# 모델

프론티어와 오픈웨이트 모델의 현황과 특성을 살펴보고 상황에 맞는 선택 기준을 다룹니다.

원본 URL: https://abc.noco.kr/concepts/model

> 삽화: 작업의 성격에 맞춰 모델의 성능과 비용을 저울질해 최적 조합을 선택하는 모습

모델은 학습을 통해 만들어진 [신경망](https://ko.wikipedia.org/wiki/인공_신경망)이다. 에이전틱 코딩에서는 어떤 모델을 고를지와 그 모델에 어떤 작업 환경을 제공할지를 함께 살펴본다.

기준일: 2026-09-30

## 모델을 바꾼다는 뜻

일반적인 [API](https://ko.wikipedia.org/wiki/API)나 대화형 서비스를 사용할 때 모델의 학습된 파라미터를 직접 바꾸는 것은 아니다. ‘모델을 바꾼다’는 말은 보통 이미 학습된 다른 모델을 선택한다는 뜻이다.

모델과 에이전트도 구분해야 한다. 같은 모델이라도 [런타임](https://ko.wikipedia.org/wiki/런타임), 제공된 정보, 도구, 권한, 검증 방법에 따라 작업 결과가 달라질 수 있다. 이 관계는 [컨텍스트와 프롬프트](./context-prompt)에서 이어서 다룬다.

::: details 보충: LLM과 Transformer
[LLM](https://ko.wikipedia.org/wiki/대형_언어_모델)은 주어진 컨텍스트를 바탕으로 다음 토큰의 확률을 계산해 출력을 생성하는 신경망이다. 토큰은 모델이 입력과 출력을 다루는 단위다.

Transformer는 attention을 중심으로 구성된 신경망 구조다. 원 논문은 [Attention Is All You Need](https://arxiv.org/abs/1706.03762)이며, 모든 LLM을 같은 encoder-decoder 구조로 단정하지 않는다. 여기서는 세부 구조보다 모델에 무엇을 제공하고 결과를 어떻게 검증하는지에 집중한다.
:::

## 프론티어 모델

기준일에 살펴볼 프론티어 모델 후보는 다음과 같다.

| 계열 | 모델 후보 |
| --- | --- |
| [claude](https://claude.com/) | [Opus 5.5](https://www.anthropic.com/claude/opus), [Sonnet 5.5](https://www.anthropic.com/claude-sonnet-5-5) |
| [openai(chatgpt)](https://learn.chatgpt.com/) | [Sol 6.1](https://developers.openai.com/api/docs/models/gpt-6.1-sol), [Luna 6](https://developers.openai.com/api/docs/models/gpt-6-luna) |
| [google](https://deepmind.google/models/gemini/) | [Gemini Flash 3.8](https://deepmind.google/models/gemini/flash/) |
| 기타 | [grok](https://docs.x.ai/docs/overview), [muse](https://ai.meta.com/muse/) |

여기서는 [fable](https://platform.claude.com/docs/en/models/overview)과 [astra](https://developers.openai.com/api/docs/models)를 비교에서 제외한다. 이 목록은 기준일의 후보를 정리한 것이며, 모델을 나열한 순서가 성능 순위는 아니다.

## 오픈웨이트 모델

오픈웨이트는 모델의 가중치가 공개된 계열을 가리킨다. 다음 후보를 따로 살펴본다.

| 계열 | 모델 후보 |
| --- | --- |
| [deepseek](https://www.deepseek.com/) | [DeepSeek 4.1 Flash](https://deepseek.com/news/deepseek-v4-1-flash/) |
| [glm](https://z.ai/) | [GLM 5.3 Flash](https://z.ai/blog/glm-5.3-flash) |
| 기타 | [mimo](https://mimo.xiaomi.com/), [kimi](https://www.kimi.com/) |

## 비교 지표를 읽는 방법

하나의 순위만으로 모델을 고르기보다, 무엇을 비교한 지표인지 먼저 확인한다. 실무에서는 네 가지 자료를 서로 다른 용도로 사용한다.

| 살펴볼 내용 | 비교 자료 |
| --- | --- |
| 일반적인 성능 | [Artificial Analysis](https://artificialanalysis.ai/) |
| 에이전틱 코딩의 비용 대비 성능과 effort | [FrontierCode](https://cognition.com/frontiercode) |
| 호출량과 사용 목적의 추세 | [OpenRouter Rankings](https://openrouter.ai/rankings) |
| 사용자 체감과 비교 | [Arena](https://arena.ai/leaderboard) |

이 링크들은 서로 다른 비교 경로다. 방문 시점의 순위나 점수를 기준일의 고정된 성능으로 옮기지는 않는다.

## 작업에 맞는 선택 기준

단순히 최고 성능으로 알려진 모델을 고르기보다 다음 항목을 함께 본다.

- **작업 성공률**: 요구사항을 충족하고 검증을 통과하는가.
- **비용**: 해당 작업에 쓰는 비용이 적절한가.
- **속도**: 결과를 받고 검토하기까지 얼마나 걸리는가.
- **effort**: 작업에 필요한 추론 강도로 설정했는가.
- **런타임 궁합**: 사용하는 도구와 작업 환경에서 원하는 방식으로 실행되는가.

실제 작업에서는 이 기준으로 후보를 비교한다. 같은 요구사항과 검증 조건으로 결과를 확인해야 어떤 조합이 적절한지 판단할 수 있다.

::: details 보충: 가격과 세부 성능 비교
기준일: 2026-09-30. 가격과 세부 성능을 비교할 때는 공식 문서와 발표를 먼저 확인하고, 지표의 측정 대상·조건·확인 날짜를 함께 살펴본다.

일반적인 성능 점수, 호출량, 사용자 체감은 서로 다른 정보를 보여준다. 모델명이나 순위 하나로 결론을 내리기보다 실제 작업에서의 성공률·비용·속도·effort·런타임 조건을 함께 비교한다.
:::