WWDC 2025 Core ML에 MLTensor 추가, Foundation Models 프레임워크로 3B 온디바이스 LLM 무료 제공 — 개발자가 알아야 할 모든 것

Swift 코드 3줄. Apple의 30억 파라미터 언어 모델을 온디바이스로 돌리는 데 필요한 전부입니다. API 키도, 클라우드 비용도, 인터넷 연결도 필요 없습니다. WWDC 2025 Core ML 발표는 단순한 업데이트가 아니라, 개발자가 머신러닝을 다루는 방식 자체를 바꿔놓았습니다.

전 세계가 클라우드 AI 가격 경쟁에 집중하는 동안, Apple은 조용히 온디바이스 인텔리전스를 현실로 만드는 개발자 툴킷을 공개했습니다. 새로운 Foundation Models 프레임워크, Core ML의 대폭 개선, 그리고 성숙해진 MLX 생태계 — 이 세 가지가 전하는 메시지는 명확합니다. AI의 미래는 클라우드가 아니라 기기 위에 있습니다.

Foundation Models 프레임워크: Apple Intelligence를 코드 3줄로

WWDC 2025 머신러닝 발표의 헤드라인은 단연 Foundation Models 프레임워크입니다. 개발자가 Apple Intelligence를 구동하는 온디바이스 대규모 언어 모델에 처음으로 직접 프로그래밍 방식으로 접근할 수 있게 되었으며, 진입 장벽이 놀라울 정도로 낮습니다.

import FoundationModels
let session = LanguageModelSession()
let response = try await session.sendMessage("이 기사를 요약해주세요")

이것은 단순화된 예시가 아닙니다 — 실제 구현 코드입니다. LanguageModelSession API가 모델 로딩, 추론 최적화, 메모리 관리를 자동으로 처리합니다. 관리할 API 키도, 추적할 사용량 제한도, 걱정할 월 청구서도 없습니다.

내부의 3B 모델 상세 사양

Apple 머신러닝 연구팀의 발표에 따르면, 온디바이스 모델은 약 30억 개의 파라미터를 양자화 인식 학습(QAT)으로 가중치당 2비트까지 압축했습니다. 5:3 깊이 비율 설계로 블록 간 KV 캐시를 공유하여 기존 대비 메모리 사용량을 37.5% 줄였습니다.

• 컨텍스트 길이: 최대 65,000 토큰 — 상당한 분량의 문서 처리가 가능
• 지원 언어: 15개 언어 기본 지원
• KV 캐시: 8비트 양자화로 효율적 메모리 사용
• 성능: 지원 언어 전체에서 Qwen-2.5-3B와 대등, 영어에서는 일부 4B 모델에 필적

Guided Generation과 @Generable: 타입 세이프 AI 출력

개발자 친화적 혁신 중 가장 주목할 만한 것은 가이디드 제너레이션입니다. JSON 문자열을 파싱하면서 모델이 스키마를 따르길 기도하는 대신, @Generable 매크로로 Swift 타입에 직접 구조화된 출력을 정의할 수 있습니다. 프레임워크가 토큰 수준에서 모델 디코딩을 커스터마이징하여 구조적 오류를 원천 차단합니다.

@Guide 매크로는 프로퍼티에 자연어 어노테이션을 추가해 모델에게 각 필드를 어떻게 채울지 정확히 지시합니다. 스트리밍 지원과 결합하면 생성된 콘텐츠를 점진적으로 표시하는 반응형 UI를 구축할 수 있습니다.

Tool Calling: 모델의 범위를 확장하다

Foundation Models 프레임워크에는 Swift 프로토콜 기반의 도구 호출 시스템이 포함되어 있습니다. 개발자가 모델이 호출할 수 있는 도구를 정의하면 — 날씨, 캘린더 이벤트, 앱 전용 데이터베이스 등 — 프레임워크가 병렬 및 직렬 호출을 자동으로 처리하고 팩트체크용 소스 인용까지 제공합니다.

실용적 사용 사례가 인상적입니다. 클라우드 API 비용 없이 학생의 노트에서 맞춤형 퀴즈를 생성하는 교육 앱, 오지에서도 오프라인으로 자연어 검색이 작동하는 아웃도어 앱 등이 가능합니다.

WWDC 2025 Core ML 업그레이드: MLTensor, 모델 함수, 상태 기반 추론

Foundation Models 프레임워크가 헤드라인을 장식했지만, 커스텀 모델을 다루는 개발자에게는 WWDC 2025의 Core ML 업데이트가 똑같이 중요합니다. 세 가지 변화가 눈에 띕니다.

MLTensor: 배열 연산을 위한 친숙한 API

새로운 MLTensor 타입은 Apple 실리콘에서 직접 실행되는 효율적인 다차원 배열 연산 API를 제공합니다. PyTorch 텐서나 NumPy 배열을 사용해본 경험이 있다면 인터페이스가 즉시 익숙하게 느껴질 것입니다 — 다만 CPU, GPU, Neural Engine을 자동으로 최적화하는 것이 다릅니다.

멀티 함수 모델

Core ML 모델이 이제 단일 모델 파일 안에 여러 함수를 담을 수 있습니다. LLM 배포에 있어 핵심적인 변화입니다 — 베이스 모델 함수, 여러 LoRA 어댑터 함수, 특화된 태스크 함수를 하나로 패키징할 수 있으며, 런타임이 함수 간 리소스 할당과 전환을 효율적으로 관리합니다.

상태 기반 추론: LLM의 게임 체인저

이전까지 Core ML은 모든 모델을 순수 무상태 함수로 취급했습니다. 입력을 넣으면 출력이 나오는 방식이었죠. LLM 토큰 생성의 경우, 이는 매 이터레이션마다 큰 KV 캐시 상태를 모델과 호출 코드 사이에서 복사해야 한다는 의미였고 — 심각한 성능 병목이었습니다.

새로운 상태 관리 시스템은 모델이 추론 이터레이션 전반에 걸쳐 내부 상태를 유지할 수 있게 합니다. LLM 워크로드에서 복사 오버헤드가 완전히 제거되어 눈에 띄게 빠른 토큰 생성이 가능합니다. Core ML Tools의 개선된 압축 기술 — LLM과 디퓨전 모델을 위한 보다 세밀하고 조합 가능한 가중치 압축 — 과 결합하면 정교한 모델의 온디바이스 실행이 진정으로 실용적이 됩니다.

MLX: Apple의 오픈소스 ML 프레임워크가 성숙기에 접어들다

MLX 프레임워크는 Apple 실리콘 전용으로 설계된 Apple의 오픈소스 머신러닝 라이브러리로, WWDC 2025에서 큰 주목을 받았습니다. MLX는 Apple 실리콘의 통합 메모리 아키텍처를 활용합니다 — CPU와 GPU가 물리적 메모리를 공유하여 기존 GPU 컴퓨팅의 복사 오버헤드를 제거합니다.

• 지원 언어: Python, Swift, C++, C 및 커뮤니티 바인딩
• 파인튜닝: Apple 실리콘에서 직접 모델 훈련 및 파인튜닝, 완전한 메모리 공유
• 분산 학습: 여러 Apple 실리콘 기기에 걸쳐 학습 확장
• 모델 생태계: Hugging Face MLX 커뮤니티에 수백 개의 최신 모델 제공

Foundation Models 프레임워크보다 더 세밀한 제어가 필요하거나 커스텀 아키텍처를 실행해야 하는 개발자에게 MLX는 클라우드 기반 학습과 온디바이스 배포 사이의 간극을 메워줍니다. Mac에서 모델을 파인튜닝하고, Core ML Tools로 변환해서, iPhone에 배포하는 것이 모두 Apple 생태계 안에서 가능합니다.

Core ML 너머: 더 넓은 ML API 생태계

WWDC 2025는 많은 개발자가 기저 모델을 의식하지 않고 사용하는 Apple의 상위 수준 ML API에도 업데이트를 가져왔습니다.

SpeechAnalyzer: 차세대 음성-텍스트 변환

새로운 SpeechAnalyzer API는 기존 SFSpeechRecognizer를 대체하며, 강의, 회의, 대화 같은 장시간 및 원거리 오디오에 최적화된 더 빠르고 유연한 음성-텍스트 모델을 제공합니다. 최소한의 코드로 완전히 온디바이스에서 실행되어 긴 오디오 세션을 처리하는 앱에 실용적입니다.

Vision 프레임워크: 문서 인식과 그 이상

Vision 프레임워크에 문서 인식 기능이 추가되어 다양한 문서 구조를 그룹화하여 쉽게 처리할 수 있으며, 카메라 기반 앱을 위한 렌즈 얼룩 감지도 포함되었습니다. 이미지 분석을 위한 30개 이상의 API로 텍스트 인식부터 신체 자세 추정까지 모든 것을 커버합니다.

Xcode 26: AI 기반 개발 환경

Xcode 26은 AI를 개발 워크플로우에 직접 통합합니다. AI 어시스턴트가 전체 메서드 스텁 완성, SwiftUI 뷰 생성, 엣지 케이스 탐지를 위한 테스트 제안, 인라인 문서 자동 생성을 제공합니다. 사이드바에서 ChatGPT를 직접 사용하거나, Apple 실리콘 Mac에서 로컬 모델을 실행하여 완전히 프라이빗한 코딩 지원도 가능합니다.

프라이버시 방정식: 온디바이스가 개발자에게 중요한 이유

WWDC 2025의 모든 ML 발표는 하나의 아키텍처 철학을 강화했습니다. 가능한 한 기기에서 계산하라. 개발자에게 이것은 프라이버시를 넘어서는 구체적 장점으로 이어집니다.

• 제로 한계 비용: Foundation Models 프레임워크 추론은 무료 — 토큰당 과금도, 속도 제한도, 예상치 못한 청구서도 없음
• 오프라인 기능: 비행기 모드, 오지, 불안정한 네트워크에서도 앱 작동
• 지연 시간: 네트워크 왕복이 없어 체감 응답 속도가 빠름
• 규정 준수: 사용자 데이터가 기기를 떠나지 않아 GDPR, HIPAA 등 규정 준수가 간편
• 사용자 신뢰: “기기에서 처리됨”은 점점 더 단순한 프라이버시 체크박스가 아닌 경쟁 기능이 되고 있음

Apple의 서버 측 모델 — 14조 개의 텍스트 토큰으로 학습한 PT-MoE(Parallel-Track Mixture-of-Experts) 아키텍처 — 은 온디바이스 역량을 초과하는 작업을 Private Cloud Compute를 통해 처리하지만, 방향은 분명합니다. 가능한 한 많은 인텔리전스를 엣지로 밀어내는 것입니다.

다음 프로젝트에 미치는 영향

Apple 플랫폼을 대상으로 개발하고 있다면, WWDC 2025는 클라우드 백엔드 없이 가능한 것의 범위를 근본적으로 확장했습니다. Foundation Models 프레임워크만으로도 ML 도입의 가장 큰 장벽 — 비용과 복잡성 — 이 제거됩니다. Core ML의 상태 기반 추론과 MLTensor는 커스텀 모델 배포를 실용적으로 만들고, MLX는 연구자와 고급 개발자에게 클라우드 기반 학습의 진정한 대안을 제공합니다.

이 API들을 가장 빨리 활용하는 개발자가 상당한 선점 우위를 가질 것입니다. 오프라인 AI 튜터링이 되는 교육 앱, 프라이빗 온디바이스 분석이 가능한 건강 앱, 반응형 AI 지원이 되는 크리에이티브 도구 — 이것들은 더 이상 포부에 불과한 아이디어가 아닙니다. WWDC 2025의 툴킷으로 주말 프로젝트가 되었습니다.

---

---