연구는 PyTorch가 이겼다. TensorFlow와 MLX가 여전히 맞는 곳

프레임워크 전쟁은 끝났고, PyTorch가 가장 중요한 부분인 연구와 대규모 언어 모델을 차지했습니다. 새 논문, 튜토리얼, 사전 학습 웨이트가 먼저 그곳에 나옵니다. 그래서 선택은 보기보다 단순하지만, 고민할 것이 전혀 없지는 않습니다. 다른 두 프레임워크가 여전히 PyTorch가 차지하지 못한 영역을 갖고 있고, 이 사이트 독자 대부분은 프레임워크가 아예 필요 없기 때문입니다.

기본값: PyTorch

PyTorch(4.9)는 생태계가 사는 곳입니다. Hugging Face Transformers(4.8)와 함께 쓰면 공개된 모델에서 내 데이터로 파인튜닝하기까지 곧장 이어지며, 오픈 웨이트의 압도적 다수가 PyTorch를 우선으로 나옵니다. 2026년에 딥러닝이나 LLM 작업을 위해 프레임워크 하나를 배운다면 이것을 배우십시오. 문제는 이론상 최고인가가 아니라 코드, 웨이트, 도움이 이미 어디에 있는가입니다.

운영과 엣지 영역: TensorFlow

TensorFlow(4.0)는 더 이상 새 작업의 기본값이 아니며, Keras 3는 TensorFlow만큼 쉽게 PyTorch나 JAX 위에서도 돌아감으로써 이를 조용히 인정합니다. 여전히 대부분보다 잘하는 것은 학습된 모델을 휴대폰이나 마이크로컨트롤러에 배포하는 일입니다. TensorFlow Lite와 LiteRT 경로는 대안들보다 성숙합니다. 프로젝트가 데이터센터가 아니라 기기 위에서 끝나거나, 이미 TensorFlow 코드베이스를 유지하고 있다면 옮길 이유가 없습니다. LLM 성격의 일이라면 새로 시작할 이유가 거의 없습니다.

Apple 실리콘 영역: MLX

Apple의 배열 프레임워크인 MLX(4.4)는 한 가지 상황을 위해 존재하고 그 일을 잘합니다. Apple Silicon에서 로컬로 모델을 학습하고 실행하는 일로, 통합 메모리를 활용해 RAM이 충분한 Mac이 다른 곳이라면 별도 GPU가 필요했을 모델을 담을 수 있게 합니다. 범용 크로스플랫폼 프레임워크가 아니고 그렇게 되려 하지도 않습니다. NVIDIA 카드가 달린 Linux 머신에서는 맞지 않는 도구입니다. MacBook에서는 하드웨어를 일급 대상으로 다루는 프레임워크입니다.

대부분의 사람이 실제로 원하는 선택지

프레임워크 논쟁이 가리는 부분이 있습니다. 목표가 모델을 만들거나 학습하는 것이 아니라 기존 모델을 돌리는 것이라면, 둘 다 필요 없습니다. llama.cpp(4.8)와 그 위에 만든 도구들은 프레임워크 설치도 학습 코드도 없이 평범한 하드웨어에서 양자화된 오픈 모델을 돌립니다. TensorFlow나 PyTorch가 필요하다고 생각하는 사람 대부분에게 필요한 것은 추론 런타임과 API 키입니다.

무엇을 쓸까

모델, 특히 LLM을 만들거나 파인튜닝한다면 Transformers와 함께 PyTorch를 쓰고 뒤돌아보지 마십시오. 맞춤 모델을 기기에 배포한다면 TensorFlow와 LiteRT입니다. 전부 Mac에서 작업한다면 MLX입니다. 다른 누군가가 학습한 모델을 돌리기만 한다면 프레임워크가 아니라 추론 런타임입니다. 프레임워크는 가장 작은 결정이고, 진짜 결정은 모델을 만드는가 쓰는가입니다.