Reverse Engineering w/ Local?
로컬 LLM을 활용한 리버스 엔지니어링의 가능성과 실제 경험을 공유하며, 모델별 성능과 한계에 대해 논의함.
질문 두 개 있음.
Qwen 3.8 27B 같은 로컬 모델로 게임이나 프로그램을 리버스 엔지니어링 할 수 있음?
만약 안 된다면, 그거 가능한 파인튜닝된 모델 따로 있음?
로컬 모델을 활용한 리버스 엔지니어링은 가능하지만, 범용 모델보다는 특화된 모델과 사용자의 숙련된 가이드가 필수적이라는 의견이 지배적입니다.
있잖아, 미리 경고하는데 AI로 리버스 엔지니어링이 쉬워졌다는 이야기는 완전히 과장된 거야.
할 수는 있지만, 절대 쉽지 않아.
상대적으로 보면 확실히 10배는 더 쉬워진 게 맞아. '쉽다'는 건 아니지만, 분명히 훨씬 수월해졌어.
지난 두 달 동안 우리가 본 디컴파일 결과물과 미친 수준의 모드들은 전례가 없는 수준이야.
그건 로컬 모델이 아니라 프론티어 모델로 작업했을 가능성이 커.
프론티어 모델로 직접 시도해 본 적이 없는 것 같네.
질문에 답하자면, 내가 경험한 바로는 3.8 FN도 어느 정도 리버스 엔지니어링 능력이 있어. 3.8에서 4로 큰 도약이 있을 거라 예상한다면 Qwen 4 Flash는 확실히 가능할 거야.
직접 성공해 본 적 있어? 진심으로 묻는 거야. 내가 못하는 걸 수도 있으니까.
실제로 게임 두 개를 리버스 엔지니어링 해봤는데, 말했듯이 할 수는 있어.
AI 이전보다 확실히 쉬워진 건 맞아. 하지만 예를 들어 유니티 에디터에서 다시 편집할 수 있는 상태로 만드는 과정이 매끄럽다고는 여전히 말 못 하겠어.
혹시 다른 개인적인 경험이 있다면 꼭 듣고 싶어! 특히 팁이나 노하우, 어떤 모델을 썼는지 같은 거 말이야.
난 찬성이야. 저번에 소프트웨어 리버스 엔지니어링 할 때 보호 장치 깨는 데 3개월 걸렸는데, 1개월 만에 할 수 있다면 기쁠 것 같아.
일반적인 경험칙은 이거임: 사용자가 해당 작업에 능숙할수록 AI를 활용해 작업을 세분화하고 최적화하기가 더 쉬워진다는 거.
솔직히 AI는 리버스 엔지니어링에 완벽함. 학습 데이터가 거의 무제한이고 결과도 바로 검증할 수 있으니까.
전혀 아니야, 지금은 훨씬 쉽고 접근성도 좋아졌어. 예전에는 랜덤한 소프트웨어와 인터페이스하려면 로우 레벨 지식을 갖춘 괜찮은 해커여야 했거든.
동의함. 이미 리버스 엔지니어링을 할 줄 아는 사람이라면 작업 속도를 엄청나게 높여주니까 성공할 수 있음. 근데 리버스 엔지니어링을 모르는 상태라면 그냥 포기하고 어셈블리부터 좀 배우는 게 나음. 모델이 최첨단이든 아니든 100% 확률로 환각(hallucination)을 일으키는 구간이 나오는데, 그걸 잡아낼 줄 알아야 하니까.
이미 리버스 엔지니어링을 이해하고 있고 프로젝트가 산으로 가지 않게 관리할 수 있다면 사실 엄청 쉬움. 1년 걸릴 프로젝트를 일주일 만에 끝낼 수 있거든. 근데 Qwen3.8-27B로 하는 건 진짜 고역임. 써보려고 노력은 했는데, 너무 과하게 생각하다가 무한 루프에 빠져서 몇 시간씩 잡아먹기도 함. 프론티어 모델들이 강력한 건 당연하지만, GLM-5.3도 이 작업에 꽤 괜찮고 혼자서 프로젝트 하나를 감당할 수 있음.
Qwen3.8-27B를 루프에 성공적으로 넣은 사람들 얘기 좀 들어보고 싶네. 프론티어 모델이 할 일을 나눠주게 하는 등 여러 시도를 해봤는데, 필요한 만큼 성능이 안 나오더라. 진짜 전부 로컬로 돌리고 싶음.
적어도 내 테스트 결과로는, QFN만이 수많은 시도 끝에 일본 PS1 게임에서 2D 스프라이트 에셋을 추출하는 리버스 엔지니어링을 해냈어... (솔직히 말하면 Qwen 3.6 27B로 시작해서 3.8 27B를 거쳐 QFN으로 돌파구를 찾았지. 추론 과정이 멍청한 짓을 반복하는 나쁜 RNG 루프 대신 말이 되기 시작했을 때 말이야).
내 경험을 공유하자면:
3.6 27B는 cue bin에서 데이터를 추출하는 방법을 알아내는 데 너무 많은 시간을 썼어 (그래, 그때 내가 정말 멍청하다고 느꼈지). 그 고비를 넘긴 후에도 헤더와 바이트 오프셋이 PS1 ISO 구조와 맞는지 고민하는 추론 과정에서 계속 실패했어. 진전이 없어서 보류했지.
그래서 Qwen 3.8 27B 벤치마크는 클라우드 API의 더 크고 강력한 파라미터 모델들과 동등할 정도로 좋아. 가능할지도 몰라. 적어도 BIN CUE의 특성을 파악해서 아카이브 파일을 읽기 시작했으니까... 아, 근데 여기서 XHIGH 추론을 쓰니까 고통스럽더라. '잠깐만, 어 잠깐만, 웨이터 웨이터링 워터 웨이트리스 월터 화이트' 같은 순간이 오는데, '제발 그만해, 내 시간과 전기 낭비하지 마' 싶었어. 결국 몇 번의 세션 끝에 녀석이 PS1 MIPS 에뮬레이터를 작성하려고 하더라고. 젠장, 이 짓은 그만두자 싶어서 프로젝트를 보류했지.
그러다 Qwen 3.8 Flash Next가 나왔어... 내 시스템은 RTX 5090에 64GB DDR5 RAM이야... SSD 공간은 있지만, 시간을 너무 많이 쓰고 싶지 않아서 Unsloth IQ2_K_XL이랑 당시 llama cpp 최신 커밋들을 다운로드했어 (MTP 메인라인 적용 전). 200K ctx q8 kv에서 300 pp/s, 15-30t/s가 나오더군. 이제야 추론 과정이 말이 되는 것처럼 느껴졌어. 자동화에 맡기지 않고 내가 가이드해야 한다는 점은 알아둬. 녀석이 DuckStation을 다운로드하고, 디버그 모드를 켜고, VRAM을 덤프해서 분석하라고 제안하더군. 파이썬으로 PIL을 써서 스크린샷을 찍고 렌더링도 했어. 계속 반복하면서 진전이 있었고, 완벽하진 않지만 진전이 보이는 게 느껴졌어. 몇 시간 더 돌리고 시간이 날 때 다시 확인했더니 드디어 작동하더군. 휴, 그때 QFN에 정말 감탄했어.
내 하네스는 Pi야. 궁금한 사람 있을까 봐. pi-vcc 확장을 쓰면 압축이 빨라져서 계속 진행할 수 있어. 안 그러면 QFN이 압축 컨텍스트를 요약하는 데 영원히 걸리는 것처럼 느껴질 거야.
위에 언급한 모델들은 전부 Unsloth 모델들이야. Swift 1.5 미세 조정 모델이 있다던데, 추론을 줄이면서도 동등한 품질을 낸다더군. 테스트해 볼 생각은 없어서 Swift가 그 '잠깐만, 기다려, 사용자가 맞는데, 잠깐만' 하는 순간을 줄여주는지는 말 못 하겠네.
Qwen 3.8 Flash Next가 리버스 엔지니어링해서 추출한 2D 스프라이트의 KDE Dolphin 스크린샷.
아니... 너 strata로 더 높은 퀀트 돌릴 수 있지 않아?
잠깐만... 맞아, 지금 난 IQ3_S로 Strata 돌리고 있는데 원래 답글에는 일부러 그건 뺐어 ㅋㅋ Gemma 4 모델 말고는 당분간 llama.cpp는 안 쓸 거야.
내 최근 Strata 세션 (200K ctx int8 KV):
[strata] thinking: 653 / 최대 16384 토큰, 172.1 tok/s, 4초
[strata] 도구 호출 작성 중: bash: 833 / 최대 16384 토큰, 173.3 tok/s, 5초
[strata] 도구 호출 작성 중: bash: 1070 / 최대 16384 토큰, 183.9 tok/s, 6초
[strata] 도구 호출 작성 중: bash: 1316 / 최대 16384 토큰, 192.9 tok/s, 7초
[strata] 완료: 8초 동안 1458 토큰 (196.8 tok/s) (중단, cancel=False), 전문가 캐시 95.7% 적중 (PCIe를 통해 라우팅된 전문가의 +0.9%)
[strata] 도구 호출 작성 중: bash: 110 / 최대 16384 토큰, 154.3 tok/s, 1초
[strata] 완료: 2초 동안 271 토큰 (208.8 tok/s) (중단, cancel=False), 전문가 캐시 91.9% 적중 (PCIe를 통해 라우팅된 전문가의 +2.2%)
[strata] 도구 호출 작성 중: bash: 191 / 최대 16384 토큰, 217.9 tok/s, 1초
[strata] 도구 호출 작성 중: bash: 434 / 최대 16384 토큰, 231.1 tok/s, 2초
[strata] 완료: 2초 동안 500 토큰 (235.9 tok/s) (중단, cancel=False), 전문가 캐시 93.8% 적중 (PCIe를 통해 라우팅된 전문가의 +1.5%)
[strata] 도구 호출 작성 중: bash: 167 / 최대 16384 토큰, 225.6 tok/s, 1초
[strata] 완료: 2초 동안 425 토큰 (249.9 tok/s) (중단, cancel=False), 전문가 캐시 93.8% 적중 (PCIe를 통해 라우팅된 전문가의 +1.5%)
[strata] thinking: 102 / 최대 16384 토큰, 138.1 tok/s, 1초
[strata] thinking: 267 / 최대 16384 토큰, 152.9 tok/s, 2초
[strata] 도구 호출 작성 중: bash: 453 / 최대 16384 토큰, 164.1 tok/s, 3초
[strata] 도구 호출 작성 중: bash: 679 / 최대 16384 토큰, 180.5 tok/s, 4초
[strata] 도구 호출 작성 중: bash: 971 / 최대 16384 토큰, 203.6 tok/s, 5초
[strata] 도구 호출 작성 중: bash: 1224 / 최대 16384 토큰, 212.1 tok/s, 6초
[strata] 완료: 6초 동안 1262 토큰 (212.8 tok/s) (중단, cancel=False), 전문가 캐시 94.9% 적중 (PCIe를 통해 라우팅된 전문가의 +1.2%)
[strata] thinking: 118 / 최대 16384 토큰, 156.7 tok/s, 1초
[strata] thinking: 302 / 최대 16384 토큰, 171.9 tok/s, 2초
[strata] thinking: 469 / 최대 16384 토큰, 169.9 tok/s, 3초
[strata] 도구 호출 작성 중: bash: 671 / 최대 16384 토큰, 177.8 tok/s, 4초
[strata] 도구 호출 작성 중: bash: 950 / 최대 16384 토큰, 198.5 tok/s, 5초
[strata] 도구 호출 작성 중: bash: 1210 / 최대 16384 토큰, 208.8 tok/s, 6초
[strata] 도구 호출 작성 중: bash: 1491 / 최대 16384 토큰, 219.4 tok/s, 7초
[strata] 완료: 8초 동안 1619 토큰 (219.9 tok/s) (중단, cancel=False), 전문가 캐시 95.1% 적중 (PCIe를 통해 라우팅된 전문가의 +1.1%)
메타의 AI 전략과 오픈 웨이트 모델의 정의를 두고 커뮤니티 내에서 열띤 토론이 이어지고 있습니다.
메타의 AI 전략과 오픈 웨이트 모델의 정의를 두고 커뮤니티 내에서 열띤 토론이 이어지고 있습니다.
어도비의 악명 높은 구독 정책과 강압적인 비즈니스 모델에 대한 사용자들의 강한 반감과 비판이 쏟아지고 있습니다.
어도비의 악명 높은 구독 정책과 강압적인 비즈니스 모델에 대한 사용자들의 강한 반감과 비판이 쏟아지고 있습니다.
Claude Code에서 작업 결과물(스크린샷, 비디오, QA 비교)을 터미널 내에서 바로 확인할 수 있는 플러그인이 출시되었습니다.
Claude Code에서 작업 결과물(스크린샷, 비디오, QA 비교)을 터미널 내에서 바로 확인할 수 있는 플러그인이 출시되었습니다.