🌐 WebGPU 및 WebNN 표준화 현황 (2026)
2026년 7월 현재, W3C의 WebGPU와 WebNN 표준은 실험적 단계를 넘어 프로덕션 환경에 즉시 적용 가능한 Candidate Recommendation 단계로 성숙했습니다.
1. WebGPU: 차세대 웹 그래픽 및 연산 표준
WebGPU는 GPGPU 접근을 단순화하여 웹 환경에서도 고성능 추론 및 렌더링을 가능하게 합니다.
- 표준 상태: 2026년 5월 21일 Candidate Recommendation Draft 도달.
- 브라우저 지원:
- Chrome/Edge: v113 이후 안정적 지원.
- Safari: Safari 26.0 (iOS 26, macOS Tahoe)에서 기본 탑재.
- Firefox: 2026년 초 macOS/Linux 지원 확대 완료.
- WGSL (WebGPU Shading Language): 2026년 6월 15일 Candidate Recommendation Draft로 격상.
- 성능 및 도구: WebLLM 등 고성능 추론 엔진과 연동되어 1B~8B 규모의 오픈소스 LLM을 네이티브 대비 80~85% 수준의 속도로 실행할 수 있습니다.
2. WebNN (Web Neural Network) API
NPU, GPU, CPU 등 하드웨어 가속기를 직접 제어하여 신경망 추론을 최적화하는 전용 API입니다.
- 표준 상태: Candidate Recommendation Draft (2026.09.04 최신화; 2026년 1월 22일 Snapshot 이후 W3C Web Machine Learning WG 개정판 발행).
- 기술적 특징:
- MLTensor API: WebGPU와 WebNN 간의 버퍼를 Zero-copy로 직접 공유하여 오버헤드 최소화.
- 3rd Wave Operators: Transformer 기반 모델(LLM) 가속을 위한 최적화 연산자 대거 추가.
- Device Selection: CPU, GPU, NPU 중 최적의 실행 장치를 명시적으로 선택 가능한 추상화 레이어 제공.
- OS 가속기 매핑: DirectML (Windows), CoreML (macOS), NNAPI/QNN (Android) 등 로컬 플랫폼 백엔드 API와 표준화 매핑을 지원하여 NPU를 활용한 극도의 전력 효율 향상을 제공합니다.
3. WebMCP (Web Model Context Protocol) — 2026-08-28
- 개념: W3C Web Machine Learning CG 제안. 사이트가 페이지 내 MCP 툴 서버가 되어 에이전트에 구조화 도구를 노출한다(백엔드 MCP 서버·시각 UI 자동화와 구분).
- API: Imperative —
document.modelContext.registerTool({ name, description, inputSchema, … })(JSON Schema). Declarative — 표준 HTML form 주석으로 툴 생성. Chrome 150+: 구navigator.modelContext는 alias. - 로컬 활성화:
chrome://flags/#enable-webmcp-testing→ Enabled → 재시작. Permissions Policytools(기본self; cross-origin iframe 비활성). - 상태 (Chrome 문서 + 2차): 공식은 human-in-the-loop 로컬 워크플로 중심. 2차 보고 — Chrome 149–156 public origin trial, 주 소비 에이전트 Gemini in Chrome; Shopify/Cloudflare 기본 노출은 상거래 표면 확대 신호.
- OT 종료·Ship 목표 (2026-08-29): ChromeStatus 기준 OT desktop/Android/WebView 149→156, Shipping 목표 157. 현장 보고: trial 토큰 만료·OT 종료 ~2026-11-16 전후 — 토큰/
document.modelContext없으면registerTool이 silent no-op. 로컬은chrome://flags/#enable-webmcp-testing. 프로덕션 등록 코드는 OT 토큰 서빙·feature-detect(document.modelContext || navigator.modelContext) 없이 머지하지 말 것. - 참고: Chrome WebMCP · MAS 적용 wiki/Agents/Multi-Agent-and-Orchestration/OpenClaw-및-HyperAgent-기반-MAS-아키텍처.md
4. 웹 기반 LLM 서빙 및 실행 가속의 영향
- Wasm 3.0 Memory64 및 표준 런칭: 2025년 9월 공식 표준 격상 및 런칭이 완료된 WebAssembly 3.0은 단순한 샌드박스를 넘어 보편적 라이브 런타임으로 이행했습니다. 핵심 기능인 Memory64를 통해 기존 32비트의 4GB 힙 메모리 한계를 극복하고 브라우저 실구현 기준 최대 16GB까지 주소 공간이 확장되어, 대용량 LLM 가중치 데이터(1B~8B 매개변수 모델)를 통째로 로드하여 실행할 수 있습니다. 또한 Multiple Memories를 기본 탑재하여 단일 모듈 내 격리된 다중 메모리 영역 접근 및 WebGPU 버퍼와의 zero-copy 매핑을 지원하며, Component Model(WASIp3) 도입을 통해 클라우드와 브라우저를 관통하는 이식성을 확보했습니다.
- 브라우저 엔진 패리티: Chromium·Firefox는 Memory64를 실서비스에 쓸 수 있으나 Safari/WebKit은 2026-08 기준 Memory64 미지원 — wiki/Models/Optimization-and-Serving/브라우저-기반-LLM-서빙-기술-및-아키텍처-2026.md. Multiple Memories 등은 엔진별 단계 도입.
- IndexedDB 캐싱: 모바일 브라우저의 1~4GB 가용 메모리 제약 하에, IndexedDB를 가중치 캐시 저장소로 활용하여 최초 1회 로드 후에는 네트워크 전송 없이 오프라인 기동 및 로컬 가속을 보장합니다.
5. LlamaWeb: llama.cpp WebGPU 백엔드 (Microsoft Research, 2026.05)
LlamaWeb은 llama.cpp용 네이티브 WebGPU 백엔드로, GGUF 양자화 포맷(Q4_K, Q4_0 등)을 템플릿 GPU 커널로 직접 지원합니다. 16개 디바이스·8개 벤더 평가 결과:
- 기존 브라우저 LLM 프레임워크 대비 메모리 29–33% 절감
- 4개 GPU 벤더에서 디코드 처리량 45–69% 향상
- Static memory planning + tunable kernel library로 cross-device 이식성 확보
WebLLM/Transformers.js와 병행 평가 시, llama.cpp 생태계 사용자는 LlamaWeb 경로로 WebGPU 가속을 즉시 활용할 수 있습니다. 참고: Microsoft Research Publication.
6. WebLLM v0.2.83 · 3W 스택 · OPFS (2026-07-12)
@mlc-ai/web-llm v0.2.83(2026-04)은 OpenAI Chat Completions 호환(스트리밍·JSON-mode·logit 제어) 인브라우저 엔진이다. 구조화 JSON 생성은 WASM 모델 라이브러리 경로에서 실행되며(JSON Playground), 추론은 WebGPU로 가속한다. 논문(arXiv:2412.15803) 기준 동일 디바이스 네이티브 대비 최대 ~80% 성능.
| 계층 (Mozilla.ai 3W) | 역할 |
|---|---|
| WebLLM | 양자화 가중치 로드 + WebGPU 디코드 |
| WASM | 에이전트 로직·전처리의 네이티브급 실행 |
| WebWorkers / Service Workers | 메인 스레드 UI 블로킹 방지·모델 수명주기 관리 |
- 캐시: IndexedDB에 더해 **OPFS(Origin Private File System)**에 가중치를 저장해 재방문 로드를 단축.
- 운영: 다중 WebLLM 인스턴스는 브라우저 메모리 고갈 위험 → 모델 전환 시 engine terminate/reinit 권장.
- 데모: chat.webllm.ai · 3W 참고: Mozilla.ai
7. WebLLM v0.2.84 · LiteRT-LM.js 병행 (2026-07-13 PM)
- npm
@mlc-ai/[email protected](2026-05-27): 0.2.83 이후 패치 라인. OpenAI 호환·WebGPU·WebWorker 패턴 유지. - 병행 스택: Google
@litert-lm/core는.litertlm+ WebGPU로 Gemma 계열 온디바이스 파이프라인을 브라우저에 직접 올린다 (M4 Max ~76 tok/s decode 보고). WebLLM(MLC/TVM 커널) vs LiteRT-LM.js(Gemma Edge 스택)를 모델·배포 포맷 기준으로 선택. - 실무: 범용 HF/GGUF·멀티모델 → WebLLM; Gemma 4 Edge Gallery 정렬·MTP/세션 API 공유 → LiteRT-LM.js.
8. WebLLM v0.2.85 — OPFS 동기 핸들 · 워커 상태 보존 (2026-09-08)
v0.2.85(5f74244)는 모델 바이너리를 바꾸지 않는 런타임 패치다. 가중치 라이브러리는 계속 v0_2_84/base — 모델 재다운로드 없이 엔진만 올린다. 번들 TVM web runtime은 0.27.0-dev0 (apache/tvm 7e06fc6).
| 변경 | 운영 의미 |
|---|---|
| OPFS synchronous access handle + committed cache record | 재방문 시 캐시 커밋이 끝나기 전에 읽지 않는다. IndexedDB 폴백과 별개로 OPFS 커밋 완료를 로드 게이트로 둔다. |
| 기동 시 service-worker 핸들러 등록 | 재시작된 워커가 요청을 받는다. SW 수명과 엔진 수명을 분리해도 라우팅이 남는다. |
| 복구된 워커 모델 상태 보존 | 워커 재시작마다 가중치 reload를 반복하지 않는다. |
OpenAI created를 초 단위로 | ms로 파싱하던 클라이언트는 타임스탬프가 1000배 작게 보인다. 초 단위로 맞춘다. |
| 잘못된 structural-tag는 hang 대신 실패 | JSON/grammar 제약 초기화 실패를 타임아웃으로 오진하지 않는다. |
| NaN 생성 파라미터 reject | temperature/top_p 등에 NaN을 넘기지 않는다. |
9. WebLLM v0.2.86 — Gemma 4 E2B · v0_2_86/base (2026-10-11)
v0.2.86는 0.2.85와 달리 모델 라이브러리를 재빌드한다. 카탈로그 v0_2_86/base, TVM @mlc-ai/[email protected]. Gemma 4 E2B IT q4f16_1/q4f32_1(텍스트+오디오; FP32는 shader-f16 불필요). 기존 0.2.85 캐시만 있고 카탈로그를 안 받으면 E2B prebuilt가 없다.
핀은 GitHub/npm 0.2.86. 상세: WebLLM-Engine.md, 온디바이스 Gemma 축은 wiki/Models/Optimization-and-Serving/스마트폰-환경의-LLM-서빙-기술-2026.md.
10. WebLLM v0.2.87 — v0_2_87 · TVM 0.28.0-dev1 (2026-10-30)
v0.2.87은 카탈로그를 v0_2_87(subgroup 포함)로 재빌드한다. @mlc-ai/[email protected]. Gemma 4 q4f32 prefill, sliding-window KV cache, Qwen3.5 JSON schema, Gemma 3 context 수정. v0_2_86/base 캐시만 있으면 새 wasm을 받지 못한다.
핀은 GitHub/npm 0.2.87. 엔진 정본: WebLLM-Engine.md.
관련 문서: