유료 모델 1/30 값에 코딩 실력이 비등한 오픈웨이트 AI, DeepSeek V4는 어디까지 왔나?

DeepSeek V4는 모델의 '가중치'(두뇌에 해당하는 수십억 개의 수치)를 MIT 라이선스로 무료 공개한 오픈웨이트 AI로, 실제 코딩 시험에서 유료 최상위 모델의 사정권까지 따라붙으면서 토큰 사용 비용은 대략 1/30 수준이다. 가중치가 공개돼 있으니 요건을 갖춘 GPU 서버나 클라우드에 직접 올려 운영할 수 있다. 다만 가중치는 공짜여도 그걸 돌리는 서버·GPU 비용은 여전히 든다.

한 줄 요약: MIT 라이선스로 가중치가 공개된 DeepSeek V4는 코딩 벤치에서 오픈웨이트 1위(SWE-bench 80.6%)에 출력 비용 약 1/30. 실력·비용·통제를 한 번에 노리는 실전 선택지다.

'오픈웨이트'는 오픈소스와 뭐가 다른가?#

먼저 헷갈리기 쉬운 용어부터 정리하자. 오픈웨이트(open-weight)는 모델의 가중치 파일(학습으로 얻은 수십억 개의 숫자, 곧 모델의 '두뇌')을 내려받아 직접 돌릴 수 있게 공개했다는 뜻이다. 이건 학습에 쓴 데이터나 전체 학습 코드까지 여는 완전한 '오픈소스'와는 다르다. 비유하자면, 완성된 자물쇠(가중치)는 통째로 주지만 그 자물쇠를 만든 설계 도면과 재료 명세(데이터·학습 파이프라인)까지 다 주는 건 아니다.

DeepSeek V4는 중국 DeepSeek가 2026년 4월에 공개했고, MIT 라이선스라 상업적 이용·수정·재배포가 넓게 허용된다. 여기서 오는 실질적 자유가 세 가지다. (1) 내 서버에 올려 직접 운영하고, (2) 내 데이터로 파인튜닝하며, (3) 특정 회사의 API에 의존하지 않는다. API가 끊기거나 가격이 오르거나 정책이 바뀌어도, 내 손에 가중치가 있으면 계속 돌릴 수 있다.

어떻게 덩치가 큰데도 싸고 빠를까?#

핵심은 전문가 혼합(MoE, Mixture-of-Experts)이라는 구조 덕분에, 모델은 거대하지만 매 토큰에 실제로 쓰는 계산은 그 일부뿐이라는 데 있다. 이걸 이해하면 "1.6조 파라미터인데 싸다"는 말이 모순이 아님을 알게 된다.

보통 모델은 답을 만들 때마다 파라미터 전체를 동원한다. MoE는 다르다. 큰 회사에 부서별 전문가가 잔뜩 있어도, 한 건의 질문엔 관련된 몇 개 부서만 호출하는 것과 같다. 나머지 전문가는 이번 토큰엔 쉰다. 그래서 총 파라미터(전체 규모)와 매 토큰의 활성 파라미터(실제로 계산에 쓰는 양)가 크게 벌어진다.

DeepSeek V4는 두 종류다. V4-Pro(초대형)는 총 1.6조 파라미터지만 한 토큰에 약 490억만 활성화하고, V4-Flash(보통 더 현실적)는 총 2840억에 약 130억만 활성화한다. 계산 비용은 대체로 활성 파라미터에 비례하므로, 덩치에 비해 싸고 빠른 것이다. 여기에 100만 토큰 맥락을 지원해, 책 한 권 분량의 긴 문서도 한 번에 넣고 처리할 수 있다.

유료 최상위와 견줘 어디까지 왔나?#

세 축으로 보면 실력·비용·통제 모두에서 실전 후보가 됐다. 하나씩 보자.

실력. 실제 깃허브 버그를 고치는 표준 시험 SWE-bench Verified에서 80.6%로, 오픈웨이트 1위이자 구글 Gemini 3.1 Pro와 동률이다. 클로드 Opus·GPT-5.5 같은 유료 최상위(약 88% 안팎)엔 아직 몇 점 뒤지지만, '사정권'이라 부를 만큼 좁혀졌다.

비용. 출력 기준 토큰당 약 1/30 수준이다. 대략 출력 100만 토큰당 약 $0.87로, Opus의 약 $25와 비교된다(입력·캐시 가격은 또 다르니 자기 사용 패턴으로 계산해야 한다). 대량 처리일수록 이 차이가 크게 벌어진다.

통제. 내 인프라에서 돌리니 데이터·비용·의존을 내가 쥔다. 게다가 API가 OpenAI 형식과 Anthropic 형식을 둘 다 말해, Claude Code 같은 기존 도구의 엔드포인트만 바꿔 바로 꽂을 수 있다.

직접 돌릴 때 무엇을 조심해야 하나?#

먼저 하드웨어. 직접 운영하려면 Pro보다 Flash가 현실적이지만, 둘 다 일반 노트북급으로는 어렵고 고성능 GPU 서버가 필요하다. 활성 파라미터는 작아도 총 파라미터를 전부 메모리에 올려둬야 하므로, 여러 장의 GPU와 큰 VRAM이 든다.

둘째 품질 함정. 많은 호스팅 업체가 비용을 줄이려 출력 계산을 fp8(8비트)로 양자화하는데, 그러면 결과가 원본 16비트 가중치와 미묘하게 달라질 수 있다. 품질에 민감하면 bf16(16비트) 서빙인지 반드시 확인하자. 같은 'DeepSeek V4'라도 서빙 정밀도에 따라 체감 품질이 갈린다.

셋째 그 외. 중국산 모델 특유의 검열·정책성 응답 편향이 있을 수 있고, 도입 전 데이터 보안·라이선스 검토도 필요하다. 그리고 긴 에이전트 루프나 멀티모달 작업에선 아직 유료 최상위가 앞선다.

무엇을 기억하면 될까?#

'프론티어급 AI는 빅테크 비공개 모델만의 것'이라는 구도가 흔들린다. 무료로 공개된 가중치가 코딩·추론에서 사정권에 들어오면서, 비용과 통제가 중요한 곳에선 오픈웨이트가 실전 기본값 후보가 됐다. 최고 점수 한 끗이 절대적으로 필요한 작업엔 여전히 유료 최상위가 안전하지만, 그 외 넓은 영역에선 DeepSeek V4가 진지한 대안이다. Hax가 지켜보는 지점이다.

참고: 오픈웨이트 모델의 벤치 점수·토큰 단가·서빙 정밀도는 2026년 현재 빠르게 바뀐다. 위 수치는 공개 시점 기준의 근사치이므로, 도입 전 허깅페이스 모델 카드와 각 호스트의 최신 가격·정밀도 공지를 다시 확인하길 권한다.