Nanbeige4.3-33B: 20회 중 17회 승리, 512K 컨텍스트, 그리고 독립적으로 테스트된 것은 없음

2026년 10월 24일 02:49 UTC에,Nanbeige/Nanbeige4.3-33B라는 이름의 Hugging Face 저장소가 공개되었다. 이는 같은 이름을 공유하는 기본 체크포인트가 공개된 지 4분 후였다. 출시 게시물은 없었다. 블로그 글도, 공급업체 발표도, 보도자료도 없었다 — 모델 카드가 331억 매개변수 오픈 웨이트 릴리스에 관한 전체 1차 기록이며, 그 핵심 주장은 20개 벤치마크 중 18개에서 Qwen3.8-27B를 앞선다는 것이다. 그 주장은 거짓이 아니다. 또한 아직 검증 가능하지도 않으며, 이후의 보도는 대부분 그 아래의 각주를 읽지 않은 채 표를 반복했을 뿐이다.

그래서 숫자들은 두 가지를 동시에 말해준다. Nanbeige4.3-33B는 자기 표의 20개 행 중 17개에서 선두이고, 다음 모델을 이긴다 — Qwen3.8-27B를 그중 18개에서. 이 둘은 서로 다른 집계이고 둘 다 정확하다. 선두가 아닌 세 행은 SWE-Bench Pro로, 여기서는 Qwen3.8-27B가 61.7 대 60.3으로 이기고, GDPval에서는 Qwen3.8-27B가 86.4 대 84.8로 이기며, GPQA Diamond에서는 Gemma4-31B의 91.3이 둘 다를 앞선다. Qwen3.8-27B에 두 행을, Gemma4-31B에 한 행을 내주면 Qwen 모델을 상대로는 20개 중 18개, 전체를 상대로는 20개 중 17개가 된다. 대부분의 글은 한 숫자만 골라 쓰고 다른 하나는 빼놓는데, 이는 나머지를 얼마나 꼼꼼히 읽었는지 알려주는 사소한 단서다.

리포지토리가 확립하는 것과 확립하지 않는 것

산문을 인용하기보다 파일을 열어 검증할 수 있는 것부터 시작하세요. 여기서 핵심은 바로 그 둘 사이의 격차이기 때문입니다.

• 확인됨: 가중치가 존재합니다. 총 66,259,989,086바이트인 14개의 safetensors 샤드(bfloat16)가 2026년 10월 24일 02:49:18Z에 생성되어 10월 25일 11:11Z에 마지막으로 수정된 저장소에 있습니다. 별도의 기본 체크포인트인 Nanbeige4.3-33B-Base는 3분 전인 02:46:52Z에 생성되었습니다.

• 확인됨: 라이선스는 Apache 2.0이며, 저장소 메타데이터와 카드의 프런트 매터(front matter)에 명시되어 있습니다. 여덟 개의 비가중치 파일 중에 LICENSE 파일은 없는데, 이는 법적 문제라기보다 서류상의 누락입니다. Hub와 대부분의 스캐너가 읽는 것은 바로 메타데이터 필드이기 때문입니다.

• 확인됨: 아키텍처는 일반적인 Llama 스택이며, 전문가 혼합(MoE)도 아니고 이 계열의 소형 모델들이 사용한 루프형 트랜스포머 설계도 아닙니다. 구성에 대한 자세한 내용은 아래에 있습니다.

• 확인됨: 벤더가 호스팅하는 엔드포인트는 없습니다. 이 저장소에 대한 Hub의 추론 제공자 매핑은 비어 있으며, 카드에서는 vLLM, SGLang, Transformers를 그런 취지로 제공합니다: GPU는 직접 준비하세요.

• 확인되지 않음: 학습 방식에 관한 그 어떤 정보도. 사전 학습 토큰 수, 데이터 구성, 연산량 수치, 사후 학습 레시피, 그리고 한계나 안전성 섹션도 없습니다. 이 카드의 인용 블록은 네 줄에 불과합니다.

• 확인되지 않음: 공개된 어떤 수치든 재현 가능하다는 점은. 저장소에는 평가 하네스가 없습니다 — 스크립트도, 작업 구성도, 로그도 없습니다 — 그리고 10월 26일 기준으로 이 모델에 대해 점수, 아레나 평점 또는 지수 순위를 발표한 제3자는 없습니다.

• 확인되지 않은 것: 출시가 은밀했다는 점입니다. 그렇지 않았습니다. 그것은 연구소가 예고하지 않은 것이었습니다. 이는 더 좁고 정확한 설명입니다: 카드는 20행 벤치마크 표가 포함된 완전한 출시 문서이며, 애그리게이터들은 하루 만에 이를 포착했습니다. 빠진 것은 Nanbeige가 무엇을 만들었다고 생각하는지 설명하는 자체 게시물입니다.

그 구분은 이번 공개를 두고 무엇을 해야 할지 결정하는 사람 누구에게나 중요하다. 아무 말도 하지 않는 연구소는 의도, 지원, 다음 점검 시점에 관해 아무것도 알려준 것이 없다. 카드는 공개하되 게시글은 올리지 않은 연구소는 모델에 관해 아주 많은 것을 알려주었으면서도 전략은 암묵적으로 남겨둔 셈이다. 그리고 이 경우 그 전략은 카드의 두 번째 문단에 분명히 적혀 있다 — 다만 그것을 알아차릴 때에 한해서.

카드에서는 이를 교사라고 부르는데, 그것이 전체 릴리스에 대한 관점을 바꿔 놓는다.

Nanbeige4.3-33B는 Nanbeige4.3 시리즈의 "플래그십 교사 모델"로 설명되며, 연구소가 에이전트 행동을 더 작은 모델에 증류할 수 있도록, "예: Nanbeige4.3-3B용으로" 가장 먼저 구축되었습니다. 모델 카드는 "약 30B 파라미터급 오픈 모델 중 최첨단 에이전트 성능"을 목표로 내세우면서, 곧바로 33B를 최종 제품이 아니라 증류 파이프라인의 기반으로 설명합니다.

그 말을 문자 그대로 받아들이면, 이번 릴리스는 우연히 출시 가능한 형태가 된 훈련 아티팩트다. 이는 3B 학생 모델용 궤적을 생성하는 데 사용하는 모델이며, 벤치마크 스위트가 장기 호라이즌 에이전트 작업 — Terminal-Bench, DeepSWE, JobBench, Toolathlon — 에 무게를 두는 이유는 바로 그런 행동이 전이하고자 하는 대상이기 때문이다. Nanbeige4.3-3B는 아직 출시되지 않았다. 출시되면 대부분의 사람이 실제로 실행하는 모델이 될 것이고, 이 33B는 그 점수를 설명해 주는 존재가 될 것이다.

짚고 넘어갈 만한 부작용이 하나 있습니다. 교사 모델은 넉넉한 토큰 예산 아래에서 좋은 궤적을 만들어 내도록 최적화되어 있지, 추론할 때 저렴하도록 최적화되어 있지 않습니다. 모델 카드의 권장 설정이 이를 그대로 보여줍니다 — 에이전트 작업에는 최대 65,536개의 새 토큰, 추론과 채팅에는 262,144개이며, 사고 기능은 기본적으로 켜져 있습니다. 25만 개에 달하는 토큰을 출력하도록 프롬프트된 모델은 예산 책정 없이 채팅창 뒤에 두는 모델이 아닙니다.

구성 파일이 설명하는 33B

을 읽어 보면, config.json구조는 마케팅과는 달리 관습적입니다. 레이어 52개, 히든 크기 7,168, 쿼리 헤드 56개 대 키-값 헤드 8개 — 7:1 그룹화 쿼리 비율 — 헤드 차원 128, FFN 너비 22,016, 어휘 166,912개 토큰. RoPE 베이스는 120,000,000이며 스케일링이 적용되지 않았고, max_position_embeddings는 524,288로 설정되어 있습니다. 파일에 기록된 transformers 버전은 4.51.1입니다.

파라미터 수는 이 숫자들로부터 나온다. {{1}}어텐션 투영{{/1}}은 레이어당 1억 1,740만 개의 파라미터가 되고, 3층 MLP는 4억 7,340만 개가 되어, 52개 블록에 걸쳐 블록당 5억 9,090만 개가 된다: 307억 개. 166,912 × 7,168 크기의 비공유 임베딩 행렬 두 개는 24억 개를 더한다. 총계는 331억 개이며, 이는 이름이 약속하는 수치이자 bfloat16 66.3GB의 무게가 나가는 값이기도 하다.

자신의 표를 쏟아부어 공격하는 그 모델을 상대로, 차이는 점수가 시사하는 것보다 더 날카롭다.

• 크기 — Nanbeige4.3-33B는 33.1B dense, Qwen3.8-27B는 27.78B dense입니다. 둘 다 dense 모델이며, 어느 쪽도 전문가 혼합(MoE) 모델이 아닙니다.

• 모달리티 — Nanbeige4.3-33B는 텍스트 전용(영어 및 중국어)이고, Qwen3.8-27B는 텍스트, 이미지, 비디오 입력을 기본 지원합니다. 파이프라인이 스크린샷을 읽는다면 벤치마크가 시작되기도 전에 비교는 끝난 것입니다.

• 주의 — Nanbeige4.3-33B는 52개 레이어 전체에 걸쳐 균일한 완전 어텐션을 적용하는 반면, Qwen3.8-27B는 하이브리드 스택을 사용하여 48개의 게이트형 DeltaNet 선형 레이어와 16개의 완전 어텐션 레이어를 3:1 패턴으로 구성합니다. 그렇기 때문에 Qwen 모델은 긴 컨텍스트에서 저렴하고 이 모델은 그렇지 않습니다.

• 컨텍스트 — Nanbeige4.3-33B는 네이티브 524,288 토큰, Qwen3.8-27B는 네이티브 262,144 토큰이며 YaRN을 사용하면 약 1M까지 확장 가능합니다.

• 라이선스 — 둘 다 Apache 2.0이므로 하나를 선호할 일반적인 이유가 사라집니다.

주의의 차이는 각주가 아니다. 그것이 다음 섹션이 존재하는 이유 그 자체다.

512K는 구성 파일에 있는 값이지 실제 작업 컨텍스트가 아닙니다

이번 릴리스의 모든 요약은 50만 토큰 창을 앞세운다. 그중 거의 어느 것도 계산을 해보지 않는데, 그 계산은 냉혹하다.

52개 레이어, 128차원의 키-값 헤드 8개, bfloat16 저장 방식을 사용하면 캐시의 각 토큰은 2 × 52 × 8 × 128 × 2바이트, 즉 212,992바이트(208 KiB)를 차지합니다. 여기서 세 가지 결과가 곧바로 따라옵니다.

• 전체 524,288 토큰 기준으로 KV 캐시만 111.7 GB, 약 104 GiB입니다. 이는 66.3 GB의 가중치보다 많으며, 오늘날 판매되는 어떤 단일 가속기에도 들어가지 않습니다.

• 131,072 토큰, 즉 광고된 윈도의 4분의 1에서 캐시는 27.9GB, 대략 26GiB입니다. 여기에 가중치를 더하면 활성화 전에 이미 92GB가 되며, 이것이 해당 카드 자체의 예제에서 4-way 텐서 병렬 처리를 사용하는 이유입니다.

• 32,768 토큰에서 캐시는 6.98 GB, 약 6.5 GiB입니다. 이것이 실무에서 중요한 수치이며, 커뮤니티 GGUF 저장소의 llama.cpp 예제가 실제로 설정하는 컨텍스트 길이입니다.

이 모든 것이 512K 주장을 거짓으로 만드는 것은 아니다. 이 윈도는 네이티브다. YaRN도, 스케일링 계수도 없고, rope base는 1억 2천만이며, 메모리가 충분한 4-GPU 노드라면 서빙할 수 있다. 다만 이는 헤드라인의 숫자가 자신이 보유한 하드웨어에서는 도달하지 못할 상한이라는 뜻이며, "512K 컨텍스트"를 구매 이유로 인용하는 사람은 캐시 비용을 계산하지 않았다는 뜻이다. 이를 Qwen3.8-27B 설계와 비교해 보라. 이 설계에서는 레이어의 4분의 3이 커지는 캐시 대신 고정 크기 순환 상태를 유지하므로, 장문 컨텍스트 토큰당 비용 격차는 튜닝의 문제가 아니라 구조적이다.

구성에서 한 가지 더, 하루를 날려버릴 수 있는 종류의 세부 사항입니다: use_cache가 false 모두에서 config.json과 generation_config.json. 모델 카드의 Transformers 스니펫을 통해 모델을 로드하고 이를 재정의하지 않고 generate를 호출하면 매 단계마다 프리픽스를 다시 계산합니다. vLLM 및 SGLang 경로는 자체 캐시를 관리하므로 영향을 받지 않습니다. 첫 벤치마크 실행이 설명할 수 없을 정도로 느리게 보인다면, 가중치를 탓하기 전에 이것을 확인하세요.

각주에서 안내하는 방식대로 벤치마크 표 읽기

이 표는 대부분의 벤더 표보다 문서화가 잘 되어 있으며, 주의사항은 바로 그 문서에 담겨 있습니다. 스무 개의 행 아래에는 열두 개의 각주가 있고, 각주는 점수보다 비교 가능성에 대해 더 많은 것을 말해 줍니다.

• Terminal-Bench 2.1은 Terminus 2로 실행되었습니다. Terminal-Bench 4.0과 DeepSWE는 mini-swe-agent v2.4.6으로 실행되었습니다.

• NL2Repo는 Claude Code 하네스로, JobBench는 Claude Code와 검색 도구를 사용해 실행되었습니다.

• SWE-Atlas-QnA 답변은 GPT-6 Sol을 중간 수준의 추론 노력으로 판정자로 사용해 1,304개의 작업별 루브릭에 비추어 채점되었습니다. 루브릭 판정자는 루프에 포함된 두 번째 모델이며, 테스트 대상 모델이 아닙니다.

• Toolathlon-Verified는 개별 요청에 max_tokens 제한을 두지 않습니다. Claw-Eval은 General 하위 집합인 157개의 단일 턴 작업에서만 점수가 매겨집니다. YC-bench는 각 호출 전에 가장 최근 10턴의 대화만 기록으로 유지합니다. GDPval은 수정된 평가 기준을 사용합니다.

• Nanbeige4.3-33B 자체는 preserve_thinking=true로 평가되었으며, 이 설정은 여러 턴에 걸쳐 이전 어시스턴트 추론을 유지합니다. 카드에서는 멀티턴 도구 사용에는 바로 이 설정을, 일반 채팅에는 정확히 그 반대를 권장합니다.

함께 읽어 보면, 그 노트들은 넉넉한 예산으로 장기 호라이즌 에이전트 행동을 측정하기 위해 구축된 스위트를 설명한다. 그것은 측정하기에 방어 가능한 대상이다 — 모델이 존재하는 이유이기도 하다 — 그러나 동시에 하네스 선택이 점수를 가장 크게 움직이는 영역이기도 하다. 표에서 가장 큰 격차인 DeepSWE의 65.5 대 Qwen3.8-27B의 42.5는 에이전트 스캐폴드에 의해 주도되는 벤치마크에서 23포인트 차이다. 가장 작은 격차는 스캐폴드가 가장 덜 중요한 행들에 있다: AIME 2026은 95.2 대 94.5, Tau3-Bench는 48.8 대 48.5, EnterpriseOps-Gym은 41.0 대 40.2.

그 패턴은 두 가지 설명과 일치한다. 모델이 동급 모델들보다 에이전트형 코딩에서 진짜로 훨씬 뛰어나거나, 아니면 에이전트형 행들이 자체 모델에 맞춰 자체 스캐폴드를 튜닝하는 연구소가 가장 큰 이득을 보는 행들이라는 것이다. 저장소 안의 어떤 것도 이 둘을 구분하지 못하며, 누군가 해당 스위트를 다시 실행하기 전까지 정직한 입장은 둘 다 유효하다는 것이다. 모델이 1점 이하로 앞서는 행들 — Tau3-Bench, EnterpriseOps-Gym, AIME, Claw-Eval의 78.3 대 75.2 — 은 독립적인 하네스에서 살아남을 가능성이 가장 낮은 행들이다.

10월 26일 현재, 외부 수치라고 할 만한 것은 전혀 존재하지 않는다. Artificial Analysis 인덱스 항목도, 아레나 평점도, 누구에 의한 재현도 없다. 카드 자체의 AA-LCR 수치 84.0은 Nanbeige가 Artificial Analysis 벤치마크를 실행한 것이지, Artificial Analysis가 Nanbeige를 실행한 것이 아니다.

지금까지 유일한 직접 테스트와 그것이 보여주는 것

실제로 가중치를 실행해 본 결과를 공개한 사람은 한 명뿐이며, 그 결과는 빈약하기 때문에 오히려 정확히 보고할 가치가 있다. 한 일본인 개발자가 Colab A100 80GB에서 전체 bfloat16 체크포인트를 일반 Transformers와 자동 dtype 및 device mapping을 사용해 로드했고, 사용 중인 VRAM이 약 63GB라고 측정했다. 새 토큰 1,024개로 제한된 첫 응답은 대략 11초 걸렸다. 초당 토큰 수 수치는 제시되지 않았지만, bfloat16의 33B dense 모델은 느리다는 인상이었으며, 이는 산술이 예측하는 바와 같다.

세 가지 프롬프트가 이어졌다. 9.11 대 9.8 비교는 명확한 소수점 설명과 함께 올바르게 나왔다. 애니메이션 캐릭터에 관한 질문은 주관적으로는 괜찮았지만 이름이 뒤죽박죽이었다. 일본 총리에 관한 질문은 잘못된 답변, 2024년 6월이라는 지식 컷오프 주장, 그리고 환각으로 지어낸 이름을 낳았다. 영어 사고 연쇄(chain-of-thought)가 닫는 think 태그 앞에서 유출되었다.

세 가지 캐주얼한 프롬프트는 평가가 아니며 평가로 읽혀서도 안 됩니다. 이것들이 보여주는 것은 벤더 표의 윤곽과 맞아떨어지는 하나의 데이터 포인트입니다. 영어 에이전트 작업에 강하게 튜닝되었고, 세계 지식은 2년이나 뒤처져 있으며, 제2언어에서는 평범한 모델이라는 점입니다. 모델 카드는 영어와 중국어를 표방하지만, 중국어 테스트 역시 아무도 공개하지 않았습니다.

양자화된 버전이 더 이상 동일한 모델이 아니게 되는 지점

이걸 돌리는 대부분의 사람들은 66GB짜리 bfloat16을 실행하지 않을 것이다. 그들은 카드 한 장에서 4비트 양자화 모델을 돌릴 것이고, 출시 하루 만에 나온 양자화 관련 보고들은 그것이 평소보다 더 큰 폭의 성능 저하임을 시사한다.

커뮤니티 GGUF 저장소는 표준 텍스트 스탠드에서 측정한, bfloat16 모델 대비 KL 발산과 top-1 일치율을 공개하며, 자체 README에서는 이 모델이 "양자화에 유난히 민감하다"고 경고합니다.

• Q8_0, 35.2 GB — KL 0.0032, top-1 일치율 98.0%.

• 중요도 행렬 Q5_K_M, 24.7 GB — KL 0.0213, top-1 94.7%.

• 중요도 행렬 Q4_K_M, 21.2 GB — KL 0.0380, top-1 92.6%.

• 일반 llama.cpp Q4_K_M, 20.1 GB — KL 0.0693, top-1 89.9%. 위 행과 동일한 비트 폭이지만 드리프트는 거의 두 배입니다.

• 중요도 행렬 IQ3_S, 17.1 GB — KL 0.1019, top-1 87.5%. README에는 4비트 미만 파일의 정확도 손실이 상당히 더 크다고 명시되어 있습니다.

8비트 MLX 변환은 KL 0.015에서 top-1 98.6%를 보고하며, 4비트 AWQ 경로는 KL 0.181에서 top-1 92.1%로 비교되는데, 이는 동일한 명목 폭의 importance-matrix GGUF보다 훨씬 가파른 하락입니다.

{{1}}실용적으로 읽으면:{{/1}} 단일 40GB 또는 48GB 카드에서 이 모델을 4비트로 평가했는데 에이전트 작업에서 실패한다면, 당신은 {{2}}대략 10개 토큰 중 9개에서 공개된 모델과 일치하는{{/2}} 모델을 평가한 것입니다. 산문에서는 눈에 띄지 않습니다. 잘못된 인자 하나가 턴을 끝내는 도구 호출에서는 {{3}}7%의 발산률은 다른 제품입니다{{/3}}. 에이전트형 주장이 관심의 이유라면, {{4}}정직한 최소 기준은 중요도 행렬을 적용한 Q5이거나, 평가 실행을 위해 대여한 하드웨어에서의 bfloat16입니다{{/4}}.

시도하는 데 드는 비용, 그리고 그것에 베팅하지 않고 시도하는 방법

Nanbeige는 가격을 공개하지 않았습니다. 가격을 매길 대상이 없기 때문입니다. 이 모델은 서비스가 아니라 가중치이며, Hub에는 이 모델의 추론 제공자가 등재되어 있지 않습니다. 그렇다면 선택지는 세 가지입니다 — bfloat16을 위한 80GB GPU 4장, Q5에서 48GB 카드 1장, 아니면 제공자가 등재되기를 기다리는 것입니다.

비교를 위해 말하자면, 이 모델이 앞선다고 주장하는 상대 모델은 온디맨드로 이용할 수 있습니다. Qwen3.8-27B는 OrcaRouter에서 입력 100만 토큰당 $0.33에 실행되며, 출력 100만 토큰당 $2.40, 262K 윈도우, p50 첫 토큰 생성 시간 약 2.95초를 제공합니다. 65,536토큰의 에이전틱 프롬프트와 8,000토큰의 출력은 약 4센트가 듭니다. 이것이 자체 호스팅 33B 모델이 넘어서야 하는 수치이며, GPU 유휴 시간과 양자화 위험, 대체 경로의 부재까지 안고서 넘어서야 합니다.

우리는 Nanbeige4.3-33B를 호스팅하지 않으며, 이 글의 어떤 내용도 우리가 호스팅한다는 주장으로 해석되어서는 안 됩니다. 우리가 할 수 있는 일은 비교를 반대 방향으로 저렴하게 만드는 것입니다: Orca Connect는 자체 GPU를 호스팅 카탈로그와 동일한 키 뒤에 배치합니다. 따라서 자체 호스팅 Nanbeige 엔드포인트와 Qwen3.8-27B를 하나의 엔드포인트와 하나의 라우팅 규칙 뒤에 두고 결정을 내릴 수 있습니다. 트래픽의 일부를 새 체크포인트로 라우팅하고, 호스팅 모델은 폴백으로 유지하세요. 그러면 요청 로그 — 품질 등급, 지연 시간, 호출당 비용 — 가 공급업체 비교표로는 해결할 수 없는 논쟁을 정리하게 해줍니다. 0% 마크업은 여기서 특정한 방식으로 중요합니다: 공급자 정가가 변경 없이 그대로 전달됩니다, 따라서 공급업체가 가격을 인하하면 지난주에 설정한 비교가 그대로 정직하게 유지됩니다.

누가 이 일에 대해 행동해야 하며, 누가 기다려야 합니까?

증류 파이프라인을 구축하고 있다면, 이것은 이번 달 가장 흥미로운 공개 체크포인트입니다. 허용적인 라이선스, 문서화된 샘플링 설정, 그리고 전이하려는 바로 그 동작을 측정하도록 선택된 벤치마크 스위트를 갖춘 33B 덴스 교사 모델은 유용한 자산이며, 연구소가 먼저 교사 모델을 구축하고 있다고 말하는 사실은 이 시리즈가 어디로 향하는지에 대한 신호입니다. 다운로드하고, 직접 평가를 실행하고, 모델 카드의 하네스 노트를 결과 옆에 보관하세요.

이번 주에 프로덕션용 모델이 필요하다면, 기다리세요. 독립적인 점수도 없고, 호스팅된 엔드포인트도 없으며, 프롬프트 세 개가 담긴 실사용 후기 하나와, 대부분의 사람들이 감당할 수 있는 비트 폭에서 평소보다 빠르게 성능이 저하되는 양자화 프로파일이 전부입니다. 그 어느 것도 탈락 사유는 아닙니다 — 다만 아직 증거가 되지 못할 뿐입니다.

비전이 필요하다면 비교는 이미 끝난 셈입니다. Qwen3.8-27B는 이미지와 영상을 읽어내고, 이 모델은 두 언어의 텍스트를 읽습니다.

주목할 것들은 구체적이다. 증류 대상인 Nanbeige4.3-3B는 교사 모델을 구축할 가치가 있었는지를 알려줄 것이다. 격차가 가장 크고 스캐폴드 민감도가 가장 높은 행인 Terminal-Bench 4.0의 첫 독립 실행. 그리고 제공업체가 33B를 아예 목록에 올리는지 — 누군가 그렇게 하는 순간 512K 컨텍스트는 구성 값이기를 멈추고 청구 항목이 되며, 이 글의 계산은 누군가의 인보이스가 되기 때문이다.