베이스 모델을 안 바꾸고 16포인트를 올렸어

8월 13일 구글이 제미나이 3.7 플래시를 공개했어. 3.6 플래시가 나온 지 정확히 3주 만이야.

3주 간격으로 모델 번호가 올라가면 보통은 마케팅용 리네이밍을 의심하게 돼. 그런데 이번엔 점수가 실제로 움직였어. 소프트웨어 엔지니어링 벤치마크인 DeepSWE v1.1에서 49.0%에서 65.3%로 16.3포인트 올랐어. 이 구간에서 16포인트는 작은 숫자가 아니야. 절반 정도 풀던 문제를 3분의 2 가까이 풀게 됐다는 뜻이거든.

그런데 진짜 눈여겨볼 지점은 점수가 아니라 어떻게 올렸느냐야. 구글은 새 베이스 모델을 학습시킨 게 아니라 알고리즘 개선으로 이 차이를 만들었다고 설명했어. 같은 기반 위에서 후처리 학습과 추론 전략을 바꿔서 성능을 뽑아냈다는 거야.

이게 사실이라면 모델 경쟁의 리듬이 달라진다는 신호야. 지금까지 프론티어 모델의 세대 교체는 대규모 사전학습을 다시 도는 일이었고, 그건 수개월과 수억 달러가 드는 작업이었어. 3주 주기는 그 사이클로는 불가능해. 사전학습을 한 번 해 두고 그 위에서 계속 깎아 내는 방식이 자리를 잡으면, 출시 간격은 계속 짧아져.

이 방식에는 한계도 있어. 사전학습으로 들어간 지식의 총량은 그대로거든. 후처리 학습은 모델이 이미 알고 있는 것을 더 잘 꺼내 쓰게 만들지, 모르는 것을 알게 만들지는 않아. 그래서 코딩이나 에이전트처럼 절차와 형식이 중요한 작업에서는 큰 폭의 개선이 나오는데, 최신 사실을 묻는 지식 질의에서는 개선 폭이 작은 게 보통이야. 이번 발표에서 구글이 내세운 다섯 개 벤치마크가 전부 코딩·에이전트·문서 처리 쪽에 몰려 있는 것도 우연이 아니야.

플래시라는 자리가 뭔지

제미나이 3 계열은 대략 세 층으로 나뉘어. 최상위 추론을 맡는 프로(Pro) 라인, 균형을 맡는 플래시(Flash) 라인, 그리고 초경량 라인이야. 플래시는 이 중 작업마(workhorse) 자리를 맡아. 최고 점수를 노리는 게 아니라, 쓸 만한 점수를 싼값에 대량으로 뿌리는 역할이야.

이 자리가 중요해진 건 에이전트 때문이야. 사람이 한 번 질문하고 한 번 답을 받는 구조에서는 호출당 비용이 크게 문제되지 않아. 그런데 에이전트는 다르지. 한 작업을 끝내는 데 수십에서 수백 번 모델을 호출하고, 매번 긴 컨텍스트를 다시 읽어. 여기서는 토큰 단가가 곧 제품 원가야. 성능이 5% 높은 대신 가격이 3배인 모델은 에이전트 워크로드에서 선택지가 아니야.

구글이 3.7 플래시를 "코딩·웹 개발·에이전트 워크플로에 최적화"라고 소개한 건 그래서야. 이 세 가지가 전부 반복 호출이 많은 영역이거든.

플래시 라인의 또 하나의 특징은 지연이야. 상위 모델은 답을 내기 전에 내부적으로 오래 생각하는 구조라 첫 토큰까지의 시간이 길어. 에이전트 루프에서는 이 지연이 단계마다 누적돼서, 스무 단계짜리 작업이면 사용자가 체감하는 대기 시간이 몇 분 단위로 벌어져. 플래시는 이 구간을 짧게 유지하는 대신 최상위 추론을 포기한 설계야. 어느 쪽이 맞는지는 작업 성격에 달렸고, 실무에서는 대개 두 모델을 섞어 쓰는 라우팅 구조로 수렴해.

컨텍스트 윈도우는 1,048,576토큰, 즉 약 100만 토큰이고 최대 출력은 65,536토큰이야. 코드베이스 전체를 한 번에 밀어 넣는 용도를 상정한 크기야. 네이티브 멀티모달이라 이미지와 문서를 그대로 읽어. GDP.pdf라는 문서 이해 벤치마크가 22.0%에서 34.0%로 오른 것도 이 축의 개선이야.

숫자로 보면

벤치마크 3.6 Flash 3.7 Flash 변화
DeepSWE v1.1 (SW 엔지니어링) 49.0% 65.3% +16.3p
FrontierCode 1.1 Main (코딩) 34.4% 43.6% +9.2p
WebDev Arena (Elo) 1538 1588 +50
GDP.pdf (문서 이해) 22.0% 34.0% +12.0p
AutomationBench (에이전트 자동화) 17.0% 30.4% +13.4p

가장 큰 폭으로 오른 건 AutomationBench야. 17.0%에서 30.4%로, 상대적으로는 거의 두 배가 됐어. 에이전트가 도구를 호출하고 여러 단계를 이어 가는 능력을 재는 벤치마크인데, 절대 점수가 아직 30% 남짓이라는 점이 오히려 현실을 보여줘. 에이전트 자동화는 아직 열 번 중 세 번 성공하는 수준이야. 마케팅 문구가 어떻든 이 숫자는 정직해.

벤치마크를 볼 때 하나 짚어 둘 게 있어. 이 다섯 개 수치는 전부 구글이 자체 측정해 발표한 값이야. 독립 평가 기관의 검증치가 아니라는 뜻이야. 모델 제공사의 자체 벤치마크는 보통 자사 모델에 유리한 조건에서 측정되는 경향이 있고, 프롬프트 형식이나 시도 횟수 같은 조건이 공개되지 않는 경우도 많아. 상대 비교(3.6 대비 3.7)는 같은 조건에서 쟀을 가능성이 높아 신뢰도가 있지만, 타사 모델과의 절대 비교로는 쓰기 어려워.

가격 구조는 이래.

구간 입력 (100만 토큰) 출력 (100만 토큰)
도입가 (~2026-12-31) $0.75 $3.75
정상가 (2027-01-01~) $1.50 $7.50

도입가가 정상가의 절반이고, 유효기간이 연말까지야. 이 구조는 두 가지를 말해. 하나는 구글이 지금 시점의 점유율을 사고 있다는 것. 다른 하나는 연말에 실제 단가가 두 배로 뛴다는 것. 지금 이 모델로 원가를 계산해 서비스 가격을 정하는 팀은 2027년 1월에 원가가 두 배가 되는 시나리오를 같이 계산해 둬야 해.

배포 채널은 넓어. 제미나이 API, 구글 AI 스튜디오, 버텍스 AI, 안드로이드 스튜디오, 구글 안티그래비티, 제미나이 엔터프라이즈 에이전트 플랫폼과 엔터프라이즈 앱, 그리고 AI Pro·Ultra 구독자를 위한 제미나이 스파크에 160개국 이상에서 열렸어. 개발 도구부터 기업 플랫폼까지 한 번에 깔았다는 뜻이야.

각자가 챙기는 것

구글이 챙기는 건 출시 리듬 그 자체야. 3주 간격으로 모델을 갈아 끼울 수 있다는 걸 보여준 게 벤치마크 점수보다 중요해. 경쟁사가 6개월짜리 사전학습 사이클을 도는 동안 구글은 같은 기간에 여덟 번 갱신할 수 있다는 메시지거든. 실제로 그렇게 할지는 별개지만, 시장에 주는 심리적 압박은 실재해.

개발자가 챙기는 건 단가야. 코딩 에이전트를 상용 서비스로 돌리는 팀에게 100만 토큰당 0.75달러는 계산이 서는 숫자야. 다만 연말 이후 두 배가 된다는 조건이 붙어 있어서, 마진 구조를 지금 확정하면 안 돼.

기업 고객이 챙기는 건 배포 경로야. 버텍스 AI와 제미나이 엔터프라이즈에 동시에 올라간다는 건 조달·보안 검토를 이미 통과한 채널로 들어온다는 뜻이야. 새 벤더를 심사하는 것보다 기존 구글 클라우드 계약에 항목을 추가하는 게 훨씬 빨라. 기업 시장에서 이건 벤치마크 몇 점보다 크게 작용해.

금융·법률·바이오 쪽이 챙기는 건 문서 처리야. 구글은 이번 모델이 지식 밀도가 높은 분야에서 추론과 정확도가 개선됐다고 밝혔어. GDP.pdf 점수가 12포인트 오른 게 그 근거야. 계약서, 공시 자료, 논문처럼 구조가 복잡한 문서를 다루는 워크플로에서 체감 차이가 있을 수 있어.

구글 클라우드가 챙기는 건 소비량이야. 토큰 단가를 절반으로 깎으면 매출이 줄 것 같지만, 에이전트 워크로드는 가격이 내려가면 호출 횟수가 그보다 더 크게 늘어나는 성질이 있어. 단가가 절반이 됐을 때 사용량이 세 배가 되면 매출은 오히려 늘어. 그리고 토큰을 쓰는 워크로드가 버텍스 AI 안에 들어오면 스토리지, 벡터DB, 로깅 같은 주변 서비스 소비도 같이 붙어. 도입가 정책은 손해를 감수한 마케팅이라기보다 생태계 안으로 워크로드를 끌어들이는 장치에 가까워.

교육·연구 쪽이 챙기는 건 접근성이야. 100만 토큰 컨텍스트에 100만 토큰당 0.75달러면, 논문 수백 편을 한 번에 읽히는 실험을 개인 예산으로도 돌려 볼 수 있어. 2년 전만 해도 같은 작업의 비용은 자릿수가 달랐어. 대학 연구실이나 1인 개발자가 실제로 시도해 볼 수 있는 범위가 넓어졌다는 뜻이야.

빠른 출시 주기의 앞선 사례들

앤트로픽의 클로드 3.5 → 3.7 구간이 비슷한 패턴이었어. 새 베이스 모델 대신 후처리 학습과 추론 시간 사고를 강화해 코딩 성능을 끌어올렸고, 그 결과 코딩 도구 시장에서 한동안 기본값 자리를 차지했어. 사전학습을 다시 돌지 않고도 실사용 성능을 크게 바꿀 수 있다는 걸 먼저 보여준 사례야.

오픈AI의 GPT-4 터보 계열은 반대 교훈이야. 짧은 간격으로 여러 변형을 냈는데, 버전마다 성능 특성이 미묘하게 달라서 프로덕션에 붙여 둔 팀들이 매번 회귀 테스트를 다시 돌아야 했어. 빠른 출시는 공급자에겐 무기지만 사용자에겐 유지보수 비용이야. 3주 주기가 계속되면 이 문제가 반복될 가능성이 커.

메타의 라마 계열은 또 다른 축이야. 오픈웨이트로 풀면서 버전 전환의 통제권을 사용자에게 넘겼어. 구버전을 계속 쓸 수 있으니 회귀 문제가 덜해. 대신 최신 성능을 따라가려면 스스로 배포를 갱신해야 해. API 모델과 오픈웨이트 모델의 근본적인 트레이드오프야.

과거 GPU 세대 교체를 떠올려도 비슷해. 신제품 주기가 짧아질수록 구매자는 "지금 사면 손해 아닌가" 하는 계산을 하게 되고, 결국 구매 결정이 미뤄지는 역효과가 생겨. 모델도 마찬가지야. 3주마다 새 모델이 나오면, 특정 버전에 깊게 최적화하는 작업의 투자 회수 기간이 짧아져.

여기에 하나 덧붙이면, 3주 주기는 평가 체계 자체를 압박해. 모델을 제대로 검증하려면 자체 태스크셋을 만들고, 여러 번 돌려 분산을 보고, 실패 사례를 분류해야 해. 이 과정만 해도 팀에 따라 1~2주가 걸려. 검증이 끝날 무렵 다음 모델이 나오면 조직은 결국 검증을 포기하고 공급사 발표를 그대로 믿게 돼. 출시 속도가 빨라질수록 사용자 쪽 검증 역량이 상대적으로 약해지는 구조야.

경쟁자 카운터 플레이

앤트로픽은 이 구간에서 가장 직접적인 경쟁자야. 클로드는 코딩 에이전트 시장에서 오랫동안 기본값 자리를 지켜 왔고, 클로드 코드라는 자체 도구까지 갖고 있어. 구글의 대응은 가격과 컨텍스트 크기로 밀고 들어오는 방식이야. 앤트로픽이 성능 우위를 유지하는 한 최상위 작업은 지키겠지만, 대량 반복 호출 구간은 가격에 밀릴 수 있어.

오픈AI는 다른 축으로 대응 중이야. 세레브라스 기반 초고속 티어를 프리뷰로 열면서 "같은 지능을 훨씬 빠르게"라는 카드를 꺼냈어. 구글이 단가로 밀면 오픈AI는 속도로 밀겠다는 구도야. 에이전트 워크로드에서 무엇이 더 중요한지는 용도에 따라 갈려.

xAI는 그록 4.6에서 가격을 동결하는 선택을 했어. 세대가 올라가도 100만 토큰당 입력 2달러, 출력 6달러를 유지했지. 절대 단가로만 보면 제미나이 3.7 플래시가 훨씬 싸지만, xAI는 최상위 추론 성능 쪽에 자리를 잡고 있어서 직접 비교는 애매해.

중국 오픈웨이트 진영이 진짜 압박이야. 알리바바 큐엔, 딥시크, 문샷AI의 모델들은 로컬에서 돌릴 수 있어서 토큰 단가가 아예 0이 될 수 있어. 하드웨어 비용만 감당하면 되니까. 구글이 도입가를 절반으로 깎은 배경에는 이쪽 압력도 있다고 보는 게 자연스러워.

코딩 도구 업체들은 이번 출시의 실질적 수혜자이자 피해자야. 커서, 윈드서프, 클라인 같은 도구는 여러 모델을 라우팅해서 쓰니까 싼 모델이 늘어나면 원가가 내려가. 반대로 모델 자체가 에이전트 능력을 갖춰 갈수록 도구 계층의 부가가치는 얇아져.

그래서 뭐가 달라지는데

코딩 에이전트를 만드는 팀이라면 원가 재계산을 한 번 돌려 볼 만해. DeepSWE 16포인트는 실제 작업 성공률에 영향을 줄 만한 폭이야. 다만 자체 태스크로 검증하기 전에는 벤치마크 숫자를 그대로 믿지 마. 그리고 2027년 1월 가격 인상을 스프레드시트에 미리 넣어 둬.

기존 3.6 플래시를 쓰던 팀이라면 회귀 테스트를 준비해. 알고리즘 개선으로 성능을 올린 모델은 잘 풀던 문제의 답 형식이 미묘하게 달라지는 경우가 있어. 프롬프트가 특정 출력 패턴에 의존하고 있다면 확인이 필요해.

기업 IT 담당자라면 버텍스 AI 쪽 배포 경로를 확인해 봐. 새로운 벤더 심사 없이 기존 구글 클라우드 계약 안에서 붙일 수 있는지가 실무에서는 가장 큰 변수야.

문서 처리 워크플로를 운영한다면 GDP.pdf 12포인트 개선이 어디서 왔는지 자체 샘플로 확인해 볼 가치가 있어. 특히 표가 많은 PDF, 스캔 문서, 다국어 문서에서 차이가 나는지 봐.

긴 컨텍스트를 쓰는 팀이라면 100만 토큰이라는 숫자를 안전망으로 보되 실제 설계는 그보다 짧게 잡는 게 좋아. 컨텍스트가 길어질수록 중간 구간의 정보를 놓치는 현상은 어느 모델에나 있고, 이번 모델이 그 문제를 해결했다는 발표는 없었어. 검색이나 요약으로 입력을 미리 줄이는 단계를 붙여 두는 쪽이 정확도와 비용 양쪽에서 유리해.

일반 사용자라면 제미나이 앱에서 이미 이 모델을 쓰고 있을 가능성이 높아. AI Pro·Ultra 구독자는 160개국 이상에서 제미나이 스파크를 통해 접근할 수 있어.

코딩 도구를 고르는 개인 개발자라면 라우팅 설정을 한 번 열어 보는 게 좋아. 커서나 클라인 같은 도구는 모델을 직접 지정할 수 있는데, 반복 작업이 많은 리팩터링이나 테스트 작성은 플래시 급으로 내리고 설계 판단이 필요한 작업만 상위 모델로 올리면 체감 속도와 비용이 동시에 좋아져. 도구가 자동으로 골라 주는 기본값이 항상 최적은 아니야.

🥄 남은 궁금증 세 가지

— 3주 만에 나온 모델을 믿어도 돼? 벤치마크 상승폭 자체는 실측치라 믿을 만해. 다만 벤치마크와 실제 작업은 다르니까, 도입 전에 자기 작업으로 A/B를 돌려 보는 게 맞아. 특히 알고리즘 개선형 업데이트는 잘하던 것도 미묘하게 바뀔 수 있어.

— 연말 가격 인상이 진짜 두 배야? 구글이 공지한 정상가 기준으로는 그래. 입력 0.75달러가 1.50달러, 출력 3.75달러가 7.50달러가 돼. 다만 그 사이에 새 모델이 나와서 가격 구조가 다시 바뀔 가능성도 있어서, 지금 확정된 미래로 보기는 일러.

— 앤트로픽 클로드보다 나은 거야? 축이 달라. 이 모델은 최고 성능이 아니라 가격 대비 성능을 노린 자리야. 대량 반복 호출이 많은 워크로드면 유리하고, 한 번에 정확도가 중요한 작업이면 상위 모델을 쓰는 게 맞아. 하나로 다 하려는 설계 자체가 요즘은 잘 안 맞아.

참고 자료

숫자와 기준은 발표 시점 기준이라 바뀔 수 있어. 투자 판단은 각자의 몫!