hiapi의 gpt-image-2-pro: 가격, 품질 등급, 그리고 새로운 이미지 모델 호출 방법

이번 달 hiapi의 /api/pricing 엔드포인트가 갱신되면서 두 개의 새 항목이 이미지 모델 목록 최상단으로 올라왔습니다: gpt-image-2-pro와 gpt-image-2-image-to-image-pro. 둘 다 보라색 "Pro" 배지를 달고 있으며, 둘 다 모델 선택기 최상단에 고정되어 있고, 가격은 표준 gpt-image-2 호출의 10배를 넘습니다. 그렇다면 당연한 질문은 이것입니다: 대체 무엇에 돈을 내는 걸까요?

이 글에서는 Pro 변형이 정확히 무엇인지, 실시간 가격 매트릭스가 어떻게 생겼는지, 그리고 hiapi의 통합 작업 API를 통해 이들을 호출하는 방법을 하나씩 설명합니다. 기존 파이프라인에서 프레임마다 $0.35를 더 낼지 망설이고 있다면, 아래에 계산해야 할 내역이 있습니다.

---

가격 페이지에서 "Pro"가 의미하는 것

두 새 항목은 공식 가격 데이터에서 스스로를 "고품질 안정 등급"으로 설명합니다. 안정성을 최우선으로 하는 등급으로, 평균적으로 잘 나오는 것만이 아니라 성공률과 지연 시간을 예측할 수 있어야 하는 프로덕션 운영을 위해 구축되었습니다.

이 표현의 중요성은 표면 이상입니다. 호출당 $0.03인 표준 gpt-image-2는 탐색, 대량 확산, 그리고 "100장 중 몇 장이 실패해도 재생성이 저렴하니 괜찮은" 모든 상황에 아주 적합합니다. Pro는 단일 실패 이미지의 비용이 컴퓨팅 비용 10달러보다 비쌀 때 선택하는 변형입니다. 한 번에 깔끔하게 나와야 하는 예약 마케팅 렌더링, 다음 시도가 릴리스 윈도우를 놓치게 되는 유료 광고 소재, 출시를 막고 있는 키 비주얼 같은 경우입니다.

이미지-투-이미지 Pro 변형에는 한 가지 능력이 더 있습니다: 프롬프트 외에 1~5장의 참조 이미지를 받아들이고, 이를 편집·합성·스타일 변경합니다. 같은 안정성 약속, 같은 Pro 등급, 다만 입력 형태만 다릅니다.

---

실시간 가격 매트릭스

작성 시점에 실시간 가격 페이지와 대조해 확인했습니다. 해당 페이지가 유일한 사실 출처이며, 아래 숫자는 그대로 가져온 것입니다:

모델	1K (1024급)	2K	비고
gpt-image-2 (표준, 텍스트-투-이미지)	$0.03	$0.04	탐색 등급, 4K도 제공
gpt-image-2-pro (텍스트-투-이미지)	$0.35	$0.70	안정성 등급, 고정 1위
gpt-image-2-image-to-image-pro	$0.40	$0.80	1~5장 참조 이미지, 편집/합성

몇 가지 실용적인 해석:

• Pro는 1K에서 표준의 약 12~14배, 2K에서 약 17~21배입니다. 이는 실질적인 예산 차이입니다. 특정 이미지에 왜 Pro가 필요한지 설명할 수 없다면, 아마 표준판이면 충분합니다.
• 2K는 Pro에서 깔끔한 2배 승수입니다. 일부 이미지 벤더가 고해상도 할증에 체감형 전략을 쓰는 것과 달리, Pro 변형은 정확히 두 배라 예측하기 쉽습니다.
• 이미지-투-이미지는 두 등급 모두에서 텍스트-투-이미지보다 약 14% 비쌉니다 (1K에서 $0.40 대 $0.35, 2K에서 $0.80 대 $0.70). 추가 참조 이미지 처리에 대한 비용입니다.

비교하자면 표준 gpt-image-2는 다른 형태를 취합니다: 1K = $0.03, 2K = $0.04(1.33배 승수), 4K = $0.06(2배 승수). 표준 변형은 4K 등급을 제공하고, Pro 변형은 현재 최대 2K지만 픽셀당 충실도가 현저히 높습니다. 원본 해상도가 필요하다면 표준 4K가 큰 캔버스를 얻는 가장 저렴한 경로이고, 일관된 프로덕션 품질이 필요하다면 Pro 2K가 선택입니다.

---

Pro가 값을 하는 때

Pro 등급은 안정성에 대한 베팅이지, 마법 같은 화질 버튼이 아닙니다. 비용을 회수할 수 있는 시나리오는 모두 같은 형태를 가집니다: 재생성 비용이 비싸고, 렌더링 실패의 비용은 비대칭적입니다.

다음의 경우 Pro에 돈을 낼 가치가 있습니다:

• 이미지가 고객 대면 인터페이스에 전달되고, 다음 배치 전에 검수됩니다(유료 광고, 마케팅 이메일, 미디어 키트, 스토어 키 비주얼).
• 작은 렌더링 세트에서 캐릭터나 제품 일관성을 유지해야 하며, 한 프레임의 흔들림도 감당할 수 없습니다.
• 책임져야 할 안정성 SLA가 있습니다. 알려진 시간 창 안에 사용 가능한 이미지를 산출해야 하는 예약 작업입니다.
• 다운스트림 파이프라인이 비쌉니다: 인간 검수, 브랜드 승인, 수동 리터칭. 입력 단계에서 이미지당 조금 더 쓰는 편이 나쁜 렌더링을 체인 아래로 보내는 것보다 경제적입니다.

다음의 경우 표준판을 계속 쓰세요:

• 대규모 확산(50, 500, 5000장 이미지)을 돌리고 출력을 점수로 걸러냅니다.
• 프롬프트를 탐색하는 중이지, 납품하는 중이 아닙니다. 초안에 Pro를 쓰는 것은 돈 낭비입니다.
• 이미지가 비핵심 인터페이스(블로그 본문 채우기, 내부 슬라이드, 개발 테스트 소재)에 있고, 재생성이 클릭 한 번이면 됩니다.

이미지-투-이미지 Pro 변형의 적용 범위는 더 좁습니다. 브랜드가 신경 쓰는 참조 소재(제품 사진, 디자이너가 승인한 캐릭터 설정 이미지, 캠페인 무드보드)가 있고 참조 소재의 하이라이트를 망치지 않는 편집이 필요할 때 거의 항상 올바른 선택입니다. $4,000짜리 제품 촬영의 조명을 12개 변형에서 일관되게 유지하는 데 $0.40을 쓰는 것은 계산이 명백합니다.

---

hiapi에서 모델 호출하기

두 Pro 변형 모두 hiapi의 통합 작업 API를 사용합니다: POST /v1/tasks가 작업을 생성하고 작업 ID를 반환하며, GET /v1/tasks/:id가 상태를 보고하고 성공 시 output[]에 다운로드 가능한 이미지 URL을 반환합니다. 프롬프트는 input에 전달합니다(이미지-투-이미지의 경우 1~5장의 참조 이미지 URL도 함께 전달).

텍스트-투-이미지 Pro

import time, requests

API = "https://api.hiapi.ai/v1/tasks"
HEADERS = {"Authorization": f"Bearer {HIAPI_TOKEN}"}

resp = requests.post(API, headers=HEADERS, json={
    "model": "gpt-image-2-pro",
    "input": {
        "prompt": "A pristine editorial magazine cover composition: a single "
                  "matte glass sphere resting on a polished dark slate plinth, "
                  "refracted interior architecture, studio key light, fine-grain "
                  "film texture, premium dark fashion-magazine aesthetic.",
        "aspect_ratio": "1:1",
        "resolution": "1K",
    },
}).json()
task_id = resp["data"]["taskId"]

while True:
    task = requests.get(f"{API}/{task_id}", headers=HEADERS).json()["data"]
    if task["status"] in ("success", "fail"):
        break
    time.sleep(5)

open("hero.png", "wb").write(
    requests.get(task["output"][0]["url"]).content)

2K로 출력하려면 "resolution": "2K"로 설정하세요(소재에 필요한 종횡비도 선택). 청구 엔진이 깔끔하게 곱합니다. 호출 한 번에 $0.70.

이미지-투-이미지 Pro

이미지-투-이미지 변형은 input_urls 배열에 1~5장의 참조 이미지 URL을 받습니다. 참조 이미지는 호스팅 URL입니다. 이미지가 디스크에 있다면 접근 가능한 위치(오브젝트 스토리지, CDN)에 업로드하고 링크를 전달하세요.

import time, requests

API = "https://api.hiapi.ai/v1/tasks"
HEADERS = {"Authorization": f"Bearer {HIAPI_TOKEN}"}

resp = requests.post(API, headers=HEADERS, json={
    "model": "gpt-image-2-image-to-image-pro",
    "input": {
        "prompt": "Restyle the product photo into a vintage Polaroid look: "
                  "warm tones, soft vignetting, retain product silhouette and "
                  "logo placement exactly. Magazine-grade output.",
        "input_urls": ["https://your-cdn.example.com/reference-product.png"],
        "aspect_ratio": "1:1",
        "resolution": "1K",
    },
}).json()
task_id = resp["data"]["taskId"]

while True:
    task = requests.get(f"{API}/{task_id}", headers=HEADERS).json()["data"]
    if task["status"] in ("success", "fail"):
        break
    time.sleep(5)

open("restyled.png", "wb").write(
    requests.get(task["output"][0]["url"]).content)

프로덕션 트래픽에서 알아 둘 두 가지:

• Pro 렌더링 한 번은 엔드투엔드로 60~120초 걸립니다. 비동기 흐름이므로 대기하는 동안 연결을 점유하지 않습니다. 몇 초마다 폴링하거나, 생성 호출 시 callback.url을 설정해 hiapi가 종료 상태일 때 서버로 알리게 하세요.
• 서버리스 워커 프론트엔드에서 호출한다면 taskId를 영속화하고 폴러나 콜백으로 결과를 받으세요. Pro 생성 중에 호출을 계속 열어 두지 마세요.

---

실용적인 라우팅 패턴

이미 $0.03으로 gpt-image-2를 운영 중인 팀이 Pro를 도입하는 가장 깔끔한 방법은 표준 등급을 기본으로 유지하고 태그가 지정된 일부 작업에만 Pro로 라우팅하는 것입니다. 최소 패턴:

def pick_model(job):
    if job.get("tier") == "hero" or job.get("brand_critical"):
        return "gpt-image-2-pro"
    if job.get("reference_image"):
        return "gpt-image-2-image-to-image-pro" \
            if job.get("brand_critical") else "gpt-image-2/image-to-image"
    return "gpt-image-2/text-to-image"

제출 시 작업에 태그를 붙이면(필드 하나, 불리언 하나), 청구서는 예측 가능하게 유지됩니다. Pro 변형은 그러면 기본 옵션이 아니라 정밀 도구로 기능합니다. 바로 그것이 설계된 형태입니다.

---

간단 정리

gpt-image-2-pro와 gpt-image-2-image-to-image-pro는 "더 나은 gpt-image-2"가 아닙니다. 같은 모델 패밀리 안의 안정성 등급 항목으로, "한 번의 나쁜 렌더링 비용이 열 번의 좋은 렌더링보다 비싼" 소수 작업을 위해 만들어졌습니다. $0.03의 표준판은 탐색과 배치 처리에서 여전히 승자입니다. $0.35(참조 이미지가 있으면 $0.40)의 Pro는 이미지 자체가 초안이 아니라 납품물일 때 선택하는 것입니다.

가격 페이지에서 실시간 숫자를 확인하고, 진짜 안정성이 필요한 작업에 태그를 달고, 그에 맞게 라우팅하세요. 두 모델 모두 POST /v1/tasks에서 응답합니다. 기존 gpt-image-2 워커가 이미 사용 중인 것과 동일한 작업 형태입니다.