솔직히 말씀드리겠습니다. 제가 처음 AI 모델과 통신하는 앱을 만들기 시작했을 때, 속도가 얼마나 중요한지 전혀 몰랐습니다. 언젠가 답변이 돌아오기만 한다면 사용자들도 괜찮을 것이라고 생각했습니다. 하지만 제 생각이 틀렸다는 것을 깨달았습니다. 제가 만든 챗봇을 처음 테스트했을 때, 화면에 단어가 나타나기 전까지 어색한 정적이 흘렀고, 저는 "정말 영원처럼 느껴졌다"라고 생각했던 기억이 납니다. 결국 제 직감이 맞았습니다. 지연 시간 (Latency)은 앱을 망가뜨립니다.

몇 주간의 좌절 끝에, 저는 순수 속도를 측정하기 위해 다양한 AI API를 테스트하는 데 몰두했습니다. 제가 배운 모든 것을 공유하고자 합니다. 왜냐하면 누군가 첫날에 저에게 이 정보를 건네주었더라면 정말 좋았을 것이라고 진심으로 생각하기 때문입니다.

왜 속도에 신경을 썼는가

처음 시작할 때 아무도 말해주지 않는 사실이 있습니다. 사용자가 AI 기반 앱에 메시지를 입력할 때, 아주 짧은 찰나의 시간도 실제보다 더 길게 느껴진다는 것입니다. 200ms의 지연은 "즉각적"으로 느껴지지만, 800ms의 지연은 앱이 고장 난 것처럼 느껴집니다. 저는 아주 작은 속도 저하만으로도 사용자들이 떠나버릴 수 있다는 사실을 알고 충격을 받았습니다.

저는 실제 사용 시 어떤 모델이 정말 빠르게 느껴지는지 알아내기 위해 15개의 서로 다른 모델을 테스트하며 수 시간을 보냈습니다. 결과는 몇몇 부분에서 정말 놀라웠습니다. 어떤 저렴한 모델들은 매우 빨랐고, 어떤 비싼 모델들은 매우 느렸습니다. 제가 발견한 내용을 설명해 드리겠습니다.

테스트 설정 방법

저는 최대한 공정하게 유지하려고 노력했습니다. 모든 모델에 대해 "재귀(recursion)를 200단어로 설명하세요"라는 동일한 프롬프트를 실행하였고, 두 가지를 측정했습니다. 첫 번째 단어가 나올 때까지 걸리는 시간 (TTFT, 즉 Time to First Token)과 그 이후 초당 스트리밍되는 토큰 수입니다.

각 모델을 10번씩 실행하여 수치를 평균 냈습니다. 실제 채팅 앱이 작동하는 방식인 SSE (server-sent events)를 통해 모든 데이터를 스트리밍했습니다. 또한, 공정한 비교를 위해 깔끔한 설정을 제공하는 https://global-apis.com/v1의 Global API를 엔드포인트로 사용했습니다. 지리적 위치가 어떤 영향을 미치는지 확인하기 위해 미국 동부(US East) 머신과 싱가포르 머신 양쪽에서 테스트를 진행했습니다.

주요 속도 순위

가장 빠른 것부터 가장 느린 것 순서대로 정리한 리더보드입니다. 패턴이 명확히 눈에 들어오기 전까지 저는 이 숫자들을 한참 동안 뚫어지게 쳐다보았습니다.

논란의 여지 없는 속도 챔피언은 Step-3.5-Flash입니다. 첫 토큰까지의 시간(TTFT)은 120ms이며, 그 이후에는 초당 80토큰(80 tokens per second)이라는 엄청난 속도를 보여줍니다. 출력 토큰 100만 개당 0.15달러($0.15/M)라는 가격까지 더해져 매우 저렴합니다. 제가 이 모델을 이렇게까지 좋아하게 될 줄은 몰랐습니다.

그 바로 뒤를 잇는 모델은 제가 "스위트 스팟(sweet spot)" 선택지라고 부르는 DeepSeek V4 Flash입니다. TTFT 180ms, 초당 60토큰(60 tok/s), 가격은 100만 토큰당 0.25달러($0.25/M)입니다. 만약 범용 채팅 앱을 위한 모델을 단 하나만 골라야 한다면, 아마 이 모델이 될 것입니다.

Hunyuan-TurboS는 TTFT 200ms, 초당 55토큰(55 tok/s)으로 3위를 차지했습니다. 100만 토큰당 0.28달러($0.28/M)로, 가장 가성비 좋은 빠른 옵션입니다. 이에 대해서는 나중에 더 자세히 설명하겠습니다.

그다음은 조금 의아한 항목인 4위 Qwen3-8B입니다. 비용이 말 그대로 100만 토큰당 0.01달러($0.01/M)입니다. 단 1센트입니다. 그러면서 초당 70토큰(70 tokens per second)을 뽑아냅니다. 너무 좋아서 믿기지 않을 정도라 숫자를 세 번이나 다시 확인해야 했습니다.

나머지 목록은 속도가 상당히 느려집니다. DeepSeek-R1(TTFT 800ms, 초당 15토큰)이나 Qwen3.5-397B(TTFT 1200ms, 초당 10토큰)와 같은 더 큰 추론 모델(reasoning models) 단계에 이르면, 모든 응답을 눈에 띄게 기다려야 합니다. 이 모델들은 사용자에게 결과를 보여주기 전에 내부적인 "사고(thinking)" 시간을 포함하고 있으며, 이것이 속도 저하의 많은 이유를 설명해 줍니다.

제가 고생하며 배운 한 가지는, 모델이 크다고 해서 속도가 더 빠른 것은 아니라는 점입니다. 가장 화려한 추론 모델들이 가장 느린데, 이는 답변하기 전에 말 그대로 더 많은 작업을 수행하기 때문입니다.

예산에 맞는 속도 매칭하기

이 부분이 저에게는 정말 흥미로워진 지점입니다. 모델들을 가격대별로 그룹화하기 시작하자 트레이드오프(trade-offs)가 명확해졌습니다.

초저예산 계층 (100만 토큰당 0.15달러 미만): 여기에는 두 개의 실질적인 경쟁자만 있습니다. 100만 토큰당 0.01달러($0.01/M)에 초당 70토큰을 제공하는 Qwen3-8B, 그리고 100만 토큰당 0.15달러($0.15/M)에 초당 80토큰을 제공하는 Step-3.5-Flash입니다. Qwen3-8B가 실제로 선택 가능한 옵션이라는 사실에 놀랐습니다. 정교한 추론 작업에 사용할 모델은 아니지만, 숏폼 채팅이나 빠른 분류(classification)와 같은 간단한 작업에는 타의 추종을 불허하는 가치를 제공합니다.

예산 계층 (Budget tier, $0.15 to $0.30/M): 제 생각에 이곳이 가장 이상적인 지점(sweet spot)입니다. DeepSeek V4 Flash, Hunyuan-TurboS, 그리고 Qwen3-32B가 모두 이 계층에 속합니다. DeepSeek V4 Flash가 이 그룹의 승자입니다. 60 tok/s의 속도, GPT-4o급의 답변 품질, 그리고 단돈 $0.25/M의 가격을 자랑합니다. 만약 파산하지 않으면서 속도와 품질을 모두 잡은 실제 서비스를 구축하고 싶다면, 여기서부터 시작하세요.

중간 계층 (Mid-range tier, $0.30 to $0.80/M): 이제는 품질을 위해 비용을 지불하는 단계입니다. Doubao-Seed-Lite, GLM-4-32B, Hunyuan-Turbo, 그리고 DeepSeek V4 Pro가 모두 이 구간에 위치합니다. 모델이 더 크고 똑똑해짐에 따라 속도는 30-50 tok/s로 떨어집니다. 30 tok/s의 속도를 보이는 V4 Pro는 눈에 띄게 느리지만, 답변의 질은 눈에 띄게 더 좋습니다.

프리미엄 계층 (Premium tier, $0.80+/M): 이 모델들은 속도보다 정확성을 우선시합니다. MiniMax M2.5, GLM-5, Kimi K2.5가 모두 이 그룹에 속합니다. 저는 빠릿한 UI(snappy UI)가 필요할 때는 이 모델들을 찾지 않습니다. 대신 백그라운드 조사(background research)나 배치 처리(batch processing)와 같이, 빠르게 얻는 것보다 정확한 답을 얻는 것이 더 중요한 작업에 이들을 사용할 것입니다.

지리적 지연 시간(Geographic Latency)은 정말 놀라운 발견이었습니다

지리적 요인이 이렇게까지 중요할 줄은 몰랐습니다. 미국 동부(US East)와 싱가포르 양쪽에서 동일한 모델들을 테스트해 보았는데, 아시아 지역 서버가 아시아 모델들에 대해 일관되게 더 빠른 속도를 보였습니다.

DeepSeek V4 Flash를 예로 들면, 미국에서는 180ms, 싱가포르에서는 150ms였습니다. Qwen3-32B는 250ms에서 210ms로 떨어졌습니다. GLM-5는 500ms에서 420ms로 줄었습니다. 가장 큰 차이를 보인 것은 Kimi K2.5였습니다. 미국에서는 600ms였던 반면 아시아에서는 단 480ms로, 120ms의 차이가 났습니다.

결론은 이렇습니다. 만약 사용자가 주로 아시아에 있다면 Qwen, GLM, 또는 Kimi 모델을 사용하세요. 훨씬 더 빠릿하게 느껴질 것입니다. DeepSeek는 유일한 예외였습니다. 제가 테스트한 모든 곳에서 잘 분산되어 있었으며, 두 지역 모두에서 일관된 성능을 보여주었습니다.

사용자에게

• 200ms 미만의 TTFT (Time To First Token) = 즉각적인 느낌을 주며, 즉시 대답하는 사람과 대화하는 것 같습니다. 매우 훌륭합니다.
• 200-400ms = 빠른 느낌을 주며, 채팅용으로 완전히 수용 가능한 수준입니다.
• 400-800ms = 지연이 느껴집니다. 일부 사용자들은 서비스가 고장 난 것은 아닌지 의심하기 시작할 것입니다.
• 800ms 이상 = 느리게 느껴집니다. 사용자들이 떠나기 시작합니다.

따라서 제가 내린 경험적인 규칙(rule of thumb)은 다음과 같습니다: 모든 대화형 채팅 인터페이스의 경우, TTFT를 400ms 미만으로 유지하십시오. 이는 DeepSeek V4 Flash (180ms)와 Qwen3-8B (150ms)가 여러분의 가장 좋은 친구가 될 것임을 의미합니다. 이보다 느려지면 사용자를 잃기 시작할 것입니다.

백그라운드 작업(background jobs), 요약(summarization), 보고서 생성(report generation)과 같은 비대화형 작업의 경우에는 기다릴 여유가 있습니다. 그런 경우에는 더 느리지만 더 똑똑한 모델을 사용하십시오.

제가 실제로 사용한 코드 (여러분도 사용할 수 있도록)

다음은 Global API의 응답 시간을 측정하기 위해 제가 작성한 간단한 Python 스니펫입니다. 저는 대부분의 벤치마크 데이터를 구축할 때 이를 사용했습니다:

import time
import requests

...

이 작은 스크립트를 통해 저에게 필요한 TTFT와 지속적인 초당 토큰 수(sustained tokens-per-second) 수치를 얻을 수 있었습니다. Global API 카탈로그에 있는 어떤 모델로든 교체하여 동일한 방식으로 작동시킬 수 있습니다.

모든 타이밍 로직 없이 단순히 채팅 완성(chat completion)을 스트리밍하는 더 간단한 것을 원하신다면:

import requests

API_URL = "https://global-apis.com/v1/chat/completions"
...

이것이 기본적인 스트리밍 흐름입니다. 벤치마크를 수행하고 싶다면 직접 토큰 카운팅과 타이밍 로직을 추가하십시오.

저의 솔직한 권장 사항

여기까지 읽으셨다면, 제가 오늘 새로운 AI 프로젝트를 시작한다면 실제로 어떻게 할지에 대해 말씀드리겠습니다:

대부분의 채팅 앱의 경우, 저는 DeepSeek V4 Flash로 시작할 것입니다. 이는 매우 적절한 지점(sweet spot)입니다. 빠릿빠릿하게 느껴질 만큼 충분히 빠르고, 좋은 답변을 줄 만큼 충분히 똑똑하며, 예산을 낭비하지 않을 만큼 충분히 저렴합니다.

만약 비용을 정말 아껴야 하고 작업이 간단하다면, 저는 Qwen3-8B를 사용할 것입니다. 100만 토큰당 0.01달러라는 가격은 대량의 단순 작업에 있어 기본적으로 이를 이길 수 없습니다.

만약 제가 법률이나 의료 도구와 같이 응답이 반드시 정확해야 하는 무언가를 구축하고 있다면, 속도가 더 느리더라도 MiniMax M2.5나 GLM-5를 선택할 것입니다. 정확도가 중요한 경우에는 지연 시간 (Latency) 사이의 절충 (Tradeoff)을 감수할 가치가 있습니다.

그리고 아시아 지역의 사용자라면, 지역적 지연 시간 (Latency) 절감 효과가 실질적이므로 Qwen, GLM 또는 Kimi 모델을 강력하게 추천할 것입니다.

마무리

속도는 제가 AI 앱을 만들기 시작했을 때 가장 과소평가했던 요소였습니다. 저는 품질이 전부라고 생각했고, 속도는 나중에 해결하면 된다고 믿었습니다. 하지만 알고 보니 속도 또한 품질의 일부였습니다. 사용자가 답변을 확인하기도 전에 떠나버린다면, 답변이 얼마나 훌륭한지는 중요하지 않기 때문입니다.

제가 테스트한 모델들을 직접 사용해보고 싶다면, global-apis.com/v1의 Global API를 확인해 보시길 권장합니다. 이곳에는 전체 라인업이 한곳에 모여 있어, 수십 개의 서로 다른 제공업체 계정을 관리하는 것보다 훨씬 수월했습니다. 여러 모델을 비교 중이라면 분명 살펴볼 가치가 있습니다.