2026년, 언슬로스 데스크톱은 로컬 생성형 AI 모델 실행을 넘어 모델 학습, 다단계 워크플로우 구축까지 지원하며 LM 스튜디오와 차별화된 올인원 솔루션을 제시합니다. 현재의 장점과 개선점을 심층 분석합니다.
LM 스튜디오를 넘어서: 언슬로스 데스크톱의 등장
2026년, 로컬 하드웨어에서 생성형 AI 모델을 실행하는 것은 더 이상 전문가만의 영역이 아닙니다. LM 스튜디오는 누구나 자신의 하드웨어에서 손쉽게 LLM을 실행할 수 있게 하며 큰 반향을 일으켰습니다. 하지만 로컬 AI 실행 프로젝트는 여기서 멈추지 않습니다. 다니엘 한과 마이클 한 형제로 구성된 언슬로스 팀은 모델 실행을 넘어 학습과 다단계 워크플로우 구축까지 아우르는 언슬로스 데스크톱을 선보였습니다. 오픈소스 아파치 라이선스로 개발된 이 애플리케이션은 단순한 모델 호스팅 그 이상의 가치를 제공하며 로컬 AI 개발의 새로운 지평을 열고 있습니다.
직관적인 웹 UI와 다양한 플랫폼 지원
언슬로스 데스크톱은 LM 스튜디오와 달리, 실행 시 콘솔 창이 먼저 뜨고 이후 웹 브라우저 탭으로 GUI가 자동 열리는 방식입니다. 이 콘솔은 디버깅에 편리함을 제공하지만, 일반적인 데스크톱 애플리케이션과는 다소 이질적인 경험을 줄 수 있습니다. 이 편리한 웹 기반 UI는 마이크로소프트 윈도우, 맥OS, 리눅스 등 주요 운영체제에서 원활하게 작동하여 접근성이 뛰어납니다. llama.cpp 또는 기타 지원 라이브러리 같은 내부적인 업데이트는 프로그램 내부에서 자동으로 처리되지만, 전체 애플리케이션 업데이트를 위해서는 콘솔에서 명령을 직접 실행해야 하는 점은 약간의 수동적인 번거로움을 동반합니다.
선별된 모델 허브와 데이터세트
로컬에서 생성형 AI 모델을 다루는 대다수 시스템처럼 언슬로스 데스크톱도 선별된 모델 갤러리를 제공합니다. 왼쪽 메뉴의 “모델 허브”를 클릭하면 언슬로스 팀이 엄선해둔 모델 카탈로그가 상세하게 표시됩니다. 사용자들은 기능, 형식, 그리고 현재 자신의 디바이스에서의 적합성 등 다양한 기준으로 모델을 필터링하고 정렬하여 원하는 LLM을 쉽게 탐색할 수 있습니다. 이뿐만 아니라, 자체 모델 학습을 위한 선별된 데이터세트 목록도 함께 제공되어, 사용자들이 더욱 효율적으로 학습 환경을 구축하고 맞춤형 AI 모델을 개발할 수 있도록 돕습니다.
강력한 프로젝트 및 데이터 레시피 워크플로우
언슬로스 데스크톱의 핵심 강점 중 하나는 “프로젝트” 개념을 도입했다는 점입니다. 특정 모델과 즉석에서 대화하는 것을 넘어, LLM이 다룰 파일이나 연결된 로컬 폴더를 포함하는 프로젝트를 생성하여 체계적인 작업 환경을 만듭니다. LM 스튜디오에는 없는 “데이터 레시피”는 다양한 종류의 데이터 소스에서 다단계 처리를 수행하는 그래픽 워크플로우를 생성합니다. OCR 문서 추출, 깃허브 이슈/PR을 크롤링하여 학습 데이터 도출하기 같은 사전 제작 레시피가 제공됩니다. 여러 블록을 연결하여 워크플로우를 생성하는 GUI는 컴피UI의 직관적인 작동 방식과 유사하여 사용자들에게 친숙함을 제공합니다.
모델 설정과 다중 모드 AI 기능
Foundry 모델을 로드하면 언슬로스 데스크톱에 몇 가지 주요 설정이 표시되는데, LM 스튜디오에 비하면 설정의 수는 적습니다. 예를 들어 토큰 윈도우는 명확하게 설정 항목으로 노출돼 있지만, GPU에 적용할 모델 레이어의 수는 기본적으로 자동으로 처리됩니다. 기본 컨텍스트 길이인 4096은 지속적인 대화에는 너무 짧으므로, 원활한 상호작용을 위해 최소 두 배 이상으로 늘리는 것을 권장합니다. Q&A 스타일의 일반적인 대화형 채팅 외에도 스틸 이미지, 프롬프트를 이용한 동영상, 텍스트 음성 변환 생성 등 특화된 인터페이스를 포함하며, 각 인터페이스에는 사용 가능한 모델이 사전에 탑재되어 있습니다. 아쉽게도, 현재 설치되지 않은 모델을 선택할 경우 다운로드 진행률이 표시되지 않는 점은 개선이 필요합니다.
혁신적인 툴 호출과 통합 모델 학습
언슬로스 데스크톱의 툴 호출 메커니즘은 매우 흥미롭습니다. “자동 복구 툴 호출” 기능은 툴 호출의 추론 결과가 손상되지 않도록 보장하며, “툴 호출 재시도” 기능은 자동 복구 기능이 작동하지 않는 경우 툴 호출을 다시 실행합니다. 이 기능들은 모델에 관계없이 언슬로스 대화에서 사고와 툴 호출이 원활하게 작동하도록 기여하며, 프롬프트 재시작이 필요한 정도의 문제 발생을 현저히 줄여줍니다. 언슬로스 데스크톱의 가장 뛰어난 기능 중 하나는 여러 명령줄 툴을 꿰맞출 필요 없이 GUI에서 바로 새 모델을 학습시키고, 이후 학습한 모델로 추론을 실행할 수 있는 통합된 모델 학습 툴입니다. 특히 이미지 생성 모델 학습 시 데이터 주석이 포함된 이미지 조합부터 학습 실행, 실시간 통계 표시, 그리고 생성 UI로의 전환까지 올인원 방식이 상당한 매력을 발산합니다.
개선이 필요한 부분: 문서와 UI 경험
현재 2026년 기준, 언슬로스 데스크톱의 가장 큰 단점은 문서의 부실함과 비일관성입니다. 예를 들어 자체 이미지 학습에 대한 언급은 있지만 구체적인 세부 사항이 부족하여 제대로 사용하기 위해 사용자가 직접 여러 실험을 거쳐야 합니다. 또한, 특정 환경 설정(예: MSVC 개발자 프롬프트 컨텍스트에서 실행)이 문서화되지 않아 난해한 오류 메시지를 출력하며 사용자를 당황하게 하는 경우가 있습니다. UI 자체도 가끔 혼란스러운데, 모델 선택 시 모델 로딩과 양자화 목록 펼침이 명확하게 구분되지 않아 의도치 않게 모델 다운로드를 여러 번 시작하기도 합니다. 다운로드 진행률 부재도 사용자 경험을 저해하는 요소입니다.
2026년, 언슬로스 데스크톱의 잠재력
LM 스튜디오가 로컬 모델 실행의 간편함으로 대중적 입지를 다진 반면, 언슬로스 데스크톱은 로컬 모델 학습과 복잡한 다단계 레시피 개발이라는 차별화된, 더욱 심화된 매력을 제공합니다. 현재의 문서화 및 UI 문제는 분명 개선이 필요하며, 사용성 측면에서 LM 스튜디오가 여전히 더 깔끔하고 편리하며 일관적이라는 평가도 있습니다. 그러나 언슬로스 데스크톱은 올인원 워크벤치로서의 엄청난 잠재력을 가지고 있습니다. 이러한 단점들이 효과적으로 보완되고 사용자 피드백이 적극 반영된다면, 2026년 이후에는 로컬 생성형 AI 개발의 강력한 표준 툴로 확고히 자리매김할 수 있을 것으로 크게 기대됩니다.
