top of page

SGLang-Neuron 배포, AWS Trainium 프리뷰에 도달

52분 전
9분 분량

AWS는 11월 12일 SGLang-Neuron 배포를 공개하며, 중요한 프리뷰 제한을 유지한 채 Trainium에 익숙한 모델 서빙 인터페이스를 도입했다. SGLang은 AI 모델을 실행하고 생성 요청을 처리하는 소프트웨어다. Trainium은 AWS의 AI 가속기 제품군이다. 두 기술을 함께 사용하면 개발자는 애플리케이션 측 서빙 워크플로를 바꾸지 않고도 또 다른 하드웨어 경로를 활용할 수 있다.

이번 변화의 핵심은 기존 워크플로를 다른 하드웨어로 옮길 수 있는 능력인 소프트웨어 이식성이다. AWS는 개발자가 지원되는 모델을 서빙하고 보상 기반 학습 중 사용되는 모델 응답인 강화 학습 롤아웃을 생성할 수 있다고 밝혔다. 그러나 익숙한 인터페이스가 하드웨어 플랫폼 전반에서 동일한 기능 범위, 운영 방식 또는 성능을 보장하는 것은 아니다.

이 구분은 AI 연산에 그래픽 프로세서를 사용하는 기존 GPU 배포의 대안을 평가하는 인프라 팀에 핵심적인 부담을 준다. SGLang-Neuron은 이들 팀이 익숙한 소프트웨어를 통해 Trainium을 더 쉽게 평가하도록 한다. 구매 담당자는 여전히 특정 모델, 요청 패턴, 운영 요구 사항이 프레임워크 작업을 하드웨어에 연결하는 소프트웨어 계층인 새 백엔드에 맞는지 확인할 근거가 필요하다.

SGLang-Neuron 배포가 구체적인 평가 경로를 열다

이번 발표는 보편적 호환성을 확립하는 것이 아니라, 개발자가 SGLang을 통해 Trainium을 테스트할 수 있는 공개 출발점을 제공한다.

RadixArk는 AWS의 Annapurna Labs와 협력해 통합 기능을 출시했다. AWS는 서빙 소프트웨어와 그 종속성을 포함한 패키지 환경인 Deep Learning Container를 통해 이를 배포한다. Trainium 서빙 발표에는 SGLang의 기존 서버 인터페이스를 통해 OpenAI의 gpt-oss-120b 모델을 서빙하는 Trainium3 예시가 포함돼 있다.

이번 출시는 평가의 출발 조건을 바꾼다. 팀은 제공된 환경과 문서화된 모델 구성으로 시작할 수 있다. 이는 프레임워크가 다른 가속기를 지원한다는 일반적인 약속보다 더 구체적인 제안이다.

동시에 이번 발표가 실제로 입증하는 범위도 좁힌다. 작동하는 예시는 소프트웨어 스택을 통과하는 의도된 경로를 보여 준다. 다른 환경에서 쓰이는 모든 구성이 변경 없이 이전되거나, 모든 애플리케이션이 동일한 운영상 이점을 얻는다는 뜻은 아니다.

인프라 구매자에게 첫 번째로 유용한 질문은 구체적이다. 문서화된 경로가 검토 중인 워크로드를 포괄하는가? 이는 가속기 브랜드 간의 광범위한 비교보다 조사하기 쉬운 질문이다.

코딩 어시스턴트를 평가하는 팀을 생각해 보자. 이 애플리케이션은 프롬프트를 보내고, 생성된 텍스트를 받으며, 응답이 제품 요구 사항을 충족하는지 기록한다. 서빙 인터페이스를 익숙하게 유지하면 팀은 기본 실행 환경을 바꾸면서도 이 평가 프로세스의 일부를 유지할 수 있다.

이는 보도된 고객 배포가 아니라 설명을 위한 평가 시나리오다. 그 관련성은 애플리케이션 계약과 하드웨어 구현을 분리하는 데 있다. 애플리케이션 계약은 요청과 응답이 어떤 형태여야 하는지를 설명하며, 구현은 시스템이 이를 어떻게 생성하는지를 결정한다.

이 분리는 이번 출시의 성숙도를 과장하지 않고도 그 중요성을 설명하는 데 도움이 된다. 개발자는 다른 플랫폼을 조사할 실질적인 방법을 얻는다. 그렇다고 정확성 검증, 부하 테스트 또는 배포 계획을 건너뛸 이유가 생기는 것은 아니다.

컨테이너는 애플리케이션 엔지니어와 인프라 운영자 간 대화의 기준점도 제공한다. 두 그룹은 독립적으로 설치된 구성 요소의 불특정 집합을 논하는 대신 검토 대상 환경을 식별할 수 있다.

따라서 여기서 공개 제공은 정확한 의미를 갖는다. 개발자는 릴리스를 이용하고 테스트를 시작할 수 있다. 프로덕션 적합성은 배포 요구 사항과 연결된 별도의 판단으로 남는다.

발표를 따르는 독자에게 이것이 유지해야 할 첫 번째 구분이다. 접근성은 평가를 시작할 수 있는지에 답한다. 채택 여부는 특정 서비스가 그 결과에 의존해야 하는지에 답한다.

익숙한 인터페이스가 배포 근거로 압박을 옮기다

알아볼 수 있는 서빙 워크플로는 도입 장애물 하나를 줄이고, 남은 장애물을 더 쉽게 검토하게 한다.

중요한 비교는 애플리케이션 측 워크플로를 보존하는 것과 다른 실행 플랫폼을 검증하는 것 사이에 있다. 이 두 목표는 서로를 뒷받침하지만 서로 바꿔 쓸 수는 없다. 팀은 익숙한 요청 처리를 유지하면서도 선호하는 모델 구성에 추가 작업이 필요하다는 점을 발견할 수 있다.

AWS는 PyTorch를 Trainium에 연결하는 오픈소스 백엔드인 TorchNeuron을 통해 네이티브 PyTorch 지원을 문서화하고 있다. PyTorch는 모델을 구축하고 실행하는 데 사용되는 프로그래밍 프레임워크다. TorchNeuron은 일반 실행과 모델 작업을 컴파일된 프로그램으로 변환하는 기능인 torch.compile을 지원한다. 해당 문서는 이 릴리스를 공개 베타로 명시한다.

아키텍처 측면에서 이는 AWS가 기존 소프트웨어 경계에서 개발자를 만나고 있음을 뜻한다. 애플리케이션 팀에 하드웨어를 고립된 상태로 평가하라고 요구하는 대신, 그 하드웨어에 이르는 프레임워크 수준의 경로를 제공한다.

이는 플랫폼 팀이 반대 근거를 측정 가능하게 만들도록 압박한다. 모델과 필수 기능이 지원된다면, 낯선 애플리케이션 문법은 평가를 거부할 이유로서 설득력이 약해진다. 신뢰성, 성능, 유지보수 노력 및 배포 제약이 더 유용한 비교 기준이 된다.

지지자에게도 같은 기준이 적용된다. 익숙한 소프트웨어가 성공적인 마이그레이션을 보장하지는 않는다. 엔지니어링 팀은 어떤 작업이 사라졌고, 어떤 작업이 남았으며, 어떤 새로운 책임이 생겼는지를 설명할 수 있어야 한다.

이미 NVIDIA 기반 서빙을 운영하는 팀에게는 그것이 여전히 유의미한 기준점이다. 이 비교는 어느 하드웨어 선택도 기본 승자로 간주하지 않고 팀의 기존 서비스 요구 사항을 기준으로 해야 한다. 이번 발표는 보편적 순위가 아니라 또 하나의 평가 후보를 제공한다.

의미 있는 비교는 제품 경험에서 시작된다. 코딩 어시스턴트는 허용 가능한 대기 시간 안에 유용한 답변을 반환해야 한다. 문서 어시스턴트는 사용자가 실제로 제출하는 프롬프트 전반에서 답변 품질을 유지해야 한다. 인프라 결과는 그러한 결과를 뒷받침하는 범위에서 중요하다.

팀이 마이그레이션을 결정하기 전에도 변경되지 않은 인터페이스가 중요할 수 있는 이유가 여기에 있다. 동일한 애플리케이션 동작을 중심으로 비교를 더 쉽게 구성할 수 있다. 엔지니어는 전체 제품 실험을 재설계하는 대신 서비스 아래에서 무엇이 바뀌었는지 물을 수 있다.

조달 팀에도 관련된 책임이 있다. 소프트웨어 친숙성과 구매하려는 구성에 대한 확립된 운영 이력을 구분해야 한다. 이는 서로 다른 종류의 근거이며, 둘 다 의사결정에 포함돼야 한다.

AWS와 RadixArk에도 그에 따른 의무는 구체적이다. 인터페이스가 기존 관행에 가까울수록 구매자는 지원되는 구성과 측정 가능한 배포 결과에 더 많은 주의를 기울일 수 있다.

따라서 단기적인 압박은 실질적이다. 이번 출시는 이전보다 구성하기 어려웠던 평가를 유도하는 동시에, 친숙함이 어디에서 사용 가능한 인프라 선택으로 이어지는지 지지자가 보여 주도록 요구한다.

플러그인은 워크플로를 유지하면서 실행을 특화한다

이 통합의 핵심 메커니즘은 SGLang의 서빙 장치와 Trainium 전용 실행 간 책임 분담이다.

AWS는 SGLang-Neuron을 프레임워크의 핵심 코드와 별도로 유지되는 확장 기능인 out-of-tree 플러그인으로 설명한다. SGLang은 서버와 요청 수명 주기를 유지한다. 플러그인은 하드웨어별 모델 실행을 제공한다. 이 설계는 내부 구현이 바뀌는 동안에도 인터페이스가 알아보기 쉬운 상태로 남을 수 있는 이유를 설명한다.

개발자들의 SGLang-Neuron 릴리스 개요는 모든 작업이 순차적으로 끝나기를 기다리는 대신 작업을 겹쳐 처리하는 비동기 런타임을 설명한다. 또한 상당한 모델 연산을 하나의 실행 단위로 결합하는 커널인 메가커널도 설명한다. 커널은 가속기에서 실행되는 함수다.

이는 기본 호환성을 넘어 하드웨어 경로를 유용하게 만들기 위한 구현 선택이다. 개발자들은 이를 실행 오버헤드를 줄이고 가속기가 계속 작동하도록 하는 방식으로 제시한다. 이들의 설명은 의도된 메커니즘을 설명하지만, 독자의 기존 배포 대비 성능을 독립적으로 입증하지는 않는다.

기능적 이식성과 효율적인 실행은 서로 다른 질문에 답하기 때문에 이 구분은 중요하다. 기능적 이식성은 소프트웨어가 요구되는 동작을 생성하는지 묻는다. 효율적인 실행은 의도된 워크로드에서 그 동작이 얼마나 많은 용량과 시간을 소비하는지 묻는다.

전자는 도입에 필수적이다. 후자는 도입이 운영상 타당한지 결정한다. 어느 하나도 다른 하나를 대체할 수 없다.

따라서 익숙한 서버 인터페이스는 상당한 엔지니어링 특화 위에 자리한다. 이번 릴리스를 평가하는 개발자는 애플리케이션 경계와 실행 경계가 서로 다른 종류의 검토를 받게 될 것으로 예상해야 한다.

애플리케이션 경계에서는 요청 처리와 응답 동작이 질문의 대상이다. 실행 경계에서는 지원되는 작업, 메모리 사용량, 컴파일 동작, 하드웨어 활용도가 대상이다. 이러한 질문을 분리하면 실패를 더 쉽게 해석할 수 있다.

같은 논리는 플러그인 아키텍처가 버전 관리를 없애지 않는 이유도 설명한다. 별도 개발은 독립적인 진전을 위한 여지를 만들지만, 운영자는 여전히 함께 작동하는 알려진 구성 요소 조합이 필요하다.

유용한 평가는 각 결과의 정확한 환경을 보존해야 한다. 이 기록이 없으면 이후의 개선이나 회귀를 원인에 연결하기 어렵다. 팀은 모델, 서빙 소프트웨어, 컴파일러, 배포 구성 중 무엇을 변경했는지 알아야 한다.

엔지니어링 그룹은 이후 평가가 원래의 가정을 유지하도록 이러한 결정을 검색 가능한 지식 베이스와 함께 관리할 수 있다.

이 문서화는 이식성의 핵심 약속을 뒷받침한다. 팀이 그에 따른 동작을 설명하고 비교를 재현할 수 있을 때 하드웨어 플랫폼 간 이동은 더 유용해진다.

따라서 그 메커니즘은 “PyTorch가 다른 칩에서 실행된다”보다 더 구체적이다. SGLang은 익숙한 서비스 경계를 제공하고, 특화된 실행 소프트웨어는 그 경계를 Trainium에서 실용적으로 만들려 한다.

프롬프트 처리와 생성의 분리가 비교를 바꾸다

서빙 아키텍처는 요청의 서로 다른 단계가 시스템에 서로 다른 요구를 부과하기 때문에 중요하다.

SGLang의 prefill-decode 분리 문서는 프롬프트 처리인 prefill과 점진적 텍스트 생성인 decode를 구분합니다. Prefill은 입력 시퀀스를 처리하며 연산을 중시합니다. Decode는 모델이 생성하는 텍스트 단위인 후속 토큰을 생성하면서, 저장된 어텐션 정보에 반복적으로 접근합니다.

분리는 이 단계들을 별도의 서빙 리소스에 배정합니다. 이전 컨텍스트를 다시 계산하지 않도록 하는 저장된 어텐션 데이터인 키-값 캐시는 두 단계 사이에서 이동해야 합니다. 이는 모델이 특정 가속기에서 실행될 수 있는지 여부를 넘어서는 또 하나의 차원을 도입합니다.

AWS는 SGLang-Neuron이 추론 데이터 전송 라이브러리인 NIXL을 AWS의 인스턴스 간 네트워킹 인터페이스인 Elastic Fabric Adapter를 통해 사용해 이러한 구성을 지원한다고 설명합니다. AWS의 추론 네트워킹 가이드는 호스트 간 점검을 포함해 EFA 및 NIXL의 구성과 테스트를 별도로 문서화합니다.

분석적 결론은 명확합니다. 서빙 단위는 단일 머신을 넘어 확장될 수 있습니다. 단계 간 통신을 무시하는 비교는 시스템의 일부만 측정할 위험이 있습니다.

예를 들어, 긴 입력을 받고 비교적 짧은 답변을 생성하는 문서 어시스턴트를 상상해 보십시오. 이 워크로드는 짧은 프롬프트에 긴 응답을 생성하는 어시스턴트와는 다른 방식으로 프롬프트 처리를 중시합니다. 이러한 가상 서비스가 자동으로 동일한 배포 설계를 공유해서는 안 됩니다.

이 관찰이 어느 서비스에든 분리가 더 적합하다는 것을 증명하지는 않습니다. 다만 요청 구성도 비교에 포함되어야 하는 이유를 설명합니다. 아키텍처는 받는 작업에 맞아야 하며, 추가적인 조정 비용도 그 가치를 입증해야 합니다.

따라서 운영자는 최초 응답을 기다리는 시간과 그 이후 생성 속도를 구분해야 합니다. 시스템은 경험의 한 부분을 개선하면서 다른 부분은 그대로 두거나 더 악화시킬 수 있습니다.

지속적인 수요 상황에서의 동작도 살펴봐야 합니다. 개별 요청을 무난하게 처리하는 구성도 여러 요청이 리소스를 두고 경쟁하면 애플리케이션 요구사항을 충족하지 못할 수 있습니다. 관련된 결과는 의도한 운영 조건 전반에서의 서비스 경험입니다.

이로써 네트워킹은 추론 결정의 일부가 됩니다. 빠른 실행 경로가 있다고 해서 단계 간 데이터 전송, 라우팅, 장애 처리를 검증할 필요가 사라지는 것은 아닙니다.

분리는 팀이 인시던트를 해석하는 방식도 바꿉니다. 지연된 응답은 프롬프트 처리, 전송 또는 생성에서 비롯될 수 있습니다. 모니터링은 단순히 전체 지연만 보고하는 대신 운영자가 원인이 된 단계를 식별하도록 도와야 합니다.

이는 SGLang-Neuron의 보고된 장애가 아니라 평가상의 함의입니다. 서로 다른 책임을 가진 분산 서빙 구성을 도입하면 이러한 결과가 따릅니다.

인프라 구매자에게 더 넓은 교훈은 완전한 배포 설계를 비교해야 한다는 점입니다. 가속기 사양만으로는 애플리케이션이 필요한 부하에서 수용 가능한 응답을 받는지 판단할 수 없습니다.

프리뷰 제한 사항이 현재 도입 경계를 규정한다

주의가 필요한 가장 강력한 이유는 Trainium의 경쟁력에 관한 추측이 아니라 문서화된 범위입니다.

프리뷰 호환성 제한은 명시적입니다. 버전 0.1.0은 정의된 모델 카탈로그를 지원하며, 지원되지 않는 아키텍처는 거부합니다. 또한 LoRA 어댑터, 간결한 모델 커스터마이징, 수치 표현을 생성하는 임베딩 서버, 모델 파라미터를 교체하기 위한 인터페이스인 SGLang의 가중치 업데이트 엔드포인트도 허용하지 않습니다.

릴리스 노트는 플러그인을 특정 SGLang 리비전에 고정하고 Neuron SDK 2.33.0을 기준으로 검증합니다. 이 SDK는 AWS 가속기용 소프트웨어 툴킷입니다. 이러한 제한은 실제로 “동일한 인터페이스”가 무엇을 의미하는지 규정합니다.

거부되는 기능이 필요한 애플리케이션에는 직접적인 호환성 문제가 있습니다. 이 문제는 성능 튜닝을 시작하기 전에 확인해야 합니다. 제품에 필요한 동작이 없다면 더 빠른 실행으로 이를 보완할 수 없습니다.

이는 특히 도입 전개 과정과 관련이 있습니다. 강화 학습을 위한 응답 생성은 학습 워크플로의 일부일 뿐입니다. 운영자는 모델 업데이트가 서빙 프로세스에 어떻게 도달하는지, 의도한 학습 통합이 그 경로를 지원하는지도 확인해야 합니다.

개발자들은 RadixArk의 강화 학습 프레임워크인 Miles를 포함하는 검증된 배포 및 학습 통합을 설명합니다. 이는 특정 통합에 관한 주장입니다. 기존의 모든 학습 시스템이 일반 SGLang 업데이트 인터페이스를 변경 없이 사용할 수 있다는 주장으로 확대해서는 안 됩니다.

버전 제한은 또 다른 실무적 고려 사항을 만듭니다. 프리뷰를 평가하는 팀은 검증된 소프트웨어 조합을 하나의 정의된 단위로 취급해야 합니다. 한 구성 요소를 독립적으로 변경하면 자체 검증이 필요한 다른 환경이 만들어집니다.

그렇다고 프리뷰가 평가에 부적합하다는 뜻은 아닙니다. 이는 평가가 유용한 근거를 만들 수 있는 조건을 정합니다. 알려진 구성에 연결된 결과는 프레임워크가 “작동한다”는 광범위한 주장보다 더 유익합니다.

성능 주장에도 동일한 엄격함이 필요합니다. 이 발표는 GPU 서빙 대비 보편적 우위를 입증하지 않습니다. 모든 비교는 결과의 배경이 된 모델, 요청 구성, 출력 요구사항 및 전체 배포 구성을 설명해야 합니다.

품질도 그 비교의 일부로 남아야 합니다. 응답 속도가 개선되더라도 출력 동작을 바꾸는 서빙 시스템은 애플리케이션의 수용 기준에 따라 평가해야 합니다.

여기서의 회의적 입장은 가상의 비판자나 근거 없는 의혹을 필요로 하지 않습니다. 문서 자체가 필요한 질문을 제공합니다. 지원 모델, 필수 기능, 검증된 종속성 조합, 수용 가능한 서비스 동작입니다.

구매자에게 경계는 분명합니다. SGLang-Neuron 배포는 지원되는 구성에서 프리뷰로 제공됩니다. 더 폭넓은 호환성과 프로덕션 적합성에는 발표를 넘어선 근거가 필요합니다.

이러한 틀은 이야기의 양쪽을 모두 보존합니다. 이번 릴리스는 또 다른 하드웨어 경로를 시험할 구체적인 기회를 제공하며, 공개된 제한 사항은 팀이 그 기회가 자신의 작업에 맞는지 판단하도록 돕습니다.

다음은 모델 범위, 워크로드 결과, 업그레이드다

다음 근거는 프리뷰가 특정 서비스에 신뢰할 수 있는 선택지로 성장하는지를 보여줘야 합니다.

첫 번째 신호는 모델 및 기능 범위입니다. 향후 몇 달 동안 독자들은 릴리스가 검증된 구성을 추가하고 실제 애플리케이션과 관련된 제한을 해소하는지 지켜봐야 합니다. 또 하나의 지원 모델은 팀이 실제로 배포할 수 있는 워크로드 범위를 넓힐 때 가장 중요합니다.

범위는 모델 이름을 넘어 평가해야 합니다. 구매자는 문서화된 구성이 어떤 애플리케이션 동작, 배포 방식, 커스터마이징 요구사항을 지원하는지 알아야 합니다. 더 긴 카탈로그는 필요한 기능이 함께 제공될 때만 이식성 주장을 강화합니다.

반대로 구매자의 핵심 기능을 둘러싼 공백이 계속된다면 즉각적인 도입 근거는 약해질 것입니다. 그렇다고 아키텍처가 무효가 되는 것은 아닙니다. 다만 그 유용성은 더 좁은 배포 집합에 집중될 것입니다.

두 번째 신호는 재현 가능한 워크로드 근거입니다. 유용한 결과는 무엇을 실행했는지, 요청이 어떻게 도착했는지, 어떤 출력이 요구됐는지, 배포가 어떤 리소스를 소비했는지를 밝혀야 합니다. 독자들은 애플리케이션의 품질 및 응답성 요구사항을 보존하는 비교를 우선해야 합니다.

그러한 비교가 모든 워크로드에서 단일 승자를 낼 필요는 없습니다. Trainium이 하나의 식별 가능한 서비스에 적합하다는 결과는 근거 없는 일반적 우월성 주장보다 더 실행 가능할 수 있습니다.

다른 팀이 유사한 조건에서 결과를 재현할 수 있을 때 근거는 더 강해집니다. 상세한 방법론은 구매자가 공개된 결과가 자신의 요구사항과 닮았는지, 아니면 채택할 수 없는 가정에 의존하는지 판단하게 합니다.

세 번째 신호는 릴리스 사이의 운영상 진전입니다. 독자들은 지원 구성, 종속성 요구사항, 마이그레이션 지침이 어떻게 변하는지 살펴봐야 합니다. 유용한 다음 릴리스는 업그레이드로 무엇이 개선되는지와 무엇을 재검증해야 하는지를 더 쉽게 이해하게 해야 합니다.

이는 인프라 선택이 초기 출시 이후에도 이어지기 때문에 중요합니다. 팀은 모델과 소프트웨어가 변하는 동안에도 서비스를 계속 운영해야 합니다. 명확한 업그레이드 기대치는 고립된 실험을 넘어 플랫폼을 사용할 근거를 강화합니다.

지원되는 구성 요소 조합에 관한 불확실성이 반복된다면 불리한 신호가 될 것입니다. 초기 벤치마크가 매력적으로 보이더라도 배포에 대한 신뢰를 유지하는 데 필요한 작업이 늘어날 것입니다.

엔터프라이즈 구매자에게 이러한 신호는 뉴스를 실용적으로 읽는 방법을 제공합니다. 더 넓은 범위는 관련성을 입증합니다. 재현 가능한 결과는 워크로드 가치를 입증합니다. 관리 가능한 업그레이드는 그 가치가 지속될 수 있는지를 입증합니다.

개발자에게 이번 릴리스는 이미 평가할 수 있는 범위를 바꿉니다. 해결되지 않은 질문은 그 평가 중 얼마나 많은 부분이 스택의 다른 영역에 작업을 축적하지 않고 반복 가능한 배포 프로세스가 될 수 있는가입니다.

실제로 운영해야 하는 서비스부터 시작하십시오. 헤드라인 벤치마크를 해석하기 전에 필요한 모델, 기능, 품질 점검, 응답 기대치를 파악하십시오. 기존 배포를 기준점으로 유지한 뒤, 동일한 제품 요구사항에 맞춰 지원되는 Trainium 구성을 평가하십시오.

모든 결과에 소프트웨어 버전과 워크로드 가정을 함께 기록하십시오. 지원되지 않는 요구사항은 문서화된 공백으로 취급하고, 매력적인 측정치는 해당 구성에 관한 근거로 취급하십시오. 모델 범위나 운영 동작이 변하면 결정을 다시 검토하십시오. SGLang-Neuron 배포는 이제 이러한 조사를 위한 공개 경로를 제공합니다. 이를 활용해 익숙한 소프트웨어가 애플리케이션에 유용한 하드웨어 선택지를 만드는 지점을 판단하십시오.

 
 

무료로 시작하세요

개인 지식 관리 기능을 갖춘 로컬 우선 AI 어시스턴트

더 나은 AI 경험을 위해

현재 remio는 Windows 10+ (x64) 및 M-Chip Macs만 지원합니다.

업무를 위한 AI 파트너
remio와 더 많은 일을 해내세요

계획하고, 만들고, 완성하세요
모든 일을 한곳에서

bottom of page