배포 전 30분 행동 QA: 바이브코딩 앱에서 '진짜' 터지는 버그 12가지
정적 스캔으로 안 잡히는 세션·권한·중복요청·LLM 내성 테스트
배포 전 30분 행동 QA: 바이브코딩 앱에서 '진짜' 터지는 버그 12가지
정적 스캔으로 안 잡히는 세션·권한·중복요청·LLM 내성 테스트
한 줄 요약: 정적 스캔은 "냄새"를 잡고, 행동 QA는 "실제로 깨짐"을 재현해서 잡는다.
이 글의 전제
이 글은 "해킹"이 아니라 본인 앱/스테이징 환경에서 배포 전 리스크를 줄이기 위한 행동 기반 QA 루틴입니다.
🔐
구독 회원 전용 글입니다
구독하면 모든 프리미엄 시리즈와 Jupyter 노트북이 열립니다.
결제하려면 무료 계정이 필요합니다. 언제든 취소할 수 있습니다.
관련 포스트
Models & Algorithms
TurboQuant vLLM, A100 한 장에서 실측 — 8B 모델에서 프리셋 4개의 용량·속도·정확도
vLLM 0.28, Qwen3-8B bf16, A100 80GB: bf16·fp8·TurboQuant 프리셋 4개의 KV 용량, 배치 처리량, 32K 디코드, needle-in-haystack, GSM8K를 직접 쟀습니다. vLLM 연구가 다루지 않은 8B 크기입니다.
Models & Algorithms
TurboQuant를 실제 KV 텐서 위에서 밑바닥부터 — 3비트의 진짜 비용, 그리고 포크가 논문 레이아웃을 이기는 이유
PolarQuant를 PyTorch 60줄로 구현해 Llama-3.2-1B·Qwen3-8B의 실제 KV에 적용. 3비트는 +10%, k8v4는 +0.2%, QJL은 저비트에서만 유효, 블록-32 레이아웃이 포크 우위의 절반을 설명합니다.
Models & Algorithms
TurboQuant llama.cpp CUDA 포크, A100에서 실측 — turbo4는 q4_0급, turbo3는 긴 컨텍스트에서 무너진다
Qwen3-8B Q4_K_M, A100 한 장, KV 타입 6종: perplexity·프리필·깊이별 디코드·VRAM 실측. turbo4는 q4_0과 품질 동급에 깊은 컨텍스트에선 q8_0보다 2.5배 빠르고, turbo3는 32K에서 PPL이 세 배로 뜁니다.