DeepSeek V4 Pro vs Kimi K3: 0813 업데이트 후 무엇이 바뀌었나?

한눈에 보는 DeepSeek V4 Pro 0813 vs Kimi K3

위의 벤치마크, 속도 및 지연 시간 수치는 현재 Artificial Analysis의 맞대결 평가에서 가져온 것입니다. 해당 지능 지수는 두 모델에 동일한 평가 프레임워크를 사용하므로, 두 공급업체의 출시 차트를 나란히 비교하는 것보다 유용합니다.

DeepSeek V4 Pro 0813에서 무엇이 바뀌었나?

DeepSeek V4 Pro 0813은 별도의 API 제품이 아니라 현재 V4 Pro의 프로덕션 버전입니다. DeepSeek의 문서에 따르면 이제 deepseek-v4-pro 별칭은 DeepSeek-V4-Pro-0813을 가리키며 호출 방식은 그대로 유지됩니다. 같은 문서에는 100만 토큰 컨텍스트 창, 최대 384K 출력, 추론 및 비추론 모드, JSON 출력, 도구 호출이 명시되어 있습니다.

이러한 명명 방식은 중요한 의미가 있습니다. 날짜가 포함된 모델 이름은 개발자가 구성 파일, 라우팅 규칙, 평가 기록을 변경하도록 강제하는 경우가 많기 때문입니다. 여기서는 안정적인 별칭 뒤에서 업그레이드가 이루어집니다. GPT Proto에서도 같은 원칙이 적용됩니다. 요청에 deepseek-v4-pro를 그대로 사용하세요.

현재 독립 평가 결과도 여러 7월 비교 기사에서 확인되는 수치와 다릅니다. Artificial Analysis는 이제 최대 추론 작업량에서 0813 모델에 지능 지수 53점을 부여합니다. 현재 평가에서 Kimi K3는 60점을 기록합니다.

이를 이전 점수 44점에서 정확히 9점 향상된 결과라고 설명해서는 안 됩니다. 모델이 변경되었지만 벤치마크 모음과 평가 버전도 변경될 수 있습니다. 방어 가능한 결론은 더 제한적입니다. 프리뷰를 기반으로 한 비교는 더 이상 현재 제공되는 모델을 설명하지 않으며, 최신 독립 테스트에서는 0813이 프리뷰 시대의 보도에서 제시한 것보다 Kimi K3에 더 가까운 성능을 보입니다.

DeepSeek는 모델의 기본적인 제품 형태를 바꾸지 않았습니다. 여전히 1조 6천억 개 파라미터의 Mixture-of-Experts 모델이며, 토큰당 490억 개의 파라미터가 활성화되고 텍스트 입력, 넉넉한 출력 한도, 선택 가능한 추론 작업량을 제공합니다. 따라서 0813 릴리스는 새로운 멀티모달 분기라기보다 프로덕션 및 사후 학습 업그레이드로 이해하는 것이 가장 적절합니다.

벤치마크: Kimi K3가 여전히 앞서지만 모든 영역에서 그런 것은 아니다

Kimi K3는 광범위한 독립 비교에서 60점 대 53점으로 앞섭니다. 이 7점 차이는 추론, 지식, 코딩, 장기 계획을 결합하는 워크플로에서 중요합니다. 그렇다고 Kimi가 모든 저장소나 모든 프롬프트에서 더 나은 결과를 낸다는 뜻은 아닙니다.

두 모델은 서로 다른 절충점을 제공합니다. Moonshot은 Kimi K3를 장기 코딩 및 지식 작업을 위해 설계된 2조 8천억 개 파라미터의 네이티브 멀티모달 에이전트 모델로 설명합니다. 해당 공식 모델 카드에는 업스트림 모델의 텍스트, 이미지, 동영상 이해 능력과 100만 토큰 컨텍스트 창이 명시되어 있습니다. GPT Proto의 현재 Kimi K3 경로는 텍스트, 이미지, 문서 입력을 지원합니다.

DeepSeek V4 Pro 0813은 텍스트 전용이지만 Artificial Analysis 테스트에서 초당 83.2토큰을 생성합니다. Kimi K3는 초당 40.8토큰을 기록합니다. DeepSeek는 첫 토큰까지 걸리는 시간도 1.63초로, Kimi의 2.97초보다 빠르게 응답을 시작합니다.

쉽게 말하면 Kimi는 더 높은 전반적 역량 점수를 보유합니다. DeepSeek는 텍스트를 거의 두 배 빠르게 반환하면서도 훨씬 저렴합니다.

여기에는 또 다른 벤치마크 함정이 있습니다. 공급업체의 코딩 점수는 서로 다른 에이전트 설정, 추론 옵션, 저장소 스냅샷 또는 통과 기준을 사용하는 경우가 많습니다. Kimi Code로 산출한 Kimi 점수를 다른 평가 설정으로 산출한 DeepSeek 점수와 자동으로 비교할 수는 없습니다. 모델을 선택할 때는 독립적인 동일 조건 평가를 공통 기준으로 사용한 다음, 제품에 영향을 미치는 작업을 테스트하세요.

이 글에서는 동일한 프롬프트를 사용한 비공개 코딩 테스트를 주장하지 않습니다. 그러한 테스트가 없다면 어느 한 모델을 보편적인 코딩 승자로 선언하는 것은 증거가 허용하는 범위를 넘어섭니다.

코딩 및 에이전트 워크플로에는 어느 모델이 더 나은가?

대규모 텍스트 기반 코딩이라면 DeepSeek V4 Pro 0813부터 시작하겠습니다.

그 이유는 모든 지표에서 Kimi를 앞서기 때문이 아닙니다. 실제로 그렇지 않습니다. 프로덕션 코딩 에이전트는 컨텍스트를 반복적으로 소비하고 추론, 패치, 테스트 계획, 도구 지침을 생성합니다. 출력 가격은 모든 반복 과정에서 누적됩니다. DeepSeek의 선택 가능한 추론 모드를 사용하면 모든 요청에서 동일한 추론 동작에 비용을 지불하는 대신 어려운 작업에 최대 작업량을 할당할 수 있습니다.

따라서 DeepSeek는 다음 작업의 강력한 기본 선택입니다.

• 저장소 읽기 및 코드베이스 Q&A

• 풀 리퀘스트 리뷰

• 버그 위치 파악

• 리팩터링 계획

• 테스트 생성

• 텍스트 기반 도구 호출

• 대규모 백그라운드 에이전트

• 구조화된 JSON 응답

실패한 시도의 비용이 토큰 비용보다 클 때 Kimi K3가 더 매력적입니다. 더 높은 독립 지능 점수 덕분에 DeepSeek가 완료하지 못한 길고 어려운 작업에 대한 합리적인 상위 단계 모델이 됩니다. 요청에 시각적 증거가 포함된 경우에도 Kimi가 분명한 선택입니다.

따라서 실용적인 프로덕션 패턴은 “영원히 하나만 선택”하는 것이 아닙니다. 일반적인 텍스트 작업은 DeepSeek로 라우팅하고, 선택한 실패 작업이나 멀티모달 작업은 Kimi로 재시도하세요. 두 모델 모두 하나의 GPT Proto API 키와 공유 잔액으로 사용할 수 있으므로 변경은 model 필드로 제한할 수 있습니다.

프론트엔드 코딩에서의 DeepSeek V4 Pro vs Kimi K3

“프론트엔드 코딩”은 서로 다른 두 가지 작업을 포함하므로 하나의 결론으로 묶어서는 안 됩니다.

첫 번째는 텍스트-코드 변환입니다. 작성된 사양을 바탕으로 React 컴포넌트, CSS, 페이지 구조, 접근성 수정 또는 TypeScript 로직을 생성하는 작업입니다. 이 범주에서 Kimi K3나 DeepSeek V4 Pro 0813이 보편적으로 승리한다고 주장할 만큼 동일 조건의 공개 증거는 아직 충분하지 않습니다. DeepSeek는 비용이 낮고 출력이 빠르므로 더 경제적인 첫 시도입니다.

두 번째는 시각적 프론트엔드 반복 작업입니다. 모델에 스크린샷을 보여 주고 간격이나 레이아웃 문제를 식별하도록 요청한 뒤 시각적 피드백을 바탕으로 인터페이스를 수정하는 작업입니다. Kimi K3는 이미지 입력을 지원하므로 이 워크플로에 더 적합합니다. DeepSeek V4 Pro는 텍스트 전용이므로 개발자가 스크린샷을 텍스트로 변환하거나 별도의 비전 모델을 먼저 사용해야 합니다.

텍스트로 설명된 UI를 대규모로 구현할 때는 DeepSeek를 사용하세요. 모델이 인터페이스를 직접 확인해야 할 때는 Kimi를 사용하세요.

API 가격: 헤드라인이 말하는 것보다 DeepSeek의 우위가 더 크다

GPT Proto는 현재 DeepSeek V4 Pro의 입력 토큰 100만 개당 가격을 $1.044, 출력 토큰 100만 개당 가격을 $2.088로 책정하고 있습니다. Kimi K3는 입력에 $2.70, 출력에 $13.50입니다.

DeepSeek는 입력에서 61.3%, 출력에서 84.5% 저렴합니다. 추론 중심 에이전트에서는 내부 작업과 최종 응답이 길어질 수 있으므로 출력 가격 차이가 특히 중요합니다.

토큰 가격은 여전히 추상적이므로 두 가지 가상 작업을 살펴보겠습니다.

저장소 규모 예시에서 Kimi의 비용은 약 3.88배입니다. 그렇다고 Kimi의 가성비가 본질적으로 낮다는 뜻은 아닙니다. 어려운 작업을 한 번에 완료하는 반면 저렴한 모델은 반복적인 재시도와 사람의 수정이 필요하다면, 비싼 호출이 전체적으로 더 저렴할 수도 있습니다.

적절한 프로덕션 지표는 토큰 비용만이 아니라 승인된 결과의 비용입니다. 각 작업 범주에 대해 모델, 토큰, 시도 횟수, 지연 시간, 테스트 결과, 검토자 승인 여부를 기록하세요. 낮은 토큰당 요금은 출력이 통과할 때만 실제 절감으로 이어집니다.

속도와 지연 시간

Artificial Analysis는 현재 DeepSeek V4 Pro 0813의 출력 속도를 초당 83.2토큰, Kimi K3를 초당 40.8토큰으로 측정합니다. 첫 토큰까지 걸리는 시간은 DeepSeek가 1.63초, Kimi가 2.97초입니다.

이 수치는 대화형 코딩 어시스턴트와 병렬 에이전트 작업자에게 DeepSeek가 유리함을 보여 줍니다. 두 모델이 결국 수용 가능한 답변에 도달하더라도 토큰을 두 배 빠르게 반환하는 모델은 사용자가 체감하는 대기 시간을 줄일 수 있습니다.

그러나 공급업체의 속도는 가중치에 영구적으로 내재된 속성이 아닙니다. 서버 부하, 양자화, 배칭, 프롬프트 길이, 추론 작업량, 요청이 처리되는 위치에도 영향을 받습니다. 현재 측정값은 비교 가능한 스냅샷으로 보고 모든 호출에 대한 지연 시간 보장으로 간주하지 마세요.

컨텍스트, 추론 및 배포 차이

두 모델 모두 대략 100만 토큰의 컨텍스트를 지원하므로 컨텍스트 크기만으로는 이 비교의 승패를 결정할 수 없습니다. 컨텍스트를 어떻게 활용하는지가 더 중요합니다.

DeepSeek는 비추론 모드와 추론 모드를 지원하며, 어려운 작업을 위한 추론 작업량 제어 기능을 제공합니다. 또한 현재 DeepSeek API 사양에 따르면 최대 384K의 출력을 허용합니다. 이러한 유연성은 간단한 작업에는 빠른 응답을 사용하고 필요할 때만 심층 추론을 수행하는 라우팅 시스템에 적합합니다.

Kimi K3는 설정 가능한 작업량을 사용하는 상시 추론 모델입니다. 더 큰 2.8T 아키텍처와 멀티모달 설계는 문서, 코드, 이미지, 도구 사용이 포함된 장기 작업을 목표로 합니다. 그 대가로 출력 비용이 더 높고 측정된 생성 속도가 더 느립니다.

두 모델 모두 다운로드 가능한 가중치를 제공하지만 “오픈 웨이트”가 동일한 라이선스를 의미하는 것은 아닙니다. DeepSeek V4 Pro는 MIT 라이선스를 사용하고 Kimi K3는 자체 Kimi K3 라이선스를 사용합니다. 상용 셀프 호스팅을 계획하는 팀은 MIT와 동일하다고 가정하지 말고 Kimi의 정확한 약관을 검토해야 합니다.

하드웨어 요구 사항도 일반적인 로컬 워크스테이션의 수준을 훨씬 넘어섭니다. 가중치를 사용할 수 있더라도 대부분의 개발 팀에게 호스팅 API 평가가 현실적인 출발점입니다.

하나의 API 키로 DeepSeek V4 Pro 0813 및 Kimi K3에 액세스하는 방법

GPT Proto는 OpenAI 호환 채팅 완성 엔드포인트를 통해 두 모델을 모두 제공합니다. MODEL_ID를 deepseek-v4-pro로 설정하여 DeepSeek부터 시작하세요.

export GPTPROTO_API_KEY="your_api_key"
export MODEL_ID="deepseek-v4-pro"

curl --request POST "https://gptproto.com/v1/chat/completions" \
  --header "Authorization: Bearer $GPTPROTO_API_KEY" \
  --header "Content-Type: application/json" \
  --data "{
    \"model\": \"$MODEL_ID\",
    \"messages\": [
      {
        \"role\": \"user\",
        \"content\": \"Review this function for correctness and return the answer as concise Markdown.\"
      }
    ]
  }"

같은 텍스트 요청을 Kimi K3로 보내려면 한 줄만 변경하세요.

export MODEL_ID="kimi-k3"

그런 다음 동일한 curl 요청을 다시 실행하세요. 별도의 Moonshot 계정, 두 번째 잔액 또는 DeepSeek 버전 접미사는 필요하지 않습니다.

통제된 비교를 위해 프롬프트, 컨텍스트, 추론 설정, 출력 한도를 동일하게 유지하세요. 반환된 사용량 필드를 지연 시간, 시도 횟수, 테스트 통과 여부와 함께 기록하세요. 각 모델에서 나온 매력적인 답변 하나만 비교해서는 프로덕션 라우팅 결정을 내리기에 충분하지 않습니다.

어떤 모델을 선택해야 할까?

다음과 같은 경우 DeepSeek V4 Pro 0813을 선택하세요.

• 워크로드가 주로 텍스트와 코드로 구성된 경우

• 출력량 때문에 토큰 비용이 중요한 경우

• 낮은 지연 시간이 사용자 경험을 개선하는 경우

• 하나의 모델 ID로 비추론과 심층 추론을 모두 사용하려는 경우

• MIT 라이선스 기반의 셀프 호스팅 경로가 필요한 경우

• 대규모 에이전트의 기본 모델을 선택하는 경우

다음과 같은 경우 Kimi K3를 선택하세요.

• 모델이 스크린샷, 이미지 또는 문서를 검사해야 하는 경우

• 가격보다 현재 최고의 독립 지능 점수가 중요한 경우

• 실패한 작업의 비용이 프리미엄 API 호출보다 큰 경우

• 장기 멀티모달 에이전트를 구축하는 경우

• 저렴한 모델이 실패한 후 가장 어려운 요청을 상위 모델로 전환하려는 경우

대부분의 개발자에게 가장 좋은 라우팅 정책은 먼저 DeepSeek를 사용하고 필요할 때 Kimi를 사용하는 것입니다. 이렇게 하면 Kimi의 멀티모달 기능과 더 높은 역량 한도에 대한 접근을 포기하지 않으면서 DeepSeek의 비용 및 속도 이점을 대부분 누릴 수 있습니다.

최종 결론

DeepSeek V4 Pro 0813은 대부분의 텍스트 기반 코딩 및 에이전트 작업에 더 나은 기본 선택입니다. 현재 Artificial Analysis 지능 지수에서는 Kimi K3보다 7점 낮지만, GPT Proto에서 약 두 배 빠르게 출력하고 훨씬 저렴합니다. 특히 출력 중심 에이전트 반복 작업에서 그 차이가 큽니다.

Kimi K3는 더 나은 전문 모델입니다. 시각 입력이 포함된 작업, 비용보다 가능한 최고의 추론이 중요한 경우, 또는 DeepSeek가 이미 실패하여 수동 복구보다 한 번 더 시도하는 비용이 저렴한 경우 Kimi를 선택하세요.

0813 업데이트가 Kimi를 쓸모없게 만든 것은 아닙니다. 오히려 라우팅 결정을 더 명확하게 만들었습니다. 대규모 처리, 속도, 텍스트에는 DeepSeek를 사용하고, 멀티모달 기능과 더 높은 측정 역량 한도가 필요할 때는 Kimi를 사용하세요.