이해 라우터 패키징 용량·속도·대응력 + 최소 SLM 연결 기대효율

실측 2026-07-18. 목적: 현재 라우터 패키지 특성 + claude -p 세분을 최소 로컬 SLM으로 대체 시 기대효율.

① 패키징 용량 (VM 727KB 공유 별도)

- crownyc VM 727KB는 크라우니 전체 공유(이미 번들). 라우터 추가분 ~440KB로 초경량.

경로	지연	비중
결정론 티(상주 서버)	~29ms/req (토큰0)	30%
세분 claude -p haiku ×3판정관	~57s/case (19s×3)	70%

- ★병목 = 세분 LLM(외부 claude -p). 70% 케이스가 ~57s → 시스템 실효속도를 지배.

4상	비중	정확
티(결정론)	30%	99.0%
세분(LLM 필요, 2.9지선다)	70%	후보포함 85.3%(천장)

- 세분 무료 베이스라인(NB top-1, LLM無): 62.8%.

세분은 top-3 후보 중 택1(2.9지선다) 제약 분류 — 개방생성 아님 → 최소 모델로 충분.

방식	지연	크기	세분 정확	토큰
현재: claude -p haiku ×3	~57s	외부 API	~83%(표본 5/6)	무거움
무료 베이스: NB top-1	~0ms	0	62.8%	0
~~KB급 NB+바이그램(bag-of-words)~~	~ms	KB	62.7%(무개선) ✗	0
최소 SLM = 소형 어텐션(삼진어텐션.한선급)	~10-100ms	~MB	~72-80% 목표	0
Qwen-0.5B급(참고)	~50-200ms	~500MB-1GB	~83%+	0

KB급 NB(바이그램 포함)는 세분에 무효(62.7%, -0.2%p) — 세분 갭(63→85%)은 bag-of-words 피처로 못 메움. 혼동쌍은 문맥/순서 의존(그래서 LLM이 83%).
따라서 "최소 사이즈"의 하한 = 문맥 포착 소형 어텐션 모델(삼진어텐션.한선/삼진임베딩 계열, ~MB), KB 바구니모델 아님.
Qwen-0.5B는 ~83% 도달하나 500MB+로 "최소"엔 과대. 젯슨 토르 타깃엔 삼진어텐션(수MB)이 적정 균형.

속도: 세분 57s → ~10-100ms = ~500-5000× 가속. 시스템 전체 ms-지연·완전 로컬.
크기: 효과적 최소 = 소형 어텐션 ~MB(KB NB는 무효 확인). Qwen급은 과대.
정확: ~72-80% 목표(어텐션이 문맥 포착). LLM 83% 근접, +9-17%p over NB. 완벽은 아니나 저확신분만 claude 폴백.
토큰/의존성: 0(로컬). 외부 claude -p 제거 → 오프라인·비용0·젯슨 이식.

세분 = 최소 로컬 SLM(top-3 제약 분류기, 한선씨 삼진MLP 재학습 or 초저용량LLM.한선 확장). claude -p는 SLM 저확신 시에만 폴백(옴 중의 옴). → 70% 세분이 로컬 ms·토큰0, 잔여 극소만 외부.

아키텍처: 삼진임베딩→어텐션/MLP→트릿분류, 전 구간 균형3진 W∈{-1,0,+1}, STE.
4상-gated 학습률: 티(맞음·고마진)=미세유지 / 타(틀림·고마진)=강교정 / 옴(저마진)=탐색 / 음(참 top3밖)=강학습.
★핵심 통찰: 음=skip(lr0)은 초기 랜덤모델서 ~86% 스킵→학습굶음(32%). 음=강학습(lr0.10)이 정답: 32%→55.1%(+23%p). 모델이 가장 틀린 것을 가장 세게 학습.

방식	정확
규칙 NB	61.4%
from-scratch SLM(삼진MLP·어텐션, 음수정)	55.1% (어텐션 46%·MLP 38→55%)
LLM claude	~83% · 천장 85%

- ★~72-80% 목표는 from-scratch로 미달(~55%, NB 61%도 못 넘음). 실수MLP도 32%=학습로직 문제였고 수정 후 55% 상한.

원인: 2324실례는 문맥모델 from-scratch 학습에 소량. NB의 bag-of-words 스무딩이 소량데이터서 더 일반화. LLM 83%는 대규모 사전학습.

1) 지식증류(distillation): claude로 10k+ 실례 라벨링→SLM 학습(LLM 지식 전이). ★가장 유망. 2) 사전학습 소형모델(Qwen-0.5B) 파인튜닝.