24편의 로드맵에 “체급 올리기”를 적어 두었습니다. 70억 파라미터 VLA를 16GB GPU에서 돌려 보고, 더 큰 눈이 지각망 없이 좌표를 읽어 내는지 보겠다는 것이었습니다. 이 편은 그 실험의 기록입니다. 결론부터 적으면, 16GB에서 돌아갔고, 큰 모델은 “어느 큐브인지”를 더 잘 골랐지만, 성공률은 작은 모델을 넘지 못했습니다. 중간에 “정밀도가 모자라서”라는 결론을 두 번 섣불리 내렸고, 두 번 다 궤적을 보고 고쳤습니다.
질문 세 개
시즌 3에서 쓴 모델은 SmolVLA입니다. 파라미터 4.5억 개로, VLA 가운데 작은 편입니다. VLA는 카메라 영상과 지시문을 받아 관절 목표를 내놓는 모델을 말합니다. 시즌 3의 결론 하나는 이 모델이 이미지에서 큐브 위치를 읽지 못해 지각망을 따로 붙여야 했다는 것이었습니다(20편, 21편).
그래서 질문이 남았습니다. 모델이 열다섯 배 크면 다를까. 이번에 고른 모델은 OpenVLA입니다. 파라미터 70억 개, 언어 모델 Llama 2 7B 위에 시각 인코더를 얹은 구조이고, 행동을 숫자가 아니라 토큰으로 내놓습니다. 관절 하나가 움직일 범위를 256단계로 나누고, 그 단계 번호를 단어처럼 출력하는 방식입니다. 이 방식은 2024년 6월에 나온 원판의 것입니다. 같은 저자들이 2025년 2월에 낸 OpenVLA-OFT는 행동을 연속값으로, 여러 스텝을 한 번에 묶어 내도록 바꿨습니다. 이 실험은 그 판을 쓰지 않았습니다. 설계할 때 검토하지 못했고, OFT 학습은 공식 기준 27GB 이상이라 16GB에서 그대로 돌리기도 어렵습니다. 질문은 셋이었습니다.
- 16GB GPU에서 70억 모델을 학습시킬 수 있나. 안 되면 어디서 넘치나.
- 큰 모델은 지각망 없이 이미지에서 좌표를 읽어 내나. SmolVLA v1~v4는 이미지만으로 0/30이었습니다.
- 같은 잣대로 잰 성적이 SmolVLA v22와 어떻게 다른가.
16GB에 70억을 넣기
시작부터 하나 바로잡을 것이 있었습니다. 시즌 3 계획서에 “OpenVLA LoRA 학습은 10.8GiB”라고 적어 두었는데, 출처를 다시 읽어 보니 다른 모델 이야기였고 활성화 메모리를 뺀 숫자였습니다. OpenVLA 공식 수치는 LoRA 학습에 약 72GB입니다. 가중치만 bf16으로 15GB라 16GB 카드에는 그대로 올라가지도 않습니다.
남은 길은 QLoRA였습니다. 가중치를 4비트로 압축해 올리고, 그 위에 작은 저랭크 행렬(LoRA)만 학습하는 방식입니다. 공식 스크립트에 이 옵션이 있지만 “성능을 해칠 수 있다”는 주석이 붙어 있습니다. 여기에 중간 활성화를 버렸다가 다시 계산하는 gradient checkpointing을 켰습니다. 공식 스크립트에는 없는 것이라 직접 넣었습니다.
어디서 넘치는지는 재 봐야 압니다. 랭크, 배치, checkpointing, 옵티마이저를 바꿔 가며 한 스텝씩 돌리고 최고 메모리와 스텝 시간을 적었습니다. 메모리 부족(OOM)도 실패가 아니라 측정값입니다.
| 랭크 | 배치 | checkpointing | 최고 VRAM | 초당 샘플 |
|---|---|---|---|---|
| 32 | 1 | 끔 | 10.7GB | 0.95 |
| 32 | 1 | 켬 | 7.6GB | 0.64 |
| 32 | 4 | 켬 | 10.1GB | 1.12 |
| 32 | 8 | 켬 | 13.6GB | 1.20 |
| 32 | 16 | 켬 | OOM | |
| 64 | 8 | 켬 | OOM | |
| 32 | 8 | 켬, 8비트 옵티마이저 | 13.0GB | 1.24 |
첫 번째 질문의 답은 “된다”입니다. 한계선은 랭크 32에 배치 8이고, 배치 16과 랭크 64는 넘칩니다. 그런데 진짜 벽은 메모리가 아니었습니다. 처리량이 배치 4부터 초당 1.2샘플에서 평평해집니다. 우리 데이터는 약 29만 샘플이라 1에포크에 66시간입니다. SmolVLA v22가 본 프레임 수만큼 보여 주려면 엿새입니다. 메모리는 충분한데 시간이 모자라는 상황입니다.
데이터를 모델에 맞추기
OpenVLA는 이미지 한 장과 지시문을 받아 7차원 행동을 내도록 만들어졌고, 우리 데이터는 카메라 세 대에 9차원 관절 목표를 50Hz로 적은 것입니다. 맞추는 결정은 이랬습니다.
- 이미지는 측면 카메라 한 장만 씁니다. SmolVLA v1과 같은 눈입니다.
- 행동 9차원을 그대로 토큰으로 바꿉니다. 행동을 토큰으로 바꾸는 규칙은 차원 수를 가리지 않습니다.
- 50Hz를 10Hz로 솎습니다. 제어 5스텝마다 한 번 예측하고 그 사이는 같은 목표를 유지합니다. 편당 300스텝이 60샘플이 됩니다.
- 학습 환경과 시뮬레이터 환경은 라이브러리 버전이 달라 한 프로세스에 못 넣습니다. 모델을 HTTP 서버로 띄우고, 평가 스크립트가 이미지를 보내 행동을 받아 오게 했습니다.
학습 설정은 배치 4에 기울기 누적 2, 스텝당 7.4초입니다. 52,000스텝이면 4.3일이고 데이터를 1.45번 봅니다. 중간에 어댑터를 저장해 두고, 다른 작업이 GPU를 잡으면 저장하고 비켜 섰다가 다시 잇는 감독 스크립트를 붙였습니다. 나흘짜리 학습은 한 번 죽으면 나흘을 잃습니다.
첫 판: 이미지와 지시문만
첫 판은 SmolVLA v1과 같은 조건이어서 이름도 OpenVLA v1로 붙였습니다. 이미지와 “Put the red cube on the blue pad.” 같은 문장만 줍니다. 좌표도 시간도 없습니다. 36,000스텝에서 중간 평가를 하고 52,000스텝에서 최종 평가를 했습니다. 평가 조건은 26편과 같습니다. 큐브와 받침이 작업공간 경계에서 3cm 이상 안쪽인 편한 구역에서, 조합마다 10회씩, 배치를 뽑는 난수 씨앗 두 개로 모두 300회를 돌립니다. 이 판은 좌표 없이 이미지만 봅니다.
| 어댑터 | 성공 | 손끝이 지시한 큐브로 | 손 최저점에서 큐브까지(중앙) |
|---|---|---|---|
| 36k, 30회 | 0/30 | 24/30 (80%) | 4.8cm |
| 52k, 300회 | 0/300 | 235/300 (78%) | 4.4~4.8cm |
0입니다. 300회에서 큐브를 든 것이 세 번이고 그마저 받침에 못 놓았습니다. 그래도 하나는 분명히 달랐습니다. 손끝이 지시한 큐브로 간 비율이 78%입니다. 큐브가 다섯 개라 우연이면 20%입니다. 학습 때 빼 둔 조합, 곧 홀드아웃에서도 49/60이었습니다. SmolVLA는 이미지를 보는 v8·v9가 지시문을 아예 읽지 않았습니다(22편). 70억 모델은 이미지와 지시문만으로 고릅니다. 이 글에서는 지시한 큐브를 제대로 찾아가는 것을 고르기라고 부르겠습니다.
여기서 저는 이렇게 적었습니다. “모델을 키우면 고르기는 되지만 파지 정밀도는 생기지 않는다. 손이 큐브 옆 4~5cm에서 멈춘다.” 36k에서 52k로 더 학습해도 어긋남이 줄지 않았으니 그럴듯한 결론이었습니다.
궤적을 보니 원인은 위치가 아니었습니다
적어 놓고 나서 걸리는 것이 있었습니다. 수평 2cm 안까지 간 시행이 33회나 있는데 든 것은 3회입니다. 2cm 안이면 들려야 합니다(26편). 위치가 아닌 다른 것이 있다는 뜻입니다. 26편에서 만든 궤적 기록을 켜고 30회를 다시 돌렸습니다. 제어 스텝마다 손, 손가락 중심, 그리퍼 벌림, 그리퍼 명령, 대상 큐브 위치를 남깁니다.
30회 중 27회에서 그리퍼 명령이 끝까지 열림이었습니다. 닫은 세 번도 도착 직후 잠깐 닫았다가 다시 열었습니다. 손은 20~40스텝 만에 파지 높이까지 내려갑니다. 손가락 중심 높이가 전문가와 같은 0.07m입니다. 그러고는 남은 300스텝 동안 그 자리에 멈춥니다. 멈춘 자리는 큐브에서 2cm 안이 5회, 3cm 안이 12회였습니다. “4~5cm 어긋남”은 틀린 숫자는 아니었지만 직접 원인이 아니었습니다. 직접 원인은 그리퍼를 닫지 않는 것이었습니다.
왜 안 닫는지는 학습 데이터에 있었습니다. 학습 이미지를 넣어 토큰을 뽑아 보면 손가락 차원은 거의 100% 맞힙니다. 모델은 닫는 법을 압니다. 문제는 전문가의 시간표였습니다. 스크립트 전문가는 파지 높이에 중앙값 59스텝에 도착해서 90스텝 무렵 닫습니다. 손을 연 채 30스텝, 3초를 기다립니다. 그동안 이미지는 거의 안 바뀝니다. 닫기 직전과 직후의 이미지 차이가 255단계 중 0.3입니다. 그러니 같은 장면에 “열어라”와 “닫아라”가 같이 붙어 있고, 열어라가 더 많습니다. 이미지만 보는 모델은 다수를 따릅니다. 롤아웃에서는 도착하면 열림을 예측하고, 장면이 안 바뀌니 또 열림을 예측하고, 그 자리에 갇힙니다.
낯익은 실패입니다. 22편에서 SmolVLA v8과 v9가 시간 정보 없이 무너졌고, 에피소드 안의 시간 t/T를 넣은 v10에서 풀렸습니다. 같은 종류입니다. 그래서 첫 판의 결론을 고쳐 적었습니다. “시간 정보 없는 이미지 단독 정책은 닫는 시점을 정할 수 없다. 정밀도는 아직 재지 못했다.”
학습 없이 상한을 재다
재학습은 나흘입니다. 그 전에 반나절로 잴 수 있는 것이 있었습니다. 정책이 손을 연 채 60스텝 멈추면 평가 쪽이 대신 내려가서 닫고 들어 올리는 옵션을 평가기에 넣었습니다. 정책의 성적이 아니라, 정책이 고른 자리에서 닫아 주면 몇 개가 들리는가를 재는 진단입니다. 이미지만 보는 70억 모델의 xy 정밀도 상한입니다.
| 항목 | 결과 |
|---|---|
| 발동 | 29/30 |
| 닫은 뒤 큐브를 물었음 | 15/29 (그중 4는 엉뚱한 큐브) |
| 대상 큐브 들림 | 11/29 (37%) |
| 멈춘 자리 어긋남 | 중앙 4.8cm |
| 들리는 경계 | 어긋남 2cm 안 5/5, 2.5cm 안 10/11, 그 밖 1/17 |
37%입니다. 어긋남이 2.5cm 경계 양쪽에 반반씩 갈려 있습니다. 26편에서 좌표를 받는 SmolVLA v22가 보정 없이 두 씨앗 합계 78%였으니, 닫는 시점 문제를 대신 풀어 줘도 이미지만으로는 좌표를 받는 정책에 못 미칩니다. 다만 이 비교는 공정하지 않습니다. v1은 224픽셀 한 장에서 큐브 위치를 직접 읽어야 하고, v22는 지각망이 읽어 준 좌표를 받습니다. 공정한 비교는 70억 모델에도 같은 좌표를 주는 것이고, 거기에 진행도를 넣으면 닫는 시점 문제도 같이 사라집니다. 두 번째 판은 그렇게 정했습니다.
두 번째 판: 좌표와 진행도를 지시문에 써 넣기
22편의 SmolVLA v10이 좌표와 시간 t/T를 받아 풀렸던 것처럼 좌표와 진행도를 주는 판이라, 이름을 OpenVLA v10으로 붙였습니다. SmolVLA는 좌표를 상태 벡터로 받습니다. OpenVLA에는 상태 입력이 없습니다. 그래서 지시문에 넣었습니다.
Put the red cube on the blue pad, the cube is at (0.469, -0.161)
and the pad is at (0.638, -0.036), progress 0.02
좌표는 미터 단위 소수 셋째 자리까지이고, progress는 에피소드 안의 진행도 t/T입니다. 학습 때는 실제 좌표를 넣고, 평가 때는 v22와 똑같이 지각망이 읽은 좌표를 넣습니다. 평가 클라이언트가 매 요청마다 좌표와 진행도를 헤더로 보내도록 연결했습니다. 나머지 설정은 첫 판과 같습니다. 같은 데이터, 같은 랭크, 같은 52,000스텝, 4.3일입니다.
손실은 행동 토큰에서만 계산합니다. 같은 데이터에서 v1은 0.47까지, v10은 0.24까지 내려갔습니다. 좌표를 지시문에 써 주면 행동을 더 잘 맞춘다는 뜻입니다. 손실 곡선은 그렇습니다. 문제는 시뮬레이터에서 실제로 얼마나 집느냐입니다.
이번에는 중간 평가를 놓치지 않으려고 12,000스텝과 36,000스텝에 학습을 멈추고 평가하고 다시 잇는 장치를 걸어 두었습니다. 조합당 2회, 30회짜리 짧은 평가입니다.
| 어댑터 | 학습 조합 | 홀드아웃 | 합계 |
|---|---|---|---|
| 12k (30회) | 12/24 | 5/6 | 17/30 (57%) |
| 36k (30회) | 20/24 | 5/6 | 25/30 (83%) |
| 52k (300회) | 160/240 (67%) | 39/60 (65%) | 199/300 (66%) |
36k의 83%를 봤을 때 v22의 열린 고리 성적 78%를 넘었다고 생각했습니다. 열린 고리는 보정 없이 정책 혼자 끝까지 움직이는 방식입니다. 그러나 52k를 300회로 재니 67%였습니다. 씨앗 100에서 85/120, 씨앗 200에서 75/120으로 씨앗 사이에서도 10회가 갈렸습니다. 30회짜리 83%는 우연히 높게 나온 값이었습니다. 26편에서 “씨앗 하나의 숫자를 믿지 말라”고 적고도 또 흔들렸습니다. 이 편의 숫자는 300회짜리만 씁니다.
| 정책 | 입력 | 학습 조합 | 홀드아웃 |
|---|---|---|---|
| OpenVLA 7B v1 | 이미지 + 지시문 | 0/240 | 0/60 |
| OpenVLA 7B v10 | 이미지 + 지시문(좌표·진행도 포함) | 160/240 (67%) | 39/60 (65%) |
| SmolVLA 0.45B v22, 열린 고리 | 회색 이미지 + 좌표·t/T 상태 | 188/240 (78%) | 40/60 (67%) |
| SmolVLA 0.45B v22 + 손목 보정 | 위에 손목 카메라 닫힌 고리(25편) | 218/240 (91%) | 54/60 (90%) |
진행도 가설은 맞았습니다. 열린 채 멈추는 실패는 300회에서 한 번도 없었습니다. 첫 판의 0/300은 같은 장면에 열림과 닫힘 라벨이 함께 붙은 탓이었다는 궤적 진단이 맞았습니다. 홀드아웃도 학습 조합과 거의 같아 조합 일반화는 됩니다. 그러나 같은 지각망 좌표를 받고도 열린 고리 성적이 67% 대 78%로 v22에 못 미칩니다.
닫는 순간을 다시 재다
실패 101회의 내역은 못 집음 73, 큐브를 건드렸으나 못 듦 18, 들었다가 운반 중 떨어뜨림 10입니다. 떨어뜨림은 v22에는 없는 유형입니다. 어디서 갈리는지 보려고 두 정책을 같은 30배치(씨앗 100, 조합당 2회)에서 궤적 기록을 켜고 다시 돌렸습니다. 잣대는 26편의 것, 그리퍼를 닫는 순간 손가락 중심과 큐브의 xy 어긋남입니다. 이 30회의 성적은 v10이 25, v22가 21로 300회 결과와 순서가 뒤집혀 있습니다. 30회로는 순서도 못 정한다는 뜻이고, 이 절은 성공률이 아니라 “닫는 순간”만 봅니다.
| 그리퍼를 닫는 순간 | 스크립트 전문가 | SmolVLA v22 | OpenVLA v10 |
|---|---|---|---|
| 닫는 스텝(중앙) | 91 | 90 | 90 |
| 손가락 높이(중앙) | 0.070m | 0.069m | 0.070m |
| xy 어긋남(중앙) | 0.5cm | 1.7cm | 1.2cm |
| 2cm 안에서 닫은 시행 | 40/40 | 19/30 | 23/30 |
| 닫은 뒤 큐브를 물었음 | 40/40 | 22/30 | 26/30 |
예상과 달랐습니다. 7B는 좌표를 지시문 텍스트로 받았는데도 닫는 시점이 전문가와 같은 90스텝이고, 어긋남은 v22보다 작습니다. 적어도 이 30배치에서는 큰 모델이 좌표를 덜 정밀하게 읽는다는 흔적이 없습니다. 첫 판에서 멈춘 자리의 어긋남이 4.8cm였던 것을 떠올리면, 좌표를 지시문에 써 준 것만으로 1.2cm까지 좋아진 셈입니다.
그러면 300회에서 난 차이는 어디서 왔을까요. 씨앗별로 나눠 보니 절반쯤 답이 보였습니다.
| 편한 구역, 학습 조합 + 홀드아웃 | 씨앗 100 | 씨앗 200 |
|---|---|---|
| OpenVLA v10 | 105/150 | 94/150 |
| SmolVLA v22 | 104/150 | 124/150 |
| 둘 다 성공 / v10만 / v22만 | 74 / 31 / 30 | 79 / 15 / 45 |
씨앗 100에서는 두 정책이 같습니다. 성공한 배치도 절반쯤만 겹치고, 한쪽만 성공한 배치는 31 대 30으로 같습니다. 차이는 전부 씨앗 200에서 났습니다. 그 150배치에서 v22는 124를 하고 v10은 94를 했습니다. 떨어뜨림 10회 중 8회도 씨앗 200에 몰려 있습니다. 왜 그 배치들이 7B에 어려운지는 아직 모릅니다. 큐브 위치로 나눠 봐도 한쪽으로 쏠리지 않았습니다.
그러니 이 편의 결론은 “7B가 덜 정밀하다”가 아니라 “7B가 더 정밀하지는 않았고, 어떤 배치에서는 더 자주 실패했다”입니다. 씨앗 하나로 쟀다면 “같다”고 적었을 것이고, 다른 씨앗 하나로 쟀다면 “한참 못 미친다”고 적었을 것입니다.
7B로 얻은 것과 얻지 못한 것
얻은 것은 고르기입니다. v10의 실패 101회 중 90회가 지시한 큐브로 갔습니다. 89%입니다. v22는 실패 72회 중 54회, 75%입니다. 첫 판에서도 좌표 없이 78%를 골랐으니, “무엇을 집을지”는 모델 크기가 해결해 줍니다. 언어와 시각을 묶는 일은 큰 모델이 잘합니다.
닫는 시점은 진행도가 해결했습니다. 열린 채 멈추는 실패를 없앤 것은 모델 크기가 아니라 진행도라는 입력이었습니다. SmolVLA에서 t/T가 한 일과 같습니다. 다만 v10에는 좌표도 함께 넣었으니, 0/300이 199/300이 된 몫을 전부 진행도에 돌릴 수는 없습니다.
얻지 못한 것은 성공률입니다. 같은 좌표를 받고 67% 대 78%입니다. 처음에는 “v22는 좌표를 연속된 숫자로 받고 v10은 ‘0.469’ 같은 문자열로 읽으니, 문자열을 다시 숫자로 바꾸는 과정에서 정밀도가 떨어진다”고 생각했습니다. 그런데 닫는 순간을 재 보니 7B의 어긋남이 더 작았습니다. 이 자료로는 그 가설이 성립하지 않습니다. 차이는 특정 배치들에서 났고, 거기서 7B는 헛잡거나 들었다가 떨어뜨렸습니다. 원인을 찾는 것이 다음 과제입니다.
비용은 분명히 다릅니다. 학습은 4.3일 대 약 9시간입니다. 추론은 행동 하나에 0.6초가 걸려 10Hz로 묻는 평가가 실시간보다 몇 배 느렸고, v22는 실시간으로 돕니다. 16GB 한 장에서는 작은 모델이 더 높은 성적을 더 적은 비용으로 냈습니다.
아직 남은 과제
- 이 편의 OpenVLA는 2024년 원판 레시피입니다. 행동을 256단계 토큰으로 하나씩 차례로 내고, 카메라 한 장만 봅니다. OFT 판은 연속 행동, 여러 스텝을 묶어 내는 액션 청킹, 손목 카메라로 이 약점을 고쳤고, 저자들은 LIBERO 벤치마크 평균이 76.5%에서 97.1%로, 행동 생성이 26배 빨라졌다고 보고합니다. 행동당 0.6초와 256단계 그리퍼 명령도 원판 레시피에서 온 것입니다. 그래서 이 편의 결론은 70억 모델 일반이 아니라 원판 레시피로 학습한 70억 모델에 대한 것입니다.
- 손목 보정을 아직 안 얹었습니다. v22는 보정으로 78에서 91이 됐습니다. v10에도 같은 보정기가 좌표를 밀어 주는 형태로 연결돼 있고 학습이 필요 없습니다. 7B에서 보정이 얼마나 효과를 내는지가 이 비교의 마지막 항목입니다.
- 좌표를 지시문 대신 이미지 위에 표시로 그려 넣는 판은 재학습에 나흘이 듭니다. 좌표를 어떤 형식으로 주느냐가 성적을 바꾸는지 직접 시험하는 방법입니다.
- 씨앗 200의 배치들에서 7B만 30회 더 실패한 이유를 모릅니다. 떨어뜨림 8회도 거기 몰려 있습니다. 그리퍼 명령이 256단계로 끊겨 있어 쥐는 힘이 흔들리는지, 특정 좌표 값이 학습에 드물었는지 가려야 합니다.
- 이 편의 중간 평가, 상한 측정, 닫는 순간 비교는 30회짜리입니다. 최종 판정에만 300회를 썼습니다.
이번 편에서 남은 것
- 70억 VLA는 16GB에서 학습됩니다. 한계선은 랭크 32에 배치 8이고, 벽은 메모리가 아니라 초당 1.2샘플이라는 속도입니다.
- 0/300을 보고 “정밀도가 없다”고 적었다가 궤적을 보고 고쳤습니다. 직접 원인은 그리퍼를 닫지 않는 것이었고, 그 뒤에는 전문가가 손을 연 채 3초 기다리는 시간표가 있었습니다. 성공률만으로는 원인을 알 수 없습니다.
- 같은 장면에 두 라벨이 붙으면 이미지만 보는 모델은 다수를 따릅니다. 모델이 커도 마찬가지입니다. 시간 정보는 모델 크기로 대신할 수 없습니다.
- 모델 크기는 고르기를, 진행도는 닫는 시점을 해결했습니다. 닫는 순간의 정밀도는 좌표를 지시문으로 받은 7B도 0.45B 못지않았습니다. 그런데 성공률은 못 넘었습니다. 정밀도가 아닌 다른 무엇이 차이를 만들었고, 그것이 무엇인지는 아직 모릅니다. 이 결론은 2024년 원판 레시피에 한한 것입니다.
- 30회에서 83%가 나와도 300회에서는 67%일 수 있고, 한 씨앗에서 같던 두 정책이 다른 씨앗에서는 30회나 차이 날 수 있습니다. 26편에 이어 다시 적는 교훈입니다.
아래 영상은 OpenVLA v10에게 한 배치에서 지시문을 바꿔 가며 시킨 장면입니다. 학습에 없던 조합인 yellow를 purple에 올리는 지시이고, 지각망이 읽은 좌표가 지시문에 들어갑니다. 90스텝 근처에서 그리퍼를 닫고 받침에 올립니다.
전체 영상:
. 같은 배치에서 cyan을 pink에 올리라는 지시는 실패했습니다. 손이 cyan이 아니라 yellow로 갔습니다. 실패 101회 중 11회가 이런 고르기 실패였습니다. 영상:
.
이 시리즈의 전체 글 목록 → 시리즈 목차