AirLLM vs 라가스

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

라가스 장단점

• RAG 평가에 특화된 정교한 지표를 제공하며, 오픈소스 기반으로 커스터마이징이 용이합니다. LangChain 등 주요 프레임워크와의 호환성이 뛰어나며 합성 데이터 생성 기능이 강력합니다.

• 평가를 위해 별도의 LLM API 호출 비용이 발생하며, 평가 지표의 신뢰도가 사용하는 판별 모델(LLM)의 성능에 크게 의존합니다.

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

라가스 주요 기능

• RAG 전용 평가 지표(충실도·답변 관련성·컨텍스트 정밀도·컨텍스트 재현율)
• 합성 테스트 데이터셋 자동 생성(Evolutions)으로 수동 라벨링 불필요
• 에이전트 행동 평가를 위한 구조화된 트레이스 기반 분석
• LLM-as-a-judge 방식의 자동화된 채점 파이프라인
• LangChain·LlamaIndex 등 주요 프레임워크 기본 통합