Dots vs Kimi K3: 하나는 라이브러리 전체를 읽고, 다른 하나는 가서 찾아낸다

이 둘 중 하나만 할 수 있는 특정한 종류의 작업이 있으며, 이는 무엇보다도 먼저 이름을 붙일 가치가 있다. Moonshot AI가 2026년 7월 15일에 공개한 Kimi K3는 2.8조 매개변수 규모의 전문가 혼합(mixture-of-experts) 모델로, 1,048,576토큰 컨텍스트 창을 갖추고 텍스트와 이미지를 입력받아 텍스트를 반환하며, 가격은 입력 토큰 100만 개당 $3.00, 출력 토큰 100만 개당 $15.00이고 캐시된 읽기는 $0.30이다. Dots는 회사의 상시 구동 에이전트로, 2026년 9월 29일 DevDay에서 발표되었으며, 자체 클라우드 컴퓨터와 브라우저, 4,000개 이상의 앱에 연결되는 커넥터, 그리고 ChatGPT, Slack, Teams 내부에 자리를 갖추고 있고, GPT-6 Astra에서 실행되며 Pro 및 Business Premium에 포함된다. K3는 하나의 요청으로 전체 아카이브를 담고 그에 관한 질문에 답할 수 있다. 닷 하나는 아직 생각하지 못한 다음 문서를 가서 가져올 수 있다. 읽기와 가져오기는 서로 다른 작업이며, 잘못된 쪽을 고르는 것이 값비싼 실수다.

Kimi K3가 독차지한 숫자

장문맥 회상은 마케팅과 실제 역량을 구분해 주는 측정 지표입니다. 큰 컨텍스트 윈도우는 주장하기는 쉽지만 활용하기는 어렵기 때문입니다. K3는 이 지표에서 88.7점을 기록했는데, 이는 우리가 나열한 모든 모델 중 가장 높은 수치로, GPT-5.6 Sol의 84, MiniMax M3의 83, Gemini 3.1 Pro의 82를 웃돕니다. 또한 GPQA Diamond에서 93.5점, SciCode에서 59.5점을 기록했으며, Artificial Analysis Coding Index 76.2로 측정된 138개 모델 중 9위, Intelligence Index 43.6으로 145개 중 19위에 올랐습니다. 이는 모두 제3자 수치로, 출시 게시물에서 그대로 옮긴 것이 아니라 출처와 함께 우리 카탈로그에 실려 있습니다.

그것으로 얻는 것은 단순히 분해되지 않는 한 부류의 작업입니다: 그에 관한 질문에 답하기 전에 코드베이스 전체를 읽거나, 1년치 계약서를 새 템플릿과 대조하거나, 긴 에이전트 세션을 중간 부분이 메모리에서 빠지지 않고 유지하는 일 말입니다. K3는 바로 그러한 작업을 위해 만들어졌습니다 — Moonshot은 이를 프로그래밍 에이전트와 장기적 지식 작업에 포지셔닝합니다 — 그리고 샘플링 매개변수를 전혀 받지 않는다는 점에서 이례적입니다. temperature도, top_p도, seed도 없습니다; 추론 깊이는 단 하나의 다이얼로 조절됩니다. 그 이름은 reasoning_effort입니다. 이것은 의도된 트레이드오프입니다: 조절 항목은 줄이고, 긴 세션 전반에 걸친 일관성은 높입니다.

마케팅 없이 설명한 점의 용도

dot은 달력을 가진 일꾼이다. 그 입력은 평범하다 — 당신의 메시지, 당신의 앱 데이터, 당신이 한 문장으로 설명한 작업 — 그리고 그 출력은 다른 어딘가의 변화다: 옮겨진 파일, 업데이트된 티켓, 당신의 승인 후에 초안이 작성되어 전송된 메시지, 자체 브라우저에서 열린 페이지. OpenAI의 출시 자료는 그러한 dot 하나가 여러 프로젝트를 동시에 진행시키고 피드백에서 배운다고 설명하며, 솔직히 읽자면 당신이 사는 것은 지능이 아니라 연결 조직이다.

연결해 주는 부분은 구축하는 데 비용이 많이 드는 부분이다. 사람이 쓰는 것처럼 동작하는 브라우저, 앱 공급업체가 유지 관리하는 커넥터, 활동 보기, 승인 관문, 자신의 컴퓨터로부터의 격리 — 이 중 원칙적으로 어려운 것은 하나도 없지만, 실제로는 모두 지루한 일이다. 구독료가 지불하는 것은 바로 그것이다. 구독료가 지불하지 않는 것은 측정 가능성이다.

• 비용 — Pro 또는 Business Premium에 포함, 허용량 미공개(Dots), 입력 백만 개당 $3.00 및 출력 백만 개당 $15.00 대비, 캐시 읽기 $0.30 (Kimi K3)

• 요청 한 건당 상한 — 점 하나까지 문서화되지 않음, 1,048,576 토큰 컨텍스트에 맞서 장문맥 회상에서 모바일 친화적인 88.7 (Kimi K3)

• 입력과 출력 — 메시지와 연결된 앱 데이터가 들어가고 다른 소프트웨어 내부의 변경 사항이 나오는 것(Dots) 대 텍스트와 이미지가 들어가고 텍스트가 나오는 것(Kimi K3)

• 샘플링 제어 — 공개된 항목 없음(Dots) 대비 temperature 없음, top_p 없음, seed 없음, 추론 깊이는 reasoning_effort만으로 설정(Kimi K3)

• 기대할 수 있는 속도 — 점(.)에 대해서는 문서화되지 않았고, 자체 7일 측정(Kimi K3)에서 첫 토큰까지 중앙값 8.82초, 초당 약 39개 출력 토큰과 대비됩니다

• 독립적 근거 — 공급업체 데모 및 역량 설명, AA Coding Index 76.2(138개 중 9위), GPQA Diamond 93.5, 장문맥 회상 88.7(Kimi K3) 대비 벤치마크 없음(Dots)

에이전트를 구매할 때 아무도 언급하지 않는 것

공개되지 않은 허용량이 있는 구독에는 요금표에는 없는 속성이 하나 있습니다. 바로 저렴했던 작업과 비쌌던 작업을 구분할 수 없다는 것입니다. 모든 작업의 비용은 동일하며—한계 비용은 전혀 없습니다—더 이상 그렇지 않게 되는 순간까지는요. 그러고 나면 답은 청구서가 아니라 한도로 다가옵니다. 탐색적인 작업을 하는 팀에게 이것은 장점입니다. 프로젝트에 비용을 귀속해야 하는 팀에게 이것은 회계의 구멍입니다.

여기에는 이차적 효과도 있다. 호출의 한계 비용이 보이지 않으면, 그 호출이 필요했는지 묻기를 멈추게 되고, 어떤 파이프라인에서든 가장 저렴한 최적화 — 요청을 하지 않는 것 — 이 당신에게 이용 불가능해진다. 종량제 모델은 누군가 요금표를 볼 때마다 그 질문을 강제한다.

그것들을 대안인 척하지 않고 구성하기

효과적인 구조는 알아차리는 하나의 점과 읽어내는 장문맥 모델이다. 일이 들어온다 — 공유 드라이브의 문서, 스레드 속 메시지 — 그러면 그 점이 그것이 중요한지 판단한다. 중요하다면 문서는 필요할 수 있는 다른 모든 것이 첨부된 채 단 한 번의 요청으로 Kimi K3로 전달되고, 답은 원문의 요약이 아니라 원문에 완전히 근거한 상태로 돌아온다. 점은 쫓아다니는 일과 지루한 실무를 처리하고, 모델은 작은 호출을 반복하는 방식으로는 제대로 모아낼 수 없었을 양의 읽기를 처리한다.

Kimi K3는 OrcaRouter에서 kimi/kimi-k3로 라우팅되며, Moonshot의 정가에 마진이 전혀 붙지 않은 채 제공됩니다. 이는 하나의 키 뒤에 200개 이상의 다른 모델과 함께 있는 동일한 카탈로그에 자리 잡고 있으며, 업스트림 제공자 중 하나가 성능이 저하될 때 자동 페일오버가 이루어지고, 여러 모델을 하나의 호출로 조합하기 위한 라우팅 DSL도 지원합니다. 그것이 파이프라인에서 종량제로 과금되는 절반일 뿐, 그 이상은 아닙니다. dots는 카탈로그에 없고, 이를 위한 엔드포인트도 없으며, 요청을 가리킬 식별자도 존재하지 않습니다. 읽기 계층이 당신이 통제해야 하는 부분이라면 — 그리고 1년 동안 운영할 생각이라면 대개 그렇습니다 — 바로 그 계층을 소유해야 합니다.

어떤 구매가 돈을 낭비하나요?

대규모 코퍼스를 읽기 위해 dot을 사는 것은 낭비다. dot은 전체를 보유하기보다 가져와 요약할 테고, 요약은 당신에게 필요했던 세부 사항이 죽어가는 곳이기 때문이다. 다섯 개 애플리케이션에 걸쳐 프로젝트를 좇기 위해 Kimi K3를 사는 것도 거울처럼 정반대의 이유로 낭비다: 호출될 때 응답하는 모델은 당신을 호출하지 않는다.

일이 검색과 물류라면 일꾼을 빌려라. 일이 대규모 이해라면 미터기를 사서 모든 것을 한꺼번에 맡겨라. 이 둘은 "agentic"이라는 말이 시사하는 것보다 훨씬 적게 겹치며, 그 겹치는 지점은 둘 중 어느 쪽이 잘하는 곳도 아니다.