2.5년 된 노트북으로 Space Invaders를 JavaScript로 짜는 GLM-4.5 Air
My 2.5 year old laptop can write Space Invaders in JavaScript now (GLM-4.5 Air)
TL;DR Highlight
GLM-4.5 Air는 인터넷 연결 없이 로컬 노트북에서 플레이어블한 게임 코드를 생성할 수 있게 되었다.
Who Should Read
로컬 LLM 도입을 검토 중인 개발자, 또는 API 비용 없이 코드 생성 AI를 팀 내부에 배포하려는 엔지니어.
Core Mechanics
- GLM-4.5 Air는 Zhipu AI가 만든 경량 모델로, 일반 소비자용 노트북(2.5년 전 출시)에서 로컬 추론이 가능
- 별도 GPU 없이 CPU/통합그래픽 환경에서도 Space Invaders 수준의 완성된 JavaScript 게임 코드를 한 번에 생성
- 'Air' 계열은 클라우드 API 의존 없이 오프라인 코드 어시스턴트로 쓸 수 있도록 경량화된 변형 모델
- 실행 가능한 게임 로직(충돌 감지, 키 입력, 적 이동)까지 포함한 코드를 출력해 단순 boilerplate 이상의 능력을 시연
- ollama, llama.cpp 등 기존 로컬 실행 툴체인과 호환되어 설치 장벽이 낮음
Evidence
- 2.5년 전 출시된 일반 노트북(GPU 없음)에서 실시간 추론 가능 — 구체적 토큰/초 수치는 원문 미제공
- 생성된 Space Invaders 코드가 브라우저에서 즉시 플레이 가능한 수준으로 동작하는 것을 시연
- 원문에 벤치마크 수치가 별도로 제시되지 않아 정량적 성능 비교는 확인 불가
How to Apply
- ollama로 `ollama pull glm4.5-air` 후 코드 생성 프롬프트를 날려보면 바로 체험 가능 — API 키 불필요
- 사내 보안 규정상 외부 API 사용이 제한된 경우, GLM-4.5 Air를 로컬 코드 어시스턴트로 배포해 클라우드 의존성 제거
- 프로토타이핑 단계에서 GPT-4 API 대신 로컬 GLM-4.5 Air로 초안 생성 → 비용 0원으로 반복 실험
Code Example
# ollama로 GLM-4.5 Air 실행 후 Space Invaders 생성 예시
# 1. 설치
# ollama pull glm4.5-air
# 2. 코드 생성 프롬프트
prompt = """
Write a complete, playable Space Invaders game in a single HTML file using vanilla JavaScript.
Requirements:
- Player ship moves left/right with arrow keys, shoots with spacebar
- 3 rows of alien enemies that move side-to-side and descend
- Collision detection for bullets vs aliens and aliens vs player
- Score counter and game over screen
Output only the HTML file, no explanation.
"""
import ollama
response = ollama.chat(
model='glm4.5-air',
messages=[{'role': 'user', 'content': prompt}]
)
print(response['message']['content'])Terminology
관련 논문
Claude Code는 프롬프트 읽기 전에 33k 토큰을 전송한다; OpenCode는 7k
동일한 모델과 작업 환경에서 Claude Code와 OpenCode의 실제 토큰 사용량을 API 레벨에서 측정한 결과, Claude Code가 시스템 프롬프트 오버헤드만으로 OpenCode 대비 4.7배 더 많은 토큰을 소비한다는 것을 확인했다.
Mesh LLM: iroh 기반 분산 AI 컴퓨팅
사무실, 집, 클라우드에 흩어진 GPU들을 하나의 OpenAI 호환 API로 묶어주는 분산 LLM 실행 시스템으로, 비싼 API 비용 없이 큰 모델을 직접 운영할 수 있다.
Frugon – LLM API 호출 로그를 분석해서 더 싼 모델로 대체 가능한 구간을 찾아주는 로컬 도구
내 LLM API 비용이 어디서 새는지 로컬에서 분석해주는 오픈소스 CLI 도구로, 비싼 모델 대신 저렴한 모델로 전환 가능한 호출을 골라낸다.
로컬에서 SOTA LLM 실행하기 완전 가이드 (하드웨어부터 설정까지)
2천 달러짜리 RTX 3090 한 장부터 4만 달러짜리 RTX PRO 6000 4장 셋업까지, 로컬에서 최신 LLM을 직접 돌리는 방법을 하드웨어 선택·구성·실행 설정까지 통째로 정리한 실전 가이드다.
Manticore Search에서 ONNX 경로를 재설계해 임베딩 속도를 14배 높인 방법
Manticore Search가 기존 SentenceTransformers/Candle 백엔드를 ONNX Runtime으로 교체해 텍스트 임베딩 생성 속도를 평균 14배 향상시켰다. 별도 모델 서비스 없이 DB 내부에서 직접 임베딩을 처리하는 구조에서 INSERT 속도가 곧 임베딩 속도이기 때문에 이 개선은 실질적인 ingest 처리량 향상으로 직결된다.
Asymmetric Quantization: 97% 스토리지 절감으로 Late Interaction 검색 품질 유지하기
멀티벡터 검색 모델의 문서 벡터를 1비트 이진값으로 압축하고 쿼리 벡터만 int8로 유지하는 비대칭 양자화 기법으로, 스토리지를 97% 줄이면서 검색 품질 손실을 0.61점(NDCG@10 기준)에 그치게 만든 실제 프로덕션 적용 사례다.