AirLLM vs Fume

AirLLM 장단점

• 매우 적은 GPU 메모리로 대형 언어 모델 실행 가능
• 다양한 최신 오픈소스 모델 계열 지원
• Transformers와 유사한 간단한 Python 사용 방식
• Apache License 2.0 기반의 공개 소스

• 레이어를 저장 장치에서 읽어 실행하므로 추론 속도가 느릴 수 있음
• 모델 변환과 캐시 생성에 상당한 디스크 공간이 필요할 수 있음
• CUDA, PyTorch, Transformers 등 환경 의존성이 존재함

Fume 장단점

• 가장 큰 장점은 별도의 코딩 없이 스크린캐스트 녹화만으로 Playwright 테스트를 생성할 수 있어, 테스트 자동화 경험이 없는 팀원도 쉽게 접근할 수 있다는 점입니다. 공식 문서에 따르면 10분 이내에 핵심 사용자 흐름 테스트를 추출할 수 있어 빠른 프로토타이핑에 유리하며, 생성된 코드가 표준 Playwright 형식이므로 기존 CI/CD 파이프라인에 바로 통합할 수 있습니다. 또한 테스트 실행 중 오류 발생 시 자동으로 디버깅 정보를 제공해 문제 원인 파악이 수월합니다.

• 현재 제품이 초기 단계라 대규모 엔터프라이즈 환경에서의 검증 사례가 부족하고, 공식 홈페이지에 명확한 가격 정책이 공개되어 있지 않아 도입 전 별도 문의가 필요합니다. 복잡한 비즈니스 로직이나 동적 콘텐츠가 많은 SPA 애플리케이션에서는 녹화 기반 테스트 생성이 완벽하지 않을 수 있어 수동 수정이 필요한 경우가 있습니다. 한국어 지원 여부나 국내 사용자 커뮤니티도 아직 형성되지 않아 문제 해결 시 공식 문서나 Discord에 의존해야 합니다.

AirLLM 주요 기능

• 레이어 단위 모델 스트리밍으로 GPU 메모리 사용량 절감
• 단일 4GB GPU에서 70B급 모델 추론 지원
• Hugging Face 모델 ID 기반 AutoModel 인터페이스
• 4비트·8비트 블록 단위 모델 압축
• CPU 추론 및 Apple Silicon macOS 지원
• Llama, Qwen, DeepSeek, Mistral 등 다양한 모델 계열 지원

Fume 주요 기능

• 비디오 스크린캐스트 기반 Playwright 코드 자동 생성
• 브라우저 에이전트 기반 셀프 힐링(Self-healing)
• 무료 클라우드 테스트 러너 제공
• 레거시 Cypress·Selenium 테스트 마이그레이션
• CI/CD 파이프라인 원활한 통합
• AI 기반 PR 자동 생성 및 유지보수