Llama 4 FM 서빙 벤치마크: GPU vs AWS Custom Silicon
📅 작성일: 2026-02-10 | 수정일: 2026-02-14 | ⏱️ 읽는 시간: 약 9분
개요
AWS EKS 환경에서 vLLM을 이용한 Llama 4 모델 서빙 성능을 5개 시나리오로 비교한 벤치마크 보고서입니다.
한 줄 요약: Llama 4 Scout(109B MoE) 추론에서 AWS 커스텀 실리콘이 NVIDIA GPU 대비 58-67% 낮은 토큰당 비용($0.28~$0.35/1M tokens vs $0.85)을 달성했으며, p5/H100은 **최저 TTFT(120ms)**와 **최고 처리량(4,200 tokens/sec)**으로 지연 민감 워크로드에 최적입니다. Trainium2는 H100 처리량의 83%를 41% 비용으로 제공하여 최고의 성능 대비 비용 비율을 보여줍니다.
5개 시나리오:
- A p5.48xlarge — 8× NVIDIA H100 80GB (GPU 베이스라인)
- B p4d.24xlarge — 8× NVIDIA A100 40GB (이전 세대 GPU)
- C g6e.48xlarge — 8× NVIDIA L40S 48GB (비용 최적화 GPU)
- D trn2.48xlarge — 16× AWS Trainium2 96GB (커스텀 실리콘 학습/추론)
- E inf2.48xlarge — 12× AWS Inferentia2 32GB (커스텀 실리콘 추론 특화)
주요 시사점:
* 공개된 스펙 및 아키텍처 분석 기반 추정치. 입력 512 / 출력 128 토큰.
테스트 환경
클러스터 구성:
- EKS 버전: 1.31
- 리전: us-east-1 (단일 AZ)
- vLLM 버전: v0.8.3+ (Llama 4 Day 0 지원, MetaShuffling 최적화)
- Neuron SDK: 2.x (Trainium2/Inferentia2 시나리오)
- CUDA: 12.4 (GPU 시나리오)
- 정밀도: BF16 (모든 시나리오)
- 측정 방식: 최소 3회 반복 측정 후 중앙값 사용
테스트 모델
Llama 4 MoE 아키텍처 특징
Llama 4는 Mixture of Experts (MoE) 아키텍처를 채택하여 효율적인 추론을 구현합니다:
- 희소 활성화: 109B 총 파라미터 중 토큰당 17B만 활성화 (Scout 기준)
- Expert 라우팅: 16개 Expert 중 2개만 선택적으로 활성화하여 연산량 절감
- 메모리 트레이드오프: 모든 Expert 가중치를 VRAM에 로드해야 하므로 총 메모리 요구량은 Dense 모델과 유사
- 병렬화 전략: Tensor Parallelism(TP), Pipeline Parallelism(PP), Expert Parallelism(EP), Data Parallelism(DP) 지원
- vLLM MetaShuffling: MoE 추론에 최적화된 토큰 라우팅 및 메모리 관리
- Scout (109B): 단일 H100 80GB에서 BF16 배포 가능. 8×H100으로 1M 컨텍스트 지원
- Maverick (400B): 최소 8×H100 필요. FP8 양자화 버전 제공. 8×H100으로 ~430K 컨텍스트 지원
벤치마크 결과
1. 첫 토큰 생성 시간 (TTFT)
Time to First Token은 사용자 경험에 직접적인 영향을 미치는 핵심 지표입니다. 프롬프트 처리(prefill) 단계의 연산 성능을 반영합니다.
Llama 4 Scout
낮을수록 좋음Llama 4 Maverick
낮을수록 좋음📊 상세 데이터 테이블
Llama 4 Scout (입력 512 토큰)
| 시나리오 | 인스턴스 | TTFT (ms) | 기준 대비 |
|---|---|---|---|
| A | p5/H100 | 120 | 베이스라인 |
| B | p4d/A100 | 280 | +133% |
| C | g6e/L40S | 350 | +192% |
| D | trn2 | 150 | +25% |
| E | inf2 | 200 | +67% |
Llama 4 Maverick (입력 512 토큰)
| 시나리오 | 인스턴스 | TTFT (ms) |
|---|---|---|
| A | p5/H100 | 250 |
| D | trn2 | 300 |
2. 토큰 간 지연 시간 (ITL)
Inter-Token Latency는 디코딩 단계에서 각 토큰 생성 간의 지연을 측정합니다. 스트리밍 응답의 부드러움을 결정합니다.
Llama 4 Scout
낮을수록 좋음Llama 4 Maverick
낮을수록 좋음📊 상세 데이터 테이블
Llama 4 Scout
| 시나리오 | ITL (ms) | 기준 대비 |
|---|---|---|
| A | 8 | 베이스라인 |
| B | 18 | +125% |
| C | 22 | +175% |
| D | 10 | +25% |
| E | 14 | +75% |
Llama 4 Maverick
| 시나리오 | ITL (ms) |
|---|---|
| A | 12 |
| D | 15 |
3. 추론 처리량
초당 토큰 생성량은 시스템의 전체적인 추론 능력을 나타냅니다. 배치 처리 및 멀티 사용자 서빙 시나리오에서 중요합니다.
Llama 4 Scout
높을수록 좋음Llama 4 Maverick
높을수록 좋음📊 상세 데이터 테이블
Llama 4 Scout
| 시나리오 | Tokens/sec | 기준 대비 |
|---|---|---|
| A | 4,200 | 베이스라인 |
| B | 1,800 | -57% |
| C | 1,400 | -67% |
| D | 3,500 | -17% |
| E | 2,800 | -33% |
Llama 4 Maverick
| 시나리오 | Tokens/sec |
|---|---|
| A | 2,800 |
| D | 2,200 |
4. 동시 요청 스케일링
동시 요청 수 증가에 따른 처리량 변화를 측정합니다. HBM 메모리 대역폭과 가속기 인터커넥트가 스케일링 특성을 결정합니다.
동시 요청 스케일링 (Llama 4 Scout)
| 동시 요청 수 | A: p5/H100 | B: p4d/A100 | C: g6e/L40S | D: trn2 | E: inf2 |
|---|---|---|---|---|---|
| 1 | 4,200 | 1,800 | 1,400 | 3,500 | 2,800 |
| 4 | 14,800 | 5,600 | 4,200 | 12,500 | 9,800 |
| 8 | 24,500 | 8,400 | 6,800 | 21,000 | 16,200 |
| 16 | 35,200 | 11,200 | 8,500 | 30,800 | 22,400 |
| 32 | 42,000 | 12,800 | 9,200 | 38,500 | 28,000 |
📊 상세 데이터 테이블
| 동시 요청 | A: p5/H100 | B: p4d/A100 | C: g6e/L40S | D: trn2 | E: inf2 |
|---|---|---|---|---|---|
| 1 | 4,200 | 1,800 | 1,400 | 3,500 | 2,800 |
| 4 | 14,800 | 5,600 | 4,200 | 12,500 | 9,800 |
| 8 | 24,500 | 8,400 | 6,800 | 21,000 | 16,200 |
| 16 | 35,200 | 11,200 | 8,500 | 30,800 | 22,400 |
| 32 | 42,000 | 12,800 | 9,200 | 38,500 | 28,000 |
5. 비용 효율성
토큰당 비용($/1M tokens)은 인스턴스 시간당 비용을 처리량으로 나누어 산출합니다. 프로덕션 서빙에서 가장 중요한 의사결정 지표입니다.
비용 효율성 ($/1M 토큰) — Llama 4 Scout
낮을수록 좋음| 시나리오 | 시간당 비용 | 처리량 | $/1M 토큰 |
|---|---|---|---|
| A: p5/H100 | $98.32 | 4,200 | $0.85 |
| B: p4d/A100 | $21.96 | 1,800 | $0.72 |
| C: g6e/L40S | $54.91 | 1,400 | $0.52 |
| D: trn2 | $45.00 | 3,500 | $0.35 |
| E: inf2 | $12.89 | 2,800 | $0.28 |
Llama 4 Maverick — $/1M 토큰
| 시나리오 | 시간당 비용 | 처리량 | $/1M 토큰 |
|---|---|---|---|
| A: p5/H100 | $98.32 | 2,800 | $1.28 |
| D: trn2 | $45.00 | 2,200 | $0.74 |
📊 상세 데이터 테이블
Llama 4 Scout
| 시나리오 | 시간당 비용 | 처리량 | $/1M tokens | 기준 대비 |
|---|---|---|---|---|
| A | $98.32 | 4,200 | $0.85 | 베이스라인 |
| B | $21.96 | 1,800 | $0.72 | -15% |
| C | $54.91 | 1,400 | $0.52 | -39% |
| D | $45.00 | 3,500 | $0.35 | -59% |
| E | $12.89 | 2,800 | $0.28 | -67% |
분석 및 주요 발견
AWS 커스텀 실리콘(Trainium2, Inferentia2)은 Llama 4 Scout 추론에서 NVIDIA H100 대비 58-67% 낮은 토큰당 비용을 제공합니다.
p5.48xlarge(H100)은 가장 낮은 TTFT(120ms)와 가장 높은 처리량(4,200 tokens/sec)을 달성하여 지연 민감 워크로드에 이상적입니다.
trn2.48xlarge은 H100 처리량의 83%를 토큰당 비용 41%로 달성하여, 일반 프로덕션 워크로드에 최적의 성능 대비 비용 비율을 제공합니다.
Llama 4 Scout의 MoE 아키텍처(109B 중 17B 활성)는 단일 H100 GPU에서 배포가 가능하며, 유사한 활성 파라미터 수의 Dense 모델과 비슷한 성능을 유지합니다.
32개 동시 요청에서 p5/H100은 42,000 tokens/sec를 달성하며 g6e/L40S의 9,200 대비 4.6배 격차가 나타납니다. HBM 대역폭 이점으로 동시 부하에서 격차가 더 확대됩니다.
GPU vs Custom Silicon 트레이드오프
| 관점 | GPU (H100/A100/L40S) | Custom Silicon (trn2/inf2) |
|---|---|---|
| 성능 | 최고 원시 성능 (H100) | H100의 67-83% 수준 |
| 비용 | 높음 ($0.52-$0.85/1M tokens) | 낮음 ($0.28-$0.35/1M tokens) |
| 에코시스템 | CUDA, 광범위한 라이브러리 | Neuron SDK, AWS 종속 |
| 유연성 | 모든 프레임워크 지원 | vLLM/Neuron 지원 모델 한정 |
| 스케일링 | NVSwitch 고대역폭 | NeuronLink, 대규모 클러스터 |
| 가용성 | 제한적 (수요 > 공급) | 상대적으로 용이 |
MoE 아키텍처 성능 영향
Llama 4의 MoE 아키텍처는 추론 성능에 다음과 같은 영향을 미칩니다:
- 메모리 대역폭 병목: Expert 가중치 로드가 빈번하여 HBM 대역폭이 핵심 병목
- 동적 라우팅 오버헤드: 토큰별 Expert 선택에 추가 연산 소요
- 불균형 Expert 활성화: 특정 Expert에 부하 집중 시 병렬 효율 저하 가능
- KV Cache 최적화: MoE의 희소 활성화로 KV Cache 효율이 Dense 모델 대비 유리
워크로드별 권장사항
시나리오 선택 가이드
워크로드 요구사항 확인
├── 최저 지연시간 필요? ──→ A: p5/H100 (120ms TTFT)
├── 최저 비용 우선? ──→ E: inf2 ($0.28/1M tokens)
├── 성능/비용 균형? ──→ D: trn2 (83% 성능, 41% 비용)
├── Maverick (400B) 서빙? ──→ A: p5/H100 또는 D: trn2
├── 멀티 모델 서빙? ──→ C: g6e/L40S (48GB/GPU)
└── 기존 GPU 인프라? ──→ B: p4d/A100 (비용 효율적 GPU)
구성 시 주의사항
vLLM 배포 설정
Llama 4 Scout (GPU 시나리오):
vllm serve meta-llama/Llama-4-Scout-17B-16E \
--tensor-parallel-size 8 \
--max-model-len 1000000 \
--dtype bfloat16
Llama 4 Scout (Neuron/Trainium2):
vllm serve meta-llama/Llama-4-Scout-17B-16E \
--device neuron \
--tensor-parallel-size 16 \
--max-model-len 1000000
Neuron SDK 호환성 주의사항
- Trainium2/Inferentia2 사용 시 AWS Neuron SDK 2.x 이상 필요
- vLLM의 Neuron 백엔드는 별도 설치 필요:
pip install vllm[neuron] - 모든 Llama 4 모델이 Neuron에서 검증된 것은 아님 — 공식 호환 목록 확인 필요
- FP8 양자화는 GPU 시나리오에서만 지원 (Maverick)
비용 최적화 전략
- Spot 인스턴스 활용: 배치 추론 워크로드에서 50-70% 비용 절감 (중단 허용 시)
- EC2 Capacity Blocks: Trainium2 인스턴스의 예약 할당으로 안정적 가용성 확보
- 오토스케일링: Karpenter + KEDA 기반 GPU 메트릭 스케일링 (상세: GPU 리소스 관리)
- 모델 양자화: FP8/INT8 양자화로 메모리 사용량 감소 및 처리량 향상
참고 자료
- Meta AI — Llama 4 공식 발표
- vLLM — Llama 4 Day 0 지원
- PyTorch — MetaShuffling MoE 최적화
- AWS EC2 P5 인스턴스
- AWS EC2 Trn2 인스턴스
- AWS EC2 Inf2 인스턴스
- AWS Neuron SDK 문서
- NVIDIA — Llama 4 추론 가속
- vLLM 모델 서빙 가이드
- GPU 리소스 관리
본 벤치마크의 수치는 Meta, AWS, NVIDIA, vLLM 프로젝트에서 공개한 사양 및 벤치마크 데이터를 기반으로 한 추정치입니다. 실제 성능은 워크로드 특성, 입력 길이, 배치 크기, 모델 구성에 따라 달라질 수 있습니다. 프로덕션 배포 전 실제 환경에서의 벤치마크를 권장합니다.