모델 선택과 AI 설정

자동 플레이에는 LLM이 필요합니다. 수동 플레이만 한다면 이 페이지는 건너뛰어도 됩니다.

설정 위치

Settings에는 탭이 네 개입니다: LLM, Automatic play, Advanced, Actions. 각 항목의 기본값과 역할은 패널 기능 상세를 보세요.

먼저 백엔드를 고르세요

OpenRouter만 있는 게 아니라 네 가지입니다:

백엔드	API 키 필요?	어울리는 경우
Codex CLI	불필요 — 로컬에 로그인된 CLI를 그대로 사용	이미 Codex를 쓰고 있다면
Claude CLI	불필요 — 위와 동일	이미 Claude Code를 쓰고 있다면
OpenRouter	필요	가성비를 원한다면. 아래 실측 참고
OpenAI 호환	엔드포인트에 따라	로컬 모델(기본값이 Ollama) 또는 자체 호스팅

이미 Claude나 Codex CLI가 있다면 CLI 백엔드를 고르세요 — API 키를 따로 발급받을 필요가 없습니다.

완전히 로컬로 돌리려면 OpenAI 호환을 고르고 Base URL에 Ollama 주소를 넣으세요. API 비용이 없고 데이터가 PC를 떠나지 않습니다. 대신 로컬 모델은 대체로 느려서 게임의 턴 주기를 못 따라갈 수 있으니 Advanced의 Request timeout을 늘려두세요.

OpenRouter는 어떤 모델을 쓸까

클라이언트에 포함된 scripts/bench-models.js는 실제 출하되는 프롬프트로 후보 모델을 테스트하고 두 가지를 채점합니다: 가방에 실제로 뭐가 있는지 기억하는가, 그리고 사거리를 벗어난 목표를 포기하는가. 아래는 실측 결과입니다 (비용은 8시간 연속 플레이 추정):

모델	응답 중앙값	가방 정확도	거리 판단	8시간 비용
`qwen/qwen3.7-flash`(기본값)	0.7s	3/3	3/3	$0.60
`openai/gpt-oss-20b`	0.5s	3/3	3/3	$0.86
`anthropic/claude-haiku-4.5`	1.5s	3/3	3/3	$14.34
`mistralai/mistral-nemo`	0.3s	0/3	0/3	$0.23
`inclusionai/ling-2.6-flash`	0.7s	0/3	1/3	$0.14

기본값은 qwen/qwen3.7-flash입니다. 두 규칙을 모두 지키면서 응답은 1초 훨씬 아래고, 비용은 프런티어 모델의 몇십 분의 일입니다 — 게임이 요구하는 8초 턴 주기를 감당할 수 있는 이유가 바로 이것입니다.

마지막 두 모델을 보세요: 싸지만 완전히 낙제입니다. 가방 내용을 잘못 기억하고 닿지도 않는 목표를 쫓습니다. 실제 체감은 캐릭터가 제자리에서 의미 없는 짓을 하는 것입니다.

직접 벤치마크 돌리기

다른 모델을 재보고 싶다면:

OPENROUTER_API_KEY=sk-or-... node scripts/bench-models.js

실시간 가격표로 비용을 계산하므로 위 표의 숫자는 공급자 가격 변동에 따라 달라집니다.