DeepSeek''s New Model Is 33x Cheaper - Here''s the Catch

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

DeepSeek Flash는 영상에 제시된 출력 단가 기준 약 33배 저렴한 에이전트 작업 대안이지만, 고난도 추론·민감정보 처리·운영 코드 적용에는 제약과 검증이 따른다.

📌 핵심 요점

1. 영상은 DeepSeek 4.1 Flash의 API 가격을 100만 토큰당 입력 0.15달러, 출력 0.60달러로 소개한다. 비교 대상으로 제시한 출력 20달러와 계산하면 약 33.3배의 가격 차이다.
2. 코딩 성능 개선의 중심은 기존 모델을 여러 코딩 에이전트 실행 환경에서 강화학습한 데 있다고 설명한다. Terminal Bench 점수는 이전 31.2에서 42.3으로 올랐다고 제시한다.
3. 일부 코딩·자동화 평가에서는 상위 모델과 경쟁하지만, 어려운 추론에서는 42.6 대 56.3으로 뒤처진다는 비교도 나온다. 긴 도구 호출 루프와 반복 작업에 우선 적용하자는 것이 발표자의 제안이다.
4. 오픈웨이트 배포, MIT 라이선스, 100만 토큰 문맥 창, 내장 비전을 소개한다. 다만 7,630억 매개변수라는 설명도 있어, 다운로드 가능성과 개인 장비에서의 실용적인 실행 가능성은 구분해야 한다.
5. 핵심 주의점은 개인정보와 검증 수준이다. 발표자는 서비스가 데이터를 중국에 저장하고 학습에 사용할 수 있다고 설명하며, 공개 상품 문구 같은 작업부터 활용하고 민감정보와 감독하기 어려운 운영 코드에는 신중할 것을 권한다.

🧩 배경과 문제 정의

영상은 상위 AI 모델에 익숙한 개발자와 에이전트 서비스 운영자에게, 더 저렴한 오픈웨이트 모델을 어떤 작업에 도입할 수 있는지 묻는다. DeepSeek Flash의 가격과 코딩 평가를 소개하면서 반복 호출 비용을 줄이는 활용법을 제안한다.

동시에 가격만으로 모델을 선택하기 어렵다는 문제도 다룬다. 고난도 추론의 성능 차이, 공개 직후라 부족한 실사용 데이터, 민감정보 처리 조건, 자체 호스팅에 필요한 장비가 도입 판단의 조건으로 등장한다.

🕒 시간순 섹션별 상세정리

1. 신모델의 가격과 코딩 개선 방향

• DeepSeek 4.1 Flash를 소개하며 일부 코딩 평가에서 Opus 계열과 경쟁하고, 모델을 내려받아 직접 실행할 수 있다고 보여준다. [00:57]
• API 가격은 100만 토큰당 입력 0.15달러, 출력 0.60달러로 제시하며, 상위 모델에만 의존하지 말고 작업별 활용을 검토하자고 제안한다. [01:29]
• 기존 모델의 코딩 능력을 개선한 업데이트로 설명하고 Terminal Bench의 31.2→42.3 상승을 제시한다. 여러 코딩 에이전트 실행 환경에서의 강화학습과 검색·가져오기 API도 언급한다. [02:19]

2. 사양과 벤치마크에서 드러나는 강점과 한계

• Flash와 Pro를 비교하며 피크 시간대 가격 2배, 100만 토큰 문맥 창, Flash의 내장 비전, 동시 처리 수치 2,500 대 500, MIT 라이선스와 7,630억 매개변수를 보여준다. [03:04]
• 저장소 수정 평가에서 Flash 77, Opus 74, Soul 73 등의 점수를 제시한다. Terminal Bench에서는 Soul을 근소하게 앞서지만 Opus 5에는 못 미친다고 보여준다. [03:53]
• 어려운 추론에서는 42.6 대 56.3의 격차를 제시한다. 긴 에이전트 루프·도구 호출·웹 수집·대량 데이터 분석은 강점으로, 가장 어려운 추론과 처음부터 만드는 작업은 상위 모델의 영역으로 구분한다. [04:40]

3. 초기 실사용 평가와 보조 에이전트 활용

• 웹 수집이나 짧은 설명 영상 제작은 저렴한 모델에 맡길 수 있다고 드러낸다. 다만 출시 첫날이라 자료가 적고, 화려한 시연만으로 실용성을 판단하기 어렵다고 지적한다. [05:24]
• 두 저장소의 숨은 버그 105개를 대상으로 한 외부 평가를 인용한다. DeepSeek는 34개, 선두 모델은 약 42개를 찾았다고 소개하며 독립 평가 사이트에는 새 업데이트 점수가 아직 없다고 덧붙인다. [06:08]
• 코드베이스의 버그와 보안 취약점 탐색을 돕는 보조 에이전트로 제안한다. 이어 다른 이용자의 평가를 인용하며 여러 코딩 에이전트 실행 환경에서의 강화학습이 성능 개선의 배경이라고 보여준다. [06:49]

4. 게임 시연과 반복 업무의 비용 절감 사례

• 약 200만 복셀 규모의 세계를 약 25분, API 비용 약 5달러로 만들었다는 사례를 보여준다. 모델 개발 측이 자기 피드백 강화학습과 3D 렌더링·게임 개발을 강조했다고 전해진다. [07:20]
• AI 에이전트 서비스에서 핵심은 비용이라고 주장한다. 출력 가격으로 Opus와 Soul 약 20달러, DeepSeek Pro 2달러, Flash 0.60달러를 비교하지만, 설명 중에는 제목의 배수 표현과 다른 ‘33%’라는 발언이 나온다. [07:48]
• 자신의 리셀링 사업을 예로 들어 상품 제목·설명 대량 작성과 배송 추적을 제안한다. 검색·가져오기 API와 예약 실행을 이용해 수작업 조회를 줄이는 구상이다. [08:43]

5. 개인정보 처리와 모델 전환의 조건

• 발표자는 DeepSeek의 개인정보 처리 조건에 중국 내 데이터 저장과 학습 활용 가능성이 있다고 보여준다. 공개 상품 문구와 구매자 정보·공급업체 조건을 구분하고, 민감정보는 로컬 또는 다른 환경에 두라고 권한다. [09:07]
• 긴 에이전트 루프, 게임 개발, 대량 데이터 분석, 예산이 제한된 사이드 프로젝트를 Flash의 활용 후보로 제시한다. 자체 호스팅에는 장비 구매가 필요하다고 덧붙인다. [09:37]
• 고난도 기능 구현과 처음부터 만드는 작업은 기존 상위 모델을 유지하자는 입장이다. 특히 감독하기 어려운 운영 코드에는 Flash를 사용하지 않겠다는 개인적 판단을 드러낸다. [09:58]

6. 소규모 제작 결과와 영상 마무리

• 발표자는 Geometry Dash 스타일 게임을 약 7분에 0.04달러, 라바 램프 시연을 약 7분에 0.03달러로 만들었다고 보고한다. Minecraft 형태의 제작 결과도 보여주며 초기 사용 경험을 덧붙인다. [10:37]
• 이러한 사례를 게임 제작의 진전으로 해석한 뒤, 무료 커뮤니티 Shipping School의 자료와 주당 2~3회 부트캠프 통화를 소개하고 참여 안내로 마무리한다. [11:08]

🧾 결론

• 영상의 실용적 제안은 작업 난도와 데이터 민감도에 따라 모델을 나눠 쓰는 것이다. 상품 설명 초안, 배송 조회, 대량 데이터 처리처럼 반복되는 작업이 우선 후보로 제시된다.
• 벤치마크 경쟁력이 모든 실무에서의 동등한 품질을 뜻하지는 않는다. 영상에 인용된 숨은 버그 평가에서도 DeepSeek는 34개를 찾았고, 선두 결과는 약 42개였다.
• 공개 직후의 초기 평가이므로 현재 수치는 도입 후보를 고르는 근거로 활용하고, 실제 전환은 자체 작업의 성공률·수정 부담·총비용을 확인한 뒤 판단필요가 있다.

📈 투자·시사 포인트

• AI 에이전트 서비스의 비용 구조에서는 호출량이 많은 반복 작업의 단가가 중요해진다. 영상은 저렴한 모델을 활용하면 서비스 제공자와 고객의 비용을 줄일 수 있다고 본다.
• 상위 모델을 계속 사용할 영역과 저가 모델로 처리할 영역을 구분하는 운영 역량이 중요해진다. 영상에서는 고난도 설계·추론과 대량 반복 작업의 역할 분담을 제안한다.
• 자체 호스팅을 검토할 때는 API 요금 절감과 장비 구매 부담을 함께 비교해야 한다. 오픈웨이트라는 특성만으로 운영 비용이 사라지는 것은 아니다.
• 데이터 저장 위치와 학습 활용 조건은 기업 도입의 주요 변수다. 낮은 호출 가격만으로 민감정보가 포함된 업무의 적합성까지 판단할 수는 없다.

⚠️ 불확실하거나 확인이 필요한 부분

• 제목의 ‘33배 저렴’과 본문의 ‘33% cheaper’라는 발언이 일치하지 않는다. 영상이 제시한 출력 가격 20달러와 0.60달러를 기준으로 하면 비용은 약 1/33이며, 감소율은 약 97%다.
• 모델명과 평가명에 전사상 혼선이 있다. 4.1 Flash, Flash 1017 등의 표기와 경쟁 모델 명칭이 섞여 있어 정확한 버전·평가 조건을 확인해야 한다.
• 벤치마크 수치와 외부 버그 평가의 원자료·반복 횟수·실행 조건은 전사만으로 확인할 수 없다. 특히 버그 발견 수로 소개된 41.7이라는 소수 값의 집계 방식도 설명되지 않는다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 정확한 모델 버전, API 입력·출력 요금, 피크 시간대 할증, 검색·가져오기 도구 요금을 확인한다.
• 공개 상품 문구 생성이나 배송 조회처럼 영상에서 제안한 작업으로 소규모 비교를 수행하고, 성공률·지연·재시도·수정 시간을 함께 기록한다.
• 구매자 정보와 공급업체 계약 조건 등 민감정보를 구분하고, 외부 API에 보내기 전에 실제 데이터 처리 조건을 확인한다.
• 로컬 실행을 검토한다면 필요한 장비와 운영비를 산정해 예상 API 사용료와 비교한다.

❓ 열린 질문

• 같은 작업 성공률을 맞추고 재시도와 사람의 검토 시간을 포함해도 약 33배의 출력 단가 차이가 얼마나 유지될까?
• 발표자가 구분한 반복 에이전트 작업과 고난도 추론 작업의 경계는 실제 업무에서 어떻게 측정할 수 있을까?
• 독립 평가가 추가되면 초기 벤치마크 경쟁력이 실제 저장소 수정과 장시간 작업에서도 재현될까?