Kimi K3, DeepSeek V4 Pro, GLM-5.2는 필요한 전문가 일부를 활성화하는 MoE 방식의 대형 모델이다. EmpirioLabs 기준으로 세 모델 모두 최대 100만 토큰 컨텍스트를 제공하며, 답변 전 추론과 함수 호출, 병렬 도구 호출을 지원한다. 같은 OpenAI 호환 API에서 모델 ID만 바꿔 호출할 수 있어 실제 업무 데이터로 비교하기도 쉽다.1
선택할 때는 종합 벤치마크 순위만 보기보다 입력 형식, 구조화 출력, 토큰 비용, 라이선스를 함께 따져야 한다.
기능과 비용에서 갈리는 선택
| 모델 | 입력 형식 | 구조화 출력 | 입력·출력 단가 |
|---|---|---|---|
| Kimi K3 | 텍스트·이미지·동영상 | JSON 스키마 | $3·$15 |
| GLM-5.2 | 텍스트 | JSON 모드 | $1.40·$4.40 |
| DeepSeek V4 Pro | 텍스트 | JSON 스키마 | $1.65·$3.30 |
단가는 EmpirioLabs의 100만 토큰당 종량제 가격으로, 입력과 출력 순서다.1 입력과 출력을 각각 100만 토큰 사용한다고 가정하면 총액은 Kimi K3가 18달러, GLM-5.2가 5.80달러, DeepSeek V4 Pro가 4.95달러다. 실제 비용은 입력·출력 비율과 공급자의 캐시 정책 등에 따라 달라질 수 있다.
Kimi K3의 가장 뚜렷한 차이는 멀티모달 입력이다. 이미지나 동영상을 텍스트와 함께 처리해야 한다면 세 모델 중 Kimi K3가 직접적인 선택지다. 반면 GLM-5.2와 DeepSeek V4 Pro는 텍스트 전용이다.1
구조화 출력의 차이도 자동화 안정성에 영향을 준다. Kimi K3와 DeepSeek V4 Pro는 지정한 JSON 스키마에 맞춘 출력을 지원한다. GLM-5.2의 JSON 모드는 유효한 JSON 객체를 반환하지만, 필드와 자료형이 지정한 스키마에 정확히 일치한다고 보장하는 방식은 아니다.1 따라서 후속 시스템이 엄격한 형식을 요구한다면 스키마 지원 여부와 실제 실패율을 확인해야 한다.
벤치마크는 작업별 신호로 읽어야 한다
BenchLM의 공통 11개 결과에서는 GLM-5.2가 종합 63.96점, DeepSeek V4 Pro가 60.66점을 기록했다. GLM-5.2는 수학·지식·에이전트 작업에서 앞섰고, DeepSeek V4 Pro는 코딩 평균에서 우세했다.2
다만 이 결과만으로 모든 업무의 우열을 정하기는 어렵다. 벤치마크는 평가 범위와 프롬프트, 채점 방식에 따라 달라질 수 있으므로 종합 점수는 후보를 좁히는 신호로 활용하는 편이 안전하다. 최종 선택은 실제 업무 샘플에서 정확도와 형식 준수율, 도구 호출 성공률을 비교해 내려야 한다.
라이선스는 ‘오픈’이라는 표현보다 조건이 중요하다
2026년 7월 18일 기준 DeepSeek V4 Pro와 GLM-5.2는 MIT 라이선스 가중치를 공개했다. Kimi K3는 당시 API로만 제공됐으며, 수정된 MIT 조건에 따른 가중치 공개가 예고된 상태였다.3
따라서 오픈 모델로 소개됐다는 사실만으로 자체 호스팅이나 상업적 이용이 가능하다고 단정해서는 안 된다. 도입 시점의 가중치 다운로드 가능 여부와 라이선스 조건을 별도로 확인해야 한다.
어떤 모델이 적합한가
이미지·동영상 입력이 필요하다면: Kimi K3가 세 모델 중 유일한 멀티모달 선택지다.
입력 토큰 비중이 큰 텍스트 작업이라면: GLM-5.2의 입력 단가가 가장 낮다.
출력 토큰이 많거나 엄격한 JSON이 필요하다면: DeepSeek V4 Pro는 가장 낮은 출력 단가와 JSON 스키마 지원을 함께 제공한다.
자체 호스팅이 중요하다면: 모델 성능보다 먼저 실제 가중치 공개 여부와 라이선스를 확인해야 한다.
세 모델은 동일한 OpenAI 호환 API에서 교체해 시험할 수 있으므로, 사양표만으로 결정할 필요가 없다. 대표 업무 샘플을 각 모델에 실행한 뒤 응답 품질, 구조화 출력 실패율, 도구 호출 안정성, 총비용을 함께 비교하는 것이 가장 현실적인 선택 방법이다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.