https://github.com/orailnoor/DroidDesk

https://www.youtube.com/watch?v=fkRYyeYmrBo&list=WL&index=3

(() => {
  const links = document.querySelectorAll('ytd-playlist-video-renderer #video-title');
  
  if (links.length === 0) {
    console.log("동영상을 찾을 수 없습니다.");
    return;
  }

  const textList = Array.from(links).map((link, index) => {
    const title = link.textContent.trim();
    const cleanUrl = new URL(link.getAttribute('href'), window.location.origin).href.split('&')[0];
    return `${index + 1}. ${title}\n${cleanUrl}`;
  }).join('\n\n');

  navigator.clipboard.writeText(textList).then(() => {
    console.log(`총 ${links.length}개의 동영상 제목과 링크가 클립보드에 복사되었습니다! (Ctrl+V로 붙여넣기 하세요)`);
  }).catch(err => {
    console.error("클립보드 복사 실패:", err);
    console.log(textList); // 실패 시 콘솔에 직접 출력
  });
})();

공유해주신 유튜브 영상은 "RTX 5090으로 GPT 돌리기, 튜닝하기, 이미지/영상 생성하기"라는 주제의 테크 리뷰 콘텐츠입니다.

질문하신 Qwen 모델을 포함하여, 로컬 환경에서 최신 거대 AI 모델들을 돌릴 때 하드웨어(특히 그래픽 카드의 VRAM)가 얼마나 중요한지 직관적으로 보여주는 유익한 영상입니다. 주요 내용을 요약해 드립니다.

1. 로컬 LLM 구동 비교 (GPT-OS 20B)
영상이 촬영된 시점에 새로 출시된 오픈 웨이트 모델인 GPT-OS 20B를 로컬에서 직접 구동하며 하드웨어별 속도를 비교합니다.

RTX 5090 (32GB VRAM): 1초에 약 200 토큰(t/s)을 뽑아내며 눈으로 읽는 속도보다 훨씬 빠르게 추론을 마칩니다 [01:51].
M4 Pro 칩셋 탑재 맥 미니: 똑같은 모델과 'High 리즈닝' 설정을 주었을 때, 생각하는 과정(Thinking)부터 확연히 느리며 초당 약 20 토큰(t/s)의 속도를 기록합니다. RTX 5090과 비교해 약 10배의 속도 차이가 납니다 [02:38].
메모리 소모: 20B 모델을 MXFP4(4비트 계열 포맷)로 구동 시 약 11.28GB의 VRAM을 차지합니다 [03:53].
2. 이미지 및 영상 생성 (VRAM의 한계 테스트)
단순 텍스트 LLM 외에 최신 멀티모달 및 생성 AI 모델을 컴피UI(ComfyUI)로 구동합니다.

크앤 이미지 (Quen Image / 랭킹 상위권 모델): 텍스트를 이미지 내에 깨짐 없이 정확하게 렌더링하는 능력이 뛰어난 모델입니다. 구동 시 VRAM을 20~21GB 가까이 소모하여, 전 세대 대장급인 RTX 4090(24GB)으로도 겨우 돌아갈 만한 무거운 스펙임을 보여줍니다 [07:35].
플럭스 (Flux 1): 실사 이미지 생성에 최적화된 모델로, 구동 시 24GB를 살짝 넘기는 메모리를 보여줍니다. 즉, 일반적인 24GB 그래픽 카드로는 구동이 튕기거나 가상 메모리로 밀려 느려질 수 있으며, 32GB를 탑재한 RTX 5090이 있어야 안정적인 구동이 가능합니다 [07:53].
완 2.2 (Wan AI 5B / 영상 생성): 비디오 생성 모델 중 5B(50억) 체급을 구동했을 때 VRAM을 24.8GB 이상 소모하며 그래픽 카드가 100% 풀 가동(온도 70도 육박)됩니다 [09:11], [10:20].
3. 로컬 파인 튜닝 (Unsloth 프레임워크 활용)
리눅스 환경에서 Unsloth와 LoRA(로라) 기법을 사용하여 GPT-OS 20B 모델의 '생각하는 언어(Reasoning Language)'를 바꾸는 파인 튜닝을 진행합니다 [11:13], [12:10].

원래 이 모델은 한국어로 질문해도 생각 프로세스(Reasoning)는 영어로 진행한 뒤 결과만 한국어로 출력합니다 [14:49].
허깅페이스의 멀티링구얼 데이터셋으로 학습시킨 결과, 생각하는 단계 자체를 스페인어나 한국어로 커스텀하여 구동되도록 튜닝하는 데 성공합니다 [19:38], [20:08].
학습 시 메모리: 가장 가벼운 세팅(배치 사이즈 1)으로 학습했음에도 피크 메모리가 23.2GB까지 치솟습니다. 데이터 길이가 조금만 더 길어지거나 로라 타깃을 넓히면 24GB 카드(4090 등)에서는 메모리 오버플로우(OOM)로 터질 수 있는 작업이며, 32GB VRAM을 가진 하드웨어가 왜 필요한지 증명합니다 [18:52], [19:23].
💡 앞선 맥(Mac) 사양 질문과 연결해 본다면?
영상에서 보듯 20B(200억) 체급의 소형 모델도 파인 튜닝을 하거나 고성능 이미지/영상 생성을 곁들이면 순식간에 24GB VRAM을 넘겨버립니다.

하물며 앞서 질문하신 Qwen 3.5 397B(3,970억) 같은 초거대 모델은 4비트 압축본이라 해도 파일 크기만 200GB가 넘기 때문에, 영상에 나온 RTX 5090 단 한 대로도 메모리가 모자라 구동이 불가능합니다.

따라서 397B 급의 초대형 LLM을 로컬에서 메인으로 다루려면, 앞서 말씀드린 대로 256GB 통합 메모리를 갖춘 Mac Studio로 가거나, PC 환경이라면 RTX 3090 / 4090 / 5090 카드를 8대 이상 링크(클러스터링)하여 VRAM을 256GB 이상 확보하는 초대형 워크스테이션 세팅이 필수적이라는 맥락을 이 영상을 통해 잘 이해하실 수 있습니다.

using System;
using System.Text;

public class JwtDecoder
{
    public static string Decode(string base64Url)
    {
        string padded = base64Url
            .Replace('-', '+')
            .Replace('_', '/');

        switch (padded.Length % 4)
        {
            case 2: padded += "=="; break;
            case 3: padded += "="; break;
        }

        byte[] bytes = Convert.FromBase64String(padded);
        return Encoding.UTF8.GetString(bytes);
    }
}

“무의식은 어떻게 나를 설계하는가”(무의식은 어떻게 나를 설계하는가)는 인간의 행동, 감정, 선택이 우리가 의식적으로 생각하는 이유보다 훨씬 더 깊은 무의식적 메커니즘에 의해 형성된다는 점을 설명하는 심리 교양서로 이해할 수 있습니다. 핵심 내용은 다음과 같이 정리할 수 있습니다.

핵심 메시지

1. 우리는 생각보다 비합리적으로 결정한다

사람은 스스로 논리적으로 판단한다고 믿지만, 실제로는 과거 경험, 감정, 편향, 습관 같은 무의식 요소가 결정에 큰 영향을 줍니다. 의식은 종종 사후적으로 이유를 만들어낼 뿐입니다.

2. 무의식은 ‘자동 조종 장치’처럼 작동한다

일상적인 판단, 대인 관계 반응, 선호, 두려움 등 많은 부분이 자동화되어 있습니다. 이는 뇌가 에너지를 절약하고 빠르게 대응하기 위한 효율적 전략입니다.

3. 과거 경험이 현재의 나를 설계한다

어린 시절 경험, 반복된 성공·실패, 사회적 학습 등이 무의식에 각인되어 현재의 성격, 자신감, 회피 행동, 인간관계 패턴을 형성합니다.

4. 감정이 이성보다 먼저 움직인다

감정 반응은 의식적 사고보다 빠르게 발생하며, 이후 이성이 이를 정당화하는 구조가 흔합니다. 그래서 감정 관리가 행동 변화의 핵심이 됩니다.

5. 무의식은 바꿀 수 있다

완전히 통제할 수는 없지만 다음과 같은 방법으로 영향력을 조정할 수 있습니다:

• 반복 학습과 습관 형성
• 환경 설계 (선택 구조 바꾸기)
• 자기 인식 및 메타인지
• 감정 트리거 이해
• 프레이밍 & 인지 재구성

실용적 시사점

이 책이 전달하는 중요한 관점은:

✔ “의지만으로 변화하기 어렵다”
✔ “환경과 구조를 바꾸는 것이 효과적이다”
✔ “자기 이해가 행동 변화의 출발점이다”

즉, 스스로를 탓하기보다 뇌의 작동 방식을 이해하고 전략적으로 접근하라는 메시지에 가깝습니다.

1. 습관 형성 전략 (의지 대신 시스템)

무의식은 반복에 의해 설계됩니다. 그래서 “열심히 해야지”보다 자동화 구조가 중요합니다.

핵심 원리

✔ 행동을 작게 쪼갠다 (Tiny Habits)
✔ 시작 마찰을 최소화한다
✔ 반복 트리거를 만든다

실전 적용 예시

• 운동 → “매일 1시간” ❌ → “팔굽혀펴기 3개” ⭕
• 독서 → “30분 읽기” ❌ → “책 펼치기” ⭕
• 핵심은 지속 가능한 최소 행동

무의식은 강도가 아니라 빈도에 더 크게 반응합니다.

✅ 2. 의사결정 오류 줄이는 법 (뇌의 함정 회피)

우리 뇌는 빠른 판단을 위해 편향을 사용합니다. 문제는 이게 종종 오류를 만든다는 점입니다.

대표적 오류 패턴

✔ 감정 상태에서 즉흥 결정
✔ 첫 정보에 과도하게 영향 (앵커링)
✔ 손실 회피 편향

실전 방어 전략

• 중요한 결정 → 시간 지연 규칙 적용
  → “내일 다시 판단”
• 선택 기준을 사전에 명시
  → 가격 / 필요성 / 장기 가치 등
• 숫자화 & 비교표 만들기

의식적 개입을 넣는 순간 오류가 크게 줄어듭니다.

✅ 3. 무의식적 편향 다루는 방법 (내 반응 이해)

무의식은 대부분 감정 기반으로 작동합니다.
“왜 이런 반응을 하지?”가 아니라 트리거를 찾는 방식이 효과적입니다.

핵심 접근법

✔ 반응을 비난하지 않는다
✔ 패턴을 관찰한다
✔ 환경을 조정한다

실전 적용 예시

• 특정 사람만 보면 짜증 → 과거 경험 연결 가능
• 일 미루기 → 게으름이 아니라 불안 회피일 수 있음
• 소비 중독 → 보상 회로 문제일 수 있음

행동 교정 전에 원인 구조를 보는 것이 핵심입니다.

🎯 전체 요약

이 책의 실용적 결론은 단순합니다:

✔ 인간은 의식적 존재가 아니라 자동화된 존재에 가깝다
✔ 의지를 강화하려 하지 말고 구조를 설계하라
✔ 변화는 ‘결심’이 아니라 ‘환경 디자인’ 문제다

1. 나쁜 습관 제거 방법 (의지 금지)

나쁜 습관은 의지 부족 문제가 아니라 환경 설계 실패인 경우가 대부분입니다.

✔ 가장 효과적인 방법: 마찰 증가

무의식은 “불편한 행동”을 자동으로 회피합니다.

실전 적용

• 유튜브 과다 → 앱 삭제 대신
  → 로그아웃 + 비밀번호 길게 설정
• 야식 습관 → 음식 숨기기보다
  → 집에 아예 두지 않기
• 스마트폰 중독 → 충전기를 다른 방에

핵심은 참는 것이 아니라 귀찮게 만들기

✅ 2. 동기 없이 실행하는 방법 (기다리지 않기)

동기는 행동의 원인이 아니라 결과인 경우가 많습니다.

✔ 전략: 시작 조건 최소화

뇌는 시작 에너지를 가장 부담스러워합니다.

실전 적용

• 운동 → 옷 갈아입기까지를 목표
• 공부 → 책상에 앉기까지가 목표
• 업무 → 파일 열기까지가 목표

행동이 시작되면 무의식이 관성으로 이어갑니다.

✅ 3. 집중력 설계법 (의지력 아님)

집중 실패의 가장 큰 원인은 주의력 분산 환경입니다.

✔ 집중력의 본질: 방해 요소 제거

사람은 멀티태스킹 불가능에 가깝습니다.

실전 적용

• 알림 전부 OFF
• 작업 공간 단순화
• 한 번에 하나의 목표만
• 타이머 사용 (25~50분)

집중은 능력이 아니라 조건 반사 구조

🎯 책 관점 기반 핵심 결론

✔ 좋은 행동 → 쉽게 만들어라
✔ 나쁜 행동 → 어렵게 만들어라
✔ 실행 → 작게 시작하라
✔ 집중 → 제거 중심으로 설계하라

1. 미루기의 근본 원인 유형

미루기는 게으름 문제가 아니라 감정 회피 메커니즘인 경우가 대부분입니다.

대표 원인

✔ 불안 회피형 → 잘 못할까 봐 시작 회피
✔ 완벽주의형 → 완벽 조건 기다리다 지연
✔ 보상 부족형 → 즉각적 재미가 없음
✔ 과부하형 → 일이 커서 뇌가 거부

해결 핵심

→ 일을 줄이지 말고 시작 단위를 줄인다

✅ 2. 의욕이 반복적으로 사라지는 이유

의욕은 지속 자원이 아니라 일시적 감정 상태에 가깝습니다.

흔한 착각

✔ “의욕 생기면 해야지” → 거의 실패 패턴
✔ 의욕은 행동의 원인이 아니라 결과

실제 작동 구조

행동 시작 → 성취감 발생 → 의욕 생성

해결 핵심

→ 의욕 기다리지 말고 기계적으로 시작

✅ 3. 뇌 보상 시스템 활용법

뇌는 장기 목표보다 즉각 보상에 강하게 반응합니다.

효과적인 방법

✔ 행동 직후 작은 보상 연결
✔ 진행률 시각화 (체크, 게이지 등)
✔ 재미 요소 삽입 (게임화)

실전 예시

• 공부 후 커피
• 운동 후 영상 시청
• 작업 완료 체크 표시

해결 핵심

→ 목표가 아니라 보상 구조 설계

🎯 전체 요약

✔ 미루기 → 감정 문제
✔ 의욕 → 믿으면 안 되는 변수
✔ 실행력 → 보상 설계 문제

1. 미루기를 즉시 끊는 테크닉

핵심은 생각 차단 → 기계적 시작입니다.

✔ 5초 규칙

망설임이 생기면 바로 카운트:

5-4-3-2-1 → 즉시 행동

뇌는 지연 시간이 길어질수록 회피 논리를 생성합니다.

✔ 2분 강제 착수

“완료”가 아니라 2분만 수행

• 문서 작성 → 2분 타이핑
• 운동 → 2분만 움직임
• 공부 → 2분만 읽기

시작되면 대부분 계속 진행됩니다 (관성 효과).

✅ 2. 강제 실행 환경 만드는 법

사람은 의지보다 상황에 지배됩니다.

✔ 도망 불가능 구조

• 스마트폰 물리적 분리
• 작업 공간 단순화
• 특정 장소 = 특정 행동 연결
• 공개 선언 / 약속 활용

예:
“책상 = 작업만 하는 공간”
“침대 = 휴식만 허용”

무의식은 장소 조건 반사에 매우 민감합니다.

✅ 3. 집중 지속 시간 늘리는 방법

집중력 문제의 대부분은 정신력 부족이 아니라 피로 관리 실패입니다.

✔ 현실적인 집중 사이클

가장 안정적인 방식:

✔ 25~50분 집중
✔ 5~10분 완전 이탈

중요: 휴식 중에도 자극 최소화 (SNS 금지).

✔ 집중 유지 핵심 요령

• 시작 전 목표 단일화
• 방해 요소 사전 제거
• 진행 상태 가시화
• 종료 시점 명확화 (타이머)

집중은 오래 버티는 능력이 아니라
리듬 관리 기술에 가깝습니다.

🎯 전체 구조 요약

✔ 시작 못함 → 생각 문제
✔ 실행 실패 → 환경 문제
✔ 집중 붕괴 → 에너지 문제

https://renderhjs.net/shoebox/

면접 합격률 높이는 마지막 질문

Gemini와의 대화
https://www.youtube.com/shorts/wrQM6Uyz6FY

제시된 영상은 면접 마지막 단계에서 면접관의 인상을 남기고 합격 확률을 높일 수 있는 강력한 질문 하나를 소개하고 있습니다.

영상에서 제안하는 질문과 그 효과는 다음과 같습니다.

💡 면접을 뒤집는 마지막 질문
"오늘 면접이 잘 진행되어 제가 채용되었다고 가정해 보겠습니다. 1년 뒤에 면접관님께서 저를 뽑으신 결정이 정말 탁월했다고 느끼시려면, 제가 그 1년 동안 구체적으로 어떤 성과를 내거나 어떤 일들을 해내야 할까요?" [00:23]

✨ 이 질문이 효과적인 이유
긍정적인 상상 유도: 면접관이 당신을 이미 채용한 미래를 상상하게 만듭니다. [00:34]

핵심 직무 파악: 해당 역할에서 성공하기 위해 가장 필요한 것이 무엇인지 면접관의 입을 통해 직접 들을 수 있습니다. [00:43]

열정적인 태도: 단순히 뽑아달라고 애원하는 것이 아니라, 입사 후 어떻게 기여하고 성과를 낼지에 관심이 있다는 점을 어필할 수 있습니다. [00:48]

많은 지원자가 질문이 없다고 하거나 형식적인 질문을 던져 기회를 놓치지만, 이 질문은 면접관에게 '정말 좋은 질문'이라는 인상을 심어주며 분위기를 반전시킬 수 있다고 강조합니다. [00:14]

관련 영상: https://www.youtube.com/watch?v=wrQM6Uyz6FY

https://www.kirilv.com/canvas-confetti/

Google Sheets에서 한국어를 입력하면 영어, 중국어, 일본어로 자동 번역되게 하려면 GOOGLETRANSLATE 함수를 사용하면 됩니다.

✅ 기본 사용 방법

예시로 A열에 한국어를 입력하면,
B열 = 영어, C열 = 중국어, D열 = 일본어 자동 번역되도록 설정할 수 있습니다.

※ 중국어 간체(중국)로 번역하려면: "zh-CN"

✅ 전체 범위에 적용하려면?

B1 ~ D1에 넣은 수식을 아래로 드래그하면 리스트 전체 자동 번역 ✅

또는 ArrayFormula 활용:

동일하게 C열, D열도 설정하면 전체 자동 처리됩니다.

✅ 자동 언어 감지 기능

한국어가 아닐 수도 있다면 원본 언어 자동 감지:

✅ 오류 방지 (빈 셀 제외)

🔔 주의사항

🔎 1. Android/iOS WebView 내부 동작 변화

• NiceAPI는 URL Scheme / Intent 호출을 통해 외부 인증 앱(예: PASS, 공인인증 앱)을 실행합니다.
• 구버전 GREE WebView는 안드로이드의 shouldOverrideUrlLoading() 혹은 iOS의 decidePolicyForNavigationAction 같은 이벤트를 정상적으로 Hook하지 못하거나 일부 스킴 처리 미지원 → 외부 앱 호출이 막힘.
• 최신 GREE WebView는 해당 부분이 OS 정책에 맞게 갱신되어 스킴 전달이 정상 작동.

🔎 2. Android/iOS OS 보안 정책 변경

• Android 11 이후부터는 Package Visibility 제한 때문에 intent:// 스킴으로 외부 앱 호출 시 앱이 검색되지 않으면 바로 실패 → WebView 플러그인에서 대응 필요.
• iOS도 Universal Links / URL Scheme 호출 처리 로직이 최신 SDK에서만 제대로 지원됨.
  👉 구버전 GREE WebView는 이 정책 변화에 맞춰져 있지 않아 NiceAPI 호출 실패.

🔎 3. HTTPS 리다이렉트 및 WebView 클라이언트 처리 개선

• NiceAPI는 보안상 HTTPS 리다이렉트 후 인증앱 호출 → 인증 후 다시 리턴 URL로 복귀하는 구조.
• 구버전 GREE WebView는 onReceivedSslError / shouldInterceptRequest 처리가 미흡 → 리턴을 못 받거나 에러 발생.
• 최신 버전에서는 SSL/TLS, 리다이렉트 체인 모두 정상 대응.

🔎 4. GREE WebView의 SDK 연동 개선

• hookedCallback, SetURLPattern 같은 기능이 구버전에서는 일부 동작 불안정 → 특정 스킴(niceauth://, intent://)이 막히는 문제.
• 최신 버전에서는 스킴 매칭 로직 보완 → NiceAPI에서 사용하는 커스텀 스킴 정상 처리.

✅ 정리하면,
OS 정책 변화 + WebView 스킴/리다이렉트 처리 개선 → 최신 GREE WebView에서 NiceAPI가 정상 작동하는 겁니다.