우리 이미지 인프라 규모 실측: 체크포인트·LoRA·샘플러·ControlNet

우리 이미지 인프라 규모 실측: 체크포인트·LoRA·샘플러·ControlNet는 우리 ai-server(Hax) 스택에서 직접 잰 운영 수치를, 숫자 나열이 아니라 그 수치가 실제 의사결정에 어떤 뜻인지까지 풀어 설명하는 실측 회고다. 로컬 AI를 처음 다루는 독자도 이 글 하나로 'comfy-pool 설치 자산 수치를 보고 무엇을 결정하면 되는가'를 5분 안에 잡도록 구성했다.

이 수치가 의미하는 것#

설치 자산은 체크포인트 32·LoRA 63·샘플러 44·ControlNet 15로 총 154개, 그중 LoRA가 63개로 가장 많다. LoRA가 최다라는 건 새 베이스 모델을 늘리기보다 기존 모델에 스타일을 얹는 방향으로 인프라를 키워왔다는 뜻이다 — 적은 VRAM으로 표현 다양성을 확보하는 실전 선택이다.

어떻게 측정했나 (재현 조건)#

아래는 공개 스펙이 아니라 우리가 comfy-pool 설치 자산 스택에서 직접 잰 조건이다. 조건(콜드/워밍업·배치 크기·하드웨어)이 바뀌면 같은 대상도 다른 값을 내므로, 재현 조건을 함께 남긴다(측정일 2026-07-04):

• bench_harness.probe_comfy_models (bc_comfy_models 실측)

실전에서 어떻게 쓰나#

핵심은 원수치 암기가 아니라 comfy-pool 설치 자산에서 수치 사이의 관계(비율·사용률·교차검증)를 읽는 것이다. 위 파생 판단은 곧바로 '무엇을 늘리고 무엇을 아낄지'로 이어진다 — 우리는 이 방식으로 새 하드웨어를 사기 전 현재 여유부터 확인한다. 같은 논리를 여러분 셋업에도 적용할 수 있다.

왜 이게 공개 스펙보다 신뢰할 만한가#

위 표의 모든 숫자는 comfy-pool 설치 자산에서 실제 측정한 값(추정 아님)이며 측정일·출처(Hax /data)를 붙였다. AI가 쓴 일반론과 달리 이 파생 판단은 실측 없이는 만들 수 없다 — 그게 차별점이다. 내부 토큰·사설 경로 같은 비공개 정보는 노출하지 않았다.

참고: 위 수치는 측정일 2026-07-04 기준 우리 스택 실측값이며, 조건이 바뀌면 갱신한다(측정값만, 추정 없음).

함께 읽기: 우리 comfy-pool 이미지 생성 실측: z-image vs qwen-image, 우리 GPU 풀 실측: RTX PRO 6000 ×4의 VRAM 사용률과 헤드룸

참고 링크#

• Hax data