Kimi K3와 Claude Code: 비교, 비용 및 설정

Ailoot 사용에 관한 실용적인 정보는 문서에서 확인할 수 있습니다.

Kimi K3란 무엇이며, 왜 시장을 뒤흔들었을까?#

1년 전 Moonshot은 단 하나의 모델, 2025년 여름에 공개한 Kimi K2로 알려져 있었습니다. 4월에 K2.6이 나왔고, 2026년 6월에는 K2.7 Code가 뒤를 이었습니다. K3는 그다음 단계이며 K2.6보다 약 2.8배 큽니다.

2.8조라는 수치는 위압적으로 들리지만, 그 이면에는 2026년 기준으로 일반화된 엔지니어링이 있습니다. K3는 전문가 혼합 아키텍처(Stable LatentMoE)를 기반으로 합니다. 서로 다른 전문가 896개를 포함하고, 각 토큰마다 그중 16개만 활성화합니다. 즉, 실제 활성화되는 매개변수는 전체 수치가 암시하는 것보다 훨씬 적습니다. 그렇지 않다면 이렇게 큰 모델을 합리적인 가격에 서비스할 수 없을 것입니다. Moonshot 자체 기술 두 가지도 사용합니다. Kimi Delta Attention은 생성을 최대 6배 빠르게 하고, Attention Residuals는 학습 비용을 낮춥니다. 바이브 코더에게는 기술적인 내부 구현에 불과하지만, 엄청나게 큰 모델의 가격이 크기만 보고 예상할 법한 수준이 아니라 Claude보다 낮은 이유를 설명해 줍니다.

실제로 중요한 점은 다음과 같습니다.

• 100만 토큰 컨텍스트 창. Claude의 전체 컨텍스트 창과 같은 크기입니다. 큰 프로젝트 전체를 한 번에 모델에 넣을 수 있습니다.
• 비전 기능. 오류 화면이나 목업의 스크린샷을 보내면 모델이 이미지를 볼 수 있습니다. DeepSeek 같은 이전 중국 모델에는 이 기능이 없었습니다.
• 상시 추론 모드(thinking mode). 모델은 먼저 생각한 다음 답합니다. 품질을 높이는 대신 가격도 올라갑니다. 아래에서 다시 다루겠습니다.

시장 반응은 거셌습니다. Kimi K3 출시 다음 날 여러 매체가 이를 “서구 AI에 새로운 충격”이라는 표현으로 다뤘습니다. 중국의 오픈 모델이 Anthropic과 OpenAI의 폐쇄형 플래그십 모델과 동등한 수준에 이르렀고, Moonshot은 가중치를 무료로 공유하겠다고 약속했습니다. 이 “동등함”이 실제로 어디까지인지, 어디부터 세련된 홍보에 불과한지 살펴보겠습니다.

Kimi K3가 Claude를 실제로 앞서는 점과 뒤처지는 점#

바이브 코더에게 가장 중요한 벤치마크인 Frontend Code Arena부터 살펴보겠습니다. 모델들이 인터페이스를 생성하면 사람들은 어느 쪽이 더 나은지 블라인드로 선택합니다. AI에게 웹사이트를 만들어 달라고 요청하는 상황과 비슷합니다.

Kimi K3는 1위이며, 7개 도메인 중 6개에서 1위에 올랐습니다. AI와 대화하며 웹사이트와 인터페이스를 만드는 사람에게 이는 가장 분명한 신호입니다. 레이아웃과 프런트엔드 작업에서 모델의 성능이 뛰어납니다.

일반 지능에서 Kimi 약 57점과 “Kimi K3 (max)” 44점은 지수 발행자, 1차 결과 링크, 비교 가능한 설정 없이는 일관된 순위로 다룰 수 없으며 어느 점수가 최신인지 확정하지 못합니다.

지수 비교에는 같은 지수 리비전과 날짜, 정확한 모델·추론 설정(max 포함), 실행 도구와 점수 척도가 필요합니다. 발행자의 결과로 검증하기 전까지 일반 지능 순위는 미확정입니다. 프런트엔드 선호와 코딩 시험은 다른 것을 측정하므로 이를 채우지 못합니다.

별도 오픈 모델 비교는 “GLM-5.2가 Claude Opus 4.8을 따라잡았다”를 보세요. Kimi 지수의 누락 출처를 해결하는 자료는 아닙니다.

기존 코딩 벤치마크:

• SWE-bench Verified — 76.8%. GitHub 프로젝트의 실제 버그를 수정하는 능력을 측정합니다. 탄탄한 점수지만 최상위 Claude 모델은 더 높은 점수를 얻습니다.
• LiveCodeBench — 85%. “입력 — 예상 출력” 형식의 알고리즘 문제입니다. K3는 여기서 강합니다.
• Terminal-Bench 2.1 — 88.3. Moonshot 자체 발표 기준으로 터미널에서의 에이전트 작업을 측정합니다.

그리고 이 가이드가 광고가 아니라 정직한 글이 되려면 짚고 넘어가야 할 점이 있습니다. Moonshot은 서로 다른 하네스를 사용해 코딩 표를 만들었습니다. 일부 측정에는 자체 KimiCode를, 일부에는 Claude Code를, 나머지에는 Codex를 사용했습니다. 하네스가 다르면 같은 결과도 10–26점 달라질 수 있습니다.

중국 모델이 “Claude보다 낫다”고 주장하는 것은 아닙니다. Claude Code를 주 도구로 써 본 제 경험으로는 복잡한 코드 작업에서 여전히 뒤처집니다. 두 모델을 비교할 때마다 그 차이를 봅니다. 하지만 K3는 프런트엔드 작업에서 현재 최고 성적을 보이고 가격은 훨씬 낮습니다. 이를 무시하는 것은 Claude가 끝났다고 선언하는 것만큼이나 어리석습니다.

단순히 모델을 고르는 데서 그치지 않고, AI의 환각을 줄이고 컨텍스트를 더 오래 유지하는 구성을 만들고 싶으신가요? 모델 선택은 조절 장치 하나에 불과합니다. 컨텍스트 엔지니어링은 더 강력한 조절 장치입니다. 프롬프트를 보내기 전에 모델의 컨텍스트에 넣는 내용이 벤치마크에 나온 모델 이름보다 결과에 더 큰 영향을 줍니다. 체계적으로 작업하려면 다음 구성이 유용합니다. 컨텍스트 엔지니어링은 세컨드 브레인(business/ 구조) 및 AI 클론(사용자의 ai-clone/)과 함께 작동합니다. 이것은 긴 세션에서 무너지지 않기 위해 Kimi든 Claude든 모든 모델이 필요로 하는 세 가지 기둥입니다.

Kimi K3는 얼마이며, “오픈”이 “무료”를 뜻하지 않는 이유#

Kimi K3 공식 API 가격(2026년 10월 2일 Anthropic 공식 가격에서 확인):

정가 기준으로 Kimi의 입력 비용은 Opus 5.5보다 4분의 1 저렴하고($3 대 $4), 출력 비용도 4분의 1 저렴합니다($15 대 $20). 이전 Opus 세대보다 격차는 줄었지만 방향은 같습니다. 실제 절감은 같은 컨텍스트로 요청을 반복할 때 캐시에서 나옵니다. 한 프로젝트에서 작업하면 모든 요청의 시작 부분에 같은 파일, 같은 규칙, 같은 시스템 프롬프트가 반복됩니다. Kimi의 캐시는 전체 입력 가격에서 90%를 할인해 줍니다. 코딩에서는 90% 이상의 경우 캐시가 적중하므로 실제 입력 토큰 비용은 30센트에 가까워집니다. 어떤 모델에서든 캐시를 최대한 활용하려면 별도의 요령이 필요합니다. DeepSeek를 예로 들어 자세히 설명한 적이 있습니다.

추론 모드에는 숨겨진 가격 함정이 있습니다. Kimi K3는 답변 전에 항상 생각하며, 그 추론은 출력 토큰으로 계산되어 1M개당 $15가 청구됩니다. 간단한 질문에서는 차이가 거의 없지만, 복잡한 작업에서는 모델의 “생각”이 수천 토큰으로 늘어나 낮은 가격의 이점을 일부 깎아 먹을 수 있습니다. 하루 작업을 마친 뒤 최종 청구액을 확인해야 합니다. 여기서는 정가가 오해를 불러일으킵니다.

이제 “오픈”이라는 단어를 살펴보겠습니다. Moonshot은 Kimi K3의 가중치를 2026년 7월 27일까지 공개하겠다고 약속했고, 약속을 지켰습니다. HuggingFace 커밋 날짜는 2026년 7월 27일입니다 (HuggingFace, Kimi-K3, 2026년 10월 2일 확인). “오픈 웨이트”라는 말을 들으면 “다운로드해서 내 컴퓨터에서 무료로 실행하면 되겠네”라고 생각하기 쉽습니다. 실제로는 그렇지 않습니다. 4비트로 압축해도 2.8조 개의 매개변수에는 수백 기가바이트의 메모리와 여러 대의 강력한 GPU, GPU 간 고속 연결, 설치와 유지 관리를 맡을 사람이 필요합니다.

Kimi K3의 공개 가중치는 대형 클라우드 제공업체와 자체 인프라를 갖춘 기업 팀에 유용합니다. 개인 사용자에게는 다른 의미가 있습니다. 가격을 낮추는 경쟁이 생기고, Claude의 제한이나 가격이 오를 경우 대안이 있다는 점입니다. 노트북에서 매개변수 2.8조 개를 실행할 수는 없습니다. 무료 바이브 코딩이 어떻게 모르는 사이 청구서로 이어지는지 별도로 분석했습니다: “바이브 코딩의 숨은 비용”.

환경 변수 3개로 Kimi K3를 Claude Code에 연결하는 방법#

Claude Code는 Anthropic 프로토콜을 지원하는 엔드포인트라면 어디든 연결할 수 있습니다. Moonshot은 Kimi K3용 엔드포인트를 마련했으므로 별도의 빌드나 플러그인이 필요하지 않습니다. 최소 설정은 변수 세 개입니다.

export ANTHROPIC_BASE_URL=https://api.moonshot.ai/anthropic
export ANTHROPIC_AUTH_TOKEN=sk-your-moonshot-key
export ANTHROPIC_MODEL=kimi-k3

그다음 평소처럼 claude를 실행합니다. Claude Code는 Anthropic과 통신한다고 생각하지만 실제로는 Kimi K3에 요청을 보냅니다. 모든 skills, hooks, plan mode가 계속 작동하며 요금은 Moonshot 가격으로 계산됩니다.

여기에는 거의 모두가 한 번쯤 걸리는 함정이 하나 있습니다. Moonshot에는 호환 엔드포인트가 두 개 있습니다. 하나는 api.moonshot.ai에, 다른 하나는 platform.kimi.ai 플랫폼에 있습니다. 키 변수와 모델을 부르는 이름이 서로 다르며, 한 엔드포인트의 키를 다른 쪽에서 쓰면 401 오류가 납니다 (Claude Code용 Kimi 문서). 401 오류가 나면 거의 항상 키와 엔드포인트가 서로 맞지 않는 것입니다. 보통 키 자체에는 문제가 없습니다. 키와 엔드포인트는 같은 플랫폼에서 가져오세요.

모든 것이 작동하는지 확인하는 가장 쉬운 방법은 간단한 작업을 시키는 것입니다. Claude Code에 파일 하나의 내용을 보여 달라고 한 다음, 응답이 오는지와 Moonshot 대시보드의 카운터가 올라갔는지 확인하세요. 일반 Claude로 돌아가려면 변수 세 개를 제거하고(unset ANTHROPIC_BASE_URL ANTHROPIC_AUTH_TOKEN ANTHROPIC_MODEL) Claude Code를 재시작합니다. 자주 전환한다면 셸 프로필을 두 개 만들거나 변수를 direnv와 함께 .envrc 파일에 넣어 특정 디렉터리에서만 활성화하는 편이 편리합니다.

Claude Code의 skills와 hooks를 이미 설정해 두었고 다른 도구를 새로 익히고 싶지 않다면 편리한 선택입니다. Moonshot에는 자체 터미널 에이전트인 Kimi Code도 있지만, 이미 Claude Code를 쓰고 있다면 변수 세 개로 엔진을 바꾸는 것이 가장 간편합니다.

텔레그램 봇에서 “잔액이 충전된 완성 계정”을 사는 일은 절대 하지 마세요. 며칠 뒤 계정이 차단되거나 돈을 잃는 일이 흔합니다. 데이터도 실제로 고려해야 할 문제입니다. Moonshot 서버는 중국에 있으므로 민감한 데이터가 포함된 업무 프로젝트에서는 별도로 따져봐야 합니다. 모델에 데이터 접근 권한을 주는 위험은 “Claude Code에 데이터 접근 권한을 줘도 안전할까?”에서 다뤘습니다.

Kimi K3에 맡길 작업과 Claude에 맡길 작업#

실제로 구분선이 어디에 놓이는지 살펴보겠습니다. Kimi K3를 실제 업무에 일주일간 사용해 보고 Claude Code로 돌아간 이유를 “업무에서 사용해 본 Kimi K3: 리뷰와 Claude Code로 돌아간 이유”에서 따로 썼습니다. 벤치마크가 아니라 실제 작업에서 일어난 일만 다룹니다.

Kimi K3가 가장 큰 효과를 내는 작업:

• 프런트엔드와 레이아웃. Frontend Code Arena에서 1위를 했습니다. 인터페이스, 페이지 또는 컴포넌트를 만들 때 Kimi는 좋은 성능을 내고 비용은 훨씬 적게 듭니다.
• 반복적인 리팩터링. 이름을 바꾸고, 함수를 분리하고, 타입을 추가합니다. 이런 작업에는 최상위 모델이 과합니다.
• 기존 코드의 테스트 생성. 두 모델의 성능은 대체로 비슷하지만 Kimi가 저렴합니다.
• 텍스트 일괄 처리. 설명문, 번역, 라벨링 등 대량 처리에서는 낮은 가격이 중요합니다.
• 한 프로젝트에서의 긴 세션. 같은 컨텍스트로 오래 작업할수록 캐시가 더 자주 적중해 다음 단계의 비용이 줄어듭니다.

Claude를 계속 사용할 작업:

• 새 도구 세트의 아키텍처 설계. 선택지를 비교하고, 함정을 찾아내고, 구조를 정하는 일에는 최상위 Claude가 여전히 더 일관적입니다.
• 여러 단계에 걸친 복잡한 버그 디버깅. 긴 추론 과정에서 Claude가 더 안정적입니다.
• 긴 자율 에이전트 루프. 사람의 개입 없이 수십 단계를 연속으로 수행할 때 Claude는 덜 자주 무너집니다.
• 프로덕션에 중요한 빌드. 가격보다 안정성이 중요한 경우입니다.
• 민감한 데이터. Moonshot 서버는 중국에 있습니다. 고객의 개인 데이터를 다룬다면 변호사와 별도로 상의해야 합니다.

한 문장으로 요약하면, 반복적이고 대량이며 시각적인 작업은 Kimi K3에 맡기고 실수의 대가가 큰 결정은 Claude에 맡기세요. 많은 사람이 실제로 그렇게 합니다. 두 키를 모두 보유하고 작업에 따라 엔진을 바꿉니다. 위 섹션의 환경 변수 세 개가 바로 이를 위한 것입니다.

Kimi K3에 아직 없는 것과 벤치마크가 보여주지 않는 것#

다음 사항을 염두에 두세요.

벤치마크마다 하네스가 다릅니다. 위에서 언급한 주의점처럼 Moonshot은 일부 측정을 KimiCode로, 일부는 Claude Code로, 나머지는 Codex로 실행해 결과를 10–26점 바꿀 수 있었습니다. Frontend Arena의 1위는 독립적인 결과입니다. 실제 사람들이 결과를 평가합니다. 하지만 Moonshot의 코딩 표는 신중하게 읽어야 합니다.

독립 지능 지수 비교는 미해결입니다. “Kimi K3 (max)” 점수는 발행자, 날짜, 모델 설정, 실행 도구, 지수 리비전 없이 모델 설정이 불명확한 근삿값과 대조할 수 없습니다. 제공 출처에는 이를 입증하는 1차 링크가 없어 현재 순위·작업당 비용·속도 비교를 뒷받침하지 못합니다. max와 미지정 기본 실행이 같은 점수나 척도를 갖는다고 추정하지 마세요.

추론 모드는 청구액을 키웁니다. 상시 추론은 품질에는 강점이지만 복잡한 작업의 비용에는 약점입니다. 추론이 수천 토큰까지 늘어나며 토큰 1M개당 $15로 청구될 수 있습니다. 단순하거나 중간 정도로 복잡한 작업에서는 Kimi의 낮은 가격이 실질적인 이점이지만, 어려운 작업에서는 청구액을 확인하세요.

데이터와 관할권. 중국에 있는 서버는 현실적인 질문을 제기합니다. 개인 데이터를 처리하는 프로젝트라면 변호사와 상의해야 합니다. 이는 벤치마크와는 별개입니다.

이런 점들이 Kimi K3를 나쁜 모델로 만들지는 않습니다. 강력하고 저렴하다는 평가는 타당합니다. 하지만 “강력하고 저렴하다”와 “모든 면에서 Claude보다 낫다”는 서로 다른 주장입니다. 후자는 홍보 자료만으로는 따라 나오지 않습니다.

이번 주에는 어디서 시작할까?#

불필요한 단계가 없는 구체적인 계획입니다.

1. 위 섹션의 변수 세 개를 사용해 Claude Code를 Kimi로 전환하세요. 평소처럼 하루 동안 작업하세요. 페이지, 컴포넌트 또는 인터페이스 만들기처럼 Kimi가 강하다고 알려진 작업을 맡기세요.
2. 비교하세요. 하루 뒤 두 가지를 살펴보세요. 실제 작업의 품질과 비용입니다. Kimi가 Claude만큼 잘 답하는 영역과 뒤처지는 영역을 확인하세요.
3. 결정하세요. 두 키를 모두 보유하고 작업에 따라 엔진을 바꾸거나(프런트엔드와 반복 작업은 Kimi, 중요한 작업은 Claude), unset 명령 하나로 Claude만 사용하도록 돌아가세요.

이 실험의 위험은 성능 조정에 하루를 쓰게 될 수 있다는 점입니다. 장점은 대량의 시각적 작업 비용이 보통 둘째 주에는 몇 배 줄어든다는 점입니다. 부담 없이 시도할 수 있고 명령 하나로 중단할 수 있습니다.

Ailoot 열기.