Supersonic Labs Julia 1은 CPU에서 실행되지만, 가장 어려운 테스트가 그 대가를 드러낸다
Supersonic Labs는 CPU에서 실행되고 Apache 2.0 라이선스로 가중치를 공개하는 1억 4,430만 개 파라미터 의사결정 모델 Julia 1을 출시했다. Supersonic Labs Julia 1의 출시는 모든 언어 작업에 대규모 생성 모델이나 전용 가속기가 필요하다는 통념에 도전한다.
Julia 1은 문장을 작성하거나 대화를 이어가지 않는다. 컨텍스트와 질문, 그리고 두 개에서 20개 사이의 제공된 답변을 입력받는다. 이후 답변 하나를 선택하고 사용 가능한 선택지의 확률을 반환한다.
이처럼 범위를 좁힌 설계가 실제 긴장을 만든다. Supersonic Labs는 여러 분류 작업에서 경쟁력 있는 결과와 크지 않은 하드웨어 요구 사항, 다국어 기반을 보고한다. 그러나 Julia 1은 72개 레이블의 은행 업무 테스트에서 훨씬 낮은 성능을 보였으며, 이 과정에서는 후보군 축소 단계가 최종 판단 이전에 정답을 제거할 수 있다.
따라서 핵심 비교 대상은 Julia 1과 최전선 챗봇이 아니다. 이는 소형의 로컬 배포 가능 의사결정 모델과 구조화된 분류 및 라우팅을 위해 설계된 더 크거나 호스팅된 시스템의 비교다. CPU 접근성은 중요한 선택에서 모델의 정확도가 유지될 때만 의미가 있다.
Supersonic Labs Julia 1 출시가 실제로 바꾸는 것
Julia 1은 텍스트 생성 모델 없이 여러 제한된 언어 의사결정을 하나의 로컬 인터페이스로 묶는다.
회사의 출시 세부 정보에 따르면 Julia 1은 세 가지 출력 형식을 처리할 수 있다. 선택 요청은 후보 하나를 고르고, 점수 요청은 순서가 있는 수준을 평가하며, Boolean 요청은 어떤 문장이 참일 가능성을 추정한다.
이 형식들은 일반적인 자동화 문제를 포괄한다. 고객 서비스 시스템은 메시지를 청구, 배송 또는 계정 지원으로 라우팅할 수 있다. 또 다른 요청은 긴급도를 순서형 척도로 평가할 수 있다. 세 번째 요청은 해당 사례가 정의된 조건을 충족하는지 표시할 수 있다.
호출자는 가능한 답변의 설명을 제공한다. Julia 1은 질문의 맥락에서 이러한 대안을 점수화한 뒤, 선택된 식별자와 확률 분포를 반환한다. 이 접근 방식은 생성 모델이 소프트웨어가 나중에 파싱해야 하는 텍스트를 만들도록 요구하지 않는다.
이 차이는 중요하다. 챗봇은 설명을 생성하거나 새 레이블을 만들어 내거나 형식이 잘못된 출력을 반환할 수 있다. 반면 의사결정 모델은 애플리케이션 개발자가 정한 답변 공간 안에서 작동한다. 그 역할은 대화보다 분류나 재순위화에 더 가깝다.
이 모델은 하나의 네이티브 요청에서 두 개에서 20개의 선택지를 받는다. 더 큰 레이블 집합에는 후보를 그룹으로 나누고, 선택된 옵션을 보존하며, 남은 후보 목록을 재순위화하는 라우터가 필요하다. 이 방식은 겉보기 레이블 수용량을 넓히지만, 동시에 실패 지점도 추가한다.
Julia 1은 1억 4,430만 개의 파라미터를 포함하며, 전체 정밀도 가중치는 550.5 MiB를 차지한다. 공개된 Python 런타임은 CPU 실행을 지원하며, Supersonic Labs는 브라우저 지향 WebGPU 사용을 위한 ONNX 버전도 제공했다.
모델 저장소에는 가중치, 추론 코드, 구성 파일, 벤치마크 산출물 및 설치 지침이 포함되어 있다. 네이티브 패키지에는 Python 3.11 이상이 필요하다. 학습 파이프라인 자체는 포함되지 않는다.
이 출시는 이례적으로 구체적인 출처 정보도 제공한다. Supersonic Labs는 평가된 체크포인트를 SHA-256 접두사로 식별하고, 데이터셋 개정판을 공개하며, CPU에서 유형화된 의사결정 테스트를 재현하기 위한 스크립트를 제공한다.
이러한 자료는 감사 가능성을 높이지만, 보고된 결과를 독립적인 것으로 만들지는 않는다. 회사가 모델을 만들고, 평가 방식을 선택하고, 측정 결과를 공개했다. 외부 사용자는 여전히 테스트를 재현하고 자신들의 워크로드를 평가해야 한다.
Julia 1은 역량의 최전선보다 배포에 관한 질문을 바꾼다. 개발자는 이제 제한된 의사결정을 위해 특별히 구축된 비교적 작은 오픈 모델을 갖게 됐다. 그렇다고 이것이 모든 분류기, 재순위화기, 호스팅 의사결정 서비스 또는 범용 언어 모델을 대체할 수 있다는 증거는 아니다.
CPU 추론은 작은 의사결정의 경제성을 다르게 만든다
이 모델의 가장 강력한 주장은 운영 측면에 있다. 제한된 의사결정은 원격 생성 요청이 되는 대신 일반 하드웨어에서 계속 처리될 수 있다.
Supersonic Labs는 Apple M4 컴퓨터, Intel Core i5-1235U 시스템, Samsung SM-X510 태블릿에서 Julia 1을 테스트했다. 이 측정은 서로 다른 워크로드, 런타임 및 입력 크기를 포괄하므로, 통제된 기기 성능 순위표로 해석해서는 안 된다.
Apple M4에서 회사는 CPU 스레드 4개를 사용한 개별 의사결정의 중앙값이 33.15밀리초라고 보고했다. 16개 배치는 초당 51.20건의 의사결정에 도달했다. 해당 실행 종료 시 프로세스는 370.6 MiB의 메모리를 점유했다.
Samsung 태블릿은 ONNX Runtime을 통해 8초 동안 40건의 의사결정을 처리했다. 이는 초당 5건의 의사결정에 해당하며, 보고된 지연 시간은 193~205밀리초였다. 가중치 파일을 메모리 매핑하는 동안 프로세스의 최대 상주 메모리는 393.1 MB에 도달했다.
Intel Core i5-1235U에서는 유형화된 의사결정 테스트의 중앙값 지연 시간이 294.81밀리초로 기록됐다. 더 작은 AG News 및 감정 파일럿은 더 빨랐지만, 72개 레이블 Banking77 워크플로는 중앙값 3,713.54밀리초가 걸렸다.
이처럼 큰 차이는 “CPU에서 실행된다”는 말이 출발점일 뿐인 이유를 보여준다. 성능은 입력 길이, 선택지 수, 배치 처리, 토큰화, 그리고 라우터가 대규모 후보 집합을 줄여야 하는지에 따라 달라진다. 단순한 4분류와 72개 레이블 라우팅 문제는 동등한 배포 사례가 아니다.
실질적인 장점은 통제력이다. 기업은 민감한 텍스트를 자체 기기에 보관하고, 네트워크 왕복을 없애며, 일상적인 모든 의사결정을 호스팅 엔드포인트에 의존하지 않을 수 있다. 로컬 실행은 오프라인 애플리케이션과 예측 가능한 용량 계획도 지원할 수 있다.
이러한 장점은 반복적이고 범위가 좁은 작업에서 가장 관련성이 높다. 예로는 티켓 라우팅, 메시지 분류, 문서 분류, 위험 플래그, 감정 레이블, 루브릭 기반 채점이 있다. 각 작업은 모델에 제한 없는 응답 생성을 요청하는 대신 제약된 답변 목록을 제공한다.
이 방식은 후속 코드도 단순화할 수 있다. 애플리케이션은 문장 대신 식별자와 확률을 받는다. 개발자는 여전히 임곗값, 대체 규칙 및 모니터링이 필요하지만, 자유 형식 응답을 신뢰할 수 있는 소프트웨어 계약으로 취급하지 않아도 된다.
CPU 배포가 자동으로 낮은 총비용을 뜻하지는 않는다. 팀은 메모리, 동시성, 엔지니어링 시간, 모델 로딩, 모니터링 및 인적 검토를 고려해야 한다. 트래픽이 늘거나 지연 시간 목표가 엄격해질 경우, 느린 로컬 모델은 비용이 커질 수 있다.
보고된 Intel 은행 업무 지연 시간은 이 문제를 보여준다. 복잡한 라우팅 의사결정 하나에 거의 4초가 걸리는 것은 오프라인 워크플로에서는 가능할 수 있지만, 인터랙티브 제품에서는 느리게 느껴질 것이다. 더 높은 처리량을 위해서는 배치 처리, 양자화, 더 빠른 하드웨어 또는 대체 모델을 테스트해야 한다.
따라서 Julia 1의 CPU 추론은 두 가지 기존 접근 방식에 압박을 가한다. 첫 번째는 하나의 제한된 답변만 필요한 작업에 범용 언어 모델을 사용하는 방식이다. 두 번째는 개인정보 보호, 오프라인 접근성 또는 예측 가능한 운영이 로컬 실행에 유리한 경우에도 호스팅 분류기에 의존하는 방식이다.
이 출시는 어느 접근 방식도 없애지 않는다. 출력 공간을 미리 나열할 수 없을 때는 생성 모델이 여전히 유용하다. 호스팅 시스템은 더 나은 유지 관리, 확장성 및 모델 업데이트를 제공할 수 있다. Julia 1은 대신 로컬 옵션을 벤치마킹할 만큼 신뢰할 수 있게 만든다.
검색 가능한 내부 시스템을 구축하는 팀에게 라우팅은 더 큰 워크플로의 한 계층일 뿐이다. 같은 배포 원칙은 엔지니어링 팀이 나중의 검색을 위해 비공개 문서를 정리할 때도 적용된다.
Julia 1 의사결정 모델이 결과를 생성하는 방식
Julia 1은 제공된 대안을 점수화하도록 다국어 인코더를 조정해 효율성을 얻지만, 그 특화가 할 수 없는 일을 규정한다.
이 모델은 Johns Hopkins University 연구진이 만든 다국어 인코더 mmBERT-small에서 출발한다. 인코더는 텍스트를 분류, 검색 또는 순위화에 사용할 수 있는 문맥적 표현으로 변환한다.
mmBERT-small 모델은 약 1억 4,000만 개의 파라미터를 가지며 최대 8,192토큰 시퀀스 길이를 지원한다. 모델 카드는 더 넓은 mmBERT 계열이 1,800개 이상의 언어에 걸쳐 학습됐다고 설명한다.
Supersonic Labs는 컨텍스트, 질문 및 사용 가능한 답변을 비교하는 의사결정 구성 요소를 추가했다. 2계층 헤드가 각 선택지에 점수를 매기고, softmax 연산이 이 점수를 확률로 변환한다. 이후 모델은 가장 높은 점수를 받은 답변을 선택한다.
이 메커니즘은 다음 토큰 생성과 다르다. Julia 1은 답변을 단어 단위로 구성하지 않는다. 이미 존재하는 후보를 평가한다. 이는 출력을 더 쉽게 제약하게 해 주지만, 애플리케이션이 올바른 선택지를 정의해야 한다는 뜻이기도 하다.
부실하게 설계된 레이블은 여전히 심각한 위험이다. 두 선택지가 겹치거나, 올바른 해결책이 빠져 있거나, 입력에 없는 정보에 의존할 수 있다. 확률 분포는 불완전한 의사결정 스키마를 고칠 수 없다.
선택지 설명도 결과에 영향을 준다. “청구”만으로는 “청구 관련 문의, 중복 청구 및 결제 분쟁”보다 적은 맥락을 제공한다. 프로덕션 평가는 실제 애플리케이션에서 사용할 것과 같은 표현을 유지해야 한다.
순서형 점수에는 또 다른 우려가 있다. Julia 1은 자연어 판단을 생성하는 대신, 0부터 시작하는 루브릭 위치의 기대값을 반환한다. 개발자는 모델이 의도된 순서를 준수하는지, 인접 범주가 의미 있는 차이를 나타내는지 검증해야 한다.
Boolean 모드 역시 신중한 해석이 필요하다. 참일 확률은 증명이 아니며, 자동으로 보정된 신뢰도도 아니다. 한 데이터셋에서 작동하는 임곗값은 사용자 언어, 클래스 비율 또는 운영 조건이 달라지면 실패할 수 있다.
Supersonic Labs는 공개 정확도 벤치마크에서 Julia 1을 결합 1,024토큰 제한으로 평가했다. 현재 런타임은 더 긴 입력을 허용하고 기본값은 8,192토큰이지만, 저장소는 더 긴 구성을 정확도 검증이 아닌 스모크 테스트 수준으로 설명한다.
이 차이는 흔한 추론 오류를 막는다. 8,192토큰에서 성공적으로 실행된다고 해서 모델이 긴 컨텍스트를 신뢰성 있게 활용한다는 뜻은 아니다. 팀은 아키텍처 한계를 입증된 역량과 동일시하지 말고 입력 길이 전반에서 정확도를 평가해야 한다.
소형 아키텍처는 기본 인코더의 강점과 제약도 물려받는다. mmBERT-small은 폭넓은 다국어 표현을 제공하지만, Julia 1은 범용 추론 시스템이 아니다. Supersonic Labs는 외부 지식과 다단계 계산에는 다른 테스트가 필요하다고 명시한다.
이 경계는 모호한 “소형 AI”라는 레이블보다 Julia 1을 더 이해하기 쉽게 만든다. 이 모델은 설명된 대안 중 하나를 선택하도록 설계됐다. 연구 보조자, 자율 에이전트, 수학 풀이 도구 또는 사실 데이터베이스로 취급해서는 안 된다.
이러한 초점은 장점이 될 수 있다. 많은 비즈니스 프로세스에는 생성된 문장이 필요하지 않다. 알려진 대기열, 상태, 조치 또는 정책 결과 중에서 신뢰할 수 있는 선택이 필요하다. 작업이 실제로 이 인터페이스와 맞을 때, 특화 모델은 컴퓨팅 및 통합 부담을 줄일 수 있다.
중요한 단어는 “언제”다. 라벨이 자주 바뀌거나, 외부 사실에 의존하거나, 설명이 필요한 워크플로에는 추가 구성 요소가 필요할 수 있다. Julia 1은 전체 애플리케이션이 되지 않으면서 하나의 의사결정 단계를 맡을 수 있다.
Julia 1 CPU 벤치마크가 드러낸 주요 약점
벤치마크 결과는 엇갈린다. Julia 1은 여러 소규모 라벨 작업에서 좋은 성과를 냈지만, 가장 어려운 라우팅 테스트에서는 기준 모델에 크게 뒤처졌다.
Supersonic Labs는 9월 24일 평가에서 2,000건의 유형화된 의사결정 중 1,463건을 정답으로 맞혔다고 밝혔다. 이는 73.15%의 정확도로, 제공된 Jev 기준값인 72.70%와 비교된다.
차이는 0.45%포인트다. 근소한 결과일 뿐, 광범위한 우위를 입증하는 근거는 아니다. 이 테스트는 여러 의사결정 유형을 함께 포함하고 있어, 하나의 전체 백분율 안에 더 강한 범주와 약한 범주가 가려질 수 있다.
Julia 1은 600개 선택형 질문에서 428개, 600개 불리언 질문에서 484개, 800개 순위 점수형 질문에서 551개를 정답으로 기록했다. 이 수치는 집계 결과가 하나의 균일한 분류 작업이 아니라 서로 다른 행동 특성을 포함한다는 점을 보여준다.
기본 typed decisions 데이터세트는 확률적 목표를 포함한 구조화된 고객 서비스 사례로 구성돼 있다. 해당 문서는 유용한 자동화가 확률의 품질에 달려 있기 때문에 최상위 답변 정확도와 함께 보정 지표를 강조한다.
Supersonic Labs는 각각 100개 예시로 구성된 세 차례의 분류 파일럿도 진행했다. Julia 1은 4개 라벨의 AG News 작업에서 94%, 6개 라벨의 DAIR Emotion 작업에서 86%를 기록한 것으로 전해졌다. 제공된 Jev 기준값은 각각 91%와 48%였다.
이러한 소규모 파일럿은 특히 감정 분류 결과 측면에서 고무적이다. 다만 100개 예시만으로 폭넓은 성능을 입증할 수는 없으며, 공개 벤치마크 자료는 데이터 오염 우려를 낳을 수 있다. Supersonic Labs도 이 파일럿이 일반적인 모델 품질에 대한 결론을 내린다고 주장하지는 않는다.
Banking77 결과는 가장 유용한 압박 테스트를 제공한다. Julia 1은 72개 금융 카테고리 중에서 선택하는 100개 예시 가운데 64개를 올바르게 분류했다. 제공된 Jev 기준값은 87%였다.
이 23%포인트 격차는 라우팅 메커니즘의 알려진 약점과 맞닿아 있다. Julia 1은 한 번에 최대 20개 옵션만 직접 받아들일 수 있으므로, 시스템은 최종 비교 전에 72개 라벨 목록을 좁혀야 한다. 이 단계에서 정답 카테고리가 사라지면 최종 채점기는 이를 복구할 수 없다.
CPU 재현 테스트에서는 Banking77 정답 60개와 기권 3개가 기록됐다. Supersonic Labs는 기권 사례를 제외하지 않고 100개 사례에 포함해 집계한다. 같은 CPU 실행은 2,000건의 유형화된 의사결정에서 72.55%에 도달했다.
이 결과는 단순한 “CPU 모델” 헤드라인보다 더 중요하다. 가치 있는 많은 비즈니스 작업은 복잡한 분류 체계를 갖고 있다. 은행, 보험사, 지원 운영 조직, 컴플라이언스 팀은 수십 개에서 수백 개에 이르는 밀접하게 관련된 카테고리를 유지할 수 있다.
4개 라벨에서 잘 작동하는 모델도 옵션 수가 많아지고 의미적으로 유사해지면 어려움을 겪을 수 있다. 더 어려운 작업은 언어 이해와 후보 관리 능력을 모두 시험한다. 이러한 환경에서 Julia 1의 현재 라우터는 제한 요인으로 보인다.
기준 모델 비교에도 맥락이 필요하다. 공개 benchmark protocol은 자체 300개 예시 파일럿이 보편적인 리더보드가 아니라고 경고한다. 또한 공개 데이터가 모델 학습에 포함됐을 수 있으며, 클래스별 소규모 표본은 여전히 불안정하다는 점도 언급한다.
Supersonic Labs는 동일한 하드웨어와 서비스 조건에서 새롭고 독립적으로 통제된 정면 비교를 수행하는 대신, 해당 프로토콜의 기준값을 재사용했다. 이 수치는 참고 자료를 제공하지만, 결정적인 순위를 확립하지는 않는다.
자동화된 의사결정에는 정확도만으로 충분하지 않다. 확률 보정은 신뢰도 점수가 관측된 정답률과 일치하는지를 측정한다. 선택적 커버리지는 오류 한도 내에 머무르면서 시스템이 얼마나 많은 작업을 수용할 수 있는지 측정한다.
Julia 1은 전체 확률 벡터를 반환하므로 이러한 분석이 가능하다. 그러나 출시 자료는 보정, 클래스별 동작, 신뢰도 기반 커버리지보다 정답 개수를 더 강조한다. 시스템이 어떤 사례에 사람의 검토가 필요한지 판단할 때 이러한 누락된 차원은 중요하다.
모델의 다국어 결과도 비슷한 한계를 지닌다. Supersonic Labs는 52개 로케일의 MASSIVE 예시 154,648개 가운데 110,573개를 올바르게 분류해 71.50%를 기록했다고 밝혔다. 미국 영어에서는 86.75%, 유럽 포르투갈어에서는 86.25%를 기록했다고 보고했다.
이 평가는 18개 시나리오 중에서 선택한다. 모든 언어, 도메인, 의사결정 형식에서 동등한 성능을 입증하지는 않는다. Supersonic Labs는 브라질에 뿌리를 둔 회사임에도 브라질 포르투갈어 평가는 향후 과제로 남아 있다고 밝혔다.
증거는 더 제한적인 결론을 뒷받침한다. Julia 1은 특히 작고 구분이 뚜렷한 답변 집합에서 일반적인 하드웨어로 유용한 구조화된 의사결정을 수행할 수 있다. 그러나 크고 복잡한 분류 체계나 중요한 비감독 의사결정에서 신뢰할 수 있는 성능을 확립하지는 못했다.
출시 이후 개발자가 주목해야 할 사항
다음 단계는 독립적 재현, 대규모 라벨 라우팅 개선, 실제 배포 환경의 증거로 평가해야 한다.
첫 번째 신호는 독립적인 벤치마크 재현이다. Supersonic Labs는 가중치, 평가 산출물, 해시, CPU 재현 스크립트를 제공한다. 이제 외부 연구자들은 공개된 수치가 유지되는지 테스트하고 보정 또는 불확실성 분석을 추가할 수 있다.
성공적인 재현은 출시 프로세스에 대한 신뢰를 강화할 것이다. 다른 결과가 나온다고 해서 반드시 모델의 타당성이 무효화되는 것은 아니지만, 소프트웨어 버전, 하드웨어, 데이터 준비 또는 평가 선택에 대한 민감성을 드러낼 수 있다.
두 번째 신호는 대규모 라벨 집합에서의 성능이다. Banking77은 추상적인 우려가 아니라 구체적인 약점을 드러냈다. 향후 라우터 변경은 Julia 1이 실용적인 CPU 지연 시간을 유지하면서 정답 후보를 보존할 수 있는지 보여줘야 한다.
개발자는 최종 정확도뿐 아니라 각 축소 단계에서의 재현율을 살펴봐야 한다. 정답이 초기에 자주 사라진다면, 최종 의사결정 헤드를 개선해도 핵심 문제는 해결되지 않는다. 라우터 평가는 겹치는 라벨과 의도적으로 불완전한 답변 목록도 포함해야 한다.
세 번째 신호는 실제 워크플로에서의 도입 증거다. 프로덕션 사례는 라벨 구조, 입력 길이, 지연 시간 분포, 메모리 사용량, 인간 검토 정책, 오류 비용을 보고해야 한다. 다운로드 수만으로는 팀이 테스트 후에도 모델을 계속 사용했는지 알 수 없다.
Supersonic Labs는 Julia 2를 개발 중이며 mmBERT 대신 자체 기반 아키텍처를 사용할 것이라고 밝혔다. 이 계획은 주목할 만하지만, 현재로서는 미래에 대한 주장에 머문다. 중요한 시험은 새 기반 모델이 Julia 1의 낮은 하드웨어 요구 사항을 잃지 않으면서 의사결정 품질을 개선하는지 여부다.
ONNX와 WebGPU 경로도 주목할 필요가 있다. 브라우저 실행은 비공개 오프라인 의사결정을 지원할 수 있지만, 호환성은 기기와 실행 제공자에 따라 달라진다. 회사의 태블릿 실행은 CPU 연산자로 폴백됐고, 한 가속 경로에서는 잘못된 reshape 결과가 나온 것으로 전해졌다.
이 세부 사항은 책임감 있는 공개를 보여주지만, 동시에 배포 마찰도 부각한다. “브라우저에서 실행된다”는 말이 브라우저와 칩 전반에서 일관된 가속, 메모리 동작, 수치적 동등성을 보장하지는 않는다.
모델을 평가하는 팀은 자체 라벨과 실패 비용부터 시작해야 한다. Julia 1을 단순 분류기, 재순위 모델, 기존 호스팅 서비스, 동일한 답변으로 제한된 범용 언어 모델과 비교해야 한다.
비교에서는 동일한 예시와 라벨 설명을 유지해야 한다. 정확도, 보정, 기권 동작, p50 및 p95 지연 시간, 최대 메모리, 자동화해도 안전한 사례의 비율을 측정해야 한다.
고위험 의사결정에는 추가 안전장치가 필요하다. 확률 점수는 검토에 정보를 제공해야지 책임성을 대체해서는 안 된다. 팀은 입력 및 출력 추적을 보존하고, 분포 변화를 모니터링하며, 제공된 답변 중 어느 것도 맞지 않을 때를 위한 대안을 마련해야 한다.
Supersonic Labs Julia 1은 더 작고 전문화된 AI 구성 요소의 가능성을 설득력 있게 제시한다. 오픈 가중치와 CPU 런타임은 그 가능성을 시험하는 장벽을 낮춘다. 동시에 가장 약한 벤치마크 결과는 이 출시가 단순한 승리 서사가 되는 것을 막는다.
개발자를 위한 질문은 구체적이다. 제한된 로컬 모델이 실제 의사결정에서, 여러분의 지연 시간 및 오류 한도 아래 대안보다 나은가? 호스팅 시스템을 교체하거나 프로덕션 작업을 Julia 1로 라우팅하기 전에 그 비교를 실행해야 한다.
