tandem.cpp 업데이트, AMD 지원 및 SSD 성능 향상 추가
tandem.cpp 업데이트는 64GB 메모리와 16GB 그래픽 카드를 탑재한 PC에서 DeepSeek-V4.1-Flash가 초당 14.2토큰으로 실행된다고 보고한다. 작성자는 동일한 구성에서 기본 llama.cpp가 초당 7.4토큰을 기록했다고 제시한다. 이 주장은 기존 모델을 실행하는 추론 속도 향상에 관한 것이며, 모델 데이터의 상당 부분은 여전히 그래픽 메모리 외부에 있다.
중요한 세부 사항은 그 데이터가 어디에 저장되는가다. 작성자에 따르면, 테스트한 모델의 전문가 가중치는 139GiB를 차지해 시스템 메모리 용량을 초과한다. 전문가는 특정 입력에 맞춰 선택되는 특화 모델 구성 요소다. 이 패치는 자주 사용되는 전문가를 그래픽 카드에 유지하고, 남은 작업은 프로세서, 메모리, 스토리지 전반에서 조율한다.
이로써 tandem.cpp는 실질적인 제약과 맞선다. 즉, 사용자가 선호하는 모델이 가용 메모리를 초과할 때 얼마나 긴 대기 시간을 감수할 것인가의 문제다. 강조된 시스템에서 llama.cpp 대비 보고된 이점은 상당하다. 또 다른 추론 엔진인 Strata와의 비교에서는 더 근소하고 복잡한 경쟁 양상이 나타난다. 이 수치는 작성자가 보고한 측정치이며, 독립적으로 재현된 결과는 아니다.
tandem.cpp 업데이트가 실제로 바꾸는 점
이번 업데이트는 대형 모델 전체를 가장 빠른 메모리에 유지할 수 없는 컴퓨터를 겨냥한다. 또한 AMD 실행 경로를 추가해 검토 가능한 하드웨어 범위를 넓혔다.
작성자의 DeepSeek 오프로드 벤치마크에서 핵심 구성은 RTX 5070 Ti, 64GB RAM, i5-14600KF를 결합한다. RAM은 컴퓨터의 작업 메모리다. 그래픽 카드는 그래픽과 연산을 위한 전용 메모리인 16GB VRAM을 갖춘다.
해당 시스템에서 작성자는 tandem.cpp가 초당 14.2토큰, llama.cpp가 7.4토큰, Strata가 10.4토큰을 기록했다고 보고한다. 토큰은 모델이 처리하고 생성하는 텍스트 단위다. 이 수치는 프롬프트를 처리한 뒤 엔진이 출력을 생성하는 속도인 디코드 속도를 측정한다.
벤치마크는 DeepSeek-V4.1-Flash IQ2_XS를 사용한다. 마지막 표기는 모델 가중치를 낮은 수치 정밀도로 저장하는 양자화 형식을 가리킨다. 작성자는 각 엔진이 동일한 양자화 모델을 사용했다고 밝혔으며, 이는 서로 다르게 압축된 모델이 아니라 실행 방식 간의 비교라는 의미다.
명시된 조건도 중요하다. 테스트에는 한 명의 사용자, GSM8K 수학 문제, 그리고 가장 높은 점수를 받은 다음 토큰을 선택하는 그리디 디코딩이 포함된다. 작성자는 비교된 엔진 가운데 선택된 전문가를 건너뛴 엔진은 없었다고 말한다. 이러한 통제는 비교 범위를 좁히지만, 구현을 독립적으로 검증하는 것은 아니다.
두 번째 시스템은 동일한 그래픽 카드와 메모리 용량을 i5-12400F 및 전용 온보드 DRAM이 없는 보급형 SSD와 조합한다. 보고된 결과는 tandem.cpp 초당 10.4토큰, Strata 초당 5.7토큰이다. 해당 게시물은 이 항목에 대한 llama.cpp 결과를 제공하지 않는다.
이 누락된 항목은 누락된 상태로 남겨야 한다. 이는 실패, 모델 로드 불가, 또는 특정 성능 격차를 입증하지 않는다. 단지 해당 구성에서 모든 엔진을 아우르는 완전한 비교를 할 수 없게 한다.
더 큰 구성은 32GB 그래픽 메모리를 갖춘 RTX 5090, 128GB RAM, i5-14600KF를 결합한다. 여기서 작성자는 tandem.cpp가 초당 33.1토큰, llama.cpp가 11.5토큰, Strata가 28.0토큰을 기록했다고 보고한다.
종합하면, 이 항목들은 검증할 가치가 있는 구체적 주장을 뒷받침한다. 메모리와 스토리지를 조율하면 과도하게 큰 모델의 생성 속도를 개선할 수 있다는 것이다. 다만 16GB 그래픽 카드를 장착한 모든 컴퓨터가 강조된 결과를 낼 것이라고 입증하지는 않는다.
이는 DeepSeek 모델 발표가 아니라 추론 엔진 업데이트이기도 하다. 이 패치는 기존 모델이 실행되는 방식을 바꾼다. 새 모델을 학습시키거나, 압축 버전이 원본 모델과 동일한 품질을 낸다는 점을 입증하지 않는다.
압박은 그래픽 카드뿐 아니라 메모리 관리에 가해진다
결과적으로 중요한 비교는 동일한 메모리 제약 아래에서의 실행 전략 간 비교다. 동일한 하드웨어에서 엔진 간에 보고된 차이를 더 빠른 그래픽 카드만으로 설명할 수는 없다.
강조된 등급의 데스크톱을 이미 보유한 사용자를 생각해 보자. 그들이 즉시 묻게 되는 것은 장비를 교체하지 않고도 소프트웨어가 과도하게 큰 모델을 쓸 수 있게 만들 수 있는가다. 작성자의 수치는 이 질문에 대한 구체적인 실험 출발점을 제공한다.
이는 또한 관심을 전체 컴퓨터로 옮긴다. 워크로드가 스토리지에 의존하게 되면 프로세서, 가용 RAM, 드라이브 동작은 성능 논의의 일부가 된다. 그래픽 메모리만을 유일하게 의미 있는 사양으로 취급하면 여기서 설명된 구성을 놓치게 된다.
그렇다고 메모리 용량의 중요성이 사라지는 것은 아니다. 핵심 제한은 설정에서 여전히 분명하다. 전문가 데이터가 가용 RAM을 초과한다. 소프트웨어는 그 부족분을 고려해 데이터 이동과 연산을 관리해야 한다. 보고된 개선은 시간 측면에서 부족분의 비용을 낮출 뿐, 그것을 없애지는 않는다.
엔진을 선택하는 개발자에게 이는 동일한 조건에서 같은 모델을 비교해야 한다는 압박으로 이어진다. 충분한 메모리로 측정한 결과는 스토리지에 반복적으로 접근하면서 측정한 결과와 다른 질문에 답한다.
작성자의 Qwen 비교는 이 구분을 강화한다. 78GiB로 제시된 Qwen3.8-Flash-Next IQ3_S는 16GB RTX 5070 Ti를 장착한 32GB PC에서 초당 34.3토큰에 도달한 것으로 보고됐다. 이에 해당하는 수치는 llama.cpp가 14.9, Strata가 30.3이다.
이 테스트에는 검증을 위해 여러 미래 토큰을 제안하는 방식인 MTP, 즉 멀티 토큰 예측이 포함된다. 이는 명시된 Qwen 구성에 속한다. 독자는 그 결과를 DeepSeek 구성에 적용하거나 동일한 가속이 보편적으로 적용된다고 가정해서는 안 된다.
실질적 중요성은 애플리케이션마다 다르다. 로컬 어시스턴트를 실험하는 사용자는 눈에 띄는 시작 지연 후 안정적인 출력을 받아들일 수 있다. 반복적인 짧은 요청을 실행하는 개발자는 각 응답이 시작되기 전의 지연을 더 중요하게 여길 수 있다.
백그라운드 작업에는 또 다른 기준이 적용된다. 소유자는 다른 애플리케이션을 위한 자원을 충분히 남기면서 작업이 안정적으로 완료된다면, 느린 상호작용을 받아들일 수 있다. 그 외에는 유휴 상태인 컴퓨터를 점유하는 벤치마크가 자동으로 그러한 경험을 대표하는 것은 아니다.
이는 tandem.cpp의 문서화된 배포 사례가 아니라 평가 시나리오다. 그 목적은 단일 생성 속도 수치만으로 엔진 선택을 결정할 수 없는 이유를 보여주는 데 있다.
로컬 문서 워크플로를 고려하는 팀에게 모델은 여러 구성 요소 중 하나일 뿐이다. 검색, 소스 접근, 답변 검증은 여전히 별개의 문제다. 검색 가능한 지식 베이스는 추론 엔진의 메모리 전략과는 다른 계층을 다룬다.
따라서 엔진 개발자에게 가해지는 합리적인 요구는 구체적이다. 메모리 조율이 언제 도움이 되는지, 언제 효과가 사라지는지, 그리고 사용자 경험의 어떤 다른 부분이 여전히 느린지를 드러내는 측정치를 공개해야 한다.
모든 것을 담는 것보다 더 적은 전문가를 옮기는 일이 중요한 이유
이 메커니즘은 테스트한 모델에 필요한 연산을 보존하면서 선택적 연산과 배치에 의존한다. 모델 전체가 그래픽 카드에 상주할 필요는 없다.
일반적으로 MoE로 줄여 부르는 전문가 혼합 모델은 각 입력에 대해 특화 구성 요소의 일부 집합을 선택한다. 따라서 전체 저장 파라미터는 개별 연산에 사용되는 부분 집합보다 클 수 있다. 이 차이는 서로 다른 메모리 배치 방식의 기회를 만든다.
작성자는 tandem.cpp가 자주 사용되는 전문가를 그래픽 카드에 유지하고, 다른 전문가에는 프로세서가 도움을 주도록 한다고 설명한다. 모델이 시스템 메모리를 초과하면 스토리지도 참여한다. 엔지니어링 문제는 어떤 데이터를 가까이에 둘지, 나머지는 어떻게 처리할지가 된다.
캐시는 재사용을 위해 데이터를 보관하는 더 빠른 저장 영역이다. 이 환경에서 유용하게 캐시된 전문가는 반복적인 전송을 피할 수 있다. 캐시 미스는 필요한 데이터가 없어 다른 곳에서 가져와야 할 때 발생한다.
분석상 시사점은 간단하다. 연산량이 변하지 않더라도 느린 전송을 피하는 일은 중요할 수 있다. 이것이 수치 연산 개선과 함께 메모리 관리 패치가 주목받을 만한 이유다.
이 추론에는 한계가 있다. 배치 전략의 이점은 실제 전문가 사용 패턴에 좌우된다. 프롬프트와 모델이 달라지면 패턴도 달라질 수 있다. 수학 문제에서의 유리한 결과가 코드 생성이나 긴 문서 분석에서도 같은 이점을 입증하지는 않는다.
기준선 역시 정확히 다뤄야 한다. llama.cpp를 통한 로컬 모델 추론은 tandem.cpp가 패치하는 기반 엔진을 제공한다. 이는 기존 소프트웨어 기반 내부의 비교이지, 그 기반이 더 이상 중요하지 않다는 증거는 아니다.
이 관계는 유지 관리에도 중요하다. 독자는 측정된 이점과 수정된 엔진 사용의 결과를 모두 평가해야 한다. 자신의 모델, 애플리케이션, 향후 소프트웨어 업데이트와의 호환성도 판단에 포함된다.
프로젝트의 11월 16일 저장소 업데이트는 또 다른 관련 개발을 추가한다. 전문가 캐시 변경 사항은 더 큰 프롬프트 처리 배치와 처리 버퍼를 위한 캐시 메모리의 임시 사용을 설명한다. 작성자는 프롬프트 지연 시간이 개선됐다고 보고하는 한편, 일부 비교에서는 Strata가 여전히 더 빠르다는 점도 보여준다.
이 최신 자료는 프롬프트 처리와 텍스트 생성이 서로 다른 단계이므로 중요하다. 프리필은 입력 토큰을 처음 처리하는 과정이다. 디코드는 그 뒤에 출력 토큰을 생성하는 과정이다. 한 단계를 개선한다고 해서 다른 단계까지 자동으로 개선되는 것은 아니다.
긴 문서를 제출하는 사용자에게 더 빠른 출력 스트림은 상당한 초기 대기 뒤에 시작될 수 있다. 그 사용자가 경험하는 것은 디코드 벤치마크가 강조하는 일부 구간만이 아니라 전체 상호작용이다.
따라서 tandem.cpp 업데이트는 메모리 제약이 있는 실행 파이프라인에 대한 작업으로 읽어야 한다. 그 매력은 기존 자원이 협력하는 방식을 개선하는 데서 나온다. 증거는 이를 모델 크기를 중요하지 않게 만드는 방법으로 설명하는 것을 뒷받침하지 않는다.
전문가 건너뛰기를 피한다고 해서 비압축 모델과 동등하다는 점이 입증되는 것도 아니다. 선택된 양자화는 여전히 실험의 일부다. 선택된 연산을 보존하는 것과 원래의 수치 정밀도를 보존하는 것은 별도의 주장으로, 각각 별도의 증거가 필요하다.
AMD 지원은 접근성을 넓히지만 속도 우위를 입증하지는 않는다
AMD 호환성은 의미 있는 추가 사항이지만, 보고된 AMD 결과가 tandem.cpp를 모든 대안보다 앞서게 하지는 않는다. 작성자 자신의 비교가 이 한계를 분명히 보여준다.
이제 이 패치는 GPU 연산을 위한 AMD의 C++ 런타임 및 프로그래밍 인터페이스인 HIP로 빌드된다. AMD는 HIP 프로그래밍을 프로세서와 그래픽 하드웨어 전반의 이기종 컴퓨팅을 위한 소프트웨어 플랫폼인 ROCm의 일부로 설명한다.
이 구분은 발표를 해석하는 데 도움이 된다. 프로그래밍 인터페이스 지원은 실행 경로를 연다. 그것이 지원되는 모든 카드, 프로세서, 운영 체제 또는 소프트웨어 구성에서 동등한 성능을 보장하는 것은 아니다.
작성자는 RX 7900 XTX, i7-8700, 64GB DDR4 메모리, PCIe 3.0 연결을 테스트했다고 보고한다. PCIe는 그래픽 카드와 같은 구성 요소를 컴퓨터에 연결하는 인터페이스다. 워크로드는 MTP를 적용한 Qwen3.8 IQ3_S를 사용한다.
그 설정에서 tandem.cpp는 초당 68.6토큰을 제공하는 것으로 보고됐다. 기본 Strata는 69.7에 도달했고, RDNA3에 맞춘 Strata 포크는 80.1에 이르렀다. RDNA3는 테스트에 사용된 AMD 카드의 그래픽 아키텍처를 뜻한다.
이 수치들이 뒷받침하는 결론은 신중해야 한다. 작성자의 테스트에서 tandem.cpp는 기본 Strata와 경쟁력 있는 성능을 보였고, 특화 포크는 더 빨랐다. 그렇다고 tandem.cpp를 가장 빠른 ROCm 엔진이라고 부를 근거는 되지 않는다.
게시물은 Avalon이 초당 83.6토큰을 기록했다고도 제시한다. 그러나 이 항목은 자체 IQ3_KS 양자화를 사용한다. 저장된 모델 표현이 다르므로, 이 수치를 엔진만을 통제해 비교한 결과로 제시해서는 안 된다.
바로 이 지점에서 벤치마크 제시는 조용히 오해를 부를 수 있다. 결과를 같은 목록에 배치하면 훑어보기는 쉽지만, 모델 파일의 차이가 사라지는 것은 아니다. 유용한 비교는 순위를 매기기 전에 그러한 차이를 설명한다.
작성자는 Vulkan 지원이 없다고도 말한다. Vulkan은 또 다른 그래픽 및 컴퓨팅 API다. 선호하는 환경이 이에 의존하는 독자는 HIP 발표가 기존 소프트웨어 경로까지 지원한다는 증거로 받아들여서는 안 된다.
RDNA4는 별도의 불확실성으로 남아 있다. 토론에서 작성자는 보유한 하드웨어로는 해당 아키텍처를 테스트할 수 없다고 밝혔다. 코드가 작동할 것이라는 예상은 성공적인 빌드, 완료된 워크로드, 재현 가능한 측정값보다 약한 근거다.
따라서 AMD 소유자에게 당장의 가치는 평가할 수 있는 선택지가 하나 더 생겼다는 데 있다. 이 발표는 모든 Radeon 구성에 어떤 엔진이 가장 적합한지를 확정하지는 않으면서도, 시도해 볼 만한 실험의 범위를 넓힌다.
이는 핵심 서사의 한계도 보여 준다. 메모리 조율은 도움이 될 수 있지만, 그 조율의 효과는 여전히 실행 플랫폼에 달려 있다. 공유 코드는 하드웨어별 제약을 사라지게 하지 않는다.
적절한 대응은 의도한 장비에서 동등한 조건끼리 비교하는 것이다. 아키텍처 이름과 호환성 표기는 맥락을 제공하지만, 독자가 실제로 실행하려는 애플리케이션의 측정을 대체할 수는 없다.
벤치마크가 남긴 미해결 문제
가장 큰 검증 공백은 작성자의 통제된 비교와 다른 사용자의 완전한 워크로드 사이의 거리다. 공개된 주장은 조사를 가능하게 하지만, 독립적인 재현을 의미하지는 않는다.
작성자는 DeepSeek 비교에 동일한 양자화, greedy decoding, 전문가 건너뛰기 미사용이 적용됐다고 설명한다. 이는 유용한 통제 조건이다. 엔진 간 불일치의 명백한 원인을 줄이지만, 다른 질문들은 여전히 남긴다.
핵심 미해결 사안은 재현성이다. 다른 평가자가 모델 파일, 소프트웨어 버전, 구성, 측정 절차를 맞추려면 충분한 정보가 필요하다. 이러한 세부 사항이 일치할 때, 반복된 결과는 대략 비슷한 스크린샷보다 더 많은 정보를 제공한다.
저장소 조건은 특히 주의할 필요가 있다. 콜드 런은 이미 유용한 데이터가 메모리에 유지된 상태에서 시작하지 않는다. 웜 런은 이전에 접근한 데이터를 재사용할 수 있다. 서로 다른 시작 조건을 비교하면 메모리 상태의 이점을 엔진 자체의 장점으로 잘못 돌릴 위험이 있다.
실용적인 평가에서는 데스크톱에서 실행 중인 다른 활동도 중요하다. 애플리케이션은 작업 메모리와 처리 시간을 두고 경쟁한다. 격리된 테스트에서 좋은 성능을 보이는 구성이라도, 소유자의 일반적인 사용 조건에서 다시 살펴볼 필요가 있다.
이는 tandem.cpp의 결함을 시사하는 것이 아니라 평가상의 고려 사항이다. 현재 이용 가능한 벤치마크는 일반 작업 중 장비가 어떻게 동작하는지에 대한 모든 질문에 답할 수 없다.
테스트 워크로드도 또 하나의 경계를 만든다. GSM8K는 수학 문장제 문제를 담고 있다. 이 문제들로 생성 속도를 측정했다고 해서 수학적 정확성, 코딩 능력, 사실 신뢰성, 도구 사용 성공 여부가 자동으로 입증되는 것은 아니다.
모델은 틀린 답을 빠르게 생성할 수 있다. 반대로 더 느린 구성도 핵심 요구 사항이 신중한 검증인 작업에는 충분할 수 있다. 처리량과 유용성은 각각의 측정이 필요하다.
“exact”라는 표현에도 같은 주의가 필요하다. 이 비교에서 작성자는 이를 전문가 건너뛰기 없는 계산을 구분하기 위해 사용한다. 이를 하드웨어 전반에서 동일한 출력이 나온다는 포괄적 주장이나 원본 모델과 동등하다는 주장으로 확대해서는 안 된다.
양자화는 또 다른 질문을 추가한다. 보고된 DeepSeek 구성은 압축된 표현을 사용한다. 이 표현의 답변 품질을 평가하려면 여기서 논의한 엔진 속도 수치 이상의 근거가 필요하다.
에너지 사용량, 저장소 활동, 반응성, 안정성 역시 헤드라인 결과의 범위 밖이다. 독자는 출력이 더 빨리 나온다는 이유만으로 이 영역에서도 개선됐다고 추론해서는 안 된다. 사용자마다 이 요소들에 부여하는 중요도도 다를 것이다.
인용된 자료에는 독립적인 기업 도입 증거가 없다. 따라서 이 결과는 조직이 이미 해당 접근법을 프로덕션용으로 검증했다는 주장보다는, 기술에 익숙한 사용자의 조사를 뒷받침한다.
Strata에 관한 작성자 자신의 양보는 논의를 현실적으로 유지하는 데 도움이 된다. Reddit 스레드에서 그는 충분한 메모리가 있을 때 Strata가 더 나을 수 있음을 인정한다. 이는 보편적 승자라기보다 워크로드에 따라 달라지는 이점과 부합한다.
신중하게 읽는다고 해서 이번 업데이트가 흥미롭지 않게 되는 것은 아니다. 이는 살펴볼 가치가 있는 실제 명제를 제시한다. 즉, 이 패치가 특정 제약 환경의 특정 대형 모델을 개선하는지 여부다.
이 명제는 유용하면서도 검증 가능하다. 이를 모든 모델, 모든 AMD 카드, 또는 모든 로컬 AI 워크플로에 관한 주장으로 확장하는 것은 근거를 넘어서는 일이다.
성능 향상이 다른 환경에서도 이어지는지 보여 줄 세 가지 신호
다음으로 유용한 근거는 순서대로 재현성, AMD 지원 범위, 전체 응답 시간을 검증해야 한다. 이러한 신호는 이번 업데이트를 전체 AI 시장에 대한 예측으로 바꾸지 않으면서도 가장 큰 공백을 다룬다.
첫째, 메모리 제약이 있는 DeepSeek 결과의 독립 재현을 지켜볼 필요가 있다. 가장 강력한 보고는 정확한 모델 파일, 엔진 버전, 하드웨어, 설정, 시작 메모리 조건을 명시할 것이다. 반복 실행 간 변동도 보고해야 한다.
일치하는 결과는 성능 향상이 작성자의 환경 밖에서도 유지된다는 주장을 강화할 것이다. 더 작은 향상 폭도 그 차이를 저장소, 프로세서 동작, 또는 구성과 연결할 수 있다면 여전히 유익한 정보가 된다.
결과의 역전도 중요하다. 다른 엔진이 일치된 조건에서 승리한다면 tandem.cpp의 우위가 어디까지인지 더 분명해진다. 이는 사용자에게 순위표에 숫자를 하나 더하는 데 그치지 않고 소프트웨어 선택에 도움을 줄 것이다.
둘째, 보고된 RX 7900 XTX 구성 외의 AMD 테스트를 지켜볼 필요가 있다. RDNA4 결과는 작성자가 언급한 하드웨어 공백을 직접 다룰 것이다. 보고서는 성공적인 컴파일과 올바른 실행, 지속적인 애플리케이션 성능을 구분해야 한다.
더 폭넓은 AMD 지원 범위는 호환성 이야기를 강화할 것이다. 그렇다고 기존 Strata 포크 결과가 사라지거나 영구적인 순위가 확립되는 것은 아니다. 특히 호스트 프로세서도 추론에 참여하는 경우, 서로 다른 아키텍처에는 각각의 근거가 필요하다.
셋째, 현실적인 프롬프트에서 전체 상호작용 시간을 지켜볼 필요가 있다. 이는 초기 대기, 출력 생성, 성공적인 완료를 함께 측정하는 것을 뜻한다. 11월 16일의 프롬프트 처리 작업은 이를 특히 중요한 다음 단계로 만든다.
긴 문서 요청과 반복적인 대화 턴은 짧은 수학 프롬프트와 다른 요구를 시험한다. 독립 평가자는 고립된 처리량 수치를 완전한 사용자 경험 점수처럼 제시하지 말고, 워크로드를 설명해야 한다.
이러한 신호는 앞으로 몇 달 동안 추적할 가치가 있지만, 약속된 이정표는 아니다. 원본 게시물이나 저장소 어느 쪽도 독립 검증, 폭넓은 하드웨어 테스트, 애플리케이션 수준 비교의 기한을 정하지 않는다.
현재 tandem.cpp 업데이트는 상세한 작성자 주장과 솔직한 경쟁적 한계에 뒷받침된, 직접 평가할 만한 신뢰할 수 있는 주제를 제공한다. 가장 강하게 보고된 사례는 사용 가능한 메모리를 넘어 전문가 데이터를 옮겨야 하는 장비다. 실용적인 다음 단계는 그 사례를 자신의 워크로드와 비교하는 것이다. 같은 모델 파일과 명확히 기록한 기준선부터 시작하라. 출력 속도만큼이나 출력 전 대기 시간을 신중하게 측정하라. 속도를 진전으로 간주하기 전에 답변을 확인하라. 그 향상이 이러한 조건에서도 유지된다면, 빌려온 헤드라인이 아니라 자신의 장비를 위한 근거가 된다. 로컬 워크로드에서 가장 중요한 것은 무엇인가? 안정적인 생성, 더 짧은 초기 대기, 아니면 데스크톱의 반응성 유지인가?



