Kimi K3: 코딩 품질은 똑같은데, 가격은 3분의 1입니다

Kimi K3: 코딩 품질은 똑같은데, 가격은 3분의 1입니다

Summary Kimi K3와 Claude를 일상 코딩에서 함께 써봤더니, 결과물 품질도 토큰 사용량도 구별이 어려웠습니다. API 가격은 입력 100만 토큰당 3달러, 출력 15달러로, 최상위 모델의 3분의 1 수준입니다. 제한을 받은 모델이 일부 작업을 거부하는 사이, 오픈 모델은 그 일을 해냈습니다. 품질은 비슷하고 가격은 낮은데, 계속 비싼 쪽을 결제할 이유가 줄었습니다.


  • Kimi K3와 Claude를 일상 코딩에서 함께 써봤더니, 결과물 품질도 토큰 사용량도 구별이 어려웠습니다.
  • API 가격은 입력 100만 토큰당 3달러, 출력 15달러로, 최상위 모델의 3분의 1 수준입니다.
  • 제한을 받은 모델이 일부 작업을 거부하는 사이, 오픈 모델은 그 일을 해냈습니다. 품질은 비슷하고 가격은 낮은데, 계속 비싼 쪽을 결제할 이유가 줄었습니다. Image

코딩 에이전트를 돌리다 점심도 되기 전에 사용량 한도가 바닥난 적 있으시죠? 평범한 에이전트 작업이었는데, 허용량이 벌써 소진됐다는 메시지가 떴습니다. 그런데 옆에서 같은 일을 하는 모델은, 같은 품질로 일을 끝내고도 여유가 있었습니다. 가격은 3분의 1인데 말이죠. 이 장면이 저는 가장 인상 깊었습니다. 품질 차이가 아니라, 한도와 가격의 차이가 선택을 갈랐으니까요!

🎥

Kimi K3, 도대체 뭘까요?

Kimi K3는 2026년 7월에 공개된 대규모 언어 모델입니다. 총 2조 8천억 개 파라미터로, 당시 공개된 오픈소스 모델 중 가장 컸습니다. 100만 토큰짜리 컨텍스트 창을 갖고 있고, 추론 모드가 항상 켜져 있습니다. 이미지를 직접 이해하는 기능도 들어갔습니다.

flowchart LR A[2조 8천억 파라미터
당시 최대 오픈소스] --> B[100만 토큰
컨텍스트 창] B --> C[상시 추론 모드
이미지 이해 내장] C --> D[벤치마크 상위권
프런티어급 성능]

숫자가 크다고 다 좋은 건 아닙니다. 중요한 건, 이 크기에서 무슨 일을 해내느냐입니다. 공개 당시 제시된 벤치마크를 보면, 실제 업무 과제 44개 직종·9개 산업을 재는 평가에서 1,687점을 받아 전체 3위에 올랐습니다. 앞선 건 최상위 모델 두 개뿐이었고, 최신 Opus 모델(1,600점)보다 높았습니다. 긴 호흡의 정보 탐색 평가에서는 91.2점으로 최고점을 찍었습니다. 프론트엔드 코드 평가에서는 1,679점으로 1위였습니다. 이 장면이 저는 가장 인상 깊었습니다. 오픈소스가 “6개월 뒤처진다"는 말이, 이 모델 앞에서는 안 통했으니까요!

다만 한 가지는 짚고 넘어가야 합니다. 이 수치들은 공개 당시 제시된 것으로, 일부는 회사 자체 자료이고 일부는 독립 평가 기관의 측정입니다. 벤치마크는 조건이 바뀌면 결과가 달라집니다. 숫자는 방향을 보여줄 뿐, 결론은 직접 써보고 내리는 게 맞습니다.

품질은 똑같은데, 가격은 3분의 1?

일상적인 코딩 작업에서 두 모델을 함께 써본 결과는 단순했습니다. 같은 작업, 같은 출력 품질, 거의 같은 토큰 사용량. 오픈 모델은 결과가 더 엉성하거나, 같은 답을 얻기까지 토큰을 더 쓸 거라는 예상과 달랐습니다. 그런데 가격은 달랐습니다. 입력 100만 토큰당 3달러, 출력 15달러. 최상위 모델의 입력 10달러, 출력 50달러와 비교하면 3분의 1 수준입니다. 캐시된 입력은 100만 토큰당 0.30달러까지 내려갑니다.

flowchart LR A[입력 100만 토큰] --> B[Kimi K3
3달러] A --> C[최상위 모델
10달러] D[출력 100만 토큰] --> E[Kimi K3
15달러] D --> F[최상위 모델
50달러] B --> G[품질은 비슷
가격은 3분의 1]

구독 요금제도 갈렸습니다. 월 19달러부터 시작하는 플랜이 있고, 월 39달러 코딩 티어는 비슷한 가격대의 상품보다 사용량이 넉넉했습니다. 반면 월 20달러 플랜에서는 에이전트 작업 중 한도가 빠르게 소진됐고, 최상위 모델 접근도 유지하지 못했습니다. 가격표만 보면 작은 차이 같지만, 하루 종일 에이전트를 돌리는 사람에게는 한도가 곧 작업량입니다. 한도가 바닥나면, 그날의 일은 거기서 멈춥니다. 왜 계속 비싼 쪽을 결제해야 할까요?

제한을 받은 모델이 거부하는 사이, 오픈 모델은 일을 해냈습니다

여기서 이야기는 가격을 넘어섭니다. 보안 취약점 탐지 벤치마크에서, 오픈 웨이트 모델 GLM 5.2가 F1 점수 39%로 Claude Code의 32%를 앞섰습니다. 발견한 취약점 하나당 비용은 약 0.17달러였습니다. 제한을 받은 모델이 일부 작업을 거부하는 사이, 오픈 모델은 그 일을 수행했고, 그 차이가 결과에 영향을 줬습니다.

flowchart TD A[같은 프롬프트
같은 데이터셋] --> B[제한 모델
일부 작업 거부] A --> C[오픈 모델 GLM 5.2
작업 수행] B --> D[Claude Code 32%] C --> E[GLM 5.2 39%
취약점당 약 0.17달러] E --> F[단, 한 개 태스크
한 개 데이터셋 기준]

이 결과, 어떻게 읽어야 할까요? 벤치마크를 직접 만든 쪽도 이렇게 말했습니다. “한 개 태스크, 한 개 데이터셋, 한 번의 실행"이라는 단서입니다. 그리고 가장 큰 성능 차이는 모델 사이가 아니라, 하네스 사이에서 났습니다. 엔드포인트를 찾아 안내해주는 전용 하네스를 쓴 구성이 53~61%로 여전히 1위였습니다. 모델만 바꾸면 끝이 아니라는 뜻입니다. 그런데도 이 결과는 의미가 있습니다. 하네스 없이 프롬프트만 받은 오픈 모델이, 프런티어 코딩 에이전트를 앞섰으니까요!

GLM 5.2 자체도 짚어볼 만합니다. 전체 약 7,500억 파라미터의 전문가 혼합 모델인데, 토큰 하나당 실제로 켜지는 건 약 400억 개라 추론 비용이 낮습니다. 컨텍스트는 100만 토큰까지 늘었고, MIT 라이선스로 공개됐습니다. 표준 코딩 벤치마크에서도 Terminal-Bench 2.1 81.0점, SWE-bench Pro 62.1점으로 최상위권에 바짝 붙었습니다. “오픈 웨이트는 오픈소스와 다르다"는 점도 기억해야 합니다. 가중치는 공개됐지만, 학습 데이터와 전체 파이프라인은 공개되지 않았습니다. 그래도 내 환경 안에서 돌릴 수 있다는 점이, 보안 작업을 하는 팀에게는 큽니다.

왜 지금, 오픈 모델의 시간일까요?

미국 정부가 최상위 모델 출시를 늦추고, 최종 모델에도 여러 작업 범주를 거부하는 제한을 적용했습니다. 반면 프런티어급 오픈 모델은 내려받을 수 있어, 그 규제 범위를 벗어납니다. 미국 모델에만 적용되는 제한은, 미국 고객의 선택지를 줄일 뿐 해외 오픈 모델의 경쟁을 막지 못했습니다. 품질은 비슷하고 가격은 낮은데, 계속 비싼 쪽을 결제할 이유가 줄어든 셈입니다.

여기서 한 가지 질문이 남습니다. 정부가 자동차 산업에 썼던 보조금·구제금융·보호관세 방식을 AI와 오픈소스에도 적용하면 어떻게 될까요? 민관 협력으로 미국 안에서만 쓰이고 국제적으로 경쟁하지 못하는 국내 모델을 지원할 수 있습니다. 그러면 사용자는 최고 품질이나 최저 가격 대신, 국내 모델을 사야 할지도 모릅니다. 가장 좋은 모델을 가장 좋은 가격에 쓰지 못하는 세상이 되는 겁니다. 이 글을 쓴 시점에서는 아직 가정이지만, 방향은 분명합니다. 경쟁의 무게중심이 “누가 더 똑똑한가"에서 “누가 더 자유롭게 쓸 수 있는가"로 옮겨가고 있습니다.

물론 단서도 있습니다. 일상 코딩 비교는 한 사람의 경험이지, 통제된 실험이 아닙니다. 2조 8천억 파라미터 모델은 개인이 직접 돌리기엔 GPU 인프라가 만만치 않습니다. API로 쓰는 게 현실적인 길입니다. 그리고 벤치마크 1위가 곧 내 작업에서의 1위는 아닙니다. 그래도 흐름 하나는 분명합니다. 오픈 모델이 품질에서 뒤처진다는 전제가 깨졌고, 가격과 한도라는 현실적인 이유로 선택이 바뀌고 있습니다. 지금은 Kimi K3의 시간입니다. 다음에는 어떤 모델의 시간이 될까요?

Comments

GitHub 계정으로 로그인하여 댓글을 남겨보세요. GitHub 로그인

댓글 시스템 설정이 필요합니다

GitHub Discussions 기반 댓글 시스템을 활성화하려면:

  1. Giscus 설정 페이지에서 설정 생성
  2. GISCUS_SETUP_GUIDE.md 파일의 안내를 따라 설정 완료
  3. Repository의 Discussions 기능 활성화

Repository 관리자만 설정할 수 있습니다.