하루 종일 agent(스스로 도구를 쓰며 작업을 수행하는 AI)에게 코딩을 맡겼을 때 Gemini 4 Argon으로는 $30, DeepSeek V4.1-Flash로는 $2.10이 듭니다. 같은 작업량에서 약 14배 차이입니다. 이 숫자의 배경에는 2026년 10월 DeepSeek이 내놓은 두 가지 공개, 즉 MIT 라이선스의 open-weight(가중치를 공개한) 모델 V4.1-Flash-1017과 자사 API를 실제로 돌리는 추론 엔진 DeepInfer가 있습니다. 모델 가중치 공개는 이제 흔한 일이지만, 상용 서비스를 받치는 서빙 엔진을 통째로 내놓은 것은 업계에서 보기 드문 일입니다. 이 글은 두 공개가 무엇인지, 성능은 어디쯤인지, Claude Code에서 어떻게 쓰고 무엇을 조심해야 하는지 정리합니다.

사흘 간격으로 나온 두 가지 공개

첫 번째는 10월 17일에 나온 V4.1-Flash-1017입니다. 기존 DeepSeek Flash의 업데이트 버전으로 웹, 앱, API에 바로 적용됐고, 가중치는 Hugging Face와 ModelScope에 MIT 라이선스로 올라왔습니다. 주요 사양은 다음과 같습니다.

항목 내용
context window(한 번에 처리할 수 있는 입력 길이) 1M token
총 parameter 약 7,630억 개(SafeTensors 메타데이터 기준, 활성 parameter 수는 미공개)
라이선스 MIT
API 모델명 deepseek-flash(구 deepseek-v4-flash도 자동으로 새 checkpoint로 연결)

API 모델명이 자동으로 갱신되기 때문에 기존 사용자는 코드를 고치지 않아도 새 모델을 쓰게 됩니다.

두 번째는 사흘 뒤인 10월 20일에 Apache 2.0 라이선스로 GitHub에 공개된 DeepInfer입니다. DeepSeek의 대규모 상용 서비스를 실제로 돌리는 엔진이며, 공개 며칠 만에 GitHub star 21,000개를 넘겼고 Hacker News에서는 2,352점을 얻어 이달 AI 소식 가운데 가장 큰 관심을 받았습니다.

성능은 어디쯤인가

DeepSeek이 공개한 benchmark(표준화된 성능 평가) 수치에서 이전 Flash 버전 대비 가장 큰 향상은 Terminal-Bench 4.0입니다.

benchmark 이전 Flash V4.1-Flash-1017 변화
Terminal-Bench 4.0 31.2% 42.3% +11.1점
ProgramBench 20.3% 29.1% +8.8점
DeepSWE v1.1 74.2% 77.0% +2.8점

DeepSeek은 점수 외에 작업 완료 속도가 빨라지고 출력 길이가 짧아졌다는 점을 강조합니다. 출력 길이는 비용과 직결됩니다. DeepSeek은 출력 token 단가가 입력 token의 4배이므로, 같은 일을 더 짧게 끝내면 그만큼 청구액이 줄어듭니다.

다만 이 모델을 최전선 모델로 착각하면 안 됩니다. Terminal-Bench 4.0 기준으로 Claude Opus 5.5는 66.4%, Kimi K3.1 Pro는 65.7%, GPT-6.1 Terra는 50.3%이고 V4.1-Flash는 42.3%입니다. 상위 모델과는 20점 넘게 차이가 납니다. 또 하나 주의할 점은 평가 환경입니다. DeepSeek은 Terminal-Bench 4.0을 Claude Code 안에서, DeepSWE는 Mini-SWE-V2 안에서 평가했는데, 어떤 harness(모델을 실행하고 도구를 연결하는 실행 환경)를 쓰느냐에 따라 점수가 크게 달라지므로 다른 연구소 수치와의 직접 비교는 신중해야 합니다.

결국 V4.1-Flash가 내세우는 가치는 '가장 뛰어난 모델'이 아니라 '흔한 코딩 작업에 충분한 성능을 아주 낮은 비용으로, 그것도 내가 소유할 수 있는 MIT 가중치와 함께' 제공한다는 점입니다.

DeepInfer가 드문 이유, 그리고 두 가지 단서

DeepInfer는 DeepSeek이 직접 만든 Apache 2.0 kernel 라이브러리인 FlashMLA, DeepGEMM, DeepEP를 바닥부터 쌓아 올린 구조입니다. 그 위에 MoE(Mixture-of-Experts, 여러 전문가 하위 모델 가운데 일부만 골라 쓰는 구조) 층을 GPU에 고르게 나누는 Expert Parallelism과 EPLB 부하 분산, DSpark speculative decoding(작은 모델로 먼저 예측해 생성 속도를 높이는 기법), 비동기 batch 스케줄링, JSON schema·정규식·문법에 맞춘 structured output이 올라갑니다. NVIDIA 하드웨어에서는 batch 구성과 무관하게 같은 prompt와 seed로 같은 결과가 나오는 결정적 sampling도 지원해, 간헐적으로 실패하는 agent를 디버깅할 때 쓸 수 있습니다.

가중치만 공개하면 '무엇을' 만들었는지는 알 수 있어도 '어떻게 싸게, 빠르게 서비스하는지'는 알 수 없습니다. DeepInfer는 바로 그 운영 설계도를 보여 주기 때문에, 모델 공개보다 더 큰 의미가 있다고 볼 수 있습니다.

소수 rack과 대규모 rack 벽을 연결한 데이터센터 통로

▲ 데이터센터급 cluster 전용 엔진

그러나 두 가지 단서가 붙습니다. 첫째, 하드웨어입니다. DeepInfer는 NVIDIA SM100 Blackwell급 GPU와 Huawei Ascend 950 NPU 같은 데이터센터용 칩에 맞춰 최적화돼 있습니다. DeepSeek의 benchmark 구성은 prefill(입력 처리)에 GPU 4장, decode(출력 생성)에 GPU 64장을 배정했습니다. 개발자 노트북이 아니라 수십 장의 GPU를 묶은 cluster를 위한 엔진입니다.

둘째, 오프라인 batch 추론만 지원합니다. 실제 온라인 서비스에 꼭 필요한 KV cache(이전 계산 결과를 저장해 재사용하는 메모리) 관리 시스템, prefill과 decode를 서로 다른 장비로 나누는 분리 서빙, 복제본 사이의 부하 분산은 이번 공개에서 빠졌습니다. 엔진은 받았지만 자동차 전체를 받은 것은 아닌 셈입니다.

Claude Code에서 DeepSeek 쓰기

7,630억 parameter 모델을 직접 띄울 수 있는 개발자는 거의 없으므로, 가장 빠른 시험 방법은 DeepSeek API입니다. DeepSeek은 api.deepseek.com/anthropic 경로에 Anthropic 호환 endpoint를 제공하므로 Claude Code를 코드 수정 없이 그대로 연결할 수 있습니다. 터미널에서 환경 변수 세 개만 설정하면 됩니다.

환경 변수 값
ANTHROPIC_BASE_URL api.deepseek.com/anthropic(Anthropic 호환 endpoint)
ANTHROPIC_API_KEY 본인의 DeepSeek API 키
ANTHROPIC_MODEL deepseek-flash

이 구성으로 두 가지 작업을 돌린 결과는 다음과 같습니다.

  • 작업 1: HTTP GET /health endpoint를 추가하고 JSON 상태 객체를 돌려주도록 한 뒤 PyTest를 실행했습니다. 첫 실행에서는 router를 mount하지 않아 404가 났지만, 모델이 스스로 원인을 찾아 고쳤고 8 turn, 9번의 도구 호출 끝에 테스트 2개가 0.41초 만에 통과했습니다.
  • 작업 2: 설정을 공유하는 파일 6개에 걸친 refactoring입니다. load_config를 참조하는 곳을 모두 찾고 config/loader.py 하나로 통합한 뒤, 환경 변수 우선순위 오류를 고쳐 두 번째 시도에서 모든 테스트가 0.62초에 통과했습니다.

두 작업을 합쳐 입력 120만 token, 출력 6만 token을 썼고 비용은 할증 없는 시간대 단가로 약 $0.22였습니다.

덤으로 DeepSeek은 Search와 Fetch 웹 API도 열었습니다. 정가는 1,000회 호출당 $0.75이지만, Claude Code, Codex, DeepSeek Harness에서 서버 측 도구로 부르면 2026년 10월 31일 16:00 UTC까지 무료입니다. 웹 검색이 필요한 agent를 만들고 있다면 이 기간에 시험해 볼 만합니다.

비용 계산과 가격 전쟁

입력 1,000만 token, 출력 100만 token을 쓰는 무거운 하루를 기준으로 하면 비용은 이렇게 갈립니다.

모델 입력 단가(1M당) 출력 단가(1M당) 하루 비용
DeepSeek V4.1-Flash(할증 없는 시간대) $0.15 입력의 4배 $2.10
GPT-6.1 Terra $1.00 $5.00 $15
Gemini 4 Argon $2.00 $10.00 $30

Gemini 4 Argon의 단가는 출시 기념 가격이며 11월 30일에 끝나고 이후 두 배가 될 예정입니다. 반면 DeepSeek에는 prompt caching 할인이 있어 cache miss는 1M당 $0.15, cache hit는 $0.003으로 반복 읽기가 50배 넘게 쌉니다. agent가 같은 코드베이스를 계속 읽는 작업에서는 이 차이가 더 벌어집니다.

동전 더미 크기가 다른 세 접시가 올려진 저울

▲ 하루 코딩 작업 비용 비교

해외 사용자가 놓치기 쉬운 점이 있습니다. DeepSeek API는 평일 01:00~04:00 UTC와 06:00~10:00 UTC에 token 단가가 두 배가 됩니다. 한국 시간으로 환산하면 오전 10시~오후 1시, 오후 3시~7시입니다. 대량 batch 작업이나 자동화 실행은 이 시간대를 피해서 돌리는 편이 좋습니다.

이번 공개는 10월 2주 동안 벌어진 open model 가격 전쟁의 일부이기도 합니다. Meta가 10월 15일 Muse Spark Open을 내놓았고, MiniMax는 10월 19일 M3.1 Flash로 $0.15 단가를 맞췄으며, Kimi는 11월 4일 K3.1 Pro 가중치 공개를 예고했습니다. 모델의 지능 자체가 값싼 범용 자원이 되어 가면서, 경쟁의 핵심은 기반 모델에서 harness, 도구 연동, agent workflow 쪽으로 옮겨 가고 있다고 보입니다.

바꾸기 전에 따져볼 네 가지

  1. benchmark는 자체 보고 수치이고 harness에 민감합니다. 옮기기 전에 자기 회사의 비공개 저장소에서 직접 돌려 보고 판단해야 합니다.
  2. API로 보낸 데이터는 DeepSeek 서버를 거칩니다. 데이터 보관 위치나 규제 요건이 엄격한 팀은 MIT 라이선스를 활용해 다른 곳에 호스팅하거나 직접 띄우는 쪽을 검토해야 합니다.
  3. 직접 호스팅할 때는 KV cache 계층을 특히 조심해야 합니다. Cloudflare가 10월 26일 공개한 사후 분석에 따르면 SGLang의 분리 서빙 bug 때문에 681,280 token이 넘는 긴 prompt에서 다른 고객의 데이터가 섞인 응답 155건이 유출됐습니다. Cloudflare는 문제를 고치고 SGLang 0.5.22 이상을 쓰라고 권고했습니다. 이 cache와 routing 계층이 바로 DeepSeek이 DeepInfer에 넣지 않은 부분입니다. 다중 사용자 환경에서 cache를 격리하는 설계가 얼마나 어려운지 보여 주는 사례입니다.
  4. V4.1-Flash는 어디까지나 경량 모델입니다. 복잡한 다중 파일 refactoring처럼 난도가 높은 일은 여전히 Claude Opus 5.5 같은 최전선 모델이 더 잘합니다.

따라서 권할 만한 전략은 난도에 따른 routing입니다. 양이 많은 boilerplate와 일상적인 코딩은 Flash에 맡기고, 어려운 설계 문제는 비싼 최전선 모델로 보내는 방식입니다.

정리와 할 일

DeepSeek V4.1-Flash는 상용 pipeline과 agent 작업에 쓸 만한, 매우 싼 일꾼 모델입니다. 최전선 모델을 대체하지는 못하지만 하루 $2.10이라는 숫자는 일상 코딩 작업의 대부분을 옮길 이유가 되기에 충분해 보입니다. 그리고 DeepInfer 공개는 모델보다 더 큰 이정표입니다. 상위 AI 연구소가 자기 서빙 infrastructure를 어떻게 운영하는지 보여 주는 공개 설계도가 생겼기 때문입니다. 다만 데이터센터급 하드웨어가 필요하고 온라인 서빙 계층이 빠져 있다는 점은 분명히 알고 접근해야 합니다.

독자가 지금 해 볼 수 있는 일은 다음과 같습니다.

  • 환경 변수 세 개를 설정해 Claude Code를 DeepSeek Flash에 연결하고, 자기 저장소의 실제 작업으로 비용과 품질을 재 봅니다.
  • 10월 31일 16:00 UTC까지 무료인 Search와 Fetch API를 서버 측 도구로 시험합니다.
  • 평일 01:00~04:00 UTC, 06:00~10:00 UTC의 두 배 요금 시간대를 피해 대량 작업을 배치합니다.
  • 쉬운 작업은 Flash, 어려운 작업은 최전선 모델로 보내는 routing 규칙을 팀 workflow에 넣습니다.
  • 직접 호스팅한다면 SGLang 0.5.22 이상을 쓰고 KV cache 격리를 점검합니다.