컨텍스트 윈도우 뜻과 크기 — 3사 공식 수치, 대화가 길어지면 정확도가 떨어지는 이유

작성자

카테고리:

읽는 시간 약 17분

챗GPT나 클로드와 긴 대화를 하다 보면 비슷한 일을 겪는다. 처음에 알려준 조건을 중간부터 빼먹고, “아까 말한 그 파일”을 못 찾고, 어느 순간 대화를 더 이어갈 수 없다는 안내가 뜬다. 모델에는 대화를 담아 두는 저장 장치가 없고, 한 번에 펼쳐 놓고 볼 수 있는 작업 공간만 있다. 그 공간의 크기가 컨텍스트 윈도우(context window)다.

이 글은 2026년 11월 4일 기준으로 세 회사 공식 문서에서 확인한 창 크기, 그 창을 실제로 채우는 것, 창이 커졌는데도 긴 대화의 정확도가 떨어지는 이유를 정리한 것이다. 토큰 자체가 무엇인지는 AI 토큰 뜻과 계산법 편에서 다뤘다.

컨텍스트 윈도우 뜻: 모델이 답을 쓰는 동안 보고 있는 글 전체

앤트로픽(Anthropic) 공식 문서는 컨텍스트 윈도우를 모델이 학습한 방대한 데이터와 구분해서 “작업 기억(working memory)”이라고 부른다[1]. 학습 데이터가 예전에 배워 둔 지식이라면, 창은 지금 눈앞에 펼쳐 둔 서류다.

모델은 질문을 받을 때마다 대화 전체를 처음부터 다시 읽는다. 10번째 질문을 할 때 모델이 보는 것은 1번부터 9번까지의 문답을 모두 포함한 글 전체다. 앤트로픽 문서의 설명도 같다. 턴이 진행되면 각 사용자 메시지와 답변이 창에 누적되고, 이전 턴은 그대로 보존된다[1].

그래서 “AI가 앞을 잊는다”는 말에는 서로 다른 두 상황이 섞여 있다. 대화가 창보다 길어져 앞부분이 실제로 빠진 경우가 있고, 앞부분이 창에 그대로 있는데도 모델이 그걸 제대로 쓰지 못한 경우가 있다. 두 번째가 더 흔하며 대처법도 다르다.

컨텍스트 윈도우 크기: 세 회사 공식 수치

모델 창 크기 한 번에 받는 입력 한 번에 쓰는 출력
클로드 오푸스 5.5·소네트 5.5·하이쿠 5.5·페이블 5.1 100만 토큰 창에서 출력분을 뺀 만큼 12만 8천 토큰
GPT-6 Astra 105만 토큰 92만 2천 토큰 12만 8천 토큰
제미나이 4 Argon 104만 8,576 토큰(입력·출력 통합) 창에서 출력 설정값을 뺀 만큼 기본 6만 5,536 토큰, 긴 출력 기능으로 상한을 창 전체까지 올릴 수 있음

클로드는 현재 주력 모델 네 종이 모두 100만 토큰이고, 별도 베타 설정 없이 그게 기본값이다[2]. GPT-6 Astra는 창이 105만 토큰인데 입력으로 쓸 수 있는 몫은 92만 2천 토큰으로 따로 적혀 있다[3]. 제미나이 4 Argon 문서는 104만 8,576 토큰이 입력과 출력을 합한 통합 한도라고 명시하고, 기본 출력은 6만 5,536 토큰이되 긴 출력(long decode) 기능을 쓰면 출력 상한을 창 전체까지 올릴 수 있다고 안내한다[4]. 출력 상한을 올린 만큼 입력에 쓸 수 있는 몫은 줄어든다.

창 크기는 입력 한도와 다르다. 답변도 같은 창을 쓰기 때문에 창의 일부는 항상 모델이 쓸 답변 자리로 남는다. 앤트로픽 고객지원 문서는 “창의 일부는 항상 클로드의 답변용으로 예약되므로, 가능한 가장 긴 대화는 창 전체보다 조금 짧다”고 적어 두었다[5]. GPT-6 Astra가 105만 토큰 창에 입력 92만 2천 토큰을 따로 명시한 것도 같은 이유다.

100만 토큰이 어느 정도 분량인지는, 앤트로픽이 20만 토큰을 “영문 500쪽 이상”으로 안내한다는 점에서 짐작할 수 있다[6]. 한국어는 같은 내용을 담는 데 영어보다 토큰이 더 들기 때문에(AI 시그널이 10월 4일 측정한 값은 약 1.3배였다) 쪽수로 환산한 분량은 영문 기준보다 줄어든다[7].

같은 모델이라도 쓰는 제품에 따라 창이 다르다

앤트로픽은 유료 플랜에서 같은 모델이 제품별로 갖는 창 크기를 따로 공개한다. 아래는 공식 표에서 제품에 따라 숫자가 갈리는 모델을 중심으로 옮긴 것이다[6].

모델 클로드와 대화 클로드 코드 클로드 코워크
오푸스 5.5 100만 100만 100만
소네트 5.5 100만 100만 100만
소네트 4.6 50만 100만 20만
오푸스 4.6 50만 100만 20만
하이쿠 5.5 100만 100만 50만
페이블 5 50만 100만 100만

소네트 4.6은 같은 모델인데도 클로드와 대화할 때는 50만, 클로드 코드에서는 100만, 코워크에서는 20만 토큰이다. 표의 페이블 5는 앞 세대 모델이고, 페이블 5.1은 세 제품 모두 100만 토큰이다. 100만을 쓰려면 플랜에 따라 추가 설정이 필요한 경우도 있다. 소네트 4.6의 100만 창은 /model 명령으로 claude-sonnet-4-6[1m] 을 골라야 하고, 사용량 크레딧을 켜 두어야 쓸 수 있다고 적혀 있다[6]. 앤트로픽 공식 표에 이름이 없는 모델은 20만 토큰이 기본이다.

앤트로픽은 사용량 한도(usage limit)와 길이 한도(length limit)도 다른 것으로 구분해 설명한다. 사용량 한도는 다섯 시간 단위와 주 단위로 걸리는 총량이고, 길이 한도는 대화 하나가 얼마나 길어질 수 있는지를 정한다. 대화가 길어서 막힌 경우에는 한도가 초기화되기를 기다려도 풀리지 않으며, 새 대화를 시작해야 한다[5].

챗GPT의 요금제별 창 크기는 이 글에 넣지 않았다. 오픈AI(OpenAI) 쪽은 openai.com과 고객지원 사이트가 자동 접속을 막아 1차 출처로 확인하지 못했고, 3차 자료마다 숫자가 달랐다. 위 표의 GPT-6 Astra 수치는 접속이 되는 개발자 문서에서 확인한 API 기준값이다.

창을 채우는 것은 내 질문만이 아니다

요청에 담기는 모든 것이 창을 차지한다. 시스템 프롬프트(대화 시작 전에 서비스가 미리 넣어 두는 지시문), 메시지 전체(도구 실행 결과와 이미지, 첨부 문서 포함), 도구 정의(각 도구를 언제 어떻게 쓰는지 적어 둔 설명서), 그리고 모델이 만들어 내는 출력과 확장 사고(extended thinking, 모델이 답하기 전에 따로 생각하는 과정)까지 모두 포함된다[1].

이 중 도구와 커넥터는 체감과 특히 어긋난다. 앤트로픽 고객지원 문서는 도구와 커넥터가 “토큰을 많이 쓴다”며 안 쓰는 것은 꺼 두라고 권한다[5]. 쓰지 않아도 설명서가 창에 먼저 들어가기 때문이다. 프롬프트 캐싱도 마찬가지다. 캐시에 올려 둔 부분도 창은 그대로 차지한다. 공식 문서 표현대로 캐싱은 그 토큰에 매기는 값을 바꿀 뿐, 창을 차지하는지 여부는 그대로다[1].

이미지와 문서에는 별도 상한도 있다. 100만 토큰 모델은 한 요청에 이미지나 PDF 쪽수를 600개까지 받고, 20만 토큰 모델은 100개까지다. 큰 문서를 여러 개 넣으면 토큰 한도보다 이 제한에 먼저 걸릴 수 있다[1].

턴마다 대화 전체가 다시 청구된다

대화가 누적된다는 성질은 요금으로 바로 드러난다. 질문 300토큰, 답변 700토큰, 시스템 프롬프트 2,000토큰인 대화를 30턴 이어가는 경우를 공식 단가로 계산해 봤다[8].

30턴 끝 시점 대화 전체 분량: 32,000 토큰
30턴 동안 청구된 입력 토큰 합계: 504,000 토큰
대화 분량 대비 청구 입력 배수: 15.8 배

 1턴째 요청 입력:  2,300 토큰
10턴째 요청 입력: 11,300 토큰
30턴째 요청 입력: 31,300 토큰

클로드 오푸스 5.5: $2.44 (약 3,277원)
GPT-6 Astra:      $6.09 (약 8,178원)
턴이 진행될수록 한 요청에 실리는 입력 토큰이 늘어나는 것을 보여주는 막대그래프
턴이 진행될수록 한 요청에 실리는 입력 토큰이 늘어나는 것을 보여주는 막대그래프

대화에 쌓인 글은 3만 2천 토큰인데 청구된 입력은 50만 4천 토큰이다. 모델이 같은 내용을 평균 열여섯 번 다시 읽은 셈이다. 30번째 질문은 첫 질문보다 열세 배 넘는 입력을 싣고 들어가므로, 뒤로 갈수록 질문 한 번의 값이 비싸진다.

긴 문서를 붙여 놓고 계속 물을 때는 차이가 훨씬 커진다. 5만 토큰 보고서를 한 번 붙이고 20턴을 묻는 경우다[8].

첨부 문서: 50,000 토큰 (1회 붙임)
청구된 입력 토큰 합계: 1,236,000 토큰
문서 때문에 다시 실린 몫: 1,000,000 토큰
문서 없이 같은 20턴:      236,000 토큰

클로드 오푸스 5.5: $5.22 (약 7,010원) / 캐시 적중 단가로는 $0.53 (약 712원)
GPT-6 Astra:      $13.06 (약 17,538원) / 캐시 적중 단가로는 $1.94 (약 2,605원)

문서는 한 번 붙였지만 스무 번 청구된다. 같은 내용이 반복해서 들어가는 구조라, 캐시가 맞으면 값이 7분의 1에서 10분의 1 수준으로 떨어진다. 오푸스 5.5의 캐시 적중 단가는 100만 토큰당 0.2달러로, 입력 단가 4달러의 20분의 1이다[9]. 환율은 11월 3일 종가 1,342.9원을 썼다[10].

평범한 문답만으로는 100만 토큰 창이 잘 차지 않는다. 질문 300·답변 700토큰 기준으로, 답변 자리 12만 8천 토큰을 남겨 두면 약 870턴에서 한계에 닿는다[8]. 창을 실제로 채우는 것은 첨부 문서와 도구 실행 결과, 사고 토큰이다.

단가가 뛰는 경계는 컨텍스트 윈도우 안쪽에 있다

GPT-6 Astra는 입력이 27만 2천 토큰을 넘으면 그 요청 전체에 입력·캐시 단가 2배, 출력 단가 1.5배가 적용된다[3]. 클로드 하이쿠 5.5는 입력 10만 토큰을 넘으면 입력 단가가 100만 토큰당 0.1달러에서 0.5달러로, 출력은 0.5달러에서 2.5달러로 올라간다[9]. 같은 계산기로 경계 앞뒤 금액을 뽑으면 이만큼 벌어진다[8].

GPT-6 Astra 입력 270,000 토큰: $2.70 (약 3,626원)
GPT-6 Astra 입력 273,000 토큰: $5.46 (약 7,332원) ← 2배 단가
클로드 하이쿠 5.5 입력  99,000 토큰: $0.0099 (약 13원)
클로드 하이쿠 5.5 입력 101,000 토큰: $0.0505 (약 68원) ← 5배 단가
100만 토큰 창 안에 10만 토큰과 27만 2천 토큰 단가 경계가 표시된 가로 막대
100만 토큰 창 안에 10만 토큰과 27만 2천 토큰 단가 경계가 표시된 가로 막대

Astra는 3천 토큰 차이로 값이 두 배가 되고, 하이쿠 5.5는 2천 토큰 차이로 다섯 배가 된다. 창이 100만이라는 사실만 보고 긴 문서를 통째로 넣는 습관을 들이면, 비용은 요금제보다 이 경계에서 갈린다.

창이 커져도 정확도는 균일하지 않다

창이 남아 있는데도 모델이 앞부분을 제대로 쓰지 못하는 현상에는 이름이 붙어 있다. 앤트로픽 공식 문서는 이것을 컨텍스트 로트(context rot)라고 적는다. 토큰 수가 늘어나면 정확도와 회상 능력이 떨어진다는 뜻이고, 문서는 이어서 “더 많은 맥락이 자동으로 더 좋은 것은 아니다”라고 덧붙인다[1].

앤트로픽 엔지니어링 블로그는 그 원인을 구조에서 찾는다. 트랜스포머(transformer, 요즘 언어 모델이 공통으로 쓰는 신경망 구조)에서는 모든 토큰이 다른 모든 토큰을 참조할 수 있어서, 토큰이 n개면 따져야 할 짝이 n²개가 된다. 맥락이 길어질수록 이 짝들을 모두 붙잡기가 버거워진다. 모델이 학습한 글은 대체로 짧은 글이 더 많아서, 긴 글 전체에 걸친 의존 관계를 다룬 경험 자체가 적다는 설명도 함께 나온다. 블로그는 모델에 쓸 수 있는 “주의 예산(attention budget)”이 있고 새 토큰이 들어올 때마다 그 예산이 줄어든다고 정리한다. 다만 어느 선에서 뚝 떨어지는 절벽이 아니라 서서히 낮아지는 기울기이며, 모델은 긴 맥락에서도 여전히 유능하지만 정보를 정확히 끌어내는 일과 멀리 떨어진 내용을 함께 추론하는 일에서 정밀도가 떨어진다고 적었다[11].

이걸 모델 여러 개로 측정한 공개 자료가 크로마(Chroma, 검색용 벡터 데이터베이스를 만드는 회사)의 2025년 7월 기술 보고서다. 과제 난이도를 고정한 채 입력 길이만 늘리는 방식으로 18개 모델을 평가했고, 모델이 맥락을 균일하게 쓰지 않으며 입력이 길어질수록 성능이 불안정해진다는 결과를 냈다[12]. 당시 평가 대상은 GPT-4.1, 클로드 4, 제미나이 2.5 세대였으므로 지금 모델에 같은 수치가 그대로 적용된다고 보긴 어렵다.

2026년 모델을 대상으로 한 후속 연구도 있다. 시아 외 연구진은 주력 모델 네 개와 벤치마크 세 개로 긴 탐색 과제를 시험해, 모델이 창을 다 쓰기도 전에 포기하거나 확신 없는 틀린 답을 내놓는 실패 양상을 보고했다. 연구진은 이를 결론 없는 탐색 실패(inconclusive search failures)라고 부르고, 쉬운 질문과 중간 난이도 질문에서도 흔하게 나타난다고 적었다[13]. 모델이 풀 수 있는 문제인데도 중간에 멈춘다는 보고다.

실무에서 이 차이는 과제 종류로 갈린다. 한 군데 적힌 사실을 찾아오는 일은 긴 맥락에서도 잘 되는 편이다. 반면 흩어진 항목을 전부 훑어 세거나 비교하는 일은 길이가 늘수록 틀리기 쉽다. 긴 문서를 붙이고 “해당되는 것 전부 찾아줘”라고 물었을 때 목록에서 몇 개가 빠지는 일이 이 대목에서 생긴다.

컨텍스트 윈도우가 가득 차면 자동 압축이 돌거나 오류가 난다

클로드와 대화하는 화면에서는 코드 실행이 켜져 있는 유료 플랜에서 자동 맥락 관리가 작동한다. 대화가 창 한계에 가까워지면 클로드가 앞부분 메시지를 요약해 자리를 만들고, 대화는 대부분 끊기지 않고 이어진다. 전체 대화 기록은 보존되어 요약 뒤에도 참조할 수 있고, 긴 대화에서 클로드가 “생각을 정리하고 있다”고 표시되는 것이 이 동작이다. 대신 자동 맥락 관리가 작동한 긴 대화는 사용량 한도를 더 많이 쓴다[6]. 코드 실행이 꺼져 있으면 이 기능은 동작하지 않는다.

API로 직접 쓸 때는 입력만으로 이미 창을 넘으면 요청이 400 오류(잘못된 요청이라는 뜻의 응답 코드)로 거부된다. 클로드 4.5 세대 이후 모델은 입력과 최대 출력 설정을 합해 창을 넘더라도 요청은 받아들이고, 생성 중에 한계에 닿으면 model_context_window_exceeded 라는 신호를 남기며 멈춘다[1]. 오픈AI는 서버 쪽 압축(compaction)을 공식 기능으로 제공한다. 설정한 임계값을 넘으면 서버가 앞부분을 압축한 항목으로 바꿔 다음 턴으로 넘기는 방식이다. 이 압축 항목은 사람이 해석할 수 있는 형태로 만들지 않았다고 문서에 적혀 있다[14].

앤트로픽 엔지니어링 블로그는 압축의 어려움이 무엇을 남기고 무엇을 버리는지 고르는 데 있다면서, 너무 과하게 압축하면 당시에는 사소해 보였지만 나중에 중요해지는 맥락을 잃는다고 적었다[11]. 긴 대화가 요약으로 넘어간 뒤 처음에 걸어 둔 세부 조건이 사라지는 일이 그런 경우다.

그래서 뭘 하면 될까

  • 주제가 바뀌면 새 대화를 시작한다. 이어서 묻는 편이 편해 보이지만, 앞의 대화 전체가 매 턴 다시 실리기 때문에 값과 정확도 양쪽에서 불리하다.
  • 오래 참고할 문서는 대화에 첨부하지 말고 프로젝트에 올린다. 앤트로픽은 프로젝트가 검색 증강 생성(RAG, 질문과 관련된 대목만 찾아서 모델에 넘기는 방식)을 써서 관련된 부분만 창에 불러온다고 안내한다[5]. 같은 문서를 여러 대화에서 볼 때 특히 유리하다.
  • 안 쓰는 커넥터와 도구를 끈다. 쓰지 않아도 설명서가 창을 차지한다[5].
  • 프로젝트 지침은 짧게 유지하고, 과제별 지시는 대화에서 준다. 공식 권고도 같다[5].
  • 꼭 필요하지 않으면 확장 사고를 끄고 노력 수준을 낮춘다. 사고 토큰도 창과 요금을 함께 쓴다[5].
  • 중요한 결론과 조건은 대화 밖에 따로 적어 둔다. 자동 요약이 작동하면 세부가 사라질 수 있다.
  • 긴 자료에서 “전부 찾아 세어 달라”는 요청은 구간을 나눠 여러 번 묻고, 합계는 직접 맞춰 본다. 길이가 길어질 때 먼저 틀리는 쪽이 이 과제다.
  • API를 쓴다면 27만 2천 토큰(GPT-6 Astra)과 10만 토큰(클로드 하이쿠 5.5) 경계를 넘는지 확인한다. 경계 하나로 단가가 두 배, 다섯 배가 된다[3][9].

이 글에서 확인하지 못한 것

정확도가 떨어지는 현상을 직접 모델에 물어 재현하지는 못했다. 이 글의 정확도 관련 서술은 모두 벤더 공식 문서와 크로마 보고서, 시아 외 논문에 적힌 내용을 옮긴 것이고, AI 시그널이 측정한 값이 아니다. 챗GPT 요금제별 창 크기는 1차 출처 접속이 막혀 넣지 않았다. 요금 계산은 공시 단가에 가정한 대화 길이를 넣은 산술이므로, 실제 청구액은 캐시 적중률과 사고 토큰 사용량에 따라 달라진다.

창 크기와 단가는 자주 바뀐다. 표의 수치는 2026년 11월 4일 공식 문서 기준이며, 쓸 때는 각주의 링크에서 다시 확인하는 편이 안전하다.

이어서 읽을 만한 글로는 AI 토큰 뜻과 계산법과 추론 모델이란이 있다. 대화 밖에 기억을 두는 방식은 AI 에이전트 메모리에서, 한도를 아껴 쓰는 요령은 클로드 코드 한도 활용법에서 다뤘다.


주(註)

  1. 앤트로픽 클로드 플랫폼 문서, Context windows (2026-11-04 확인). 작업 기억 설명, 턴 누적 구조, 창에 포함되는 요소, 컨텍스트 로트, 이미지·PDF 600쪽 상한, 캐시된 프리픽스의 창 점유, 창 초과 시 400 오류와 `model_context_window_exceeded`. 링크 ↩
  2. 앤트로픽 클로드 플랫폼 문서, Models overview (2026-11-04 확인). 페이블 5.1·오푸스 5.5·소네트 5.5·하이쿠 5.5 창 100만 토큰, 최대 출력 12만 8천 토큰. 링크 ↩
  3. 오픈AI 개발자 문서, GPT-6 Astra (2026-11-04 확인). 창 1,050,000 토큰, 최대 입력 922,000 토큰, 최대 출력 128,000 토큰, 입력 100만 토큰당 10달러·캐시된 입력 1달러·출력 50달러, 입력 27만 2천 토큰 초과 시 입력·캐시 2배와 출력 1.5배. 링크 ↩
  4. 구글 제미나이 API 문서, Gemini 4 Argon (2026-11-04 확인). 1,048,576 토큰이 입력·출력 통합 한도이고 기본 출력 65,536 토큰에 긴 출력(long decode) 사용 시 1,048,576 토큰까지. 같은 문서군의 Gemini 3.8 Flash는 입력 1,048,576·출력 65,536 토큰으로 따로 표기한다. 링크 ↩
  5. 앤트로픽 고객지원 문서, How do usage and length limits work? (2026-11-04 확인). 사용량 한도와 길이 한도의 구분, 답변용 예약분, 프로젝트의 RAG 사용, 지침 짧게 유지, 확장 사고·노력 수준 조절, 도구·커넥터의 토큰 소모. 링크 ↩
  6. 앤트로픽 고객지원 문서, How large is the context window on paid Claude plans? (2026-11-04 확인). 제품별 창 크기 표, 목록 외 모델 20만 토큰과 영문 500쪽 이상 안내, 소네트 4.6 100만 창의 `[1m]` 선택과 사용량 크레딧 조건, 자동 맥락 관리와 사용량 소모. 링크 ↩
  7. AI 시그널, AI 토큰 뜻과 계산법 (2026-10-04). 같은 내용을 한국어로 쓸 때 영어보다 토큰이 약 1.3배 든다는 직접 측정. 링크 ↩
  8. AI 시그널 직접 계산 (2026-11-04). 공식 단가를 넣어 턴별 누적 입력, 첨부 문서 재청구분, 창을 채우는 데 걸리는 턴 수, 단가 경계 앞뒤 금액을 산출. 가정값은 본문에 적은 그대로다. ↩
  9. 앤트로픽 클로드 플랫폼 문서, Pricing (2026-11-04 확인). 오푸스 5.5 입력 100만 토큰당 4달러·출력 20달러·캐시 적중 0.2달러, 하이쿠 5.5 입력 10만 토큰까지 0.1달러와 초과 시 0.5달러, 출력 0.5달러와 초과 시 2.5달러. 링크 ↩
  10. 야후 파이낸스 USD/KRW 2026-11-03 종가 1,342.90원. 링크 ↩
  11. 앤트로픽 엔지니어링 블로그, Effective context engineering for AI agents (2026-11-04 확인). 주의 예산, n² 짝 관계, 짧은 글 위주의 학습 분포, 절벽이 아닌 기울기라는 서술, 압축에서 무엇을 버릴지 고르는 어려움. 링크 ↩
  12. Hong·Troynikov·Huber, Context Rot: How Increasing Input Tokens Impacts LLM Performance, 크로마 기술 보고서 (2025-07-14). 과제 난이도 고정·입력 길이만 변경, 18개 모델 평가, 평가 대상에 GPT-4.1·클로드 4·제미나이 2.5 포함. 링크 ↩
  13. Xia·Wang·Huang·Liu, Diagnosing and Mitigating Context Rot in Long-horizon Search, arXiv:2606.29718 (2026-06-29 제출, 2026-10-25 v3). 주력 모델 4개·벤치마크 3개, 창을 다 쓰기 전에 포기하거나 확신 없는 틀린 답을 내는 결론 없는 탐색 실패, 쉬운·중간 난이도 질문에서도 흔함. 링크 ↩
  14. 오픈AI 개발자 문서, Compaction (2026-11-04 확인). `compact_threshold` 를 넘으면 서버가 압축을 실행하고, 압축 항목은 사람이 해석할 수 있는 형태가 아니라는 서술. 링크 ↩

출처: https://docs.claude.com/en/docs/build-with-claude/context-windows

코멘트

답글 남기기

이메일 주소는 공개되지 않습니다. 필수 필드는 *로 표시됩니다