헤츠너, LLM 추론 API 실험 공개
저렴한 서버 호스팅으로 유명한 헤츠너(Hetzner)가 자체 인프라 기반의 LLM 추론 API 실험을 시작했습니다. 오픈AI 호환 API 형태로 제공되며, 현재는 Qwen 35B 모델 하나만 지원하지만 토큰당 224개의 매우 빠른 처리 속도를 보여줍니다. 아직 상용화 단계는 아니지만, 클라우드 사업자가 저비용 고효율 GPU 인프라를 무기로 LLM 서비스 시장에 진출하려는 시도라는 점에서 주목할 만합니다.
헤츠너 추론(Inference): 첫인상 작성자: Jonas Scholz (소요 시간: 7분)
헤츠너(Hetzner)가 LLM 추론(Inference) 실험을 진행하고 있습니다. 평소 글로 적을 거라 생각지 못했던 문장이지만, 꽤 흥미로운 주제라고 생각합니다. :) 본격적으로 프로덕션 환경의 AI 워크로드를 헤츠너로 옮기기 전에 미리 말씀드리자면, 이것은 어디까지나 '실험'입니다. 현재 요금 청구도, SLA(서비스 수준 계약)도, 프로덕션 안정성 보장도 없으며, 사용 가능한 모델도 단 하나뿐입니다. 헤츠너는 사용자들이 실제로 이 기능을 원하는지, 시스템이 어떻게 확장되는지, 어떤 기능이 중요한지, 그리고 어느 정도의 부하를 감당할 수 있는지 알아보고 싶다고 밝혔습니다. 따라서 이것은 완성된 제품 출시가 아닙니다. 헤츠너가 초기 버전을 사용자들에게 일찍 공개하고 반응을 살펴보는 것에 가깝습니다. 저는 이런 접근 방식을 매우 마음에 들어 합니다.
헤츠너 추론(Inference)이란 무엇인가?
헤츠너 추론은 헤츠너의 자체 인프라에서 구동되는 오픈AI(OpenAI) 호환 API입니다. Experiments 대시보드에서 API 토큰을 생성한 뒤, 오픈AI 클라이언트의 base URL을 헤츠너 주소로 설정하면 대부분의 다른 추론 API처럼 똑같이 사용할 수 있습니다. 현재 사용 가능한 모델은 'Qwen/Qwen3.6-35B-A3B-FP8'뿐입니다. 이는 활성 매개변수가 30억 개이고 총 350억 개의 매개변수를 가진 Mixture-of-Experts(MoE) 모델입니다. 텍스트와 이미지를 입력받을 수 있으며, 262K의 컨텍스트 윈도우를 지원하고 FP8 양자화(quantized) 가중치를 사용합니다. 실험용으로는 아주 합리적인 모델입니다. 거대한 GPU 클러스터 없이도 서빙할 수 있을 만큼 가벼우면서도, 실제 워크로드로 API를 테스트하기에 충분할 만큼 유용하기 때문입니다. 코드를 작성하지 않고 테스트해보고 싶다면, 헤츠너가 공개한 OpenCode를 API에 연결하는 짧은 튜토리얼을 참고하셔도 됩니다.
직접 사용해 보니
API는 오픈AI와 호환되므로, 통합 과정은 특별할 것이 없습니다.
pip install openai from openai import OpenAI
client = OpenAI( base_url = "https://inference.hetzner.com/api/v1", api_key = "YOUR_TOKEN", )
response = client.chat.completions.create( model = "Qwen/Qwen3.6-35B-A3B-FP8", messages = [ { "role": "user", "content": "하늘이 파란 이유를 한 문장으로 설명해 줘." } ], extra_body = { "chat_template_kwargs": { "enable_thinking": False, } }, )
print(response.choices[0].message.content)
여기서 'enable_thinking' 옵션을 언급할 만합니다. 이 옵션을 끄지 않으면, 모델이 사용자에게 보이는 답변을 반환하기 전에 완성 예산의 놀라울 정도로 많은 부분을 추론(생각)하는 데 소모할 수 있습니다. 제 테스트에서는 이 옵션이 잘 작동했지만, 헤츠너가 이에 대해 문서화해두지는 않았으므로 아직은 이 요청 형식을 기반으로 중요한 것을 구축하지는 않을 것을 권합니다.
2026년 7월 23일에 몇 가지 간단한 테스트를 진행했습니다. 제품이 실험 단계이고 벤치마크 테스트는 금방 시대에 뒤떨어질 수 있으므로 이 글을 거대한 벤치마크 보고서로 만들고 싶지는 않습니다. 하지만 대략적인 수치는 다음과 같았습니다:
- 이미 열려 있는 연결에서 7개의 짧은 요청에 대한 첫 번째 토큰까지의 중앙값(median) 시간: 153ms
- 512개 토큰으로 제한된 5번의 긴 텍스트 생성 과정에서 초당 출력 토큰 수: 224개/tokens
상당히 빠릅니다! 하지만 이는 특정 시점에 하나의 클라이언트에서 진행한 단 하나의 테스트 결과일 뿐입니다. 이것이 SLA를 의미하는 것은 아니며, 다수의 사용자가 동시에 서비스를 이용할 때 어떤 일이 발생할지에 대해서는 거의 알려주지 않습니다. 모델 자체는 대략 제 예상과 일치했습니다. 대부분의 서식 및 검색 지침을 잘 따랐고, 이미지도 올바르게 처리했으며, 매우 간단한 산수 문제 2개는 틀렸습니다. 결론적으로: 작고 약간 아쉬운(?) LLM이라고 할 수 있습니다. :D
모델보다 제품 자체가 더 흥미롭다
Qwen 엔드포인트를 써보는 것은 재미있었지만, 현재 제공되는 모델 자체가 흥미로운 부분은 아니라고 생각합니다. 오히려 헤츠너가 애초에 왜 추론 서비스를 테스트하고 있는지가 더 흥미로운 지점입니다.
이 이후의 내용은 전적으로 저의 추측입니다. 내부자 정보는 없으며, 헤츠너의 누구도 그들이 무엇을 계획하고 있는지 말해주지 않았습니다. 그저 제품을 살펴보고 몇 가지 정황들을 연결해 보려는 노력일 뿐입니다.
오픈 웨이트(Open-weight) 기반의 추론은 필수 재화(commodity) 시장입니다. 누구나 동일한 가중치를 다운로드하고, 대동소이한 서빙 소프트웨어를 구동하며, 오픈AI 호환 API를 노출할 수 있습니다. 특히 OpenRouter나 자체 호스팅하는 LiteLLM 같은 제품을 사용하면 제공업체를 바꾸는 것도 매우 쉽습니다. 이는 어떤 종류의 우위를 점하지 않는 한 큰 마진을 확보하기 어렵게 만듭니다. 보통 그것은 다음을 의미합니다: 당신이 GPU 하드웨어를 매우 저렴하게 구매하고 운영할 수 있다는 것; 당신이 [특별한 장점을 가지고 있다는 것]