---
title: "AI 토큰 계산기: GPT·Claude·Gemini 토큰 수 비교"
id: "2082"
type: "page"
slug: "ai-token-calculator"
published_at: "2026-10-20T03:47:23+00:00"
modified_at: "2026-10-20T03:47:23+00:00"
url: "https://doyouknow.kr/ai-token-calculator/"
markdown_url: "https://doyouknow.kr/ai-token-calculator.md"
excerpt: "같은 글이라도 모델의 토크나이저에 따라 토큰 수가 다르고, 한국어는 그 차이가 특히 큽니다. 이 계산기는 입력한 글을 브라우저 안에서만 세고, 모델마다 공개 토크나이저로 센 정확값인지, 같은 회사의 토크나이저로 대신 센 근사값인지, 실측 보정식으로 추정한 값인지를 함께 표시합니다."
---

같은 글이라도 모델이 쓰는 토크나이저(tokenizer)에 따라 토큰 수가 달라지고, **한국어는 그 차이가 특히 큽니다.** 아래 기본 예문(한국어 97자)은 Llama 4 토크나이저로 47토큰, GPT-5.x 계열의 o200k_base로 55토큰, GPT-4 시절의 cl100k_base로 89토큰이 나옵니다. 같은 뜻의 영어 문장은 공개 토크나이저 여섯 개 모두 40토큰으로 같았습니다. 이 AI 토큰 계산기는 입력한 글을 브라우저 안에서만 세고, 모델마다 결과가 **정확·근사·추정** 중 어느 등급인지 함께 표시합니다.

토큰 수는 곧 API 입력 비용이고 컨텍스트 창을 얼마나 쓰는지의 기준입니다. 다만 여기서 세는 것은 붙여 넣은 글 자체의 토큰이며, 실제 청구 토큰에는 요청 형식과 시스템 프롬프트 등이 더해집니다. 모델 목록·단가·Claude 보정 데이터는 2026년 10월 20일 기준입니다.

토큰 수를 셀 글토큰은 AI 모델이 글을 읽는 단위입니다. 같은 뜻의 문장이라도 한국어는 영어보다 토큰이 더 많이 나오는 경우가 많고, 토큰 수가 곧 API 비용과 컨텍스트 사용량이 됩니다.입력한 글은 이 브라우저 안에서만 셉니다. 서버나 외부로 보내지 않습니다.

예상 출력 토큰 수응답 길이를 짐작해 넣으면 출력 비용까지 더합니다. 0이면 입력 비용만 셉니다.

 비교할 모델 선택 (6개 선택됨) OpenAI GPT-5.5 정확 GPT-5.6 Sol 정확 GPT-5.6 Terra 정확 GPT-5.6 Luna 정확 GPT-5.4 정확 GPT-5.4 mini 정확 GPT-5.4 nano 정확 GPT-5 mini 정확 GPT-5 nano 정확 o3 정확 o4-mini 정확 GPT-6 Astra 근사 GPT-6.1 Sol 근사 GPT-6 Sol 근사 GPT-6 Luna 근사 GPT-4·GPT-3.5 (cl100k_base, 비교용) 정확 0.5MBAnthropic Claude Claude Fable 5.1 추정 Claude Mythos 5.1 추정 Claude Fable 5 추정 Claude Mythos 5 추정 Claude Opus 5.5 추정 Claude Opus 5 추정 Claude Opus 4.8 추정 Claude Opus 4.7 추정 Claude Sonnet 5.5 추정 Claude Sonnet 5 추정 Claude Haiku 5.5 추정 Claude Opus 4.6 추정 Claude Opus 4.5 추정 Claude Sonnet 4.6 추정 Claude Sonnet 4.5 추정 Claude Haiku 4.5 추정Google Gemini Gemini 3.1 Pro Preview 근사 5.2MB Gemini 3.1 Flash-Lite 근사 5.2MB Gemini 2.5 Pro 근사 5.2MB Gemini 2.5 Flash 근사 5.2MB Gemini 4 Argon 근사 5.2MB Gemini 3.8 Flash 근사 5.2MB Gemini 3.6 Flash 근사 5.2MB Gemini 3.5 Flash-Lite 근사 5.2MBDeepSeek API DeepSeek-V4.1-Flash-1017 (API) 근사 1.9MB DeepSeek-V4-Pro-0813 (API) 근사 1.9MB공개 가중치 모델 Gemma 4 (공개 가중치) 정확 5.2MB Llama 4 Scout·Maverick (공개 가중치) 정확 4.6MB Qwen3.8-Flash-Next (공개 가중치) 정확 3.5MB DeepSeek-V4.1-Flash (공개 가중치) 정확 1.9MB MB 표시는 처음 고를 때 한 번 받는 토크나이저 파일 크기입니다. OpenAI·Claude 행은 페이지에 이미 있는 o200k_base로 셉니다.

 글자 97자 · o200k 토큰 55개 · 100자당 56.7토큰

| 모델 | 토큰 수 | 입력 비용 | 입력+출력 |
| --- | --- | --- | --- |
| GPT-5.5 정확 | 55 | $0.000275 | $0.0153 |
| GPT-6.1 Sol 근사 | 55 | $0.000110 | $0.005110 |
| Claude Opus 5.5 추정 | 약 9891~104 | 약 $0.000392$0.000364~$0.000416 | 약 $0.0104$0.0104~$0.0104 |
| Claude Sonnet 5.5 추정 | 약 9891~104 | 약 $0.000196$0.000182~$0.000208 | 약 $0.005196$0.005182~$0.005208 |
| Gemini 3.8 Flash 근사 | 49 | $0.000037 | $0.001912 |
| DeepSeek-V4.1-Flash-1017 (API) 근사 | 64 | $0.000019 | $0.000619 |

[이 토큰 수(98)로 캐싱 손익 계산](https://doyouknow.kr/prompt-caching-cost-calculator/#prefix=98)
 [VRAM 계산기로 컨텍스트 길이 넘기기(98)](https://doyouknow.kr/llm-vram-calculator/#ctx=98)

붙여 넣은 글 자체의 토큰 수입니다. 실제 API 청구에는 대화 형식·역할 토큰, 시스템 프롬프트, 도구 정의, 이미지·PDF, 추론(thinking) 토큰이 더해질 수 있습니다. 비용은 표준 단가(2026-10-20 확인, USD) 기준 참고값이며, 링크에는 숫자만 넘깁니다. 선택한 모델 중 가장 큰 토큰 수를 씁니다.

### 토큰은 어디서 나뉠까

o200k_base(GPT-5.x 계열) 기준으로 글이 토큰으로 나뉜 모습입니다. 색이 바뀌는 곳이 토큰 경계입니다. 점선 상자는 한 글자가 토큰 여러 개로 쪼개진 곳을 글자 단위로 묶은 것이고, 오른쪽 위 숫자가 토큰 수입니다. 한글 한 음절은 UTF-8로 3바이트라, 사전에 없는 음절은 바이트 조각 토큰 2~3개로 나뉩니다.

토큰은 AI 모델이 글을 읽는 단위입니다. 같은 뜻의 문장이라도 한국어는 영어보다 토큰이 더 많이 나오는 경우가 많고, 토큰 수가 곧 API 비용과 컨텍스트 사용량이 됩니다.

### 한국어는 영어보다 토큰을 얼마나 더 쓸까

기본 예문(한국어 97자)과 같은 뜻의 영어 문장(207자)을 토크나이저별로 센 결과입니다. 영어는 공개 토크나이저 모두 40토큰인데, 한국어는 Llama 4 47토큰부터 OpenAI cl100k_base 89토큰까지 벌어집니다. 어휘 사전에 한국어 조각을 얼마나 넣었는지가 차이를 만듭니다.

| 토크나이저 | 한국어 | 영어 | 한국어÷영어 | 한국어 100자당 |
| --- | --- | --- | --- | --- |
| OpenAI o200k_base | 55 | 40 | 1.38 | 56.7 |
| OpenAI cl100k_base | 89 | 40 | 2.23 | 91.8 |
| Gemma 4 | 49 | 40 | 1.23 | 50.5 |
| Llama 4 | 47 | 40 | 1.18 | 48.5 |
| Qwen3.8 (Flash-Next 공개판) | 54 | 40 | 1.35 | 55.7 |
| DeepSeek V4.1 | 64 | 40 | 1.60 | 66.0 |
| Claude 4.7+ 토크나이저 추정 | 약 98 | 약 63 | 1.56 | 101.0 |
| Claude 구 토크나이저 추정 | 약 95 | 약 46 | 2.07 | 97.9 |

짧은 예문 하나의 결과라 글 종류에 따라 배수는 달라집니다. 위 입력창에 직접 글을 넣으면 같은 글을 모델별로 비교할 수 있습니다.

### Claude 토큰은 어떻게 추정하나

Claude 토크나이저는 공개되지 않아 정확히 셀 수 없습니다. 그래서 2026-10-20에 Anthropic의 토큰 세기 API(count_tokens)로 한국어·영어·코드·혼합 글을 실측하고, 글의 문자 구성(한글·라틴 문자·숫자·기호 비율과 o200k 글자당 토큰)으로 o200k 토큰 수에 곱할 배율을 회귀식으로 맞췄습니다. 학습에 쓰지 않은 검증 글에서 오차는 다음과 같습니다.

| 그룹 | 기준 모델 | 학습/검증 글 | 중앙 절대 오차 | 90% 백분위 오차 |
| --- | --- | --- | --- | --- |
| 신형(Claude 4.7 이후·Fable·Mythos·5.x) | Claude Opus 5.5 | 152/51 | 3.1% | 6.8% |
| 구형(Opus 4.6·Sonnet 4.6·Haiku 4.5 이하) | Claude Sonnet 4.6 | 120/40 | 4.4% | 8.0% |

표의 "약" 값은 회귀식의 중앙값이고, 아래 작은 숫자는 학습 글 오차의 10~90% 구간입니다. 실측 코퍼스와 성격이 다른 글(표, 다른 언어, 아주 짧은 글)은 범위를 벗어날 수 있습니다. 보정일 2026-10-20, 방법: count_tokens 실측값에서 메시지 형식 토큰을 뺀 본문 토큰 수 ÷ o200k 토큰 수.

 모델별 등급과 근거 정확 그 모델의 공개 토크나이저로 셈 · 근사 같은 회사의 공개 토크나이저로 대신 셈 · 추정 토크나이저 비공개, 실측 보정식으로 추정

 | 모델 | 토크나이저 | 근거 |
| --- | --- | --- |
| GPT-5.5 정확 | OpenAI o200k_base | tiktoken model.py가 gpt-5 접두 모델을 o200k_base로 매핑 |
| GPT-5.6 Sol 정확 | OpenAI o200k_base | tiktoken model.py가 gpt-5 접두 모델을 o200k_base로 매핑 |
| GPT-5.6 Terra 정확 | OpenAI o200k_base | tiktoken model.py가 gpt-5 접두 모델을 o200k_base로 매핑 |
| GPT-5.6 Luna 정확 | OpenAI o200k_base | tiktoken model.py가 gpt-5 접두 모델을 o200k_base로 매핑 |
| GPT-5.4 정확 | OpenAI o200k_base | tiktoken model.py가 gpt-5 접두 모델을 o200k_base로 매핑 |
| GPT-5.4 mini 정확 | OpenAI o200k_base | tiktoken model.py가 gpt-5 접두 모델을 o200k_base로 매핑 |
| GPT-5.4 nano 정확 | OpenAI o200k_base | tiktoken model.py가 gpt-5 접두 모델을 o200k_base로 매핑 |
| GPT-5 mini 정확 | OpenAI o200k_base | tiktoken model.py가 gpt-5 접두 모델을 o200k_base로 매핑 |
| GPT-5 nano 정확 | OpenAI o200k_base | tiktoken model.py가 gpt-5 접두 모델을 o200k_base로 매핑 |
| o3 정확 | OpenAI o200k_base | tiktoken model.py가 o3·o4-mini 접두를 o200k_base로 매핑 |
| o4-mini 정확 | OpenAI o200k_base | tiktoken model.py가 o3·o4-mini 접두를 o200k_base로 매핑 |
| GPT-6 Astra 근사 | OpenAI o200k_base | tiktoken 0.14.0에 GPT-6 매핑이 없어 o200k_base로 대신 셈 |
| GPT-6.1 Sol 근사 | OpenAI o200k_base | tiktoken 0.14.0에 GPT-6 매핑이 없어 o200k_base로 대신 셈 |
| GPT-6 Sol 근사 | OpenAI o200k_base | tiktoken 0.14.0에 GPT-6 매핑이 없어 o200k_base로 대신 셈 |
| GPT-6 Luna 근사 | OpenAI o200k_base | tiktoken 0.14.0에 GPT-6 매핑이 없어 o200k_base로 대신 셈 |
| GPT-4·GPT-3.5 (cl100k_base, 비교용) 정확 | OpenAI cl100k_base | tiktoken model.py가 gpt-4-·gpt-3.5-turbo- 접두를 cl100k_base로 매핑 |
| Claude Fable 5.1 추정 | Claude 4.7+ 토크나이저 추정 | 토크나이저 비공개. Claude 4.7 이후 모델은 새 토크나이저(구 대비 약 30% 많음, Anthropic 문서). count_tokens 실측으로 만든 보정식 적용 |
| Claude Mythos 5.1 추정 | Claude 4.7+ 토크나이저 추정 | 토크나이저 비공개. Claude 4.7 이후 모델은 새 토크나이저(구 대비 약 30% 많음, Anthropic 문서). count_tokens 실측으로 만든 보정식 적용 |
| Claude Fable 5 추정 | Claude 4.7+ 토크나이저 추정 | 토크나이저 비공개. Claude 4.7 이후 모델은 새 토크나이저(구 대비 약 30% 많음, Anthropic 문서). count_tokens 실측으로 만든 보정식 적용 |
| Claude Mythos 5 추정 | Claude 4.7+ 토크나이저 추정 | 토크나이저 비공개. Claude 4.7 이후 모델은 새 토크나이저(구 대비 약 30% 많음, Anthropic 문서). count_tokens 실측으로 만든 보정식 적용 |
| Claude Opus 5.5 추정 | Claude 4.7+ 토크나이저 추정 | 토크나이저 비공개. Claude 4.7 이후 모델은 새 토크나이저(구 대비 약 30% 많음, Anthropic 문서). count_tokens 실측으로 만든 보정식 적용 |
| Claude Opus 5 추정 | Claude 4.7+ 토크나이저 추정 | 토크나이저 비공개. Claude 4.7 이후 모델은 새 토크나이저(구 대비 약 30% 많음, Anthropic 문서). count_tokens 실측으로 만든 보정식 적용 |
| Claude Opus 4.8 추정 | Claude 4.7+ 토크나이저 추정 | 토크나이저 비공개. Claude 4.7 이후 모델은 새 토크나이저(구 대비 약 30% 많음, Anthropic 문서). count_tokens 실측으로 만든 보정식 적용 |
| Claude Opus 4.7 추정 | Claude 4.7+ 토크나이저 추정 | 토크나이저 비공개. Claude 4.7 이후 모델은 새 토크나이저(구 대비 약 30% 많음, Anthropic 문서). count_tokens 실측으로 만든 보정식 적용 |
| Claude Sonnet 5.5 추정 | Claude 4.7+ 토크나이저 추정 | 토크나이저 비공개. Claude 4.7 이후 모델은 새 토크나이저(구 대비 약 30% 많음, Anthropic 문서). count_tokens 실측으로 만든 보정식 적용 |
| Claude Sonnet 5 추정 | Claude 4.7+ 토크나이저 추정 | 토크나이저 비공개. Claude 4.7 이후 모델은 새 토크나이저(구 대비 약 30% 많음, Anthropic 문서). count_tokens 실측으로 만든 보정식 적용 |
| Claude Haiku 5.5 추정 | Claude 4.7+ 토크나이저 추정 | 토크나이저 비공개. Claude 4.7 이후 모델은 새 토크나이저(구 대비 약 30% 많음, Anthropic 문서). count_tokens 실측으로 만든 보정식 적용 |
| Claude Opus 4.6 추정 | Claude 구 토크나이저 추정 | 토크나이저 비공개. Sonnet 4.6·Haiku 4.5 이하 구 토크나이저. count_tokens 실측으로 만든 보정식 적용 |
| Claude Opus 4.5 추정 | Claude 구 토크나이저 추정 | 토크나이저 비공개. Sonnet 4.6·Haiku 4.5 이하 구 토크나이저. count_tokens 실측으로 만든 보정식 적용 |
| Claude Sonnet 4.6 추정 | Claude 구 토크나이저 추정 | 토크나이저 비공개. Sonnet 4.6·Haiku 4.5 이하 구 토크나이저. count_tokens 실측으로 만든 보정식 적용 |
| Claude Sonnet 4.5 추정 | Claude 구 토크나이저 추정 | 토크나이저 비공개. Sonnet 4.6·Haiku 4.5 이하 구 토크나이저. count_tokens 실측으로 만든 보정식 적용 |
| Claude Haiku 4.5 추정 | Claude 구 토크나이저 추정 | 토크나이저 비공개. Sonnet 4.6·Haiku 4.5 이하 구 토크나이저. count_tokens 실측으로 만든 보정식 적용 |
| Gemini 3.1 Pro Preview 근사 | Gemma 4 | Google python-genai LocalTokenizer가 이 모델을 Gemma 4 토크나이저로 매핑 |
| Gemini 3.1 Flash-Lite 근사 | Gemma 4 | Google python-genai LocalTokenizer가 이 모델을 Gemma 4 토크나이저로 매핑 |
| Gemini 2.5 Pro 근사 | Gemma 4 | python-genai LocalTokenizer는 Gemma 3로 매핑. 여기서는 Gemma 4로 셈(예문 6개에서 Gemma 3·4 결과 동일) |
| Gemini 2.5 Flash 근사 | Gemma 4 | python-genai LocalTokenizer는 Gemma 3로 매핑. 여기서는 Gemma 4로 셈(예문 6개에서 Gemma 3·4 결과 동일) |
| Gemini 4 Argon 근사 | Gemma 4 | 공식 SDK 매핑 미확인. 최신 Gemma 4 토크나이저로 대신 셈 |
| Gemini 3.8 Flash 근사 | Gemma 4 | 공식 SDK 매핑 미확인. 최신 Gemma 4 토크나이저로 대신 셈 |
| Gemini 3.6 Flash 근사 | Gemma 4 | 공식 SDK 매핑 미확인. 최신 Gemma 4 토크나이저로 대신 셈 |
| Gemini 3.5 Flash-Lite 근사 | Gemma 4 | 공식 SDK 매핑 미확인. 최신 Gemma 4 토크나이저로 대신 셈 |
| DeepSeek-V4.1-Flash-1017 (API) 근사 | DeepSeek V4.1 | 공개 가중치 DeepSeek-V4.1-Flash 토크나이저로 셈. API 서빙판과 같다는 공식 문장은 없음 |
| DeepSeek-V4-Pro-0813 (API) 근사 | DeepSeek V4.1 | 공개 가중치 DeepSeek-V4.1-Flash 토크나이저로 셈. API 서빙판과 같다는 공식 문장은 없음 |
| Gemma 4 (공개 가중치) 정확 | Gemma 4 | 공개 가중치 저장소의 tokenizer.json으로 셈 |
| Llama 4 Scout·Maverick (공개 가중치) 정확 | Llama 4 | 공개 가중치 저장소의 tokenizer.json으로 셈 |
| Qwen3.8-Flash-Next (공개 가중치) 정확 | Qwen3.8 (Flash-Next 공개판) | 공개 가중치 저장소의 tokenizer.json으로 셈 |
| DeepSeek-V4.1-Flash (공개 가중치) 정확 | DeepSeek V4.1 | 공개 가중치 저장소의 tokenizer.json으로 셈 |
| Grok 4.7·Grok 4.3 | 미지원 | 토크나이저 파일이 공개되지 않아 API(/v1/tokenize-text)로만 셀 수 있음 |
| Mistral Large 4·Medium 3.5·Small 4 | 미지원 | 다음 업데이트에서 추가 예정 |

 Built with Llama

 사용한 토크나이저와 라이선스 - gpt-tokenizer 4.1.0 — MIT. Copyright (c) 2023-2024 Bazyli Brzoska ([LICENSE](https://doyouknow.kr/wp-content/plugins/dyk-ai-calculators/vendor/gpt-tokenizer-4.1.0/LICENSE) )
- tiktoken 인코딩 데이터(o200k_base·cl100k_base) — MIT. Copyright (c) 2022 OpenAI, Shantanu Jain ([LICENSE-tiktoken](https://doyouknow.kr/wp-content/plugins/dyk-ai-calculators/vendor/gpt-tokenizer-4.1.0/LICENSE-tiktoken) )
- @huggingface/tokenizers 0.2.0 — Apache-2.0 ([LICENSE](https://doyouknow.kr/wp-content/plugins/dyk-ai-calculators/vendor/huggingface-tokenizers-0.2.0/LICENSE) )
- Gemma 4 tokenizer.json — Apache-2.0 ([LICENSE](https://doyouknow.kr/wp-content/plugins/dyk-ai-calculators/vendor/gemma-4-tokenizer-6f21c99d/LICENSE) )
- Llama 4 tokenizer.json — Llama 4 Community License. Llama 4 is licensed under the Llama 4 Community License, Copyright © Meta Platforms, Inc. All Rights Reserved. ([LICENSE](https://doyouknow.kr/wp-content/plugins/dyk-ai-calculators/vendor/llama-4-tokenizer-2cac0ef8/LICENSE) , [USE_POLICY.md](https://doyouknow.kr/wp-content/plugins/dyk-ai-calculators/vendor/llama-4-tokenizer-2cac0ef8/USE_POLICY.md) , [NOTICE](https://doyouknow.kr/wp-content/plugins/dyk-ai-calculators/vendor/llama-4-tokenizer-2cac0ef8/NOTICE) )
- Qwen3.8-Flash-Next tokenizer.json — Qwen Community License 1.0. Copyright (c) 2026 Qwen ([LICENSE](https://doyouknow.kr/wp-content/plugins/dyk-ai-calculators/vendor/qwen3.8-flash-next-tokenizer-de4b8e4d/LICENSE) )
- DeepSeek-V4.1-Flash tokenizer.json — MIT. Copyright (c) 2023 DeepSeek ([LICENSE](https://doyouknow.kr/wp-content/plugins/dyk-ai-calculators/vendor/deepseek-v4.1-flash-tokenizer-314113f8/LICENSE) )

## AI 토큰 계산기 사용법

1. **글을 입력합니다.** 입력창에는 기본 예문이 들어 있습니다. 지우고 직접 글을 붙여 넣으면 입력을 잠시 멈춘 뒤 다시 셉니다.
2. **예상 출력 토큰 수를 정합니다.** 기본값은 500입니다. 응답 길이를 짐작해 넣으면 출력 비용까지 더하고, 0으로 두면 입력 비용만 계산합니다.
3. **비교할 모델을 고릅니다.** 처음에는 GPT-5.5, GPT-6.1 Sol, Claude Opus 5.5, Claude Sonnet 5.5, Gemini 3.8 Flash, DeepSeek API 여섯 개가 선택돼 있습니다. “비교할 모델 선택”을 펼치면 공급자별로 모델을 더하거나 뺄 수 있습니다.
4. **결과 표와 토큰 경계를 봅니다.** 표에는 모델별 토큰 수, 입력 비용, 입력+출력 비용이 나오고, 아래에는 글이 o200k_base 기준으로 어디서 나뉘는지가 색으로 표시됩니다. 경계 표시는 글이 길면 앞 2,000토큰까지만 그립니다.

OpenAI와 Claude 행은 페이지를 열 때 함께 받는 o200k_base 토크나이저로 셉니다. Gemini·DeepSeek·공개 가중치 모델은 그 모델을 처음 고를 때 토크나이저 파일을 한 번 받습니다. 기본 선택에 들어 있는 Gemini·DeepSeek 행은 글을 바꾸면 “토크나이저 받기” 버튼으로 바뀌고, 누르면 받아서 셉니다.

| 토크나이저 | 쓰는 모델 | 처음 고를 때 받는 크기 |
| --- | --- | --- |
| o200k_base | GPT-5.x·GPT-6 계열·o3·o4-mini, Claude 추정의 기준 | 페이지 진입 시 함께 로드 |
| cl100k_base | GPT-4·GPT-3.5 비교용 | 약 0.5MB |
| Gemma 4 | Gemini 전 모델, Gemma 4 공개판 | 약 5.2MB |
| Llama 4 | Llama 4 Scout·Maverick 공개판 | 약 4.6MB |
| Qwen3.8 | Qwen3.8-Flash-Next 공개판 | 약 3.5MB |
| DeepSeek V4.1 | DeepSeek API, DeepSeek-V4.1-Flash 공개판 | 약 1.9MB |

## 정확·근사·추정 등급은 무엇을 뜻하나요

등급은 **그 모델이 실제로 쓰는 토크나이저로 셌는지**를 나타냅니다. 같은 토큰 수라도 등급이 다르면 믿을 수 있는 정도가 다릅니다.

- **정확**: 그 모델이 쓰는 공개 토크나이저로 셌습니다. 세 등급 중 가장 믿을 만하지만, 브라우저용 구현이 원래 구현과 드물게 다르게 나눌 수 있고 메시지 형식 토큰 같은 API 쪽 처리는 들어가지 않습니다.
- **근사**: 그 모델의 토크나이저가 공개되지 않아 같은 회사가 공개한 토크나이저로 대신 셌습니다. 실제와 차이가 날 수 있습니다.
- **추정**: 토크나이저도, 대신 쓸 공개 토크나이저도 없어 o200k_base 결과에 실측 보정식을 곱했습니다. 범위로 표시합니다.

| 대상 | 세는 방법 | 등급 | 근거 |
| --- | --- | --- | --- |
| GPT-5.x(5.5·5.6·5.4·mini·nano), o3, o4-mini | o200k_base | 정확 | OpenAI tiktoken의 모델 매핑이 gpt-5 접두와 o3·o4-mini를 o200k_base로 연결 |
| GPT-4·GPT-3.5(비교용) | cl100k_base | 정확 | 같은 tiktoken 매핑 |
| GPT-6 계열(GPT-6 Astra·Sol·Luna, GPT-6.1 Sol) | o200k_base | 근사 | tiktoken 0.14.0에 GPT-6 매핑이 없음 |
| Gemini 3.1 Pro Preview, 3.1 Flash-Lite | Gemma 4 | 근사 | Google 공식 Python SDK(google-genai)의 로컬 토크나이저가 Gemma 4로 매핑 |
| Gemini 2.5 Pro·Flash | Gemma 4 | 근사 | 같은 SDK는 Gemma 3로 매핑. 비교 예문 6개에서 Gemma 3와 Gemma 4의 결과가 같아 Gemma 4로 셈 |
| Gemini 4 Argon, 3.8 Flash, 3.6 Flash, 3.5 Flash-Lite | Gemma 4 | 근사(매핑 미확인) | 공식 SDK 매핑에 없는 모델. 가장 최근 Gemma 토크나이저로 대신 셈 |
| DeepSeek API(V4.1-Flash-1017, V4-Pro-0813) | DeepSeek-V4.1-Flash 공개판 | 근사 | API 서빙판과 같은 토크나이저라는 공식 문장이 없음 |
| 공개 가중치 Gemma 4, Llama 4, Qwen3.8-Flash-Next, DeepSeek-V4.1-Flash | 각 저장소의 tokenizer.json | 정확 | 모델과 함께 공개된 토크나이저 파일 |
| Claude Fable·Mythos·Opus·Sonnet·Haiku 5.x, Opus 4.7·4.8 | o200k_base × 신형 보정식 | 추정 | 토크나이저 비공개. 2026-10-20 실측 보정 |
| Claude Opus 4.6·4.5, Sonnet 4.6·4.5, Haiku 4.5 | o200k_base × 구형 보정식 | 추정 | 토크나이저 비공개. 2026-10-20 실측 보정 |

Gemini는 같은 “근사”라도 근거의 두께가 다릅니다. 공식 SDK가 Gemma 토크나이저로 연결해 둔 모델은 Google이 로컬 계산용으로 지정한 셈이지만, 매핑에 없는 최신 모델은 그런 근거조차 없습니다. Google도 로컬 토크나이저가 API 계산과 완전히 같다고 보장하지는 않습니다. 정확한 수가 필요하면 Gemini API의 `countTokens`를 써야 합니다.

공개 가중치 모델의 “정확”은 그 공개판에 대한 것입니다. 같은 회사가 API로 서빙하는 상품은 공개판과 같다는 공식 근거가 없으면 근사로 표시했습니다. xAI Grok과 Mistral 모델은 현재 계산기에서 지원하지 않습니다. Grok은 토크나이저가 공개되지 않아 API로만 셀 수 있습니다.

## Claude 토큰은 실측으로 보정한 추정값입니다

Claude는 현행 토크나이저를 공개하지 않습니다. Anthropic이 예전에 공개한 토크나이저 패키지는 Claude 3부터 정확하지 않다고 스스로 밝히고 있어 기준으로 쓸 수 없습니다. 보내기 전의 토큰 수는 API 키가 필요한 Anthropic의 토큰 세기 API(`count_tokens`)로 미리 추정할 수 있습니다. 다만 Anthropic은 이 값도 추정치이며 실제 입력 토큰과 조금 다를 수 있다고 밝히고, 실제로 청구된 토큰은 응답의 `usage`에서 확인해야 합니다. 이 계산기는 입력한 글을 밖으로 보내지 않으므로 그 API를 부르지 않습니다.

대신 **2026년 10월 20일에 `count_tokens`로 고정된 글 묶음을 실제로 세고, 그 결과로 o200k_base 토큰 수에 곱할 배율을 맞췄습니다.** 글 묶음은 이 블로그 운영자가 관리하는 원고 저장소의 한국어 원고 문단, 그 원고의 코드 블록과 저장소 스크립트, 공개 영문 자료에서 발췌한 영어 문단으로 구성했습니다. 측정에만 썼고 원문은 공개하지 않습니다. 글은 한국어·영어·코드·한국어와 영문이 섞인 혼합 글 네 범주로 나눴고, 아래 배율 표는 범주마다 40개씩(200-8,000자) 센 결과입니다.

측정해 보니 Claude 토크나이저는 두 그룹으로 나뉩니다. Anthropic 문서는 Claude 4.7 이후 모델이 새 토크나이저를 쓰며 같은 글이 약 30% 더 많은 토큰이 된다고 설명합니다. 실측에서도 Fable 5.1·Opus 5.5·Sonnet 5.5·Haiku 5.5 등 신형 모델끼리는 토큰 수가 같았고(Opus 4.7만 글마다 몇 토큰 차이), Sonnet 4.6 이하 구형 모델과는 달랐습니다. Mythos 5.1·Mythos 5는 직접 세지 못했지만 Anthropic 문서가 Fable 5와 같은 토크나이저라고 밝혀 신형 그룹에 넣었습니다.

| 글 범주 | 신형(Opus 5.5 기준) | 구형(Sonnet 4.6 기준) | 신형 ÷ 구형 |
| --- | --- | --- | --- |
| 한국어 | 1.65 | 1.64 | 1.01 |
| 영어 | 1.50 | 1.10 | 1.36 |
| 코드 | 1.60 | 1.27 | 1.27 |
| 혼합 | 1.70 | 1.58 | 1.08 |

*Claude 토큰 수 ÷ o200k_base 토큰 수의 중앙값, 범주별 40개 글. 2026-10-20 실측.*

이 표에서 눈에 띄는 점은 **“약 30% 증가”가 영어와 코드에서 주로 나타나고, 한국어 글에서는 신형과 구형의 차이가 거의 없었다**는 것입니다. 대신 한국어는 두 그룹 모두 o200k_base보다 약 1.65배 많았습니다. 한국어 글을 Claude로 보낼 때 GPT용 토큰 수를 그대로 쓰면 크게 과소평가하게 되는 이유입니다. 이 결과는 위 글 묶음에 대한 것이고, 글의 성격이 다르면 배율도 달라질 수 있습니다.

글마다 한글·라틴 문자·숫자·기호의 비율이 다르므로, 계산기는 범주 하나의 배율을 고르지 않고 글의 문자 구성으로 배율을 계산하는 회귀식을 씁니다. 회귀식에는 신형 203개(위 160개에 더 짧은 글 묶음을 더하고 겹치는 글을 뺀 수), 구형 160개를 썼고, 각각 152개·120개로 식을 맞춘 뒤 나머지 51개·40개로 검증했습니다. 학습에 쓰지 않은 이 검증 글에서 오차는 중앙값 기준 신형 3.1%, 구형 4.4%였고, 90%의 글이 신형 6.8%, 구형 8.0% 오차 안에 들었습니다. 범주별로는 영어 글의 오차가 가장 컸습니다(신형 검증 글 90% 백분위 10.3%). 결과 표의 작은 숫자는 학습 글 오차의 10-90% 구간으로 만든 범위이며, 검증 글 중 이 범위 안에 실제 값이 든 비율은 신형 82%, 구형 70%였습니다. 즉 **범위는 “반드시 이 안”이 아니라 “대체로 이 근처”로 읽어야 합니다.** 표나 다른 언어, 아주 짧은 글처럼 측정에 쓴 글과 성격이 다르면 범위를 벗어날 수 있습니다.

## 실제 API 청구 토큰이 계산기와 다른 이유

계산기는 붙여 넣은 글 자체만 셉니다. 실제 API 요청에는 그 글을 감싸는 것들이 함께 들어가므로, 청구 토큰은 보통 이보다 많습니다.

| 더해지는 것 | 무엇인가 | 계산기와의 관계 |
| --- | --- | --- |
| 메시지 형식 토큰 | 역할 구분과 대화 템플릿을 표시하는 토큰 | 세지 않음. 2026-10-20 실측에서 사용자 메시지 하나만 보내도 Claude Opus 5.5는 8토큰, Sonnet 4.6은 7토큰, Opus 4.7은 11토큰이 붙었습니다 |
| 시스템 프롬프트 | 모델에 주는 고정 지시 | 그 글도 입력창에 넣으면 셀 수 있음 |
| 도구 정의 | function calling에 쓰는 도구 이름·설명·스키마 | JSON을 넣으면 대략 셀 수 있지만, 공급자가 내부에 추가하는 지시는 빠짐 |
| 이미지·PDF | 첨부 파일 | 세지 않음. 공급자마다 크기·쪽수 기준의 별도 계산 방식이 있음 |
| 추론 토큰(thinking tokens) | 모델이 답하기 전에 생성하는 추론 과정 | 세지 않음. 화면에 보이는 답이 짧아도 많이 나올 수 있음 |
| 대화 이력 | 이전 질문과 답 | 매 요청마다 다시 입력으로 들어감 |

추론 토큰은 입력이 아니라 출력 쪽 비용입니다. Claude와 Gemini는 추론 토큰을 출력 토큰으로 청구하므로, “예상 출력 토큰 수”에는 최종 답 길이만이 아니라 추론에 쓸 토큰까지 감안해 넣는 편이 현실에 가깝습니다. 추론 수준에 따라 이 양이 얼마나 달라지는지는 [LLM 추론 수준을 정하는 방법](https://doyouknow.kr/llm-reasoning-effort-cost-latency/)
에서 Gemini 3.8 Flash를 사례로 다뤘습니다.

요청을 보내기 전에 미리 가늠하려면 각 공급자의 토큰 세기 API를 쓰고, 실제로 청구된 토큰은 응답의 `usage` 값으로 확인합니다. 앞에서 말했듯 Anthropic의 `count_tokens`도 실제 입력 토큰과 조금 다를 수 있는 추정치입니다.

## 비용은 이렇게 계산하고, 다음 계산기로 넘길 수 있습니다

비용은 공급자의 표준 단가(USD, 100만 토큰당 가격)로 계산합니다. 입력 비용은 토큰 수에 입력 단가를 곱하고, 입력+출력 비용은 여기에 예상 출력 토큰 수와 출력 단가를 곱한 값을 더합니다. 입력이 길어지면 단가가 바뀌는 모델은 입력 토큰 수로 장문 단가 적용 여부를 판단하고, 결과에 “장문 단가”라고 표시합니다. Claude는 토큰 수가 범위이므로 비용도 범위로 나옵니다. 캐시 할인, 배치 할인, 도구 사용료는 넣지 않았습니다.

```
flowchart LR
    A[글 입력] --> B[모델별 토큰 수]
    B --> C[표준 단가로 입력·출력 비용]
    B --> D[Prompt Caching 손익 계산기<br/>반복 prefix 길이로]
    B --> E[LLM VRAM 계산기<br/>컨텍스트 길이로]
```

결과 표 아래의 두 링크는 계산이 끝난 모델들의 대표 토큰 수 중 가장 큰 값을 다른 계산기로 넘깁니다. 넘기는 것은 숫자 하나뿐이고 입력한 글은 넘기지 않습니다. 이 숫자는 출발점일 뿐 특정 모델에 맞춘 값이 아니고, Claude 행이라면 범위의 상한이 아니라 가운데 값입니다. 캐싱 계산에서는 실제로 쓸 공급자 기준의 prefix 토큰 수로, VRAM 계산에서는 띄울 공개 모델의 토크나이저로 다시 센 수에 예상 출력과 대화 이력까지 더한 컨텍스트 길이로 바꿔 넣는 편이 맞습니다.

- 같은 시스템 프롬프트나 문서를 반복해서 보낸다면 [Prompt Caching 손익 계산기](https://doyouknow.kr/prompt-caching-cost-calculator/) 에서 그 길이를 캐시했을 때 몇 번째 요청부터 이득인지 계산할 수 있습니다. 캐시 쓰기 할증과 TTL, 캐시가 깨지는 조건은 [Prompt Caching은 언제 이득일까](https://doyouknow.kr/llm-api-prompt-caching-cost/) 에서 자세히 설명했습니다.
- 공개 모델을 직접 띄울 계획이라면 [LLM VRAM 계산기](https://doyouknow.kr/llm-vram-calculator/) 에서 그 길이의 컨텍스트가 KV cache(키·값 캐시)에 메모리를 얼마나 쓰는지 볼 수 있습니다.

요청 한 번의 토큰 수와 실제로 일을 끝내는 데 드는 비용은 다릅니다. 에이전트처럼 여러 번 호출하는 작업이라면 재시도와 추가 턴까지 합친 기준이 필요한데, 그 방법은 [AI 코딩 에이전트의 완료된 작업 비용](https://doyouknow.kr/coding-agent-completed-task-cost/)
에서 정리했습니다.

## 입력한 글은 어디에도 보내지 않습니다

입력한 글은 브라우저 안의 별도 작업 스레드(Web Worker)에서 셉니다. 서버나 AI 공급자, 외부 CDN으로 보내지 않고, 저장하지도 않습니다. 토크나이저 파일과 계산 코드는 모두 이 사이트에서 받습니다.

| 오가는 것 | 방향 | 내용 |
| --- | --- | --- |
| 계산 코드와 o200k_base | 이 사이트 → 브라우저 | 페이지를 열 때 |
| 다른 토크나이저 파일 | 이 사이트 → 브라우저 | 그 모델을 처음 고를 때 한 번 |
| 입력한 글 | 브라우저 안에서만 처리 | 어디에도 전송하지 않음 |
| 다른 계산기 링크 | 브라우저 → 다른 계산기 페이지 | 토큰 수 숫자 하나. 주소의 # 뒤에 붙어 서버 요청에 포함되지 않음 |

민감한 글을 넣어도 밖으로 나가지 않는 구조이지만, 회사 정책상 외부 웹페이지에 내부 문서를 붙여 넣는 것 자체가 금지된 경우도 있으니 그 기준을 따르시기 바랍니다.

## 출처와 확인일

모든 버전·매핑·단가·보정 데이터는 2026년 10월 20일에 확인했습니다. 토크나이저와 모델 목록은 자주 바뀌므로, 공급자가 토크나이저 변경을 알리면 다시 확인합니다.

- OpenAI tiktoken 모델 매핑: [tiktoken/model.py](https://github.com/openai/tiktoken/blob/main/tiktoken/model.py) (tiktoken 0.14.0)
- 브라우저용 o200k_base·cl100k_base 구현: [gpt-tokenizer 4.1.0](https://www.npmjs.com/package/gpt-tokenizer/v/4.1.0)
- 공개 모델 토크나이저 실행: [@huggingface/tokenizers 0.2.0](https://www.npmjs.com/package/@huggingface/tokenizers)
- Anthropic: [Token counting](https://platform.claude.com/docs/en/build-with-claude/token-counting) , [Pricing](https://platform.claude.com/docs/en/about-claude/pricing)
- Google: [Gemini API 토큰 문서](https://ai.google.dev/gemini-api/docs/tokens) , [google-genai 로컬 토크나이저 매핑](https://github.com/googleapis/python-genai/blob/main/google/genai/_local_tokenizer_loader.py)
- 공개 토크나이저 파일: [Gemma 4](https://huggingface.co/onnx-community/gemma-4-E2B-it-ONNX) , [Llama 4](https://huggingface.co/Xenova/llama4-tokenizer) , [Qwen3.8-Flash-Next](https://huggingface.co/Qwen/Qwen3.8-Flash-Next) , [DeepSeek-V4.1-Flash](https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash)
- Claude 보정: 2026-10-20 `count_tokens` 실측(배율 표는 범주별 40개 글, 회귀식은 신형 203개·구형 160개 글. 신형 기준 Claude Opus 5.5, 구형 기준 Claude Sonnet 4.6)

사용한 토크나이저 각각의 라이선스와 고지는 계산기 아래 “사용한 토크나이저와 라이선스”에서 볼 수 있습니다.