2.8조 파라미터 Kimi K3, 지금 믿어도 될까: API·오픈웨이트·벤치마크를 분리해서 보는 법

원문 링크: WordPress 원문

AI NOTES · KO KOREAN EDITION

2.8조 파라미터 Kimi K3 , 지금 믿어도 될까: API·오픈웨이트·벤치마크를 분리해서 보는 법

KO · 한국어 / EN · English BILINGUAL PAIR

새 차가 공개됐다고 해봅시다. 전시장에서는 이미 시승할 수 있지만, 정비 매뉴얼과 부품 목록은 아직 나오지 않았습니다. 제조사가 공개한 랩타임은 인상적이지만, 경쟁 차량마다 타이어와 운전자가 다릅니다.

2026년 7월 중순 공개된 Kimi K3 도 비슷합니다. Kimi.com과 Kimi Work, Kimi Code, API에서는 이미 사용할 수 있습니다. 반면 이 글을 확인한 7월 20일 기준으로 MoonshotAI의 공식 Hugging Face 목록에서는 K3 모델 카드와 가중치를 찾지 못했습니다. 공식 발표는 K3를 “open 3T-class model”이라고 부르지만, 실제 파일과 라이선스를 독자가 직접 확인할 단계는 아직 아닙니다.

그래서 K3는 “좋다, 나쁘다”로 단정하기보다 네 층으로 나눠 봐야 합니다.

모델 구조: 2.8조 파라미터가 실제 계산량을 그대로 뜻하는가?
사용 경로: 지금 무엇을 제품과 API에서 실행할 수 있는가?
공개성: 가중치와 라이선스를 실제로 확인할 수 있는가?
성능 주장: 서로 다른 실행 환경의 점수를 같은 순위표로 읽어도 되는가?

결론부터 말하면: Kimi K3는 지금 바로 시험해볼 만한 강력한 에이전트 모델입니다. 그러나 “완전히 검증된 오픈웨이트 모델”이나 “Claude·GPT를 전체적으로 이긴 모델”이라고 부르기에는 아직 확인할 항목이 남아 있습니다.

왜 Kimi K3가 지금 뜨거운가

K3의 화제성은 단순히 숫자가 크기 때문만은 아닙니다. Moonshot은 K3를 장시간 코딩, 지식 작업, 추론을 한 모델 안에서 이어가는 프런티어급 에이전트로 내세웠습니다. 네이티브 비전과 100만 토큰 컨텍스트도 함께 발표했습니다.

더 중요한 변화는 ** 모델과 제품이 동시에 나왔다는 점 ** 입니다. 연구 발표만 한 것이 아니라 일반 Kimi 서비스, 데스크톱 지식 작업 도구, 터미널 코딩 도구, 개발자 API까지 한꺼번에 연결했습니다. 사용자는 가중치를 내려받지 않아도 실제 작업에서 K3를 검증할 수 있습니다.

Moonshot의 표현도 이례적으로 솔직합니다. 회사는 K3가 자체 평가에서 경쟁력 있는 결과를 냈다고 강조하면서도, 전체적인 성능과 사용자 경험에서는 Claude Fable 5와 GPT-5.6 Sol에 아직 차이가 있다고 적었습니다. 이 문장이야말로 K3를 과장 없이 읽는 출발점입니다.

2.8조 파라미터가 모두 동시에 움직이는 것은 아니다

K3의 가장 눈에 띄는 숫자는 ** 2.8조 파라미터 ** 입니다. 하지만 이를 매 토큰마다 2.8조 파라미터를 전부 계산한다는 뜻으로 읽으면 안 됩니다.

K3는 Mixture of Experts, 즉 ** 전문가 혼합 구조 ** 를 사용합니다. Moonshot 설명에 따르면 896개 전문가 가운데 16개가 효과적으로 활성화됩니다. 거대한 백화점에 896명의 전문 상담원이 있지만, 질문 하나를 처리할 때는 관련 분야의 16명만 호출하는 것에 가깝습니다.

이 방식은 총용량을 크게 늘리면서도 모든 전문가를 매번 호출하지 않게 해줍니다. 다만 “희소하니 싸다”는 결론도 성급합니다. 전문가를 여러 장치에 배치하고, 적절한 전문가로 요청을 보내고, 통신 병목을 줄이는 일이 새로운 비용이 되기 때문입니다. Moonshot 역시 초대형 전문가 병렬 배포에는 고대역폭 통신 환경이 중요하다고 설명합니다.

K3는 이 구조에 세 가지 핵심 요소를 더합니다.

Kimi Delta Attention(KDA): 긴 문맥에서 어텐션 계산을 효율적으로 확장하기 위한 기반
Attention Residuals(AttnRes): 깊은 층을 따라 정보를 단순 누적하기보다 필요한 표현을 선택적으로 가져오는 방식
Stable LatentMoE: 대규모 희소 전문가 라우팅을 안정화하기 위한 구조

거대한 전문가 풀에서 일부 경로를 선택하고 긴 문맥을 처리하는 희소 전문가 구조의 개념.

이름이 복잡해 보여도 독자가 기억할 핵심은 간단합니다. ** 2.8조는 모델의 총용량이고, 16/896은 한 번의 처리에서 선택적으로 쓰이는 전문가 구조를 보여주는 숫자 ** 입니다. 둘 중 하나만 보고 실제 속도나 비용을 판단할 수는 없습니다.

100만 토큰 컨텍스트도 ‘100만 토큰 정답 보장’은 아니다

100만 토큰 창은 대형 저장소, 다수의 보고서, 장시간 에이전트 기록을 한 세션에 담을 여지를 줍니다. 이는 K3가 장기 코딩과 지식 작업을 전면에 내세우는 이유와 잘 맞습니다.

하지만 컨텍스트 창의 크기와 문맥 활용 능력은 별개입니다. 모델이 100만 토큰을 입력받을 수 있다고 해서, 그 안의 모든 사실을 같은 정확도로 기억하고 연결한다는 뜻은 아닙니다. 검색 전략, 문맥 압축, 도구가 반환하는 기록의 형식, 사고 이력을 다시 전달하는 방식이 결과를 크게 바꿉니다.

특히 Moonshot은 K3가 ** 보존된 사고 이력 ** 을 전제로 훈련됐다고 밝힙니다. 에이전트 실행기가 과거 사고 내용을 필요한 방식으로 돌려주지 않거나, 진행 중인 세션에서 다른 모델을 K3로 바꾸면 품질이 불안정해질 수 있습니다. 새 모델을 드롭다운에서 선택하는 것만으로 장기 작업을 안전하게 이어갈 수 있다는 뜻은 아닙니다.

지금 쓸 수 있는 K3와 아직 확인할 수 없는 K3

현재 사용할 수 있는 경로는 분명합니다.

Kimi.com·모바일 앱

** 지금 가능한 일 ** 일반 대화와 에이전트 작업

** 확인할 점 ** 계정·지역·제품 정책

Kimi Work

** 지금 가능한 일 ** 문서, 리서치, 스프레드시트 중심 작업

** 확인할 점 ** 데스크톱 앱 3.1.0 이상이라는 공식 안내

Kimi Code

** 지금 가능한 일 ** 터미널·IDE 코딩 작업

** 확인할 점 ** /model 에서 K3 선택, 세션 호환성

Kimi API

** 지금 가능한 일 ** 자체 앱과 에이전트에 kimi-k3 연결

** 확인할 점 ** 현재 max reasoning, 토큰 비용, 권한 경계

자체 호스팅

** 지금 가능한 일 ** 이 글 작성 시점에는 직접 검증 보류

** 확인할 점 ** 공개 가중치, 모델 카드, 라이선스 확인 필요

여기서 가장 중요한 구분은 **API 공개와 가중치 공개가 같은 말이 아니라는 것 ** 입니다. API가 열렸다는 것은 원격 서비스로 모델을 호출할 수 있다는 뜻입니다. 가중치 공개는 파일을 내려받아 검사하고, 정해진 라이선스 안에서 직접 배포할 수 있다는 뜻입니다.

Moonshot은 K3를 오픈 모델로 소개하며 전체 모델 가중치를 2026년 7월 27일까지 공개하겠다고 밝혔습니다. 이는 공개 예고이며, 실제 파일과 라이선스를 확인하기 전까지 공개 완료로 볼 수는 없습니다.

가능: “Moonshot은 K3를 오픈 3T급 모델로 발표했다.”
보류: “K3의 가중치와 라이선스를 직접 확인했다.”
금지: “상업적으로 아무 제약 없이 쓸 수 있는 완전한 오픈소스 모델이다.”

라이선스 이름과 허용 범위는 실제 모델 카드와 파일이 공개된 뒤 다시 확인해야 합니다.

API는 이미 현실적이다

K3 API는 OpenAI 호환 클라이언트에서 기본 URL과 모델 이름을 바꾸는 방식으로 호출할 수 있습니다. 실제 키를 코드에 적지 말고 환경변수로 불러오는 최소 예시는 다음과 같습니다.

import os from openai import OpenAI client = OpenAI( api_key=os.environ[ "MOONSHOT_API_KEY" ], base_url=( "https://api." "moonshot.ai/v1" ), ) response = ( client.chat.completions .create( model="kimi-k3", reasoning_effort=( "max" ), messages=[{ "role": "user", "content": ( "이 저장소의 실패 " "테스트를 분류해줘." ), }], ) ) print( response.choices[0] .message.content )

공식 가이드는 이미지 입력, 스트리밍, 도구 호출, 구조화 출력도 안내합니다. 다만 가격 문서는 웹 검색 기능이 업데이트 중이며 관련 설명이 오래됐다고 경고합니다. 검색이 중요한 작업이라면 현재 동작을 별도로 시험해야 합니다.

같은 토큰 수라면 K3가 가장 싸다. 하지만 ‘성능당 비용’은 별도다

가격 비교는 막연한 “가성비”가 아니라 ** 같은 청구 토큰 수 ** 를 넣었을 때의 API 비용부터 맞춰야 합니다. 2026년 7월 20일 공식 가격은 다음과 같습니다.

Kimi K3

** 일반 입력 / 100만 토큰 ** $3.00

** 캐시 적중 입력 / 100만 토큰 ** $0.30

** 출력 / 100만 토큰 ** $15.00

** 장문 요금 규칙 ** 공식 K3 가격표에 별도 장문 할증이 표시되지 않음

Claude Fable 5

** 일반 입력 / 100만 토큰 ** $10.00

** 캐시 적중 입력 / 100만 토큰 ** $1.00

** 출력 / 100만 토큰 ** $50.00

** 장문 요금 규칙 ** 100만 토큰 창까지 표준 단가 적용

GPT-5.6 Sol

** 일반 입력 / 100만 토큰 ** $5.00

** 캐시 적중 입력 / 100만 토큰 ** $0.50

** 출력 / 100만 토큰 ** $30.00

** 장문 요금 규칙 ** 입력이 27만 2천 토큰을 넘으면 요청 전체에 입력 $10·캐시 $1·출력 $45 적용

단가만 보면 K3는 Fable 5보다 일반 입력·캐시 입력·출력이 모두 **70% 낮습니다 **. GPT-5.6 Sol의 일반 구간과 비교하면 입력과 캐시 입력은 40%, 출력은 **50% 낮습니다 **. Sol은 27만 2천 입력 토큰을 넘는 순간 요청 전체가 장문 요율로 바뀌므로, K3의 가격 차이는 초장문 요청에서 더 커집니다.

같은 청구 토큰 수로 계산한 요청당 비용

입력 10만 + 출력 1만, 캐시 없음

Kimi K3 $0.45

Claude Fable 5 $1.50

GPT-5.6 Sol $0.80

입력 10만 + 출력 1만, 입력 전부 캐시 적중

Kimi K3 $0.18

Claude Fable 5 $0.60

GPT-5.6 Sol $0.35

입력 100만 + 출력 10만, 캐시 없음

Kimi K3 $4.50

Claude Fable 5 $15.00

GPT-5.6 Sol $14.50

입력 100만 + 출력 10만, 입력 전부 캐시 적중

Kimi K3 $1.80

Claude Fable 5 $6.00

GPT-5.6 Sol $5.50

입력 2만 + 출력 10만, 캐시 없음

Kimi K3 $1.56

Claude Fable 5 $5.20

GPT-5.6 Sol $3.10

공통 접두사 10만을 1회 저장해 9회 재사용, 요청마다 새 입력 1만 + 출력 2만 (총 10회)

Kimi K3 $3.870

Claude Fable 5 $13.150

GPT-5.6 Sol $7.575

공식 API 정가와 동일 청구 토큰 구성으로 계산한 비용 비교. 세금·도구·재시도는 제외했으며, Sol 장문은 입력 27만 2천 토큰 초과 시 요청 전체 장문 요율을 적용했다. 두 캐시 적중 행은 첫 쓰기 비용을 제외하고, 10회 반복 세션은 첫 쓰기와 이후 9회 읽기를 포함한다. 출처: Moonshot AI, Anthropic, OpenAI. 2026년 7월 20일 확인.

여기서 네 가지를 분명히 해야 합니다.

입력 전부 캐시 적중으로 표시한 두 행은 이상적인 반복 요청 이며 첫 캐시 쓰기 비용을 제외했습니다. Fable 5는 5분 캐시 쓰기가 $12.50/100만 토큰, 1시간 쓰기가 $20이며, Sol의 일반 구간 캐시 쓰기는 $6.25입니다.
10회 반복 세션 행은 첫 요청에서 공통 접두사 10만 토큰을 저장하고 이후 9회 재사용한다고 모델링했습니다. 새 입력은 총 10만, 출력은 총 20만 토큰입니다. 90% 접두사 재사용은 계산 가정이지, 독자 시스템의 예상 캐시 적중률이나 Kimi의 자사 수치를 일반화한 것이 아닙니다. TTL 만료나 접두사 변경이 생기면 비용은 달라집니다.
같은 원문이 세 회사에서 같은 토큰 수가 된다는 뜻은 아닙니다. 토크나이저가 달라 실제 청구 토큰은 달라질 수 있습니다. 표는 가격 구조를 보기 위한 동일 청구 토큰 가정입니다.
세금, 지역 처리, 배치·우선 처리, 검색·도구 호출, 재시도, 에이전트가 반복 생성한 추가 토큰은 제외했습니다.

원시 토큰 비용에서는 여섯 시나리오 모두 K3가 가장 낮습니다. 예를 들어 입력 10만·출력 1만 요청은 K3 $0.45, Sol $0.80, Fable 5 $1.50입니다. 이론적으로 이 시나리오에서 K3가 Sol보다 ** 1.78배 **, Fable 5보다 ** 3.33배 ** 많은 동일 토큰 예산의 시도를 해야 비용이 같아집니다. 입력 100만·출력 10만의 초장문 요청에서는 Sol 대비 손익분기 배수가 약 ** 3.22배 ** 로 커집니다.

하지만 이것이 곧 K3의 성능당 비용이 가장 좋다는 증거는 아닙니다. 실전에서는 다음 식에 가까운 값을 봐야 합니다.

성공한 작업 하나당 비용 = 한 번의 모델·도구 비용 × 재시도 횟수 + 사람의 수정 비용

K3가 더 많은 재시도, 수정, 세션 복구를 요구하면 단가 우위가 줄어듭니다. 반대로 같은 품질을 비슷한 횟수에 만들면 K3의 가격 우위는 매우 큽니다. 따라서 가격표는 출발점이고, 최종 평가는 동일 저장소·문서 묶음·권한·시간 제한에서 ** 성공률, 수정 횟수, 총 토큰, 도구비, 사람의 검수 시간 ** 을 함께 기록해야 합니다.

성능 비교: 14개 점수는 경쟁력을 보여주지만 단일 서열표는 아니다

Moonshot의 공식 발표 그래픽에서 K3, Fable 5, GPT-5.6 Sol의 값을 모두 옮기면 다음과 같습니다. 이는 ** Moonshot이 공개한 모델+실행 하니스의 시스템 점수 ** 이며, 독립적인 동일 조건 재평가가 아닙니다. 실행 조건이 다르므로 가장 큰 숫자에 일부러 ‘우승’ 표시를 하지 않았습니다.

코딩 평가

DeepSWE

Kimi K3 67.5

Claude Fable 5 70.0

GPT-5.6 Sol 73.0

Terminal Bench 2.1

Kimi K3 88.3

Claude Fable 5 84.6

GPT-5.6 Sol 88.8

FrontierSWE

Kimi K3 81.2

Claude Fable 5 86.6

GPT-5.6 Sol 71.3

Program Bench

Kimi K3 77.8

Claude Fable 5 76.8

GPT-5.6 Sol 77.6

Kimi Code Bench 2.0 (internal)

Kimi K3 72.9

Claude Fable 5 76.9

GPT-5.6 Sol 64.8

SWE Marathon

Kimi K3 42.0

Claude Fable 5 35.0

GPT-5.6 Sol 39.0

일반·업무·시각 에이전트 평가

GDPval-AA v2 Elo

Kimi K3 1668.0

Claude Fable 5 1760.0

GPT-5.6 Sol 1748.0

AA-Briefcase Elo

Kimi K3 1548.0

Claude Fable 5 1583.0

GPT-5.6 Sol 1495.0

Automation Bench

Kimi K3 30.8

Claude Fable 5 29.1

GPT-5.6 Sol 29.7

JobBench

Kimi K3 52.9

Claude Fable 5 57.4

GPT-5.6 Sol 46.5

SpreadsheetBench 2

Kimi K3 34.8

Claude Fable 5 34.7

GPT-5.6 Sol 32.4

BrowseComp

Kimi K3 91.2

Claude Fable 5 88.0

GPT-5.6 Sol 90.4

CharXiv with tool

Kimi K3 91.3

Claude Fable 5 93.5

GPT-5.6 Sol 89.1

ZeroBench with tool, Pass@5

Kimi K3 41.0

Claude Fable 5 46.0

GPT-5.6 Sol 35.0

Moonshot 공식 Kimi K3 발표의 Program Bench 원본 일부. 모델별 실행 하니스가 다를 수 있으므로 전체 순위표로 확대하면 안 된다. 출처: Moonshot AI.

표에서 읽을 수 있는 방향은 분명합니다. K3는 Program Bench, SWE Marathon, Automation Bench, SpreadsheetBench 2, BrowseComp에서 세 모델 중 가장 높은 값을 냈습니다. Fable 5는 FrontierSWE, Kimi Code Bench 2.0, GDPval-AA v2, AA-Briefcase, JobBench, CharXiv, ZeroBench에서 강했고, GPT-5.6 Sol은 DeepSWE와 Terminal Bench 2.1에서 가장 높았습니다.

그러나 ** 몇 개를 이겼는지 세어 전체 우승자를 정하면 안 됩니다. ** Moonshot의 각주에 따르면:

K3는 항목에 따라 KimiCode나 Claude Code를 사용했습니다.
경쟁 모델 일부 점수는 여러 하니스 가운데 가장 높은 값을 선택해, 동일 조건의 1대1 비교가 아닙니다.
K3는 공식 각주에서 reasoning_effort=max , temperature 1.0, top-p 1.0을 보고했지만 경쟁 모델의 추론 예산·토큰 한도·병렬 에이전트 수는 동일하게 고정되지 않았습니다.
Fable 5는 Claude Code, Terminus 2, 외부 리더보드 결과 등이 섞였고 일부 평가에는 폴백이 들어갔을 수 있습니다.
GPT-5.6 Sol은 Codex를 사용한 항목이 있으며, 일부 결과에는 사이버가드의 영향이 포함될 수 있습니다.
Kimi Code Bench 2.0은 Moonshot 내부 평가입니다.
같은 이름의 벤치마크도 하니스와 설정이 바뀌면 점수가 달라집니다. DeepSWE에서 K3의 KimiCode 결과와 공개 mini-SWE-agent 결과가 따로 언급되는 것이 대표적입니다.

따라서 이 표가 뒷받침하는 가장 강한 문장은 ** “K3가 코딩·업무·시각 에이전트 과제 전반에서 프런티어 모델과 경쟁할 신호를 보였고, 일부 항목에서는 앞섰다” ** 입니다. “K3가 Claude와 GPT보다 전반적으로 성능이 높다”는 문장은 뒷받침하지 못합니다. Moonshot도 K3가 전체 성능과 사용자 경험에서는 Fable 5와 GPT-5.6 Sol에 아직 뒤진다고 직접 적었습니다.

가격과 성능을 함께 보면 결론은 더 정확해집니다. ** K3는 동일 청구 토큰 기준으로 가장 싸고 일부 에이전트 평가에서 선두지만, Fable 5와 Sol은 다른 핵심 평가와 전체 사용자 경험에서 여전히 우위 신호가 있습니다. ** 지금 확인 가능한 것은 ‘낮은 단가에 프런티어급 경쟁력을 시험할 수 있다’는 것이지, ‘최고 성능을 가장 싸게 확정했다’는 것이 아닙니다.

회사가 직접 밝힌 세 가지 약점

K3 발표에서 가장 유용한 부분은 마지막의 제한사항입니다.

1. 사고 이력에 민감하다

K3가 요구하는 과거 사고 내용이 제대로 돌아오지 않거나, 다른 모델로 진행하던 세션을 중간에 K3로 바꾸면 품질이 크게 흔들릴 수 있습니다. 기존 에이전트 시스템에 연결할 때는 단순 API 호환성뿐 아니라 세션 기록 호환성을 확인해야 합니다.

2. 지나치게 앞서 나갈 수 있다

장기 과제에 맞춘 훈련 때문에 작은 문제나 모호한 지시를 만났을 때 사용자 대신 예상 밖의 결정을 내릴 수 있다고 Moonshot은 적었습니다. 파일 삭제, 외부 전송, 결제, 배포 같은 작업에는 명시적인 금지 규칙과 승인 단계를 둬야 합니다.

3. 사용자 경험은 아직 최상위 폐쇄형 모델에 못 미친다

Moonshot은 K3가 전반적으로 경쟁력 있지만 Fable 5와 GPT-5.6 Sol에 비해 사용자 경험 격차가 있다고 인정합니다. 벤치마크 점수가 높아도 대화의 안정성, 수정 지시 이해, 장기 세션의 일관성은 별도 문제라는 뜻입니다.

지금 써볼 사람과 기다릴 사람

지금 시험해볼 만한 경우

대형 저장소에서 장시간 코딩 작업을 평가하려는 팀
다수의 문서와 시각 자료를 함께 다루는 지식 작업
OpenAI 호환 API로 모델을 빠르게 교체 시험할 수 있는 환경
에이전트 권한, 로그, 비용 한도를 명확히 통제할 수 있는 조직
벤더 API 사용이 허용되는 공개·비민감 작업

가중치와 문서를 기다리는 편이 나은 경우

온프레미스나 자체 호스팅이 필수인 조직
정확한 모델 라이선스와 재배포 권한이 먼저 필요한 제품
민감한 연구·고객·의료·재무 데이터를 외부 API로 보낼 수 없는 환경
진행 중인 장기 세션을 다른 모델에서 K3로 그대로 넘기려는 경우
작은 지시도 자율적으로 확장하지 않아야 하는 고위험 자동화

K3 도입 전 API 사용, 가중치, 라이선스, 평가 하니스를 각각 확인하는 네 가지 질문.

최종 판단: K3의 진짜 뉴스는 ‘2.8조’ 하나가 아니다

Kimi K3의 2.8조 파라미터는 눈길을 끌기 좋은 숫자입니다. 그러나 실사용에서 더 중요한 것은 **16/896 전문가 라우팅, 100만 토큰 세션의 운영 방식, 이미 열린 API, 아직 직접 확인하지 못한 가중치·라이선스, 그리고 서로 다른 실행기가 섞인 벤치마크 ** 입니다.

지금 K3를 시험하는 가장 좋은 방법은 우승자를 가리는 대결이 아닙니다. 동일한 저장소나 문서 묶음, 동일한 권한, 동일한 시간·비용 한도를 정하고 여러 후보 모델을 반복 실행해보는 것입니다. 결과물의 정확성뿐 아니라 수정 횟수, 예상 밖 행동, 세션 복구, 토큰 사용량까지 기록해야 합니다.

K3는 분명히 뜨거운 모델입니다. 다만 뜨겁다는 말과 검증이 끝났다는 말은 다릅니다. ** API는 지금 시험하고, 공개성은 파일과 라이선스로 다시 확인하며, 벤치마크는 실행 조건과 함께 읽는 것. ** 현재 Kimi K3를 가장 공정하게 평가하는 방법입니다.

공식 자료

Kimi K3 공식 발표
Kimi K3 API 시작 가이드
Kimi K3 API 가격
Kimi API 모델 목록
MoonshotAI Hugging Face 조직
PerceptionBench 공식 설명
Claude Fable 5 공식 발표
Anthropic API 가격
GPT-5.6 Sol 공식 모델 페이지
OpenAI API 가격

가격, 모델 목록, 가중치와 라이선스 상태는 2026년 7월 20일 확인 기준입니다. 실제 도입 전에는 최신 공식 문서를 다시 확인하세요. *