Google Antigravity, Orchestrator 공개: Carbon은 사고, Hydrogen은 실행 담당, 공식 테스트에서 할당량 소비 24% 감소

작성자 주: Google Antigravity Orchestrator의 계획과 실행 분업 메커니즘, 공식 테스트에서 나온 24% 쿼터와 19% 속도 데이터의 의미, 그리고 독립 모델 및 병렬 Agent와의 선택 차이를 해설해요.

2026년 11월 12일, Google은 Gemini 4 Hydrogen을 출시하면서 Antigravity에 Orchestrator 다중 모델 오케스트레이션을 선보였어요. 방식은 하나의 개발 작업 안에서 Carbon 또는 Argon이 계획을 맡고 Hydrogen이 실행을 맡는 거예요. Google의 공식 비교 테스트에 따르면, Orchestrator는 Carbon을 단독으로 사용할 때보다 평균 쿼터 소비가 24% 줄고 완료 속도는 19% 빨라졌어요.

이건 소문이 아니에요. Google Antigravity 공식 블로그, 모델 선택 문서, Google 릴리스 개요에서 모두 이 기능을 확인했어요. 이 글은 Google Antigravity Orchestrator에 대해 현재 공개된 정보를 정리해요. 작동 방식, 테스트 데이터를 올바르게 읽는 법, 요금제와 진입 경로, 그리고 어떤 작업에 적합한지까지 다뤄요.

핵심 가치: 이 글을 다 읽고 나면, 내 엔지니어링 작업에 Orchestrator, Hydrogen 단독 모드, Carbon / Argon 단독 모드 중 무엇을 선택할지 판단할 수 있어요.

한 줄 요약: Antigravity Orchestrator는 하나의 Agent 세션에서 Carbon 또는 Argon이 계획하고 Hydrogen이 실행하도록 하며, Google이 공식적으로 쿼터와 속도 측면의 이점을 보고했어요.

to know: 읽기 전에 알아 두면 좋은 5가지 용어

• Planner(계획자): 작업을 분석하고 방안을 세우며, 필요할 때 다시 계획하는 모델 역할이에요. Orchestrator에서는 Carbon 또는 Argon이 맡아요.
• Executor(실행자): 계획에 따라 코드를 수정하고 도구를 실행하며 결과를 검증하는 역할이에요. Orchestrator에서는 Hydrogen이 맡아요.
• Agent: 모델과 도구 실행 환경이 함께 여러 단계의 작업을 완료하는 시스템이며, 단일 모델과 같지 않아요.
• 쿼터: 플랫폼이 사용 가능한 서비스 양을 제한하는 데 쓰는 한도예요. 쿼터가 줄어든다고 해서 실제 청구 금액이 바로 줄어드는 건 아니에요.
• Harness: 모델 입력과 도구 실행, 작업 채점을 구성하는 테스트 프레임워크예요. 같은 모델이라도 다른 Harness에 넣으면 점수가 달라질 수 있어요.

Google Antigravity Orchestrator 핵심 정보 빠른 확인

Google이 Antigravity Orchestrator를 출시한 이유

실제 소프트웨어 개발 작업은 보통 여러 종류의 일로 구성돼요. 먼저 코드베이스와 의존 관계를 파악하고, 어디를 어떻게 고칠지 결정한 다음, 파일을 대량으로 편집하고 빌드와 테스트를 돌린 뒤, 마지막으로 결과를 확인하죠. 이 단계들은 추론 능력에 요구하는 수준이 크게 달라요. “어떻게 고칠지 결정하기”는 깊은 판단이 필요하고, “정한 방안대로 열 개 파일을 고치고 테스트를 돌리기”는 속도와 정밀한 편집, 도구 호출의 안정성이 더 중요하죠.

전체 작업을 Carbon 같은 고성능 추론 모델에 모두 맡기면, 실행 단계의 반복적인 작업도 고성능 모델의 속도와 할당량으로 소비돼서 작업 시간과 할당량 비용이 함께 올라가요. 반대로 경량 모델만 쓰면 설계 단계나 까다로운 오류 상황에서 판단을 잘못해 재작업이 생길 수 있고요.

Hydrogen의 포지셔닝이 바로 이 지점을 채워 줘요. Google은 Hydrogen을 고효율 일상 프로그래밍 및 Agent 실행 모델로 정의하고, 정밀 편집, 다중 도구 호출, 도구 실패 후 전략을 조정하는 능력을 강조했어요. 또 멀티 모델 시스템에서 실행자나 검증자 역할을 할 수 있다고 분명히 밝혔죠. Orchestrator는 이런 역할 분담을 제품화한 것이에요. 비싼 모델은 판단이 가장 필요한 구간에만 쓰는 거죠.

Antigravity Orchestrator는 어떻게 작동할까: Carbon이 사고하고 Hydrogen이 실행한다

Google Antigravity 공식 문서에 따르면, Orchestrator는 요청을 받았을 때 난이도를 한 번만 판단하고 모델 하나를 골라 전체 과정을 처리하는 방식이 아니에요. 같은 작업 안에서 계획 모델과 실행 모델을 반복해서 전환합니다.

Orchestrator의 5단계 작업 흐름

공식 문서에서 든 의존성 업그레이드 시나리오를 예로 들면, 전체 흐름은 대략 이렇습니다.

1. 코드베이스 분석: Carbon(또는 Argon)이 읽기 전용 방식으로 코드 구조와 의존성 관계를 정리합니다.
2. 계획 수립: Planner가 수정 범위와 단계를 정하고, 동시에 어떤 상황에서 재계획이 필요한지 조건을 설정합니다.
3. 코드 수정: Hydrogen이 실제 편집과 의존성 업그레이드를 맡습니다.
4. 테스트 실행: Hydrogen이 빌드와 테스트를 실행해 수정이 제대로 반영됐는지 검증합니다.
5. 결과 검증: 통과하면 결과를 확인하고 작업을 마무리하며, 복잡한 오류를 만나면 Planner에게 다시 넘깁니다.

Orchestrator 재계획 트리거 조건

공식 문서는 제어권을 Planner에게 되돌리는 몇 가지 상황을 제시합니다. 검증 단계가 두 번 연속 실패할 때, 인터페이스 동작이 예상과 다를 때, 구현 과정에서 원래 계획이 다루지 못한 설계 선택이 등장할 때예요. Planner는 다시 판단한 뒤 계획을 조정하고, 다시 Hydrogen에게 넘겨 후속 수정과 검증을 이어가게 합니다.

이 메커니즘이 핵심이에요. 실행 모델은 계속 무작정 재시도하지 않고, ‘원래 계획을 벗어난’ 상황에서 적절히 의사결정권을 넘깁니다. 고성능 모델은 중요한 지점에서만 개입해요.

동적 핸드오프와 일회성 모델 라우팅의 차이

흔히 말하는 ‘모델 라우팅’은 요청 진입점에서 한 번 분류하는 방식이에요. 간단한 작업은 소형 모델에, 복잡한 작업은 대형 모델에 맡기고 그 뒤로는 바뀌지 않죠. Orchestrator가 다른 점은 하나의 작업 안에서 여러 번 핸드오프가 일어나고, 계획과 실행을 서로 다른 모델이 담당하며, 실행 중 언제든 계획 단계로 돌아갈 수 있다는 거예요. 즉 라우팅하는 대상이 요청 전체가 아니라 작업 단계입니다.

Orchestrator 공식 테스트: 24% 할당량과 19% 속도는 무엇을 의미할까

아래 데이터는 모두 Google 공식 터미널 작업 대조 테스트에서 나온 것이며, 비교 대상은 ‘Orchestrator’와 ‘Carbon 단독 사용’이에요.

왜 멀티 모델 분업이 할당량을 절약할까

절약 효과는 주로 실행 단계에서 나와요. 코드 편집, 의존성 업데이트, 테스트 반복 실행 같은 단계는 호출 횟수가 많고 컨텍스트도 길어서, 전부 Carbon이 처리하면 고급 모델이 대량으로 반복 호출돼요. Hydrogen에 넘기면 Carbon은 시작 단계의 계획과 중간 재계획만 담당하게 되어, 고급 추론 호출량이 자연히 줄어들죠. API 가격에서도 두 모델의 비용 차이를 확인할 수 있어요: 2026년 11월 13일 기준 Google AI Studio 공식 표준 가격에서 Hydrogen의 입력과 출력은 각각 백만 토큰당 1.50달러와 7.50달러이고, Carbon은 2026년 11월 30일까지 백만 토큰당 2달러와 10달러인데, 공식 페이지에는 12월 1일부터 4달러와 20달러로 조정된다고 명시되어 있어요.

다만 위 수치는 API 가격이고, Orchestrator는 Antigravity 구독 할당량 체계에서 동작하기 때문에 두 가지의 측정 방식이 달라요. API 가격으로 Orchestrator의 ‘실제 비용’을 추산해서는 안 돼요.

이 숫자들이 개발팀에 주는 의미

팀 입장에서는 AI 코딩 도구의 효율을 평가할 때 한 번의 답변 품질만 보는 게 아니라 세 가지 차원을 함께 관찰해야 해요: 작업 성공률, 할당량 소비, 완료 시간이에요. Orchestrator의 공식 결과는 성공률이 거의 그대로인 상태에서 나머지 두 항목이 모두 개선되었음을 보여줘요. 이는 팀에게 “계획 품질”과 “실행 처리량”을 분리해서 평가하라는 참고할 만한 관점을 제공해요. 가장 강력한 모델만 주시하는 게 아니라요.

💡 데이터 안내: 이 섹션의 효율 수치는 모두 Google 공식 대조 테스트에 속하며, 아직 독립적인 제3자 재검증은 없어요. 자사 업무에서 “계획 모델 + 실행 모델” 분업 효과를 검증하고 싶다면, APIYI apiyi.com을 통해 동일한 Key로 서로 다른 등급의 모델을 호출하면서 직접 대조 실험을 설계해 볼 수 있어요.

Orchestrator와 독립 모델 및 병렬 Agent 비교

독립 Carbon 비교 분석: Carbon은 복잡한 판단에서 앞서지만, 실행 단계의 반복 작업에서도 고급 모델의 쿼터와 시간을 소모해요. 반면 Orchestrator는 대부분의 계획+실행 일상 엔지니어링 작업에서 비슷한 성공 성과를 더 낮은 쿼터 소모로 얻어요.

독립 Hydrogen 비교 분석: Hydrogen은 속도가 빠르고 편집이 정확하지만, 원래 방안이 다루지 못한 설계 선택을 마주하면 더 강력한 모델의 안전판이 없어요. 요구사항이 명확하고 반복적인 의사결정이 필요 없는 작업에서는 여전히 가장 직접적인 선택이에요.

병렬 다중 Agent 비교 분석: Google은 Orchestrator가 한 세션 안에서 Agent 하나만 유지하며, 다중 모델 핸드오프로 서로 다른 단계를 완수한다고 분명히 밝혔어요. 여러 Agent가 하위 작업을 동시에 처리하거나 서로 검토하길 원한다면 Subagents, Swarm, Boost, Teamwork 같은 기능을 선택해야 해요. 둘은 서로 다른 문제를 풀어요. 하나는 “단일 작업 내부에서 어떻게 분업할까”이고, 다른 하나는 “Agent 수를 늘릴까”예요.

Antigravity에서 Orchestrator 사용하는 방법

Orchestrator 모드와 요금제 대응 관계

Antigravity 앱에서는 대화 입력창 근처의 모델 선택 메뉴를 열고 Orchestrator (Carbon) 또는 Orchestrator (Argon)을 선택하면 돼요. Antigravity CLI의 경우 공식 문서에서 제공하는 예시는 다음과 같아요(아래 문법은 공식 문서에서 인용한 것으로, 이 글에서 직접 로컬 테스트를 진행하지는 않았어요):

# 현재 계정에서 사용 가능한 모델 확인
agy models

# 세션에 진입한 후 /model 로 Orchestrator 선택

# 시작할 때 바로 지정할 수도 있어요
agy -p "Add input validation to the signup form and run the tests." --model "Orchestrator (Argon)"

한 가지 짚고 넘어갈 점은 Orchestrator는 고정된 사고(thinking) 설정을 사용하기 때문에 Low, Medium, High, Extra 같은 단계를 따로 지정할 수 없다는 거예요. 사고 단계를 커스터마이징하고 싶다면 독립 모델로 전환해야 해요. 또한 출시 당일에 일부 사용자들이 모델 옵션은 보이는데 호출이 실패하거나, 계정마다 개방 시점이 다르다는 피드백을 남기기도 했는데요, 이런 경우는 순차 출시와 관련이 있을 가능성이 크니 만나게 되면 잠시 후 다시 시도해 보세요.

자체 Agent에서 계획과 실행 분업 재현하기

Orchestrator는 Antigravity의 제품 기능이지만, “강한 모델이 계획하고, 빠른 모델이 실행하며, 두 번 실패하면 계획 단계로 회부한다”는 아이디어는 자체 Agent에서도 얼마든지 구현할 수 있어요. 아래는 OpenAI 호환 인터페이스 기반의 아주 간단한 예시이며, 모델 이름은 사용하는 플랫폼의 모델 목록을 기준으로 삼아야 해요.

from openai import OpenAI

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

PLANNER = "your-reasoning-model"   # 계획 모델, 사용하는 플랫폼의 모델 목록 기준
EXECUTOR = "your-fast-model"       # 실행 모델, 사용하는 플랫폼의 모델 목록 기준

def ask(model, system, user):
    r = client.chat.completions.create(model=model, messages=[
        {"role": "system", "content": system}, {"role": "user", "content": user}])
    return r.choices[0].message.content

plan = ask(PLANNER, "你是架构师，输出分步实施方案。", "为注册表单增加输入校验")
print(ask(EXECUTOR, "严格按方案执行，只输出代码改动。", plan))

from openai import OpenAI

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

PLANNER = "your-reasoning-model"
EXECUTOR = "your-fast-model"
MAX_FAILS = 2  # Antigravity 문서 참고: 검증이 연속 두 번 실패하면 계획으로 회부

def ask(model: str, system: str, user: str) -> str:
    r = client.chat.completions.create(
        model=model,
        messages=[{"role": "system", "content": system},
                  {"role": "user", "content": user}],
    )
    return r.choices[0].message.content

def run_tests(patch: str) -> tuple[bool, str]:
    """직접 작성한 빌드 및 테스트 로직으로 바꾸고, (통과 여부, 로그)를 반환하세요"""
    raise NotImplementedError

def orchestrate(task: str, max_replans: int = 3) -> str:
    plan = ask(PLANNER, "你是规划者，输出分步方案及重新规划条件。", task)
    for _ in range(max_replans):
        fails, log = 0, ""
        while fails < MAX_FAILS:
            patch = ask(EXECUTOR, "你是执行者，严格按方案修改代码。",
                        f"方案：\n{plan}\n上次测试日志：\n{log}")
            ok, log = run_tests(patch)
            if ok:
                return patch
            fails += 1
        # 연속 실패 시, 계획 모델로 넘겨 다시 판단
        plan = ask(PLANNER, "执行连续失败，请根据日志修订方案。",
                   f"原任务：{task}\n原方案：{plan}\n失败日志：{log}")
    raise RuntimeError("多次重新规划后仍未通过验证")

🚀 빠른 시작 팁: 이런 “계획 + 실행” 프로토타입을 만들 때는 APIYI apiyi.com에서 무료 테스트 크레딧을 받아 보는 걸 권장해요. 하나의 API 키로 OpenAI, Claude, Gemini 등 주요 모델을 호출할 수 있고, PLANNER와 EXECUTOR를 바꾸는 데는 문자열 하나만 수정하면 되니 다양한 조합을 빠르게 비교하기 좋아요.

Antigravity Orchestrator 영향 분석: 어떤 개발 작업에 가장 적합할까

개발자에게 미치는 영향

• 일반 기능 개발: 기획, 구현, 테스트의 세 단계 역할 분담이 명확해 Orchestrator의 가장 대표적인 활용 사례예요.
• 다중 파일 버그 수정: Planner가 근본 원인을 찾고, Hydrogen이 여러 파일을 수정한 뒤 테스트로 검증하며, 실패하면 다시 판단을 넘겨요.
• 중간 복잡도 리팩터링: 설계는 기획 모델이 담당하고, 구체적인 변경은 실행 모델에 대거 맡겨 고성능 모델이 기계적인 편집에 빠지지 않도록 해요.
• 할당량 관리가 더 능동적: 구독 사용자라면 일상 작업은 Orchestrator로 처리해, 깊은 추론이 정말 필요한 작업에 더 많은 할당량을 남겨둘 수 있어요.

업계에 미치는 영향

• “계획자 + 실행자”가 제품화 패턴으로 자리 잡음: 모델 기업이 사용자에게 직접 오케스트레이션을 맡기던 방식에서 나아가, 다중 모델 협업을 개발 도구 안에 직접 구현하기 시작했어요.
• 평가 지표의 다각화: 성공률 외에도 할당량 소비와 완료 시간이 Agent 도구 비교에서 점점 더 자주 등장할 거예요.

Orchestrator 시나리오 선택 가이드

자주 묻는 질문 FAQ

Google Antigravity Orchestrator 핵심 요약

• 핵심 정의: 단일 에이전트 세션 안에서 Carbon / Argon이 계획하고 Hydrogen이 실행하며, 동적으로 핸드오프해요.
• 핵심 메커니즘: 검증이 연속으로 두 번 실패하는 등의 상황이 발생하면 계획 모델로 돌려보내 다시 판단하게 해요.
• 공식 데이터: 단독 Carbon 대비 할당량 -24%, 속도 +19%이며 성공률은 비슷한 수준이에요.
• 올바른 해석: 할당량 소모가 곧 청구서는 아니고, 테스트 기준 버전 표기가 두 공지에서 서로 달라요.
• 사용 조건: Ultra에서는 두 모드를 모두 사용할 수 있고, 조건을 충족하는 Pro는 Argon 모드를 사용할 수 있어요.
• 시작 방법: 직접 구축한 에이전트라면 APIYI apiyi.com의 통합 인터페이스를 통해 이 분업 방식을 재현할 수 있어요.

요약

Google Antigravity Orchestrator의 핵심 포인트를 정리하면 이래요.

1. 대체가 아닌 분업: 비싼 모델을 저렴한 모델로 바꾸는 게 아니라, Carbon / Argon이 판단을 담당하고 Hydrogen이 실행을 담당하게 하는 구조예요.
2. 동적 핸드오프: 실행 도중 예외가 생기면 계획 단계로 돌아가는데, 이게 일회성 모델 라우팅과 구분되는 핵심이에요.
3. 공식적으로 확인된 이점: 성공률이 Carbon에 근접한 상태에서, 공식 테스트 기준 할당량 24% 감소, 속도 19% 향상을 기록했어요.
4. 복잡도에 따른 선택: 일반적인 다단계 작업에는 Orchestrator, 깊은 아키텍처 설계에는 Carbon / Argon, 명확한 일상 작업에는 Hydrogen을 쓰는 게 좋아요.

대부분의 일상 개발 작업에서는 Orchestrator가 품질과 할당량을 함께 고려한 합리적인 기본 선택지예요. 같은 아이디어를 자기 제품에 적용해 보고 싶다면, APIYI apiyi.com을 통해 여러 모델 조합의 효과를 빠르게 검증해 보길 추천해요. 플랫폼은 무료 할당량과 다중 모델 통합 인터페이스를 제공한답니다.

📚 참고 자료

1. Google Antigravity 공식 블로그: Gemini 4 Hydrogen and Orchestrator
2. 링크: antigravity.google/blog/gemini-4-hydrogen-in-google-antigravity

3. 설명: Orchestrator 출시 공지와 24% / 19% 공식 테스트 데이터, 벤치마크는 Terminal-Bench 4.1로 표기

4. Google Antigravity 문서: Choose a Model / Orchestrator

5. 링크: antigravity.google/docs/models

6. 설명: Planner / Executor 메커니즘, 재계획 조건, CLI 예시와 모델 선택 가이드

7. Google 공식 블로그: Introducing Gemini 4 Hydrogen

8. 링크: blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen

9. 설명: Hydrogen 출시 개요, 동일한 비교 결과가 여기서는 Terminal-Bench 4.0으로 표기됨

10. Google 중국어 공식 공지: Gemini 4 Hydrogen

11. 링크: china.googleblog.com/2026/11/gemini-4-hydrogen.html

12. 설명: 중국어 발표 정보, 벤치마크 버전 역시 4.0으로 표기됨

13. Google AI Studio 가격 페이지: Gemini 시리즈 API 가격

14. 링크: aistudio.google.com/docs/pricing

15. 설명: Hydrogen, Carbon, Argon 표준 API 가격과 가격 조정 시점

16. Antigravity 요금제 및 공유 할당량 안내

17. 링크: antigravity.google/blog/changes-to-antigravity-plans
18. 설명: 구독 요금제와 할당량 체계

작성자: APIYI 기술 팀
기술 교류: APIYI 웹사이트 첫 화면에서 연락해 주세요. 더 많은 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
• “미국 더우바오”에서 최상위 프로그래밍 모델로: Gemini는 3년간 무엇을 겪었나? 12개 핵심 시점 총정리: 2023년 Gemini 1.0부터 2026년 Gemini 4 Carbon까지 12개 핵심 시점을 정리하며, 멀티모달, 긴 컨텍스트 윈도우, Thinking, 도구 호출에서 Agentic Coding에 이르는 발전 과정과 이것이 개발자의 모델 선택에 미치는 영향을 해석합니다.
• Gemini 4 Hydrogen 대 Gemini 4 Carbon: 일상에서 어떻게 선택할까: 포지셔닝, 사고 단계, 컨텍스트와 출력, 가격, Orchestrator 사용법의 다섯 측면에서 Gemini 4 Hydrogen과 Gemini 4 Carbon이 일상 사용에서 어떻게 분업되는지, 그리고 APIYI에서 현재 호출 가능한 모델을 설명하세요.
• Gemini 4 Hydrogen 얼마나 강할까? 공식 표에서 10개 항목 중 7개 승리: 구글은 2026-11-12에 Gemini 4 Hydrogen을 발표했으며, 공식 모델 카드에서 10개 비교 중 7개에서 우세하고 Gemini 3.8 Flash보다 2.5배 빠르며 Terminal-Bench 4.1이 18.2%에서 57%로 상승했다고 밝히고, 이러한 수치의 기준, 가격 및 호출 현황을 설명했다.
• Gemini 4 Hydrogen 대 Claude Sonnet 5.5 비교: 10가지 항목 어떻게 선택할까: 공식 모델 카드의 10개 항목 요약과 공식 가격을 바탕으로 Gemini 4 Hydrogen과 Claude Sonnet 5.5를 비교하면 Hydrogen은 7개 항목에서 앞서고 짧은 프롬프트에서 더 저렴하며 Sonnet은 터미널, 컴퓨터 조작, 과학 터미널 3개 항목에서 더 높고 선택 가이드와 APIYI 연동 설명을 포함한다.