클로드 토큰 카운터에 모델 비교 기능이 추가되었습니다

✍️ OpenClawRadar📅 게시일: April 20, 2026🔗 Source
클로드 토큰 카운터에 모델 비교 기능이 추가되었습니다
Ad

도구 업데이트: 모델 비교 기능 추가

Simon Willison은 Claude 토큰 카운터 도구를 업그레이드하여 동일한 텍스트를 다른 모델로 비교하여 카운트할 수 있는 기능을 추가했습니다. 이 도구는 모든 Claude 모델 ID를 지원하며, 현재 주목할 만한 네 가지 모델 옵션을 제공합니다: Opus 4.7 및 4.6, Sonnet 4.6, Haiku 4.5.

토크나이저 변경의 주요 발견

Anthropic의 Opus 4.7 발표에 따르면, 이 모델은 텍스트 처리를 개선하는 업데이트된 토크나이저를 사용하지만, 동일한 입력이 더 많은 토큰으로 매핑됩니다—콘텐츠 유형에 따라 약 1.0~1.35배 더 많습니다.

특정 테스트 결과:

  • Opus 4.7 시스템 프롬프트를 토큰 카운팅 도구에 붙여넣었을 때, Opus 4.7은 Opus 4.6보다 1.46배 더 많은 토큰을 사용했습니다
  • Opus 4.7은 Opus 4.6과 동일한 가격을 유지합니다(입력 토큰 백만 개당 $5, 출력 토큰 백만 개당 $25), 하지만 토큰 증가로 인해 약 40% 더 비쌀 수 있습니다
  • Claude Opus 4.7은 토크나이저를 변경한 첫 번째 모델로, 비교는 주로 4.7과 4.6 사이에서 의미가 있습니다
Ad

이미지 토큰 카운팅 결과

토큰 카운터 도구는 이미지도 지원합니다. Opus 4.7은 이미지 지원이 개선되어 긴 변이 최대 2,576픽셀(~3.75메가픽셀)인 이미지를 처리할 수 있으며, 이전 Claude 모델보다 세 배 이상 많은 픽셀을 지원합니다.

이미지 테스트 결과:

  • 3456×2234 픽셀 3.7MB PNG 이미지의 경우 Opus 4.7이 4.6보다 3.01배 더 많은 토큰을 사용했습니다
  • 업데이트: 이 3배 증가는 전적으로 Opus 4.7이 더 높은 해상도를 처리하기 때문입니다. 682×318 픽셀 이미지는 Opus 4.7에서 314 토큰, Opus 4.6에서 310 토큰을 사용했습니다—효과적으로 비용은 동일합니다

PDF 처리 비교

15MB, 30페이지의 텍스트 위주 PDF의 경우:

  • Opus 4.7은 60,934 토큰을 보고했습니다
  • Opus 4.6은 56,482 토큰을 보고했습니다
  • 이는 1.08배의 배수를 나타내며, 원시 텍스트의 배수보다 상당히 낮습니다

이 도구는 비용을 추정하고 Claude 모델 버전 간 토큰 사용 차이를 이해해야 하는 개발자에게 유용하며, 특히 마이그레이션을 계획하거나 처리 효율성을 비교할 때 도움이 됩니다.

📖 Read the full source: HN AI Agents

Ad

👀 See Also

Memorine: Python과 SQLite를 사용한 OpenClaw 에이전트를 위한 로컬 메모리 시스템
Tools

Memorine: Python과 SQLite를 사용한 OpenClaw 에이전트를 위한 로컬 메모리 시스템

Memorine은 Python과 SQLite만 사용하는 OpenClaw 에이전트용 로컬 메모리 시스템으로, 외부 종속성, API 호출 또는 원격 측정이 필요하지 않습니다. 사실 저장, 전체 텍스트 검색, 메모리 감소, 모순 감지, 인과적 이벤트 체인, 그리고 fastembed와 sqlite-vec를 통한 선택적 의미 검색을 제공합니다.

OpenClawRadar
Qwen3.5-9B-Claude-4.6-Opus-Uncensored-v2 모델이 LM Studio 구성과 함께 출시되었습니다
Tools

Qwen3.5-9B-Claude-4.6-Opus-Uncensored-v2 모델이 LM Studio 구성과 함께 출시되었습니다

Qwen3.5-9B 아키텍처와 Claude 4.6 Opus 학습 데이터를 결합한 검열되지 않은 통합 모델이 이제 사용 가능합니다. 최적의 성능을 위한 LM Studio 0.4.7 설정(온도 0.7, 상위 K 샘플링 20 포함)이 제공됩니다.

OpenClawRadar
AI 에이전트 메모리 부패 방지를 위한 두 가지 패턴: AutoDream과 Skeptical Retrieval
Tools

AI 에이전트 메모리 부패 방지를 위한 두 가지 패턴: AutoDream과 Skeptical Retrieval

OpenClaw는 파일 기반 AI 메모리 부패 문제를 해결하기 위해 두 가지 MIT 라이선스 패턴을 소개합니다: 야간 메모리 통합을 위한 AutoDream과 감쇠 가중 메모리 점수를 위한 Skeptical Retrieval입니다. 두 패턴은 상호작용하며 자가 개선 루프를 형성하여 에이전트 컨텍스트를 최신 상태로 유지합니다.

OpenClawRadar
다중 단계 LLM 워크플로우를 위한 결정론적 컴파일러 아키텍처, 벤치마크에서 강력한 성과 보여
Tools

다중 단계 LLM 워크플로우를 위한 결정론적 컴파일러 아키텍처, 벤치마크에서 강력한 성과 보여

구조화된 LLM 워크플로우를 위한 결정론적 컴파일 아키텍처는 타입화된 노드 레지스트리, 파라미터 계약, 정적 검증을 사용하여 워크플로우 그래프를 사전에 컴파일합니다. 벤치마크 결과는 3-12개 이상의 노드로 구성된 다양한 워크플로우 깊이에서 GPT-4.1과 Claude Sonnet 4.6을 능가하는 성능을 보여줍니다.

OpenClawRadar