전용 업스케일러 대신 LLM 비전으로 8K 업스케일하는 방법

원작자 @flowersslop(Flowers)이 2026년 10월 7일 X에 공개한 LLM 업스케일 워크플로우 정리다. 전용 업스케일러를 쓴 것으로 오해받자, 본인이 실제로 쓴 방식을 스킬 형태로 공유한 글이다.

이미지 출처: @flowersslop / X

핵심 아이디어는 단순하다. 픽셀을 키우는 대신, 프론티어 모델의 비전과 세계 지식(world knowledge)을 업스케일에 투입해 장면을 재구성(reconstruct)하는 것이다. 원작자는 전용 업스케일러가 텍스처와 국소 디테일에는 괜찮지만, 장면 이해·의미(semantics)·시각적 추론이 필요한 지점에서 무너지기 시작한다고 말한다.

워크플로우: 패치 업스케일 후 스티칭으로 8K 완성

원작자가 밝힌 워크플로우는 다음과 같다.

• 사용 모델: ChatGPT 6.1 sol.
• 방식: 개별 패치를 따로 키우는 것이 아니라, 모든 패치를 업스케일한 뒤 하나로 이어 붙여(stitch) 최종 8K 이미지 한 장을 끝까지(end to end) 완성한다.
• 대안 언급: Nano Banana를 API 경유로 쓰면 더 잘 될 수도 있다(may work even better)는 것이 원작자의 평가다. 본인은 ChatGPT 이미지보다 Nano Banana를 선호한다고 덧붙였다.

스킬 전문을 그대로 옮기지는 않는다. 공개된 원문 증거에서 스킬 본문이 중간에 잘려 있기 때문이다(원문은 'paste this into codex o…'에서 끊긴다). 잘린 부분의 명령어나 프롬프트를 복원·인용하지 않는다.

소요 시간과 결과물 해석 시 주의점

• 속도: 8K 패스 2회에 약 10분 정도가 걸린다. 느리다는 것이 명시된 단점이다.
• 결과물 비교: X에 올린 비교 이미지는 실제보다 못해 보일 수 있다. X(트위터) 압축이 미세 디테일을 뭉개기 때문이라는 것이 원작자의 설명이다.

실무적으로 읽으면, 정확도보다 질감 재구성이 중요한 이미지에서 시도해 볼 만한 발상이다. 대신 10분이라는 시간 비용과, 프롬프트·스킬 전문이 공개 증거에 다 담겨 있지 않다는 한계를 함께 감안해야 한다.

원문 출처

• @flowersslop (Flowers): LLM 업스케일 워크플로우 원문 (X, 2026-10-07)