Together AI, DeepSeek V4.1 Flash를 제공하며 작업당 비용이 GPT-5.6 Sol보다 3배 저렴하다고 발표, Perplexity는 Agent API를 맞춤형 커넥터에 개방

이번 일요일에는 새로운 모델이 나오지 않았지만, 개발자를 위한 두 가지 구체적인 새 소식이 있다. 9월 10일 출시된 DeepSeek V4.1 Flash가 DeepSeek의 정상 시간대 요금으로 Together AI에 도입됐으며, Together는 작업당 비용이 GPT-5.6 Sol보다 3배 저렴하다고 밝혔다. 다만 이 주장은 몇 가지 사항을 감안해 살펴봐야 한다. 한편 Perplexity는 Agent API에서 MCP 서버를 한 번 등록하면 계속 사용할 수 있도록 했다. Sakana AI는 Royal Society 특별호를 되짚었고, Hugging Face 커뮤니티 블로그의 기고자 세 명은 저마다의 방식으로 결과 검증을 다뤘다.

Together AI, DeepSeek V4.1 Flash를 제공하며 작업당 비용이 GPT-5.6 Sol보다 3배 저렴하다고 발표

9월 13일 — DeepSeek V4.1 Flash가 Together AI의 serverless 및 전용 배포 환경에 도입됐다. 요금은 입력 토큰 100만 개당 0.30달러, 출력 토큰 100만 개당 1.20달러로, DeepSeek API의 정상 시간대 요금과 정확히 같다. DeepSeek는 한산한 시간대에 이 요금을 절반으로 낮춘다.

Together는 Artificial Analysis의 측정 결과를 근거로 이 모델이 agentic benchmark에서 작업당 비용은 3분의 1에 불과하면서 GPT-5.6 Sol을 앞선다고 주장한다.

비교 지표	DeepSeek V4.1 Flash	GPT-5.6 Sol (high)
AutomationBench-AA	69 %	55 %
Terminal-Bench v4.0	27 %	21 %
GDPval-AA v2	1632	1524
작업당 평균 비용(Intelligence Index)	0.27달러	0.81달러

두 가지 유의점이 있다. Together의 모델 설명에서도 V4.1 Flash는 추론 성능에서 GPT-5.6 Sol보다 뒤처진다(GPQA Diamond에서 90.9 대 94.1%, HLE에서 36.8 대 47%). 또한 Terminal-Bench v4.0에서는 Artificial Analysis가 측정한 우위가 9월 10일 DeepSeek가 발표한 표에서 뒤집힌다. 해당 표에서는 V4.1 Flash가 31.2, GPT-5.6 Sol이 39.9를 기록했다.

🔗 Together AI의 X 발표

Perplexity, Agent API를 맞춤형 커넥터에 개방해 MCP 서버를 한 번만 등록하도록 지원

9월 13일 — Perplexity가 Agent API에 맞춤형 커넥터(custom connectors)를 추가했다. 관리자는 프로젝트(Project)의 커넥터에 원격 MCP 서버를 한 번만 등록하면 된다. 등록 항목은 이름, URL, API key 인증 또는 인증 없음, Streamable HTTP 또는 SSE 전송 방식이다. Perplexity가 서버의 access key를 보관하며, 프로젝트의 어떤 API key로 요청하더라도 type: "connector"을 사용해 커넥터 식별자만 지정하면 된다.

반면 요청에 MCP 서버를 직접 전달하면(type: "mcp") 해당 URL과 인증 정보가 매 호출에 포함되며, Streamable HTTP만 사용할 수 있다. 이 커넥터는 8월 27일 GitHub, Slack, Google Drive, Datadog을 대상으로 도입된 관리형 커넥터(managed connectors)를 확장한 것으로, 이제 Linear와 Notion을 포함해 총 6개가 됐다. 기본적으로 지연 실행되는 도구 탐색에서는 모델이 필요한 schema를 불러오기 전에 먼저 검색하므로 max_steps을 충분히 높게 설정해야 한다. 별도 요금은 명시되지 않았다.

🔗 Perplexity 커넥터 문서 🔗 Perplexity API 변경 기록

단신

Sakana AI, 세계 모델(world models) 특별호를 되짚다 — 2026년 5월 14일 발행된 Philosophical Transactions of the Royal Society A 특별호를 다룬 9월 12일 자 일본어 글이다. Sakana AI의 CEO David Ha가 다른 공동 저자 13명과 함께 서문을 집필했다. 새로운 소식은 특별호의 발행이 아니라 이번 게시물이다. 🔗 출처
정확한 gradient ascent가 멈추는 함정에서 REINFORCE는 벗어나다 — 연구소 논문이 아닌 Hugging Face 커뮤니티 블로그의 개인 기고문이다. 동일한 판독기로 42회 검증한 뒤, RDTvlokip은 20,000 step에서 정확한 gradient ascent가 12회 실험 중 단 한 번도 모호하지 않은 코드, 즉 bijection에 도달하지 못했지만 REINFORCE는 12회 중 11회 성공했다고 설명한다. 다만 이 모든 수치는 Adam optimizer에 따라 달라진다. 🔗 출처
Phionyx, AI 감사를 위한 증명 계약을 제안하다 — 또 다른 개인 기고문이다. Ali Toygar Abak은 dashboard나 보고서가 증명이 확립한 범위를 조용히 확대하지 못하도록 하려 한다. 예를 들어 거부된 도구 호출을 guardrail이 차단한 사고로 제시하는 일을 막겠다는 것이다. 각 주장에 첨부하는 8개 metadata 그룹으로 구성된 그의 제안은 아직 실험 결과가 없는 엔지니어링 및 테스트 계획이다. 🔗 출처
darkc0de, 검증된 결과를 얻는 데 걸리는 시간으로 agent model을 평가하자고 제안하다 — 세 번째 개인 기고문이다. Sonny DeSorbo는 성능이 낮더라도 빠른 모델이라면 느린 모델이 첫 시도를 마치기 전에 여러 차례 수정할 수 있다고 주장하며, 초당 검증된 작업량을 측정하는 benchmark인 Persistent Challenge Completion을 구상한다. 실험이 없는 고찰이며, 저자도 이를 지나치게 심각하게 받아들이지 말라고 권한다. 🔗 출처

이것이 의미하는 것

첫 번째 흐름은 agent 도구 구성에 관한 것이다. 맞춤형 커넥터를 사용하면 MCP 서버는 각 요청에 반복해서 넣는 parameter가 아니라 프로젝트의 resource가 된다. 관리자가 한 번 등록하면 Perplexity가 access key를 보관하므로 Agent API를 호출하는 code에서 더 이상 이를 전달할 필요가 없다. 이로써 Perplexity는 8월 말 도입된 관리형 커넥터의 방식을 각 사용자의 MCP 서버에도 확장했다. API key로 보호되거나 인증이 없는 서버를 지원하며, Streamable HTTP뿐 아니라 SSE 전송 방식도 허용한다. 그 대가로 도구 탐색이 지연 실행되기 때문에 모델이 행동에 나서기 전에 검색할 수 있도록 충분한 step을 제공해야 한다. 이제 도구 연결은 매 호출마다 반복해야 하는 설정이라기보다 전체 프로젝트를 위해 한 번 수행하는 관리 작업이 된다.

두 번째 흐름은 가격과 측정에 관한 것이다. Together AI는 MIT license로 공개된 open model을 DeepSeek의 정상 시간대와 정확히 같은 요금으로 제공한다. 호출을 한산한 시간대에 집중할 수 있다면 DeepSeek API가 여전히 2배 저렴하다. 강조된 작업당 비용 역시 수치 간 차이를 고려해 해석해야 한다. Together의 주장은 agentic benchmark에 관한 것이며, V4.1 Flash가 GPT-5.6 Sol보다 뒤처지는 추론 성능에 관한 것은 아니다. Terminal-Bench v4.0 같은 agentic test에서도 순위는 출처에 따라 달라진다. Artificial Analysis에서는 V4.1 Flash가 GPT-5.6 Sol을 앞서지만(27 대 21%), DeepSeek의 표에서는 뒤처진다(31.2 대 39.9). 이날 공개된 커뮤니티 게시물 세 편은 모두 이러한 검증의 필요성으로 돌아온다. RDTvlokip은 동일한 판독기로 결과를 42회 검토했고, Phionyx는 보고서가 증명이 확립한 범위를 조용히 확대하지 못하도록 하려 하며, darkc0de는 첫 시도의 성공 여부가 아니라 초당 검증된 작업량을 측정하자고 제안한다. 점수든 비용이든 감사 결론이든, 핵심은 그 수치가 어떤 조건에서 산출됐는지 아는 것이다.