쓸모 쓸모연구소 · 실전 노트
제 825 호이번 주 새 글 49 편2026 · 11 · 14
챗GPT·제미나이⁠·AI 소식
JEV

Jev 가격과 속도 주장, 최대 193배 빠르다는 수치의 조건

Jev 가격은 입력 토큰 100만 개당 0.042달러이고 출력은 무료입니다. 제작사 TypeSafe가 내세우는 "193.6배 빠르고 444.6배 저렴"이 어떤 조건에서 나온 수치인지, 독립 시험에서는 무엇이 확인됐는지를 나눠서 읽는 법을 정리합니다. 가격과 한도는 2026년 11월 기준이고 바뀔 수 있습니다.

Jev 가격과 속도 주장, 최대 193배 빠르다는 수치의 조건 삽화
삽화 · 쓸모연구소

Jev 가격: 입력 100만 토큰에 0.042달러, 출력은 무료

Jev는 TypeSafe AI가 2026년 9월 15일 얼리 액세스로 공개한 결정 모델입니다. 글을 쓰지 않고, 상황(state)과 질문을 받아 선택지별 확률, 점수, 참일 확률을 돌려줍니다.

  • 요금: 입력 토큰에만 붙습니다. 공식 안내 기준 입력 100만 토큰당 0.042달러(10억 토큰당 42달러)이고, 출력 토큰은 무료입니다. 글을 만들지 않고 정해진 형태의 답만 돌려주기 때문입니다.
  • 한 번에 보낼 수 있는 양: jev-1.14 기준 요청 전체 64k, 질문 하나당 32k 토큰(k는 1,000)입니다. 긴 입력 모드를 켜면 262k 토큰까지 올라가지만, 같은 단가에 더 느리고 덜 정확합니다.
  • 호출 한도: 조직 단위로 초당 토큰 수와 초당 요청 수가 정해져 있고, 실제 값은 개발자 콘솔에서 봅니다. 넘기면 429 오류가 납니다.
  • OpenRouter를 거쳐도 입력 토큰만 과금하고 출력은 무료입니다. 단가는 OpenRouter의 Jev 모델 페이지에서 확인합니다.
  • TypeSafe 공식 소개 글은 이 가격이 보조금 없이도 유지되는지는 아직 입증하지 못했고, 앞으로 내려갈 것으로 본다고 적고 있습니다.

193.6배⁠·444.6배는 어떤 수치인가

TypeSafe 첫 화면에는 "193.6배 빠르고 444.6배 저렴"이라는 큰 문구가 있고, 작은 글씨로 "System One 업무 흐름 기준"이라는 각주가 붙어 있습니다. 흔히 "최대 200배 빠르고 400배 저렴"으로 줄여 전해지는 값이 이것입니다. 공식 소개 글에 적힌 조건은 다음과 같습니다.

  • 네 가지 업무 흐름(workflow)으로 시험했습니다. 상세 설명이 공개된 것은 가장 단순한 하나뿐이고, 독립된 질문 여러 개를 코드로 쪼개 묻는 구성입니다.
  • 정답 기준은 사람이 붙인 라벨이 아니라 GPT-6 Astra와 Fable 5.1 두 모델의 평균 예측입니다. 소개 글도 이 때문에 OpenAI와 Anthropic 쪽에 유리하게 기울 수 있다고 적습니다.
  • 비교 대상 LLM은 구조화된 결정만 내도록 묶는 래퍼를 거쳐 돌렸습니다. 묶지 않고 쓸 때보다 느리고 비싼 구성입니다.
  • 시험한 업무 흐름은 Jev의 학습 데이터에 없던 것이지만, TypeSafe 내부 팀이 직접 썼기 때문에 편향이 있을 수 있습니다.
  • 193.6배와 444.6배가 최대값인지 평균인지는 적혀 있지 않습니다. "현실에서 얻는 이득 가운데 높은 쪽"이라는 표현만 나옵니다.

요컨대 제작사가 고른 업무 흐름에서 나온 높은 쪽 값이고, 독립 기관이 검증한 수치가 아닙니다.

같은 페이지 안에서도 배수가 다르다

TypeSafe 첫 화면의 나란히 비교 예시는 Jev가 건당 0.000081달러에 0.114초, LLM이 0.013880달러에 8.566초입니다. 나눠 보면 약 171배 저렴하고 약 75배 빠릅니다. 큰 문구의 193.6배⁠·444.6배와 같지 않습니다.

공식 소개 글 본문에는 또 다른 범위가 있습니다. 같은 지능 수준에서 40배에서 200배 빠르고, 응답 시간은 Jev가 70밀리초에서 500밀리초, 프런티어급 LLM이 3초에서 329초라는 표입니다. 속도 시험은 서부 해안의 노트북에서 한 번 잰 값이라는 단서도 붙어 있습니다.

그러니 200배라는 말은 업무 흐름과 측정 환경에 따라 두 자릿수 배에서 세 자릿수 배까지 달라지는 값 가운데 높은 쪽으로 읽는 편이 맞습니다. 내 업무에서 같은 배수가 나온다고 볼 근거는 없습니다.

시연이 보여 주는 것과 아닌 것

공식 소개 글의 시연 두 가지는 속도 체감용으로는 좋지만 지능 비교로 읽기는 어렵습니다.

  • Doom 게임: 초당 약 10번 질문하고 비용은 시간당 약 7달러입니다. 화면 이미지가 아니라 체력, 적 위치 같은 구조화된 텍스트 상태를 읽고 판단합니다. 소개 글도 AI가 아닌 단순한 봇이 더 잘 할 수 있다고 적습니다.
  • 위키백과 링크 경주: 비교 LLM은 대부분 추론 기능을 끈 상태였고 GPT-6 Astra만 가장 낮은 추론 단계였습니다. 추론을 켜면 상대 모델 결과가 달라지므로 이 장면만으로 모든 작업에서 Jev가 더 똑똑하다고 말할 수 없습니다. Jev는 한 단계에 선택지를 255개까지 다루고, 그보다 많으면 두 단계로 나눠 처리해 가끔 느려집니다.

"환각 0%"는 오류율 0%가 아니다

공식 소개 글은 Jev가 환각을 일으킬 수 없고 형식 오류가 수학적으로 불가능하다고 적습니다. 이 뜻은 답이 미리 정한 선택지와 형식 안에서만 나온다는 구조적 보장입니다. 소개 글도 환각 0%가 실측값이 아니라 설계상의 값입니다(공식 소개 글 기준).

없는 선택지를 지어내지 않는 것과 있는 선택지 가운데 정답을 고르는 것은 다른 문제입니다. 선택지 안에서 틀린 답을 고를 수 있습니다. 평가 서비스 Arize도 "환각이 없다"는 표현은 과장이라고 짚었습니다.

독립 시험에서 확인된 것

제작사 밖에서 나온 시험 결과 가운데 조건이 공개된 것만 모았습니다. 모두 표본이 작고 같은 결과가 나온다는 보장은 없습니다.

  • TypeSafe 자체 네 업무 흐름의 평균(Arize 정리): 정확도는 Jev 68%, GPT-5.6 Terra 68%, Opus 5 73%였습니다. 건당 비용은 0.0004달러, 0.03달러, 0.18달러이고 건당 시간은 0.4초, 10초, 38초입니다. 정답 기준이 다른 모델의 확률이라는 점은 위와 같습니다.
  • 스팸 메일 18,514통: 예시 없이 기준문만 준 Jev가 98.3%, 약 14,800통으로 학습시킨 전통적 분류기가 98.4%였습니다. 차이는 통계적으로 의미가 없었고, 기준문은 라벨 1,000통의 오류를 본 뒤 다듬은 것입니다.
  • 행사 목록 검수: Jev 96%, Gemini Flash-Lite 86%, 건당 비용은 58분의 1이었습니다.
  • LLM 평가자 시험(Braintrust): 근거 일치 평가 1,086건에서 Jev가 80.2%로 가장 높았지만 추론을 끈 DeepSeek V4 Flash의 79.2%와 1점 차라서 우열을 말하기 어렵습니다. 정답 평가 616쌍에서는 Jev 78.1%, 추론을 켠 GPT-5.6 Luna 88.6%였습니다. 수학은 73.1% 대 92.4%, 코드는 75.7% 대 95.7%로 격차가 컸습니다.
  • 같은 시험에서 Luna(추론 켬)는 Jev보다 13.2배 비싸고 23.3배 느렸습니다.
  • 평가할 글 안에 지시문 한 줄을 끼워 넣자 Jev의 평가가 정답 평가에서 22%, 근거 일치 평가에서 12% 바뀌었습니다.

읽는 방법은 이렇습니다. 속도와 비용 우위는 어느 시험에서도 크게 나왔습니다. 정확도는 쉬운 분류에서는 비슷했고, 수학⁠·코드처럼 길게 따져야 하는 평가에서는 추론 모델보다 낮았습니다.

공식 문서가 밝히는 약한 곳

TypeSafe 문서의 한계 항목(model jaggedness)에 적힌 것 가운데 가격⁠·속도 비교와 직접 관련된 것만 옮깁니다.

  • 질문의 글자 그대로를 읽어서 숨은 뜻이나 조건을 놓칩니다.
  • 수 세기와 계산에 약합니다. 계산기가 아닙니다.
  • 날짜를 글자로 취급해서 순서, 기간 계산이 불안정합니다.
  • 이중 부정이나 여러 단계를 거치는 추론에서 정확도가 떨어집니다.
  • 판단에 필요 없는 정보를 많이 넣으면 방해가 됩니다.
  • 입력 글 속 악의적인 문장에 흔들릴 수 있습니다.
  • 선택지 중 첫 번째를 고르는 경향이 있습니다.

계산과 날짜 처리는 코드가 맡고, 선택지 순서를 바꿔 다시 물어 결과가 일관되는지 보라는 것이 문서의 대응책입니다.

내 업무에서 확인하는 순서

  1. 정답을 이미 아는 샘플을 50~100건 모읍니다. 실제 업무에서 나온 입력이어야 합니다.
  2. 같은 샘플을 지금 쓰는 방법(LLM 호출 등)과 Jev에 모두 묻습니다. 비교 모델의 추론 설정은 같은 조건으로 맞춥니다.
  3. 정확도, 건당 비용, 걸린 시간을 각각 기록합니다.
  4. Jev 응답에 들어 있는 확신도(confidence)와 확률로 자동 처리할 기준선을 정합니다. 기준 이상만 자동 처리하고 나머지는 사람이나 다른 모델이 보게 합니다.
  5. 선택지 순서를 바꿔 같은 샘플을 한 번 더 돌려 결과가 흔들리는지 봅니다.

자주 묻는 질문

Jev 가격은 얼마인가요?

입력 100만 토큰당 0.042달러이고 출력 토큰은 무료입니다. 호출 한도는 조직마다 정해져 있어 개발자 콘솔에서 확인합니다. 요금은 바뀔 수 있으니 쓰기 전에 TypeSafe나 OpenRouter의 공식 안내를 봐야 합니다.

Jev가 200배 빠르다는 말은 사실인가요?

제작사가 고른 네 가지 업무 흐름에서 나온 높은 쪽 값입니다. 같은 페이지의 나란히 비교 예시는 약 75배 빠르고 약 171배 저렴으로 계산되고, 본문 표는 40배에서 200배 빠르다고 적습니다. 독립 검증 수치가 아니라서 내 데이터로 직접 재 보는 것이 확실합니다.

Jev의 환각 0%는 정확도 100%라는 뜻인가요?

아닙니다. 답이 미리 정한 선택지와 형식 안에서만 나온다는 구조적 보장입니다. 선택지 안에서 틀린 답을 고를 수는 있고, 독립 시험에서도 정답 평가는 추론 모델보다 낮게 나왔습니다.

Jev 정확도는 GPT나 클로드보다 높은가요?

일률적으로 말할 수 없습니다. 쉬운 분류에서는 비슷한 수준이 나온 시험이 많고, 수학⁠·코드 평가처럼 길게 따지는 일에서는 추론 모델이 더 높았습니다. Jev의 강점은 정확도 우위가 아니라 속도, 낮은 비용, 확신도를 함께 받는 점입니다.

이 글의 본문은 아래 원본 유튜브 영상의 내용을 바탕으로 쓸모연구소가 다시 정리해 쓴 것입니다. 세부 내용과 최신 정보는 원본 영상과 공식 안내에서 확인해 주세요.

원본 영상 보러가기 ↗