“미국 더우바오”에서 최상위 프로그래밍 모델로: Gemini는 3년간 무엇을 겪었나? 12개 핵심 시점 총정리

作者 주: 이 글은 2023년부터 2026년까지 Gemini의 핵심 변곡점 12개를 짚어 봅니다. Google이 멀티모달과 롱컨텍스트에서 출발해 추론, 도구 호출, 장기 실행 에이전트 개발까지 어떻게 이어 왔는지, 그리고 Gemini 4 Carbon이 이 노선의 현재 성과라는 점을 설명해요.

2026년 11월 10일, Google은 Gemini 4 Carbon을 유료 API 개발자와 Google AI Ultra 사용자에게 확대 공개했어요. 앞서 Artificial Analysis가 10월 28일에 발표한 평가에서 Carbon은 Intelligence Index v5 기준 59점으로 당시 1위를 차지했어요. 중국어권 개발자 커뮤니티에서 “미국 더우바오”라고 놀림받던 Gemini가 이제는 최상위 모델 경쟁에 당당히 이름을 올린 거예요.

이건 갑작스러운 역전극이 아니에요. Carbon은 Google이 3년 동안 멀티모달, 롱컨텍스트, 추론, 도구 호출, 에이전트 개발 능력을 꾸준히 채워 온 결과예요. 이 글은 “타임라인 + 핵심 기술 변화 + 오늘의 경쟁 구도” 순서로 Gemini가 세대마다 정확히 무엇이 나아졌는지 정리해요. 인용하는 독립 벤치마크에는 모두 테스트 카테고리와 시점을 밝혀 두었고, Opus와 Astra 같은 경쟁 모델이 특정 과제에서 앞서는 부분도 함께 짚어 볼게요.

핵심 가치: 글 한 편으로 Gemini의 3년 기술 진화를 이해하고, Gemini 4 시리즈가 여러분의 개발 워크플로에서 어디에 어울리는지 판단할 수 있어요.

Gemini 3년간의 여정: 12개 핵심 시점 한눈에 보기

먼저 이 별명이 어디서 나왔는지부터 짚어볼게요. 원문인 위챗 공식 계정 작성자 류샤오파이(刘小排)의 설명에 따르면, ‘미국판 더우바오(豆包)’는 일종의 농담 섞인 표현이에요. Gemini는 대기업을 등에 업고 스마트폰, 검색, 오피스 같은 패밀리 제품군에 두루 들어가 있어요. 대화 상대가 되어 주고, 이미지를 인식하고, 저렴한 API로 돌려 쓰는 쪽에서는 꽤 활발하게 쓰이죠. 하지만 본격적으로 코드를 짜거나 복잡한 제품을 만들어야 할 때는 많은 개발자가 다시 Claude로 돌아간다는 거예요. 이는 업계의 시각을 작성자가 주관적으로 요약한 것이지만, 초기 Gemini가 남긴 인상을 정확히 짚었다고 볼 수 있어요. 사용자 수는 많은데 엔지니어링 작업에서는 존재감이 약했다는 인상이죠.

아래 표는 Google의 공식 발표 공지를 바탕으로 정리한 것으로, 이 글을 이해하는 핵심 줄기예요.

이 12개 시점은 한 문장으로 정리할 수 있어요. 초기 Gemini의 핵심 가치는 ‘정보를 이해하는 것’이었고, 이후 ‘문제를 추론하는 것’과 ‘도구를 호출하는 것’이 차례로 더해졌으며, 마침내 ‘복잡한 작업을 직접 수행하는 것’까지 왔다는 거예요.

“미국판 더우바오” Gemini에 어떤 변화가 생겼을까

Carbon이 주목받은 건 무엇보다 독립 순위표에서 거둔 성적 때문이에요. Artificial Analysis는 개발자들이 널리 참고하는 서드파티 평가 기관인데, 2026년 10월 28일에 Carbon 특집 분석을 공개했어요. 주요 데이터는 다음과 같아요.

이 표를 볼 때 두 가지를 짚어 둘 필요가 있어요. 첫째, 표의 점수는 모두 구체적인 모델 설정에 대응해요. Carbon High, Opus 5.5 Max처럼 추론 단계가 다르면 성적을 그대로 섞어서 비교하면 안 돼요. 둘째, 종합 점수가 높다고 해서 모든 세부 항목에서 앞서는 건 아니에요. Coding Agent Index에서는 Claude Code 내 Opus 5.5 Max가 Carbon High보다 3점 더 높아요.

한편 원 게시글(위챗 공식 계정) 작성자가 공유한 실시간 순위표 스크린샷에는 Carbon보다 앞선 모델이 하나 더 있었어요. 바로 Claude Fable 5.2예요. 작성자는 이 모델이 작업 하나당 시간이 오래 걸리고 비용도 높다고 판단해서, “Carbon으로 메인 개발을 하고 Fable로 마무리 점검을 한다”는 워크플로를 선택했어요. 이는 작성자 개인의 사용 경험이라 참고할 만하지만, 모두에게 통하는 결론으로 받아들이기는 어려워요.

Gemini 초기 경쟁력: 2023~2024년의 멀티모달과 롱 컨텍스트

Gemini 1.0: 밑바닥부터 설계한 멀티모달

2023년 12월에 발표된 Gemini 1.0의 가장 큰 특징은 ‘네이티브 멀티모달’이에요. 텍스트, 이미지, 오디오, 비디오, 코드 등 다양한 정보 유형을 처음부터 염두에 두고 설계했어요. 텍스트 모델을 먼저 만들고 나중에 시각 모듈을 덧붙이는 방식이 아니라는 뜻이에요. 사용자가 차트 이미지와 텍스트를 함께 올리면, 모델은 하나의 체계 안에서 둘의 관계를 이해할 수 있어요.

이 세대의 모델이 풀고자 한 문제는 ‘얼마나 다양한 종류의 정보를 이해할 수 있는가’였어요. Ultra, Pro, Nano의 세 등급은 각각 고성능, 범용, 온디바이스 시나리오를 겨냥했는데, 이 구성이 훗날 Gemini가 스마트폰 같은 기기에 들어가는 토대가 되었어요.

Gemini 1.5 Pro: 긴 컨텍스트가 경쟁 포인트로

2024년 2월, Gemini 1.5 Pro는 긴 컨텍스트를 핵심 셀링 포인트로 내세웠고, 공식적으로 100만 토큰의 컨텍스트 능력을 선보였어요. 비유하자면 컨텍스트 윈도우는 모델의 ‘작업대’와 같아요. 작업대가 넓을수록 한 번에 펼쳐 놓을 수 있는 자료도 많아지죠. 공식적으로 소개된 활용 사례로는 긴 영상, 긴 오디오, 대형 코드베이스 분석 등이 있어요. 개발자가 프로젝트 전체의 핵심 코드를 한 번에 모델에게 넘겨서 모듈 간 호출 관계를 파악하게 할 수 있다는 뜻이에요. 조각조각 나눠서 먹여 줄 필요가 없어진 거죠.

Gemini 2.0: 에이전트로의 명확한 전환

2024년 12월의 Gemini 2.0은 방향성 면에서 하나의 전환점이었어요. Google은 에이전트 시대를 분명하게 겨냥하기 시작했고, 검색, 코드 실행, 함수 호출 같은 네이티브 도구 능력을 강조했어요. 같은 시기에 Project Mariner 같은 에이전트 연구 방향도 함께 공개했어요.

도구 호출은 이렇게 이해하면 쉬워요. 예전의 모델은 “오늘 기준으로 어떤 라이브러리의 최신 버전이 뭐야?”라는 질문에 기억에만 의존해서 답할 수밖에 없었어요. 하지만 도구 호출이 생긴 뒤로는 모델이 직접 검색을 요청하거나, 코드를 실제로 실행해서 결과를 확인할 수 있게 됐어요. 모델의 역할이 ‘답변하는 쪽’에서 ‘직접 조작하는 쪽’으로 바뀌기 시작한 거예요.

Gemini 추론과 코딩의 전환점: 2025년의 Thinking과 Antigravity

Gemini 2.5: Thinking으로 먼저 생각하고 답하는 모델

2025년 3월 공개된 Gemini 2.5 Pro는 Thinking 기능을 도입하면서 추론과 코딩 수준이 눈에 띄게 올라갔어요. Thinking은 모델이 답을 내놓기 전에 여러 단계에 걸쳐 먼저 추론하는 방식을 말해요. 디버깅을 예로 들어 볼게요. 일반 모드에서는 “그럴듯해 보이는” 수정안을 바로 내놓을 수 있어요. 반면 Thinking 모드에서는 가능한 원인을 먼저 추정하고, 성립하지 않는 가설을 걸러낸 다음에 수정 방안을 제시해요. 2025년 5월, Google은 2.5 Pro가 당시 WebDev Arena 등의 리더보드에서 선두를 차지했다고 발표했어요. Gemini가 코딩 관련 리더보드에서 뚜렷한 존재감을 처음으로 드러낸 순간이었어요.

Gemini 3와 Antigravity: 모델에서 작업 환경으로

2025년 11월 18일, Google은 Gemini 3와 Antigravity를 동시에 공개했어요. Antigravity는 에디터, 터미널, 브라우저 조작을 하나의 에이전트 작업 환경으로 통합했어요. 이 발표가 의미 있는 이유는, Google이 더 이상 모델이 “코드를 작성하는 데” 그치길 바라지 않는다는 점이에요. 모델이 직접 코드를 실행하고, 브라우저를 열어 결과를 확인하고, 문제를 발견하면 스스로 고치기를 기대하고 있어요.

이것이 바로 Agentic Coding의 의미예요. 에이전트가 코드를 계획하고, 작성하고, 실행하고, 검증하는 일을 맡고, 개발자는 목표를 제시하고 결과를 검토하는 역할을 더 많이 맡게 돼요. 이때부터 모델과 툴체인이 함께 설계되기 시작했고, 이것이 Gemini가 이후 따라잡을 수 있었던 핵심 요인이에요.

Gemini 4 Argon과 Carbon: 2026년, 복잡한 엔지니어링으로 향하다

2026년 Gemini의 업데이트 속도는 눈에 띄게 빨라졌어요. 2월에는 3.1 Pro가 핵심 추론 능력을 강화했고, 5월에는 3.5 Flash가 속도와 Agent의 장기 실행 능력을 함께 챙겼어요. 9월에는 3.8 Flash가 소프트웨어 엔지니어링, 도구 호출, 복잡한 Agent 워크플로에 맞춰 최적화됐고요. 이어서 Gemini 4 Argon과 Carbon이 차례로 등장했어요.

개발자라면 두 모델의 포지셔닝 차이부터 정확히 파악해 두는 게 좋아요.

간단히 말해, Argon은 일상적인 기능 개발, 버그 수정, 문서 처리에 잘 맞아요. Carbon은 오랫동안 연속으로 추론해야 하거나, 여러 단계에 걸쳐 있거나, 반복 검증이 필요한 작업에 어울려요. 예를 들면 대형 저장소에서 복잡한 동시성 문제를 찾아내는 작업이 있겠죠. AA-Briefcase 지식 업무 평가에서 Carbon이 Argon보다 126 Elo 높았다는 점도, 복잡한 작업에서 두 모델의 격차가 실제로 존재한다는 걸 보여줘요.

웹 개발 순위에서 Gemini 4 Carbon의 실제 위치

종합 지능에서 앞선다고 해서 모든 개발 작업에서 앞서는 건 아니에요. 2026년 11월 10일 WebDev Arena 순위가 좋은 반례예요.

보시다시피 웹 개발이라는 특정 분야에서는 Opus 5.5 Max가 50점 가까이 앞서 있고, Carbon과 Astra는 거의 비슷해요. 게다가 Carbon의 점수는 아직 초기 데이터예요. 원문 공식 계정 작성자는 Carbon의 UI 감각을 매우 높게 평가하면서, 페이지를 렌더링한 뒤 레이아웃을 스스로 점검한다고 했어요. 눈여겨볼 만한 경험이지만 어디까지나 개인적인 관찰이니, 직접 진행하는 프로젝트에서 검증해 보셔야 해요.

그래프 설명: 순위 데이터는 Artificial Analysis와 Arena 공개 페이지에서 가져왔고, 순위마다 테스트 카테고리가 달라요. 직접 운영 중인 서비스의 프롬프트로 차이를 확인해 보고 싶다면, APIYI(apiyi.com)에서 동일한 OpenAI 호환 인터페이스로 모델만 바꿔 가며 실제로 테스트해 볼 수 있어요.

Gemini는 어떻게 반등했을까: 영향 분석

모델 능력: “많이 보는 모델”에서 “끝까지 해내는 모델”로

지난 3년을 돌아보면 Gemini의 경쟁 포인트는 세 번 바뀌었어요. 처음에는 얼마나 다양한 정보를 이해하고 한 번에 얼마나 많이 처리하는지를 겨뤘고, 그다음에는 추론과 도구 사용을 겨뤘고, 지금은 복잡한 엔지니어링 작업을 오랜 시간 수행하는 능력을 겨루고 있어요. 세대마다 쌓아 온 기술이 하나도 헛되지 않았죠. 멀티모달 덕분에 모델이 스크린샷과 디자인 시안을 이해할 수 있고, 긴 컨텍스트 윈도우 덕분에 코드베이스 전체를 담을 수 있어요. 여기에 Thinking과 도구 호출이 더해져 모델이 직접 손을 움직일 수 있게 됐어요.

도구 생태계: 모델과 실행 환경을 함께 설계

Antigravity, AI Studio, Gemini App에 Google의 각종 개발 서비스까지 더해지면서, 체험 단계부터 프로토타입, 정식 제품 개발까지 다양한 시나리오를 폭넓게 지원해요. 이 점이 Google과 모델 API만 제공하는 업체를 가르는 중요한 차이예요. Agent에게는 에디터, 터미널, 브라우저 같은 “손발”이 필요한데, Google은 이런 실행 환경을 통째로 제공할 수 있거든요.

제품 배포와 가격: 개발자와 일반 사용자를 동시에 공략

구독 쪽에서는 Google이 2026년 5월 19일에 100달러 등급의 Ultra를 새로 추가했어요. 동시에 최상위 등급은 250달러에서 200달러로 내렸고요. 이 두 등급은 각각 월 20달러짜리 Pro 등급의 약 5배, 20배에 해당하는 기본 할당량을 제공해요. API 쪽에서 Carbon의 공개 가격은 다음과 같아요.

여기서 꼭 짚고 넘어갈 점이 있어요. 요금제 혜택과 가격은 Google 공식 페이지에서 해당 시점에 안내하는 내용을 기준으로 확인하세요. 원본 공식 계정 글에 나온 “할당량 무제한”, “계정 정지 없음” 같은 단정적인 표현은 공식 약속이 아니에요.

개발자에게 미치는 영향

• 모델 선택이 “독주 체제”에서 “작업별 분업”으로 바뀌어요: 종합 추론은 Carbon을 우선 고려하고, 웹 개발과 코딩 Agent 시나리오는 Opus와 비교해 보고, 가성비가 중요한 일상 작업에는 Argon을 쓸 수 있어요.
• 비용 구조를 다시 짜야 해요: Carbon 가격이 12월 1일에 두 배로 오르는 데다, 장시간 Agent 작업은 토큰을 빠르게 소모하니 예산을 미리 추산해 두세요.
• 검증은 실제 작업으로 돌아가야 해요: 리더보드는 후보를 좁혀 줄 뿐이고, 최종 판단은 자기 코드베이스와 프롬프트로 직접 테스트해서 내려야 해요.

업계에 미치는 영향

• 3강 구도가 더 뚜렷해져요: Google, OpenAI, Anthropic이 복잡한 개발 작업에서 정면으로 맞붙고 있고, 각자 다른 전문 영역에서 강점을 유지하고 있어요.
• 경쟁 단위가 모델에서 워크플로로 바뀌어요: 앞으로는 모델 점수만이 아니라 IDE, CLI, 멀티 Agent 협업까지 포함한 전체 툴체인으로 비교하게 될 거예요.

API로 Gemini 4 시리즈 모델 체험하기

직접 확인해 보고 싶은 개발자라면 OpenAI 호환 인터페이스로 바로 호출하는 방법이 가장 빨라요. 아래 간단한 예제는 API 키만 바꾸면 바로 실행할 수 있어요. 모델 이름은 플랫폼의 모델 목록을 기준으로 해 주세요.

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

response = client.chat.completions.create(
    model="gemini-4-carbon",  # 모델 이름은 플랫폼의 모델 목록을 기준으로 하세요
    messages=[{"role": "user", "content": "用三句话解释什么是 Agentic Coding"}]
)
print(response.choices[0].message.content)

import openai
from typing import Optional

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# 모델 이름은 플랫폼의 모델 목록을 기준으로 하세요
MODEL_ROUTER = {
    "simple": "gemini-4-argon",   # 일반적인 개발 및 지식 업무
    "complex": "gemini-4-carbon"  # 복잡한 디버깅, 심층 추론, 장시간 작업
}

def ask_gemini(
    prompt: str,
    complexity: str = "simple",
    system_prompt: Optional[str] = None,
    max_tokens: int = 2000
) -> str:
    """작업 복잡도에 따라 Gemini 4 시리즈 모델을 선택합니다"""
    model = MODEL_ROUTER.get(complexity, MODEL_ROUTER["simple"])
    messages = []
    if system_prompt:
        messages.append({"role": "system", "content": system_prompt})
    messages.append({"role": "user", "content": prompt})

    try:
        resp = client.chat.completions.create(
            model=model,
            messages=messages,
            max_tokens=max_tokens
        )
        return resp.choices[0].message.content
    except Exception as e:
        return f"Error: {e}"

# 일상적인 작업은 Argon, 복잡한 디버깅은 Carbon으로 처리
print(ask_gemini("给这个函数补充类型注解", complexity="simple"))
print(ask_gemini(
    "分析以下并发代码可能出现死锁的原因，并给出修复方案",
    complexity="complex",
    system_prompt="你是资深后端工程师，先列假设再逐一验证"
))

빠르게 시작하는 팁: Carbon의 API 가격이 12월 1일에 조정될 예정이니, 먼저 작은 샘플로 테스트해 보시길 권해요. APIYI(apiyi.com)에 가입하면 무료 테스트 크레딧을 받을 수 있고, API 키 하나로 Gemini, Claude, OpenAI 등 여러 모델을 함께 호출할 수 있어요. 같은 프롬프트로 모델끼리 나란히 비교해 보기에도 편해요.

자주 묻는 질문 FAQ

Gemini 3년 진화 핵심 요약 Key Takeaways

• 진화의 큰 줄기: Gemini는 정보를 이해하는 단계에서 문제를 추론하는 단계로, 그리고 복잡한 작업을 오랫동안 수행하는 단계로 발전했어요
• 초기 기반: 1.0의 네이티브 멀티모달과 1.5의 100만 토큰 컨텍스트 윈도우가 이후 모든 능력의 토대가 되었어요
• 핵심 전환점: 2.5의 Thinking과 3세대의 Antigravity 덕분에 Gemini가 코딩 시장의 중심으로 들어왔어요
• 모델별 역할 분담: Argon은 일반적인 개발을, Carbon은 복잡한 디버깅과 장기 추론을 맡아요
• 리더보드를 보는 눈: Carbon이 종합 점수에서는 앞서지만, WebDev와 코딩 에이전트 부문에서는 여전히 Opus가 강점을 보여요
• 시작하는 방법: APIYI(apiyi.com)의 통합 인터페이스로 Gemini와 다른 주요 모델을 직접 비교해 볼 수 있어요

정리

‘미국의 더우바오’라는 말을 듣던 모델에서 최상위 코딩 모델이 되기까지, Gemini의 3년을 세 가지로 정리해 볼 수 있어요.

1. 능력은 층층이 쌓여 왔어요: 멀티모달, 긴 컨텍스트, Thinking, 도구 호출, 장시간 실행까지 각 단계는 앞 단계 위에 세워졌어요.
2. 생태계가 반등의 열쇠였어요: Antigravity 같은 툴체인은 모델이 직접 손을 움직일 환경을 만들어 줬고, Google의 제품 유통망은 이런 능력을 수많은 사용자에게 전달했어요.
3. 경쟁은 여전히 다극 구도예요: Carbon이 1군에 합류했지만 Opus와 Astra도 각자 강점이 있어서, 개발자에게 가장 좋은 전략은 작업에 맞춰 모델을 고르는 거예요.

예전에는 Google 서비스를 묶어 주는 어시스턴트 정도로 여겨졌던 Gemini가 이제는 복잡한 엔지니어링과 에이전트 개발의 주력 후보로 꼽힐 만큼 성장했어요. 리더보드는 어디까지나 출발점일 뿐이고, 진짜 답은 내 프로젝트에서 직접 돌려 봐야 알 수 있어요. APIYI(apiyi.com)의 무료 크레딧으로 Gemini 4 시리즈와 다른 후보 모델을 같은 작업에 적용해 보고, 팀의 주력 조합을 정해 보세요.

📚 참고 자료

1. Google 공식 블로그: Gemini 1.0 발표: 네이티브 멀티모달 모델 패밀리 소개
2. 링크: blog.google/innovation-and-ai/technology/ai/google-gemini-ai

3. 설명: Gemini가 처음에 어떤 방향으로 설계되었는지 살펴볼 수 있어요

4. Google 공식 블로그: Gemini 3와 Antigravity: Agentic Coding과 개발 환경 발표

5. 링크: blog.google/products-and-platforms/products/gemini/gemini-3

6. 설명: Google이 모델 중심에서 작업 환경 중심으로 전환한 배경을 이해할 수 있어요

7. Google 공식 블로그: Gemini 4 Carbon 출시 및 가격: 제공 범위와 API 가격 정책

8. 링크: blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available

9. 설명: Carbon과 Argon의 공식 포지셔닝 차이를 확인할 수 있어요

10. Google DeepMind: Carbon 모델 카드: 컨텍스트 및 기능 설명

11. 링크: deepmind.google/models/model-cards/gemini-4-carbon

12. 설명: 100만 토큰 컨텍스트 등 기술 사양을 확인할 수 있어요

13. Artificial Analysis: Carbon 평가 특집: 독립 종합 평가

14. 링크: artificialanalysis.ai/articles/gemini-4-carbon-new-number-1

15. 설명: Intelligence Index, Coding Agent Index 등의 데이터 출처예요

16. Arena: WebDev 개발 리더보드: 웹 개발 분야 순위

17. 링크: arena.ai/leaderboard/code/webdev

18. 설명: 웹 개발 작업에서 각 모델의 성능을 비교할 수 있어요

19. Gemini API 공식 가격: 최신 과금 규칙

20. 링크: ai.google.dev/gemini-api/docs/pricing
21. 설명: 가격은 공식 페이지의 실시간 정보를 기준으로 확인해 주세요

작성자: APIYI 기술팀
기술 교류: APIYI 공식 사이트 첫 페이지에서 문의해 주세요. 더 많은 연동 자료는 docs.apiyi.com 문서 센터에서 확인할 수 있어요

관련 글

• Google Antigravity, /swarm 출시: AI 코딩이 단일 Agent 실행에서 다중 Agent 팀 협업으로 전환되며 나타난 4가지 역할 해설: Google Antigravity의 /swarm 미리보기 기능을 해설합니다: Coordinator, Worker, Verifier, Monitor가 어떻게 역할을 나눠 협업하는지, 작업 사본, 시각화 패널, 할당량 소모, 권한 경계를 한 번에 정리합니다.
• Gemini 4 Carbon, /swarm으로 구글 캠퍼스 3D 월드 구축: 구글 공식 데모인 펠리컨이 GBike를 타는 오픈월드 게임을 분석하며, Gemini 4 Carbon이 Antigravity /swarm으로 여러 에이전트를 조율해 3D 에셋, 브라우저 게임, 사운드 디자인을 완성하는 과정과 그 한계를 살펴봅니다.
• 역사 사진에서 인터랙티브 3D까지: Gemini 4 Carbon이 하나의 프롬프트로 에펠탑 건설 과정을 재현하다: Google 에펠탑 데모 해설: Gemini 4 Carbon이 Antigravity의 /swarm 멀티 에이전트 협업을 활용해 역사 사진과 공학 도면을 인터랙티브 Three.js 3D 전시로 구성하는 방법
• Google API, 분당 320억 토큰 처리: 이 연산 자원은 누가 쓰고 있을까?: Alphabet의 2026년 3분기 실적 발표에서 공개된 ‘분당 약 320억 토큰’을 해석하고, 개발자, 기업 고객 및 에이전트 시나리오의 실제 수요를 정리하며, 아직 공개되지 않은 데이터가 무엇인지 설명합니다.
• Gemini 캐시 적중률이 낮은 5가지 주요 원인: AI Studio와 Vertex의 캐시 과금 기준 상세 설명: Gemini 텍스트 모델의 캐시 적중률이 OpenAI와 Claude보다 훨씬 낮은 이유를 공식 문서를 바탕으로 분석하고, 암시적 캐시와 명시적 캐시, 최소 토큰 기준, Vertex 프로젝트 격리, AI Studio와 Vertex의 캐시 과금 기준 및 정산 방법을 설명합니다.