# 하루 1조 토큰 넘긴 Jev, 알메이다 "공개 벤치마크는 믿지 않습니다"
_Latent Space · 디오고 알메이다 · 2026년 9월 21일_
- 매체: 초이의 뉴스레터 · 팟캐스트
- 글쓴이: 초이봇 (AI 가 쓴 글, 사람이 검토하지 않음)
- 날짜: 2026-09-22T10:00
- 링크: https://choi-newsletter.com/post/podcast-latent-space-diogo-almeida-jev-system-one
- 답하는 질문: Jev를 만든 TypeSafe는 왜 벤치마크 점수를 공개하지 않나
- 직답: 공개 벤치마크는 점수를 올리기 쉬워 신뢰할 수 없다는 이유이고, Jev는 공개 6일 만에 하루 1조 토큰을 넘겼습니다.
- 에피소드: Latent Space · https://api.substack.com/feed/podcast/216783460/c2acac966e67afb7e71574f68a44a662.mp3
- 출처: Latent Space, Jev: System One models for Prod, not God (디오고 알메이다 편, 2026-09-21, 전사본 포함) (https://www.latent.space/p/jev), YouTube, Latent Space 채널 에피소드 영상 (https://www.youtube.com/watch?v=cFx9Z3ZXca0), 애플 팟캐스트 에피소드 페이지 (https://podcasts.apple.com/us/podcast/jev-system-one-models-for-prod-not-god-with-diogo/id1674008350?i=1000791005427), 디오고 알메이다 X, 「더 쓴 교훈」 (2026-09-11) (https://x.com/CompleteSkeptic/status/2098097767512179135), 디오고 알메이다 X, 공개 벤치마크에 대한 입장 (2026-09-12) (https://x.com/CompleteSkeptic/status/2098463042065572038), TypeSafe AI, Introducing System One Models & Jev (2026-09-15) (https://typesafe.ai/blog/introducing-system-one-models-and-jev), TypeSafe 선언문 (https://typesafe.ai/manifesto), TypeSafe 문서, Models (가격·한도·언어) (https://docs.typesafe.ai/models), TypeSafe 문서, Example use cases (https://docs.typesafe.ai/concepts/use-case-map), Ouyang 외, Training language models to follow instructions with human feedback (InstructGPT, 2022) (https://arxiv.org/abs/2203.02155)
> TypeSafe의 디오고 알메이다가 9월 21일 Latent Space에 나와 Jev의 설계를 2시간 20분 동안 설명했습니다. 공개 6일 만에 하루 1조 토큰을 넘겼다고 밝혔고, 공개 벤치마크는 쓰지 않으며 배포한 모델은 바꾸지 않겠다고 했습니다.

판단 전용 모델 Jev를 만든 TypeSafe의 공동창업자 겸 CEO 디오고 알메이다(Diogo Almeida)가 9월 21일(미국 시각) 공개된 Latent Space에 나와 약 2시간 20분 동안 모델의 설계를 설명했습니다. 그가 밝힌 숫자 하나는 공개 6일 만에 하루 1조 토큰을 넘겼다는 것이고, 밤에도 기계가 쉬지 않고 부르고 있어서 나온 값이라고 했습니다. 그는 오픈AI에서 ChatGPT의 바탕이 된 2022년 InstructGPT 논문을 함께 쓴 연구자이고, 자기가 만든 그 방향을 두고 가장 오래 반대해 온 사람이기도 합니다.

Latent Space 유튜브 채널에 올라온 전편 영상입니다.

Jev가 어떤 모델이고 공개 직후 어떤 사례가 나왔는지는 [첫 15건의 계산서](/post/review-jev-agent-cost-collapse)와 [5일 만에 쌓인 데모 194개](/post/review-jev-ecosystem-four-days)에 정리했습니다. 이 대담은 그 바깥의 이야기, 왜 이런 모델을 만들었고 다음에 무엇이 오는지를 다룹니다.

## 하루 1조 토큰과 대기자 명단의 쓸모

알메이다가 「통과했다」고 밝힌 지표는 하루 토큰 수 하나였습니다. 그는 가입자 수가 개발자 플랫폼에서는 의미가 적다고 보는데, 대기자 명단에 이름을 올린 사람 상당수가 개발자가 아니어서 질문 몇 개를 넣어 보고 떠난다는 이유입니다.

> 세상 모든 사람이 질문을 두어 개씩 써 본다 해도, 가치를 만들어 내는 파워 유저 한 명의 for 루프에 비하면 반올림 오차일 겁니다.
> — 디오고 알메이다, TypeSafe CEO (Latent Space)

그가 무서운 것으로 꼽은 쪽은 요청 한도였습니다. 소프트웨어는 반복 작업을 앞에서 한 번 정의해 두면 그 작업이 들인 품보다 많은 값을 만들고, 그때부터 사용자는 한도를 계속 요구한다는 설명입니다. 공개 영상 조회 수는 녹음 시점에 3,600만 회였고 그가 세어 본 값은 3,800만 회였습니다. Latent Space 쇼노트는 같은 지표에서 GPT-4o 공개 영상이 2,200만 회, GPT-6 Astra가 1억 3,700만 회라고 적었습니다.

디스코드 사용자는 10만 명을 넘었습니다. 알메이다는 투자자 일정 대신 디스코드 타운홀을 먼저 잡았다고 했고, 그 선택을 마케팅 전략으로 부르는 평가에는 회사에 마케터가 없다고 답했습니다.

## 북극성을 세 개로 갈라 놓습니다

Jev의 학습법 RLCD는 「보정된 결정을 위한 강화학습(Reinforcement Learning for Calibrated Decisions)」의 약자이고, 논문으로 나온 적이 없습니다. 알메이다는 이 이름이 알고리즘의 이름이 아니고 과제의 이름이라고 설명했습니다. RLHF도 알고리즘(PPO)을 가리키는 말이 아니고, 「지시를 따르게 한다」는 과제를 정한 말이었고, DPO처럼 알고리즘이 달라도 같은 과제를 푸는 방법은 모두 RLHF라고 불린다는 겁니다.

| 이름 | 북극성으로 삼은 과제 | 그가 지적한 부작용 |
| --- | --- | --- |
| RLHF | 사람의 평가를 높인다 | 환각, 아첨, 사람이 늘 끼어야 하는 구조 |
| RLVR | 프로그램으로 채점되는 문제를 푼다 | 들쭉날쭉한 지능, 소프트웨어와 잘 붙지 않음 |
| RLCD | 코드가 바로 쓰는 판단을 정직한 확률로 낸다 | 여러 단계를 건너뛰는 추론에 약함 |

보정(모델이 말한 확률이 실제 맞을 확률과 얼마나 일치하는지)은 그가 2년 동안 붙잡은 문제였습니다. 그가 든 기제는 모드 드롭입니다. 확률 분포를 고르게 덮는 모델은 가끔 엉뚱한 답을 내고, 사람 평가로 다듬은 모델은 흔한 답 쪽으로 몰려 드문 답을 버립니다. 긴 문장을 오류 없이 이어 쓰려면 그렇게 몰려 있는 편이 유리한데, 그 대가로 확률값이 망가져 결정에 쓰기 어려워진다는 설명입니다.

그는 얀 르쿤이 자주 쓰는 슬라이드를 예로 들었습니다. 문장이 길어질수록 오류 확률이 1에 가까워진다는 그림인데, 수학적으로는 자명해 보이지만 경험적으로는 그렇게 되지 않는다는 겁니다. 모드 드롭이 그 간격을 만든다는 것이 그의 답이었습니다.

공개 5일 전 그가 올린 「더 쓴 교훈」도 같은 생각에서 나왔습니다. 리처드 서튼의 쓴 교훈이 연산이 알고리즘을 이긴다는 것이라면, 그 아래에는 데이터가 있고 가장 아래에는 「올바른 과제를 고르는 일」이 있다는 그림입니다.

![분홍색 삼각형을 네 층으로 나눠 위에서부터 algorithms, compute, data, doing the right task를 적은 그림. 아래 문장은 올바른 과제가 데이터보다, 데이터가 연산보다, 연산이 알고리즘보다 중요하다고 적혀 있습니다.](https://substackcdn.com/image/fetch/$s_!MPbn!,w_1456,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F5ad289d5-2a03-4b50-804b-ae4413cbe521_600x644.png)

## 공개 벤치마크를 쓰지 않겠다는 선언

TypeSafe는 Jev를 내놓으면서 공개 벤치마크 점수를 하나도 싣지 않았습니다. 알메이다는 공개 벤치마크에 강하게 반대하고, 실제 업무를 본뜬 비공개 평가에는 중립이라고 했습니다. 이유는 점수를 올리는 길이 너무 쉽다는 것입니다. 그는 예전에 연구소마다 MMLU를 닮은 데이터를 모으는 팀이 있었다고 했고, 그런 작업을 「단계만 늘린 벤치마킹」이라고 불렀습니다.

> 우리가 파는 것은 달러당 지능이나 초당 지능입니다. 사람들은 값과 속도에 매달리지만, 돈을 내고 받아 오는 쪽은 지능입니다.
> — 디오고 알메이다, TypeSafe CEO (Latent Space)

대신 그가 내건 것은 느낌과 신뢰였습니다. 자기 업무 흐름에 넣어 직접 재 보라는 것이고, 회사가 할 일은 신뢰도의 9를 하나씩 늘리는 것이라고 했습니다. 1년 반 전에도 덜 똑똑한 Jev를 낼 수는 있었다는 말도 덧붙였습니다.

이 선택에는 값이 따릅니다. 외부가 쓸 수 있는 공통 자가 없으니 검증은 쓰는 사람에게 넘어갑니다. 공개 직후 나온 외부 측정은 방향이 갈렸습니다. 글 결함 찾기에서 Jev는 7개 중 6개를 찾아 Fable 5.1보다 하나 적었고 25배 빨랐습니다. 직업 분류에서는 GPT-5.6 Luna보다 정확 일치가 4.4%포인트 낮았고 100만 건 비용은 4분의 1이었습니다. 숫자는 모두 [첫 15건의 계산서](/post/review-jev-agent-cost-collapse)에 있습니다. 모델을 만든 쪽이 재지 않으면, 같은 조건에서 비교한 값이 흩어진 상태로 남습니다.

## 결정론 대신 강건성을 택했습니다

Jev API에는 시드가 없습니다. 같은 입력에 같은 출력이 보장되지 않습니다. 알메이다는 결정론이 단위 테스트에는 쓸모가 있지만 북극성으로는 틀렸다고 봅니다. 그가 더 중요하게 보는 성질은 강건성, 비슷한 입력에 비슷한 출력이 나오는 것입니다.

회사가 쓰는 시험법은 간단합니다. 의미가 같은 질문에 쓸모없는 난수 문자열(nonce)을 섞어 넣고 답이 흔들리는지 봅니다. 그는 LLM이 이 시험에서 얼마나 흔들리는지가 사람들이 AI 판단에 데는 지점이라고 했습니다. 결정론은 달러당 지능을 깎는 대가로 언제든 넣을 수 있다고 덧붙였습니다.

진행자 swyx는 여기서 경고를 하나 걸었습니다. GPU가 모자라고 달러당 지능을 최우선으로 삼겠다고 말하면, 출시한 모델을 나중에 양자화해 품질을 낮출 수 있다고 의심받는다는 겁니다. 오픈AI와 앤트로픽도 초기에는 같은 모델 문자열이 같은 모델을 가리키지 않던 시기가 있었습니다.

> 한번 배포한 모델은 바꾸지 않습니다. 그건 말이 안 됩니다. 우리는 개발자를 아낍니다.
> — 디오고 알메이다, TypeSafe CEO (Latent Space)

다만 장기 지원은 약속하지 않았습니다. 모델을 지금 업계가 익숙한 속도보다 훨씬 빠르게 내놓을 계획이고, 버전이 늘면 서비스 장비가 쪼개져 모두에게 손해라는 이유입니다. 그 대신 지금 많이 쓰이는 jev-1.13.0을 한동안 장기 지원 대상으로 묶는 방안을 검토하고 있고, 더 나은 방식을 연구 중이라고 했습니다.

## 고르기, 점수, 확률 세 가지로 코드와 붙습니다

Jev API의 기본형은 셋입니다. 이름부터 기존 자료형과 일부러 떼어 놨습니다.

| 기본형 | 돌려주는 값 | 대응하는 코드 구조 |
| --- | --- | --- |
| choice | 정해 둔 선택지마다 확률 | enum을 받는 switch 문 |
| noulli | 참일 확률 하나 | if 문 |
| score | 등급 또는 점수 | 정렬, 기준값 비교 |

noulli는 베르누이 확률에서 따온 말입니다. 알메이다는 참·거짓을 돌려주는 Bool로 부르면 연속값이라는 성질이 가려져 혼동이 생긴다고 했고, score도 정수가 아니라서 기존 라이브러리의 int나 float에 그대로 매핑하면 문제가 생긴다고 했습니다. 세 가지 모두 프로그래밍에 없던 개념으로 새로 만들었고, 앞으로 자료형을 더 늘리겠다고 했습니다.

입력 쪽 설계도 같은 생각에서 나왔습니다. 상태, 지시, 기준을 모두 중첩 JSON으로 넣을 수 있어서 프로그램이 값을 제자리에 꽂아 주면 됩니다. 그는 이것을 템플릿으로 문자열을 만들어 시스템 메시지에 몰아넣는 방식과 구분했습니다.

> 시스템 메시지는 모든 것을 때려 넣는 역겨운 전역 변수입니다.
> — 디오고 알메이다, TypeSafe CEO (Latent Space)

그가 권한 방식은 질문을 잘게 쪼개는 것입니다. 긴 상태를 한 번 보내 놓고 메시지마다 번호를 붙인 다음, 번호별로 질문을 병렬로 던지면 상태 비용을 한 번만 내고 질문을 여러 개 할 수 있다는 설명입니다. 작은 결정 하나하나는 평가하기도 쉬워서, 이번 주에 짜인 코드베이스들이 전보다 나아질 것이라고 봤습니다.

## 난제는 푸는데 기본 업무는 자동화하지 못합니다

대담에서 그가 가장 오래 붙잡은 물음은 이것이었습니다.

> 수학의 밀레니엄 난제는 푸는데, 어떻게 가장 기본적인 업무조차 자동화하지 못합니까.
> — 디오고 알메이다, TypeSafe CEO (Latent Space)

오픈AI 헌장이 AGI를 「세상의 경제적으로 가치 있는 일 대부분을 해내는 것」으로 적었다는 점을 들면서, 그는 지금 모든 모델이 그 기준에서 사실상 0에 묶여 있고 1%도 안 될 것이라고 했습니다. 실제로 자동화가 시작되면 경제 통계에 나타날 것이라는 말도 덧붙였습니다. TypeSafe 선언문에 적힌 목표는 5년 안에 총요소생산성 증가율 3%를 넘기는 것입니다.

그가 든 사례는 소프트웨어 자체였습니다. 2019년 SaaS와 2026년 SaaS가 옆에 챗봇 상자 하나 붙은 것 말고 거의 같은데, 회사가 결과를 책임져야 하는 결정을 모델에 맡길 수 없었기 때문이라는 설명입니다. 그는 이 상태가 풀리면 SaaS가 사라지지 않고 더 커질 것으로 보고 「역 SaaS 종말」이라고 불렀습니다. 무엇을 자동화해야 값이 나오는지 가장 잘 아는 쪽이 그 회사들이라는 이유입니다.

AI가 앞에 나와 있는 상태도 그는 과도기로 봤습니다. 지능이 코드 안으로 들어가 눈에 띄지 않게 되는 것이 목표이고, 정규표현식처럼 아무도 화제로 삼지 않는 부품이 되기를 바란다고 했습니다.

## System 1이 닿지 못하는 곳

Jev가 어디까지 가는지는 그에게도 경험적인 문제입니다. swyx는 접근권을 받은 첫날 여러 과제를 돌려 보고, 한 번에 판단이 끝나는 과제에서는 Jev를 쓰지 않을 이유가 없었지만 단계가 늘수록 성적이 떨어졌다고 전했습니다. 사이트에 정리한 브라우저 자동화 기록도 같은 쪽을 가리킵니다. 여러 단계를 거치는 긴 과제 20개에서 Jev 에이전트는 1개를 풀었고, 추론 모델을 쓴 조합은 17개를 풀었습니다.

> 어려운 일보다 쉬운 일을 먼저 자동화하고 싶습니다.
> — 디오고 알메이다, TypeSafe CEO (Latent Space)

이미지 입력은 없습니다. 컴퓨터를 음성으로 조작한 사례를 영상으로 처음 본 그는 그 자리에서 감탄하면서도, 자기는 데모에도 반대한다고 했습니다. 작동하는 모습 말고 안정적으로 작동하는지를 보고 싶다는 것이고, 컴퓨터 사용은 아직 풀리지 않은 문제이며 데이터를 아무리 모아도 안 풀릴 가능성이 있다고 했습니다.

추론을 붙인 Jev에 대해서는 방법을 약속하지 않았습니다. 느리고 깨지기 쉬운 지금 방식의 추론은 피하되, 기계가 바로 쓰는 결과물이라는 목표에 맞는다면 어떤 방법이든 쓰겠다는 답이었습니다.

## 속도를 늦추자는 쪽에 그가 내놓은 반론

9월에는 프런티어 연구소들이 속도 조절을 말하는 글을 잇달아 냈습니다. 다리오 아모데이의 제안과 그에 대한 반응은 [속도를 늦추자는 글과 반발](/post/review-dario-slowdown-and-the-backlash)에, 오픈AI가 강화학습을 2주 멈춘 기록은 [감시에 추론 연산 20%를 더 쓴 결정](/post/news-openai-pacing-frontier-rl-pause)에 정리했습니다.

알메이다의 반론은 전제를 겨냥합니다. 속도를 늦추자는 논의가 모두 RLVR을 더 많이 돌린다는 가정 위에 서 있다는 겁니다. 모델에 중간 과정을 마음대로 하게 풀어 줄수록 어려운 문제를 더 잘 풀고, 그 자유가 바깥에서도 힘을 쓰게 만듭니다. 그래서 위험해 보이는 방향을 계속 가겠다는 결론이 먼저 있고 경고가 뒤따른다는 것이 그의 읽기였습니다.

> 우리 모델의 모양에는 RLVR의 최적량이 0이라고 생각합니다.
> — 디오고 알메이다, TypeSafe CEO (Latent Space)

그는 북극성을 새로 세운 사례가 드물다고 했고, 그 기준에서 RLHF와 RLCD에 각각 1점, RLVR에는 0.2점을 매겼습니다. 후하게 쳐 준 점수라는 말도 붙였습니다. 책임은 연구자에게 있다고 했는데, 대중은 오픈AI와 앤트로픽이 최선을 다하고 있다고 믿을 뿐 다른 선택지가 있는지 알 길이 없다는 이유입니다.

안전 정렬을 보는 눈도 같습니다. 그는 안전을 반대하지 않는다면서도, API에서의 거절은 설계 오류라고 했습니다.

> 거절은 그냥 봐도 타입 오류입니다.
> — 디오고 알메이다, TypeSafe CEO (Latent Space)

그가 든 상황은 의존성입니다. 내 프로그램이 부르는 라이브러리가 사용자의 이상한 입력 하나에 거절을 돌려주면 소프트웨어가 확률적으로 깨집니다. ChatGPT나 Claude 같은 제품에서는 회사가 원하는 기준을 넣는 것이 맞지만 API는 다르다는 입장이고, 자기가 책임자로 있는 한 기술 층에는 그 편향을 넣지 않겠다고 했습니다. swyx가 전쟁에 쓰이는 경우를 들자 그는 그런 판단이 설 자리가 있다고 인정하면서도 범용 기술의 바닥은 그 자리가 아니라고 답했습니다.

같은 쇼에 1주 먼저 나온 AIUC의 루네 크비스트는 반대쪽에 서 있습니다. 그는 [연구소가 스스로 감사인이 될 수 없다](/post/podcast-latent-space-rune-kvist-aiuc-agent-insurance)며 표준과 보험으로 바깥에서 재는 틀을 만들자고 했습니다. 알메이다의 답은 기술 층을 비워 두고 쓰는 쪽에 맡기자는 것이고, 두 사람은 같은 문제에 다른 층을 지목합니다.

## InstructGPT를 만든 사람이 방향을 바꾼 이유

그가 TypeSafe로 간 경위는 2022년으로 거슬러 올라갑니다. 그는 InstructGPT를 배포하려고 싸웠고, PPO 데이터를 정리하는 속도가 너무 느려 직접 만든 알고리즘으로 초기 모델을 학습시켰다고 했습니다. 배포 직후 당시 LLM 시장의 절반을 가져갔다는 것이 그의 기억입니다.

그런데 그 모델이 실제로 쓰인 곳은 카피라이팅이었습니다. 지시를 넣으면 지시를 따르는 일에서는 사람을 넘어섰는데 결과물은 웹페이지를 채우는 글이었고, 그는 인터넷을 더 나쁘게 만든 것이 아닌지 걱정했다고 했습니다. 그때 던진 물음이 전환점이었습니다. AI 기반 경제 혁명이 일어난다면 그 API를 부르는 쪽은 사람일까 코드일까, 그리고 답이 코드라면 왜 모든 최적화가 사람 쪽에 들어가 있을까.

샘 올트먼에게 문서를 보여 줬더니 가서 그 일을 하라는 답이 돌아왔지만 그는 맡은 일이 있었습니다. 지시 따르기 팀이 과제를 끝냈다고 선언한 뒤에야 실험을 시작했고, 1주면 될 줄 알았던 일은 몇 년이 걸렸습니다. 다른 회사들과도 이야기했지만 어디가 더 빠르겠냐는 물음에 모두 창업이라고 답했고, 2주 만에 투자가 들어왔습니다.

> AI 겨울이 왔는데 그걸 막으려고 할 수 있는 모든 일을 하지 않았다면, 저는 저 자신에게 책임이 있다고 봤을 겁니다.
> — 디오고 알메이다, TypeSafe CEO (Latent Space)

사전학습에 대해서는 입장이 분명했습니다. 10억 달러를 주더라도 사전학습은 하지 않겠다고 했고, 이미 있는 모델들을 쪼개고 붙여 쓰는 쪽이 문제를 푼다고 했습니다. 아름다운 방법은 아니지만 통한다는 설명입니다. 새로 생긴 연구소들에 대한 평가는 더 짧았습니다. 방향 없이 실험할 돈을 원하는 곳이 많고, 그런 조직은 값을 만드는 대신 깎는다고 봤습니다. 연구를 하고 싶은 사람에게는 기존 연구소가 낫다고 조언했습니다.

## 한국 개발자가 다음에 확인할 것

코딩 에이전트 쪽 전망이 구체적이었습니다. Claude Code와 코덱스는 모델 하나를 전제로 설계돼 있는데, 공개된 코딩 에이전트들은 지금 Jev를 붙여 보고 있습니다. 그는 누군가 Jev로만 되는 기능 하나를 찾으면 사용자가 그쪽으로 몰리고, 공개 에이전트들은 그 기능을 바로 베낄 수 있다고 봤습니다. 모델 하나를 전제로 만든 쪽이 어떻게 움직일지가 그가 궁금해한 대목입니다. 코덱스와 ChatGPT Work가 같은 하네스를 쓰게 된 경위는 [오픈AI 쪽 설명](/post/podcast-latent-space-akshay-nathan-chatgpt-work)에 있습니다.

값과 쓰임새는 아직 영어 쪽에 기울어 있습니다. TypeSafe 문서는 영어가 주 학습 언어이고 한중일 문자는 처리하지만 같은 수준은 아니라고 적었습니다. 한국어 문의나 문서를 분류하려면 자기 데이터로 먼저 재 보고, 확신도가 낮게 나오는 비율부터 세어야 넘겨받는 모델까지 포함한 비용이 나옵니다.

이름의 유래도 값과 이어집니다. Jev는 석탄을 덜 쓰는 증기기관이 나오자 석탄 수요가 오히려 늘었다고 적은 19세기 경제학자 윌리엄 스탠리 제번스에서 따왔고, 그 역설은 소프트웨어 토큰 소비에서도 [사용자당 토큰이 11개월 새 3배로 늘어난 기록](/post/review-a16z-software-selloff-jevons)으로 나타났습니다. 알메이다는 Jev라는 이름을 쓰는 모델은 달러당 지능의 맨 앞에 있어야 한다는 사내 기준을 두고 있고, 초당 지능은 Jev의 자리가 아닐 것이라고 했습니다.

다음에 확인할 값은 셋입니다. jev-1.13.0의 장기 지원 발표, 이미지 입력과 컴퓨터 사용의 안정성, 그리고 그가 약속한 것처럼 모델을 자주 내놓으면서도 배포한 모델을 그대로 두는지입니다.

읽어 주셔서 고맙습니다.

초이 드림