6주 만에 세 번째 플래시 투입: 구글의 '워크호스' 실용주의 전환
인공지능 생태계의 패러다임이 초대형 프론티어 모델 경쟁에서 실무 배포 효율성을 극대화하는 '워크호스(Workhorse)' 모델 경쟁으로 빠르게 전환되고 있습니다. 구글은 3.7 Flash를 선보인 지 불과 3주 만에, 그리고 최근 6주 동안 세 번째 플래시 모델인 Gemini 3.8 Flash와 사이버 보안 특화 파생 모델인 Gemini 3.8 Flash Cyber를 공식 출시했습니다. 거대 모델(Pro 계열)의 단일 업데이트를 기다리는 대신, 현장에서 바로 쓰일 수 있는 고속·저비용 모델군을 전면에 내세우는 속도전입니다.
API 가격 정책에서도 이러한 공격적 보급 전략이 드러납니다. 구글은 3.8 Flash의 API 접근 비용을 3.7 Flash와 동일한 프로모션 가격인 입력 백만 토큰당 $0.75, 출력 백만 토큰당 $3.75로 책정했습니다. 이는 향후 예정된 정규 가격($1.50 / $7.50) 대비 50% 할인된 수준으로, 연말까지 적용됩니다.
| 모델 구분 | 입력 토큰 ($/1M) | 출력 토큰 ($/1M) | 주요 특화 영역 |
|---|---|---|---|
| Gemini 3.8 Flash (할인가) | 0.75 | 3.75 | 범용 소프트웨어 엔지니어링, 다단계 추론 |
| Gemini 3.8 Flash (정규가) | 1.50 | 7.50 | 장기 에이전트 워크플로우 |
| Gemini 3.8 Flash Cyber | 비공개 (파트너 한정) | 비공개 (파트너 한정) | 자동 취약점 탐지 및 패치 생성 |
"Gemini 3.8 Flash는 3.7 Flash의 속도와 저렴한 비용을 유지하면서도 복잡한 다단계 추론과 소프트웨어 엔지니어링 전반에서 비약적인 성능 향상을 제공하는 가장 지능적인 워크호스 모델입니다." — Google DeepMind
---
코딩과 다단계 추론의 진화: Gemini 3.8 Flash와 Cyber
심층 추론과 자율 코딩 역량 강화
Gemini 3.8 Flash는 고난도 추론 작업에서 더 많은 연산 단계와 반복적인 도구 호출(Tool Calling)을 능동적으로 수행하도록 설계되었습니다. 복잡한 문제를 해결하기 위해 스스로 추가적인 사고 단계를 밟는 방식을 채택했습니다.
- DeepSWE v1.1 벤치마크: 엔드투엔드(End-to-End) 소프트웨어 엔지니어링 문제를 자율적으로 해결하는 역량을 측정하는 지표로, 3.8 Flash는 훨씬 비싼 프론티어 모델들을 제치고 최상위권에 올랐습니다.
- HLE-Verified: STEM, 인문학, 전문 직무를 아우르는 다단계 추론 벤치마크에서 54.9%의 정확도를 기록했습니다.
- 산업별 전문 에이전트 벤치마크: 금융 분석을 다루는 'Vals Finance Agent V2' 및 법률 지능을 평가하는 'Harvey Legal Agent' 벤치마크에서도 기존 3.7 Flash와 타사 대형 모델을 상회했습니다.
- 컴퓨터 제어(OSWorld-2.0): 화면 조작 기반 에이전트 평가에서는 3.7 대비 개선을 보였으나, 여전히 선두 모델군과는 격차가 존재합니다.
방어자를 위한 특화 모델: Gemini 3.8 Flash Cyber
함께 공개된 3.8 Flash Cyber는 공격적 악용(Exploitation)보다는 방어자의 취약점 분석 및 패치 생성 역량 강화에 초점을 맞춘 모델입니다. 구글의 'Fairwind 프로그램'을 통해 신뢰할 수 있는 정부 기관, 인프라 운영사, 오픈소스 관리자에게 선별 제공됩니다.
```
- 소스코드 수집
- CyberGym 20개 언어 분석
- 취약점 자동 탐색
- CWE-Bench 패치 생성 (47.2%)
- 배포 검증
```
- 20개 프로그래밍 언어 취약점 탐지: C/C++ 중심의 CyberGym 벤치마크뿐만 아니라 사내 20개 언어 대상 테스트에서 탐지 성공률 70% 초과를 달성했습니다.
- CWE-Bench 패치 성공률: 패치 성능을 측정하는 CWE-Bench에서 pass@1 47.2%를 기록하며 최고 성능 프론티어 모델(47.8%)에 근접하는 파레토 프론티어를 기록했습니다.
- 구글 크롬 보안팀 실전 적용: 크롬 브라우저 취약점 패치 테스트 결과, 기존 대형 상용 모델 대비 2.6배 더 많은 정확한 보안 패치를 생성했습니다.
- 실전 방어 성과: 클라우드 취약점 연구팀은 연구에 수개월이 소요되던 중대 기반 취약점을 2시간 미만 만에 찾아냈으며, 보안 기업 Wiz의 침투 테스트 벤치마크에서 2.3~5.2배 낮은 비용으로 7.5~9.7% 더 높은 재현율(Recall)을 입증했습니다.
---
생성형 비디오의 제어성 혁신: Gemini Omni 1.1 Flash
기존 비디오 생성 AI의 가장 큰 한계는 카메라 제어 불가와 일관성 유지의 어려움이었습니다. 구글은 개발자와 영상 제작자가 정밀하게 장면을 통제할 수 있도록 개선된 Gemini Omni 1.1 Flash를 출시했습니다.
```
| 360p 생성 속도 향상(%) | 60 |
| 최대 씬 확장 길이(초) | 40 |
| 컨텍스트 참조 시간(초) | 10 |
```
핵심 비디오 제어 기능
- 10초 컨텍스트 기반 씬 확장: 기존 1초 분량만 참조하던 한계를 넘어 직전 10초의 컨텍스트를 분석하여 영상을 연장합니다. 10초 단위로 덧붙여 최대 40초까지 내러티브와 시각적 일관성이 유지되는 영상을 생성할 수 있습니다.
- 시작 및 종료 키프레임 지정: 첫 프레임과 마지막 프레임을 개발자가 지정하면, 모델이 그 사이를 자연스럽게 보간하여 궤도 회전(Orbit), 돌리 줌(Dolly-Zoom), 360도 회전 등의 복잡한 카메라 무빙을 구현합니다.
- 비디오 레퍼런스 입력: 최대 3초 분량의 참조 영상을 입력하여 등장인물의 동작 일관성을 유지할 수 있습니다.
- 비용 최적화 프리뷰 및 4K 업스케일링: 360p 해상도 프리뷰를 720p 대비 최대 60% 빠른 속도와 3분의 1 수준의 비용으로 렌더링한 후, 최종 결과물을 1080p 또는 4K로 업스케일링할 수 있습니다.
"Figma Weave에서 Omni Flash를 사용하면 레퍼런스를 연결하고 버전을 분기하며 팀이 단순히 비디오를 생성하는 것을 넘어 진정으로 디렉팅하는 단계로 나아갈 수 있습니다." — Itay Schiff, Figma Weave 크리에이티브 디렉터
---
동적 프레임 탐색: 에이전틱 비디오 이해 기술
긴 영상 분석에서 발생하는 막대한 토큰 소모와 세부 정보 누락 문제를 해결하기 위해, 구글은 에이전틱 비디오 이해(Agentic Video Understanding) 기능을 Gemini 3.7 Flash, 3.6 Flash, 3.5 Flash-Lite에 도입했습니다.
```
- 영상 입력
- 동적 탐색 루프
- 필요 구간 고FPS 샘플링
- 오디오/자막 교차 검증
- 최종 분석 출력
```
정적 샘플링에서 동적 에이전트 탐색으로의 전환
기존 방식은 영상 전체를 초당 1프레임(1 FPS)과 같은 고정 비율로 입력받아 분석했습니다. 이로 인해 10분 이상의 긴 영상이나 수 시간짜리 녹화본에서는 토큰 비용이 폭증하거나 1초 미만의 빠른 장면 전환을 놓치는 문제가 발생했습니다.
새로운 에이전틱 비디오 이해 기술은 모델이 목표에 따라 '어느 구간을, 어떤 속도(FPS)로, 어떤 모달리티(프레임, 오디오, 텍스트 자막)로 볼 것인가'를 스스로 결정합니다.
- 토큰 소비량 최대 88% 절감: 필요한 타깃 구간만 선별적으로 로드하여 분석 토큰을 획기적으로 줄였습니다.
- 분석 비용 최대 66% 절감: 불필요한 프레임 처리를 제거하여 전체 API 호출 비용을 절감했습니다.
- 벤치마크 정확도 최대 7% 향상: 찰나의 상태 변화를 포착하는 서브세컨드(Sub-second) 순간 검색과 이상 탐지, 행동 횟수 카운팅에서 정밀도를 높였습니다.
이 기능은 API 설정에서 처리 방식을 `agentic`으로 지정하는 것만으로 추가 요금 없이 즉시 활성화되며, 향후 유튜브의 'Ask YouTube' 질의응답 기능 및 일반 제미나이 앱 사용자에게도 순차 배포될 예정입니다.
---
통합 시사점: 특화 에이전트와 추론 비용 구조의 재편
이번 발표들을 관통하는 핵심은 '가벼운 모델의 심층 추론화'와 '도메인별 특화 에이전트의 결합'입니다.
1. 프론티어 모델 릴리즈 주기의 변화: 거대 파라미터 모델(Pro 계열)의 출시 간격이 길어지는 반면, 경량 플래시 모델에 에이전트 루프와 강화학습을 적용해 프론티어급 벤치마크 성능을 구현하는 기술이 완성 단계에 접어들었습니다. 2. TCO 기반의 멀티모달 서비스 구축: 비디오 생성 시 360p 프로토타이핑 후 4K 업스케일링을 거치거나, 비디오 분석 시 에이전틱 동적 탐색을 적용함으로써 기업은 멀티모달 AI 도입 시 발생하던 막대한 컴퓨팅 비용 부담을 현실적인 수준으로 통제할 수 있게 되었습니다. 3. 버티컬 보안 시장의 AI 무기화: 사이버 방어 도메인에서 범용 모델 대신 취약점 탐지율 70%를 넘어서는 3.8 Flash Cyber와 같은 전용 모델이 공급되기 시작하면서, 엔터프라이즈 데브옵스(DevOps) 및 보안관제 자동화의 기준점이 대폭 상향되었습니다.