I tested Fable 5.2 and Opus 5.5 on EVERY effort level

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Fable 5.2와 Opus 5.5의 effort 단계별 페인트볼 게임 제작 실험에서 진행자는 low·medium은 Opus, high 이상은 Fable을 선호했지만, Opus max는 오류로 비교하지 못했다.

📌 핵심 요점

1. ClearBench에서 같은 프롬프트와 도구를 제공하고, 메모리·기존 세션·설정 파일을 제외한 독립 폴더에서 각 모델의 effort 단계를 동시에 실행했다. 과제는 브라우저용 1인칭 페인트볼 게임 ‘Off the Break’ 제작이었다.
2. Opus low·medium은 단순한 환경과 타격 판정 문제가 관찰됐지만, 진행자는 같은 단계의 Fable보다 선호했다. Opus extra high에서는 슬라이딩·이동 표현과 엄폐물의 현실감을 긍정적으로 평가했다.
3. Fable은 high부터 기울이기에 따른 무기 위치 변화 등 세부 표현이 개선됐고, extra high와 max에서 더 좋은 반응을 얻었다. 진행자의 최종 선호 결과물은 Fable max였다.
4. 보고된 비용은 Opus extra high 약 25달러, Fable high 약 29달러, extra high 약 38달러, max 약 45달러였다. Opus low가 가장 저렴했고, Opus high가 두 번째로 저렴해 effort 단계와 비용 순위가 일치하지 않았다.
5. Opus max는 오류로 실행 결과와 최종 비용을 확인하지 못했다. 또한 서버에서 10개 세션을 병렬 실행한 영향이 의심돼, 소요 시간을 모델 고유 속도로 해석하기 어렵다.

🧩 배경과 문제 정의

이 영상은 Fable 5.2와 Opus 5.5를 low부터 max까지 실행해, 브라우저용 1인칭 페인트볼 게임을 얼마나 잘 만드는지 비교한다. 진행자는 속도보다 결과물의 품질과 비용에 초점을 맞추고, 직접 게임을 플레이하며 조작·타격 판정·엄폐물·캐릭터·세부 동작을 살펴본다. 핵심 문제는 effort를 높였을 때 추가 비용에 상응하는 개선이 나타나는지, 그리고 선호하는 모델이 단계에 따라 바뀌는지다.

🕒 시간순 섹션별 상세정리

1. 비교 과제와 실행 조건

• Fable 5.2와 Opus 5.5의 모든 effort 단계를 비교하며, 사실적인 1인칭 페인트볼 게임 제작을 과제로 제시한다. [00:10]
• 자체 도구 ClearBench는 메모리·기존 세션·스킬·플러그인·설정 파일을 제외하고, 동일 도구와 독립 폴더를 제공한다. 토큰은 CLI 보고와 공개 API 가격표로 계산한다. [01:24]
• 브라우저 게임 ‘Off the Break’ 제작 프롬프트를 입력하고 모든 단계를 동시에 시작한다. [01:59]

2. Opus 단계별 플레이와 max 실행 문제

• 실행 시작 후 약 3시간이 지났다고 설명하며, 병렬 세션의 서버 자원 사용이 지연에 영향을 줬을 가능성을 제기한다. 평가의 초점은 품질과 비용이라고 드러낸다. [02:48]
• Opus low는 효과음과 완성도에서 아쉬움을 보였고, medium에서는 타격 판정 문제가 의심됐다. high는 플레이 가능한 결과였으며, extra high의 슬라이딩과 엄폐물 표현을 가장 좋게 평가했다. [04:37]
• Opus max는 미리보기 과정에서 타이머가 초기화되는 문제가 발생했다. 진행자는 오류 또는 재시작 가능성을 언급하며 테스트를 진행하지 못한다. [05:09]

3. Fable은 high부터 평가가 달라짐

• Fable low에서는 마우스 반전 옵션이 없었고, medium도 효과음과 엄폐물 표현에서 좋은 평가를 받지 못했다. 진행자는 두 단계 모두 Opus를 선호했다. [06:16]
• Fable high는 몸을 기울일 때 무기가 반대편으로 이동하는 세부 표현 등에서 개선을 보였다. extra high에서는 엄폐물과 슬라이딩을 호평했으며, 앞선 실행 묶음이 실패해 토큰을 소모했다고도 드러낸다. [07:23]
• Fable max의 캐릭터와 렌즈 닦기 기능에 긍정적으로 반응한다. 최종적으로 low·medium은 Opus, high 이상은 Fable을 선호하며 Fable max를 가장 좋아한다고 정리한다. [08:20]

4. 비용 점수판과 시간 비교의 한계

• 비용 순위는 Opus low, Opus high, Opus medium, Fable medium, Fable low 순으로 묶인다. Fable low·medium은 비용이 비슷했지만 결과물 평가는 낮았다. [08:42]
• Opus extra high는 약 25달러, Fable high는 약 29달러, extra high는 약 38달러, max는 약 45달러로 드러난다. Opus max는 오류로 최종 비용과 결과물을 확인하지 못했다. [09:04]
• 서버에는 16코어와 메모리 32GB가 할당됐고, 10개 세션을 동시에 실행했다. 진행자는 이 환경이 소요 시간을 늘렸을 가능성을 언급하며 다음 비교의 실행 환경을 바꾸겠다고 드러낸다. [09:32]

5. 최종 선호와 후속 실험 예고

• 진행자는 낮은 effort에서는 Opus, high 이상에서는 Fable을 선택하겠다는 평가를 다시 밝히며, 특히 Fable max 결과물을 높이 평가한다. [09:44]
• 다음 제작 과제와 영상 주제를 댓글로 요청받고, 추가 Fable 콘텐츠를 예고한다. [10:02]
• 자신을 AI 전문가보다 공개적으로 제작하며 실제 작동 결과를 공유하는 사람으로 보여준다. 시청자의 대상 독자와 질문에 맞춘 후속 영상을 제안하며 마무리한다. [10:25]

🧾 결론

• 이 과제에서는 모델 이름뿐 아니라 effort 단계에 따라 진행자의 선호가 달라졌다.
• Fable의 high 이상 결과물은 세부 동작과 시각적 표현에서 좋은 평가를 받았지만, 높은 단계에는 더 큰 비용이 들었다.
• Fable max는 확인한 결과물 중 진행자의 최애였으며, Opus max와의 직접 비교 결과는 아니다.
• 단일 게임 제작 과제와 진행자의 플레이 평가만으로 다른 개발 과제까지 우열을 일반화할 수는 없다.

📈 투자·시사 포인트

• AI 코딩 도구의 경제성은 모델 단가뿐 아니라 선택한 effort에서 얻는 결과물의 완성도와 실제 실행 비용을 함께 봐야 한다.
• Opus high가 medium보다 저렴했던 사례는 effort 명칭만으로 작업 비용을 예측하기 어렵다는 점을 보여준다.
• 실패한 실행과 재시도에서 소모한 토큰도 도입 비용을 평가할 때 확인할 항목이다. 영상에서는 첫 실행 묶음이 실패했다고 언급한다.
• 병렬 실행 환경이 시간 비교에 영향을 줄 수 있으므로, 이 영상의 속도 관찰을 제품 경쟁력이나 투자 판단으로 바로 연결하기는 어렵다.

⚠️ 불확실하거나 확인이 필요한 부분

• Opus max의 실패 원인은 확정되지 않았다. 진행자는 오류 발생과 실수로 재시작했을 가능성을 언급하며, 결과물과 최종 비용을 확인하지 못했다.
• 서버 자원 경쟁이 지연을 일으켰다는 설명은 진행자의 추정이다. 동일 조건의 순차 실행 결과는 제시되지 않았다.
• 평가는 진행자의 플레이 경험과 선호에 기반한다. 반복 실행을 통한 재현성이나 정량적인 품질 점수는 제시되지 않았다.
• 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

• 같은 게임 프롬프트로 Opus low·high와 Fable high·extra high·max를 비교하고, 조작감·타격 판정·시각적 세부 표현을 같은 기준으로 기록한다.
• Opus max를 다시 실행해 결과물, 성공 여부, 최종 비용을 확보한다.
• 동일 장비에서 순차 실행과 병렬 실행을 비교해 실행 환경이 소요 시간에 미치는 영향을 확인한다.
• 성공한 실행 비용과 실패·재시도 비용을 구분해 기록한다.

❓ 열린 질문

• 정상 완료된 Opus max는 Fable max와 비교해 어떤 품질과 비용을 보일까?
• 다른 개발 과제에서도 low·medium은 Opus, high 이상은 Fable이라는 선호 구도가 유지될까?
• 더 구체적인 요구사항을 제공하면 모델 간 차이와 필요한 effort 수준은 어떻게 달라질까?