|

Kling Image 4와 Nano Banana 2.1 비교: 이미지 생성과 이미지 수정을 나눠서 보기

Kling Image 4와 Nano Banana 2.1 비교: 이미지 생성과 이미지 수정을 나눠서 보기

작성자 주석: Kling Image 4와 Nano Banana 2.1은 텍스트-이미지 변환의 평가 점수 구간이 겹치고, 이미지 편집의 평가 점수 구간은 겹치지 않아요. 작업별로 나눠 비교하는 게 “누가 전반적으로 더 강한가”를 묻는 것보다 유용해요.

Kling Image 4와 구글 이미지 모델 중 하나를 고를 때, 많은 분이 리더보드 점수 하나만 보고 결론을 내려요. 두 모델의 상황은 달라요: 텍스트-이미지 변환의 점수 구간은 서로 겹치고, 이미지 편집의 점수 구간은 서로 겹치지 않아요. 두 작업 유형을 섞어 비교하면 잘못된 결론을 내리기 쉬워요.

이 글은 누가 이겼는지 선언하는 글이 아니에요. 구글이 현재 밝힌 바로는, 구글의 최신·최고 이미지 모델은 더 이전의 Pro가 아니라 Nano Banana 2.1이에요. 이 글에서는 Kling Image 4와 Nano Banana 2.1, 이 두 모델만 비교하고, “이미지 생성”과 “이미지 편집”을 나눠서 리더보드 데이터를 어떻게 읽어야 하는지 살펴볼게요.

핵심 가치: 이 글을 읽고 나면, 모델 선택에 바로 써먹을 수 있는 구분 기준을 얻을 거예요. 텍스트-이미지 변환은 두 모델을 동급으로 보고, 이미지 편집은 분명한 차이가 있다고 보는 거죠. 여기에 비용 기준과 호출 방식을 더해, 내 프로젝트에 어떤 모델을 먼저 연결할지 판단해 보세요.

kling-image-4-vs-nano-banana-2-1-generation-vs-editing-ko-image-0


Kling Image 4와 Nano Banana 2.1의 핵심 차이: 먼저 이름부터 맞추기

비교에 앞서, 어떤 두 모델을 비교하는지부터 확인해야 해요. Nano Banana 시리즈는 버전이 여러 개 있고, Kling의 이미지 모델도 계속 업데이트되고 있어요. 이름이 어긋나면 뒤따르는 모든 결론도 엉뚱한 방향으로 흘러가게 됩니다.

비교 항목 Kling Image 4 Nano Banana 2.1
리더보드상 명칭 Kling Image 4.0 Nano Banana 2.1
모델 포지션 Kling의 차세대 이미지 모델 구글 고효율 라인의 업데이트, 2026-10-06 정식 출시
텍스트-이미지 변환 순위 구간 6–9 7–10
이미지 편집 순위 구간 5–7 8–13
참조 이미지 상한 공식 문서 기준 최대 14장 참조 이미지
사용 가능 플랫폼 공식 채널; APIYI는 아직 미출시, 곧 출시 예정 공식 채널; APIYI apiyi.com에서 건당 과금

왜 Nano Banana Pro가 아니라 Nano Banana 2.1과 비교하나

많은 분이 “바나나에서 가장 강한 건 당연히 Pro”라고 생각하는데, 이 인상은 이미 낡았어요. 2026-11-19 기준으로 구글은 Nano Banana 2.1(모델명 gemini-nano-banana-2.1)을 현재 최고의 이미지 모델이라고 부르고 있어요. 이건 고효율 제품 라인의 업데이트이지, Pro의 차세대 버전이 아니에요.

Pro(gemini-3-pro-image)는 더 일찍 출시됐어요. 같은 텍스트-이미지 변환 리더보드에서 Pro의 점수는 1119, 순위 구간은 15–22로, 이 글에서 다루는 두 모델에 한참 뒤처져요. Pro를 Kling Image 4와 비교하면 결론이 Kling 쪽으로 크게 치우칠 수밖에 없고, 구글 입장에서도 공정하지 않아요. 그래서 아래에서 말하는 “바나나”는 모두 Nano Banana 2.1을 가리킵니다.

단일 순위보다 순위 구간이 더 중요해요

위 표에 적힌 건 고정된 순위가 아니라 “순위 구간”이에요. 이런 아레나식 리더보드는 대량의 일대일 블라인드 투표로 점수를 추정하기 때문에, 각 점수에는 불확실성이 따라붙어요. 순위 구간이란 통계적 변동 범위 안에서 이 모델이 위치할 수 있는 자리를 뜻하죠.

리더보드를 읽을 때는 점 추정치보다 구간을 먼저 보는 게 좋아요. 이 글의 모든 판단이 그 전제 위에 서 있습니다. 두 모델의 구간이 겹치면 점수의 작은 차이는 노이즈일 수 있고, 구간이 완전히 분리될 때에야 비로소 차이가 있다고 어느 정도 확신을 갖고 말할 수 있어요.


Kling Image 4와 Nano Banana 2.1 텍스트-이미지 변환 비교: 구간 중첩

먼저 이미지 생성, 즉 순수 텍스트 프롬프트로 이미지를 만드는 능력부터 볼게요. 대부분 가장 먼저 궁금해하는 능력이고, 두 모델이 가장 비슷한 지점이기도 해요.

kling-image-4-vs-nano-banana-2-1-generation-vs-editing-ko-image-1

텍스트-이미지 변환 지표 Kling Image 4.0 Nano Banana 2.1
점수(점 추정) 1180 1176
신뢰구간 1167–1193 1164–1188
표본 수 5550 6793
순위 구간 6–9 7–10
구간 관계 상대와 중첩 상대와 중첩

텍스트-이미지 변환에서 “Kling이 이겼다”고 쓸 수 없는 이유

두 모델의 점 추정치는 약 4점 차이예요. Kling의 구간은 1167–1193, Nano Banana 2.1의 구간은 1164–1188로 두 구간이 대부분 겹쳐요. 순위 구간도 마찬가지예요. 하나는 6–9, 다른 하나는 7–10이라 중간에 큰 구간이 겹치죠.

즉, 4점 차이는 통계적 노이즈 범위에 들어간다는 뜻이에요. 투표 표본을 다른 배치로 바꾸면 순위가 뒤집힐 가능성도 커요. 그래서 “Kling Image 4의 텍스트-이미지 변환이 더 강하다”는 주장은 근거가 약해요. 더 정확한 표현은 이 텍스트-이미지 변환 리더보드에서 두 모델은 같은 등급에 속하며 우열을 가릴 수 없다는 거예요.

텍스트-이미지 변환 등급이 같다면, 무엇을 보고 선택할까

총점으로 우열을 가릴 수 없을 때는 선택 기준을 더 구체적인 것으로 바꿔야 해요. 아래 몇 가지는 리더보드 점수보다 시간을 투자할 가치가 있어요.

  • 스타일 성향: 비즈니스에서 자주 쓰는 몇 가지 프롬프트 유형(제품 이미지, 인물, 일러스트, 포스터)을 각각 배치로 돌려보고, 어느 모델의 기본 미감이 요구사항에 더 가까운지 확인하세요.
  • 텍스트와 레이아웃: 이미지에 텍스트가 들어가야 한다면 텍스트가 포함된 프롬프트 세트를 따로 준비해 점검하세요.
  • 참조 이미지 능력: Nano Banana 2.1은 참조 이미지를 최대 14장까지 지원해서, 여러 소재로 스타일이나 피사체를 제약해야 하는 워크플로에 적합해요.
  • 해상도 단계: Nano Banana 2.1에는 512 단계가 없고 최저가 1K부터예요. 아주 작은 썸네일만 필요하다면 이 점을 계산에 넣어야 해요.

Kling Image 4와 Nano Banana 2.1 이미지 편집 비교: 구간이 겹치지 않아요

이제 이미지 편집, 그러니까 이미 있는 이미지를 지시에 따라 수정하는 경우를 봐요. 배경을 바꾸거나 일부분을 고치거나 스타일을 조정하는 식이죠. 여기서는 상황이 텍스트-이미지 변환과 완전히 달라요.

kling-image-4-vs-nano-banana-2-1-generation-vs-editing-ko-image-2

이미지 편집 지표 Kling Image 4 Nano Banana 2.1
점수(점추정) 1183 1152
신뢰구간 1169–1197 1140–1164
표본 크기 5628 7606
순위 구간 5–7 8–13
구간 관계 상대와 겹치지 않음 상대와 겹치지 않음

이미지 편집에서 차이가 있다고 말할 수 있는 이유

Kling의 이미지 편집 구간 하한은 1169, Nano Banana 2.1 구간의 상한은 1164예요. 두 구간 사이에는 틈이 있어요. 양쪽 표본 크기가 모두 5000을 넘으니, 이 결과가 소량 투표에서 나온 우연한 변동은 아니에요.

그래서 이 이미지 편집 리더보드에서는 비교적 자신 있게 말할 수 있어요: Kling Image 4의 이미지 편집 점수가 Nano Banana 2.1보다 높아요. 순위 구간도 이 점을 뒷받침해요. Kling은 5–7, Nano Banana 2.1은 8–13으로 두 구간 역시 겹치지 않아요.

이미지 편집이 더 높다고 해서 전반적으로 더 강한 건 아니에요

이 결론의 적용 범위는 분명히 해둬야 해요. 이건 “이미지 편집”이라는 한 가지 작업 유형에만 해당하고, 게다가 이 리더보드의 평가 방식에서 나온 결과예요. “Kling Image 4가 전반적으로 더 강하다”고 확장할 수는 없어요. 이미지 생성 항목에서는 둘이 동률이니까요. “Nano Banana 2.1의 이미지 편집은 못 쓴다”고 말할 수도 없어요. 순위 구간 8–13은 여전히 리더보드 상위권에 속하니까요.

모델을 고르는 입장에서 올바른 해석은 이거예요: 비즈니스가 이미지 편집 위주라면 Kling Image 4를 우선 평가해 볼 만하고, 이미지 생성 위주라면 두 모델을 같은 출발선에 놓고 비교해야 해요.

kling-image-4-vs-nano-banana-2-1-generation-vs-editing-ko-image-3


Kling Image 4와 Nano Banana 2.1의 비용 기준: 먼저 기준을 맞춘 뒤 비교

가격은 이번 비교에서 가장 쉽게 오해할 수 있는 부분이에요. 리더보드 가격, 공식 사이트 가격, 플랫폼 가격은 각각 계산 기준이 달라서 숫자만 보고 바로 빼면 결론이 틀릴 수 있어요.

가격 출처 Kling Image 4 Nano Banana 2.1
텍스트-이미지 변환 리더보드 표시 가격 1,000장당 63달러(1024 정규화 가격) 1,000장당 33.60달러
이미지 편집 리더보드 표시 가격 1,000장당 66달러(1024 정규화 가격) 1,000장당 33.60달러
공식 장당 가격 2K: 300달러 이미지 패키지, 0.00384달러/크레딧 기준 약 0.061달러 1K 0.0336달러, 2K 0.0504달러, 4K 0.113달러
APIYI 플랫폼 아직 등록되지 않았으며, 빠른 시일 내에 등록할 예정 gemini-nano-banana-2.1 회당 0.045달러

리더보드 가격의 기준

Nano Banana 2.1이 리더보드에 표시된 1,000장당 33.60달러는 구글 1K 등급의 장당 0.0336달러에 해당하며, 2K나 4K 가격이 아니에요. Kling의 리더보드 가격 63달러와 66달러는 1024 해상도 기준으로 정규화한 가격이고, 공식 2K 가격도 아니에요.

양쪽 숫자는 서로 다른 과금 체계에서 나와요. 한쪽은 해상도 등급 기준이고, 다른 쪽은 크레딧 패키지를 환산한 가격이에요. 그래서 이 글에서는 “어느 쪽이 더 저렴하다”는 결론을 내리지 않아요. 비용을 비교할 때는 먼저 실제로 사용할 해상도와 호출량을 정한 다음, 각자의 과금 규칙을 따로 적용해야 해요.

회당 과금의 적용 범위

APIYI의 gemini-nano-banana-2.1은 회당 0.045달러로 과금되며 해상도를 구분하지 않아요. 즉 공식 사이트의 해상도별 가격과 어떤 관계가 있는지는 어떤 크기의 이미지를 생성하느냐에 달려 있어요.

주로 1K 이미지를 만든다면 공식 사이트의 1K 장당 0.0336달러가 회당 가격보다 낮아요. 해상도가 높아질수록 회당 과금은 공식 사이트보다 유리해지며, 공식 사이트 4K의 0.113달러와 비교할 때 가장 뚜렷해요. 따라서 “회당 0.045달러”를 모든 상황에서 공식 사이트보다 저렴하다고 이해하면 안 돼요. 고해상도 수요가 많은 상황에 더 적합한 방식이에요.


API로 Kling Image 4와 Nano Banana 2.1 호출하는 방법

현재 APIYI에서 Nano Banana 2.1을 호출할 수 있어요. Kling Image 4는 아직 등록되지 않았지만, 최대한 빠르게 등록할 예정입니다. 모델명과 가격은 플랫폼의 모델 목록을 기준으로 확인해 주세요.

아래는 아주 간단한 텍스트-이미지 변환 호출 예시예요. 인터페이스는 OpenAI SDK와 호환되므로 base_url과 모델 이름만 바꾸면 됩니다.

from openai import OpenAI

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

resp = client.chat.completions.create(
    model="gemini-nano-banana-2.1",
    messages=[{"role": "user", "content": "雨后窗台上的橘猫,电影感侧光,2K"}]
)
print(resp.choices[0].message)

이미지 수정은 원본 이미지와 수정 지시를 함께 전달해야 해요. 아래 코드는 멀티모달 메시지를 구성하는 방식을 보여줍니다. 구체적인 파라미터와 반환 필드는 플랫폼 문서를 기준으로 확인해 주세요.

from openai import OpenAI

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

resp = client.chat.completions.create(
    model="gemini-nano-banana-2.1",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "把背景换成黄昏海边,主体保持不变"},
            {"type": "image_url", "image_url": {"url": "https://example.com/input.png"}}
        ]
    }]
)
print(resp.choices[0].message)

Kling Image 4가 등록된 후에는 같은 코드에서 model 필드만 바꾸면, 두 모델을 동일한 이미지 수정 작업 배치에 올려 비교해 볼 수 있어요.

🚀 빠른 시작: 먼저 APIYI apiyi.com에서 신규 사용자 무료 테스트 크레딧으로 Nano Banana 2.1의 이미지 생성과 수정 흐름을 검증하고, 프롬프트와 평가 샘플을 정리해 두는 걸 권장해요. Kling Image 4가 등록되면 이 샘플들을 그대로 재사용해 가로 비교를 진행할 수 있습니다.


Kling Image 4와 Nano Banana 2.1 활용 시나리오 추천

앞선 데이터를 바탕으로 보면, 시나리오 추천도 ‘이미지 생성’과 ‘이미지 편집’으로 나눠서 접근해야 해요. ‘범용으로 가장 강한 모델 하나를 고르자’는 식으로 정리할 건 아니에요.

Kling Image 4를 우선 평가해 볼 만한 시나리오

  • 이미지 편집이 핵심인 제품: 예를 들어 이커머스 배경 교체, 부분 보정, 스타일 전이 같은 작업이에요. 이미지 편집 점수 구간이 Nano Banana 2.1과 겹치지 않아서, 이런 작업은 Kling을 먼저 평가해 볼 가치가 있어요.
  • 이미지 편집 비중이 높은 혼합 워크플로: 이미지 생성과 편집을 모두 쓰지만 편집이 더 잦다면, Kling의 이미지 편집 강점이 더 뚜렷하게 드러나요.

Nano Banana 2.1을 우선 평가해 볼 만한 시나리오

  • 텍스트-이미지 변환이 중심이고 여러 참조 이미지 제약이 필요한 경우: 최대 14장의 참조 이미지를 지원해서, 일관된 캐릭터나 브랜드 요소가 필요한 대량 이미지 생성에 잘 맞아요.
  • 고해상도 이미지 생성이 많은 경우: APIYI에서는 호출 횟수 기준으로 과금되기 때문에, 해상도가 높을수록 공식 사이트 대비 상대적으로 더 경제적이에요.
  • 바로 연동하고 싶은 경우: 현재 APIYI를 통해 이미 호출할 수 있어서, 별도 출시를 기다릴 필요가 없어요.

두 모델을 모두 비교해 봐야 하는 시나리오

  • 순수 텍스트-이미지 변환 업무: 두 모델의 텍스트-이미지 변환 구간이 겹쳐서, 리더보드 점수만으로는 우열을 가르기 어려워요. 자체 프롬프트 세트로 블라인드 평가를 진행한 뒤 결정하는 게 좋아요.

Kling Image 4와 Nano Banana 2.1 의사결정 가이드

앞서 살펴본 판단을 하나의 의사결정 표로 정리해 볼게요. 각 행은 오직 하나의 작업 유형에만 답하고, 전체 순위는 매기지 않아요.

주요 작업 리더보드 결론 권장 조치
순수 텍스트-이미지 변환 구간이 겹치고 등급도 같음 자체 프롬프트로 블라인드 평가하고, 스타일과 비용 기준을 확인
이미지 수정 위주 구간이 겹치지 않으며 Kling이 더 높음 Kling Image 4를 우선 평가
다중 참조 이미지 생성 리더보드가 직접 다루지 않음 Nano Banana 2.1의 14장 참조 이미지 지원 능력에 주목
고해상도 배치 생성 가격 기준이 다름 건당 과금으로 공식 사이트의 4K 단가를 비교한 뒤 결정
생성과 수정을 모두 수행 두 결론이 서로 다름 작업별로 라우팅을 분리하고, 하나만 고를 필요는 없음

마지막 행이 특히 중요해요. 생성은 대등하고 수정은 차이가 있다는 것은, 하나의 시스템이 작업 유형에 따라 요청을 서로 다른 모델로 분배할 수 있다는 뜻이에요. 이는 “어느 하나를 고를까” 고민하는 것보다 데이터가 보여주는 결과에 더 잘 부합해요.

💡 선택 제안: 모델 선택은 결국 여러분의 비즈니스 샘플로 돌아가야 해요. APIYI apiyi.com을 통해 통합 인터페이스로 먼저 Nano Banana 2.1을 연결하고, “생성 / 수정”을 분리해 평가하는 프레임워크를 구축한 뒤, Kling Image 4가 출시되면 다른 한쪽의 대조군을 보완하는 것을 권장해요.


자주 묻는 질문 FAQ

Q1: Kling Image 4와 Nano Banana 2.1은 어떤 모델인가요?

Kling Image 4는 Kling의 차세대 이미지 모델로, 리더보드에서의 이름은 Kling Image 4.0이에요. Nano Banana 2.1은 구글의 고효율 이미지 라인을 업데이트한 모델로 2026-10-06에 정식 출시됐으며, 구글은 현재 이 모델을 최고의 이미지 모델이라고 소개하고 있어요.

Q2: Kling Image 4와 Nano Banana 2.1 중 어느 쪽이 더 강한가요?

하나의 결론으로 답할 수는 없고, 나눠서 봐야 해요. 텍스트-이미지 변환에서는 두 모델의 점수 구간이 겹치고, 약 4점 차이는 노이즈 범위 안이라 같은 등급으로 볼 수 있어요. 이미지-이미지 변환에서는 두 점수 구간이 겹치지 않으며 Kling Image 4가 더 높아요.

Q3: 왜 Nano Banana Pro를 비교 대상으로 삼지 않나요?

Pro(`gemini-3-pro-image`)는 2.1보다 먼저 출시됐어요. 텍스트-이미지 변환 리더보드에서 점수는 1119, 순위 구간은 15–22예요. 구글의 현재 설명대로라면 가장 최신이자 최고는 Nano Banana 2.1이에요. Pro를 비교 대상으로 삼으면 비교 자체가 잘못된 거예요.

Q4: APIYI에서 이 두 모델을 호출할 수 있나요?

Nano Banana 2.1은 이미 APIYI apiyi.com을 통해 호출할 수 있고, 모델명은 `gemini-nano-banana-2.1`이에요. Kling Image 4는 아직 등록되지 않았으며, 최대한 빠르게 등록할 예정이에요. 모델명과 가격은 플랫폼의 모델 목록을 기준으로 확인해 주세요.

Q5: 건당 0.045달러가 무조건 공식 사이트보다 저렴한가요?

아니에요. 공식 사이트는 해상도 기준으로 가격을 매기며, 1K 한 장은 0.0336달러로 건당 가격보다 낮아요. 해상도가 높을수록 건당 과금이 공식 사이트 대비 유리해지고, 공식 4K와 비교할 때 그 차이가 가장 두드러져요. 먼저 자주 쓰는 해상도를 정한 뒤 계산해 보시는 걸 권해요. 신규 사용자는 APIYI apiyi.com에서 무료 테스트 크레딧으로 먼저 프로세스를 검증해 볼 수 있어요.

Q6: 리더보드의 1000장당 가격을 그대로 비교해도 되나요?

그대로 비교할 수는 없어요. Nano Banana 2.1의 1000장당 33.60달러는 구글 1K 가격에 대응해요. Kling의 1000장당 63달러와 66달러는 1024 기준으로 통일한 가격이며 공식 2K 가격이 아니에요. 두 기준이 달라서 이 글에서는 이를 근거로 어느 쪽이 더 저렴한지 판단하지 않아요.

Q7: 두 모델에는 각각 어떤 제한이 있나요?

Nano Banana 2.1은 512 단계가 없고 최저 해상도가 1K부터 시작하며, 참조 이미지 상한은 14장이에요. Kling Image 4는 현재 APIYI에서 아직 호출할 수 없어 등록을 기다려야 해요. 또한 리더보드는 대중의 선호 투표를 반영할 뿐이므로, 여러분의 비즈니스 샘플이 최종 기준이에요.


Kling Image 4와 Nano Banana 2.1 핵심 요점 Key Takeaways

  • 비교 대상: 바나나 쪽은 Nano Banana 2.1을 쓰고, 더 이른 버전인 Pro는 쓰지 않아요.
  • 텍스트-이미지 변환: 점수 구간이 겹치고, 약 4점 차이는 노이즈 안에 묻히는 수준이라 같은 등급으로 봐요.
  • 이미지 편집: 점수 구간이 겹치지 않고, Kling Image 4가 더 높아요.
  • 전체 순위는 매기지 않음: 이미지 생성은 동률이고 편집은 차이가 있어서, 한쪽이 전부 이기는 구도는 아니에요.
  • 가격 기준: 리더보드 단가, 공식 사이트 가격, 호출당 가격은 기준이 서로 달라서 그대로 빼서 비교하면 안 돼요.
  • 시작 방법: Nano Banana 2.1은 APIYI apiyi.com을 통해 호출당 과금으로 쓸 수 있고, Kling Image 4는 출시를 기다리는 중이에요.

정리

Kling Image 4와 Nano Banana 2.1을 비교할 때 가장 중요한 건 작업을 나눠서 보는 거예요:

  1. 이미지 생성은 동률로 보기: 텍스트-이미지 변환 점수 구간이 겹치니, 내가 쓴 프롬프트로 직접 블라인드 평가를 해서 정하세요.
  2. 이미지 편집은 차이가 있다고 보기: 이미지 편집 점수 구간이 겹치지 않고 Kling Image 4가 더 높으니, 편집 위주의 비즈니스라면 우선 평가해 볼 만해요.
  3. 비용은 기준부터 맞추기: 해상도, 과금 방식, 호출량을 먼저 정한 다음에 가성비를 따지세요.

더 현실적인 방법은 모델 하나를 억지로 고르는 대신, 작업 유형에 따라 요청을 라우팅하는 거예요. APIYI apiyi.com을 통해 먼저 Nano Banana 2.1을 연동하고, 이미지 생성과 편집을 따로 평가하는 흐름을 갖춘 뒤, Kling Image 4가 출시되면 대조군으로 추가하는 걸 추천해요.


📚 참고 자료

  1. Artificial Analysis 텍스트-이미지 변환 리더보드: Kling Image 4.0과 Nano Banana 2.1의 텍스트-이미지 변환 점수, 신뢰 구간, 표본 크기 및 순위 범위

    • 링크: artificialanalysis.ai/image/leaderboard/text-to-image
    • 설명: 두 모델의 텍스트-이미지 변환 구간이 겹치는지 판단하는 데 사용
  2. Artificial Analysis 이미지 편집 리더보드: 두 모델의 이미지 편집 점수와 구간 데이터

    • 링크: artificialanalysis.ai/image/leaderboard/editing
    • 설명: 두 모델의 이미지 편집 구간이 겹치는지 판단하는 데 사용

작성자: APIYI 기술팀
기술 관련 문의: APIYI 웹사이트 홈페이지에서 저희에게 연락해 주세요. 더 많은 자료는 docs.apiyi.com 문서 센터에서 확인할 수 있어요.

Similar Posts