실측
Raspberry Pi Zero WMac
AI 판단을 기기 규칙으로 고정했을 때의 속도 측정
실험같은 판단을 매번 AI에 묻는 방식과, 한 번 정한 규칙을 기기에 고정한 방식을 3회 비교했습니다.
결과기준 보정 비용(약 6초)은 첫 회에만 들고, 이후에는 0입니다. 정확도는 동일합니다.
26,193배1차(보정 포함)
111,877배2차
143,136배3차
연구·교육
이런 고민이 있다면
- 실험 장비가 흩어져 있다GPU 서버, 측정 장비, 개인 노트북을 오가며 결과를 손으로 모읍니다.
- 비교 실험을 반복하기 번거롭다모델·설정을 바꿀 때마다 같은 절차를 다시 실행합니다.
- 수업 자료 정리가 노동이다학습관리시스템(LMS)에서 과제를 받아 정리하는 데 시간이 듭니다.
사례
실제로 이렇게 썼습니다
배지로 근거 수준을 구분했습니다 — 실측 실제 사례 예시 시나리오
실제 사례
노드 여럿사람(채택)
여러 노드가 검토하고 사람이 채택한 공정 지식
과정현장 스크래치 불량에 대해 한 노드가 원인·조치 초안을 쓰고, 동료 노드 2개가 검토(합의 0.6)한 뒤, 사람이 채택했습니다.
결과채택된 내용은 재추론 없이 다시 쓸 수 있는 플레이북(SKILL.md)으로 저장되었고, 출처(작업 키·평가 ID·채택자·시각)가 함께 기록됩니다.
2표동료 검토
0.6합의도
1건사람 채택
출처 — 학습된 공장 플레이북 SKILL.md
실측
Linux · RTX 4090
로컬 대형 모델 속도를 한자리에서 비교
상황GPU 서버에 여러 모델을 원격으로 설치하고 같은 환경에서 추론 속도를 비교했습니다.
결과용도별로 고를 수 있게 모델별 속도를 기록했습니다.
~49gemma3:27b tok/s
~22qwen3-coder tok/s
~20deepseek-r1 tok/s
~19gemma4:31b tok/s
실제 사례
브라우저 노드(webclaw)
대학 LMS에서 과제 12건을 받아 학생별로 정리
상황학습관리시스템에서 채점용 제출물 12건을 내려받아 정리해야 했습니다.
DureClaw로는로그인된 브라우저 노드가 실제 링크를 읽어 내려받고, 파일 크기와 폴더 구조까지 확인했습니다.
기록된 한계: 이 정도의 '브라우저 한 개' 작업만이라면 다른 브라우저 도구가 더 매끄러웠습니다. 이점은 그 뒤에 GPU 채점·성적표 작성 같은 다른 컴퓨터 작업을 이어 붙일 때 생깁니다.
출처 — 브라우저 에이전트 비교 문서
예시 시나리오
브라우저GPU 서버Windows
과제 수집 → GPU 표절 검사 → 성적표 작성
구상브라우저 노드가 제출물을 받고, GPU 서버가 표절·이상 탐지를 돌리고, Windows가 엑셀 성적표를 만듭니다.
포인트서로 다른 세 컴퓨터를 한 번의 지시로 잇는 흐름입니다. 아직 측정 수치는 없습니다.
필요한 구성
이렇게 갖추면 됩니다
Mac (지휘)Claude Code + 서버 앱.
GPU 서버모델 실험·비교, 24시간 연산.
측정 장비라즈베리파이 등 엣지 보드.
브라우저 노드로그인된 웹 서비스 작업(webclaw).
