CanIRun.ai: 내 컴퓨터에서 AI 모델을 돌릴 수 있는지 확인하는 법
CanIRun.ai의 브라우저 기반 하드웨어 감지 원리, S~F 등급 체계, VRAM·양자화·MoE 개념과 유사 도구 비교, 활용법을 정리한다.
2026-08-14 · 최초 발행 2026-03-15
"내 컴퓨터에서 이 모델을 돌릴 수 있을까"라는 질문
로컬 AI 모델을 실행하려는 사람들이 가장 먼저 마주하는 질문은 언제나 같다. "내 컴퓨터에서 이 모델을 돌릴 수 있을까?" 파라미터 수, 양자화 형식, VRAM 요구 사항, 컨텍스트 윈도우 크기를 일일이 비교하고 하드웨어 스펙과 대조하는 과정은 입문자에게 특히 벅차다. CanIRun.ai는 이 과정 전체를 브라우저 안에서, 서버에 데이터를 보내지 않고, 몇 초 만에 자동화하는 도구다. 단순히 실행 가능 여부를 알려주는 것을 넘어 S부터 F까지 등급을 매겨 최적의 모델을 추천해 주는 이 서비스는, 로컬 AI 생태계 접근성을 실질적으로 높이고 있다.
CanIRun.ai는 스페인 개발자 midudev가 제작한 브라우저 기반 AI 모델 호환성 확인 도구다. 사이트에 접속하면 별도의 설치나 로그인 없이 자동으로 사용자의 하드웨어를 감지하고, 현재 지원되는 AI 모델들이 해당 하드웨어에서 얼마나 잘 동작할지를 등급으로 표시한다. 모든 연산은 클라이언트 사이드에서 이루어지며, 어떤 데이터도 서버로 전송되지 않는다.
지원하는 AI 제공사 범위도 광범위하다. Alibaba(Qwen), Allen AI, Cohere, DeepSeek, Google, HuggingFace, LG AI, Liquid AI, Meta(Llama), Microsoft(Phi), Mistral AI, Moonshot AI, NVIDIA, OpenAI, Zhipu AI 등 주요 오픈웨이트 모델 제공사들이 망라되어 있다.
WebGL·WebGPU·Navigator로 하드웨어를 읽어낸다
CanIRun.ai가 설치 없이 하드웨어 정보를 파악할 수 있는 것은 세 가지 브라우저 API를 조합하기 때문이다.
WebGL은 GPU를 식별한다. 숨겨진 WebGL 캔버스를 생성하고 WEBGL_debug_renderer_info 익스텐션을 쿼리하여 정확한 GPU 이름과 벤더를 파악한다. NVIDIA GeForce RTX 4090이나 Apple M4 Pro GPU 같은 구체적인 모델명을 얻을 수 있다.
WebGPU는 아키텍처 정보를 더한다. 브라우저가 WebGPU를 지원하면 어댑터를 요청하여 장치 상세 정보와 아키텍처(예: NVIDIA의 Ampere, Ada Lovelace 등)를 추가로 파악한다.
Navigator는 CPU와 RAM을 알려준다. navigator.hardwareConcurrency로 CPU 코어 수를, navigator.deviceMemory로 근사적인 RAM 용량을 확인한다. 약 30ms의 짧은 CPU 벤치마크를 실행해 단일 코어 성능도 추정한다.
감지된 GPU는 NVIDIA, AMD, Intel, Apple Silicon을 포함한 약 40종의 GPU 데이터베이스와 대조되어 VRAM 용량, 메모리 대역폭 등의 정확한 스펙을 조회한다.
S부터 F까지, 등급이 알려주는 것
각 모델 카드에는 다음 정보가 포함된다.
- 파라미터 수: 1B~405B+ 범위의 모델 크기
- VRAM 요구량: 가장 중요한 제약 요소
- 양자화 형식: Q2_K, Q3_K_M, Q4_K_M, Q5_K_M, Q6_K, Q8_0, F16 중 지원 형식
- 컨텍스트 윈도우: 최대 처리 가능한 토큰 수
- 아키텍처: Dense 또는 MoE(Mixture of Experts)
- 태스크: Chat, Code, Reasoning, Vision 등 용도
VRAM, 양자화, MoE — 알아야 이해되는 개념들
CanIRun.ai를 제대로 활용하려면 몇 가지 기술 개념을 이해하는 것이 도움이 된다.
VRAM은 GPU의 메모리다. LLM을 실행하려면 양자화된 모델 파일 전체가 VRAM에 올라가야 한다. Apple Silicon의 경우 통합 메모리(Unified Memory)가 VRAM 역할을 대신한다. 2026년 기준 VRAM 요구량 가이드는 다음과 같다.
| VRAM | 실행 가능한 모델 규모 |
|---|---|
| 8GB | 7B~8B 모델 Q4 양자화 |
| 12GB | 8B Q8 또는 14B Q4 |
| 16GB | 14B Q8 또는 Llama 4 Scout(17B 활성 파라미터) Q4 |
| 24GB | 30B+ 모델 (Qwen3-30B-A3B, 대규모 DeepSeek 등) |
| 32GB | 70B 모델 양자화 버전 (RTX 5090 기준 새로운 상한선) |
양자화는 모델 가중치의 정밀도를 낮춰 파일 크기를 줄이는 기법이다. 7B 모델 기준 주요 형식 비교는 다음과 같다.
| 형식 | 크기 | 품질 유지율 |
|---|---|---|
| F16 | ~13 GB | 100% (원본) |
| Q8_0 | ~6.7 GB | ~99% |
| Q6_K | ~5.3 GB | ~95% |
| Q4_K_M | ~3.9 GB | ~88% (최적 균형) |
| Q2_K | ~2.5 GB | ~60% |
Q4_K_M이 크기와 품질의 가장 균형 잡힌 선택으로 널리 인정받고 있다.
MoE(Mixture of Experts) 모델은 파라미터를 "전문가" 그룹으로 나누고 각 토큰마다 일부 전문가만 활성화한다. 예를 들어 OpenAI의 GPT-OSS 20B는 총 21B 파라미터를 가지지만 토큰당 3.6B만 활성화된다. 속도는 소형 모델 수준이지만 품질은 대형 모델에 가깝다. 단, VRAM에는 전체 파라미터가 모두 올라가야 하므로 메모리 요구량 자체는 줄지 않는다.
지금 확인할 수 있는 모델들
2026년 3월 기준 CanIRun.ai에서 확인 가능한 주요 모델들이다.
| 모델 | 크기 | VRAM(Q4_K_M) | 특징 |
|---|---|---|---|
| Llama 3.1 8B | 8B | 4.1 GB | Meta, 범용 챗, 128K 컨텍스트 |
| Phi-4 14B | 14B | 7.2 GB | Microsoft, 추론 특화 |
| GPT-OSS 20B | 21B (MoE) | 10.8 GB | OpenAI 오픈웨이트, 128K |
| Mistral Small 3.1 24B | 24B | 12.3 GB | 비전 지원, 128K |
| Gemma 3 27B | 27B | 13.8 GB | Google, 128K |
| Qwen 2.5 Coder 32B | 32B | 16.4 GB | 코딩 특화 |
| DeepSeek R1 Distill 32B | 32B | 16.4 GB | 추론 특화 |
| Llama 3.3 70B | 70B | 35.9 GB | 최고 오픈 모델 클래스 |
llm-checker, canitrun.net과 무엇이 다른가
CanIRun.ai와 비슷한 목적의 도구들도 존재한다.
llm-checker(GitHub: Pavelevich/llm-checker)는 CLI 기반 도구로 Ollama와 통합되어 하드웨어를 분석하고 최적의 LLM을 추천한다. 200개 이상의 모델을 다루며 품질, 속도, 적합성, 컨텍스트의 4차원 점수 체계를 사용한다. CanIRun.ai와 달리 CLI에서 동작하므로 더 정확한 하드웨어 감지가 가능하지만 설치가 필요하다.
canitrun.net은 GPU 선택 가이드 중심의 정보 사이트로, 특정 GPU로 실행 가능한 모델보다는 AI용 GPU 구매 가이드에 집중한다.
CanIRun.ai의 차별점은 설치 불필요, 완전한 프라이버시(클라이언트 사이드 연산), 브라우저만으로 즉시 사용 가능이라는 접근성에 있다.
다운로드 전에, 구매 전에 확인하는 법
CanIRun.ai를 가장 효과적으로 활용하는 방법은 다음과 같다.
모델을 선택하기 전에 검증한다. Ollama나 LM Studio에서 모델을 다운로드하기 전에 먼저 CanIRun.ai에서 실행 가능 여부를 확인하면 수 GB의 다운로드 낭비를 방지할 수 있다.
양자화 형식을 결정한다. 같은 모델이라도 Q4_K_M과 Q8_0은 VRAM 요구량이 크게 다르다. 자신의 VRAM에 맞는 최적 양자화를 확인할 수 있다.
용도별로 필터링한다. Chat, Code, Reasoning, Vision 태스크별로 필터링하면 목적에 맞는 모델만 빠르게 탐색할 수 있다.
새 하드웨어 구매를 검토한다. 현재 하드웨어의 F/D 등급 모델들을 보고 어떤 수준의 업그레이드가 필요한지 파악하는 데도 유용하다.
로컬 AI 진입 장벽을 낮추는 도구
CanIRun.ai는 기술적 진입 장벽을 낮춰 더 많은 사람이 로컬 AI를 탐색할 수 있게 하는 실용적인 도구다. VRAM, 양자화, MoE 아키텍처 같은 개념을 미리 공부하지 않아도 "내 컴퓨터에서 실행 가능한가"라는 질문에 즉각적인 답을 제공한다. 로컬 LLM 생태계가 급속히 성장하고 지원 모델 수가 계속 늘어나는 현 시점에서, 이런 접근성 도구의 가치는 더욱 높아지고 있다. 처음 로컬 AI를 시작하는 사람이라면 CanIRun.ai를 첫 번째 출발점으로 삼는 것이 시행착오를 크게 줄여줄 것이다.