DEV Community: Rihpig

제미니 4 아르곤 벤치마크: 19개 항목 분석, 구글 테스트 방식 및 5개 패배

Rihpig — Fri, 02 Oct 2026 13:30:58 +0000

Gemini 4 Argon은 Google 출시 테이블의 19개 항목 중 13개에서 선두를 차지하고, CWE-bench v1에서는 GPT-6 Astra와 동점을 기록했습니다. 반면 FrontierSWE v2, Terminal-bench 4.0, PostTrainBench, Terminal-Bench Science 0.1, OSWorld-2.0에서는 뒤처집니다. 핵심 제약은 접근성입니다. Argon은 현재 Fairwind 프로그램 파트너에게만 제공되므로 Google 파트너와 일부 벤치마크 기관 외에는 아직 결과를 재실험할 수 없습니다.

오늘 Apidog를 사용해 보세요

아래에서는 각 항목의 측정 주체, Argon이 패배한 5개 항목, 방법론상 주의점, 사이버 평가, 타사 점수판, 그리고 접근 권한이 열리기 전에 Apidog에서 자체 평가를 구축하는 방법을 정리합니다. 모델 개요는 Gemini 4 Argon이 무엇인지부터 확인하세요. 구매 결정에는 Argon vs GPT-6 Astra vs Claude Opus 5.5를 참고할 수 있습니다.

각 항목을 측정한 주체가 포함된 전체 테이블

이 자료는 Google의 출시 게시물과 “2026년 10월 기준 결과”라는 제목의 평가 방법론 PDF에서 가져온 보고 결과입니다.

Google은 19개 Argon 점수 중 10개를 자체 계산했고, 나머지 9개는 공개 리더보드에서 가져왔습니다. 경쟁사 수치는 리더보드, Google 자체 실행 결과, 공급업체 시스템 카드 및 블로그 게시물 등 서로 다른 출처를 사용합니다. 굵은 글씨는 해당 항목의 선두 모델입니다.

벤치마크	Gemini 4 Argon	GPT-6 Astra	Claude Fable 5.1	Claude Opus 5.5	측정 주체
Vals Index	68.9%	63.1%	65.8%	67.0%	Vals AI
AutomationBench	51.3%	41.4%	31.4%	42.5%	Zapier 리더보드(비공개 세트)
Vals Finance Agent v2	65.4%	53.5%	58.9%	58.6%	Vals AI
Harvey Legal Agent	19.6%	5.4%	6.7%	3.8%	Vals AI
DeepSWE v1.1	77.9%	74.1%	67.4%	74.2%	Argon 자체 계산, Astra 리더보드, Anthropic 시스템 카드
FrontierSWE v2	55.0%	65.5%	56.3%	62.3%	Proximal 리더보드
Vibe Code Bench	91.9%	89.6%	90.3%	90.3%	Vals AI
Terminal-bench 4.0	57.4%	58.2%	57.9%	66.4%	Argon 자체 계산, 경쟁사 리더보드
PostTrainBench	45.3%	44.3%	40.2%	49.3%	모든 모델에 대해 자체 계산
Terminal-Bench Science 0.1	57.6%	68.1%	52.6%	63.3%	Argon 자체 계산, 경쟁사 리더보드
LABBench 2	88.8%	85.4%	68.6%	73.1%	모든 모델에 대해 자체 계산
RiemannBench	76.0%	72.0%	65.6%	69.6%	Surge 리더보드
GraphWalks up to 128K	99.7%	98.7%	91.4%	90.6%	모든 모델에 대해 자체 계산
GraphWalks 256K to 1M	84.2%	71.8%	65.0%	66.8%	모든 모델에 대해 자체 계산
Agent’s Last Exam	39.5%	34.2%	n/r	38.2%	Argon 자체 계산, 경쟁사 리더보드
OSWorld-2.0 (offline)	69.2%	72.6%	n/r	n/r	Argon 자체 계산, OpenAI 블로그 게시물에서 Astra
Chartography	71.6%	71.0%	46.2%	66.3%	Surge 리더보드
LVBench	91.7%	87.5%	79.7%	83.7%	모든 모델에 대해 자체 계산
CWE-bench v1	68.0%	68.0%	58.0%	67.0%	공개 리더보드

n/r은 보고되지 않음을 뜻합니다. Google 테이블에 없는 Grok 4.7도 CWE-bench 리더보드에서 68%를 기록해 3자 동점입니다.

출처 기준으로 나누면 다음과 같습니다.

9개 항목은 공개 리더보드(Vals AI, Zapier, Proximal, Surge, CWE-bench) 결과입니다.
- Argon은 이 중 7개에서 선두, 1개에서 동점을 기록했습니다.
Google은 5개 항목에서 4개 모델을 모두 자체 실행했습니다.
- Argon은 이 중 4개에서 선두입니다.
나머지 5개는 Google이 실행한 Argon 점수와 외부 경쟁사 점수를 조합했습니다.
- Argon의 5패 중 3패가 이 혼합 출처 그룹에서 발생했습니다.

Argon이 뒤처지는 부분과 에이전트 코딩에 미치는 영향

Argon이 뒤처진 5개 항목은 다음과 같습니다.

FrontierSWE v2: Argon 55.0%, Astra 65.5%. 모든 모델을 동일하게 평가한 리더보드에서 Fable 5.1(56.3%)과 Opus 5.5(62.3%)에도 뒤처져 4개 중 최하위입니다.
Terminal-bench 4.0: Argon 57.4%, Opus 5.5 66.4%. Astra와 Fable 5.1도 Argon보다 앞서며, Argon은 다시 최하위입니다.
PostTrainBench: Argon 45.3%, Opus 5.5 49.3%. Google이 모든 모델을 직접 실행한 항목에서 2위입니다.
Terminal-Bench Science 0.1: Argon 57.6%, Astra 68.1%. Fable 5.1보다만 앞서 3위입니다. Google은 Argon 시도에 대해 검증자 시간 초과를 6배 적용해 실행했습니다.
OSWorld-2.0 오프라인 하위 세트: Argon 69.2%, Astra 72.6%. Anthropic은 온라인·오프라인 점수를 합산해 보고하므로 Claude 모델 점수는 표시되지 않습니다.

에이전트 코딩 관점에서는 결과가 2승 2패로 나뉩니다.

영역	Argon 결과	해석
DeepSWE v1.1	77.9%, 1위	Argon은 미니-SWE 에이전트 도구로 실행됨
Vibe Code Bench	91.9%, 1위	Vals AI가 4개 모델을 동일하게 평가했지만 Astra와 차이는 1.6점
FrontierSWE v2	55.0%, 4위	리포지토리 수준 작업에서는 Astra·Claude보다 낮음
Terminal-bench 4.0	57.4%, 4위	터미널 중심 작업에서는 Opus 5.5가 크게 앞섬

터미널 중심 에이전트, 긴 리포지토리 수정, 멀티스텝 개발 작업을 운영한다면 전체 선두 횟수보다 FrontierSWE v2와 Terminal-bench 4.0 결과를 우선 검토하세요. Astra는 FrontierSWE에서 선두를 유지하고 있으며, GPT-6 Astra 실습에서 현재 사용 패턴을 확인할 수 있습니다. Claude 쪽은 Claude Fable 5.1 벤치마크 분석을 참고하세요.

블룸버그는 접근 권한이 있는 익명의 Google 직원이 Argon이 벤치마크 수치와 비교해 일부 코딩 및 프론트엔드 디자인 작업에서 기대에 못 미친다고 말했다고 보도했습니다. Google은 이 특성화가 부정확하다고 밝혔습니다.

테이블 해석을 바꾸는 방법론적 주의 사항

벤치마크를 제품 선택 기준으로 사용하기 전, 다음 조건을 확인해야 합니다.

양측 최대 노력 설정: Argon은 “가장 높은 사고 설정을 가진 Gemini API”로 실행됐습니다. Astra, Fable 5.1, Opus 5.5도 사용 가능한 최대 사고·추론 설정이 적용됐습니다. 기본 모델 동작, 지연 시간, 비용을 비교한 결과는 아닙니다.
LVBench 입력 프레임 차이: Google은 도구 없이 네 모델을 직접 실행했습니다. Gemini에는 1 FPS 샘플링을 적용했지만, Astra는 800프레임, Fable 5.1은 300프레임, Opus 5.5는 600프레임을 받았습니다. API 제한으로 인해 모델이 동일한 비디오 입력을 보지 못했습니다.
OSWorld는 3회 중 최고값: Argon 점수는 실행당 단일 시도로 3회 실행한 결과 중 최고값입니다. 평균 점수가 아닙니다.
Agent’s Last Exam 시간 창: Argon은 5시간 시간 창을 가진 ALE-Claw 도구로 실행됐습니다.
안전 필터 활성화: Agent’s Last Exam과 OSWorld에서는 안전 필터가 켜져 있었고, 플래그된 응답은 빈 문자열로 반환됐습니다. 이 조건은 Argon에 불리하게 작용할 수 있습니다.

DeepMind 사이버 페이지의 추가 평가

DeepMind 사이버 페이지는 출시 테이블 외에 4개 평가를 추가로 제공합니다.

사이버 평가	Gemini 4 Argon	비교
실제 취약점 발견	85.8%	Gemini 3.8 Flash Cyber 71.0%
Wiz 침투 테스트 벤치마크	70.9%	Gemini 3.8 Flash Cyber 58.2%
Gray Swan IPI 공격 성공률 (`k=15`, 낮을수록 좋음)	0.7%	차트 최저값, Kimi K3는 52.7%로 최고
CWE-bench v1	68%	Grok 4.7 및 GPT-6 Astra와 3자 동점, Opus 5.5는 67%

취약점 평가는 소스 접근 권한이 있는 “사이버 전문이 아닌” 내부 Antigravity 도구로 수행됐습니다. Wiz 테스트에서는 모델이 실행 중인 웹사이트와 공개 동작에만 접근하며, 애플리케이션 소스 코드는 제공되지 않습니다.

두 헤드라인 비교는 경쟁사 모델이 아니라 Google의 이전 사이버 모델을 기준으로 합니다. 실행 중인 API와 관련된 의미는 Argon 사이버 방어 설명에서 확인할 수 있습니다.

타사 점수판

다음 기관은 출시 직후 점수를 공개했으므로 사전 출시 접근 권한이 있었던 것으로 보입니다.

Artificial Analysis: Gemini 4 Argon(높음)을 지능 지수 53점, 223개 중 8위로 평가했습니다. 이 순위는 추론 설정을 각각 별도 계산합니다. 개별 모델 기준으로 Argon은 Fable 5.1 및 GPT-6 Astra와 동률이며, Opus 5.5(최대 58)와 Sonnet 5.5(최대 56)보다 낮습니다. AA-Omniscience에서는 Argon의 환각률을 15%, 정확도를 63%로 보고했으며 Astra는 환각률 최대 51%, 정확도 50%입니다. 지수 실행 비용은 작업당 $1.99이고, 작업당 약 62K 출력 토큰을 사용합니다. Astra는 최대 약 27K입니다. Artificial Analysis는 속도나 지연 시간 데이터를 제공하지 않습니다.
Vals AI: Argon을 Vals 지수 68.90%, 41개 중 1위이자 최초의 Gemini 모델로 평가했습니다. 테스트당 비용은 $15.68입니다. Vals AI는 테스트 구성에서 Google이 명시한 1M보다 낮은 최대 출력 262K를 기록했습니다.
Arena: Argon을 텍스트 리더보드에서 1525점으로 1위로 평가했습니다. 4,942표 기준 예비 결과이며, WebDev에서는 8위입니다.

언론에서 12승, 13승, 14승을 다르게 보도하는 이유

Google의 19개 항목을 기준으로 다시 계산하면 다음과 같습니다.

비교 대상	Argon 승리	동점	Argon 패배	보고되지 않음
세 경쟁사 모두 중 최고	13	1	5	0
GPT-6 Astra만	14	1	4	0
Claude Opus 5.5만	14	0	4	1
Claude Fable 5.1만	15	0	2	2

정리하면 다음과 같습니다.

13승: 전체 경쟁 모델 중 최고 점수를 기록한 항목 수입니다.
14승: Astra 또는 Opus 5.5와 일대일 비교할 때의 승리 수입니다.
12승: 전체 19개 항목을 기준으로 한 위 프레이밍과 일치하지 않습니다. 해당 수치를 인용한 출처가 어떤 항목을 제외했는지 확인해야 합니다.

점수 차이도 동일하지 않습니다. Harvey Legal Agent는 19.6% 대 6.7%로 차이가 크지만, Chartography는 0.6점 차이입니다. 따라서 단순 승수보다 실제 워크로드와 가까운 항목의 절대 점수와 차이를 확인하는 편이 안전합니다.

접근 권한이 열리는 날 자체 평가를 실행하는 방법

벤치마크는 Google의 도구와 프롬프트를 평가합니다. 실제 도입 판단에는 제품의 프롬프트, 출력 형식, 비용 상한, 실패 조건을 기준으로 한 회귀 평가가 필요합니다.

Argon이 공개되기 전에 현재 접근 가능한 모델로 평가 세트를 만들고, 나중에 모델 ID만 교체하세요.

실제 사용 사례와 일치하는 프롬프트를 선택합니다.
- 저장소 수정
- 터미널 작업
- 긴 문서 기반 질의
- 구조화된 JSON 출력
- API 호출이 포함된 에이전트 작업
Apidog에서 다음 환경 변수를 설정합니다.

   GEMINI_API_KEY=your_api_key
   GEMINI_MODEL=gemini-3.8-flash

Google은 아직 Argon의 모델 ID를 게시하지 않았으므로, 공개 시 GEMINI_MODEL 값만 변경할 수 있도록 구성합니다.

모델명을 URL이나 본문에 하드코딩하지 않고 {{GEMINI_MODEL}} 변수를 사용해 요청을 저장합니다.

   {
     "model": "{{GEMINI_MODEL}}",
     "input": "{{prompt}}"
   }

테스트 시나리오별로 요청을 그룹화하고, 최소한 다음을 검증합니다.
- HTTP 상태 코드
- 필수 JSON 필드 존재 여부
- 예상 콘텐츠 또는 정규식 일치
- 도구 호출 성공 여부
- usageMetadata 반환 여부
- 비용 상한을 위한 thoughtsTokenCount 상한

예를 들어 응답 사용량을 검사하는 조건은 다음처럼 설계할 수 있습니다.

   pm.test("응답이 성공 상태다", () => {
     pm.expect(pm.response.code).to.be.oneOf([200, 201]);
   });

   pm.test("usageMetadata가 존재한다", () => {
     const body = pm.response.json();
     pm.expect(body).to.have.property("usageMetadata");
   });

   pm.test("사고 토큰이 비용 상한 이하다", () => {
     const body = pm.response.json();
     const count = body.usageMetadata?.thoughtsTokenCount ?? 0;
     pm.expect(count).to.be.below(50000);
   });

현재 gemini-3.8-flash에서 전체 시나리오를 실행하고 보고서를 기준선으로 보관합니다.

Argon의 모델 ID가 공개되면 환경 변수만 교체하고 동일한 컬렉션을 다시 실행하세요.

GEMINI_MODEL=gemini-4-argon

Google은 “모든 새로운 모델”이 Interactions API에서 출시될 것이라고 밝혔으므로, 재현성을 위해 각 요청에서 사용한 Interactions API 버전도 함께 기록하세요. 가격과 제한 사항은 Argon vs Gemini 3.8 Flash 비교에서 확인할 수 있습니다.

자주 묻는 질문

Gemini 4 Argon의 벤치마크는 독립적으로 검증됐나요?

부분적으로 검증됐습니다. 19개 항목 중 9개는 모든 모델에 대한 공개 리더보드에서 가져왔으며, Artificial Analysis, Vals AI, Arena도 자체 결과를 공개했습니다. 나머지 항목은 Google이 Argon에 대해 실행한 결과입니다.

Gemini 4 Argon의 DeepSWE 점수는 얼마인가요?

DeepSWE v1.1에서 77.9%입니다. Opus 5.5(74.2%)와 Astra(74.1%)보다 높습니다. Argon은 미니-SWE 에이전트 도구로 실행됐고, 경쟁사 점수는 리더보드와 시스템 카드에서 가져왔습니다.

Argon은 벤치마크에서 GPT-6 Astra를 이기나요?

Google 테이블의 일대일 비교 기준으로 Argon은 Astra보다 14개 항목에서 승리하고, 1개에서 동점, 4개에서 패배했습니다. Artificial Analysis에서는 두 모델 모두 53점입니다.

이 벤치마크를 직접 다시 실행할 수 있나요?

아직은 어렵습니다. Argon은 Fairwind 파트너에게 제한되어 있으며 Google은 공식 출시일을 발표하지 않았습니다. Argon 출시일 추적기에서 출시 과정을 확인할 수 있습니다.

다음 단계

지금 실제 제품 시나리오를 평가 세트로 만들고 Gemini 3.8 Flash에서 실행해 기준 보고서를 저장하세요. Argon이 공개되면 모델 변수만 교체해 몇 분 안에 동일한 조건의 자체 비교 결과를 얻을 수 있습니다.

설정을 시작하려면 Apidog를 다운로드하세요.

제미니 4 아르곤 vs 제미니 3.8 플래시: 아르곤을 기다릴까, 지금 플래시를 선택할까?

Rihpig — Fri, 02 Oct 2026 13:28:50 +0000

Gemini 3.8 Flash는 오늘부터 사용할 수 있습니다. 2026년 12월 31일까지 100만 토큰당 입력 $0.75, 출력 $3.75로 책정된 무료 티어가 있는 안정적인 모델이며, 이후에는 각각 $1.50 및 $7.50로 변경됩니다. 출력 상한선은 64K입니다. Gemini 4 Argon은 아직 사용할 수 없습니다. Google의 출시 게시물에 따르면, 프로모션 기간(종료일 미정)에는 입력 $2, 출력 $10이며 이후에는 $4 및 $20로 가격이 책정됩니다. Google은 출력 제한이 1M 토큰이라고 밝혔고, 현재는 Fairwind 프로그램 참여자에게만 제공됩니다. 이번 분기에 출시해야 한다면 Flash로 시작하고, 설정 변경 한 번으로 Argon으로 전환할 수 있게 준비하세요.

지금 Apidog 사용해 보기

이 글에서는 두 모델의 사양, 출시 게시물에 공통으로 나타나는 벤치마크, 사이버 점수, 동일 호출 기준 비용을 비교하고 구현 관점의 선택 규칙을 정리합니다. 배경 정보는 Gemini 4 Argon이란 무엇인가 및 Gemini 3.8 Flash란 무엇인가를 참고하세요. 마지막 섹션에서는 전환을 단일 환경 변수로 만드는 Apidog 설정도 다룹니다.

나란히 비교: 오늘 호출할 수 있는 모델

	Gemini 3.8 Flash	Gemini 4 Argon
사용 가능 여부	Gemini API, AI Studio, Antigravity 및 Gemini Enterprise에서 안정적	Fairwind 프로그램 파트너 중 일부, Gemini Enterprise의 관리형 모델로 제공
모델 ID	`gemini-3.8-flash`	미공개
100만 토큰당 가격 (입력 / 출력)	2026년 12월 31일까지 $0.75 / $3.75, 이후 $1.50 / $7.50	소개 기간(종료일 미정) $2 / $10, 이후 $4 / $20
100만 토큰당 캐시된 입력	$0.075, 이후 $0.15	소개 기간 $0.10, 이후 $0.20 (입력 95% 할인)
출력 제한	65,536 토큰	1M 토큰(Google의 명시된 제한)
입력 창	1,048,576 토큰	미공개
사고 수준	`low`, `medium`(기본값), `high`; `minimal`은 HTTP 400 반환	문서화되지 않음
무료 API 티어	예, 속도 제한 있음	발표된 바 없음
소비자 접근	AI Pro 및 Ultra의 Gemini 앱, 검색의 AI 모드	아직 아님; AI Ultra 구독자가 첫 번째 대상이며 날짜 미정

구현 전에 다음 차이를 확인하세요.

Google은 Argon의 입력 창을 게시하지 않았습니다. 다만 자체 장문 컨텍스트 평가에는 최대 1M 토큰 프롬프트가 사용됐습니다.
Google은 Argon 출력 제한을 1M 토큰이라고 밝혔지만, Vals AI 등 최소 한 곳의 타사 평가자는 테스트한 구성에서 최대 출력 262K를 명시했습니다.
Argon 평가는 “가장 높은 사고 설정”으로 실행됐습니다. 높은 수준이 존재할 가능성은 있지만, Google은 수준 이름과 기본값을 공개하지 않았습니다.
Flash의 사고 수준은 Google의 사고 문서 및 3.8 Flash 사고 수준 가이드에서 확인할 수 있습니다.

Flash 무료 티어에는 속도 제한이 있으며, Google은 무료 티어 데이터가 “제품 개선에 사용된다”고 설명합니다. Google은 Argon을 무료로 사용할 방법을 발표하지 않았습니다. 현재 사용할 수 있는 무료 Gemini 모델은 Argon 무료 액세스 설명서를 참고하세요.

두 출시 게시물에 공통으로 나타나는 벤치마크 항목

Google의 두 모델 출시 표는 두 개의 텍스트 벤치마크를 공유합니다. 아래 수치는 Google이 보고한 값이며, Argon의 방법론은 두 항목 모두 Vals AI에 기인합니다.

벤치마크	Gemini 3.8 Flash (9월 2일 표)	Gemini 4 Argon (9월 30일 표)
Vals Finance Agent v2	61.4%	65.4%
Harvey 법률 에이전트 벤치마크	10.0%	19.6%

Google은 두 표를 한 달 간격으로, 서로 다른 경쟁 모델 세트와 비교해 게시했습니다. 따라서 이 차이는 통제된 A/B 테스트가 아니라 대략적인 방향성으로 해석해야 합니다.

그래도 법률 부문의 차이는 큽니다. Argon은 Harvey 법률 에이전트 벤치마크에서 19.6%로, Flash의 10.0%에 거의 두 배입니다. 금융 부문의 차이는 4포인트입니다.

Argon 표의 다른 항목은 텍스트 기준으로 3.8 Flash와 직접 대응하지 않습니다. Google의 3.8 Flash 표는 HLE-Verified를 보고했지만 Argon 표에는 없고, Flash의 DeepSWE 점수는 모델 카드 이미지에만 표시됐습니다. 타사 순위인 Arena Text 리더보드에서는 Argon (High)이 예비 투표에서 1위, Gemini 3.8 Flash (High)는 11위입니다. 측정 주체를 포함한 전체 19개 항목은 Argon 벤치마크 분석에서 확인할 수 있습니다.

사이버: Argon vs 3.8 Flash Cyber

DeepMind 사이버 페이지는 Argon을 Flash의 Fairwind 게이트 사이버 형제 모델인 Gemini 3.8 Flash Cyber와 비교합니다.

사이버 평가	Gemini 4 Argon	Gemini 3.8 Flash Cyber
실제 취약점 발견	85.8%	71.0%
Wiz 침투 테스트 벤치마크	70.9%	58.2%

두 모델은 모두 게이트 방식으로 제공됩니다.

Gemini 3.8 Flash Cyber는 Gemini Enterprise Agent Platform의 허용 목록 뒤에서 일반 출시됐습니다.
Argon은 Fairwind 전용입니다.

Fairwind 파트너가 아니라면, 이 수치는 현재 호출 가능한 모델 선택에 직접 영향을 주지 않습니다. 일반 Gemini 3.8 Flash가 지금 구축할 수 있는 기본 모델입니다.

두 모델의 동일 호출 비용

입력 100,000토큰과 출력 8,000토큰으로 한 번 호출한다고 가정해 보겠습니다.

현재 Gemini 모델은 3.8 Flash를 포함해 사고 토큰을 출력 토큰으로 청구합니다. Argon의 사고 토큰 청구 방식은 공개되지 않았으므로, 아래 계산은 Argon도 현재 Gemini 모델과 동일하게 청구된다고 가정합니다.

모델 및 기간	입력 비용	출력 비용	호출당 총 비용
3.8 Flash, 소개	0.1M × $0.75 = $0.075	0.008M × $3.75 = $0.030	$0.105
3.8 Flash, 2027-01-01부터	0.1M × $1.50 = $0.150	0.008M × $7.50 = $0.060	$0.210
Argon, 소개	0.1M × $2 = $0.200	0.008M × $10 = $0.080	$0.280
Argon, 표준	0.1M × $4 = $0.400	0.008M × $20 = $0.160	$0.560

Argon의 토큰당 요금은 Flash의 소개 및 표준 가격 모두에서 Flash의 8/3, 즉 약 2.67배입니다. 이 호출을 하루 1,000회 실행하면 Flash는 하루 $105, Argon은 소개 요금 기준 하루 $280입니다.

비용 계산 시에는 다음을 반영하세요.

토큰 수는 모델별로 달라질 수 있습니다. 동일 프롬프트라도 출력 및 사고 토큰 수가 다릅니다. Argon의 공개 평가는 가장 높은 사고 설정으로 실행됐고, 3.8 Flash에서는 높은 노력 수준이 더 많은 토큰을 사용할 수 있다고 Google이 경고합니다.
긴 출력은 계산 방식을 바꿉니다. 200,000토큰 응답은 Flash의 65,536토큰 제한을 넘으므로 여러 호출로 나눠야 합니다. Argon의 명시된 제한 내에서는 단일 응답으로 처리할 수 있습니다. 소개 요금 기준 0.2M × $10 = $2.00, 표준 요금 기준 $4.00입니다. 전체 1M 토큰 응답은 소개 요금 $10, 표준 요금 $20입니다.
소개 종료일은 Flash만 공개됐습니다. Flash 소개 가격은 2026년 12월 31일 종료됩니다. Argon 소개 가격의 종료일은 공개되지 않았습니다.

Gemini API 가격 책정 페이지에 따르면 Flash는 12월 31일까지 Batch 기능을 50% 할인된 가격($0.375 및 $1.875)으로 제공합니다. Google은 Argon의 Batch 가격을 공개하지 않았습니다. 자세한 내용은 Argon 가격 가이드 및 3.8 Flash 가격 가이드를 참고하세요.

Argon을 기다려야 할까요, 아니면 Flash를 사용해야 할까요?

지금 3.8 Flash로 출시해야 할 경우

다음 조건이라면 Flash로 시작하세요.

비용이 제한적일 때: Flash는 토큰당 Argon 비용의 3/8이며, Batch를 사용하면 추가로 절반까지 낮출 수 있습니다.
높은 볼륨을 처리할 때: 분류, 추출, 라우팅, 대규모 채팅은 1M 출력 토큰당 $10의 비용이 빠르게 누적됩니다.
오늘 바로 배포해야 할 때: Flash는 안정적인 모델 ID, 프로토타이핑용 무료 티어, 공개된 가격 일정을 제공합니다.
응답이 65,536토큰 이내일 때: 대부분의 API 워크로드가 여기에 해당합니다.

Argon을 계획해야 할 경우

다음 요청은 Argon 전환 후보로 분류하세요.

장기 작업: Google은 Argon이 “복잡하고 장기적인 워크플로우 전반에 걸쳐 심층적인 추론을 지속하도록 구축됐다”고 설명합니다.
64K를 넘는 출력: 전체 모듈 재작성, 긴 보고서, 대규모 마이그레이션처럼 1M 출력 제한이 필요한 작업입니다.
법률 또는 금융 에이전트: Google이 두 모델 모두에 대해 공개한 공통 항목에서 Argon이 우세합니다.
Fairwind 자격이 있는 경우: Argon은 현재 프로그램 참여자 중심 모델입니다.

둘 중 하나만 선택할 필요는 없습니다. 대부분의 트래픽은 Flash로 라우팅하고, 어려운 요청만 Argon이 출시된 뒤 동일한 구성 경로에서 전환할 수 있습니다.

하나의 저장된 요청, 두 가지 모델

핵심 패턴은 모델 이름을 환경 변수로 분리하는 것입니다.

지금은 gemini-3.8-flash로 요청을 실행합니다.
요청, 테스트, 사용량 기준선을 저장합니다.
Google이 Argon 모델 ID를 공개하면 환경 변수만 바꿉니다.
동일 프롬프트와 동일 테스트로 출력 및 토큰 사용량을 비교합니다.

Google은 Argon 모델 ID를 아직 공개하지 않았으므로 추측해서 하드코딩하지 마세요.

MODEL="${GEMINI_MODEL:-gemini-3.8-flash}"

curl -s -X POST \
  "https://generativelanguage.googleapis.com/v1beta/models/${MODEL}:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"contents":[{"parts":[{"text":"Summarize this contract clause in 3 bullets."}]}],
       "generationConfig":{"thinkingConfig":{"thinkingLevel":"medium"},"maxOutputTokens":8192}}'

generateContent 응답에는 usageMetadata가 포함됩니다. Apidog에서 다음을 설정하세요.

환경에 GEMINI_API_KEY와 GEMINI_MODEL을 저장합니다.
위 요청을 컬렉션에 저장합니다.
상태 코드 200을 검증하는 assertion을 추가합니다.
애플리케이션이 읽는 응답 필드를 검증합니다.
비용 한도에 맞춰 usageMetadata.thoughtsTokenCount의 상한을 검증합니다.
긴 응답이 예산을 초과하지 않도록 maxOutputTokens를 설정합니다.
테스트 시나리오에 추가한 뒤 Flash에서 실행하고, 결과 보고서를 기준선으로 보관합니다.

출시일에는 두 가지를 다시 확인해야 합니다.

Google은 “모든 새로운 모델”이 Interactions API로 출시될 것이라고 말했습니다. 하지만 Argon이 generateContent를 지원하는지는 공개하지 않았습니다. 따라서 POST https://generativelanguage.googleapis.com/v1beta/interactions 요청도 함께 저장하세요. 이 API에서는 generation_config.thinking_level을 사용합니다.
Argon의 사고 수준 이름은 문서화되지 않았습니다. Flash의 medium 설정이 그대로 적용된다고 가정하지 마세요.

Argon이 출시되면 모델 변수를 변경하고 동일한 요청을 다시 실행하세요. 그다음 출력, 오류율, usageMetadata, 호출당 비용을 Flash 기준선과 나란히 비교하면 됩니다.

FAQ

Gemini 4 Argon이 Gemini 3.8 Flash보다 더 나은가요?

두 출시 표에 공통으로 나타나는 텍스트 항목에서는 그렇습니다. Vals Finance Agent v2에서 65.4% 대 61.4%, Harvey Legal Agent Benchmark에서 19.6% 대 10.0%입니다. 다만 토큰당 비용은 약 2.67배이고, 아직 일반적으로 호출할 수 없습니다.

Gemini 4 Argon을 기다려야 할까요?

출시해야 한다면 기다리지 마세요. Google은 유료 API 고객과 AI Ultra 구독자를 시작으로 “가능한 한 빨리” 출시하겠다고 밝혔지만, 구체적인 출시 날짜는 제시하지 않았습니다.

새 프로젝트에는 Gemini 3.8 Flash와 Argon 중 무엇을 사용해야 하나요?

모델을 환경 변수로 분리한 뒤 3.8 Flash로 시작하세요. 긴 출력이 필요하거나 법률·금융 분야의 심층 작업이 필요한 요청은 Argon이 제공된 후 직접 프롬프트로 테스트하고 전환하세요.

Argon을 무료로 사용할 방법이 있나요?

아니요. Google은 무료 티어를 발표하지 않았습니다. 현재 사용할 수 있는 무료 Gemini 모델은 Argon 무료 액세스 설명서를 참고하세요.

Argon이 Gemini 3.8 Flash를 대체하나요?

Google은 그렇게 언급하지 않았습니다. Google은 Argon을 새로운 프론티어 모델이라고 부르고, 로이터 통신은 이전 Pro 라인보다 더 크다고 보도했습니다. 따라서 Flash와는 다른 등급의 모델로 보는 것이 적절합니다.

다음 단계

오늘 요청을 설정하고 3.8 Flash에서 실행한 뒤 결과 보고서를 저장하세요. Argon이 출시되면 동일한 요청을 몇 분 안에 재실행해, 실제 트래픽에서 추가 비용만큼의 가치가 있는지 확인할 수 있습니다.

비교 환경을 만들려면 Apidog를 다운로드하세요.

제미니 4 아르곤 대 GPT-6 아스트라 대 클로드 오푸스 5.5

Rihpig — Fri, 02 Oct 2026 13:27:03 +0000

Gemini 4 Argon은 GPT-6 Astra, Claude Opus 5.5 및 Claude Fable 5.1에 비해 Google의 벤치마크 표 19개 행 중 13개에서 선두를 차지했습니다. 하지만 점수보다 중요한 점은 오늘 Astra와 Opus 5.5는 구매할 수 있지만 Argon은 구매할 수 없다는 사실입니다. Google의 새 프론티어 모델은 현재 Fairwind 프로그램 방어자에게만 제공되며, 소개 기간에는 백만 토큰당 입력/출력 $2/$10, 이후 $4/$20입니다. 이는 Opus 5.5의 표준 가격과 동일합니다.

지금 Apidog를 사용해 보세요

이 글에서는 네 모델의 가격과 제한을 비교하고, 각 모델이 우세한 벤치마크를 작업 유형별로 정리합니다. 또한 점수를 직접 비교하기 어려운 이유와 라우팅 기준, 그리고 Apidog에서 실제 프롬프트로 모델을 비교하는 방법을 다룹니다. Argon이 처음이라면 Gemini 4 Argon이란 무엇인가부터 확인하세요. 출시 시점은 Argon 출시일 가이드를 참고하면 됩니다.

가격 및 제한 비교

Google의 비교 표에는 Claude Fable 5.1도 포함되어 있으므로 함께 비교해야 합니다. 가격은 모두 백만 토큰당 기준이며, 각 공급업체의 Google 출시 게시물, OpenAI GPT-6 Astra 모델 페이지, Anthropic 가격 페이지를 기준으로 합니다.

항목	Gemini 4 Argon	GPT-6 Astra	Claude Opus 5.5	Claude Fable 5.1
오늘 사용할 수 있나요?	아니요, Fairwind 전용	예	예	예
API 모델 ID	미공개	`gpt-6-astra`	`claude-opus-5-5`	`claude-fable-5-1`
입력	소개 $2, 이후 $4	$10	$4	$10
캐시된 입력	소개 $0.10, 이후 $0.20	$1	$0.20	$0.25
출력	소개 $10, 이후 $20	$50	$20	$50
최대 출력	1M, Google 명시 제한	128K	128K, Batch에서 300K 베타	128K
컨텍스트 창	미공개	1,050,000, 최대 입력 922K	1M	1M
긴 프롬프트 할증료	명시되지 않음	272K 입력 초과 시 전체 요청에서 입력·캐시 2배, 출력 1.5배	없음	없음

실무적으로는 다음 세 가지를 확인해야 합니다.

Argon의 표준 가격은 Opus 5.5와 동일합니다.

입력, 캐시된 입력, 출력 가격이 모두 일치합니다. 따라서 Argon의 비용 우위는 소개 기간에만 적용되며, Google은 소개 기간의 종료 시점을 공개하지 않았습니다.
Astra와 Fable 5.1은 토큰 단가가 높습니다.

Argon의 표준 입력/출력 요금 기준으로는 약 2.5배, 소개 요금 기준으로는 약 5배입니다.
최대 출력 제한은 실제 테스트 구성에 따라 달라질 수 있습니다.

Google은 Argon의 최대 출력을 1M 토큰으로 명시하지만, Vals AI는 테스트한 Argon 구성에서 최대 262K 출력을 기록했습니다.

요청별 비용 계산이 필요하면 Gemini 4 Argon 가격 책정을 참고하세요.

Google 표에서 각 모델이 선두를 차지하는 부분

먼저 전제 조건이 있습니다. 아래 수치는 Google의 표에서 가져온 것입니다. Argon 점수는 Google이 자체 평가하거나 리더보드에서 수집한 값이며, 경쟁 모델 점수는 대체로 공급업체 공개 수치 또는 공용 리더보드 결과입니다. 가능한 경우 최대 추론 설정을 기준으로 했지만, 실행 하네스가 다르므로 작은 차이는 노이즈로 보는 편이 안전합니다.

선두 모델	벤치마크	Argon	Astra	Fable 5.1	Opus 5.5
Argon: 지식 작업	Vals 인덱스	68.9%	63.1%	65.8%	67.0%
Argon: 지식 작업	AutomationBench	51.3%	41.4%	31.4%	42.5%
Argon: 지식 작업	Harvey의 법률 에이전트 벤치마크	19.6%	5.4%	6.7%	3.8%
Argon: 코딩	DeepSWE v1.1	77.9%	74.1%	67.4%	74.2%
Argon: 긴 컨텍스트	GraphWalks 256K ~ 1M, F1	84.2%	71.8%	65.0%	66.8%
Argon: 멀티모달	LV벤치	91.7%	87.5%	79.7%	83.7%
Argon: 멀티모달	차트 작성	71.6%	71.0%	46.2%	66.3%
Astra	FrontierSWE v2	55.0%	65.5%	56.3%	62.3%
Astra	터미널 벤치 과학 0.1	57.6%	68.1%	52.6%	63.3%
Astra	OSWorld-2.0, 오프라인 부분	69.2%	72.6%	보고되지 않음	보고되지 않음
Opus 5.5	터미널 벤치 4.0	57.4%	58.2%	57.9%	66.4%
Opus 5.5	PostTrainBench	45.3%	44.3%	40.2%	49.3%
동점	CWE-벤치 v1	68.0%	68.0%	58.0%	67.0%

Argon이 우세한 추가 항목은 다음과 같습니다.

Vals Finance Agent v2
Vibe Code Bench
LABBench 2
RiemannBench
최대 128K GraphWalks
Agent’s Last Exam

Fable 5.1은 이 표에서 어떤 행에서도 선두를 차지하지 못했습니다. CWE-bench v1에서는 DeepMind의 사이버 리더보드가 Argon, Astra, Grok 4.7의 68% 동점을 기록했고, Opus 5.5는 67%였습니다.

Gemini 4 Argon과 Fable 5.1만 비교하면, 두 모델이 모두 점수를 보고한 17개 항목 중 Argon이 15개에서 더 높은 점수를 기록했습니다. Fable은 FrontierSWE v2에서 56.3% 대 55.0%, Terminal-bench 4.0에서 57.9% 대 57.4%로 근소하게 앞섰습니다. Anthropic의 자체 수치는 Claude Fable 5.1 벤치마크에서, 전체 19개 행은 Gemini 4 Argon 벤치마크에서 확인할 수 있습니다.

격차를 신뢰하기 전에 확인할 세 가지

1. 경쟁 모델 점수는 Google이 직접 실행한 결과가 아닐 수 있습니다

Google의 평가 방법론에 따르면, 비-Gemini 모델 결과는 “별도로 언급되지 않는 한 공급업체의 자체 보고 수치에서 가져온 것”입니다. 일부 항목은 Vals AI, Proximal, Surge가 운영하는 공개 리더보드 결과입니다.

2. 벤치마크 하네스가 다릅니다

DeepSWE v1.1에서 Google은 mini-swe-agent 하네스로 Argon의 77.9%를 자체 계산했습니다. Astra 점수는 공개 리더보드에서 가져왔고, Anthropic 모델 점수는 시스템 카드에서 가져왔습니다.

LVBench에서는 비디오 프레임 수에도 차이가 있습니다.

Gemini: 초당 1프레임
Astra: 800프레임
Opus 5.5: 600프레임
Fable 5.1: 300프레임

Google은 이 차이가 API 제한 때문이라고 설명합니다. 따라서 멀티모달 점수를 비교할 때는 점수만 보지 말고 입력 샘플링 조건도 함께 확인해야 합니다.

3. 같은 모델도 차트마다 점수가 다를 수 있습니다

Opus 5.5의 Terminal-bench 4.0 결과는 하네스와 노력 설정에 따라 달라집니다. Anthropic은 xhigh 노력 설정에서 66.4%를 보고합니다.

여러 출처의 점수를 한 표에 합칠 때는 다음 메타데이터를 함께 기록하세요.

모델 버전
추론 또는 노력 설정
실행 하네스
도구 사용 가능 여부
입력 제한 및 출력 제한
벤치마크 실행 날짜

제3자 평가자의 의견

독립 리더보드는 공급업체 발표와 다른 관점을 제공합니다.

Artificial Analysis는 Argon을 223개 중 8위로 나열합니다. 다만 이 리더보드는 추론 설정별로 개별 항목을 계산합니다. 개별 모델 기준으로는 Argon이 53점으로 GPT-6 Astra 및 Claude Fable 5.1과 동점이며, Claude Opus 5.5의 최대 58점과 Claude Sonnet 5.5의 56점보다 낮습니다.

Artificial Analysis의 AA-Omniscience에서는 Argon의 환각률을 15%로, Astra의 최대 설정 환각률을 51%로 나열합니다.

Arena에서는 Argon이 4,942표를 기준으로 예비 1525점으로 텍스트 부문 1위를 기록했고, Opus 5.5는 4위였습니다. Vals AI에서는 Argon이 Vals 인덱스 41개 모델 중 1위를 차지했으며, 이 인덱스에서 1위를 기록한 최초의 Gemini 모델입니다.

다만 실제 사용 경험은 벤치마크와 다를 수 있습니다. 블룸버그 보도에 따르면, Argon 접근 권한이 있는 일부 Google 직원은 일부 코딩 및 프론트엔드 디자인 작업에서 기대에 미치지 못한다고 평가했습니다. Google은 이 특징화가 부정확하다고 밝혔습니다.

어떤 모델로 라우팅할 것인가

2026년에는 모든 작업에서 최고인 단일 프론티어 모델은 없습니다. 모델 라우팅은 작업 특성, 비용, 지연 시간, 출력 길이, 도구 호출 품질을 기준으로 결정해야 합니다.

작업	오늘 라우팅	Argon 출시 시
법률, 금융 및 사무 자동화 에이전트	Opus 5.5, Vals 인덱스 67.0%	Argon 테스트: 지식 작업 4개 행에서 선두
터미널 중심 코딩 에이전트	Opus 5.5, 터미널 벤치 4.0 66.4%	Opus 5.5가 여전히 선두
에이전트 소프트웨어 엔지니어링	Astra, FrontierSWE v2 65.5%, 또는 Opus 5.5	Argon은 DeepSWE 선두지만 FrontierSWE에서는 뒤처짐. 둘 다 테스트
컴퓨터 사용 및 GUI 에이전트	Astra, OSWorld-2.0 72.6%	Astra는 OSWorld 선두, Argon은 Agent’s Last Exam 선두
256K+ 토큰 프롬프트 추론	Opus 5.5, 할증료 없음, 또는 Astra, 272K 초과 할증료	Argon, GraphWalks 256K ~ 1M 84.2%
비디오 및 차트 이해	Astra, LV벤치 87.5%	Argon, 91.7%. 프레임 수 조건 확인 필요
과학 및 ML 엔지니어링	Astra, 터미널 벤치 과학, Opus 5.5, PostTrainBench	Argon은 LABBench 2와 RiemannBench에서 선두. 자체 테스트 필요
128K 토큰 초과 단일 응답	Batch의 Opus 5.5, 300K 베타	Argon, Google 명시 기준 최대 1M
대량·비용 민감 작업	Opus 5.5, $4/$20	Argon 소개 기간에는 $2/$10

최고 점수보다 비용이 중요하다면 GPT-6 Sol 대 Claude Opus 5.5 비교로 OpenAI의 저렴한 Sol 라인과 Opus를 함께 검토하세요.

자신의 프롬프트로 세 모델 비교하기

공급업체 벤치마크만으로는 실제 사용자 프롬프트의 품질, 비용, 지연 시간을 알 수 없습니다. Apidog에서 작은 평가 시나리오를 만들면 현재 구매 가능한 모델을 비교하고, Argon 출시 후 동일한 조건으로 재실행할 수 있습니다.

1. 모델별 요청을 준비합니다

한 프로젝트에 다음 세 요청을 만듭니다.

GPT-6 Astra 요청
Claude Opus 5.5 요청
Gemini 요청

Gemini 요청의 모델 필드는 하드코딩하지 말고 변수로 관리합니다.

{
  "model": "{{GEMINI_MODEL}}",
  "input": "{{SHARED_PROMPT}}"
}

Google이 Argon의 모델 ID를 공개하기 전까지는 GEMINI_MODEL을 gemini-3.8-flash로 설정하고, 출시 후 Argon ID로 교체합니다.

각 공급업체의 요청 형식은 GPT-6 Astra API 가이드와 Claude Opus 5.5란 무엇인가에서 확인할 수 있습니다.

2. 환경 변수로 API 키와 공통 프롬프트를 관리합니다

다음처럼 공급업체별 키와 공통 입력을 분리합니다.

OPENAI_API_KEY=...
ANTHROPIC_API_KEY=...
GOOGLE_API_KEY=...

SHARED_PROMPT=...
GEMINI_MODEL=gemini-3.8-flash

세 요청이 정확히 같은 입력을 받도록 SHARED_PROMPT를 사용해야 합니다. 비교 시 시스템 프롬프트, 온도, 최대 출력 토큰, 도구 정의도 가능한 한 동일하게 맞추세요.

3. 품질과 비용을 함께 검증하는 어설션을 추가합니다

각 요청에 최소한 다음 검증을 추가합니다.

HTTP 상태 코드가 200인지
응답 텍스트가 비어 있지 않은지
출력 토큰이 상한선 이내인지
계산된 요청 비용이 예산 이내인지
JSON 출력이 필요하다면 스키마를 충족하는지
도구 호출이 필요하다면 함수명과 인수가 유효한지

예를 들어 비용 검증용 기준 값을 다음처럼 환경 변수로 분리할 수 있습니다.

MAX_OUTPUT_TOKENS=8000
MAX_REQUEST_COST_USD=0.50

4. 테스트 시나리오로 묶어 반복 실행합니다

세 요청을 하나의 테스트 시나리오로 구성한 뒤, 같은 프롬프트 세트로 반복 실행합니다. 결과에서 다음 항목을 비교하세요.

성공률
응답 시간
출력 토큰 수
계산된 비용
형식 준수 여부
도구 호출 성공률
사람이 검토한 품질 점수

비용 계산 예시

20,000 입력 토큰과 4,000 출력 토큰을 사용하는 요청을 가정해 보겠습니다.

GPT-6 Astra

입력: 20,000 × $10 / 1,000,000 = $0.20
출력: 4,000 × $50 / 1,000,000 = $0.20
총비용: $0.40

Claude Opus 5.5

입력: 20,000 × $4 / 1,000,000 = $0.08
출력: 4,000 × $20 / 1,000,000 = $0.08
총비용: $0.16

Gemini 4 Argon

소개 요금에서는 다음과 같습니다.

입력: 20,000 × $2 / 1,000,000 = $0.04
출력: 4,000 × $10 / 1,000,000 = $0.04
총비용: $0.08

표준 요금에서는 총 $0.16으로 Opus 5.5와 동일합니다.

다만 토큰당 가격과 작업당 비용은 다릅니다. Artificial Analysis는 Argon이 작업당 약 62K 출력 토큰을, Astra가 최대 노력 설정에서 약 27K 출력 토큰을 기록했다고 측정했습니다. 따라서 실제 비용을 판단하려면 자신의 프롬프트에서 출력 토큰 수를 측정해야 합니다.

Argon이 출시되면 GEMINI_MODEL만 변경하고 같은 시나리오를 재실행하세요. 그러면 현재 구매 가능한 Astra 및 Opus 5.5와 동일한 조건에서 비교할 수 있습니다.

자주 묻는 질문

Gemini 4 Argon이 GPT-6 Astra보다 좋나요?

Artificial Analysis에서는 두 모델이 53점으로 동점입니다. Google의 표에서는 Argon이 다수 항목에서 더 높은 점수를 기록했지만, Astra는 FrontierSWE v2, Terminal-Bench Science 0.1, OSWorld-2.0에서 승리했습니다. 또한 Astra는 오늘 바로 사용할 수 있습니다.

Gemini 4 Argon과 Claude Opus 5.5 중 어떤 모델이 더 좋나요?

Google의 표는 대부분의 행에서 Argon에 유리합니다. 반면 Opus 5.5는 Terminal-bench 4.0과 PostTrainBench에서 승리했고, Artificial Analysis에서는 58 대 53으로 앞섭니다. Argon의 표준 가격과 Opus 5.5의 가격은 동일합니다.

Gemini 4 Argon이 Claude Opus 5.5보다 저렴한가요?

소개 기간에는 Argon이 입력/출력 $2/$10으로 Opus 5.5의 $4/$20보다 저렴합니다. 소개 기간 이후에는 표준 가격이 동일하며, Google은 소개 기간의 종료 시점을 명시하지 않았습니다.

가장 큰 출력 제한을 제공하는 모델은 무엇인가요?

Argon은 Google이 명시한 기준으로 최대 1M 토큰 출력입니다. 다만 Vals AI는 테스트 구성에서 최대 262K를 기록했습니다. 나머지 모델은 동기식 출력이 128K로 제한됩니다. 1M 출력 토큰 가이드에서 클라이언트 구현 시 고려할 점을 확인하세요.

오늘 Gemini 4 Argon을 사용할 수 있나요?

현재는 Google Fairwind 프로그램을 통한 검증된 사이버 방어 파트너만 사용할 수 있습니다. 유료 API 고객과 Google AI Ultra 구독자가 다음 대상이지만, 제공 날짜는 공개되지 않았습니다.

작업 부하별로 선택하고, 반드시 테스트하세요

Argon은 지식 작업, 긴 컨텍스트, 멀티모달 벤치마크에서 가장 강력해 보입니다. Astra는 FrontierSWE, Terminal-Bench Science, OSWorld에서 강점을 보이며, Opus 5.5는 터미널 작업과 ML 엔지니어링에서 강합니다.

구현 전략은 단순합니다.

지금 구매 가능한 Astra와 Opus 5.5로 먼저 구축합니다.
Gemini 모델 ID는 환경 변수로 관리합니다.
공통 프롬프트와 어설션을 포함한 평가 시나리오를 만듭니다.
Argon이 출시되면 모델 변수만 변경해 동일한 테스트를 재실행합니다.
벤치마크 점수 대신 실제 성공률, 비용, 지연 시간으로 라우팅 결정을 내립니다.

한 프로젝트에서 세 모델 요청을 비교하려면 Apidog를 다운로드하세요.

제미니 4 아르곤 가격: 출시가 $2/$10, 일반가 $4/$20, 100만 토큰 답변 비용

Rihpig — Fri, 02 Oct 2026 09:58:08 +0000

Gemini 4 Argon은 도입 기간 동안 입력 100만 토큰당 2달러, 출력 100만 토큰당 10달러이며, 도입 기간 이후에는 각각 4달러와 20달러입니다. 캐시된 입력은 입력 가격에서 95% 할인되어 도입 기간에는 100만 토큰당 0.10달러, 이후에는 0.20달러입니다. 구글은 도입 기간의 종료 시점을 공개하지 않았고, Argon은 아직 일반 구매가 불가능합니다. 현재는 Fairwind Program의 사이버 방어자에게만 제공됩니다.

지금 Apidog 사용해 보기

이 글에서는 이 가격표를 실제 예산 수치로 바꿉니다. 현재 모델 7종과 비교하고, 4가지 호출 시나리오를 계산하며, 태스크당 비용과 출시 전에 설정할 비용 통제를 다룹니다. 모델 자체는 Gemini 4 Argon이 무엇인지, 접근 가능 여부는 Gemini 4 Argon이 무료인지를 참고하세요. Apidog에서는 현재 호출 가능한 모델을 대상으로 비용 검증을 구성한 뒤, 나중에 모델 ID만 교체할 수 있습니다.

가격표

구글은 Gemini 4 Argon 출시 게시물에서 가격을 공개했습니다. 도입 기간 이후 요율은 각주 1에 다음과 같이 명시되어 있습니다.

도입 기간 만료 후, 100만 입력 토큰당 4달러, 100만 출력 토큰당 20달러의 가격이 적용됩니다.

Gemini 4 Argon, 100만 토큰당	도입 기간	표준(도입 기간 후)
입력	$2.00	$4.00
캐시된 입력(입력 가격에서 95% 할인)	$0.10	$0.20
출력	$10.00	$20.00
응답당 최대 출력(Google)	100만 토큰	100만 토큰
100만 토큰 전체 출력 비용	$10.00	$20.00

캐시 요금은 구글의 95% 할인 규칙으로 계산했습니다.

도입 기간 캐시 입력 = $2.00 × 0.05 = $0.10
표준 기간 캐시 입력 = $4.00 × 0.05 = $0.20

구글은 입력 컨텍스트 창과 모델 ID를 아직 공개하지 않았습니다. 다만 출력 제한은 이전 64K 토큰에서 늘어난 100만 토큰이라고 밝혔습니다. 제3자 평가 기관인 Vals AI는 테스트한 구성에서 최대 출력 262K를 나열했습니다.

Argon vs 현재 최첨단 및 Gemini 모델

아래 가격은 모두 100만 토큰 기준입니다.

모델	입력	캐시된 입력	출력	최대 출력
Gemini 4 Argon(도입 기간)	$2	$0.10	$10	1M
Gemini 4 Argon(표준)	$4	$0.20	$20	1M
GPT-6 Astra	$10	$1	$50	128,000
Claude Opus 5.5	$4	$0.20	$20	128K(Batch에서 300K, 베타)
Claude Sonnet 5.5	$2	$0.20	$10	128K(Batch에서 300K, 베타)
GPT-6.1 Sol	$2	$0.10	$10	128,000
Claude Fable 5.1	$10	$0.25	$50	128K
gemini-3.1-pro-preview(프롬프트 <= 200K / > 200K)	$2 / $4	$0.20 / $0.40	$12 / $18	65,536
gemini-3.8-flash(도입 기간 / 2027년 1월 1일부터)	$0.75 / $1.50	$0.075 / $0.15	$3.75 / $7.50	65,536

비교 가격은 공급업체 공식 문서에서 가져왔습니다.

비용 관점에서 정리하면 다음과 같습니다.

표준 Argon은 Claude Opus 5.5와 동일합니다. 입력 $4, 출력 $20, 캐시 입력 $0.20입니다.
도입 기간 Argon은 Claude Sonnet 5.5 및 GPT-6.1 Sol과 입력·출력 요율이 같습니다. 모두 입력 $2, 출력 $10입니다.
GPT-6 Astra와 Claude Fable 5.1은 도입 기간 Argon보다 5배, 표준 Argon보다 2.5배 비쌉니다. 자세한 비교는 Claude Fable 5.1 가격을 참고하세요.
Argon의 도입 기간 출력 가격($10)은 gemini-3.1-pro-preview($12)보다 낮습니다.
긴 프롬프트는 별도 계산이 필요합니다. OpenAI는 입력 272K 토큰을 넘는 요청에서 전체 요청의 입력·캐시 비용을 2배, 출력 비용을 1.5배로 청구합니다. Gemini 3.1 Pro도 200K를 넘으면 더 높은 가격 계층을 적용합니다. Anthropic은 이런 계층을 적용하지 않습니다. Argon의 장문 프롬프트 계층 여부는 아직 공개되지 않았습니다.

가격뿐 아니라 성능까지 비교하려면 Gemini 4 Argon vs GPT-6 Astra vs Claude Opus 5.5를 참고하세요.

사고 토큰은 출력으로 청구됨

현재 Gemini 모델에서는 사고(thinking) 토큰도 출력 토큰으로 청구됩니다. 구글의 사고 문서에 따르면 응답 가격은 출력 토큰과 사고 토큰의 합계입니다.

구글은 Argon에 이 규칙을 명시적으로 문서화하지 않았습니다. 하지만 Argon 평가가 가장 높은 사고 설정으로 실행되었다고 밝혔으므로, $10 / 1M output tokens는 최종 답변과 내부 추론을 모두 포함하는 비용으로 해석하는 것이 안전합니다.

예산 계산 시 출력 토큰만 집계하지 말고, 응답 메타데이터에서 사고 토큰이 분리 제공되는지 확인하세요.

4가지 시나리오 분석

기본 공식은 다음과 같습니다.

비용 = (토큰 수 / 1,000,000) × 100만 토큰당 요율

시나리오 1~3은 캐싱을 사용하지 않는다고 가정합니다.

1. 일반적인 API 호출: 입력 20K, 출력 5K

도입 기간:

입력: 20,000 / 1,000,000 × $2  = $0.04
출력:  5,000 / 1,000,000 × $10 = $0.05
총계: $0.09

표준 기간:

입력: $0.08
출력: $0.10
총계: $0.18

하루 1,000회 호출 시 예상 비용은 다음과 같습니다.

기간	호출당 비용	하루 1,000회
Argon 도입 기간	$0.09	$90
Argon 표준 기간	$0.18	$180

동일한 요청의 모델별 비용은 다음과 같습니다.

모델	호출당 비용
Claude Opus 5.5	$0.18
GPT-6 Astra	$0.45($0.20 + $0.25)
gemini-3.1-pro-preview	$0.10($0.04 + $0.06)
gemini-3.8-flash 도입 기간	약 $0.034($0.015 + $0.019)

2. 긴 에이전트 턴: 입력 200K, 출력 50K

도입 기간:

입력: 200,000 / 1,000,000 × $2  = $0.40
출력:  50,000 / 1,000,000 × $10 = $0.50
총계: $0.90

표준 기간:

입력: $0.80
출력: $1.00
총계: $1.80

비교하면 GPT-6 Astra는 같은 요청에 $4.50($2.00 + $2.50)를 청구합니다. gemini-3.1-pro-preview는 $1.00($0.40 + $0.60)이지만, 200K는 해당 모델의 가격 계층 경계입니다. 이보다 긴 프롬프트는 입력 $4, 출력 $18 요율이 적용됩니다.

Argon에도 유사한 장문 프롬프트 계층이 생길 수 있으므로, 에이전트 워크플로에서는 다음을 분리해서 측정하세요.

시스템 프롬프트
도구 호출 결과
대화 히스토리
RAG 문서
모델 출력 및 사고 토큰

3. 최대 출력 응답 한 번: 100만 출력 토큰

출력 비용만 계산하면 다음과 같습니다.

도입 기간: 1,000,000 / 1,000,000 × $10 = $10.00
표준 기간: 1,000,000 / 1,000,000 × $20 = $20.00

100K 토큰 프롬프트를 추가하면 호출당 비용은 다음과 같습니다.

기간	출력 비용	100K 입력 비용	총 비용
도입 기간	$10.00	$0.20	$10.20
표준 기간	$20.00	$0.40	$20.40

표의 다른 모델은 이 정도 출력을 하나의 동기식 응답으로 생성하지 못합니다. 경쟁 모델의 일반적인 최대 출력은 128K이며, 이전 Gemini Pro는 65,536입니다.

Vals AI에 나열된 최대 출력 262K를 기준으로 계산하면:

도입 기간: 262,000 / 1,000,000 × $10 = 약 $2.62
표준 기간: 262,000 / 1,000,000 × $20 = 약 $5.24

긴 응답을 실제로 운영하려면 타임아웃, 스트리밍, API 게이트웨이 제한도 함께 검증해야 합니다. 관련 구현 고려 사항은 Gemini 4 Argon의 100만 출력 토큰에서 확인할 수 있습니다.

4. 캐시된 500K 토큰 프롬프트를 10번 재사용

동일한 500K 토큰 코드베이스 또는 계약 문서를 10번 전송하고, 각 호출이 5K 출력 토큰을 생성한다고 가정합니다.

가정:

첫 호출은 전체 입력 가격으로 캐시를 생성합니다.
이후 9회 호출은 캐시된 입력 가격을 적용합니다.
출력은 매 호출마다 5K 토큰입니다.

10회 호출, 500K 프롬프트, 각 5K 출력	도입 기간	표준
입력, 캐싱 없음(10 × 500K)	$10.00	$20.00
입력, 캐시됨(1회 전체 + 9회 캐시)	$1.00 + 9 × $0.05 = $1.45	$2.00 + 9 × $0.10 = $2.90
출력(10 × 5K)	$0.50	$1.00
캐싱 포함 총계	$1.95	$3.90
캐싱 없음 총계	$10.50	$21.00

이 시나리오에서 캐싱은 입력 비용을 85.5% 절감합니다.

다만 다음 두 가지는 아직 확인이 필요합니다.

구글은 Argon의 캐시 저장 비용을 공개하지 않았습니다.
gemini-3.1-pro-preview는 500K 토큰을 1시간 보관할 때 100만 토큰당 시간당 $4.50을 청구합니다. 동일한 조건이라면 500K 캐시에 $2.25가 추가됩니다.

Argon의 표준 캐시 입력 요율은 Claude Opus 5.5와 같은 $0.20입니다. 따라서 Claude Opus 5.5 프롬프트 캐싱 비용 계산의 손익분기점 계산 방식을 적용할 수 있습니다.

토큰당 가격이 태스크당 비용은 아니다

토큰 단가가 낮아도 모델이 더 많은 출력 또는 사고 토큰을 사용하면 태스크당 비용은 높아질 수 있습니다.

Artificial Analysis는 Gemini 4 Argon High 설정의 Intelligence Index 실행 비용을 도입 가격 기준 태스크당 $1.99로, The Decoder는 표준 가격 기준 동일 실행 비용을 $3.98로 나열합니다.

Artificial Analysis는 Argon을 53점으로 평가했으며, 이는 GPT-6 Astra 최대 설정과 같은 점수입니다. Astra의 태스크당 비용은 $3.26입니다.

핵심 차이는 토큰 볼륨입니다.

모델 및 설정	태스크당 출력 토큰	출력 단가	출력 비용
Argon High, 도입 기간	약 62K	$10 / 1M	약 $0.62
GPT-6 Astra 최대 설정	약 27K	$50 / 1M	약 $1.35

Argon은 출력 단가가 낮지만, Astra보다 약 2.3배 많은 출력 토큰을 사용하는 것으로 측정됐습니다. 표준 기간에서 The Decoder의 Argon 전체 태스크 비용 $3.98은 Astra의 표준 요율보다 60% 낮은 단가에도 불구하고 Artificial Analysis의 Astra 최대 설정 비용 $3.26보다 높습니다.

Vals AI도 같은 패턴을 보여줍니다.

Vals Index 모델	테스트당 비용
Gemini 4 Argon	$15.68
Claude Opus 5.5	$32.14
Claude Sonnet 5.5	$21.34
GPT-6.1 Sol	$3.24

Sonnet 5.5와 GPT-6.1 Sol은 표면적으로 Argon 도입 가격과 비슷하거나 같지만, 실제 테스트당 비용은 크게 다릅니다.

요율표만으로 예산을 세우지 말고, 자신의 워크로드에서 발생하는 입력·출력·사고 토큰을 측정하세요.

Argon 출시 전 설정해야 할 비용 통제

Argon이 일반 제공되기 전에 아래 통제를 현재 Gemini 모델에 적용해 두면 모델 ID만 교체해 바로 검증할 수 있습니다.

1. 출력 토큰 상한 설정

generateContent에서는 generationConfig.maxOutputTokens로 최대 출력을 제한합니다.

{
  "generationConfig": {
    "maxOutputTokens": 8192
  }
}

구글은 새 모델이 Interactions API에서 출시된다고 밝혔습니다. Argon 문서가 공개되면 해당 API의 출력 제한 필드를 확인해 같은 정책을 적용하세요.

100만 토큰 출력 제한은 표준 요율에서 호출당 최대 $20의 출력 비용을 의미합니다. 따라서 작업 유형별 상한을 별도로 두는 것이 좋습니다.

짧은 질의응답: 1K~4K
코드 리뷰: 4K~16K
긴 문서 생성: 별도 비동기 작업 및 스트리밍

2. 안정적인 콘텐츠 캐싱

시스템 지침, JSON 스키마, 반복 참조 문서, 코드베이스 컨텍스트처럼 호출 간 변경이 적은 콘텐츠는 캐시 대상으로 분리하세요.

캐싱 후보:

고정 시스템 프롬프트
도구 정의 및 함수 스키마
API 명세
반복되는 RAG 참조 문서
코드베이스 또는 계약서 묶음

캐싱은 입력 비용을 낮추지만, 저장 비용과 TTL이 공개되면 이를 포함해 손익분기점을 다시 계산해야 합니다.

3. 사고 수준을 의도적으로 선택

구글은 Argon의 사고 수준 옵션을 아직 공개하지 않았습니다. 현재 gemini-3.1-pro-preview는 기본적으로 high, gemini-3.8-flash는 medium으로 설정됩니다.

Argon 문서가 나오면 다음을 비교 테스트하세요.

낮은 사고 수준에서 품질이 유지되는가
사고 토큰이 전체 출력 비용에서 차지하는 비중은 얼마인가
작업별로 높은 사고 수준이 실제로 필요한가

모든 작업에 최대 사고 수준을 적용하면 출력 비용이 예산을 초과할 수 있습니다.

4. 사용량 기반 비용 어설션 추가

모든 generateContent 응답은 usageMetadata로 끝납니다. Apidog에서 모델 ID를 환경 변수로 관리하고, 응답 후 스크립트로 토큰 비용을 계산하세요.

권장 환경 변수:

GEMINI_MODEL=gemini-3.8-flash
INPUT_RATE=0.75
CACHED_INPUT_RATE=0.075
OUTPUT_RATE=3.75
MAX_COST_PER_REQUEST=0.10

비용 계산식은 다음과 같습니다.

cost = uncached_input / 1,000,000 × input_rate
     + cached_input   / 1,000,000 × cached_rate
     + (output + thinking) / 1,000,000 × output_rate

응답 메타데이터의 실제 필드명은 API 문서에 맞춰 확인해야 하지만, 검증 로직은 다음처럼 구성할 수 있습니다.

const usage = response.body.usageMetadata;

const uncachedInput = usage.promptTokenCount || 0;
const cachedInput = usage.cachedContentTokenCount || 0;
const output = usage.candidatesTokenCount || 0;
const thinking = usage.thoughtsTokenCount || 0;

const inputRate = Number(environment.INPUT_RATE);
const cachedRate = Number(environment.CACHED_INPUT_RATE);
const outputRate = Number(environment.OUTPUT_RATE);
const maxCost = Number(environment.MAX_COST_PER_REQUEST);

const cost =
  (uncachedInput / 1_000_000) * inputRate +
  (cachedInput / 1_000_000) * cachedRate +
  ((output + thinking) / 1_000_000) * outputRate;

pm.test("요청 비용이 예산 상한 이하이다", () => {
  pm.expect(cost).to.be.at.most(maxCost);
});

오늘은 gemini-3.8-flash로 이 검증을 실행하고, Argon의 모델 ID가 공개되면 GEMINI_MODEL 변수와 요율 변수만 교체해 다시 실행하면 됩니다.

구글이 아직 가격을 책정하지 않은 것

다음 항목은 아직 공개되지 않았습니다.

도입 기간의 길이와 $4/$20 요율 시작일
입력 200K 토큰 초과 시 장문 프롬프트 가격 계층 적용 여부
Batch 또는 Flex 가격
캐시 저장 비용
요청 및 토큰 기준 요율 제한
무료 계층 제공 여부

참고로 Gemini 3.1 Pro는 Batch와 Flex 가격을 제공하며, 입력은 $1/$2, 출력은 $6/$9입니다. Argon도 비슷한 옵션을 제공할지는 아직 알 수 없습니다.

FAQ

Gemini 4 Argon은 100만 토큰당 얼마인가요?

도입 기간에는 입력 $2, 출력 $10입니다. 이후에는 입력 $4, 출력 $20입니다. 캐시된 입력은 95% 할인되어 도입 기간에는 $0.10, 이후에는 $0.20입니다.

도입 가격은 얼마나 오래 지속되나요?

구글은 공개하지 않았습니다. 출시 게시물에 종료 날짜나 기간이 없습니다.

사고 토큰도 출력으로 청구되나요?

현재 Gemini 모델에서는 그렇습니다. 구글은 Argon의 규칙을 명시적으로 문서화하지 않았습니다.

100만 토큰 출력 응답 비용은 얼마인가요?

입력 비용을 제외하면 도입 가격은 $10, 표준 가격은 $20입니다.

Argon이 Claude Opus 5.5나 GPT-6 Astra보다 저렴한가요?

토큰당 가격 기준으로 표준 Argon은 Claude Opus 5.5와 같고, GPT-6 Astra보다 60% 저렴합니다. 하지만 태스크당 비용은 토큰 사용량에 따라 달라집니다. Artificial Analysis는 Argon이 Astra보다 약 2.3배 많은 출력 토큰을 사용할 수 있다고 측정했습니다.

더 낮은 비용의 Gemini 모델이 필요하다면 Gemini 3.8 Flash 가격을 참고하세요.

오늘 Argon을 구매할 수 있나요?

아니요. 현재 Fairwind Program 파트너에게만 제공됩니다. 유료 API 고객과 Google AI Ultra 구독자가 다음 대상이지만, 구체적인 날짜는 공개되지 않았습니다.

지금 예산을 세우고 나중에 측정하세요

현재 트래픽의 토큰 사용량에 $2/$10과 $4/$20 요율을 각각 적용하면 Argon 도입 기간과 표준 기간의 예산 범위를 계산할 수 있습니다.

그 다음 실제 측정을 자동화하세요.

Apidog 다운로드
GEMINI_MODEL을 환경 변수로 정의
gemini-3.8-flash 요청 저장
usageMetadata를 기준으로 비용 계산
호출당 비용 상한을 넘으면 테스트 실패
Argon 모델 ID가 공개되면 변수만 교체하고 테스트 재실행

이렇게 구성하면 Argon이 출시된 첫날부터 추정치가 아닌 실제 호출당 비용으로 운영 결정을 내릴 수 있습니다.

Gemini 4 Argon API: 확정된 내용, 예상 비용, 코드 준비 방법

Rihpig — Fri, 02 Oct 2026 09:57:34 +0000

아직 공개된 Gemini 4 Argon API는 없으며, Google도 모델 ID를 게시하지 않았습니다. Google은 2026년 9월 30일 Argon을 발표했고, 현재는 Fairwind 프로그램 방어자들(Fairwind 파트너가 Gemini Enterprise에서 관리형 모델로 사용하는 집단)에게만 제공하고 있습니다. Artificial Analysis는 Google AI Studio를 Argon의 유일한 API 제공업체로 기재하지만 속도나 지연 시간 데이터는 없습니다. 현재 상태는 가입 가능한 공개 엔드포인트가 아니라 허용 목록 기반의 사전 출시 액세스에 가깝습니다. Google은 더 넓은 출시가 시작되면 “유료 API 고객과 Google AI Ultra 구독자”부터 제공한다고 밝혔으므로, 유료 Gemini API 키를 사용하는 프로젝트가 우선 대상이 될 가능성이 높습니다.

오늘 Apidog를 사용해 보세요

발표와 실제 액세스 사이의 기간에는 전환 준비를 끝낼 수 있습니다. 이 글에서는 Google이 Argon API에 대해 확인한 내용과 아직 공개하지 않은 내용을 구분하고, 오늘 바로 실행 가능한 Gemini 3.8 Flash 코드로 전환 경로를 준비합니다. 목표는 Argon 모델 ID가 공개되었을 때 환경 변수 하나만 바꿔 전환하는 것입니다.

이 과정에서 다음을 구현합니다.

모델 ID와 사고 수준을 환경 변수로 분리
Interactions API와 generateContent 경로 동시 지원
models.list 기반 출시 감지
Apidog 응답 모의(mock)
Argon 표준 가격 기준 비용 상한선 테스트

모델 자체는 Gemini 4 Argon이 무엇인지, 출시 단계는 Gemini 4 Argon 출시일 가이드를 참고하세요.

Gemini 4 Argon API: 확인된 사항과 미공개 사항

Google의 출시 게시물에서는 가격과 출력 제한을 확인할 수 있습니다. 반면 실제 통합에 필요한 모델 ID, 요율 제한, 배치 지원 등의 정보는 아직 공개되지 않았습니다.

항목	상태	세부 정보
입력 가격	확인됨	100만 토큰당 $2(도입), 도입 기간 후 $4
출력 가격	확인됨	100만 토큰당 $10(도입), 도입 기간 후 $20
캐시된 입력	확인됨	입력 95% 할인: 도입 $0.10, 일반 $0.20
출력 제한	확인됨	64K에서 1M 토큰으로 증가
API 표면	신호됨	Google 문서에 따르면 모든 새 모델은 Interactions API에서 출시
모델 ID	미공개	모델 페이지, 가격 페이지, 변경 로그에 없음
입력 컨텍스트 창	미공개	장문 컨텍스트 평가는 최대 1M 토큰 프롬프트를 사용했으나 사양은 아님
사고 수준	미공개	평가는 “최고 사고 설정”으로 실행됨. 이름과 기본값은 미공개
요율 제한	미공개	발표된 계층 없음
배치 지원	미공개	배치 또는 Flex 가격 없음
장문 프롬프트 계층	미공개	3.1 Pro는 200K 이상에서 추가 비용이 발생하지만 Argon 규칙은 미공개
도입 기간 길이	미공개	$2/$10 가격의 종료일 없음

특히 다음 두 항목을 기준으로 구현 전략을 세우는 것이 좋습니다.

API 표면

Interactions API 문서는 모든 새 모델이 Interactions API에서 출시된다고 명시합니다. Argon도 먼저 이 API에서 제공될 가능성이 높습니다. 다만 Google은 generateContent 지원 여부를 아직 밝히지 않았습니다.
출력 제한

Google은 최대 1M 출력 토큰을 언급했지만, Vals AI는 테스트한 구성에서 최대 262K 출력을 나열합니다. 따라서 첫날부터 모든 엔드포인트와 모든 계층에서 1M 출력이 가능하다고 가정하면 안 됩니다. 1M 출력 토큰 가이드에서 스트리밍, 시간 초과, 저장소에 미치는 영향을 확인할 수 있습니다.

가격 계산도 배포 전에 코드로 검증해 두는 것이 좋습니다. 예를 들어 입력 20,000 토큰, 출력 5,000 토큰 요청의 비용은 다음과 같습니다.

도입 가격:
20,000 × $2 / 1,000,000 + 5,000 × $10 / 1,000,000
= $0.04 + $0.05
= $0.09

표준 가격:
20,000 × $4 / 1,000,000 + 5,000 × $20 / 1,000,000
= $0.18

Argon의 도입 출력 가격($10)은 Gemini 3.1 Pro Preview의 $12보다 낮고, 표준 출력 가격은 Claude Opus 5.5와 같습니다. 캐시 입력과 최대 1M 토큰 출력 시나리오는 Gemini 4 Argon 가격 분석에서 확인하세요.

온라인에서 찾은 모델 ID를 하드코딩하지 마세요

Argon 모델 ID를 검색하면 벤치마크 사이트, 집계 서비스, 오픈소스 PR에서 여러 문자열을 찾을 수 있습니다. 하지만 현재 이 값들은 신뢰할 수 없습니다.

Vals AI는 자체 모델 페이지용 슬러그를 사용합니다.
일부 GitHub PR은 “임시” 모델 ID를 추가합니다.
OpenRouter 스타일 경로는 실제 모델 페이지로 연결되지 않을 수 있습니다.
Google은 이러한 문자열을 공식적으로 확인하지 않았습니다.

추측한 모델 ID를 하드코딩하면 출시 당일 404 오류가 발생할 수 있습니다. 더 나쁜 경우, 클라이언트 래퍼가 오류를 과도하게 처리해 자동 실패로 이어질 수 있습니다.

모델 ID는 반드시 환경 변수로 관리하세요. 아래 예제에서는 현재 호출 가능한 안정 모델인 gemini-3.8-flash를 기본값으로 사용합니다.

export GEMINI_MODEL="gemini-3.8-flash"

Google이 Argon의 실제 모델 ID를 공개하면 다음 한 줄만 변경하면 됩니다.

export GEMINI_MODEL="공식-argon-모델-id"

Gemini 3.8 Flash에서 전환 코드를 준비하세요

Gemini 3.8 Flash(gemini-3.8-flash)는 Argon이 사용할 것으로 예상되는 엔드포인트, 헤더, 응답 형식으로 실행됩니다. 2026년 12월 31일까지 가격은 입력 100만 토큰당 $0.75, 출력 100만 토큰당 $3.75입니다.

API 키는 코드에 넣지 말고 환경 변수로 관리하세요.

export GEMINI_API_KEY="your-api-key"
export GEMINI_MODEL="gemini-3.8-flash"
export GEMINI_THINKING="medium"

전체 설정은 Gemini 3.8 Flash API 가이드를 참고하세요.

1단계: Interactions API 요청 보내기

Interactions API는 Google의 주요 API이며 2026년 6월부터 일반적으로 사용할 수 있습니다. Argon의 사고 수준 이름과 기본값은 아직 공개되지 않았으므로, 모델과 사고 수준을 모두 변수로 유지하세요.

MODEL="${GEMINI_MODEL:-gemini-3.8-flash}"
THINKING="${GEMINI_THINKING:-medium}"

curl -s -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{
    \"model\": \"${MODEL}\",
    \"input\": \"List the retry rules a REST client should follow for HTTP 429.\",
    \"generation_config\": {\"thinking_level\": \"${THINKING}\"}
  }"

Python에서는 Interactions API를 사용하기 위해 google-genai 2.3.0 이상이 필요합니다.

# pip install "google-genai>=2.3.0"
import os
from google import genai

MODEL = os.environ.get("GEMINI_MODEL", "gemini-3.8-flash")
THINKING = os.environ.get("GEMINI_THINKING", "medium")

client = genai.Client()  # GEMINI_API_KEY를 환경 변수에서 읽음

interaction = client.interactions.create(
    model=MODEL,
    input="List the retry rules a REST client should follow for HTTP 429.",
    generation_config={"thinking_level": THINKING},
)

print(interaction.output_text)

Gemini 3.8 Flash에서 유효한 사고 수준은 다음과 같습니다.

low
medium  # 기본값
high

minimal을 보내면 HTTP 400이 반환됩니다. 수준별 비용과 응답 품질의 차이는 사고 수준 가이드에서 확인할 수 있습니다.

다중 턴 작업에서는 이전 응답 ID를 previous_interaction_id로 전달합니다. 서버 측 저장소를 사용하지 않으려면 store: false도 함께 전송하세요.

2단계: `generateContent` 경로도 계속 유지하기

기존 Gemini 코드는 대부분 generateContent 엔드포인트를 사용합니다. Google은 이 경로를 계속 지원한다고 밝혔으므로, 현재 클라이언트 호환성을 위해 유지할 수 있습니다.

curl -s "https://generativelanguage.googleapis.com/v1beta/models/${MODEL}:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{
    \"contents\": [{
      \"parts\": [{
        \"text\": \"List the retry rules a REST client should follow for HTTP 429.\"
      }]
    }],
    \"generationConfig\": {
      \"thinkingConfig\": {
        \"thinkingLevel\": \"${THINKING}\"
      }
    }
  }"

두 API의 사고 수준 필드 경로는 다릅니다.

API	사고 수준 경로
Interactions API	`generation_config.thinking_level`
`generateContent`	`generationConfig.thinkingConfig.thinkingLevel`

새 모델은 기본적으로 Interactions API로 라우팅하고, generateContent는 기존 통합 호환용 대체 경로로 유지하는 편이 안전합니다. 함수 호출까지 사용한다면 Gemini 3.8 Flash 함수 호출도 함께 확인하세요.

3단계: `models.list`로 출시 감지 자동화하기

변경 로그를 수동으로 새로고침하지 말고 API를 직접 확인하세요. 모델 목록 엔드포인트는 사용 가능한 모델, 토큰 제한, 지원 메서드를 반환합니다.

import os
import sys
import requests

resp = requests.get(
    "https://generativelanguage.googleapis.com/v1beta/models",
    params={"pageSize": 1000},
    headers={"x-goog-api-key": os.environ["GEMINI_API_KEY"]},
    timeout=30,
)

resp.raise_for_status()

hits = [
    model
    for model in resp.json().get("models", [])
    if "argon" in model["name"].lower()
]

for model in hits:
    print(
        model["name"],
        "in:", model.get("inputTokenLimit"),
        "out:", model.get("outputTokenLimit"),
        "methods:", model.get("supportedGenerationMethods"),
    )

sys.exit(1 if hits else 0)  # 일치 시 실패 처리하여 알림 트리거

이 스크립트는 프로덕션 앱에서 사용하는 동일한 API 키로 실행하세요. cron 또는 CI 스케줄러에서 시간 단위로 실행하면 됩니다.

Argon이 목록에 나타난 날에는 다음 정보를 즉시 확인할 수 있습니다.

실제 모델 이름
outputTokenLimit이 전체 1M인지 여부
지원되는 생성 메서드 목록
Interactions API 또는 generateContent 지원 여부

4단계: 응답을 모의(mock)해 액세스 전 클라이언트 만들기

Argon 액세스가 없어도 Argon 전환용 클라이언트는 만들 수 있습니다.

Apidog에 GEMINI_API_KEY, GEMINI_MODEL을 환경 변수로 저장합니다.
Gemini 3.8 Flash 대상으로 요청을 한 번 전송합니다.
실제 응답을 엔드포인트의 응답 예제로 저장합니다.
프로젝트 설정에서 기본 모의 방식을 Response example first로 변경합니다. 경로: 프로젝트 설정 → 기능 설정 → 모의 설정
생성된 모의 URL을 프런트엔드, 큐 워커, 파서 테스트에 연결합니다.

Apidog의 기본 Smart Mock은 스키마에서 데이터를 생성합니다. 하지만 이 경우에는 실제 Gemini 응답 구조를 그대로 재현해야 하므로, 저장된 응답 예제를 우선 반환하도록 설정하는 편이 적합합니다.

중요한 점은 이 모의 응답이 Argon 전용 스키마가 아니라 현재 Gemini 응답 스키마라는 것입니다. Google이 Argon 전용 스키마를 아직 공개하지 않았기 때문입니다. 다만 Argon이 동일한 API 표면에서 제공될 것으로 예상되므로, 현재 시점에서는 이 접근이 가장 실용적입니다.

대용량 Argon 응답 처리도 미리 테스트할 수 있습니다. 저장된 응답 예제의 usageMetadata 값을 크게 변경한 뒤 다음을 확인하세요.

청구 알림이 발생하는지
큐 처리 시간이 제한을 넘는지
응답 저장소가 충분한지
프런트엔드 렌더링이 대형 응답을 처리하는지

5단계: `usageMetadata`와 비용 상한선에 대한 테스트 추가하기

모든 generateContent 응답에는 usageMetadata가 포함됩니다. Apidog 후처리 스크립트로 응답 비용을 Argon의 표준 요율로 계산하고, 요청당 예산을 넘으면 테스트를 실패시키세요.

// Apidog 후처리 스크립트:
// Gemini 4 Argon의 표준 요율로 현재 응답 비용 계산

const u = pm.response.json().usageMetadata;

const IN = 4 / 1e6;   // 도입 기간 후 입력 토큰당 USD
const OUT = 20 / 1e6; // 도입 기간 후 출력 토큰당 USD

// 현재 Gemini 모델에서는 사고(thinking) 토큰도 출력으로 청구됨
const out =
  (u.candidatesTokenCount || 0) +
  (u.thoughtsTokenCount || 0);

const cost =
  u.promptTokenCount * IN +
  out * OUT;

pm.test("usageMetadata가 존재합니다", () => {
  pm.expect(u).to.be.an("object");
});

pm.test("Argon 요율에서 비용이 $0.10 미만입니다", () => {
  pm.expect(cost).to.be.below(0.10);
});

$0.10은 짧은 프롬프트 테스트에 적합한 예시입니다. 실제 서비스에서는 요청 유형별로 별도 상한선을 두는 편이 좋습니다.

요청 유형	권장 방식
짧은 질의응답	요청당 낮은 비용 상한선
문서 요약	입력 토큰 수와 출력 토큰 수 각각 제한
장문 생성	스트리밍, 시간 초과, 저장소 한도 동시 적용
에이전트 작업	단계별 예산과 전체 작업 예산 분리

Google은 Argon에서 사고 토큰을 어떻게 과금할지 아직 명시하지 않았습니다. 위 스크립트는 현재 Gemini의 과금 규칙을 기준으로 합니다. 같은 요청을 지금 Gemini 3.8 Flash에 실행하고, 나중에 Argon에서도 실행하면 토큰 사용량과 비용 차이를 회귀 비교에 활용할 수 있습니다.

자주 묻는 질문

Gemini 4 Argon API를 지금 사용할 수 있나요?

공개적으로는 아직 사용할 수 없습니다. Argon은 현재 Fairwind 프로그램 파트너에게만 배포되며, 이들은 Gemini Enterprise를 통해 모델을 사용합니다. 유료 API 고객과 Google AI Ultra 구독자가 다음 대상이지만 구체적인 날짜는 공개되지 않았습니다.

Gemini 4 Argon 모델 ID는 무엇인가요?

Google은 아직 모델 ID를 게시하지 않았습니다. 타사 사이트의 문자열은 자리 표시자일 수 있으므로, 모델 이름은 환경 변수로 관리하고 models.list를 주기적으로 확인하세요.

Gemini 4 Argon API 비용은 얼마인가요?

기간이 명시되지 않은 도입 기간에는 입력 100만 토큰당 $2, 출력 100만 토큰당 $10입니다. 이후 표준 가격은 입력 $4, 출력 $20입니다. 캐시된 입력은 95% 할인됩니다. 자세한 내용은 Gemini 4 Argon 가격 책정을 참고하세요.

Argon은 generateContent와 함께 작동하나요?

Google은 아직 언급하지 않았습니다. 문서에는 모든 새 모델이 Interactions API에서 출시된다고 명시되어 있으므로, 새 통합은 Interactions API를 기준으로 구현하고 generateContent는 대체 경로로 취급하세요.

Google AI Ultra만 있으면 API에 액세스할 수 있나요?

아니요. Google AI Ultra는 소비자 구독이며 API 키가 아닙니다. API 접근은 유료 Gemini API 고객부터 시작된다고 발표되었습니다.

다음 단계

Argon 출시 전에 다음 체크리스트를 완료하세요.

[ ] 모든 환경에 GEMINI_MODEL 설정
[ ] GEMINI_THINKING을 환경 변수로 분리
[ ] Interactions API 요청 저장
[ ] generateContent 호환 경로 유지
[ ] models.list 감지 스크립트를 CI 또는 cron에 등록
[ ] Apidog에 실제 응답 예제와 모의 URL 구성
[ ] usageMetadata 기반 비용 상한선 테스트 추가
[ ] 대형 응답을 위한 스트리밍, 시간 초과, 저장소 한도 검증

Apidog를 다운로드해 요청, 모의 응답, 테스트를 하나의 작업 공간에서 관리하세요. Google이 공식 Argon 모델 ID를 게시하면 GEMINI_MODEL 값 하나만 변경해 전환할 수 있습니다.

제미니 4 아르곤은 무엇인가요?

Rihpig — Fri, 02 Oct 2026 09:56:05 +0000

Gemini 4 Argon은 Google의 새로운 최첨단 모델로, 2026년 9월 30일에 발표되었습니다. 현재는 검증된 사이버 방어 파트너 그룹인 Fairwind 프로그램의 방어자만 사용할 수 있습니다. Google은 출시 기념 기간에 입력 토큰 100만 개당 2달러, 출력 토큰 100만 개당 10달러로 가격을 책정했으며, 이후에는 각각 4달러와 20달러로 인상하고 응답당 출력 제한을 100만 토큰으로 늘릴 예정입니다. 아직 공개 API, 게시된 모델 ID, 출시일은 없습니다.

지금 Apidog를 사용해 보세요

이 가이드는 Argon 관련 정보를 구현 관점에서 정리합니다. Google이 확인한 내용과 확인하지 않은 내용, Gemini 라인업에서 Argon의 위치, 접근 대상, 비용, 벤치마크, 그리고 공개 전부터 준비할 수 있는 API 통합 방법을 다룹니다. 지금 모델을 비교 중이라면 Gemini 4 Argon vs GPT-6 Astra vs Claude Opus 5.5 비교를 참고하세요. Apidog에서 모델 API를 테스트한다면, 마지막 섹션의 환경 변수 방식으로 Argon 전환을 모델 이름 한 값 변경으로 처리할 수 있습니다.

Google이 확인한 내용 vs 확인하지 않은 내용

초기 보도에는 Google 발표 내용과 제3자 추측이 섞여 있습니다. 구현 계획을 세울 때는 출시 게시물 및 Google의 평가 방법론을 기준으로 확인된 정보만 사용하세요.

항목	상태	알려진 내용
발표	확인됨	2026년 9월 30일, Google DeepMind의 Koray Kavukcuoglu
현재 접근	확인됨	Fairwind 프로그램 파트너 중 일부
다음 대상	확인됨, 날짜 미정	유료 API 고객 및 Google AI Ultra 구독자
가격	확인됨	초기 1M 토큰당 $2/$10, 이후 $4/$20; 캐시된 입력 95% 할인
출력 제한	확인됨	64K에서 1M 토큰으로 증가
벤치마크	확인됨, Google 보고	19개 행 표 및 방법론 PDF
모델 ID	미공개	온라인의 문자열은 제3자 플레이스홀더
입력 컨텍스트 창	미공개	Google의 긴 컨텍스트 평가는 최대 1M 토큰의 프롬프트 사용
지식 차단 시점	미공개	Google로부터 아무것도 없음
초기 기간 길이	미공개	$4/$20로 전환되는 날짜 없음
요금 제한, 무료 등급	미공개	Google로부터 아무것도 없음
출시일	미공개	“가능한 한 빨리”

Argon의 컨텍스트 창, 모델 문자열, 속도 수치가 다른 사이트에 표시되더라도 Google 공식 문서에 게시되기 전까지는 검증되지 않은 정보로 취급하세요. 특히 모델 ID는 하드코딩하지 않는 것이 중요합니다.

Gemini 4 Argon은 무엇이며, 어떤 위치에 있나요?

Argon은 현재까지 발표된 유일한 Gemini 4 모델이며 Google 라인업의 새로운 최상위 모델입니다. Google은 이를 “복잡하고 장기적인 워크플로우 전반에 걸쳐 심층적인 추론을 유지”하도록 구축된 “새로운 최첨단 모델”이라고 설명합니다. 소프트웨어 엔지니어링, 법률·금융 같은 기업 지식 작업, 사이버 보안 방어에서 최첨단 성능을 주장합니다.

Google 대변인은 로이터 통신에 Argon이 이전 “Pro” 모델 라인보다 더 크다고 말했습니다.

현재 Gemini API의 최상위 모델은 여전히 Preview 상태인 gemini-3.1-pro-preview입니다. 이 모델은 입력 토큰 1,048,576개와 출력 토큰 65,536개를 지원하며, 200K 프롬프트까지 입력 100만 토큰당 2달러, 출력 100만 토큰당 12달러입니다.

Argon의 출시 기념 출력 가격은 100만 토큰당 10달러로, 3.1 Pro의 출력 가격보다 낮습니다. 다만 Google은 다음 정보를 아직 공개하지 않았습니다.

Argon에 3.1 Pro와 같은 별도의 긴 프롬프트 가격 구간이 있는지
Gemini 4 계열의 다른 모델이 뒤따르는지
공개 API에서 사용할 모델 ID
일반 API 고객의 정확한 접근 시점

Google은 Argon을 내부적으로 이미 사용 중이라고 밝혔습니다. 수천 명의 직원이 코딩, 연구, 글쓰기에 사용하고 있으며, Argon 에이전트가 300TiB 이상의 플릿 메모리를 확보하고 C/C++ 코드를 Rust로 마이그레이션하고 있다고 설명했습니다. Fuchsia Zircon 커널에서는 800K줄 이상의 재작업이 상용화 전 감사 중이라고 밝혔습니다.

오늘 Gemini 4 Argon을 사용할 수 있는 사람과 다음 대상

오늘: Fairwind 파트너 중 일부

Fairwind는 650개 이상의 파트너를 보유한 Google의 제한적 접근 사이버 방어 프로그램입니다. 다만 현재 Argon을 사용할 수 있는 대상은 “Fairwind 프로그램 파트너 중 일부”에 한정됩니다.

이들은 Argon 자체 또는 Google 코드 보안 에이전트인 CodeMender 내에서 Argon을 사용할 수 있습니다. 직접 접근은 “Gemini Enterprise의 관리형 모델” 형태이며, 제로 데이터 보존을 지원합니다.

접근 조건에는 다음이 포함됩니다.

피싱 방지 MFA 동의
내부 보안, 사고 대응 또는 침투 테스트 팀으로 접근 제한
직원별 사용량 추적

정부, 중요 인프라 운영자, 핵심 기술 플랫폼은 Fairwind 프로그램 페이지에서 신청할 수 있습니다.

다음: 유료 API 고객 및 Google AI Ultra 구독자

Google은 초기 테스터의 피드백을 수집하면서 가드레일을 반복 적용한 뒤 유료 API 고객과 Google AI Ultra 구독자로 접근 범위를 확대할 예정입니다. 미국 정부의 자발적 사전 출시 접근 프로세스에도 참여하고 있습니다.

출시 게시물의 배포 섹션은 “곧 출시 예정”으로 표시되지만 날짜는 명시하지 않습니다. 접근 단계는 Gemini 4 Argon 출시일 및 접근 가이드에서 추적할 수 있습니다.

아직: 그 외 모든 개발자

10월 1일 기준으로 다음 서비스에는 Argon이 표시되지 않습니다.

Gemini API 모델 페이지
Gemini 가격 페이지
Gemini 앱
Antigravity
OpenRouter

Google AI Ultra 플랜은 미국에서 월 99.99달러부터 시작하는 소비자 구독이며 API 키가 아닙니다. Google은 어떤 Ultra 등급이 Argon을 먼저 사용할 수 있는지 공개하지 않았습니다. 무료 접근 경로도 발표되지 않았습니다.

대신 현재 사용할 수 있는 옵션은 Gemini 4 Argon은 무료인가요에서 확인하세요.

Gemini 4 Argon 가격

토큰 유형	초기 기간(100만 개당)	초기 기간 이후(100만 개당)
입력	$2.00	$4.00
캐시된 입력(95% 할인)	$0.10	$0.20
출력	$10.00	$20.00
1M 토큰 전체 응답(출력만)	$10.00	$20.00

Google은 초기 가격 기간이 언제 끝나는지 공개하지 않았습니다.

표준 요율에서 Argon은 Claude Opus 5.5와 동일한 비용입니다. 초기 요율에서는 GPT-6.1 Sol 및 Claude Sonnet 5.5와 일치합니다. 캐시 입력 가격은 Google이 발표한 95% 할인 규칙을 적용한 값입니다.

요청 규모별 비용 계산 예시는 Gemini 4 Argon 가격에서 확인할 수 있습니다.

1M 출력 제한

Google은 모델의 출력 토큰 제한을 기존 64K 토큰에서 최대 1M 토큰으로 확장한다고 밝혔습니다. 이는 긴 코드 생성, 대규모 문서 분석 결과, 복잡한 에이전트 작업 결과를 한 요청에서 더 길게 생성할 수 있음을 의미합니다.

비교하면 GPT-6 Astra, Claude Opus 5.5, Claude Fable 5.1은 각각 동기식 출력을 128K로 제한합니다.

구현 시 다음 두 가지를 구분해야 합니다.

1M은 출력 제한입니다. 입력 컨텍스트 창 사양이 아닙니다.
실제 엔드포인트 제한을 확인해야 합니다. Google은 1M 출력 제한을 발표했지만, Vals AI는 테스트한 구성에서 최대 출력 262K를 표시합니다.

따라서 출시 후에는 문서만 확인하지 말고 실제 API 응답과 모델 메타데이터를 기준으로 제한을 설정하세요. 타임아웃, 스트리밍, 비용 상한 구성은 Argon의 1M 출력 토큰 가이드를 참고하세요.

Gemini 4 Argon 벤치마크: 주요 내용

아래 수치는 Google 표에서 가져온 값입니다. Argon 점수는 Google 보고 수치이며, 일부는 자체 계산되고 일부는 Vals AI 같은 리더보드에서 가져왔습니다. 경쟁 모델 점수는 대부분 각 공급업체 또는 공개 리더보드 결과이며, 측정 환경과 도구가 다를 수 있습니다.

재집계 기준으로 Argon은 19개 행 중 13개에서 선두를 차지하고, 1개는 동점이며, 5개에서는 뒤처집니다.

벤치마크	Gemini 4 Argon	GPT-6 Astra	Claude Fable 5.1	Claude Opus 5.5
Vals Index	68.9%	63.1%	65.8%	67.0%
DeepSWE v1.1	77.9%	74.1%	67.4%	74.2%
GraphWalks 256K ~ 1M(F1)	84.2%	71.8%	65.0%	66.8%
FrontierSWE v2	55.0%	65.5%	56.3%	62.3%
Terminal-bench 4.0	57.4%	58.2%	57.9%	66.4%
PostTrainBench	45.3%	44.3%	40.2%	49.3%

Argon이 뒤처지는 항목은 다음과 같습니다.

FrontierSWE v2
Terminal-Bench Science 0.1
OSWorld-2.0
Terminal-bench 4.0
PostTrainBench

FrontierSWE v2, Terminal-Bench Science 0.1, OSWorld-2.0에서는 GPT-6 Astra보다 낮았고, Terminal-bench 4.0 및 PostTrainBench에서는 Claude Opus 5.5보다 낮았습니다.

제3자 평가에서는 명확한 단독 선두보다는 최첨단 모델군에 위치합니다. Artificial Analysis는 Argon에 Intelligence Index 53점을 부여했으며, GPT-6 Astra 및 Claude Fable 5.1과 동점입니다. Claude Opus 5.5(58점) 및 Claude Sonnet 5.5 최대 설정(56점)보다는 낮습니다. Vals는 Vals Index에서 Argon을 41개 모델 중 1위로 평가했습니다.

전체 19개 항목과 방법론은 Gemini 4 Argon 벤치마크에서 확인할 수 있습니다.

사이버 방어 요약

Google은 Argon이 중요한 소프트웨어 취약점을 자율적으로 찾아내고, 검증하고, 패치할 수 있다고 설명합니다. 신뢰할 수 있는 방어자와 내부 팀에는 사이버 가드레일 없이 Argon을 제공해 최첨단 사이버 보안 방어 기능을 활용하게 할 것이라고 밝혔습니다.

DeepMind의 사이버 페이지에 따르면 Argon은 다음 결과를 기록했습니다.

실제 취약점 발견: 85.8%
Gemini 3.8 Flash Cyber 실제 취약점 발견: 71.0%
CWE-bench v1: Grok 4.7 및 GPT-6 Astra와 68% 동점
Gray Swan 간접 프롬프트 주입 공격 성공률: 차트 최저 수준인 k=15에서 0.7%

현재 운영 중인 API에 미칠 수 있는 영향은 Argon의 사이버 출시가 현재 실행 중인 API에 미치는 영향에서 확인할 수 있습니다. 전작 모델은 Gemini 3.8 Flash Cyber를 참고하세요.

개발자로서 지금 해야 할 일

Argon은 아직 공개 API에서 호출할 수 없으므로, 지금은 현재 사용 가능한 모델을 기준으로 구현하고 모델 이름을 환경 변수 하나로 분리하세요.

gemini-3.8-flash는 현재 대체 모델입니다.

안정적 상태
입력 토큰 1,048,576개 지원
출력 토큰 65,536개 지원
무료 등급 제공
2026년 12월 31일까지 입력/출력 100만 토큰당 $0.75/$3.75

Google의 Interactions API 문서는 모든 새 모델, 멀티모달 기능, 도구, 에이전트 기능이 Interactions API에서 출시될 것이라고 명시합니다. 따라서 새 통합은 Interactions API를 기준으로 작성하는 것이 좋습니다.

1. 모델 이름을 환경 변수로 분리하기

export GEMINI_API_KEY="your-api-key"
export GEMINI_MODEL="gemini-3.8-flash"

2. Interactions API 요청 만들기

MODEL="${GEMINI_MODEL:-gemini-3.8-flash}"

curl -s "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "'"$MODEL"'",
    "input": "List the breaking changes in this OpenAPI diff.",
    "generation_config": {
      "thinking_level": "medium"
    }
  }'

3. 토큰 사용량 검증 추가하기

Apidog에서 위 요청을 저장하고 GEMINI_API_KEY, GEMINI_MODEL을 환경 변수로 관리하세요. 테스트에서는 응답의 usage 객체를 검증해 예상보다 큰 응답이 배포 전 단계에서 실패하도록 구성할 수 있습니다.

특히 출력 비용을 계산할 때는 다음을 함께 확인하세요.

total_output_tokens + total_thought_tokens

생각하는 과정에 사용된 토큰도 출력으로 과금되므로, 단순 생성 텍스트 길이만 기준으로 비용 상한을 설정하면 안 됩니다.

권장 워크플로우는 다음과 같습니다.

gemini-3.8-flash 응답을 기준선으로 저장합니다.
요청별 입력·출력·생각 토큰 상한을 정의합니다.
Argon 모델 ID가 공식 모델 목록에 나타나면 GEMINI_MODEL만 교체합니다.
동일한 요청 컬렉션을 다시 실행합니다.
응답 품질, 지연 시간, 토큰 사용량, 비용을 기준선과 비교합니다.

요청 형식은 Gemini 4 Argon API 가이드를 참고하세요. 공개 후 전환 가치 판단에는 Argon vs Gemini 3.8 Flash가 도움이 됩니다.

자주 묻는 질문

Gemini API에서 Gemini 4 Argon을 사용할 수 있나요?

아직은 아닙니다. 현재는 Fairwind 파트너 중 일부만 사용할 수 있으며, 공개 모델 목록에는 포함되어 있지 않습니다.

Gemini 4 Argon 모델 ID는 무엇인가요?

Google은 모델 ID를 게시하지 않았습니다. 평가자 슬러그를 포함해 온라인에 유통되는 문자열은 제3자 플레이스홀더일 수 있으므로 하드코딩하지 마세요.

개발자를 위한 Gemini 4 Argon 출시는 언제인가요?

Google은 날짜를 명시하지 않았습니다. 유료 API 고객과 Google AI Ultra 구독자가 “가능한 한 빨리” 먼저 이용할 수 있다고만 밝혔습니다.

Gemini 4 Argon이 GPT-6 Astra 및 Claude Opus 5.5보다 더 좋나요?

Google 표에서는 대부분의 항목에서 선두를 차지하지만, Artificial Analysis에서는 GPT-6 Astra와 동점이고 Claude Opus 5.5보다는 낮습니다. 경쟁 모델 정보는 Claude Opus 5.5란 무엇인가요와 GPT-6 Astra API 가이드를 참고하세요.

Gemini 4 Argon은 1M 컨텍스트 창을 가지고 있나요?

Google은 공개하지 않았습니다. 1M은 출력 제한입니다. 긴 컨텍스트 평가는 최대 1M 토큰 프롬프트를 사용했지만, 이는 공개된 입력 컨텍스트 창 사양이 아닙니다.

Argon 출시 전에 준비하세요

Argon은 발표되고 가격과 벤치마크가 공개됐지만, 아직 일반 개발자가 호출할 수 있는 모델은 아닙니다.

지금 할 수 있는 준비는 명확합니다.

Gemini 3.8 Flash API 가이드를 기준으로 현재 모델을 통합합니다.
모델 ID를 코드에 하드코딩하지 않고 환경 변수 하나로 관리합니다.
모든 요청에 토큰 사용량과 비용 상한 검증을 추가합니다.
기준 응답과 테스트 케이스를 저장합니다.
Argon이 공개되면 모델 변수만 교체해 동일한 테스트를 다시 실행합니다.

요청, 환경 변수, 기준선을 미리 준비하려면 Apidog를 다운로드해 API 요청을 저장하고 테스트 자동화를 구성하세요.

개발자용 ChatGPT 로그인: OAuth 연동, 요금제 사용량, API 요금 영향

Rihpig — Fri, 02 Oct 2026 09:50:55 +0000

"ChatGPT로 로그인"은 전 세계 ChatGPT 사용자가 사용할 수 있는 OpenAI의 OAuth 2.0 및 OpenID Connect(OIDC) 로그인 서비스입니다. 앱은 안정적인 계정 ID와 사용자의 이름, 이메일 주소, 프로필 사진을 받을 수 있습니다. 2026년 9월 29일 DevDay 이후 Plus 및 Pro 사용자는 참여 앱에서 설정한 앱별 주간 한도 내에서, 앱의 API 키 대신 자신의 ChatGPT 요금제로 AI 요청을 실행하도록 승인할 수 있습니다. 앱은 사용자의 ChatGPT 대화, 메모리 또는 OpenAI API 키를 받지 않습니다.

지금 Apidog를 사용해 보세요

이 기능은 로그인뿐 아니라 AI 요청의 비용 처리 방식에도 영향을 줍니다. 이 글에서는 OAuth/OIDC 흐름, 사용자 요금제 사용 방식, 현재 통합 가능한 대상, 앱 API 키와 사용자 요금제를 선택하는 기준, 그리고 Apidog에서 로그인 및 실패 경로를 테스트하는 방법을 다룹니다. 이벤트 전체 내용은 DevDay 2026 요약을 참고하세요. 신원 확인과 권한 부여의 차이가 불분명하다면 먼저 OAuth 대 OpenID를 읽어보세요.

ChatGPT로 로그인 개요

항목	OpenAI 문서 내용
신원 확인 범위	`openid profile email`
요금제 사용 범위(오픈 소스 흐름)	`offline_access resource.invoke chatgpt.tokens.use.direct`, `resource=https://api.openai.com/v1`
앱이 받는 항목	ID 토큰, 요금제 사용 시 액세스 토큰 및 새로고침 토큰
요금제 사용 자격	참여 앱의 Plus 및 Pro 사용자
사용량이 계산되는 위치	요금제의 ChatGPT Work 및 Codex 사용량
앱별 제어	전체 주간 사용량의 일부로 설정하는 주간 상한선. 상한선 이후 크레딧 사용은 기본 비활성화
요금제 사용 토큰	액세스 토큰 1시간, 새로고침 토큰 30일. 새로고침 시 토큰 교체
개발자 접근	상업용 앱은 관심 양식을 통한 제한적 시험 사용, 오픈 소스 앱은 셀프 서비스

출처: OpenAI의 ChatGPT로 로그인 문서, 토큰 참조, 다른 앱에서 ChatGPT 요금제 사용 도움말 문서.

앱이 받는 것과 받지 않는 것

신원 확인은 기본 흐름입니다. openid profile email 범위를 요청하면 클라이언트는 ID 토큰을 받습니다. 웹사이트 가이드에 따르면:

profile: 이름, 프로필 사진 등 사용 가능한 프로필 클레임
email: 이메일 주소 및 이메일 확인 클레임

신원 확인 범위는 ChatGPT 대화나 OpenAI API 리소스 접근 권한을 부여하지 않습니다.

사용자를 이메일 주소만으로 식별하지 마세요. 확인된 sub 값과 발급자(iss), 클라이언트 ID(aud)를 함께 기준으로 계정을 식별해야 합니다. OpenAI는 이메일 일치만으로 계정 소유권을 증명할 수 없다고 경고합니다. 기존 계정에 연결할 때는 사용자에게 별도의 연결 확인을 요청하세요.

요금제 사용은 별도 승인입니다. 사용자가 추가 범위를 승인하면, 적격한 Responses API 요청에 사용할 액세스 토큰이 토큰 응답에 포함됩니다. 신원 확인만 사용하는 클라이언트에는 access_token이 필요하지 않으며 id_token만 처리하면 됩니다.

OAuth 흐름 구현하기

웹사이트 흐름은 PKCE를 사용하는 표준 OAuth 2.0 권한 부여 코드 흐름과 OIDC를 사용합니다.

먼저 https://auth.openai.com/.well-known/openid-configuration에서 OpenID Connect 설정을 로드하세요. 문서에 명시된 주요 엔드포인트는 다음과 같습니다.

Issuer:                 https://auth.openai.com
Authorization endpoint: https://auth.openai.com/api/accounts/authorize
Token endpoint:         https://auth.openai.com/api/accounts/oauth/token
JWKS URI:               https://auth.openai.com/.well-known/jwks.json

구현 순서는 다음과 같습니다.

백엔드에서 요청마다 새로운 state, PKCE 검증자와 S256 챌린지, nonce를 생성합니다.
클라이언트 ID, 등록된 리디렉션 URI, 요청 범위를 포함해 브라우저를 권한 부여 엔드포인트로 보냅니다.
사용자가 로그인 및 동의를 완료하면 OpenAI가 콜백 URL로 authorization code를 반환합니다.
백엔드에서 state를 검증하고, code를 토큰으로 교환합니다.
ID 토큰의 서명, 발급자, 대상, 만료 시간, nonce를 검증합니다.
sub를 기준으로 로컬 계정을 조회·생성·연결한 뒤 앱 자체 세션을 발급합니다.

공개 클라이언트는 클라이언트 시크릿을 전송하지 않습니다. client_secret_basic을 사용하는 기밀 클라이언트는 HTTP Basic 인증 헤더에만 시크릿을 넣어야 합니다.

오픈 소스 도구의 등록 방식은 다릅니다. 오픈 소스 로그인 가이드에 따르면 다음 값으로 시작합니다.

client_id=dynamic_agent_client
앱 이름을 지정하는 agent_name_hint
호스트별로 영구 보관하는 ext_agent_host_id

콜백에서는 이후 저장하고 재사용할 발급된 클라이언트 ID(예: oaiapp_...)를 반환합니다. 리디렉션 URI는 127.0.0.1 루프백 URI이며, 클라이언트 시크릿은 사용하지 않습니다.

사용자에게 요금제 사용 방식을 안내하는 방법

사용자 화면과 지원 문서에는 다음 내용을 명확히 표시하세요.

적격 요청은 사용자 요금제 사용량으로 계산됩니다. Plus 또는 Pro 요금제의 ChatGPT Work 및 Codex 사용량에 반영됩니다.
앱별 주간 상한선이 있습니다. 사용자는 전체 주간 사용량의 백분율로 상한선을 설정합니다. 문서의 설정 예시는 10%~100%입니다.
상한선은 예약된 사용량이 아닙니다. 다른 서비스에서 사용량을 많이 쓰면 앱에서 사용할 수 있는 요금제가 먼저 소진될 수 있습니다.
크레딧 사용은 선택 사항입니다. 한도 초과 후 크레딧으로 계속 사용하도록 하는 기능은 기본 비활성화이며, 앱 상한선을 100%로 설정해야 합니다.
Plus에는 공유 5시간 제한이 있습니다. 계정 및 세션 문서에 따르면 이 제한은 요금제를 사용하는 모든 앱에 걸쳐 적용됩니다. Pro에는 적용되지 않습니다.
연결 해제는 이후 요청만 중단합니다. 이미 사용된 사용량은 되돌아가지 않으며, OpenAI가 앱에 연결 해제 이벤트를 전달하지 않습니다. 이후 요청 또는 토큰 새로고침 실패를 통해 상태를 감지해야 합니다.

사용자는 ChatGPT 설정의 사용량 페이지(chatgpt.com/settings/usage)에서 이를 관리합니다. OpenAI UI 가이드라인에 따라 앱에는 사용량 관리 링크를 제공하세요.

출시 시 참여 대상과 클라이언트 ID 획득 방법

OpenAI의 DevDay 요약에는 Cognition의 Devin, Notion, Vercel, T3, OpenClaw, Dactyl을 포함한 16개의 요금제 사용 파트너가 언급되어 있습니다. The New Stack은 Amp, Warp, Kilo Code, OpenCode도 언급하며 Lovable은 출시 예정으로 표시합니다. OpenClaw를 사용 중이라면 두 목록 모두에서 확인할 수 있습니다.

The New Stack 보도에 따르면 샘 알트만은 무대에서 다음과 같이 발표했습니다.

이제 사용자들이 시작하기 위해 토큰 비용을 부담할 필요가 없습니다.

참여 방식은 앱 형태에 따라 다릅니다.

상업용 또는 호스팅 앱: 로그인은 제한된 시험 사용으로 제공됩니다. 신원 확인만 원하든 요금제 사용도 원하든 OpenAI 관심 양식을 통해 대기자 명단에 등록하고 클라이언트 ID를 요청해야 합니다.
오픈 소스 및 로컬 호스팅 도구: 위에서 설명한 셀프 서비스 흐름으로 요금제 사용을 설정할 수 있습니다.

앱 API 비용 처리 방식의 변화

기존에는 앱이 API 키로 토큰 비용을 지불하고, 자체 가격 정책을 통해 비용을 회수합니다. 요금제 사용을 활성화하면 적격 요청의 모델 비용이 사용자 구독으로 전환됩니다. 사용량이 늘어도 앱의 토큰 비용이 직접 증가하지 않는 대신, 요청 가능 여부와 기능 범위에 대한 제어가 줄어듭니다.

항목	앱의 API 키	사용자의 ChatGPT 요금제
비용 부담 주체	앱, 토큰당 비용	사용자 요금제. 선택 동의 시에만 크레딧 사용
사용 가능 대상	모든 사용자	`chatgpt.tokens.use.direct`를 승인한 Plus 및 Pro 사용자
제한	앱의 비율 제한 계층	주간 요금제 사용량, 앱별 상한선, Plus의 5시간 창
요청 형태	전체 Responses API	`store: false`, `stream: true` 필수. `temperature`, `max_output_tokens`, 파일 검색, 코드 인터프리터 사용 불가
일반적인 실패	계층 초과 시 429	429 `subscription_sharing_usage_limit_exceeded`, 또는 스트림 중간 `response.failed`
대체 처리	앱이 직접 설계	자동 전환 없음. OpenAI가 청구 방식을 자동으로 변경하지 않음
사용자에게 표시할 내용	앱 사용량 및 가격	“ChatGPT 요금제 사용 중”, 사용량 관리 링크, 지원하는 앱 요금제

이 제한은 OpenAI의 미리 보기 제한 문서에 명시되어 있습니다. 저장된 대화 상태나 호스팅된 도구가 필요한 기능은 현재 사용자 요금제로 실행할 수 없습니다.

실용적인 기본 전략은 하이브리드 구성입니다.

Plus 및 Pro 사용자의 대화형 작업: 사용자 요금제 사용
무료 사용자, 백그라운드 작업, CI, 예약된 에이전트: 앱 API 키 사용
사용자 상한선 도달: 사용량 관리 링크 표시 후 앱 크레딧 등 보조 옵션 제안

일반적인 설계 비교는 API 키 대 OAuth를 참고하세요. 사용자를 대신해 AI 에이전트가 안전하게 동작하도록 설계하는 방법은 AI 에이전트를 위한 OAuth에서 확인할 수 있습니다.

Apidog에서 로그인 흐름과 실패 경로 테스트하기

Apidog가 ChatGPT 로그인 자체를 대신 처리하는 것은 아닙니다. Apidog는 OAuth 설정, 토큰 교환 요청, 오류 처리 로직을 검증하는 데 사용합니다. Apidog를 다운로드한 뒤 테스트 환경을 만드세요.

1. 클라이언트 설정을 환경 변수로 저장하기

다음 환경 변수를 추가하세요.

SIWC_CLIENT_ID
SIWC_REDIRECT_URI
SIWC_CLIENT_SECRET
ACCESS_TOKEN

SIWC_CLIENT_SECRET은 기밀 클라이언트에서만 사용하며 민감한 값으로 저장하세요. 요청 본문과 헤더에서는 값을 직접 넣지 말고 아래처럼 참조합니다.

{{SIWC_CLIENT_ID}}
{{SIWC_REDIRECT_URI}}
{{ACCESS_TOKEN}}

2. PKCE 권한 부여 코드 흐름 실행하기

Apidog의 인증 탭에서 다음을 설정하세요.

인증 방식: OAuth 2.0 Authorization Code
PKCE: 활성화
Authorization URL: https://auth.openai.com/api/accounts/authorize
Token URL: https://auth.openai.com/api/accounts/oauth/token
Scope: openid profile email
Redirect URI: OpenAI 클라이언트에 등록한 콜백 URL

각 필드의 설정 방법은 Apidog OAuth 2.0 가이드를 참고하세요.

3. ID 토큰 응답 검증하기

토큰 엔드포인트에 대한 POST 요청을 별도로 저장하세요. 요청에는 authorization code, PKCE verifier, 리디렉션 URI, 클라이언트 ID를 포함합니다.

응답 후처리 스크립트에서는 최소한 응답 상태와 ID 토큰 클레임을 확인하세요.

const body = pm.response.json();

pm.test("token exchange returned an ID token", () => {
  pm.expect(pm.response.code).to.eql(200);
  pm.expect(body.id_token).to.be.a("string");
});

const decode = require("atob");
const part = body.id_token
  .split(".")[1]
  .replace(/-/g, "+")
  .replace(/_/g, "/");

const claims = JSON.parse(
  decode(part + "=".repeat((4 - (part.length % 4)) % 4))
);

pm.test("ID token claims match this client", () => {
  pm.expect(claims.iss).to.eql("https://auth.openai.com");
  pm.expect(claims.aud).to.include(pm.environment.get("SIWC_CLIENT_ID"));
  pm.expect(claims.sub).to.be.a("string").and.not.empty;
  pm.expect(claims.exp * 1000).to.be.above(Date.now());
});

name, email, picture는 제공될 때만 반환될 수 있으므로 필수 단언 대신 로그로 기록하세요.

요금제 사용을 요청했다면 body.scope에 chatgpt.tokens.use.direct가 포함되는지도 확인합니다.

JWT 서명 검증과 nonce 검증은 테스트 도구가 아니라 백엔드에서 반드시 수행해야 합니다.

4. 실패 응답 모의하기

실제 Plus 계정을 고정된 테스트 데이터로 사용하지 마세요. Apidog 모의 서버에서 다음 실패 응답을 만들어 클라이언트 동작을 검증하세요.

요금제 사용 거부: scope에 chatgpt.tokens.use.direct가 없는 토큰 응답을 반환합니다. 앱은 로그인 세션을 유지하고, 요금제 사용을 활성화하거나 다른 결제 경로를 선택하도록 안내해야 합니다.
상한선 도달: error.code가 subscription_sharing_usage_limit_exceeded인 429 응답을 반환합니다. 스트리밍 중에는 동일한 코드가 담긴 response.failed 이벤트를 반환합니다. 앱이 추가 요금제 요청을 중지하는지 확인하세요.
자격 없음: 403 subscription_sharing_user_not_eligible를 반환합니다. 이 경우 재시도하거나 OAuth 흐름을 반복하지 않아야 합니다.
연결 해제됨: 새로고침 요청에 invalid_grant, API 요청에 401 subscription_sharing_invalid_user를 반환합니다. 앱은 토큰을 삭제하고 재로그인을 요청해야 합니다.

이 사례를 테스트 시나리오로 묶고 Apidog CLI로 CI에서 실행하세요. 전체 오류 목록은 OpenAI의 오류 및 복구 문서에서 확인할 수 있습니다.

5. 실제 스트리밍 요청 확인하기

실제 요금제 토큰으로 Responses API 스트리밍 요청을 보내세요. response.completed 이벤트가 성공의 최종 신호인지 확인해야 합니다.

curl --no-buffer https://api.openai.com/v1/responses \
  -H "Authorization: Bearer ${ACCESS_TOKEN}" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6.1-sol",
    "input": [{"role": "user", "content": "Say exactly: Hello, world!"}],
    "store": false,
    "stream": true
  }'

Apidog에서는 Authorization: Bearer {{ACCESS_TOKEN}} 헤더를 설정해 같은 요청을 실행할 수 있습니다.

자주 묻는 질문

무료 사용자도 ChatGPT로 로그인할 수 있나요?

예. ChatGPT 사용자는 전 세계적으로 로그인할 수 있습니다. 다만 다른 앱에서 ChatGPT 요금제를 사용하려면 Plus 또는 Pro가 필요합니다.

앱이 사용자의 OpenAI API 키를 받나요?

아니요. 앱은 ID 토큰과, 요금제 사용을 승인한 경우 적격한 Responses API 요청용 OAuth 액세스 토큰을 받습니다.

사용자가 앱별 상한선에 도달하면 어떻게 되나요?

요청은 subscription_sharing_usage_limit_exceeded 오류와 함께 실패합니다. 일반 요청은 HTTP 429로, 스트리밍 요청은 시작 후 response.failed 이벤트로 실패할 수 있습니다. 앱은 추가 요청을 중지하고 사용량 관리 페이지로 연결해야 합니다.

Plus 사용자가 파트너 앱에서 GPT-6.1 Sol을 실행할 수 있나요?

문서 예시에서는 요금제 토큰과 함께 gpt-6.1-sol을 사용합니다. 다만 앱에서 제공하기 전에 해당 토큰으로 사용 가능한 모델 목록을 확인해야 합니다. 자세한 내용은 GPT-6.1 Sol은 무료인가요?를 참고하세요.

다음 단계

상업용 앱을 운영한다면 먼저 대기자 명단에 등록하세요. 클라이언트 ID를 기다리는 동안 모의 환경을 기준으로 다음 처리를 구현할 수 있습니다.

PKCE, state, nonce 검증
ID 토큰 클레임 및 서명 검증
요금제 사용 범위 승인 여부 확인
상한선 도달, 자격 없음, 연결 해제 오류 처리
사용자용 사용량 관리 링크 제공
사용자 요금제 실패 시 앱 API 키 또는 크레딧으로 전환하는 정책 정의

요금제 사용은 앱 API 비용 처리의 선택지이지 완전한 대체 수단으로 가정하면 안 됩니다. 실제 클라이언트 ID를 받은 뒤에는 토큰만 교체하면 되도록, 토큰 검증 요청과 실패 시나리오를 Apidog에 미리 저장해 두세요.

코덱스: 데브데이 2026 이후 클라우드 작업, 음성 CLI, 에이전트, 코드 리뷰 및 보안 클라우드

Rihpig — Fri, 02 Oct 2026 09:50:21 +0000

OpenAI DevDay 2026년 9월 29일, Codex에는 재사용 가능한 환경을 제공하는 Codex 클라우드, 음성·/agents·프롬프트 편집·재개·워크트리를 포함한 Codex CLI, GitHub PR 및 GitLab MR용 코드 리뷰, 그리고 리포지토리 스캔과 수정 준비를 위한 Codex 보안 클라우드가 추가되었습니다. 같은 날 Codex CLI 0.159.1은 GPT-6.1 Sol을 기본 모델로 설정했습니다.

지금 Apidog 사용해 보기

이 글에서는 각 업데이트를 바로 적용할 수 있도록 설정 절차, CLI 명령어, CI 연결 예시를 정리합니다. DevDay의 다른 발표는 API 개발자를 위한 DevDay 2026 허브를 참고하세요. Codex는 코드를 작성하고 검토하지만 실행 중인 API를 직접 호출해 계약을 검증하지는 않습니다. 이 부분은 Apidog 계약 테스트를 CI에 연결해 보완할 수 있습니다.

DevDay 2026에서 Codex의 변경 사항

업데이트	기능	사용처	플랜	상태
Codex 클라우드 환경	한 번 설정한 환경을 격리된 작업 공간에서 재사용	웹, 데스크톱 앱, `codex cloud`	Plus, Pro, Business, Healthcare, Edu, Enterprise	사용 가능
새로워진 Codex CLI	음성, `/agents`, 프롬프트 편집, 재개, 워크트리	터미널	모든 플랜	사용 가능
코드 리뷰	PR/MR 검토 창, 자동 클라우드 리뷰	ChatGPT 데스크톱 앱, GitHub, GitLab	모든 플랜	GitHub GA, GitLab MR 미리보기
Codex 보안 클라우드	예약 스캔, 결과 중복 제거, 수정 준비	Codex 클라우드, 플러그인	Pro, Business, Enterprise, Edu	연구 미리보기
GPT-6.1 Sol 기본 설정	CLI 번들 모델 카탈로그 기본 모델	CLI, Codex, ChatGPT Work	Plus, Pro, Business, Enterprise, Edu	사용 가능

출처: OpenAI의 DevDay 2026 요약, Codex 새로운 기능, 그리고 아래 Codex 문서입니다.

Codex 클라우드: 재사용 가능한 환경 만들기

Codex 클라우드는 클라우드에서 코딩 작업을 실행합니다. 따라서 로컬 컴퓨터가 꺼지거나 절전 모드여도 작업을 계속할 수 있습니다.

클라우드 환경 문서에 따르면 환경은 여러 작업이 공유하는 재사용 가능한 설정입니다. 리포지토리, 종속성, 도구, 액세스 설정을 정의하면 새 작업마다 해당 환경 버전을 기반으로 격리된 작업 공간이 생성됩니다.

환경 생성 절차

새 Codex 작업에서 Work in > Cloud를 선택합니다.
Create environment를 선택합니다.
체크아웃할 GitHub 리포지토리를 선택합니다.
Codex가 리포지토리를 분석하고 종속성을 설치하며 워크플로를 테스트하도록 둡니다.
질문이 표시되면 실행에 필요한 정보를 입력합니다.
설정 보고서를 확인한 뒤 Publish를 선택합니다.

환경을 게시할 때 다음 정보를 정확히 기록하세요.

설치 스크립트: 의존성 설치와 초기화에 필요한 명령
시작 기술: 서비스를 시작하고 준비 상태를 확인하는 방법

운영 시 확인할 점

리포지토리 새로 고침은 백그라운드에서 실행되며 종속성 캐시를 유지합니다.
인터넷 액세스는 환경별로 설정합니다. 패키지 관리자 프리셋, 사용자 지정 도메인, 무제한 액세스 중 필요한 범위만 허용하세요.
네트워크 보안 비밀을 사용하면 자격 증명을 샌드박스 밖에 유지할 수 있습니다. 프로그램에는 플레이스홀더가 보이고, 프록시는 허용된 HTTPS 대상에만 실제 값을 주입합니다.

스테이징 API를 호출해야 한다면 다음 방식으로 구성하세요.

스테이징 API 호스트를 허용 도메인에 추가합니다.
API 토큰은 일반 환경 변수가 아니라 네트워크 보안 비밀로 저장합니다.
작업에서 필요한 API 호출이 성공하는지 확인한 뒤 환경을 게시합니다.

터미널에서는 codex cloud로 작업을 클라우드에 전달하고 최근 클라우드 채팅 목록을 확인할 수 있습니다.

새로워진 Codex CLI

Codex CLI 문서의 설치 스크립트로 CLI를 설치합니다.

curl -fsSL https://chatgpt.com/codex/install.sh | sh

npm으로 설치하려면 다음 명령을 사용합니다.

npm install -g @openai/codex

Codex 변경 로그에 따르면 2026년 9월 29일 출시된 0.159.1은 GPT-6.1 Sol을 번들 카탈로그의 기본 모델로 추가했습니다. Codex 모델 페이지에 따르면 Free 및 Go 플랜은 출시 시 지원 대상에 포함되지 않으며, Enterprise와 Edu는 관리자가 활성화해야 사용할 수 있습니다.

현재 세션의 모델을 확인하거나 변경하려면 다음을 실행합니다.

/model

시작 시 모델을 지정하려면 다음과 같이 실행합니다.

codex --model gpt-6.1-sol

GPT-6.1 Sol은 무엇인가요?에서 GPT-6 Sol 대비 변경 사항과 none effort 옵션을 확인할 수 있습니다.

기능별 빠른 명령어

기능	사용 방법
음성	F8로 음성 대화를 토글하고 `/voice settings`에서 음성을 선택
`/agents` 뷰	에이전트 상태를 확인하고 상태별 작업을 필터링
프롬프트 편집	이전 프롬프트를 수정하면 해당 지점부터 스레드를 다시 진행
재개	`codex resume`으로 저장된 채팅 재개
워크트리	`/worktree`로 새 Git 워크트리에서 채팅 실행
대화 분기	`/fork`로 현재 채팅을 새 채팅 또는 워크트리로 복사
모델 선택	`/model`로 모델과 reasoning effort 선택
로컬 검토	`/review`로 커밋되지 않은 변경 사항, 커밋, 기준 브랜치 검토

워크트리는 하나의 리포지토리에서 병렬 에이전트를 실행할 때 특히 유용합니다. 에이전트마다 별도 체크아웃을 사용하므로 동일한 파일을 동시에 수정하는 충돌을 줄일 수 있습니다.

PR을 만들기 전에는 다음 흐름을 권장합니다.

/worktree
# 기능 구현
/review
# 테스트 실행
# 커밋 및 PR 생성

/review는 작업 트리를 수정하지 않고 우선순위가 지정된 결과를 반환하므로, 커밋 전 점검 단계로 사용하기 좋습니다.

코드 리뷰: 데스크톱 앱, GitHub 및 GitLab

코드 리뷰는 ChatGPT 데스크톱 앱에서 사용하는 플러그인입니다. 코드 리뷰 문서에 따르면 PR 설명, 변경 파일, 댓글, 검사 결과를 한 화면에서 확인할 수 있습니다.

GitHub 리뷰: 일반 출시
GitLab 머지 리퀘스트 지원: 미리보기

자동 클라우드 리뷰를 사용하려면 ChatGPT Codex 커넥터와 리포지토리 권한이 필요합니다. GitHub에서 다음 댓글로 리뷰를 요청할 수도 있습니다.

@codex review

GitHub 통합 가이드에 따르면 GitHub에서는 Codex가 P0 및 P1 문제만 플래그합니다.

`AGENTS.md`로 리뷰 규칙 정의하기

리뷰 규칙은 코드와 가장 가까운 위치의 AGENTS.md 파일에 작성합니다.

## Code Review Rules

- 인증 또는 권한 확인이 제거된 변경 사항을 우선 검토한다.
- 공개 API 응답 필드의 이름 또는 타입 변경을 확인한다.
- 데이터 마이그레이션이 필요한 스키마 변경을 확인한다.
- 테스트, 브랜치 보호, 필수 승인은 CI와 GitHub 설정으로 강제한다.

리뷰 규칙에는 리포지토리와 도메인에 특화된 판단 기준을 넣으세요. 린트, 포맷, 단위 테스트처럼 기계적으로 검증 가능한 항목은 CI에서 처리하는 것이 적절합니다.

코드 리뷰를 위한 Codex에서 리뷰 워크플로를 더 자세히 확인할 수 있습니다.

Codex 보안 클라우드

Codex 보안 클라우드는 Codex 클라우드에 연결된 GitHub 리포지토리를 스캔합니다. OpenAI 발표에 따르면 예약 스캔, 결과 중복 제거, 수정 준비 기능을 제공하며 Daybreak Blue 모델을 포함합니다.

Daybreak Blue vs Red 설명서에서 관련 티어를 확인할 수 있습니다.

현재 Pro, Business, Enterprise, Edu 플랜에서 연구 미리보기로 제공됩니다.

설정 절차

보안 클라우드 설정 가이드에 따른 설정 순서는 다음과 같습니다.

ChatGPT 플러그인 마켓플레이스에서 Codex 보안 클라우드 플러그인을 설치합니다.
Connect GitHub를 선택하고 스캔할 리포지토리 권한을 부여합니다.
리포지토리와 클라우드 환경을 선택합니다.
대상을 Repository로 설정하고 스캔을 시작합니다.
지속적 스캔이 필요하면 Commit changes를 선택합니다.
Monitoring settings에서 환경, 기록 일수, 일시 중지 상태를 설정합니다.
결과가 발견되면 Fix with Codex로 패치를 초안합니다.
Create draft pull request로 검토용 PR을 생성합니다.

PR 단위의 더 심층적인 보안 리뷰가 필요하다면 다음 GitHub 댓글을 사용할 수 있습니다.

@codex security review

이 기능도 연구 미리보기 상태입니다.

Apidog의 역할: 코드 리뷰와 API 계약 테스트 연결하기

Codex 코드 리뷰는 diff, PR 설명, 댓글, 검사 결과를 읽습니다. 그러나 실행 중인 서비스로 HTTP 요청을 보내 API 동작을 검증하지는 않습니다.

예를 들어 다음 변경은 코드 리뷰에서 놓칠 수 있습니다.

- { "user_id": "123" }
+ { "userId": "123" }

서버 코드와 내부 테스트가 통과하더라도 기존 클라이언트가 user_id에 의존한다면 호환성이 깨질 수 있습니다. 이 문제는 실행 중인 API를 대상으로 상태 코드, 필수 필드, 타입, 응답 스키마를 검증하는 계약 테스트로 잡아야 합니다.

권장 구현 흐름

OpenAPI 사양과 테스트 시나리오를 Apidog에 관리합니다.
주요 엔드포인트에 대해 상태 코드와 응답 스키마를 검증합니다.
모든 PR에서 Apidog CLI를 실행합니다.
실패한 계약 테스트를 GitHub 검사 결과로 표시합니다.
Codex 리뷰 결과와 CI 실패를 함께 확인합니다.

API 계약 테스트에서 이 접근 방식을 자세히 확인할 수 있습니다.

GitHub Actions에 Apidog CLI 추가하기

다음 워크플로는 PR마다 Apidog 시나리오를 실행합니다.

name: api-contract-tests

on: pull_request

jobs:
  apidog:
    runs-on: ubuntu-latest
    steps:
      - run: npm install -g apidog-cli
      - run: apidog run --access-token "$APIDOG_ACCESS_TOKEN" -t "$SCENARIO_ID" -e "$ENV_ID" -r cli,junit
        env:
          APIDOG_ACCESS_TOKEN: ${{ secrets.APIDOG_ACCESS_TOKEN }}
          SCENARIO_ID: ${{ vars.APIDOG_SCENARIO_ID }}
          ENV_ID: ${{ vars.APIDOG_ENV_ID }}

먼저 클라이언트 의존도가 높은 엔드포인트 하나부터 시작하세요.

GET /users/{id}

검증 항목:
- 응답 상태: 200
- user_id: 필수
- email: string
- created_at: ISO 8601 형식

Codex가 user_id를 userId로 변경하면 스키마 검사가 실패하고 CLI는 0이 아닌 종료 코드로 끝납니다. 따라서 사람이 긴 diff에서 변경 사항을 발견하기 전에 PR 상태가 실패로 표시됩니다.

Codex가 PR을 열기 전 로컬에서도 동일한 명령을 실행하도록 안내하면 피드백 루프를 더 짧게 만들 수 있습니다. Codex에서 Apidog CLI 사용하기와 Codex로 소프트웨어 팩토리 구축하기에서 전체 흐름을 확인할 수 있습니다.

자주 묻는 질문

DevDay 2026에서 Codex는 무엇을 얻었나요?

재사용 가능한 클라우드 환경, 음성·/agents·프롬프트 편집·재개·워크트리를 포함한 CLI, 자동 클라우드 리뷰가 포함된 코드 리뷰, 연구 미리보기 상태의 Codex 보안 클라우드가 추가되었습니다.

현재 Codex CLI의 기본 모델은 무엇인가요?

CLI 0.159.1부터 GPT-6.1 Sol입니다. /model로 모델과 reasoning effort를 변경할 수 있습니다.

Free 플랜에서 Codex 클라우드를 사용할 수 있나요?

아니요. Codex 클라우드는 Plus, Pro, Business, Healthcare, Edu, Enterprise 플랜에 포함됩니다. CLI와 코드 리뷰는 모든 플랜에서 사용할 수 있습니다. 무료 Codex 가이드도 참고하세요.

Codex 코드 리뷰가 내 API를 테스트하나요?

아니요. PR의 diff, 설명, 댓글, 검사 결과를 검토합니다. 실제 API 동작 변경을 검증하려면 CI에 API 계약 테스트를 추가해야 합니다.

Codex 보안 클라우드는 누가 사용할 수 있나요?

Pro, Business, Enterprise, Edu 플랜에서 연구 미리보기로 사용할 수 있습니다. 플러그인을 설치하고 GitHub 리포지토리를 연결하면 됩니다.

다음 단계

Codex CLI를 최신 버전으로 업데이트합니다.
/model을 실행해 gpt-6.1-sol이 선택되었는지 확인합니다.
다음 기능 브랜치에서 /review를 실행합니다.
Apidog를 다운로드해 가장 중요한 엔드포인트 하나를 계약 테스트 시나리오로 만듭니다.
GitHub Actions에 Apidog CLI 작업을 추가합니다.

이 구성을 적용하면 Codex가 작성하거나 검토한 PR을 코드 diff뿐 아니라 실행 중인 API 계약 기준으로도 검증할 수 있습니다.

오픈AI 초고속: 6배 속도, 6배 가격. 언제 본전 뽑을까?

Rihpig — Fri, 02 Oct 2026 09:48:57 +0000

OpenAI Ultrafast는 새로운 모델이 아니라 서비스 티어입니다. Responses API에서 gpt-6-astra 요청에 service_tier: "ultrafast"를 추가하면 API 토큰 생성 속도가 최대 6배 빨라집니다. Codex에서는 최대 8배, 즉 초당 300토큰까지 생성한다고 알려져 있습니다. 비용은 표준의 6배로, 100만 토큰당 입력 $60, 출력 $300입니다. 표준 요금은 입력 $10, 출력 $50입니다. 모델 ID는 바뀌지 않으므로 응답이 더 똑똑해지는 것은 아닙니다. 긴 출력을 기다리는 사용자나 지연 시간에 민감한 단계에 적합하며, 배치 또는 백그라운드 작업에는 일반적으로 적합하지 않습니다.

지금 Apidog를 사용해 보세요

OpenAI는 2026년 9월 29일 DevDay에서 GPT-6 Astra용 Ultrafast를 광범위하게 출시했습니다. DevDay의 다른 모든 정보 보기에서 관련 발표를 확인할 수 있습니다. 이 글에서는 가용성, 요청 방법, 가격, 속도 제한, 그리고 자체 측정값으로 계산할 수 있는 손익분기 모델을 다룹니다. 모델 자체가 궁금하다면 GPT-6 Astra API 가이드를 참고하세요. 전환 전에는 Apidog에서 두 티어를 동일한 프롬프트로 측정하는 것이 좋습니다.

OpenAI Ultrafast 한눈에 보기

항목	세부 정보
이것은 무엇인가요	OpenAI API에서 가장 빠른 서비스 티어
매개변수	Responses `create` 또는 WebSocket `response.create`에 `service_tier: "ultrafast"`
모델	현재 GPT-6 Astra, GPT-6.1 Sol은 “출시 예정”
속도 주장	API에서 토큰 생성 최대 6배 빠름, Codex에서 최대 8배(초당 300토큰)
가격(Astra)	100만 토큰당 입력 $60, 캐시 $6, 캐시 쓰기 $75, 출력 $300
속도 제한	티어 1~3: 500K TPM, 티어 4: 1M TPM, 티어 5: 5M TPM
처리	미국 데이터 상주 및 글로벌 처리만 지원
전송	WebSockets 강력 권장
ChatGPT 요금제	Pro 500 및 Enterprise의 ChatGPT Work, Codex

출처: OpenAI의 Ultrafast 모드 가이드 및 가격 페이지.

Ultrafast란 무엇이며 누가 사용할 수 있는가

OpenAI의 DevDay 요약은 Ultrafast를 프리미엄 속도 티어로 설명합니다. 가이드에 따르면 GPT-6 Astra Ultrafast는 모든 API 사용자에게 낮은 기본 속도 제한으로 제공되며, OpenAI 계정 팀이 있는 조직은 더 높은 한도를 요청할 수 있습니다.

가이드에는 계정 팀을 통한 GPT-5.6 Sol 미리 보기 액세스도 나열되어 있습니다. OpenAI는 8월 13일 GPT-5.6 Sol에서 Ultrafast를 처음 미리 보기로 공개했습니다. 이후 모델로는 GPT-6.1 Sol이 언급되었지만, 두 모델의 Ultrafast 가격은 공개되지 않았습니다.

ChatGPT에서는 Ultrafast Astra가 Pro 500 및 Enterprise의 ChatGPT Work와 Codex에서 실행됩니다. 다만 이는 앱 구독 기능이며 API 사용량에는 적용되지 않습니다. 스크립트, CI 작업, 에이전트는 API 키 기준 토큰 비용을 지불해야 합니다.

속도 수치를 해석할 때는 다음을 구분해야 합니다.

API의 주장은 토큰 생성 속도 최대 6배입니다.
Codex의 초당 300토큰은 최대 8배라는 주장에 해당합니다.
OpenAI는 Ultrafast의 첫 번째 토큰 생성 시간(TTFT)을 공개하지 않았습니다.
초당 토큰 수가 높더라도 첫 토큰까지의 대기 시간이 짧아진다는 보장은 없습니다.

`service_tier: "ultrafast"` 활성화 방법

각 요청에서 model을 gpt-6-astra로 설정하고 service_tier에 ultrafast를 지정합니다.

HTTP 요청

curl https://api.openai.com/v1/responses \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-astra",
    "input": "Explain why the sky is blue in one sentence.",
    "service_tier": "ultrafast"
  }'

WebSocket 연결 재사용

OpenAI는 특히 연속적인 도구 호출이 많은 에이전트에서 WebSocket 사용을 강력히 권장합니다. HTTP 요청을 반복하면 연결 및 요청별 네트워크 오버헤드가 Ultrafast의 생성 속도 이점을 상쇄할 수 있습니다.

다음 예시는 하나의 연결에서 두 턴을 스트리밍합니다.

from openai import OpenAI

client = OpenAI()
previous_response_id: str | None = None
prompts = [
    "Explain why the sky is blue in one sentence.",
    "Now explain why sunsets look red.",
]

with client.responses.connect() as connection:
    for prompt in prompts:
        connection.response.create(
            model="gpt-6-astra",
            service_tier="ultrafast",
            previous_response_id=previous_response_id,
            input=prompt,
        )

        for event in connection:
            if event.type == "response.output_text.delta":
                print(event.delta, end="", flush=True)
            elif event.type == "response.completed":
                previous_response_id = event.response.id
                print()
                break
            elif event.type in {"response.failed", "response.incomplete", "error"}:
                raise RuntimeError(event.to_json())
        else:
            raise RuntimeError("Connection closed before the response finished.")

패키지를 설치하고 API 키를 설정합니다.

pip install --upgrade "openai[realtime]"
export OPENAI_API_KEY="your-api-key"

연결 제한과 재연결 전략은 OpenAI WebSocket 모드 가이드에서 확인할 수 있습니다.

Standard, Fast, Batch와 비교한 Ultrafast 가격

짧은 컨텍스트(입력 272K 토큰 이하)에서 gpt-6-astra의 100만 토큰당 가격은 다음과 같습니다.

티어	입력	캐시된 입력	캐시 쓰기	출력	표준 대비
표준	$10.00	$1.00	$12.50	$50.00	1배
배치 또는 Flex	$5.00	$0.50	$6.25	$25.00	0.5배
Fast	$20.00	$2.00	$25.00	$100.00	2배
Ultrafast	$60.00	$6.00	$75.00	$300.00	6배

입력이 272K 토큰을 넘으면 Ultrafast 가격은 다음과 같이 증가합니다.

입력: $120
캐시된 입력: $12
캐시 쓰기: $150
출력: $450

Fast는 이전의 Priority 처리 티어이며, 2026년 7월 30일에 이름이 변경되었습니다.

중요한 점은 입력 토큰에도 6배 요금이 적용된다는 것입니다. Ultrafast의 속도 주장은 출력 토큰 생성에 관한 것이므로, 긴 프롬프트에서는 생성 속도 이점이 없는 입력 토큰에도 높은 비용을 지불하게 됩니다.

속도 제한 및 데이터 상주

GPT-6 Astra의 기본 Ultrafast 제한은 사용량 티어별로 다음과 같습니다.

사용량 티어	기본 제한
티어 1~3	분당 500,000 토큰
티어 4	분당 1,000,000 토큰
티어 5	분당 5,000,000 토큰

Ultrafast는 미국 데이터 상주 및 글로벌 처리만 지원합니다. 계약 또는 프로젝트 설정상 EU나 기타 지역 엔드포인트를 통해 트래픽을 라우팅해야 한다면 해당 프로젝트에서는 Ultrafast를 사용할 수 없습니다.

Ultrafast가 비용을 상쇄하는 시점: 손익분기 모델

아래 계산은 벤치마크가 아니라 정가를 기반으로 한 예시입니다. 실제 서비스에서는 Standard와 Ultrafast를 모두 측정한 뒤 자신의 수치로 바꾸어야 합니다.

여기서는 Standard Astra가 초당 40개의 출력 토큰을 스트리밍한다고 가정합니다.

사용자에게 직접 제공되는 답변

조건:

캐시되지 않은 입력 토큰: 5,000개
출력 토큰: 2,000개
Standard 출력 속도: 초당 40토큰

계산:

Standard: 입력 $0.05 + 출력 $0.10 = $0.15
Ultrafast: 입력 $0.30 + 출력 $0.60 = $0.90
추가 비용: $0.75
Standard 생성 시간: 2,000 / 40 = 50초
Ultrafast 생성 시간: 50 / 6 ≈ 8.3초
절약 시간: 약 41.7초
절약된 초당 추가 비용: $0.75 / 41.7 = $0.018
시간당 대기 시간 제거 비용: 약 $64.80

측정된 속도 향상이 최대치에 못 미치면 절약되는 시간 1초당 비용은 더 높아집니다.

측정된 속도 향상	절약된 시간(50초 기준)	초당 추가 비용	시간당 비용
6배	41.7초	$0.018	$64.80
4배	37.5초	$0.020	$72.00
2배	25.0초	$0.030	$108.00

에이전트 루프

다음과 같은 에이전트 실행을 가정합니다.

총 20단계
단계당 입력 토큰: 20,000개
- 캐시된 입력: 18,000개
- 신규 입력: 2,000개
단계당 출력 토큰: 500개
캐시 쓰기 요금은 계산에서 제외

계산:

Standard: 캐시된 입력 $0.018 + 신규 입력 $0.020 + 출력 $0.025 = 단계당 $0.063
Standard 총비용: $1.26
Ultrafast 총비용: $7.56
추가 비용: $6.30
Standard 생성 시간: 약 250초
6배 속도 기준 Ultrafast 생성 시간: 약 41.7초
절약 시간: 약 208초
절약된 초당 추가 비용: 약 $0.030
시간당 비용: 약 $109

에이전트 루프에서는 입력 비용 비중이 크므로, 사용자 응답 하나를 생성하는 경우보다 비용 효율이 더 나빠질 수 있습니다. 입력 토큰은 생성 속도 향상 없이 6배 가격이 적용되기 때문입니다.

결론적으로 다음 질문에 “예”라고 답할 수 있을 때 Ultrafast를 고려할 수 있습니다.

이 대기 시간 동안 실제 사용자나 금전적 가치가 있는 작업이 막히는가?
절약되는 시간이 시간당 약 $65~$110 이상의 가치를 가지는가?

내부 코딩 에이전트에서 엔지니어가 대기 중이거나, 유료 사용자 흐름에서 고객이 로딩 화면을 보고 있다면 기준을 통과할 수 있습니다. 반면 크론 작업은 일반적으로 그렇지 않습니다.

Ultrafast가 비용을 상쇄하지 못하는 경우

아무도 기다리지 않는 경우

야간 평가, 백필, 보고서 생성은 Batch API 또는 Flex를 고려하세요. 입력 $5, 출력 $25로 Ultrafast 요율의 1/12입니다.
백그라운드 에이전트

무인 실행 후 완료 상태만 알리는 에이전트라면 몇 분 빨라져도 비즈니스 결과가 크게 달라지지 않을 수 있습니다.
짧은 출력

50토큰 분류처럼 출력이 짧으면 생성 시간을 줄일 공간이 거의 없습니다. HTTP에서는 연결 설정과 TTFT가 전체 지연의 대부분을 차지할 수 있습니다.
긴 프롬프트

입력이 많은 호출은 속도 향상과 무관한 입력 토큰에도 6배 가격을 냅니다. 272K 입력을 넘으면 단가도 더 상승합니다.
지역별 처리 요구사항

EU 엔드포인트가 필요한 프로젝트에서는 사용할 수 없습니다.
TTFT가 병목인 호출

GPT-6 Sol 지연 시간 분석에서 설명하듯 긴 추론 실행은 첫 번째 가시 토큰 이전에 많은 시간이 소요될 수 있습니다. 지연이 이 구간에 집중된다면 Ultrafast가 TTFT도 줄이는지 먼저 측정하세요.

전환하기 전에 Apidog에서 TTFT 및 총 시간 측정

약 10분이면 예시 계산의 자리 표시자를 실제 서비스 측정값으로 바꿀 수 있습니다.

Apidog에서 OPENAI_API_KEY를 사용하는 환경을 만듭니다. 다음 요청을 추가합니다.

Method: POST
URL: https://api.openai.com/v1/responses
Header: Authorization: Bearer {{OPENAI_API_KEY}}

   {
     "model": "gpt-6-astra",
     "input": "<your real production prompt>",
     "service_tier": "ultrafast",
     "stream": true
   }

요청을 복제한 뒤 Standard 기준선을 위해 service_tier 필드를 제거합니다. 프롬프트와 나머지 파라미터는 동일하게 유지합니다.
두 요청을 모두 실행합니다. Apidog에서 서버 전송 이벤트 스트림을 이벤트별로 확인하고 다음 값을 기록합니다.

첫 response.output_text.delta 도착 시간: TTFT
스트림 종료 시간: 총 시간
최종 response.completed 이벤트의 usage 블록: 비용 계산용 토큰 사용량

각 변형을 최소 10회 실행합니다. 단일 실행 대신 중앙값과 p95를 비교하세요.
에이전트 루프는 WebSocket 경로로도 테스트합니다.

URL: wss://api.openai.com/v1/responses
stream을 제외한 동일한 필드로 response.create 메시지 전송
첫 응답의 previous_response_id를 포함해 두 번째 턴 전송

WebSocket 대 SSE 비교에서 열린 연결이 중요한 이유를 확인할 수 있습니다.

절약된 시간은 다음과 같이 계산합니다.

절약 시간 = Standard 중앙값 총 시간 - Ultrafast 중앙값 총 시간

그다음 usage 토큰을 각 티어 가격으로 계산하고, 추가 비용을 절약 시간으로 나누세요.

절약된 초당 추가 비용 = (Ultrafast 비용 - Standard 비용) / 절약 시간(초)

이 수치가 사용자 대기 시간 또는 엔지니어 작업 시간의 가치보다 낮을 때 Ultrafast 전환을 검토할 수 있습니다.

자주 묻는 질문(FAQ)

OpenAI Ultrafast는 무엇인가요?

표준 가격의 6배로 API 토큰을 최대 6배 빠르게 생성하는 Responses API 서비스 티어입니다. 요청마다 service_tier: "ultrafast"를 지정해 활성화합니다.

Ultrafast는 더 똑똑한 모델인가요?

아닙니다. 동일한 gpt-6-astra 모델 ID를 호출합니다. 서비스 티어는 속도와 가격만 바꾸며 모델 자체를 변경하지 않습니다.

GPT-6 Astra Ultrafast의 비용은 얼마인가요?

짧은 컨텍스트에서 100만 토큰당 입력 $60, 캐시된 입력 $6, 캐시 쓰기 $75, 출력 $300입니다. Standard는 각각 $10, $1, $12.50, $50입니다.

초당 300토큰은 어디에서 나온 수치인가요?

OpenAI가 Codex의 Ultrafast에 대해 제시한 최대치이며, 최대 8배라는 주장에 해당합니다. API에 대한 주장은 최대 6배입니다.

GPT-6.1 Sol은 Ultrafast를 지원하나요?

아직 아닙니다. OpenAI는 출시 예정이라고 밝혔습니다. 현재 상태는 DevDay 2026 요약에서 확인할 수 있습니다.

다음 단계

가장 느린 사용자 대면 요청 하나를 선택하세요. Standard와 Ultrafast로 각각 10회 실행한 뒤, 중앙값 기준 절약 시간과 추가 비용을 비교하세요.

두 변형의 요청 본문, 응답, 타이밍, usage 데이터를 한 프로젝트에서 관리하려면 Apidog를 다운로드하세요.

MCP 이벤트 이해하기: ChatGPT 연동 웹훅 MCP 서버 구축 및 테스트

Rihpig — Fri, 02 Oct 2026 09:48:40 +0000

MCP 이벤트를 사용하면 MCP 서버가 업데이트 발생 즉시 ChatGPT에 푸시할 수 있으므로, 에이전트가 주기적으로 폴링할 필요가 없습니다. 2026년 9월 29일 OpenAI DevDay 이후 ChatGPT는 모든 플랜에서 프로토콜 버전 2026-07-28(MCP 2.0)의 제안된 MCP 이벤트 사양을 지원합니다. 서버는 events/list, events/subscribe, events/unsubscribe 메서드를 구현하고, server/discover에서 events 기능을 광고하며, 콜백 확인 챌린지를 통과하고, 모든 전송에 Standard Webhooks HMAC 서명을 적용해야 합니다. ChatGPT는 웹훅 전송만 지원합니다.

지금 Apidog 사용해 보기

이 글에서는 MCP 이벤트를 구현할 때 필요한 메시지 형식, 보안 규칙, 테스트 절차를 단계별로 정리합니다. MCP가 처음이라면 MCP란 무엇인가부터 확인하세요. Apidog를 사용하면 JSON-RPC 호출을 전송하고 콜백을 모의 테스트할 수 있습니다.

MCP 이벤트 체크리스트

항목	ChatGPT가 기대하는 값
프로토콜	MCP 2.0, 버전 `2026-07-28`
기능 광고	`server/discover`의 `capabilities`에 `"events": {}`
필수 메서드	`events/list`, `events/subscribe`, `events/unsubscribe`
엔드포인트	도구 호출과 동일한 인증된 MCP 엔드포인트
전송 방식	웹훅 전용. 폴링, 스트리밍, `gap`, `terminated` 알림 미지원
서명	Standard Webhooks HMAC-SHA256
필수 헤더	`webhook-id`, `webhook-timestamp`, `webhook-signature`, `X-MCP-Subscription-Id`
비밀	`whsec_` 접두사가 있는 base64 비밀, 디코딩 후 24~64바이트
페이로드 제한	256 KiB(262,144바이트), 요청당 이벤트 1개
구독 ID	주체, 콜백 URL, 이벤트 이름, 인수로부터 결정론적으로 생성
콜백 요구 사항	HTTPS, 챌린지 확인, 사설 주소 차단, 리디렉션 미허용

출처: OpenAI의 MCP 이벤트 가이드 및 MCP 이벤트 디자인 스케치 초안.

폴링 대신 이벤트를 사용하는 이유

폴링 방식에서는 에이전트가 타이머에 따라 도구를 호출하고 이전 결과와 비교해야 합니다. 변경이 없으면 요청을 낭비하고, 변경이 발생하면 다음 폴링까지 지연됩니다.

MCP 이벤트에서는 서버가 변경 사실을 알고 있으므로 즉시 업데이트를 전송합니다. 이는 전통적인 웹훅 대 폴링 선택과 같은 장단점을 가집니다.

대표적인 활용 사례는 다음과 같습니다.

새 프로젝트 작업이 생성되면 연결된 문서를 읽고 계획 초안을 생성
특정 채널의 버그 보고서를 초안 풀 리퀘스트로 변환
- 이벤트: message.created
- 필터: channel_id
문서에 새 검토 댓글이 추가되면 후속 작업 수행
- 이벤트: comment.created
- 필터: document_id

이 사양은 MCP 트리거 및 이벤트 워킹 그룹의 저장소에서 발전한 실험적 기능입니다. 구현 시 프로토콜 버전을 반드시 2026-07-28에 고정하세요. 관련 출시 정보는 DevDay 2026 허브에서 확인할 수 있습니다.

1. `server/discover`에서 이벤트 기능 광고하기

먼저 server/discover 응답의 capabilities에 events를 추가합니다.

{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "resultType": "complete",
    "supportedVersions": ["2026-07-28"],
    "capabilities": {
      "tools": {},
      "events": {}
    }
  }
}

다음으로 events/list에서 서버가 제공하는 이벤트 정의를 반환합니다.

각 이벤트 정의에는 최소한 다음 정보가 필요합니다.

name: 안정적인 이벤트 이름
description: 사용자가 구독 목적을 이해할 수 있는 구체적인 설명
delivery: 반드시 ["webhook"]
inputSchema: 구독 인수 스키마
payloadSchema: 전송되는 data 객체의 스키마

예를 들어 document_id로 댓글 이벤트를 필터링하는 정의를 제공할 수 있습니다.

{
  "name": "comment.created",
  "description": "문서에 새 댓글이 생성될 때 발생합니다.",
  "delivery": ["webhook"],
  "inputSchema": {
    "type": "object",
    "properties": {
      "document_id": {
        "type": "string"
      }
    },
    "required": ["document_id"],
    "additionalProperties": false
  },
  "payloadSchema": {
    "type": "object",
    "properties": {
      "document_id": { "type": "string" },
      "comment_id": { "type": "string" },
      "text": { "type": "string" },
      "url": { "type": "string" }
    },
    "required": ["document_id", "comment_id", "text", "url"]
  }
}

구현 시 다음 원칙을 적용하세요.

이벤트 이름은 변경하지 않는 안정적인 식별자로 유지합니다.
필터는 클라이언트가 아니라 서버에서 적용합니다.
연결된 계정이 실제로 접근 가능한 이벤트만 노출합니다.
inputSchema와 payloadSchema를 엄격하게 검증합니다.

2. `events/subscribe` 구현하기

사용자가 ChatGPT에 특정 항목을 모니터링하도록 요청하면, ChatGPT는 다음과 같이 events/subscribe를 호출합니다.

{
  "jsonrpc": "2.0",
  "id": 2,
  "method": "events/subscribe",
  "params": {
    "name": "comment.created",
    "arguments": {
      "document_id": "doc_123"
    },
    "delivery": {
      "mode": "webhook",
      "url": "https://receiver.example.com/mcp-events/callback_123",
      "secret": "whsec_<base64-encoded-signing-key>"
    },
    "cursor": null
  }
}

구독을 수락하기 전에 다음을 검증합니다.

인증된 사용자가 해당 이벤트와 필터에 접근할 수 있는지 확인합니다.
name과 arguments가 이벤트 정의의 스키마를 만족하는지 검증합니다.
secret이 whsec_로 시작하는지 확인합니다.
whsec_ 뒤의 값이 base64로 디코딩되며 결과가 24~64바이트인지 확인합니다.
콜백 URL을 검증하고 챌린지 확인을 수행합니다.
소유자, 필터, URL, 비밀, 만료 시각을 저장합니다.

성공하면 다음과 같이 응답합니다.

{
  "jsonrpc": "2.0",
  "id": 2,
  "result": {
    "id": "sub_123",
    "refreshBefore": "2026-10-02T12:00:00Z",
    "cursor": null,
    "truncated": false
  }
}

구독 구현 규칙

결정론적 구독 ID 생성

구독 ID는 인증된 주체, 콜백 URL, 이벤트 이름, 인수를 기반으로 생성합니다. 디자인 스케치는 이 키의 잘린 SHA-256 해시를 제안합니다.

subject + callbackUrl + eventName + canonicalJson(arguments)

인수 객체는 키 순서가 달라도 같은 값으로 처리되도록 정규화된 JSON으로 직렬화해야 합니다.

멱등성 업데이트 또는 삽입

같은 구독 요청이 반복되면 새 레코드를 만들지 말고 기존 구독을 업데이트합니다.

same subject + same URL + same event + same arguments
=> same subscription ID

`refreshBefore` 이전 갱신

ChatGPT는 refreshBefore 이전에 같은 ID와 마지막 커서를 사용해 다시 events/subscribe를 호출합니다. 서버는 새 만료 시각을 반환해야 합니다.

갱신 요청에 새 비밀이 포함된 경우:

새 비밀로 교체합니다.
짧은 전환 기간에는 이전 비밀과 새 비밀 모두로 서명합니다.
재생할 수 없는 이벤트는 cursor: null을 반환합니다.

3. 데이터 전송 전 콜백 확인하기

애플리케이션 이벤트를 전송하기 전에 콜백 URL의 소유권을 검증해야 합니다. 신선하고 일회성이며 짧은 수명을 가진 챌린지를 포함한 서명된 POST 요청을 전송합니다.

{
  "type": "verification",
  "challenge": "a-single-use-random-value"
}

확인 요청에도 일반 이벤트와 동일한 서명 헤더를 포함합니다.

고유한 webhook-id 예: msg_verification_123
webhook-timestamp
webhook-signature
X-MCP-Subscription-Id

콜백 수신자는 2xx 응답과 함께 챌린지를 정확히 에코해야 합니다.

{
  "challenge": "a-single-use-random-value"
}

서버는 챌린지 값을 일정 시간 비교로 확인한 뒤에만 이벤트 전송을 활성화합니다.

검증 실패 시 JSON-RPC 오류 -32015(CallbackEndpointError)를 반환합니다.

{
  "jsonrpc": "2.0",
  "id": 2,
  "error": {
    "code": -32015,
    "message": "Callback endpoint verification failed",
    "data": {
      "reason": "challenge_failed"
    }
  }
}

data.reason에는 challenge_failed 또는 timeout 같은 원인을 포함할 수 있습니다.

챌린지는 공격자가 서버를 악의적인 대상 URL로 향하게 하는 것을 방지합니다. 구독자가 비밀을 제공하더라도, 콜백이 실제로 해당 비밀을 검증할 수 있는 엔드포인트인지 확인해야 합니다.

외부 URL 검증에는 다음을 적용하세요.

HTTPS만 허용
연결 시 DNS 해석 결과와 실제 연결 주소 검증
사설 IP, 로컬 주소, 링크 로컬 주소 등 비공개 대상 차단
HTTP 리디렉션 미허용
갱신 시에는 주체와 URL별로 검증 성공 결과를 제한된 기간 캐시

4. 이벤트 전송 및 서명하기

필터와 일치하는 이벤트가 발생하면 콜백 URL로 이벤트 객체 하나를 POST합니다.

{
  "eventId": "evt_456",
  "name": "comment.created",
  "timestamp": "2026-10-01T12:05:00Z",
  "data": {
    "document_id": "doc_123",
    "comment_id": "comment_456",
    "text": "Can we add the rollout dates to this section?",
    "url": "https://docs.example.com/doc_123#comment_456"
  },
  "cursor": null
}

다음 헤더를 포함합니다.

Content-Type: application/json
webhook-id: evt_456
webhook-timestamp: <unix-timestamp>
webhook-signature: v1,<base64-signature>
X-MCP-Subscription-Id: sub_123

중요한 구현 원칙은 다음과 같습니다.

본문은 한 번만 직렬화합니다.
서명에 사용한 바이트를 그대로 전송합니다.
이벤트 하나당 요청 하나만 전송합니다.
페이로드는 256 KiB 미만으로 유지합니다.
큰 레코드는 요약만 보내고 상세 내용은 읽기 도구로 제공합니다.
사용자 작성 텍스트는 데이터로 취급하며 모델 지침을 포함하지 않습니다.
이벤트 ID는 재시도 간에도 유지합니다.
재시도마다 새 타임스탬프와 서명을 생성합니다.
일시적 실패에는 제한된 지수 백오프를 적용합니다.
410과 413 응답은 재시도하지 않습니다.
이벤트 도착 순서가 바뀔 수 있으므로 쓰기 도구는 멱등적으로 구현합니다.

재시도 전략은 신뢰할 수 있는 웹훅 디자인 가이드에서 더 자세히 확인할 수 있습니다.

5. Standard Webhooks 서명 검증하기

Standard Webhooks 사양에 따르면 서명 대상 문자열은 다음과 같습니다.

${webhook-id}.${webhook-timestamp}.${body}

서명 키는 다음 순서로 준비합니다.

whsec_ 접두사를 제거합니다.
나머지 문자열을 base64로 디코딩합니다.
디코딩된 바이트를 HMAC-SHA256 키로 사용합니다.

webhook-signature 헤더는 공백으로 구분된 하나 이상의 서명을 포함할 수 있습니다.

webhook-signature: v1,<base64-signature>

MCP 초안은 수신자에게 다음을 요구합니다.

5분보다 오래된 타임스탬프 거부
webhook-id 기준 중복 제거
HMAC-SHA256 서명 검증
원본 바이트 그대로 검증

다음은 Node 18+ 내장 기능만 사용하는 엄격한 로컬 수신자 예시입니다.

// receiver.mjs: local test receiver for Standard Webhooks (Node 18+)
import { createServer } from "node:http";
import { createHmac, timingSafeEqual } from "node:crypto";

const SECRET = process.env.WEBHOOK_SECRET; // whsec_...
const MAX_BYTES = 256 * 1024;
const TOLERANCE_S = 5 * 60;
const seen = new Set();

export function verify(raw, h, secret, now = Math.floor(Date.now() / 1000)) {
  const id = h["webhook-id"];
  const ts = h["webhook-timestamp"];
  const sigs = h["webhook-signature"];

  if (!id || !ts || !sigs) return false;

  const timestamp = Number(ts);
  if (!Number.isInteger(timestamp) || Math.abs(now - timestamp) > TOLERANCE_S) {
    return false;
  }

  const key = Buffer.from(secret.replace(/^whsec_/, ""), "base64");

  const expected = createHmac("sha256", key)
    .update(`${id}.${ts}.`)
    .update(raw)
    .digest();

  return sigs.split(" ").some((signature) => {
    const [version, b64] = signature.split(",");
    const received = Buffer.from(b64 ?? "", "base64");

    return (
      version === "v1" &&
      received.length === expected.length &&
      timingSafeEqual(received, expected)
    );
  });
}

if (SECRET) {
  createServer((req, res) => {
    const chunks = [];
    let size = 0;

    req.on("data", (chunk) => {
      size += chunk.length;
      if (size <= MAX_BYTES) chunks.push(chunk);
    });

    req.on("end", () => {
      if (size > MAX_BYTES) {
        return res.writeHead(413).end();
      }

      const raw = Buffer.concat(chunks);

      if (!verify(raw, req.headers, SECRET)) {
        return res.writeHead(401).end();
      }

      let body;
      try {
        body = JSON.parse(raw);
      } catch {
        return res.writeHead(400).end();
      }

      if (body.type === "verification") {
        res.writeHead(200, { "Content-Type": "application/json" });
        return res.end(JSON.stringify({ challenge: body.challenge }));
      }

      const id = req.headers["webhook-id"];

      if (!seen.has(id)) {
        seen.add(id);
        console.log(
          req.headers["x-mcp-subscription-id"],
          body.name,
          id
        );
      }

      res.writeHead(200).end();
    });
  }).listen(8787);
}

다음과 같이 실행합니다.

WEBHOOK_SECRET=whsec_... node receiver.mjs

이 수신자는 다음 동작을 수행합니다.

256 KiB를 초과하면 413 반환
잘못된 서명 또는 만료된 타임스탬프에 401 반환
검증 챌린지 에코
동일한 webhook-id를 한 번만 로깅

verify() 함수는 Standard Webhooks JavaScript 라이브러리의 서명 테스트 벡터에 대해 검증할 수 있습니다. 서명 원리는 웹훅 서명 확인에서 확인하세요.

기본적으로 서버는 localhost나 사설 네트워크 주소로 이벤트를 전송하면 안 됩니다. 개발 환경에서는 명시적인 허용 목록을 추가하거나 터널을 사용해 외부 HTTPS URL을 제공하세요.

6. ChatGPT 연결 전 테스트하기

Apidog에서 다음 환경 변수를 생성합니다.

MCP_URL
MCP_TOKEN
CALLBACK_URL
WEBHOOK_SECRET

각 JSON-RPC 요청은 {{MCP_URL}}로 POST 전송하고 다음 헤더를 포함합니다.

Authorization: Bearer {{MCP_TOKEN}}
Accept: application/json, text/event-stream
MCP-Protocol-Version: 2026-07-28
Mcp-Method: <JSON-RPC method>

스트리밍 가능 HTTP 바인딩과 MCP 기본 사양에 따라 모든 요청의 params._meta에는 다음 정보도 포함해야 합니다.

{
  "io.modelcontextprotocol/protocolVersion": "2026-07-28",
  "io.modelcontextprotocol/clientCapabilities": {}
}

OpenAI 샘플은 _meta를 생략하지만, 실제 서버는 _meta가 없을 때 -32602를 반환할 수 있습니다. 따라서 실패 원인을 분리하려면 테스트 요청에 포함하는 편이 안전합니다.

테스트 1: 검색

server/discover를 호출합니다.
$.result.capabilities.events가 존재하는지 확인합니다.
$.result.supportedVersions에 2026-07-28이 포함되는지 확인합니다.
events/list를 호출합니다.
각 이벤트의 delivery에 webhook이 포함되는지 확인합니다.

테스트 2: 멱등성 구독

{{CALLBACK_URL}}, {{WEBHOOK_SECRET}}을 사용해 events/subscribe를 호출합니다.
$.result.id를 SUB_ID 환경 변수로 저장합니다.
같은 요청을 다시 전송합니다.
arguments 객체의 키 순서만 바꾼 요청을 다시 전송합니다.
모든 응답의 $.result.id가 {{SUB_ID}}와 같은지 확인합니다.

테스트 3: 입력 유효성 검사

다음 실패 요청을 전송합니다.

24바이트 미만으로 디코딩되는 비밀
http:// 콜백 URL
사설 IP를 사용하는 콜백 URL

초안 기준으로 잘못된 비밀과 HTTP 콜백은 -32602(InvalidParams)로 매핑되어야 합니다.

{
  "error": {
    "code": -32602
  }
}

테스트 4: 확인 챌린지 실패

Apidog 모의 엔드포인트를 만들고 다음과 같이 잘못된 챌린지를 반환하도록 설정합니다.

{
  "challenge": "wrong"
}

해당 모의 URL로 구독하면 다음을 확인해야 합니다.

{
  "error": {
    "code": -32015,
    "data": {
      "reason": "challenge_failed"
    }
  }
}

그다음 CALLBACK_URL을 정상 수신자 URL로 변경하고 구독이 성공하는지 확인합니다.

테스트 5: 초과 페이로드

262,144바이트를 초과하는 이벤트를 트리거합니다.

기대 결과는 다음과 같습니다.

발신 서버가 전송 전에 거부
수신자까지 전달되었다면 수신자가 413 반환
서버 로그에 재시도가 아닌 한 번의 전송 시도만 기록

테스트 6: 재생 및 변조

서명된 이벤트 전송의 헤더와 본문을 복사하여 새 요청으로 전송합니다.

즉시 재전송
- HTTP 200
- 두 번째 이벤트 처리 로그 없음
본문 바이트 하나 변경
- HTTP 401
5분 뒤 원본 요청 재전송
- HTTP 401

이 테스트를 Apidog 시나리오로 저장하고 CI에서 실행하세요. MCP 서버 테스트 플레이북은 도구 호출 테스트를 다루며, 웹훅 테스트 방법은 수신자 테스트를 더 자세히 설명합니다.

자주 묻는 질문

MCP 이벤트란 무엇인가요?

클라이언트가 폴링하는 대신 서버가 클라이언트에 이벤트 알림을 푸시할 수 있도록 하는 실험적 MCP 확장 기능입니다. ChatGPT는 2026-07-28 버전의 웹훅 모드를 지원합니다.

ChatGPT는 MCP 이벤트에 폴링이나 스트리밍을 지원하나요?

아니요. ChatGPT는 웹훅 전송과 콜백 확인만 지원합니다. 폴링, 스트리밍, gap, terminated 알림은 지원하지 않습니다.

어떤 ChatGPT 플랜에서 MCP 이벤트를 사용할 수 있나요?

OpenAI DevDay 요약에 따르면 모든 플랜에서 사용할 수 있습니다.

서명 비밀은 누가 생성하나요?

구독자가 생성합니다. ChatGPT는 delivery.secret에 whsec_ 비밀을 전달하고, 서버는 이를 검증·저장·서명에 사용합니다. 서버가 자체적으로 새 비밀을 생성하는 방식이 아닙니다.

Agents API와는 어떻게 다른가요?

MCP 이벤트는 서버에서 ChatGPT로 데이터를 푸시합니다. OpenAI Agents API는 사용자가 구축한 에이전트를 실행하고 스트리밍 또는 웹훅으로 실행 진행 상태를 보고합니다.

다음 단계

처음부터 많은 이벤트를 구현하지 말고 다음 순서로 시작하세요.

server/discover에 "events": {} 추가
필터 하나를 갖는 이벤트 하나 정의
events/subscribe와 챌린지 확인 구현
Standard Webhooks 서명 적용
로컬 수신자에서 6가지 테스트 실행
ChatGPT 플러그인에 연결한 뒤 OpenAI 수명 주기 체크리스트 실행

테스트 시나리오를 저장하고 모든 커밋에서 실행하려면 Apidog를 다운로드하세요.

OpenAI 에이전트 API vs 응답 API vs 에이전트 SDK vs 에이전트킷: 어떤 것을 선택하여 구축할까

Rihpig — Fri, 02 Oct 2026 09:46:47 +0000

이 네 가지 이름은 서로 다른 계층을 가리키며, 선택 기준은 하나로 압축할 수 있습니다. 에이전트 루프를 누가 실행하는가? Responses API는 모델 호출이고 루프는 애플리케이션 코드가 실행합니다. Agents SDK는 TypeScript·Python 라이브러리이며 SDK 러너가 앱 내부에서 루프를 실행합니다. 2026년 9월 10일부터 공개 베타인 Agents API는 OpenAI의 Codex 하네스를 대신 실행하고 세션 및 선택적 샌드박스를 유지합니다. AgentKit은 Agent Builder, ChatKit, Connector Registry, Evals를 묶은 2025년 10월 번들이며, Agent Builder는 2026년 11월 30일 종료될 예정입니다.

지금 Apidog 사용해 보기

9월 29일 DevDay에서 Agents API에 컴퓨터 사용 기능이 추가되면서(DevDay 2026 요약 참조), 이름 차이를 이해하는 일이 더 중요해졌습니다. 이 글에서는 루프, 컴퓨팅, 상태, 비용, 성숙도를 비교하고 선택 기준과 Responses 루프에서의 마이그레이션 절차를 정리합니다. 세션 및 승인 구현은 OpenAI Agents API 가이드를 참조하세요. 어떤 옵션이든 HTTP 인터페이스는 Apidog에서 테스트할 수 있습니다.

OpenAI 에이전트 옵션 비교

	Agents API	Responses API	Agents SDK	AgentKit
무엇인가요	Codex 하네스의 관리형 에이전트 런타임	모델 엔드포인트, `POST /v1/responses`	TypeScript 및 Python용 라이브러리	Agent Builder, ChatKit, Connector Registry, Evals 번들
누가 루프를 실행하나요	OpenAI	애플리케이션 코드	앱 내부의 SDK 러너	Agent Builder 워크플로우. SDK 코드로 내보내거나 ChatKit에 임베딩
컴퓨팅이 어디서 실행되나요	OpenAI 호스팅 샌드박스, 자체 샌드박스 또는 없음	자체 환경 및 호스팅 도구	자체 런타임 및 샌드박스 제공업체	해당 없음
상태가 어디에 저장되나요	OpenAI 세션: 구성, 턴, 항목	자체 기록, `previous_response_id` 또는 Conversations API	자체 저장소, SDK 세션 또는 Responses 상태	게시 및 버전 관리된 워크플로우
무엇을 지불하나요	토큰, 도구, 호스팅 컨테이너	토큰 및 도구	토큰, 도구, 자체 호스팅 비용	기반 API 사용량, 별도 구독 없음
통합 노력	낮음	높음	중간	평가되지 않음
상태	공개 베타, `OpenAI-Beta: agents=v1` 필요	모든 새 프로젝트에 권장	현재 지원	Agent Builder 및 Evals는 2026년 11월 30일 종료 예정, ChatKit 유지
데이터 제어	미국 데이터 상주만, ZDR 비적격, 삭제 전까지 상태 유지	제한 사항이 있는 ZDR 적격, 지역 엔드포인트 지원	호출 API에 따라 다름	해당 없음

출처: OpenAI의 에이전트 런타임 비교, Agents API 개요, 사용 중단 페이지

누가 루프를 실행하는가

아키텍처를 결정할 때는 먼저 다음 질문에 답하세요.

함수 호출, 재시도, 승인, 상태 저장, 컨텍스트 압축을 우리 서비스가 제어해야 하는가?

답에 따라 선택지가 달라집니다.

Responses API: 애플리케이션 코드가 루프를 소유

Responses API는 모델 호출 단위입니다. 웹 검색, 파일 검색, 코드 인터프리터, 원격 MCP 같은 호스팅 도구는 하나의 요청에서 여러 동작을 수행할 수 있습니다. 그러나 자체 함수 도구는 호출 결과를 애플리케이션이 다시 모델에 전달해야 합니다.

구현 흐름은 다음과 같습니다.

POST /v1/responses를 호출합니다.
응답의 function_call 항목을 찾습니다.
애플리케이션에서 함수를 실행합니다.
다음 요청에 동일한 call_id를 가진 function_call_output을 보냅니다.
완료 응답이 나올 때까지 반복합니다.

이 방식에서는 다음을 직접 결정합니다.

루프 중단 및 재시도 조건
대화 기록 저장 위치
응답 저장 여부: 기본 저장, store: false로 비활성화
긴 컨텍스트 압축 시점: context_management, compact_threshold

구현 상세는 Responses API 가이드와 함수 호출 가이드를 참고하세요.

Agents SDK: 앱 프로세스에서 SDK 러너가 루프를 소유

Agents SDK는 에이전트 루프와 핸드오프를 SDK 러너가 처리하도록 합니다. 다만 실행 위치는 여전히 애플리케이션 인프라입니다.

즉, 다음 책임은 서비스가 유지합니다.

서버 배포와 확장
함수 도구 구현
상태 저장
승인 정책
인증 및 감사 로그
샌드박스 제공업체 선택

샌드박스 에이전트의 명령은 Unix 로컬 환경, Docker 또는 호스팅 워크스페이스에서 실행될 수 있습니다. 이 경우에도 인증, 사람 검토, 감사 로그는 컨테이너 외부의 애플리케이션 계층에서 관리하는 편이 안전합니다.

Agents API: OpenAI가 루프를 소유

Agents API는 OpenAI가 관리하는 하네스가 세션, 오케스트레이션, 컨텍스트 압축, 복구를 처리합니다. 서브 에이전트, 도구 검색, 프로그래밍 방식 도구 호출도 지원합니다. 원격 MCP 서버는 OpenAI가 직접 호출합니다.

단, 자체 함수 도구의 실행 책임까지 사라지는 것은 아닙니다. 세션이 required_actions에 function_call을 보고하면 애플리케이션은 다음 정보를 포함한 agent.session.input.tool_result 이벤트를 반환해야 합니다.

turn_id
call_id
도구 실행 결과

동일한 작업을 두 API로 시작하는 예시는 다음과 같습니다.

# Responses API: 하나의 모델 호출이며, 애플리케이션 코드가 루프를 소유합니다.
curl https://api.openai.com/v1/responses \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6.1-sol",
    "reasoning": {"effort": "low"},
    "tools": [{"type": "web_search"}],
    "input": "Summarize the breaking changes in the latest Node.js release."
  }'

# Agents API: 영구 세션이며, OpenAI가 루프를 소유합니다.
curl https://api.openai.com/v1/agents/sessions \
  -H "OpenAI-Beta: agents=v1" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "agent": {"model": "gpt-6-astra", "tools": [{"type": "web_search"}]},
    "environment": {"type": "none"},
    "input": "Summarize the breaking changes in the latest Node.js release."
  }'

Agents API 문서 예시는 gpt-6-astra를 사용합니다. 다른 모델 허용 여부는 명시되지 않았으므로, gpt-6.1-sol 같은 모델로 교체하기 전에 지원 여부를 확인하세요.

컴퓨팅, 상태 및 비용

컴퓨팅

Agents API는 세션 전체에 대한 샌드박스를 프로비저닝하고 관리할 수 있습니다.

{
  "environment": {
    "type": "openai_hosted"
  }
}

environment.type에는 다음 값을 설정할 수 있습니다.

openai_hosted: OpenAI 호스팅 샌드박스
self_hosted: 자체 샌드박스
none: 샌드박스 없음

Agents SDK는 샌드박스 제공업체를 직접 선택하고 비용도 직접 부담합니다. Responses API는 호스팅 도구를 제외하면 애플리케이션이 실행하는 환경에서 코드를 실행합니다.

상태

상태가 저장되는 위치는 운영 방식에 직접 영향을 줍니다.

Agents API: OpenAI 세션이 구성, 턴, 항목을 보관합니다. 후속 요청은 같은 세션 ID에 이벤트를 전달하는 방식입니다.
Responses API: previous_response_id를 연결하거나 Conversations API를 사용합니다.
Agents SDK: 자체 저장소, SDK 세션 또는 Responses 상태를 사용합니다.

비용

동일한 모델을 호출한다면 토큰 가격은 옵션별로 동일합니다. 비용 차이는 실행 인프라에서 발생합니다.

Agents API: 추가 플랫폼 비용은 없지만 호스팅 컨테이너 비용이 발생할 수 있습니다. 20분 세션 기준 1GB는 $0.03, 16GB는 $0.48입니다.
Agents SDK: 토큰 및 도구 사용료 외에 자체 인프라 비용이 추가됩니다.
Responses API: 자체 함수 실행 인프라 비용을 부담합니다.
AgentKit: AgentKit 설명에 따르면 별도 구독은 없습니다.

데이터 제어

Agents API는 현재 미국 데이터 상주만 지원하며 Zero Data Retention(ZDR)을 지원하지 않습니다. 자체 호스팅 샌드박스를 사용해도 이 제약은 유지됩니다.

OpenAI의 데이터 제어 페이지는 /v1/agents가 ZDR 비적격이며, 상태가 삭제될 때까지 유지된다고 명시합니다.

반면 /v1/responses는 제한 사항이 있는 ZDR 적격이며 eu.api.openai.com 같은 지역 엔드포인트에서 사용할 수 있습니다.

ZDR 또는 EU 데이터 상주가 필수라면 현재 Agents API는 선택할 수 없습니다.

2026년 말 AgentKit: 남은 것은 무엇인가

AgentKit은 2025년 10월 6일 네 가지 구성 요소로 출시되었습니다. 각 구성 요소의 상태를 배포 계획에 반영해야 합니다.

Agent Builder: 2026년 6월 3일 사용 중단이 발표됐으며 2026년 11월 30일 종료 예정입니다. OpenAI의 마이그레이션 가이드는 워크플로우를 Agents SDK 코드로 내보내거나, Business·Enterprise·Edu 환경에서 ChatGPT Workspace Agent로 재구성하는 방법을 안내합니다.
Evals: 기존 Evals는 2026년 10월 31일 읽기 전용이 되고, 대시보드와 API는 11월 30일 종료될 예정입니다.
ChatKit: 임베디드 채팅 UI 용도로 계속 사용할 수 있습니다.
Connector Registry: OpenAI 제품 전반의 커넥터 및 MCP 서버를 관리하는 관리자 패널입니다.

AgentKit 가이드에 따르면 AgentKit에서 지속 가능한 코드 우선 경로는 Agents SDK입니다.

어떤 것을 기반으로 구축할 것인가

선택	적합한 상황
Agents API	작업이 몇 분간 실행되고 파일, 명령 또는 브라우저가 필요할 때. 루프, 샌드박스, 세션 저장소를 직접 운영하고 싶지 않고 미국 상주 및 베타 헤더를 수용할 수 있을 때
Responses API	단일 모델 호출 또는 완전한 턴 제어가 필요할 때. ZDR, 비미국 데이터 상주가 필요하거나 이미 동작하는 자체 루프가 있을 때
Agents SDK	유형화된 애플리케이션 코드가 도구, 저장소, 승인, 핸드오프를 소유해야 하고 루프도 자체 인프라에서 실행해야 할 때
ChatKit	제품에 임베디드 채팅 UI가 필요할 때
Agent Builder	새 프로젝트에서는 시작하지 마세요. 기존 워크플로우는 2026년 11월 30일 이전에 내보내야 합니다

AWS를 사용한다면 OpenAI 기반 Bedrock Managed Agents가 Agents API의 핵심 기능을 AWS 환경에서 네이티브로 실행할 수 있도록 합니다. 코드 우선 경로에서 MCP를 연결하려면 OpenAI 에이전트와 MCP 서버를 참고하세요.

자체 Responses 루프에서 Agents API로 이동

이미 Responses API 기반 루프를 운영하고 있고 OpenAI가 루프를 실행하도록 전환하려면 다음 순서로 진행하세요.

구성 요소를 매핑합니다.

지침, 모델, 도구 정의는 agent로 이동합니다. 자체 컨테이너는 environment로 이동하고, 대화 저장소는 Agents API 세션 ID로 대체합니다.
원격 MCP 서버를 agent.tools로 이동합니다.

토큰을 프롬프트에 넣지 마세요. vault_ids에 연결된 볼트에 자격 증명을 보관합니다.
함수 호출 핸들러를 다시 작성합니다.

기존 function_call_output 루프를 다음 이벤트 핸들러로 교체합니다.
- 스트리밍: agent.session.requires_action
- 웹훅: agent.session.action_required

핸들러는 agent.session.input.tool_result를 반환해야 합니다. 서브 에이전트는 함수 도구를 호출할 수 없으므로 함수 도구는 주 에이전트에 유지하세요.

자체 압축 코드를 제거합니다.

관리형 하네스가 컨텍스트를 자동으로 압축합니다.
완료 상태를 이벤트로 판정합니다.

다음 이벤트를 스트리밍하거나 웹훅으로 수신하세요.
- agent.session.turn.completed
- agent.session.turn.failed
- agent.session.turn.cancelled

세션이 유휴 상태라는 사실만으로 성공을 판단하면 안 됩니다.

배포 제약을 확인합니다. 미국 데이터 상주만 지원, ZDR 미지원, 베타 헤더 필요 여부를 출시 조건에 포함하세요.

두 가지를 하나의 Apidog 프로젝트에 유지

전환 전에는 기존 Responses 구현과 새 Agents API 구현을 동시에 검증하세요.

하나의 Apidog 프로젝트에 Responses 폴더와 Agents API 폴더를 만듭니다.
{{OPENAI_API_KEY}}와 모델 변수를 공유하는 환경을 설정합니다.
두 요청에 동일한 프롬프트를 보냅니다.
상태 코드와 필수 출력 필드를 검사합니다.
Agents API 스트림은 SSE 요청으로 열어 턴 이벤트를 관찰합니다.
실행 결과를 테스트 시나리오로 저장합니다.
Apidog CLI로 CI에서 실행해 베타 변경 사항을 실패한 검사로 감지합니다.

운영 환경에서 확인할 항목은 운영 AI 에이전트 신뢰성 가이드를 참고하세요. 설정하려면 Apidog를 다운로드하세요.

자주 묻는 질문

Agents API가 Responses API를 대체하나요?

아니요. 사용 중단은 발표되지 않았습니다. OpenAI의 에이전트 개요는 Agents API, Agents SDK, Responses API를 서로 다른 요구 사항에 맞는 현재 옵션으로 나열합니다.

OpenAI AgentKit이 사용 중단되었나요?

부분적으로 그렇습니다. Agent Builder와 Evals는 2026년 11월 30일 종료 예정이며, ChatKit은 계속 사용할 수 있습니다.

Agents SDK가 Agents API를 사용하나요?

아니요. Agents SDK는 애플리케이션 내부에서 실행됩니다. Agents API는 OpenAI 서비스 내부에서 관리형 하네스를 실행합니다.

Assistants API는 어떻게 되었나요?

OpenAI 사용 중단 페이지는 2026년 8월 26일 제거를 설정했으며, 개발자에게 Responses API와 Conversations API 사용을 안내합니다.

어떤 옵션이 가장 저렴한가요?

토큰 가격은 모두 동일합니다. 비용 차이는 Agents API의 호스팅 컨테이너와 Agents SDK 또는 Responses API를 사용할 때의 자체 호스팅 비용에서 발생합니다.

이번 주에 한 가지 경로를 선택하십시오

먼저 루프를 누가 실행해야 하는가를 결정하고, 애플리케이션을 본격적으로 작성하기 전에 실제 HTTP 요청으로 가정을 검증하세요.

새 프로젝트라면 Agents API 세션 하나를 만들고, Apidog에서 현재 Responses 설정과 동일한 입력을 보낸 뒤 출력, 이벤트, 상태 관리 방식을 비교해 보세요.

OpenAI Agents API 사용법

Rihpig — Fri, 02 Oct 2026 09:46:27 +0000

OpenAI Agents API는 OpenAI의 오픈 소스 Codex 하네스를 실행합니다. OpenAI-Beta: agents=v1 헤더와 에이전트 정의, 작업을 포함해 POST https://api.openai.com/v1/agents/sessions를 보내면 OpenAI가 모델·도구 루프를 실행하고 세션을 유지하며 샌드박스를 프로비저닝합니다. Agents API 자체 수수료는 없지만 토큰, 도구, 호스팅된 컨테이너 시간 비용은 지불해야 합니다. 1GB~16GB 샌드박스 기준 컨테이너 비용은 20분 세션당 $0.03~$0.48입니다. 이 API는 2026년 9월 10일 공개 베타에 진입했고, OpenAI는 9월 29일 DevDay에서 컴퓨터 사용 기능을 추가했습니다.

Apidog를 지금 사용해 보세요

이 글에서는 첫 REST 세션 생성, 진행 이벤트 처리, MCP 도구, 서브에이전트, 컴퓨터 사용 승인 흐름을 구현합니다. 다른 OpenAI 에이전트 인터페이스와의 차이는 Agents API vs Responses API vs Agents SDK를 참고하세요. DevDay의 나머지 발표 내용은 DevDay 2026 총정리에서 확인할 수 있습니다. 모든 호출은 일반 HTTP이므로 애플리케이션 코드에 연결하기 전에 Apidog에서 요청과 응답을 먼저 검증할 수 있습니다.

OpenAI Agents API 요약

항목	값
상태	2026년 9월 10일부터 공개 베타, 9월 29일 컴퓨터 사용 추가
세션 생성	`POST /v1/agents/sessions`
베타 헤더	`OpenAI-Beta: agents=v1` (OpenAI SDK가 자동 추가)
주요 권한	`api.agents.read`, `api.agents.write`, `api.responses.write`
가격	Agents API 수수료 없음. 모델 토큰은 API 요율, 도구는 표준 요율(웹 검색은 1K 호출당 `$10`)
호스팅된 컨테이너	20분 세션당 `$0.03` (`small`, 1GB), `$0.12` (`medium`, 4GB), `$0.48` (`large`, 16GB)
환경	`none`, `openai_hosted`, `self_hosted`
문서 예시 모델	`gpt-6-astra`
데이터 제어	미국 데이터 상주만 가능, 제로 데이터 보존(ZDR) 미지원
최대 요청 크기	4MiB

출처: Agents API 소개, Agents API 개요, 가격 페이지.

먼저 이해할 네 가지 개념

Agents API 구현은 다음 네 가지 리소스를 기준으로 설계하면 됩니다.

에이전트(Agent): 모델, 지침, 도구, MCP 서버를 정의합니다. 요청에 인라인으로 전달하거나 저장한 뒤 agent_id로 재사용할 수 있습니다.
환경(Environment): 에이전트가 파일을 읽고 명령을 실행할 샌드박스 또는 컴퓨터를 지정합니다.
세션(Session): 구성, 대화, 저장된 작업을 유지하는 에이전트 인스턴스입니다.
이벤트와 항목(Events and items): 이벤트는 실시간 진행 상태를 전달하고, 항목은 메시지와 도구 호출 같은 영구 기록입니다.

유휴 세션에 메시지를 보내면 새 턴이 시작됩니다. 실행 중인 턴에 메시지를 보내면 에이전트를 조종할 수 있습니다. 아키텍처 문서에 따르면 호스팅된 Codex 인스턴스인 하네스가 모델·도구 루프와 컨텍스트 압축을 처리하므로, 별도의 컨텍스트 압축 설정은 필요하지 않습니다.

환경 선택하기

environment.type은 명령과 파일 작업이 실행될 위치를 결정합니다.

none: 컴퓨팅 환경을 만들지 않습니다. 원격 MCP 서버와 함수 도구는 사용할 수 있지만, 내장 Bash, apply-patch, 작업 공간 파일, Executor MCP는 사용할 수 없습니다.
openai_hosted: OpenAI가 Linux 샌드박스를 관리합니다. /workspace에서 Python과 Node.js를 사용할 수 있습니다.
- container_size: small(1GB), medium(기본값, 4GB), large(16GB)
- network.access: enabled, disabled, 또는 allowed_domains와 함께 사용하는 restricted
- 턴 완료 후 /workspace/outputs의 파일은 아티팩트가 됩니다.
- keep-alive가 없는 유휴 샌드박스는 한 시간 후 삭제될 수 있습니다.
self_hosted: 자체 인프라에서 실행합니다. 노트북, 컨테이너, 원격 샌드박스에서 codex exec-server를 실행하고 별도 환경 키로 연결합니다.

출시 게시물에는 Blaxel, Cloudflare, Daytona, DigitalOcean, E2B, Modal, Oracle, Runloop, Vercel 같은 샌드박스 파트너가 나열되어 있습니다. 자체 호스팅 가이드에는 AWS Lambda MicroVMs도 추가되었습니다.

REST로 첫 세션 만들기

먼저 필요한 권한이 포함된 API 키를 환경 변수로 설정합니다.

export OPENAI_API_KEY="..."

다음 요청은 작은 호스팅 컨테이너에서 파일을 만들고 실행하는 첫 세션을 생성합니다.

curl --no-buffer https://api.openai.com/v1/agents/sessions \
  -H "OpenAI-Beta: agents=v1" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "agent": {
      "model": "gpt-6-astra",
      "instructions": "Write clean code, run it, and report the actual output."
    },
    "environment": {
      "type": "openai_hosted",
      "container_size": "small"
    },
    "input": "Create tree.py, a script that prints a tree of the files in the current directory. Run it and show the output.",
    "stream": true
  }'

stream: true를 지정하면 첫 턴의 이벤트 스트림이 응답으로 반환됩니다. 응답에서 세션 ID를 저장하세요. 이후 요청은 모두 같은 세션 리소스를 사용합니다.

작업	요청
후속 메시지 전송 또는 실행 중인 턴 조종	`agent.session.input.message` 이벤트와 함께 `POST /v1/agents/sessions/{id}/events`
활성 턴 취소	동일 엔드포인트에 `agent.session.input.cancel` 이벤트 전송
저장된 메시지·도구 호출 조회	`GET /v1/agents/sessions/{id}/items?order=asc&limit=100`
세션 정리	`DELETE /v1/agents/sessions/{id}`

JavaScript SDK에서도 같은 구조를 사용합니다. 다음 예시는 웹 검색, 서브에이전트, 볼트를 함께 설정합니다.

import OpenAI from "openai";

const client = new OpenAI();

const session = await client.beta.agents.sessions.create({
  agent: {
    model: "gpt-6-astra",
    tools: [{ type: "web_search" }],
    multi_agent: {
      enabled: true,
      max_concurrent_subagents: 3,
    },
  },
  vault_ids: [process.env.VAULT_ID],
  environment: { type: "openai_hosted" },
  input: "Summarize breaking changes in the latest release notes.",
});

console.log(session.id);

운영 환경에서는 session.id를 사용자 요청, 작업 ID, 만료 시각과 함께 저장해 두는 것이 좋습니다. 그래야 스트림이 끊겨도 항목 조회 API로 상태를 복구할 수 있습니다.

진행 상태 추적: SSE 또는 웹훅

SSE 스트리밍

입력을 보내기 전에 이벤트 스트림을 열어야 초기 이벤트를 놓치지 않습니다.

curl --no-buffer \
  -H "OpenAI-Beta: agents=v1" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Accept: text/event-stream" \
  "https://api.openai.com/v1/agents/sessions/$SESSION_ID/events?stream=true"

다음 이벤트를 우선 처리하세요.

텍스트 출력: agent.session.turn.output_text.delta, agent.session.turn.output_text.done
턴 종료: agent.session.turn.completed, agent.session.turn.failed, agent.session.turn.cancelled
사용자 또는 애플리케이션 입력 필요: agent.session.requires_action

구현 시 다음 세 가지를 구분해야 합니다.

agent.session.idle은 턴이 성공했다는 의미가 아닙니다.
완료된 턴에도 실패한 도구 호출이 포함될 수 있습니다.
SSE 연결을 닫아도 에이전트 작업은 중지되지 않습니다.

스트림은 놓친 이벤트를 재생하지 않습니다. 연결이 끊기면 새 스트림을 열고, 세션 및 items API를 조회해 현재 상태를 복구하세요.

웹훅

장기 실행 작업은 웹훅으로 처리할 수 있습니다. 다음 이벤트를 구독하세요.

agent.session.created
agent.session.action_required
agent.session.in_progress
agent.session.idle
agent.session.failed

이름이 서로 다르다는 점에 유의하세요.

스트림 이벤트: requires_action
웹훅 이벤트: action_required

웹훅 페이로드에는 호출 세부 정보가 생략될 수 있습니다. 핸들러에서 세션을 다시 조회하고 required_actions를 읽는 구조로 구현하세요. 또한 모든 웹훅 요청의 서명을 검증해야 합니다. 구현 방법은 웹훅 서명 확인을 참고하세요. 장기 실행 API 작업에서는 웹훅이 수 분 이상 걸리는 작업에 적합한 이유를 설명합니다.

MCP 도구, 도구 검색, 프로그래밍 방식 도구 호출, 서브에이전트

MCP 서버 추가

agent.tools에 MCP 서버를 추가합니다.

{
  "type": "mcp",
  "server_label": "openai_docs",
  "transport": {
    "type": "http",
    "server_url": "https://developers.openai.com/mcp"
  },
  "required": true
}

기본값은 connection_origin: "service"이며 OpenAI 서비스가 MCP 서버에 연결합니다. 따라서 서버는 OpenAI에서 접근 가능해야 합니다.

사설 네트워크의 MCP 서버에는 다음 중 하나를 사용하세요.

connection_origin: "environment": 에이전트 환경에서 서버에 연결
stdio: 샌드박스에서 MCP 서버 프로세스 시작

자격 증명은 세션 단위로 transport.authorization에 전달할 수 있습니다. 재사용 가능한 자격 증명이 필요하면 vault_ids와 함께 볼트 자격 증명인 static_bearer 또는 mcp_oauth를 연결합니다.

많은 도구를 사용할 때: 도구 검색

MCP 도구는 모델이 도구 검색을 지원할 경우 자동으로 발견됩니다. 함수 도구가 많다면 tool_search를 추가하고, 지연 로드할 함수에는 defer_loading: true를 지정합니다.

{
  "agent": {
    "tools": [
      { "type": "tool_search" },
      {
        "type": "function",
        "name": "get_deployment_logs",
        "defer_loading": true
      }
    ]
  }
}

프로그래밍 방식 도구 호출

프로그래밍 방식 도구 호출은 기본적으로 활성화됩니다. 에이전트는 격리된 V8 런타임에서 JavaScript를 실행하는 exec 도구를 사용합니다. 이를 통해 여러 도구 호출을 반복하고, 큰 결과를 컨텍스트에 넣기 전에 잘라낼 수 있습니다.

필요하지 않다면 명시적으로 비활성화하세요.

{
  "type": "programmatic_tool_calling",
  "enabled": false
}

서브에이전트 활성화

병렬 조사나 독립적인 하위 작업이 필요하면 multi_agent를 설정합니다.

{
  "multi_agent": {
    "enabled": true,
    "max_concurrent_subagents": 3
  }
}

기본 동시 실행 제한은 6입니다. 서브에이전트는 환경 파일 시스템을 공유하고 MCP 도구 및 웹 검색을 상속합니다. 다만 함수 도구는 사용할 수 없습니다. 메인 에이전트 턴의 subagent_id는 null입니다.

컴퓨터 사용 기능 구현하기

컴퓨터 사용은 에이전트에 호스팅된 브라우저를 제공합니다. computer_use 도구와 데스크톱 환경을 함께 활성화해야 합니다.

{
  "agent": {
    "model": "gpt-6-astra",
    "tools": [
      {
        "type": "computer_use",
        "include_screenshots": true
      }
    ]
  },
  "environment": {
    "type": "openai_hosted",
    "desktop": {
      "enabled": true
    },
    "network": {
      "access": "enabled"
    }
  }
}

브라우저는 공개 웹사이트를 포함해 새 웹사이트 원본을 방문하기 전에 사용자 승인을 요구합니다. agent.session.requires_action 이벤트를 수신하면 다음 흐름으로 처리하세요.

세션을 조회합니다.
computer_use_approval_request 항목을 찾습니다.
중첩된 request.type을 확인합니다.
사용자에게 승인 UI를 표시합니다.
이벤트 엔드포인트로 결과를 제출합니다.

요청 유형은 두 가지입니다.

browser_origin_access: origin과 reason을 표시하고 approve, deny, cancel 중 하나를 제출합니다.
browser_authentication: 로그인 폼의 fields, 선택적 로그인 options, credential_origin을 표시합니다. 사용자 입력과 함께 action: "submit"을 보내거나 action: "cancel"을 보냅니다.

원본 접근을 승인하는 이벤트 예시는 다음과 같습니다.

curl "https://api.openai.com/v1/agents/sessions/$SESSION_ID/events" \
  -H "OpenAI-Beta: agents=v1" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "events": [
      {
        "type": "agent.session.input.computer_use_approval_request_result",
        "request_id": "REQUEST_ID",
        "response": {
          "type": "browser_origin_access",
          "decision": "approve"
        }
      }
    ]
  }'

브라우저 동작은 computer_use_call 항목으로 저장됩니다. 이 항목에는 id, turn_id, title, status, output이 포함됩니다. include_screenshots를 활성화했고 스크린샷을 사용할 수 있다면 output에 base64 JPEG 스크린샷이 포함됩니다.

스크린샷에는 계정 데이터가 포함될 수 있으므로 애플리케이션 로그, 분석 이벤트, 오류 추적 도구에 원문을 기록하지 마세요.

컴퓨터 사용 가이드의 주요 운영 주의사항은 다음과 같습니다.

원본 승인과 작업 승인은 다릅니다. 사이트 접근을 허용해도 구매나 삭제 같은 개별 작업마다 확인을 요구하지는 않습니다. 작업 단위 승인이 필요하다면 해당 작업을 수행할 수 없는 리소스로 브라우저 권한을 제한하거나 제어 가능한 브라우저 런타임을 사용하세요.
로그인에는 이메일, 비밀번호, 인증 코드가 포함될 수 있습니다. 패스키와 QR 코드 로그인은 지원되지 않습니다.
인증 요청은 메인 에이전트만 할 수 있습니다. 서브에이전트는 인증을 요청할 수 없습니다.
자격 증명 제출 요청에서는 자동 재시도를 끕니다. SDK는 maxRetries: 0, curl은 --retry 0을 사용합니다.
HTTP 202는 요청 수락만 의미합니다. 탐색이나 로그인이 성공했다는 의미는 아닙니다.
인증 요청은 5분 후 만료됩니다.
원본 승인은 네트워크 정책을 재정의하지 않습니다. network 설정에서도 대상 사이트와 리디렉션 도메인을 허용해야 합니다.

요약에 따르면 컴퓨터 사용 기능은 “API를 통해, 그리고 Pro 500 및 Enterprise 버전의 Codex 및 ChatGPT Work에서 제공됩니다.” 동일한 모델로 UI 기반 테스트를 수행하려면 API 테스트를 위한 GPT-6 Astra 컴퓨터 사용을 참고하세요.

에이전트에는 UI보다 API를 제공하세요

브라우저 자동화는 API가 없는 소프트웨어를 다루는 대체 수단입니다. 제어 가능한 시스템이라면 브라우저 조작보다 MCP 서버로 감싸는 편이 낫습니다.

MCP 서버를 제공하면 다음을 얻을 수 있습니다.

유형화된 도구 입력과 출력
웹페이지 원본 접근 승인 감소
검증 가능한 결과
더 단순한 오류 처리와 감사 로그

컴퓨터 사용 대 구조화된 API에서 두 접근 방식의 트레이드오프를 확인할 수 있습니다. Apidog MCP 서버는 래퍼를 작성하는 코딩 도우미에 API 사양을 제공하는 방법을 다룹니다.

코드 작성 전에 Apidog에서 Agents API 테스트하기

Agents API는 베타이므로 애플리케이션 코드에 연결하기 전 Apidog에서 각 요청의 구조와 상태 전이를 수동으로 검증하세요.

OPENAI_API_KEY, VAULT_ID, SESSION_ID를 포함하는 Apidog 환경을 만듭니다.
모든 요청에 다음 헤더를 설정합니다.

   Authorization: Bearer {{OPENAI_API_KEY}}
   OpenAI-Beta: agents=v1

먼저 stream 없이 세션 생성 요청을 보냅니다. 2xx 상태 코드와 비어 있지 않은 id를 검증한 뒤, 응답의 id를 SESSION_ID 환경 변수에 저장합니다.
SSE 요청으로 이벤트 스트림을 열고, 두 번째 요청에서 입력 이벤트를 전송합니다. 텍스트 델타, 완료, 승인 필요 이벤트가 도착하는지 확인합니다.
승인 및 취소 페이로드를 저장해 각 required_actions 케이스를 재현합니다.
이 요청들을 테스트 시나리오로 연결하고 Apidog CLI로 CI에서 실행합니다.

AI 에이전트 API 테스트 가이드에는 비결정적 출력에 대한 단언 패턴도 포함되어 있습니다. 직접 따라 하려면 Apidog를 다운로드하세요.

자주 묻는 질문

OpenAI Agents API는 무료인가요?

플랫폼 수수료는 없지만 모델 토큰, 도구 호출, 호스팅된 컨테이너 시간 비용을 지불합니다.

Agents API와 호환되는 모델은 무엇인가요?

문서의 컴퓨터 사용 예시를 포함한 모든 예시는 gpt-6-astra를 사용합니다. 페이지에는 다른 지원 모델이 나열되어 있지 않으므로, 사용할 모델은 먼저 테스트하세요.

Agents API는 제로 데이터 보존을 지원하나요?

아니요. 미국 데이터 상주만 지원하며, 자체 호스팅 샌드박스를 사용하더라도 ZDR 대상이 아닙니다.

Agents SDK 또는 Responses API와 어떻게 다른가요?

Agents SDK는 애플리케이션 내부에서 루프를 실행합니다. Responses API는 직접 루프를 구축하기 위한 모델 호출 인터페이스입니다. 자세한 비교는 Agents API vs Responses API vs Agents SDK를 참고하세요.

읽기 전용 세션 하나로 시작하기

처음에는 읽기 전용 작업과 단일 MCP 서버로 시작하세요. 이후 기본값이 거부인 승인 핸들러를 구현한 뒤에 컴퓨터 사용 기능을 추가하는 편이 안전합니다.

ChatGPT가 자체 서버의 이벤트에 반응해야 하는 경우에는 MCP 이벤트가 해당 기능을 제공합니다.

DEV Community: Rihpig

제미니 4 아르곤 벤치마크: 19개 항목 분석, 구글 테스트 방식 및 5개 패배

각 항목을 측정한 주체가 포함된 전체 테이블

Argon이 뒤처지는 부분과 에이전트 코딩에 미치는 영향

테이블 해석을 바꾸는 방법론적 주의 사항

DeepMind 사이버 페이지의 추가 평가

타사 점수판

언론에서 12승, 13승, 14승을 다르게 보도하는 이유

접근 권한이 열리는 날 자체 평가를 실행하는 방법

자주 묻는 질문

Gemini 4 Argon의 벤치마크는 독립적으로 검증됐나요?

Gemini 4 Argon의 DeepSWE 점수는 얼마인가요?

Argon은 벤치마크에서 GPT-6 Astra를 이기나요?

이 벤치마크를 직접 다시 실행할 수 있나요?

다음 단계

제미니 4 아르곤 vs 제미니 3.8 플래시: 아르곤을 기다릴까, 지금 플래시를 선택할까?

나란히 비교: 오늘 호출할 수 있는 모델

두 출시 게시물에 공통으로 나타나는 벤치마크 항목

사이버: Argon vs 3.8 Flash Cyber

두 모델의 동일 호출 비용

Argon을 기다려야 할까요, 아니면 Flash를 사용해야 할까요?

지금 3.8 Flash로 출시해야 할 경우

Argon을 계획해야 할 경우

하나의 저장된 요청, 두 가지 모델

FAQ

다음 단계

제미니 4 아르곤 대 GPT-6 아스트라 대 클로드 오푸스 5.5

가격 및 제한 비교

Google 표에서 각 모델이 선두를 차지하는 부분

격차를 신뢰하기 전에 확인할 세 가지

1. 경쟁 모델 점수는 Google이 직접 실행한 결과가 아닐 수 있습니다

2. 벤치마크 하네스가 다릅니다

3. 같은 모델도 차트마다 점수가 다를 수 있습니다

제3자 평가자의 의견

어떤 모델로 라우팅할 것인가

자신의 프롬프트로 세 모델 비교하기

1. 모델별 요청을 준비합니다

2. 환경 변수로 API 키와 공통 프롬프트를 관리합니다

3. 품질과 비용을 함께 검증하는 어설션을 추가합니다

4. 테스트 시나리오로 묶어 반복 실행합니다

비용 계산 예시

GPT-6 Astra

Claude Opus 5.5

Gemini 4 Argon

자주 묻는 질문

Gemini 4 Argon이 GPT-6 Astra보다 좋나요?

Gemini 4 Argon과 Claude Opus 5.5 중 어떤 모델이 더 좋나요?

Gemini 4 Argon이 Claude Opus 5.5보다 저렴한가요?

가장 큰 출력 제한을 제공하는 모델은 무엇인가요?

오늘 Gemini 4 Argon을 사용할 수 있나요?

작업 부하별로 선택하고, 반드시 테스트하세요

제미니 4 아르곤 가격: 출시가 $2/$10, 일반가 $4/$20, 100만 토큰 답변 비용

가격표

Argon vs 현재 최첨단 및 Gemini 모델

사고 토큰은 출력으로 청구됨

4가지 시나리오 분석

1. 일반적인 API 호출: 입력 20K, 출력 5K

2. 긴 에이전트 턴: 입력 200K, 출력 50K

3. 최대 출력 응답 한 번: 100만 출력 토큰

4. 캐시된 500K 토큰 프롬프트를 10번 재사용

토큰당 가격이 태스크당 비용은 아니다

Argon 출시 전 설정해야 할 비용 통제

1. 출력 토큰 상한 설정

2. 안정적인 콘텐츠 캐싱

3. 사고 수준을 의도적으로 선택

4. 사용량 기반 비용 어설션 추가

구글이 아직 가격을 책정하지 않은 것

FAQ

지금 예산을 세우고 나중에 측정하세요

Gemini 4 Argon API: 확정된 내용, 예상 비용, 코드 준비 방법

Gemini 4 Argon API: 확인된 사항과 미공개 사항

온라인에서 찾은 모델 ID를 하드코딩하지 마세요

Gemini 3.8 Flash에서 전환 코드를 준비하세요

1단계: Interactions API 요청 보내기

2단계: generateContent 경로도 계속 유지하기

3단계: models.list로 출시 감지 자동화하기

4단계: 응답을 모의(mock)해 액세스 전 클라이언트 만들기

5단계: usageMetadata와 비용 상한선에 대한 테스트 추가하기

자주 묻는 질문

다음 단계

2단계: `generateContent` 경로도 계속 유지하기

3단계: `models.list`로 출시 감지 자동화하기

5단계: `usageMetadata`와 비용 상한선에 대한 테스트 추가하기

`AGENTS.md`로 리뷰 규칙 정의하기

`service_tier: "ultrafast"` 활성화 방법