천천히 올바르게. AI Researcher & DevOps Engineer Youngju's tech blog. GPU/CUDA, LLM, MLOps, Kubernetes AI workloads, distributed training, and data engineering.
"3D 모델을 만든다"는 말에는 완전히 다른 두 문제가 숨어 있습니다. 실제로 존재하는 장면을 사진 여러 장으로 되살리는 복원(reconstruction)과, 존재하지 않는 것을 텍스트·이미지 한 장에서 지어내는 생성(generation)입니다. 복원의 계보를 SfM에서 NeRF, 그리고 판을 바꾼 3D 가우시안 스플래팅과 feedforward 복원(Meta MapAnything)까지 따라가고, 생성의 계보를 DreamFusion의 SDS 증류에서 네이티브 3D 디퓨전, 그리고 2026년의 지형(TRELLIS.2, Hunyuan3D 3.5, Hi3DGen, Stable Fast 3D)까지 정리합니다. 표현 방식·출력 포맷·실전 파이프라인·엔지니어 진입 경로까지 한 장에 담았습니다.
GPU 여러 장, 노드 여러 대로 모델을 학습시키는 전체 지형을 한 장에 정리합니다. AI 라이브러리·프레임워크 생태계 지도(PyTorch·JAX·HuggingFace·DeepSpeed·Ray), 병렬화 전략(DDP·FSDP·ZeRO·TP·PP)을 언제 무엇으로 고르는지, torchrun 단일노드→멀티노드 확장, HPC의 표준 Slurm 사용 가이드(sbatch 스크립트와 멀티노드 torchrun 연동), 쿠버네티스 진영의 Kubeflow 사용 가이드(Training Operator·PyTorchJob), 그리고 Slurm vs Kubeflow vs Ray 선택 기준까지 — 실전 스크립트와 함께 안내합니다.