최근 GLM-5.1 공개 소식이 업계에서 꽤 크게 회자됐습니다. 특히 "오래 일하는 AI"라는 점이 주목받았는데, 단순히 한 번 똑똑하게 답하는 모델이 아니라 몇 시간, 수백 번의 반복 속에서도 성능을 끌어올리는 방향을 겨냥했다는 점이 중요합니다.1
한마디로 GLM-5.1은 긴 작업을 버티는 에이전트형 AI입니다. 코딩, 툴 사용, 실험 반복, 성능 개선 같은 장기 과제에서 이전 세대보다 더 꾸준히 결과를 만든다는 것이 핵심입니다.2
GLM-5.1이 주목받는 이유: 장기 작업에 강한 AI
많은 모델은 초반엔 번뜩입니다. 문제를 빠르게 읽고, 익숙한 패턴으로 그럴듯한 해법을 내놓죠. 그런데 시간이 길어지면 이야기가 달라집니다. 비슷한 시도를 반복하거나, 이미 막힌 방향을 계속 파고드는 경우가 많습니다.
GLM-5.1이 내세우는 차별점은 바로 여기입니다. 애매한 문제를 잘게 나누고, 실험하고, 로그를 읽고, 병목을 찾고, 다시 전략을 바꾸는 흐름을 더 오래 유지합니다. 공식 소개에 따르면 수백 번의 반복과 수천 번의 도구 호출에서도 생산성이 유지되도록 설계됐습니다.2
이건 실무에서 꽤 큰 변화입니다. "한 번 잘 답하는 AI"보다 "끝까지 같이 일하는 AI"가 개발 현장에선 훨씬 쓸모 있기 때문입니다.
GLM-5.1 성능 벤치마크, 어디서 강했나
수치만 봐도 방향성이 분명합니다. SWE-Bench Pro에서 58.4를 기록했고, GLM-5보다 앞섰습니다.3 저장소 생성 성격이 강한 NL2Repo는 42.7, 실제 터미널 작업을 보는 Terminal-Bench 2.0은 63.5를 기록했습니다.3
흥미로운 건 "절대 최강"이라기보다 "장기 코딩·에이전트 작업에 특화된 강자"라는 점입니다. 수학·지식형 벤치에서는 다른 최상위 모델이 더 높은 점수를 보이기도 합니다. 반면 소프트웨어 엔지니어링, 보안, 브라우징, 툴 활용처럼 여러 단계를 거치는 작업에서는 GLM-5.1의 강점이 또렷합니다.3
즉, GLM-5.1은 시험문제 한 장 잘 푸는 학생보다, 프로젝트를 며칠 붙잡고 끝내는 개발자형 모델에 가깝습니다.
장기 실행 사례: 숫자보다 더 인상적인 부분
가장 상징적인 사례는 벡터 데이터베이스 최적화 실험입니다. GLM-5.1은 600회가 넘는 반복과 6,000회 이상의 툴 호출 끝에 21.5k QPS까지 끌어올렸습니다.2 중요한 건 단순 미세조정이 아니라, 중간중간 구조 자체를 바꾸는 점프를 만들어냈다는 것입니다.
또 다른 예로 GPU 커널 최적화에서는 50개 문제 기준 3.6배 속도 향상을 기록했습니다.2 여전히 더 강한 경쟁 모델은 있었지만, GLM-5보다 훨씬 늦게까지 개선을 이어갔다는 점이 포인트입니다.
심지어 8시간 동안 웹 기반 리눅스 데스크톱을 계속 다듬는 실험도 있었습니다. 처음엔 평범한 UI 골격이지만, 시간이 지나며 파일 브라우저, 터미널, 편집기, 계산기 같은 요소가 붙고 완성도가 높아졌습니다.2
이런 사례는 "길게 돌리면 더 좋아질 수 있는가?"라는 질문에 꽤 설득력 있는 답을 줍니다.
GLM-5.1 사용법과 현실적인 체크포인트
API로는 바로 시작할 수 있습니다. Z.AI 플랫폼에서 glm-5.1 모델명을 사용하면 되고, thinking 옵션도 지원합니다.4 Claude Code나 OpenClaw 같은 코딩 에이전트 도구에서도 설정만 바꾸면 연결할 수 있습니다.5
로컬 실행도 가능합니다. Hugging Face 공개 모델이며, vLLM·SGLang·Transformers·Ollama 같은 생태계 지원도 이어지고 있습니다.36 다만 모델이 매우 커서 풀사이즈 기준 저장 공간과 메모리 요구량이 상당합니다. 경량 양자화 버전이 있어도 일반 사용자에겐 "가볍게 노트북에서" 수준은 아닙니다.6
실사용 후기를 보면 기대와 주의점이 함께 보입니다. Simon Willison은 SVG와 애니메이션 생성에서 꽤 인상적인 결과를 봤고, 후속 수정도 잘 처리했다고 평가했습니다.1 반면 긴 컨텍스트에서 흔들리거나, 하네스에 따라 성능 체감이 달라진다는 현장 의견도 있습니다.7
시사점
GLM-5.1은 "정답을 잘 말하는 모델"에서 "오래 일하는 모델"로 AI 경쟁의 초점을 옮겨놓은 사례입니다. 특히 장기 코딩, 반복 실험, 자율 에이전트 구축에 관심 있다면 충분히 살펴볼 가치가 있습니다.
다만 만능 모델로 보기보다는 용도를 분명히 하는 편이 좋습니다. 수학 올림피아드 점수보다, 실제 개발 워크플로에서 얼마나 오래 유효하게 움직이는지가 핵심인 모델이기 때문입니다.
정리하면 이렇습니다. 짧은 질의응답용 AI를 찾는다면 선택지는 많습니다. 하지만 "몇 시간 동안 한 작업을 붙들고 개선하는 AI"를 보고 싶다면, 지금 GLM-5.1은 꽤 흥미로운 기준점입니다.
참고
1GLM-5.1: Towards Long-Horizon Tasks
2GLM-5.1: Towards Long-Horizon Tasks
3zai-org/GLM-5.1 · Hugging Face
4GLM-5.1 - Overview - Z.AI DEVELOPER DOCUMENT
5Using GLM-5.1 in Coding Agent
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.