작업당 3센트 vs 3달러: 최상위 프론티어에서 벌어진 동점
2026년 7월 31일, 독립 평가 기관인 Artificial Analysis는 DeepSeek의 신규 모델을 ‘프론티어’ 리더보드에 등재했습니다. 수십 배 더 비싼 미국 플래그십 모델들과 어깨를 나란히 한 것입니다. 이번 평가에서 가장 놀라운 점은 해당 모델이 리더보드에서 단연 가장 저렴한 모델이라는 사실입니다. 상위에 위치한 Claude Opus 5(61점)와 GPT-5.6 Sol(59점)은 작업당 2~3달러의 비용이 소요되는 반면, DeepSeek의 신규 모델은 50점을 기록하면서 작업당 단 3센트(0.03달러)에 불과합니다.
지능 지수(Intelligence Index)는 평가 기관이 실제 API 호출 비용을 지불하며 측정한 독립적 평가 결과입니다. 이번 모델 평가에만 72달러 상당의 API 비용이 소요되었습니다. 평가 항목은 실제 프로덕션 코드 작성, 컴퓨터 조작, 금융 수준의 추론 문제 등 실무 중심 작업으로 구성됩니다. 50점은 Gemini 3.6 Flash와 동률을 이루며 최상위 그룹에 진입했음을 의미하며, 오픈 웨이트 모델 중 3위에 해당합니다.
‘작업당 3센트’는 동일한 표준 테스트 세트를 수행했을 때 산출된 평균 비용입니다. 동일한 시험에서 Claude Opus 5는 2.34달러, Claude Fable 5는 3.15달러가 소요된 반면, DeepSeek은 0.03달러에 불과했습니다. 비용 차이가 무려 100배(2자리 수) 이상입니다.
그림: Artificial Analysis 지능 지수 비교. 파란색 막대의 DeepSeek 신규 모델이 50점으로 최상위 그룹 진입. 출처: artificialanalysis.ai
이는 단순한 마이너 업그레이드가 아닙니다. 지난 4월 출시된 기존 Flash 모델은 40점이었으나, 이번 버전에서 10점이 단숨에 상승했습니다. 100점 만점 구조에서 1점 차이로 순위가 갈리는 리더보드 특성상 10점 향상은 엄청난 도약입니다.
스펙 측면에서도 두 가지 주요 특징이 돋보입니다. 100만 토큰의 컨텍스트 윈도우(A4 용지 약 1,500장 분량)를 지원하여 전체 재무 보고서나 대규모 코드베이스를 한 번에 파악할 수 있습니다. 또한 모델 가중치가 완전한 오픈소스로 공개되어 MIT 라이선스에 따라 누구나 다운로드, 배포, 상업적 이용이 가능합니다. 저렴함, 오픈소스, 고성능이라는 세 가지 요소를 동시에 갖춘 모델이 등장한 것입니다.
저렴하면서도 강력한 이유: 3가지 비용 절감의 비밀
첫 번째 비밀은 포스트 트레이닝(후속 학습) 재설계에 있습니다. LLM 개발은 방대한 데이터로 기초 지식을 학습시키는 ‘프리 트레이닝’과 문제 풀이 능력을 다듬는 ‘포스트 트레이닝’의 두 단계로 나뉩니다. 프리 트레이닝이 지식의 양을 결정한다면, 포스트 트레이닝은 지식의 활용 능력을 결정합니다.
DeepSeek은 이번에 모델 아키텍처나 매개변수 수를 변경하지 않고 포스트 트레이닝 전략만 새롭게 구축했습니다. 가장 비용이 많이 드는 프리 트레이닝 단계를 거치지 않음으로써 개발 비용을 크게 절감하는 동시에 10점의 성능 향상을 이뤄낸 것입니다.
그림: 표준 작업당 평균 비용. DeepSeek 신규 모델은 3센트에 불과하며 가장 비싼 모델의 100분의 1 수준. 출처: artificialanalysis.ai
두 번째 비밀은 희소 혼합 전문가(Sparse Mixture-of-Experts, MoE) 아키텍처입니다. 이 모델은 총 2,840억 개의 매개변수를 보유하고 있지만, 하나의 질문에 답변할 때는 130억 개의 매개변수만 활성화합니다. 질문이 들어오면 전체 매개변수를 구동하는 대신 관련된 전문가 서브 네트워크만 선택적으로 호출합니다.
이러한 구조는 대규모 모델의 높은 성능을 유지하면서도 추론 시 연산량과 전력 소비를 최소화하여 운영 비용을 획기적으로 낮춰줍니다. 이는 DeepSeek이 지속적으로 발전시켜 온 핵심 기술 중 하나입니다.
세 번째 비밀은 오픈 생태계와 가격 정책입니다. MIT 라이선스 기반의 오픈 웨이트 덕분에 전 세계 클라우드 제공업체와 리셀러가 이 모델을 자사 인프라에서 배포할 수 있으며, 사용 규모가 커질수록 단위당 비용이 더욱 감소합니다.
DeepSeek 공식 API 가격은 입력 100만 토큰당 0.14달러이며, 캐시 적중 시 0.003달러 수준입니다. 아키텍처, 학습 방식, 오픈 생태계의 3가지 측면에서 동시에 비용을 절감하여 이러한 저렴한 가격을 달성했습니다.
실리콘밸리의 차트에 등재된 프론티어 신규 데이터점
이번 소식은 개발자 커뮤니티인 해커뉴스(Hacker News)에서 뜨거운 화제를 모았습니다. 발표 직전 OpenAI가 “가격 대비 성능 프론티어를 확장하고 있다”며 자사 모델의 효율성을 강조한 공식 차트를 발표했는데, 그다음 날 한 개발자가 DeepSeek의 새로운 데이터 포인트를 해당 차트에 추가한 것입니다. 그 결과 DeepSeek의 위치는 OpenAI가 정의한 프론티어 곡선 위에 정확히 연착륙했습니다.
그림: 커뮤니티 사용자가 OpenAI 공식 ‘가격-성능 프론티어’ 차트에 DeepSeek 신규 모델 데이터를 반영한 모습. 출처: files.parasmittal.com
AI 업계에서 ‘프론티어’는 최고 수준의 성능을 의미하며, 기존에는 주로 미국 빅테크 기업들이 독점해 왔습니다. 지난 2년간 최고급 프론티어 모델의 가격은 높게 유지되었으나, 3센트 모델의 등장은 실리콘밸리의 가격 체계와 대비되는 결과를 보여줍니다.
해커뉴스 관련 게시물은 올라온 지 수 시간 만에 500점 이상의 추천과 300개에 가까운 댓글을 기록했습니다. 개발자 입장에서 작업당 비용이 100분의 1로 줄어든다는 것은 API 비용 부담 없이 다양한 실험을 자유롭게 진행할 수 있음을 뜻합니다.
저렴함 뒤에 숨은 다양한 논의와 시각
커뮤니티에서는 DeepSeek API를 실제 프로젝트에 도입한 개발자들의 후기가 잇따랐습니다. 하루 종일 코딩 작업을 진행해도 수 센트 수준에 불과하여 비용 부담 없이 자유롭게 활용할 수 있다는 평가가 많았습니다. 단가가 100배 차이 나면 월간 개발 비용도 대폭 절감됩니다.
반면, 다른 측면의 시각도 존재합니다. Fireworks나 OpenRouter와 같은 리셀러를 통해 ‘데이터 무단 학습 방지(Zero Data Retention)’ 옵션을 사용할 경우, 캐시 처리 및 미터링 방식의 차이로 인해 공식 API보다 비용이 증가한다는 지적이 있습니다. 개인정보 보호와 보안 격리를 위한 전용 인프라 사용에는 추가 비용이 발생하기 때문입니다.
또한 공식 API의 극단적인 저가격에 대해 향후 모델 학습용 데이터 수집을 위한 전략적 가격 설정이 아니냐는 추측도 제기되는 등 지속 가능성에 대한 논의가 이어지고 있습니다.
가격 전쟁이 일반 사용자와 개발자에게 미치는 영향
일반 사용자 역시 이러한 백엔드 인프라 비용 절감의 혜택을 직접적으로 체감할 수 있습니다. 스마트폰의 AI 비서, 오피스 소프트웨어의 자동 작성 기능 등 일상적인 서비스의 백엔드에서 고효율 모델 도입이 확대되고 있습니다.
지난 1년간 수많은 AI 애플리케이션이 하루 이용 제한을 완화하거나 무료 제공 범위를 넓힐 수 있었던 주요 원인은 백엔드 추론 비용의 급격한 하락 덕분입니다. 모델 운영 비용이 낮아질수록 서비스 제공업체는 더 넓은 컨텍스트와 높은 이용 한도를 제공할 수 있게 됩니다.
개발자와 기업에 주는 시점에서의 시사점은 명확합니다. 단순히 가장 비싼 모델을 선택하기보다는 유즈케이스에 맞춘 합리적인 모델 선택이 필요합니다. 일상적인 질의응답, 문서 요약, 일반적인 코딩 작업에서는 3센트 모델이 3달러 모델에 근접한 유용성을 제공합니다. 올해 하반기에도 주요 기업들의 추가 가격 조정과 신규 모델 출시가 예정되어 있어 AI 비용 효율화 경쟁은 더욱 가속화될 전망입니다.
참고 링크:
- Artificial Analysis: DeepSeek V4 Flash 0731 지능, 성능 및 가격 평가
- HN 토론: DeepSeek V4 Flash 0731 벤치마크 발표 (511점 / 282개 댓글)
- OpenAI 공식 블로그: Pushing the Price-Performance Frontier (7월 30일 게시)
- OfficeChai: DeepSeek V4 Flash 0731, Opus 4.8 수준의 성능을 극소 비용으로 제공
