중국의 새로운 AI는 GPT-5보다 30배 저렴합니다.

"매복"이라는 표현이 딱 맞는다. DeepSeek AI가 V3.2와 V3.2 스페셜을 늦은 밤 X 포스팅과 GitHub 푸시로 발표했지만, 화려한 키노트 없이도 AI 뉴스 사이클을 장악하는 데 성공했다. GPT-5 수준의 성능을 자랑하며, 에이전트에 맞게 조정된 오픈 소스 모델이 OpenAI의 플래그십에 비해 대략 30분의 1 가격으로 운영된다는 소문이 나면서, 즉시 가장 중요한 이야기가 되었다.

DeepSeek는 단순히 하나의 모델만 출시하지 않았습니다. 다음과 같은 모델을 출시했습니다: - DeepSeek-V3.2: 채팅 및 일상 작업을 위한 "표준" 모델 - DeepSeek-V3.2 Special (종종 "Thinking"이라고 불림): 복잡한 에이전트를 위해 설계된 느리고 깊이 있는 사고를 위한 변형 모델

두 시스템 모두 정중한 대화뿐만 아니라 다단계 도구 사용과 장기적 문제 해결을 위해 명시적으로 훈련된 "추론 우선" 시스템으로 도착합니다.

GPT-5급 모델의 오픈 소싱은 힘의 균형을 바꿉니다. 지난 1년 동안 최전선의 기능은 OpenAI, Anthropic 및 Google의 닫힌 API 뒤에 있었습니다. 이제 중국의 한 연구실이 GPT-5 / Claude 4.5 Sonnet에 근접하고 때로는 Gemini 3.0 Pro에 더 가까운 성능을 보이는 가중치를 배포하고 있습니다. 특히 추론 중심의 테스트에서 그렇습니다.

DeepSeek의 벤치마크와 초기 커뮤니티 실행 결과에 따르면 V3.2 Special이 수학 및 코딩 작업에서 뛰어난 점수를 기록하고 있습니다. '인류의 마지막 시험'이라는 악명 높은 어려운 벤치마크에서 V3.2는 약 25%에 도달하며, Special 변종은 30%에 도달합니다. Codeforces 스타일의 프로그래밍 및 LiveCodeBench에서 Special 모델은 특정 구성에서 GPT-5 High를 초과하며, 특히 수천 개의 중간 토큰을 사용하여 '생각'할 수 있을 때 더욱 두드러진 성과를 보입니다.

업계의 반응은 즉각적이었고 이례적으로 불안했다. 연구자들과 창립자들은 X에 나란히 비교한 자료, 백만 토큰당 비용 차트, 그리고 최초의 에이전트 데모를 쏟아냈다. 분위기는 "멋진 새로운 모델"이 아니라 "이것이 우리의 2025년 로드맵을 완전히 망쳤다"였다.

맥락이 이 문제를 더 심각하게 만듭니다. 서구 분석가들은 중국의 최전선 실험실이 6~12개월의 지연을 겪을 것이라고 여러 차례 예측했습니다. 그러나 DeepSeek는 그 격차를 주 단위로 압축하고 있습니다. V3와 V3.1에 이어 V3.2의 공개 가중치 및 에이전트 중심 훈련은 중국의 AI 기업들이 단순히 따라잡는 것을 넘어 많은 서구 경쟁자들이 폐쇄형 베타를 출시하는 것보다 더 빠르게 공개적으로 발전하고 있음을 나타냅니다.

DeepSeek는 단순히 "모델"을 출시한 것이 아니라, 이중주를 출시했습니다. DeepSeek V3.2는 표준 범용 시스템이며, DeepSeek V3.2 Speciale는 느리고 신중한 문제 해결 및 에이전트 작업 흐름을 위해 명시적으로 조정된 최대 추론 변형입니다. 두 제품은 같은 계열에 속하지만, 매우 다른 작업을 목표로 하고 있습니다.

V3.2는 이미 브라우저 기반 채팅 인터페이스에서 활성화되어 있으며 공용 API를 통해 노출되었습니다. 이는 누구나 코드 도움, 글쓰기, 분석 또는 가벼운 연구를 위해 GPT-4.1 또는 Claude 3.5 Sonnet처럼 일상적으로 사용할 수 있음을 의미합니다. 반면, Speciale는 웹 UI 전환 기능이 아직 없는 API 장벽 뒤에 숨겨져 있습니다.

목적상 V3.2는 균형을 추구합니다: 대기 시간, 비용, 그리고 정확성이 상시 사용에 맞춰 조정되며, 리더보드의 화려함을 위한 것이 아닙니다. Speciale는 이러한 제한을 넘어서서 긴 “생각” 트레이스를 생성하고, 추가 토큰을 소모하며, Humanity’s Last Exam, Codeforces, LiveCodeBench와 같은 벤치마크에서 사고의 깊이를 우선시합니다.

DeepSeek은 두 가지를 "추론 중심" 모델이라고 설명하지만, Speciale는 그 아이디어에 가장 큰 비중을 둡니다. 추론을 더 큰 변환기의 부수 효과로 취급하는 대신, 아키텍처는 모델이 도구, API 및 하위 에이전트를 조정할 것이라고 가정합니다. 설계 목표는 챗봇처럼 행동하기보다는 여러 작은 프로세스의 조정자처럼 행동하는 것입니다.

개발자들이 그들의 사용 사례를 어떻게 구성하고 있는지를 보여줍니다. V3.2는 다음을 위한 프론트엔드 두뇌입니다: - 고객 대면 채팅 - 일반 코딩 보조 도구 - 문서 및 데이터 분석

Speciale는 다음의 백엔드 전략가가 됩니다: - 다단계 에이전트 - 장기적 계획 - 수학 및 논리에 중점을 둔 작업

이러한 방식으로 라인업을 분리함으로써, DeepSeek는 다른 연구소들이 여전히 "사고 모드"와 비밀 플래그 뒤에 숨기는 것을 효과적으로 제품화합니다. 일상적인 상호작용을 위한 하나의 모델, 최대한의 추론을 위한 또 다른 모델 — 모두 에이전트 미래를 위해 처음부터 조정되었습니다.

DeepSeek의 벤치마크 슬라이드는 거의 허구처럼 들리는 이야기를 전합니다: GPT-5 High, Gemini 3.0 Pro, Claude 4.5 Sonnet과 함께하는 오픈 모델이 AI에서 가장 어려운 테스트들을 통과하고 있습니다. CodeForces에서 DeepSeek V3.2 Speciale가 GPT-5 High를 간신히 앞섰는데, 이는 CodeForces가 섬세한 추리의 빈틈이 빠르게 드러나는 실시간 경쟁 프로그래밍 장이라서 큰 의미가 있습니다.

인류의 마지막 시험은 더 큰 과시가 될 수 있습니다. 훈련 데이터 유출로 인해 "게임이 불가능하도록" 설계된 이 기준은 암기를 처벌하고 일반적인 추론에 보상을 제공합니다. DeepSeek V3.2의 기준은 약 25%에 이르며, V3.2 Speciale는 약 30%로 상승하여 많은 연구자들이 최전선 모델에 대한 스트레스 테스트로 여기는 GPT-5 High와 Gemini 3.0 Pro와 같은 범주에 속합니다.

논란은 비교 대상에서 시작된다. DeepSeek의 차트는 V3.2를 GPT-5.0과 일관되게 대결시키고 있는데, 이는 몇 주 전에 OpenAI가 출시한 최신 GPT-5.1이 아니다. 점검 업데이트가 수학, 코딩 및 다중 모드 추론에서 몇 퍼센트 포인트를 추가하는 경쟁에서, 5.0 대신 5.1을 선택하는 것은 단순한 실수가 아니라 전략적인 선택처럼 보인다.

또 다른 눈길을 끄는 점: 서로 다른 모델들 간의 동일한 점수. 슬라이드 덱에 있는 여러 벤치마크는 DeepSeek V3.2 Thinking, DeepSeek V3.2 Speciale 및 경쟁 모델들의 숫자가 소수점까지 일치하는 모습을 보여줍니다. 이러한 일치는 통계적으로 이상하며, 특히 Terminal Bench, LiveCodeBench 및 S-Resolve와 같은 이질적인 테스트에서 나타나며, 이는 과도한 반올림, 재사용된 기준선, 또는 지나치게 단순화된 시각화를 암시합니다.

DeepSeek는 차트에 “사고 토큰” 수를 직접 혼합하여 각 모델이 문제에 대해 얼마나 오랫동안 고민하는지를 광고합니다. V3.2 Speciale는 표준 모델에 비해 몇 퍼센트 포인트를 더 끌어내기 위해 상당히 더 많은 토큰을 소모하는 경우가 많습니다. 이는 실질적인 질문을 제기합니다: CodeForces에서 3–5%의 이득이 실제 사용자에게 2–3배 더 높은 추론 비용을 정당화할 수 있을까요?

이 모든 것이 핵심 요점을 무효화하는 것은 아니다: DeepSeek는 더 이상 작은 규모의 언더독이 아니다; 이제는 GPT-5, Claude 4.5, Gemini 3.0 Pro와 같은 고급 추론 벤치마크에서 동일한 성능 범위 내에서 운영되고 있다. 회사의 DeepSeek-V3.2 출시 - 공식 발표는 V3.2 Speciale를 금메달, 올림픽 수준의 추론 엔진으로 자리매김하고 있으며, 수치들도 대체로 이 이야기를 지지한다.

이 차트가 실제로 입증하는 것은 깔끔한 “DeepSeek가 GPT-5를 이긴다”라는 헤드라인이 아니라 동등함입니다. DeepSeek의 오픈 모델은 이제 지구상 최고의 클로즈드 시스템과 경쟁하며, 그 자체로 경쟁 환경을 재편하고 있습니다.

벤치마크는 DeepSeek V3.2를 강력한 모델로 보이게 하지만, 세부 사항을 살펴보면 실제로는 차이가 있음을 보여줍니다. 여러 추론 테스트에서 표준 모델은 GPT‑5 High 근처에 위치하지만, 여전히 더 어려운 다단계 작업에서는 Gemini 3.0 Pro와 Claude 4.5 Opus가 명확한 우위를 차지하고 있습니다. 이러한 모델들은 특히 프롬프트가 복잡해지거나 불명확해질 때, 긴 사고의 연쇄에서 더 높은 일관성을 유지합니다.

코딩은 현실의 냉혹함이 가장 강하게 느껴지는 곳입니다. SWE-bench와 SWE-bench Verified에서 Claude 4.5 Opus는 여전히 지배적이며, 실제 GitHub 리포지토리를 안정적으로 편집하고 DeepSeek V3.2가 따라잡을 수 없는 수준으로 종단 간 테스트를 통과합니다. DeepSeek의 CodeForces와 LiveCodeBench에서의 화려한 승리는 알고리즘 기술을 강조하지만, 이는 생산 수준의 리팩토링, 마이그레이션 또는 대규모 코드베이스 이해로 충분히 번역되지 않습니다.

추론 벤치마크도 비슷한 이야기를 전해줍니다. DeepSeek V3.2 Speciale는 인류의 마지막 시험과 수학 중심의 리더보드에서 눈에 띄는 숫자를 기록하지만, Gemini 3.0 Pro는 비전, 계획, 그리고 개방형 질의응답을 혼합한 폭넓은 “일반ist” 스위트에서 계속해서 선두를 유지하고 있습니다. Gemini의 장점은 다문서 합성, 긴 맥락 검색, 그리고 실제 작업처럼 보이는 도구 보강 워크플로우와 같은 작업에서 잘 나타납니다.

컨텍스트 윈도우 행동과 도구 사용 또한 이러한 시스템들을 구분합니다. DeepSeek의 사고 모드는 추가 토큰을 사용할 때 점수를 높이지만, Gemini와 Claude는 다음을 처리합니다: - 긴 맥락 인용 - 다중 도구 조정 - 혼합 텍스트 및 구조 입력 실패가 적고 더 적은 지원으로.

실제 사용성은 단일 리더보드와 깔끔하게 일치하는 경우가 드뭅니다. 지연 시간, 비용, 안전 장치가 어떤 비밀스러운 시험에서 +2%의 향상보다 중요합니다. DeepSeek V3.2의 주요 특징은 약 30배 낮은 가격으로 거의 GPT-5 수준의 성능을 제공한다는 점으로, 이는 매일 수천 건의 호출을 운영하는 스타트업에 대한 계산 방식을 변화시킵니다.

지금 모델 선택은 “누가 최고인가?”보다는 “누가 이 작업에 최고인가?”에 가까워 보입니다. Claude 4.5 Opus는 여전히 기업 규모의 코딩 및 복잡한 소프트웨어 유지보수에 적합한 선택입니다. Gemini Pro는 넓은 추론, 계획 및 연구에 있어 가장 안전한 선택으로 여겨집니다. DeepSeek V3.2는 공격적인 가격으로 제공되는 실력 있는 모델로, 모든 차트에서 절대적인 최고 점수보다 양과 실험이 더 중요할 때 승리합니다.

드문 주의(sparse attention)는 일반적으로 구현 세부사항처럼 들립니다. 딥시크 드문 주의(DeepSeek Sparse Attention, DSA)는 그렇지 않습니다. 이는 딥시크 V3.2가 GPT-5 급의 추론, 128k 토큰의 맥락, 그리고 미국보다 최소 한 자릿수 이상 더 저렴한 가격을 동시에 처리할 수 있게 해주는 핵심 기술입니다.

128k 윈도우의 모든 토큰을 동등하게 중요하게 다루는 대신, DSA는 "번개 인덱서"처럼 작동하며, 이는 DeepSeek이 출시 비디오에서 강조하는 비유입니다. 400페이지의 책을 한 줄씩 스캔하는 대신, 모델은 내부 인덱스를 조회하고 중요한 몇 페이지로 점프한 후, 그곳에서 계산 예산을 소모합니다.

전통적인 조밀한 주의(attention)는 시퀀스 길이의 제곱에 비례하여 스케일이 증가합니다; 4배 더 긴 컨텍스트는 약 16배 더 많은 작업을 의미할 수 있습니다. DSA는 주의를 희소하고 목표 지향적으로 만들어 이 관계를 깨뜨립니다. 모델은 학습된 관련성 패턴과 라우팅 논리에 따라 각 단계에서 소수의 주의 머리와 위치만 활성화합니다.

DSA는 기본적으로 학습된 희소성 패턴과 하드웨어 인식 레이아웃을 결합하여, GPU와 NPU가 명백히 관련 없는 토큰에 사이클을 낭비하지 않도록 합니다. 이는 128k 컨텍스트를 실행하는 비용이 오래된 아키텍처의 8k–32k에 가까워 보이기 시작하며, “오직 헤지 펀드만 이 비용을 감당할 수 있다”는 영역으로 폭증하지 않음을 의미합니다.

여기서 방대 컨텍스트는 허세 스펙이 아닙니다. 128k 토큰을 가진 DeepSeek V3.2는 전체 코드베이스, 다중 문서의 법적 사례, 또는 몇 달치의 채팅 기록을 단일 프롬프트에 유지할 수 있습니다. DSA의 선택적 집중은 모델이 3,000줄 전에 정의된 변수와 같은 장기 의존성을 추적할 수 있게 하며, 모든 중간 토큰에 대해 강제로 주의를 기울이지 않아도 됩니다.

비용은 그 효율성에서 직접적으로 발생합니다. 잠재적인 주의 상호작용의 10~20%만 실행된다면, 커널 수준 최적화를 고려하기 전에 GPU당 5~10배의 처리량 증가를 효과적으로 얻을 수 있습니다. 이를 클러스터 전체에 곱하면, 긴 맥락 작업을 위해 GPT-5보다 대략 30배 저렴한 공용 API 가격을 정당화할 수 있습니다.

능력과 가격은 보통 서로 맞바꾸는 관계입니다: 더 많은 매개변수, 더 많은 맥락, 더 긴 사고 시간, 더 높은 비용. DSA는 이 공식을 뒤집습니다. DeepSeek V3.2는 주의를 필요에 따라 자원으로 전환함으로써, 관련성이 높은 곳에만 사용하여 어렵고 복잡한 문제에 대해 더 깊이 있는 “사고”를 할 수 있도록 하면서도 추론 비용을 급증시키지 않습니다.

그 동일한 “번개 인덱서” 동작이 스페셜리 추론 변형을 구동합니다. 모델이 확장된 사고 모드에 들어가면 DSA는 생각의 연쇄가 재정적 블랙홀로 변하는 것을 방지하여 128k 컨텍스트 내에서 긴 다단계 추론 경로를 가능하게 하면서도 여전히 서구의 가격대보다 공격적으로 낮게 유지합니다.

챗봇은 질문에 답하지만, 에이전트는 일을 수행합니다. DeepSeek V3.2는 단순히 재치 있는 문장을 생성하는 대신 도구, API 및 다단계 계획을 조율하도록 설계되어 그 두 번째 진영에 확고히 진입합니다.

전통적인 LLM 워크플로우는 외부에서 도구를 붙이는 방식입니다: 모델이 대화하고, 래퍼 프레임워크가 언제 달력 API나 파이썬 실행 환경을 호출할지 결정한 다음, 결과를 다시 모델에 피드합니다. DeepSeek의 주장은 더 근본적입니다: "사고"와 도구 사용을 동일한 전방 패스 내에서 융합하여 모델이 계획을 세우는 동안 어떤 도구를 사용할지 추론할 수 있게 합니다.

DeepSeek V3.2의 내부 "사고 모드"는 단순한 숨겨진 활성화뿐만 아니라 구조화된 중간 추적을 생성합니다. 이러한 추적에는 명시적인 도구 선택 단계, 인수 구성 및 조건부 분기가 포함될 수 있으며, 이는 1,800개 이상의 환경과 85,000개 이상의 복잡한 지침 전반에 걸쳐 훈련 중에 감독됩니다. 부서지기 쉬운 if-this-then-tool-X 래퍼 대신에 도구를 선택하는 정책은 가중치에 존재합니다.

장난감 데모에서 실제 작업으로 넘어갈 때 이는 중요합니다. V3.2에게 $3,000 예산으로 일본 전역을 10일간 여행하는 계획을 요청하면, 비행기 검색, 기차 패스 비교, 호텔 가격을 예약 API에서 가져오는 과정을 거쳐 모든 것을 제약 조건에 맞춰 조정할 수 있습니다. 각 단계는 단일하고 일관된 사고의 연결 고리로 실행되며, 분리된 호출의 스택이 아닙니다.

데이터 작업도 다릅니다. 일반적인 “내 비즈니스 분석하기” 요청은 다음과 같은 작업을 포함할 수 있습니다: - 클라우드 저장소에서 CSV 파일 읽기 - CRM 내보내기와 조합하기 - 파이썬 기반 통계 테스트 실행하기 - 서사 요약 및 슬라이드 덱 작성하기

V3.2는 통합 도구 사용으로 각 파일을 열 시점, 실행할 기능, 이상치를 발견한 후 분석을 재실행할 시점을 결정할 수 있으며, 이는 모두 DeepSeek 희소 주의 기반의 사고 루프 내에서 이루어집니다.

자동화가 시작되면 이 시스템은 주니어 직원처럼 보이기 시작합니다. 주간 “오늘 영상의 링크” 요약을 요청하면, 에이전트가 전사본을 가져오고, URL을 추출하고, 분류하여 Notion을 업데이트하며, Mailchimp 발송 일정을 조정할 수 있습니다. 별도의 오케스트레이션 계층이 필요하지 않습니다. 모델 자체의 정책이 분기, 재시도 및 장기 계획을 처리합니다.

건축적으로, 이는 “LLM + 에이전트 프레임워크 + 도구 라우터”의 기존 구조를 단일 훈련된 시스템으로 통합합니다. DeepSeek는 V3.2의 첫 모델을 “에이전트를 위해 구축된” 모델이라고 부르며, DeepSeek GitHub 저장소에서는 도구 호출을 중간 소프트웨어에 의해 부가적인 요소로 붙여진 것이 아니라 일급 토큰으로 취급하는 훅을 이미 공개하고 있습니다.

에이전틱 AI는 다른 종류의 시험이 필요합니다. 모델에게 A, B, C 또는 D 중에서 선택하도록 요구하기보다는 새로운 에이전틱 벤치마크는 이들을 라이브 환경에 배치하고 그들의 행동을 관찰합니다. T2 벤치마크, MCP 유니버스, 툴 데카슬론과 같은 이름은 이제 MMLU나 GSM8K가 한때 중요했던 것만큼 중요한 의미를 갖습니다.

T2는 계획, 도구 호출 및 오류 복구를 연결하는 엔드 투 엔드 작업에 모델을 배치합니다. MCP 우주는 에이전트가 플롯을 잃지 않고 여러 도구, API 및 메모리 슬롯을 조정해야 하는 전체 모델 컨텍스트 프로토콜 스택을 시뮬레이션합니다. Tool Decathlon은 폭을 강조합니다: 데이터베이스부터 이메일, 코드 실행기까지 수십 개의 도구를 하나의 통합된 점수로 제공합니다.

이 테스트는 AI가 단순한 챗봇이 아닌 실제 작업자로 기능할 수 있는지를 측정합니다. 테스트는 지연 시간과 비용 제약 조건 하에서의 다단계 추론, 도구 선택 및 조정, 복잡한 실제 페이지에서의 브라우저/검색 행동을 평가합니다. MMLU에서 높은 점수를 받은 모델이라도 하위 작업을 잊거나 단일 API 호출을 잘못 라우팅하면 T2에서 실패할 수 있습니다.

딥시크 V3.2의 "에이전트를 위해 구축됨"이라는 주장은 이러한 숫자에 따라 결정됩니다. 내부 T2 스타일의 스위트에서 딥시크 V3.2는 사고 모드를 사용할 경우 GPT-5 High와 일치하거나 이를 위협하는 것으로 보고되었으며, V3.2 스페셜은 긴 시간 범위 작업에서 제미니 3.0 프로와의 격차를 좁힙니다. 하지만 안정성에서는 뒤처지며, GPT-5.1 및 클로드 4.5 소네트에 비해 더 많은 환각 도구 주장을 하며 간헐적인 반복 재시도 문제가 발생합니다.

에이전틱 벤치마크는 MMLU와 같은 정적인 테스트보다 더 중요해졌습니다. 이제 경계가 답변에서 행동으로 이동했기 때문입니다. 기업들은 AI가 티켓 대기를 관리하거나, 스프레드시트를 조정하거나, 500개의 제품에 대한 브라우저 기반 QA 흐름을 실행할 수 있는지에 대해 관심을 가지고 있습니다. 모델이 비행기를 예약하고 프로덕션 대시보드를 편집하기 시작하면, MMLU에서 1% 향상되는 것보다 실패한 도구 호출에서 10% 감소하는 것이 더 중요해집니다.

가격이 성능뿐만 아니라 DeepSeek V3.2를 현재 AI 스택에서 라이브 수류탄으로 만듭니다. DeepSeek는 GPT-5 Mini의 1토큰당 가격보다 대략 30배 저렴하며, GPT-5.1 High나 Claude 4.5 Opus와 같은 첨단 모델에 비해서는 더욱 그렇습니다. 이 차이는 단순한 반올림 오류가 아니라 구조적인 충격입니다.

DeepSeek의 자체 차트에 따르면 V3.2의 API 가격은 "예산 L3" 범위에 있으며, CodeForces, Humanity’s Last Exam 및 기타 추론 벤치마크에서 GPT-5급 점수를 기록하고 있습니다. 개발자들은 실질적으로 Claude Sonnet 가격 또는 그 이하의 비용으로 거의 최전선의 기능을 얻을 수 있습니다. 많은 작업 부하에 대해 "충분히 좋고 30배 저렴한" 것이 "약간 더 나은 하지만 파산에 이를 정도로 비싼" 것보다 우세합니다.

토큰당 비용은 예전에는 조용한 항목이었지만 이제는 주요 사양이 되었습니다. AI 중심의 제품, 즉 챗 지원, 코드 보조 도구, 문서 분석을 운영한다면 GPT-5 Mini를 DeepSeek V3.2로 교체함으로써 추론 비용을 대폭 줄일 수 있습니다. 대규모로 운영할 경우 AI는 사치스러운 기능에서 기본 인프라로 전환됩니다.

“계량하기에는 너무 저렴한 지능”은 월 요금이 실제로 폭락할 때 더 이상 슬로건이 아닙니다. 스타트업은 제한된 요청 대신 지속적인 백그라운드 작업을 수행하는 에이전트를 갑자기 고용할 수 있게 됩니다. 기업은 CFO가 브레이크를 밟지 않고 파일럿 프로젝트에서 벽면 전체 자동화로 이동할 수 있습니다.

이러한 가격 책정은 기존 업체들을 압박합니다. OpenAI, 구글, 그리고 Anthropic은 이제 세 가지 선택에 직면해 있습니다: DeepSeek의 가격에 맞추거나, 품질에서 앞서가거나, 아니면 개발자들이 중국의 오픈 모델로 조용히 이동하는 것을 지켜보는 위험을 감수해야 합니다. 이들 옵션은 특히 대규모 자본 지출과 안전 약속을 동시에 처리해야 할 때 편안해 보이지 않습니다.

공격적인 반응을 기대하세요. OpenAI는 기본적인 GPT-5 미니 티어를 출시할 수 있고, Google은 Gemini 3.0 나노 및 플래시 변형에 의존할 수 있으며, Anthropic은 대량 API 사용자에게 Claude 4.5 소네트를 할인할 수 있습니다. 이 세 회사 모두 또한 Azure, Google Cloud 또는 Amazon Bedrock과 같은 클라우드 크레딧에 모델을 묶어 실제 토큰당 비용을 숨길 수 있습니다.

개발자들은 결정적인 시기를 기다리지 않을 것입니다. 도구 공급업체, 독립 개발자, 심지어 대형 SaaS 업체들도 이번 분기에 DeepSeek V3.2와 GPT-5 Mini의 A/B 테스트를 시작할 것입니다. 통합이 완료되고 품질이 검증되면, 가격 인플레가 나머지를 해결합니다.

근사한 GPT-5 모델의 오픈 소스화는 자랑이 아니라 전략적 상승입니다. DeepSeek은 제한된 연구 라이선스나 제한된 샌드박스를 제시하는 것이 아니라, DeepSeek V3.2 가중치를 공개하여 누구나 자가 호스팅하고 포크하며, OpenAI, Google 또는 Anthropic의 허가 없이 미세 조정할 수 있도록 하고 있습니다.

개별 개발자에게 이것은 밀리언 토큰당 10~30달러의 요금이 있던 장벽을 허물었습니다. 독립 엔지니어는 이제 임대된 GPU에서 V3.2를 실행하고 이를 도구에 연동하여 이전에 GPT-5 Mini나 Claude 4.5 Sonnet와 같은 폐쇄형 모델에 접근해야만 가능했던 제품을 출시할 수 있습니다. 이러한 자유는 커스터마이징으로 확장됩니다: 틈새 도메인, 지역 언어, 독점적인 작업 흐름은 더 이상 미국 클라우드 제공자의 로드맵에 의존하지 않습니다.

소규모 기업들이 가장 큰 레버리지를 얻습니다. 다음 중에서 선택하는 대신에: - 증가하는 API 요금 지불 - 속도 제한 및 콘텐츠 필터 수용 - 단일 공급업체의 스택에 잠기기 그들은 프론티어 수준의 LLM을 인프라로 취급할 수 있습니다. 오늘은 DeepSeek V3.2로 교체하고, 내일은 또 다른 오픈 모델로 교체하며, 에이전트 로직, 데이터 파이프라인, 평가 하네스를 유지할 수 있습니다.

지정학적으로, 중국의 연구소가 개방적이고 고급 모델을 배송하는 것은 오직 미국의 거대 기업만이 첨단 기술의 기준을 정의할 수 있다는 이야기에 도전장을 내미는 것이다. DeepSeek의 움직임은 중국의 스타트업, 대학 및 국가 지원 프로젝트에 OpenAI와 구글의 대안이 되는 국내 대안을 제공하며, 동시에 서양 개발자들에게는 심각한 비미국 옵션을 제시한다. 이러한 이중성은 수출 통제 논의를 복잡하게 만든다: 상위 수준의 데이터가 이미 전 세계적으로 유통되고 있다면, 칩의 제한은 덜 중요해진다.

상품화가 잠재적 주제입니다. CodeForces와 Humanity’s Last Exam과 같은 기준에서 GPT-5 High와 경쟁하는 모델이 GitHub에 나타나면, “AI 방어선” 이야기가 흔들리기 시작합니다. 가치가 단일한 마법의 모델을 소유하는 것에서 배포, 데이터, 평가 및 통합된 주체적 시스템을 소유하는 것으로 이동합니다.

오픈 릴리스는 반복 작업을 가속화합니다. 연구자들은 실패 모드를 조사하고, DeepSeek 희소 주의(attention)를 최적화하며, 법률, 생명공학 또는 로봇공학을 위한 전문화된 포크를 구축할 수 있습니다. 각 포크는 생태계에 피드백을 제공하여 기준선을 높이고 폐쇄된 연구소가 그들의 프리미엄을 정당화하도록 압박합니다.

개발자들은 이제 명확한 신호를 받았습니다: 강력한 범용 인공지능은 더 이상 사치품이 아닌 기본적인 요소가 되고 있습니다. 진짜 경쟁은 OpenAI, Meta 또는 DeepSeek 공식 웹사이트에서 시작하든, 이 모델들을 신뢰할 수 있고, 감사 가능하며, 저렴한 제품으로 조정할 수 있는 능력으로 이동합니다.

DeepSeek V3.2로 전환하는 것은 비용, 에이전트, 또는 컨텍스트 길이를 절대적인 벤치마크 점수보다 더 중요하게 생각한다면 즉각적으로 의미가 있습니다. GPT-5 미니에 비해 API 사용 비용이 약 30배 더 저렴하여, 이전에 한 대의 예산으로 10~20 대의 에이전트를 운영할 수 있거나, 클라우드 요금을 폭탄처럼 늘리지 않고 몇 시간 동안 세션을 유지할 수 있습니다.

비용 민감한 제품이 먼저 진행되어야 합니다. 지원 봇, 내부 코파일럿, 분석 도우미 또는 주로 확고한 추론과 신뢰할 수 있는 도구 호출이 필요한 교육 도구를 운영하는 경우, V3.2는 더 빠르게 반복하고 더 많은 사용자에게 서비스를 제공할 수 있는 가격 대비 성능 비율을 제공합니다. 긴 컨텍스트 워크플로우—법률 검토, 연구 집계, 다문서 코딩—는 DeepSeek의 효율적인 주의력과 능동적 훈련의 혜택을 받습니다.

에이전트 중심의 스택이 진정한 강점입니다. V3.2는 1,800개 이상의 환경과 85,000개 이상의 복잡한 지침에 대한 학습을 통해 다단계 계획, 도구 조정 및 상태 저장 워크플로를 "채팅 우선" LLM보다 훨씬 더 잘 처리합니다. 다음과 같은 것들을 구축하고 있다면: - 다중 도구 자동화 (Sheets, Notion, CRM) - 검색 강화 연구 에이전트 - 대형 레포지토리에서 작동하는 코드 리팩터 봇 V3.2는 매력적인 기본 선택이 됩니다.

당신은 여전히 도구 상자에 다른 모델들을 보관해야 합니다. Claude 4.5는 엘리트 코딩(특히 대규모 리팩토링, 타입 시스템이 중요한 언어 및 미세한 버그 탐지)과 일관된 톤이 필요한 장문의 글쓰기에 여전히 최고의 선택으로 남아 있습니다. Gemini 3.0 Pro는 일반적인 추론 및 멀티모달 작업에서 V3.2보다 여전히 우위를 점하고 있으며, 가드레일과 세련됨이 원시 토큰 경제보다 더 중요한 소비자 대상 경험에서는 안전성이 더욱 높습니다.

실용적인 플레이북: DeepSeek V3.2를 고급 작업의 주축으로 사용하고, Claude 4.5와 Gemini는 "하드 모드" 코딩, 안전-critical 추론 및 대표적인 사용자 경험을 위해 예약하세요. 많은 스타트업 및 내부 도구의 경우, 모델 비용을 대폭 줄이면서도 GPT-5 Mini 수준의 결과를 맞추거나 초과할 수 있습니다.

판결: DeepSeek V3.2는 거의 무적의 가격 대비 성능 곡선을 제공합니다. 코딩이나 안전의 절대 최전선에서 살지 않는 한, 지금 시도하지 않는 것은 아마도 더 비싼 선택일 것입니다.

DeepSeek V3.2를 특별하게 만드는 것은 무엇인가요?

DeepSeek V3.2는 주요 릴리스로, GPT-5와 같은 최전선 모델과 경쟁할 수 있는 성능을 달성하는 오픈 소스 모델이지만, 비용은 훨씬 낮습니다. 이 아키텍처는 '대리적' 작업을 위해 특별히 설계되어 도구를 사용하고 다단계 작업을 수행할 수 있습니다. 단순한 채팅을 넘어서서요.

DeepSeek V3.2가 GPT-5나 Claude 4.5보다 더 나은가요?

경쟁이 치열합니다. 벤치마크에 따르면 특정 분야의 코딩 도전 과제에서 GPT-5 High와 같은 모델보다 성능이 우수합니다. 그러나 Claude 4.5 Opus와 Gemini 3.0 Pro와 같은 모델은 여전히 다른 분야에서 우위를 점하고 있습니다. DeepSeek의 주요 장점은 놀라운 가격 대비 성능 비율입니다.

딥시크 V3.2는 어떻게 이렇게 저렴한가요?

이 모델은 DeepSeek Sparse Attention (DSA)라는 새로운 기술을 사용합니다. 긴 프롬프트의 모든 정보를 처리하는 대신, '라이트닝 인덱서'를 사용하여 가장 관련성이 높은 부분만을 식별하고 집중함으로써 훨씬 더 효율적이고 비용이 적게 들도록 합니다.

'대행 AI' 모델이란 무엇인가요?

에이전트형 AI는 단순한 대화를 넘어 복잡한 다단계 작업을 수행할 수 있는 시스템입니다. 이 시스템은 추론하고, 계획하며, 외부 도구(API, 브라우저, 코드 인터프리터 등)를 사용하여 적극적으로 문제를 해결하고 목표를 달성할 수 있습니다. 이는 인간 에이전트와 유사합니다.