TAU-HOME.COM
LOADING

HyperFrames Studio, Claude Code 대비 토큰 비용 30% 줄인 영상 코딩 에이전트 하네스 공개

HyperFrames 개발팀이 DeepSeek 기반의 영상 전용 코딩 에이전트 하네스를 출시했습니다. 자체 블라인드 테스트 기준 Claude Code와 동일한 품질을 내면서 토큰 비용 30%와 모델 턴 수 35%를 줄였습니다.

tau · 2026년 11월 14일

#HyperFrames #Claude Code #AI Agent #DeepSeek #Video Editing

HyperFrames Studio, Claude Code 대비 토큰 비용 30% 줄인 영상 코딩 에이전트 하네스 공개

하이퍼프레임(HyperFrames) 개발팀이 2026년 11월 14일, 영상 제작과 편집 작업에 맞춘 전용 코딩 에이전트 하네스(Harness)를 자사 제작 환경인 하이퍼프레임 스튜디오(HyperFrames Studio)에 정식 공개했습니다.

하이퍼프레임 스튜디오 영상 편집 타임라인과 결합된 전용 코딩 에이전트 하네스 작업 화면

이미지 출처: https://x.com/HyperFrames_/status/2121298342701662395

이번에 공개된 하네스는 딥시크 하네스(DeepSeek Harness) 아키텍처를 기반으로 구축되었습니다. 하이퍼프레임 개발팀이 진행한 블라인드 비교 평가에 따르면, 앤트로픽의 범용 CLI 코딩 도구인 클로드 코드(Claude Code)와 견주었을 때 동일한 결과물 품질을 유지하면서도 모델 호출에 쓰이는 토큰 비용을 30% 아끼고, 작업 완료까지 오간 모델 턴 수를 35% 단축했습니다.

영상 편집 환경과 전용 에이전트 하네스의 필요성

소프트웨어 개발 분야에서 코딩 에이전트가 빠르게 자리 잡았지만, 영상 제작 파이프라인에 이를 그대로 가져오는 작업에는 뚜렷한 한계가 있었습니다. 영상 편집은 타임라인 위 수백 개 클립, 이펙트 속성값, 렌더링 파라미터, 복잡한 메타데이터가 얽혀 있는 구조입니다. 범용 코딩 에이전트가 이런 작업을 처리하려 들면 매 단계마다 불필요한 전체 타임라인 상태를 프롬프트에 다시 밀어넣게 됩니다.

이 과정에서 컨텍스트(Context, 모델이 한 번에 기억하고 계산해야 하는 작업 기록과 입력 정보)가 급격하게 부풀어 오릅니다. 컨텍스트가 커질수록 모델이 단일 호출에서 소모하는 토큰 양이 폭증하고, 지시를 정확히 따르지 못하거나 엉뚱한 클립 속성을 건드리는 오류가 늘어납니다.

하이퍼프레임 팀의 로리 리(Rory Li), 웬보 주(Wenbo Zhu), 제임스 루소(James Russo) 개발자는 이 비효율을 해결하려면 언어 모델 자체를 새로 학습시키는 대신, 에이전트가 작업 환경과 상호작용하는 틀인 '하네스'를 영상 도메인에 맞게 완전히 뜯어고쳐야 한다고 판단했습니다. 하네스는 모델이 도구를 호출하고, 이전 결과를 확인하며, 다음 행동을 결정하는 일련의 루프를 관장하는 제어 환경을 뜻합니다.

DeepSeek 하네스 기반의 컨텍스트 정리와 진화형 워크플로

하이퍼프레임 스튜디오에 탑재된 새 하네스의 기술적 핵심은 컨텍스트 자체 정리 메커니즘과 스스로 발전하는 워크플로 관리입니다.

하이퍼프레임 개발팀은 오픈소스 기반 딥시크 하네스를 바탕 삼아 영상 전용 작업 제어 레이어를 올렸습니다. 기존 범용 도구는 매 명령마다 주고받은 대화 내역과 코드 스니펫을 전부 누적해 모델에 전달하는 경향이 강했습니다. 반면 새 하네스는 영상 컷 편집이나 타임라인 수정이 일어날 때마다 결과에 직접 영향을 주는 핵심 상태값만 간추리고, 이미 완료된 중간 탐색 데이터는 모델 컨텍스트에서 능동적으로 비워냅니다.

  • 컨텍스트 자동 압축: 편집 명령이 반복될 때 누적되는 도구 출력 로그를 요약하고 핵심 타임라인 상태 트리만 유지해 불필요한 토큰 소비를 사전에 차단합니다.
  • 작업 맥락 유지와 진화: 편집 의도를 파악한 뒤 세부 단계로 쪼갤 때, 직전 단계에서 검증된 파라미터 규칙을 후속 턴에 동적으로 반영해 불필요한 모델 재질의를 줄입니다.

이러한 도메인 특화 구조 덕분에 모델은 타임라인 전체를 매번 다시 훑지 않고도 자르기, 효과 적용, 트랙 재배치 같은 세부 작업을 군더더기 없이 실행합니다.

블라인드 테스트 성과와 검증된 지표의 한계

하이퍼프레임 팀은 하네스의 실효성을 증명하기 위해 동일한 영상 편집 작업 세트를 대상으로 클로드 코드와 맞대결하는 블라인드 테스트를 진행했습니다. 평가자가 작업 도구의 정체를 모르는 상태에서 결과물 품질을 매겼을 때 두 도구의 최종 편집 완성도는 대등했습니다.

반면 자원 소모량에서는 뚜렷한 차이가 나타났습니다.

  • 토큰 비용 30% 절감: 입출력 토큰 크기가 지속적으로 정리되면서 전체 연산 비용이 3할 가까이 줄었습니다.
  • 모델 턴 수 35% 감소: 모델과 시스템이 지시와 결과를 주고받는 왕복 횟수(모델 턴)가 35% 줄어들어 작업 속도와 응답 지연이 함께 개선되었습니다.

다만 이번 수치를 받아들일 때 주의해야 할 지점이 있습니다. 발표된 성능 지표는 제3자 공인 벤치마크 기관이 아니라 하이퍼프레임 내부 개발팀이 설계한 자체 블라인드 테스트 결과입니다. 또한 영상 편집 환경이라는 특화된 도메인 안에서 측정된 수치이므로, SWE-bench 같은 범용 소프트웨어 엔지니어링이나 일반 웹 애플리케이션 코딩 작업에 이 하네스를 일대일로 비교 적용하기는 어렵습니다.

도메인 특화 하네스가 시사하는 에이전트 인프라의 방향

하이퍼프레임의 이번 시도는 범용 초거대 모델의 규모 경쟁과는 다른 갈래를 보여줍니다. 기초 모델의 파라미터를 키우지 않더라도, 특정 작업 영역의 입출력 특성을 정확히 반영한 하네스 설계만으로 토큰 비용과 작업 회차를 유의미하게 덜어낼 수 있음을 입증한 사례로 볼 수 있습니다.

영상 제작처럼 타임라인과 시각 메타데이터가 방대한 분야일수록 모델 자체의 추론 성능 못지않게 컨텍스트를 얼마나 낭비 없이 관리하느냐가 실제 서비스 비용과 사용자 경험을 가르는 핵심 변수가 됩니다. 하이퍼프레임 스튜디오 이용자는 이제 외부 CLI 도구를 거치지 않고 작업 공간 안에서 직접 이 최적화된 에이전트 하네스를 호출해 타임라인 작업을 자동화할 수 있습니다.

출처

Impact-Site-Verification: 9b3ebd10-6c45-44cf-a014-5b8c19b7b285