숫자를 더 작은 형식으로 바꾸기

**쉽게 말하면** 모델의 숫자를 더 적은 저장 용량으로 표현하는 방법이다. 메모리와 실행 비용을 줄일 수 있지만 지원 프로그램이 필요하고 정확도가 달라질 수 있다.

**예를 들어** 사진의 색 종류를 줄여 파일을 작게 하는 비유로 볼 수 있다. 너무 많이 줄이면 표현이 달라질 수 있다.

**이 프로젝트에서는** 메모리 절약 후보이지 아직 검증한 설정이 아니다. 작은 형식으로 저장한 모델과 기존 모델을 같은 시험으로 비교해야 한다.

## VAE · 그림을 작은 표현으로 압축·복원하는 장치

**쉽게 말하면** 큰 그림을 더 작은 숫자 묶음으로 표현하고 다시 이미지로 복원하는 모델이다. 큰 그림 전체에서 계속 계산하는 부담을 줄이는 데 쓰인다.

**예를 들어** 큰 지도를 작은 약도로 정리해 작업하고 마지막에 다시 자세한 그림으로 옮기는 것에 비유할 수 있다. 압축·복원에서 일부 표현이 달라질 수 있다.

**이 프로젝트에서는** Z-Image에는 Flux VAE가 붙는다. 초기에는 고정하고 중심 그림 모델부터 바꾸며 그 메모리도 전체 실행 용량에 포함한다.

## 텍스트 인코더 · 문장을 모델이 쓰는 숫자로 바꾸기

**쉽게 말하면** 글을 읽고 다른 모델이 활용할 숫자 표현으로 바꾸는 모델이다. 문장 순서·뜻·관계 정보를 전달한다. 이 과정이 있다는 사실만으로 모든 개수·위치를 정확히 이해하지는 않는다.

**예를 들어** 그림 작업자에게 주문서를 전달하기 전에 요구사항을 작업용 목록으로 바꾸는 역할로 비유할 수 있다.

**이 프로젝트에서는** Z-Image는 별도 글 읽기 모델을 사용한다. 첫 추가 학습에서는 이 부분을 고정하고 그림 모델부터 비교한다.

## CFG · 문장 지시의 영향력을 조절하는 방법

**쉽게 말하면** 문장을 준 예측과 주지 않은 예측의 차이를 이용해 문장 영향을 조절하는 생성 방법이다. 값을 높인다고 지시 정확도가 무조건 좋아지지는 않고 그림 품질도 달라질 수 있다.

**예를 들어** 작업자가 자기 평소 그림과 주문서 그림 사이에서 주문서 쪽으로 얼마나 강하게 이동할지 조절하는 비유로 이해할 수 있다.

**이 프로젝트에서는** 기본 모델과 Turbo의 설정이 다를 수 있다. Turbo 생성에서 CFG를 쓰지 않는다고 훈련 때 교사의 지시 신호도 없었다는 뜻은 아니다.

## 토큰 · AI가 처리한 자료량을 세는 단위

**쉽게 말하면** AI 서비스가 글이나 그림을 얼마나 처리했는지 세는 단위다. 글과 그림의 세는 규칙은 다르다. 크레딧이 이용 비용이라면 토큰은 그 비용을 계산하는 사용량에 해당한다.

**예를 들어** 같은 크기 이미지도 품질 설정에 따라 처리량과 비용이 달라질 수 있다. 요금표의 100만 토큰당750크레딧을 이미지 한 장당750크레딧으로 읽으면 안 된다.

**이 프로젝트에서는** image2의 이미지 출력100만 토큰에750크레딧인 표준 요금을 사용해1024×1024 장수를 추정했다. 입력 문장과 참고 이미지 처리량은 별도로 더해질 수 있다.

## i2i · 그림을 넣어 새 그림 얻기

**쉽게 말하면** 문장만 넣는 대신 원본이나 참고 그림도 넣어 새 결과를 얻는 작업의 넓은 이름이다. 스케치 완성, 특정 부분 수정, 다른 장면 만들기는 필요한 기능이 서로 다르다.

**예를 들어** 교복 입은 주인공 그림과 “옷을 파란색으로 바꿔 줘”라는 문장을 함께 넣는다. 원본의 구도와 얼굴을 보고 고칠 근거가 생긴다.

**이 프로젝트에서는** 문도는 원하는 그림체로 처음 만드는 시험과 참조를 보며 수정하는 시험을 따로 기록한다. i2i라는 이름만으로 인물 유지나 부분 고치기가 보장되지는 않는다.

## SDEdit · 원본에 잡음을 섞고 다시 그리기

**쉽게 말하면** 원본을 조금 흐트러뜨린 상태에서 모델이 문장에 맞춰 다시 완성하는 방법이다. 새 모델을 학습하지 않고도 원본과 비슷한 구도로 다른 그림을 만들 수 있다.

**예를 들어** 대략 그린 카페 스케치에 잡음을 넣고 “선명한 웹툰 카페”로 완성한다. 많이 흐트러뜨리면 바꾸기 쉬워지지만 원래 모양도 더 쉽게 잃는다.

**이 프로젝트에서는** 새 편집 모델과 비교하는 기본 방법이다. 특정 옷 색만 바꾸면서 얼굴을 꼭 지키는 목표에는 더 정확한 참조 입력·영역 제어·평가가 필요하다.

## 마스크 · 바꿔도 되는 부분을 표시한 지도

**쉽게 말하면** 그림과 같은 위치 관계를 가진 표시 지도다. 어느 부분을 수정하고 어느 부분을 지킬지 알려 준다. 투명도나 모델마다 흰색·검정의 뜻은 다를 수 있어 입력 규칙을 확인한다.

**예를 들어** 옷만 칠한 지도를 함께 넣으면 모델이나 합성 프로그램이 옷 영역을 대상으로 작업한다. 얼굴까지 칠하면 얼굴도 바뀔 수 있는 범위가 된다.

**이 프로젝트에서는** 원본·결과와 크기와 위치를 맞춰 보관한다. 마스크를 받는 모델인지 확인하고, 실제 고정이 필요하면 밖의 원본을 다시 합성하는 방법도 쓴다.

## 인페인팅 · 표시한 부분 다시 그리기

**쉽게 말하면** 그림의 특정 영역을 새 내용으로 채우거나 고치는 기능이다. 주변의 선·색·그림자에 맞추는 일이 포함된다. 표시한 부분만 처리해도 경계와 필요한 주변 변화는 검사해야 한다.

**예를 들어** 주인공 손에 든 컵을 지우고 책으로 바꾸기 위해 손과 소품 주변을 표시한다. 너무 좁게 표시하면 손과 책의 연결이 어색할 수 있다.

**이 프로젝트에서는** 웹툰 손·옷·소품 수정의 출발 기능이다. 전체 자세 변경이나 다른 장소의 새 장면 만들기에는 더 넓은 참조 편집이 필요하다.

## ControlNet · 선과 자세를 따르게 하는 추가 장치

**쉽게 말하면** 그림을 만드는 모델이 윤곽선·사람 자세·거리 지도 같은 구조를 따르게 돕는 추가 모델이다. 그림체를 배우는 부품이나 같은 사람임을 확인하는 장치와는 목적이 다르다.

**예를 들어** 졸라맨처럼 표시한 앉은 자세를 넣으면 주인공이 그 자세로 앉은 컷을 그리도록 유도한다. 얼굴 외모는 별도의 참고나 학습으로 유지해야 한다.

**이 프로젝트에서는** Z-Image에 공개 구조 제어와 부분 편집을 붙일 수 있는 후보다. 우리 그림체 추가 학습 모델과 함께 동작하는지, 빠른 생성 능력이 유지되는지 시험한다.

## 참조 조건 · 그림을 보고 만들도록 주는 입력

**쉽게 말하면** 모델이 결과를 만들 때 참고하는 그림과 그 역할이다. 원본 컷, 캐릭터 얼굴, 그림체 예시, 배경 예시는 같은 사진 입력이어도 쓰임이 다르다.

**예를 들어** 첫 그림은 수정할 원본, 둘째는 유지할 주인공 얼굴, 셋째는 새 카페 배경이라고 구분해 넣는다. 모델이 어떤 것을 따라야 할지 설명한다.

**이 프로젝트에서는** 학습과 실제 편집 모두에서 참조를 연결한다. 같은 시드나 캐릭터 이름만으로 이 입력을 대신하지 않으며 다중 참조 지원 여부를 확인한다.

## 편집 학습쌍 · 원본과 정답 수정 결과

**쉽게 말하면** 같은 작업의 원본과 올바른 수정 결과를 연결한 자료다. 실제 학습에는 무엇을 바꾸라는 문장도 함께 넣으므로 보통 원본·지시·결과 세 가지가 한 묶음이다.

**예를 들어** 원본의 빨간 재킷을 파란색으로 바꾼 결과와 그 요청문을 연결한다. 얼굴도 다른 사람으로 바뀐 결과는 이 요청의 정답이 되기 어렵다.

**이 프로젝트에서는** 완성 그림 500장과 편집 500묶음은 다른 수량이다. 원본의 수정들이 자료 분할에서 흩어지지 않게 연결하고 검수·출처·유지할 요소를 남긴다.

## 다중 과제 학습 · 여러 종류의 연습 함께 하기

**쉽게 말하면** 한 모델에게 관련된 여러 작업을 함께 연습시키는 방법이다. 각각의 자료가 어떤 작업인지 구분하고 섞는 비율과 결과를 검사한다. 모든 모델에서 자동으로 좋아지는 공식은 아니다.

**예를 들어** 글만 보고 새 그림 만들기, 원본을 그대로 복원하기, 지시에 맞춰 일부 고치기를 함께 연습하면 만들기와 보존하기를 동시에 익힐 기회가 생긴다.

**이 프로젝트에서는** 편집만 배울 때 원래 능력을 잃는지 확인하고 복원·생성 자료를 섞는 방법과 비교한다. 처음부터 최적 비율을 아는 것으로 기록하지 않는다.

## 원본 복원 · 입력 그림을 다시 만들기

**쉽게 말하면** 참고 그림의 내용을 그대로 결과로 되돌리는 연습이다. 모델의 압축과 복원 과정에서 얼굴·선·작은 글자를 얼마나 지킬 수 있는지 확인할 수 있다.

**예를 들어** 수정 요청이 없을 때는 원래 주인공 얼굴과 교복이 그대로 나오도록 연습한다. 압축 때문에 작은 선이 조금 달라질 수 있어 결과를 확인한다.

**이 프로젝트에서는** 편집 모델이 필요 없는 변화까지 만드는 문제를 줄이는 후보 연습이다. 실제 수정 요청에는 제대로 변화가 생기는지도 별도로 검사한다.

## VLM · 그림과 글을 함께 읽는 AI

**쉽게 말하면** 그림을 보고 내용과 문장을 연결해 이해하는 AI다. 결과에 사람이 몇 명인지, 옷이 어떤 색인지 설명하거나 두 그림의 차이를 판단하는 데 쓸 수 있다. 틀릴 수도 있다.

**예를 들어** 원본과 수정 결과를 보고 “옷 색은 바뀌었지만 얼굴도 달라졌다”라고 판단하게 한다. 웹툰의 과장된 표정을 잘못 읽을 수 있어 사람 검수가 필요하다.

**이 프로젝트에서는** 자료 설명과 후보 평가에 사용할 수 있다. NP-Edit에는 모델을 바꾸는 계산 신호를 줄 수 있는 VLM이 필요하며 단순한 외부 채팅 응답과 같지 않다.

## DPO · 같은 요청의 더 좋은 결과 배우기

**쉽게 말하면** 같은 입력과 요청에서 나온 두 결과 중 어느 쪽이 더 좋은지 비교한 자료로 모델을 조정하는 방법이다. 정답 한 장만 보여 주는 학습과 다른 신호를 사용한다.

**예를 들어** 두 결과 모두 옷을 파란색으로 바꿨지만 하나만 원래 얼굴을 유지했다면 그쪽을 더 좋은 결과로 골라 기록한다.

**이 프로젝트에서는** 기본 편집 학습이 성공한 뒤 보존 능력을 높이는 후보다. 판단 기준과 원본을 함께 남기고 점수만 높이는 부작용도 시험한다.

## NP-Edit · 정답 수정 그림 없이 배우는 연구

**쉽게 말하면** 원본과 수정 요청은 있지만 정답 수정 그림이 없는 경우, 그림·글 이해 AI의 평가 계산으로 편집 모델을 학습하는 연구 방법이다. 그림 품질을 유지하는 추가 훈련도 결합한다.

**예를 들어** “빨간 컵을 파란 컵으로 바꿔”를 모델이 시도하고 평가 AI가 색 변경과 주변 보존을 판단한다. 그 계산 신호를 받아 다음 결과가 나아지도록 조정한다.

**이 프로젝트에서는** 정답 제작 부담을 줄일 연구 후보지만 여러 모델과 복잡한 훈련이 필요하다. 논문의 큰 GPU 실험을 우리 서버 완료 시간이나 최소 장비로 바꾸어 말하지 않는다.

## 조건부 증류 · 같은 원본을 보며 빠른 편집법 배우기

**쉽게 말하면** 교사와 학생이 같은 참조 그림과 수정 요청을 받아, 학생이 더 적은 계산으로 올바른 편집을 하도록 배우게 하는 계획이다. 글만 보고 만드는 능력을 줄여 배우는 과정과 시험 조건이 다르다.

**예를 들어** 교사도 학생도 같은 주인공 그림을 보고 옷 색을 바꾼다. 학생의 속도뿐 아니라 얼굴을 유지했고 올바른 색으로 바꿨는지 비교한다.

**이 프로젝트에서는** 품질이 확인된 Moondo Edit를 교사로 삼는다. 먼저 같은 모델 계열로 시작하고 다른 그림 압축·내부 계산 방식을 가진 모델 간 연결은 추가 연구로 잡는다.

## 레이어 · 그림을 나눠 담은 투명한 종이

**쉽게 말하면** 인물·배경·말풍선 같은 요소를 따로 저장하고 겹쳐 한 장으로 보이게 하는 작업 단위다. 다른 층을 다시 그리지 않고 한 요소만 이동하거나 수정할 수 있다.

**예를 들어** 배경 위에 주인공, 그 위에 말풍선을 겹친다. 말풍선 위치만 바꾸면 주인공 얼굴과 배경 픽셀은 그대로 둘 수 있다.

**이 프로젝트에서는** 원본 레이어가 있으면 먼저 보존한다. 평면 그림을 AI로 분리할 수도 있지만 가려진 선과 배경은 추정되므로 원래 작업 파일을 완벽히 되찾는 것으로 보지 않는다.

## RGBA · 색과 투명도를 함께 저장하기

**쉽게 말하면** 빨강·초록·파랑 색 정보에 투명도를 더해 저장하는 방식이다. 투명한 배경의 캐릭터 그림을 다른 배경 위에 자연스럽게 겹칠 때 사용한다.

**예를 들어** 주인공 밖의 영역이 투명한 PNG를 카페 배경에 올린다. 가장자리 투명도가 잘못되면 흰 테두리나 잘린 머리카락이 보일 수 있다.

**이 프로젝트에서는** 레이어 편집과 투명한 캐릭터 자산에 사용한다. 투명 이미지를 지원한다고 같은 인물 유지나 정확한 합성이 자동으로 해결되는 것은 아니다.

## prefix KV cache · 같은 참조 계산을 저장해 재사용

**쉽게 말하면** 그림을 조금씩 완성할 때 매번 변하지 않는 문장·참조 그림의 계산 결과를 저장해 다시 쓰는 방법이다. 반복 계산을 줄이지만 저장 공간은 필요하다.

**예를 들어** 편집 과정에서 주인공 참고 그림은 같고 새 결과만 바뀐다면 참고 그림을 매 단계 처음부터 읽지 않고 이전 계산을 재사용한다.

**이 프로젝트에서는** Qwen 2.1 등 해당 구조를 가진 모델의 속도 개선 방법이다. 생성 단계를 줄이는 증류와 다르며 지원하지 않는 Z-Image에 설정만 추가해 얻을 수 있는 기능으로 보지 않는다.

## OPD · 학생의 시도에 교사들이 조언하는 학습

**쉽게 말하면** 학생이 스스로 만들어 가는 과정에 교사의 계산을 맞추어 배우게 하는 방법이다. 서로 다른 작업에 강한 여러 교사의 능력을 하나로 모으는 데 사용할 수 있다.

**예를 들어** 글로 새 그림을 만드는 데 강한 교사와 원본 편집을 잘하는 교사의 조언을 학생이 자기 생성 과정에서 받도록 설계한다.

**이 프로젝트에서는** Qwen 2.0-RL 연구의 후속 정렬 방법으로 조사했다. 여러 능력을 합치는 목적이며 이것만으로 편집 단계가 적어지거나 빠르게 된다고 보장하지 않는다.

## 픽셀 차이 · 같은 위치의 색이 달라졌는지 보기

**쉽게 말하면** 디지털 그림의 작은 색 칸을 픽셀이라 한다. 같은 크기의 두 그림에서 각 칸의 색 차이를 비교하면 고정할 영역이 정말 바뀌지 않았는지 확인할 수 있다.

**예를 들어** 옷만 바꾼 컷의 배경을 원본과 비교한다. 일반 합성으로 배경을 그대로 붙였다면 해당 칸의 색은 같아야 한다.

**이 프로젝트에서는** 영역 밖 고정의 검사에 쓴다. 새로운 자세나 조명처럼 넓은 변화가 필요한 작업에 모든 칸을 같게 유지하라는 기준을 적용하지 않는다.

## 연속 수정 · 이전 결과를 이어서 고치기

**쉽게 말하면** 한 번 수정한 결과를 다음 작업의 입력으로 다시 쓰는 방식이다. 옷 색을 바꾼 뒤 표정을 바꾸고 배경을 바꾸는 식이다. 조금씩 원본 특징이 흐트러질 수 있다.

**예를 들어** 첫 수정은 성공했지만 세 번째 수정에서 주인공 얼굴이나 이전 옷 색이 바뀌면 여러 번 이어 쓰는 작업에는 문제가 있는 것이다.

**이 프로젝트에서는** 단일 수정과 별도 시험으로 기록한다. 원본과 캐릭터 기준 그림을 보존하고 각 수정의 버전을 남겨 이전 결과를 확인하고 되돌릴 수 있게 한다.
