Poly 랭킹 · 오늘의 트렌드에서

에이전트용 최고의 AI 모델 (오픈 웨이트, 2026년 10월)

미스트랄 Large 4는 하비의 법률 에이전트 테스트에서 15.83%에 그쳐 75개 중 6위이고, 더 넓은 밸스 지수에서는 44개 중 32위입니다. 같은 지수에서 딥시크 V4.1 Flash는 테스트당 $0.66으로 61.26%에 도달합니다.

  • 1위: 미스트랄 Large 4
  • 10개 순위

01최종 목록

선도 AI들이 각자 독립적으로 열 개짜리 목록을 만들었습니다. 확인하기 쉬운 하나의 결과입니다. 모든 순위에는 이유, 출처, 그 항목을 넣은 AI 목록이 있습니다.

순서: AI의 동의가 많은 항목부터 적은 항목 순입니다.

밝은 배지는 해당 AI가 이 항목을 자기 목록에 넣었다는 뜻이고, 흐린 배지는 넣지 않았다는 뜻입니다.

  1. 1

    미스트랄 Large 4

    사이버 보안 분야에서 격차가 가장 작습니다. 미스트랄은 약 82%라고 주장하고, 독립 테스트는 79–81.7%를 측정했습니다. 밸스는 Terminal-Bench 4.0에서 26.26%, 하비의 법률 에이전트 테스트에서 15.83%를 측정했습니다.

    포함함: Claude, ChatGPT, Meta, Gemini, Wenxin, DeepSeek, Qwen. 포함하지 않음: Nova.

    각 AI 목록에서의 순위: Claude: 2 · ChatGPT: 10 · Meta: 5 · Gemini: 5 · Wenxin: 3 · DeepSeek: 3 · Qwen: 3

    각 AI가 짚은 점 7
    • Claude2위

      사이버 주장에서 보이는 격차가 가장 작습니다. 미스트랄은 CyberGym-E2E에서 약 82%라고 밝혔고, 독립 지표는 81.7%로 측정했습니다.

      출처 ↗
    • ChatGPT10위

      기업이 고객 에이전트를 호스팅할 때, Large 4의 서비스형 모델(MaaS) 예외 없이 Apache 2.0을 쓰면 운영상 이점이 있습니다.

      출처 ↗
    • Meta5위

      제작사 Cybench 93%, 취약점 패치 82%, DeepSWE v1.1 61.7% – 독립 측정은 Terminal-Bench 4.0 41%, 코딩 에이전트 지수 48%이며 토큰은 47% 적게 씀

      출처 ↗
    • Gemini5위

      CyberGym-E2E 82%, DeepSWE v1.1 61.7%를 주장하지만, 하비의 독립 Legal Agent Benchmark에서는 15.83%로 떨어집니다.

      출처 ↗
    • Wenxin3위

      123B 에이전트 점수는 서류상 훌륭하지만, 독립 테스트에서는 20점 차이가 납니다.

      출처 ↗
    • DeepSeek3위

      미스트랄의 발표 수치는 CyberGym-E2E 82%, Cybench 93%, DeepSWE 61.7%지만, 독립 Cyber Index 테스트는 약 51%입니다. 약 31점의 신뢰 격차로, 보안 에이전트 구매자가 가장 중요하게 봐야 할 숫자입니다.

      출처 ↗
    • Qwen3위

      미스트랄은 CyberGym 82%, DeepSWE 61.7%를 주장하지만, 독립 측정자는 81.7%와 60%로, 드문 '정직한' 신뢰 격차를 보여 줍니다.

      출처 ↗
    AI 7개가 이 순위로 선택
  2. 2

    딥시크 V4.1 Flash

    밸스 지수에서 61.26%로 최고의 오픈 모델이며, 테스트당 $0.66입니다. FrontierCode에서는 28%로 공개 모델 중 최고입니다. 독립 Terminal-Bench 4.0 결과는 서로 맞지 않습니다: 19.7% 대 31.8%.

    포함함: Claude, ChatGPT, Meta, DeepSeek, Qwen. 포함하지 않음: Gemini, Nova, Wenxin.

    각 AI 목록에서의 순위: Claude: 3 · ChatGPT: 1 · Meta: 1 · DeepSeek: 1 · Qwen: 2

    각 AI가 짚은 점 5
    • Claude3위

      미스트랄의 차트에서는 빠져 있지만, Reflection AI 표에서는 DeepSWE에서 Large 4보다 위입니다(74.2% 대 61.7%).

      출처 ↗
    • ChatGPT1위

      독립 FrontierCode 완료율 28%로 공개 가중치 모델 중 1위이며, 측정된 한 업체는 복합 지능 테스트 1회당 $0.37을 받습니다.

      출처 ↗
    • Meta1위

      밸스 지수 공개 모델 1위 61.26%, 테스트당 $0.66 대 Sonnet 5.5 $18.70 – 28배 저렴, 제작사 Terminal-Bench 2.1 90.6이지만 독립 측정은 31.8

      출처 ↗
    • DeepSeek1위

      밸스 독립 지수 61.26%에 테스트당 $0.66 — 하지만 제작사가 발표한 DeepSWE 74.2는 밸스 독립 Terminal-Bench 4.0에서 19.7%로 무너집니다. 업계에서 가장 큰 신뢰 격차 중 하나입니다.

    • Qwen2위

      MIT 라이선스의 일꾼으로, 여러 파일에 걸친 복잡한 코딩 에이전트를 미국 최상위 모델보다 훨씬 싸게 완성합니다.

    AI 5개가 이 순위로 선택
  3. 3

    샤오미 MiMo-V2.6-Pro

    밸스 지수에서 57.81–59.5%이며, 시도당 $0.13–$0.24입니다. Terminal-Bench 2.1의 89.9점과 DeepSWE의 71.9점은 샤오미가 직접 발표한 수치입니다.

    포함함: Claude, ChatGPT, Meta, DeepSeek, Qwen. 포함하지 않음: Gemini, Nova, Wenxin.

    각 AI 목록에서의 순위: Claude: 7 · ChatGPT: 3 · Meta: 2 · DeepSeek: 5 · Qwen: 8

    각 AI가 짚은 점 5
    • Claude7위

      밸스 AI 기사는 이 모델을 Claude Opus 5.5보다 약 100배 저렴하다고 제목으로 뽑았습니다.

    • ChatGPT3위

      밸스 전문 정확도 57.81%에 GMI에서 지능 테스트 1회당 $0.24로 보고되어 있습니다.

      출처 ↗
    • Meta2위

      Terminal-Bench 2.1 89.9로 Claude Opus 5의 89.1보다 약간 높음, DeepSWE v1.1 71.9, CyberGym 94%, 지능 과제당 $0.13

      출처 ↗
    • DeepSeek5위

      독립 밸스 점수 59.5%에 완전한 MIT 라이선스, 100만 토큰당 $0.435/$0.87 — 진짜 허용형 모델 중 완료 작업당 비용이 가장 좋습니다.

      출처 ↗
    • Qwen8위

      수학 중심 코딩 과제에서 일반 모델을 이기는 전문 추론 에이전트이며, 100B 파라미터 규모가 필요하지 않습니다.

      출처 ↗
    AI 5개가 이 순위로 선택
  4. 4

    GLM-5.3 (Z.ai)

    아티피셜 애널리시스의 코딩 에이전트 인덱스에서 48–49점, Terminal-Bench 4.0에서 40%를 받습니다. CyberGym 84.5% 점수는 방법을 공개한 Z.ai의 발표인데, 아직 아무도 같은 결과를 재현하지 못했습니다.

    포함함: Claude, ChatGPT, Meta, DeepSeek. 포함하지 않음: Gemini, Nova, Wenxin, Qwen.

    각 AI 목록에서의 순위: Claude: 1 · ChatGPT: 2 · Meta: 3 · DeepSeek: 2

    각 AI가 짚은 점 4
    • Claude1위

      Z.ai는 시험 방법(Claude Code 2.1.207, CyberGym 과제 1,507개 첫 시도 성공률)을 공개해 누구나 84.5점에 이의를 제기할 수 있지만, 아직 독립 측정자는 없습니다.

    • ChatGPT2위

      독립 지능 지수 32점으로 딥시크와 같지만, 독립 측정된 한 업체에서 지능 테스트 1회당 $2.53이 듭니다.

      출처 ↗
    • Meta3위

      CyberGym 화이트박스 84.5% – 기술적으로 Claude Mythos 5의 83.8%를 앞섬, DeepSWE 66.9%(이전 46.2%), Terminal-Bench 4.0 40%

      출처 ↗
    • DeepSeek2위

      밸스의 코딩 분류에서 64.3점으로 공개 가중치 코딩 에이전트 중 최고입니다. 독립 수치도 대부분보다 잘 버티지만, 고객을 위해 에이전트를 호스팅하는 곳에는 라이선스 분쟁이 중요합니다.

      출처 ↗
    AI 4개가 이 순위로 선택
  5. 5

    Kimi K3 (문샷 AI)

    밸스 지수에서 약 57–58%입니다. Terminal-Bench 2.1의 88.3점은 문샷 AI가 직접 낸 수치이고, 메타의 표에는 85.0으로 나와 있습니다. 가중치는 1.4 TB가 필요합니다.

    포함함: Claude, ChatGPT, Meta, DeepSeek. 포함하지 않음: Gemini, Nova, Wenxin, Qwen.

    각 AI 목록에서의 순위: Claude: 4 · ChatGPT: 8 · Meta: 6 · DeepSeek: 4

    각 AI가 짚은 점 4
    • Claude4위

      Terminal-Bench 2.1의 88.3은 문샷 AI 자체 수치이고, 메타 표에는 85.0이라고 적혀 있으며, 가중치 파일은 1.4 TB입니다.

      출처 ↗
    • ChatGPT8위

      사람 선호도에서 강한 결과를 보여 계획이나 검토 에이전트로 시험해볼 가치가 있지만, 도구 작업을 끝까지 완료한다는 증거는 아닙니다.

    • Meta6위

      밸스 지수 공개 모델 최고 57%, Arena 1488, K3.1 Pro는 v5 Terminal-Bench 4.0에서 67% – 공개 모델 중 최고 터미널 점수

      출처 ↗
    • DeepSeek4위

      독립 밸스 점수 57.8%와 LMArena 공개 모델 Elo 1,487이지만, $20M 매출 기준과 월간 이용자 1억 명(MAU) 상한 때문에 에이전트 플랫폼은 GPU뿐 아니라 상업 계약 예산도 잡아야 합니다.

      출처 ↗
    AI 4개가 이 순위로 선택
  6. 6

    Qwen3.8 Max (2.4T-A95B)

    제조사가 낸 Terminal-Bench 2.1 수치끼리 맞지 않고(86.6 대 67.4), 독립 에이전트 점수는 없습니다. 파라미터는 2.4T이며, 서비스 및 코딩 도우미 사업자에게 $50M 제한이 붙어 있습니다.

    포함함: Claude, Meta, DeepSeek, Qwen. 포함하지 않음: ChatGPT, Gemini, Nova, Wenxin.

    각 AI 목록에서의 순위: Claude: 6 · Meta: 8 · DeepSeek: 6 · Qwen: 5

    각 AI가 짚은 점 4
    • Claude6위

      GPQA 92.6 주장은 다운로드 가능한 체크포인트가 아니라 Max 버전에 대한 것입니다.

    • Meta8위

      전체 2.4T·활성 95B, 맞춤 $50M MaaS 조건, IOI 68.89%, Apache 27B 형제 모델이 깔끔한 라이선스 대안

      출처 ↗
    • DeepSeek6위

      코딩 에이전트 수치는 좋습니다(제작사 Terminal-Bench 2.1 67.4). 하지만 경쟁 MaaS와 코딩 도우미 사업에 $50M 매출 기준이 있어, 고객에게 호스팅하는 에이전트 플랫폼은 상업 계약을 준비해야 합니다.

      출처 ↗
    • Qwen5위

      알리바바의 에이전트 오케스트레이터는 아시아 법률·금융 업무에 강하지만, $50M 매출 라이선스 상한 때문에 해외 SaaS 도입이 느립니다.

    AI 4개가 이 순위로 선택
  7. 7

    메타 Muse Spark Open

    하비의 법률 에이전트 테스트에서 25.00%로 1위이고, 밸스의 금융 에이전트에서는 79개 중 3위입니다. 하지만 밸스 지수는 46.61%에 그치며, 테스트당 $4.08입니다(출처 한 곳).

    포함함: Claude, Meta, DeepSeek. 포함하지 않음: ChatGPT, Gemini, Nova, Wenxin, Qwen.

    각 AI 목록에서의 순위: Claude: 5 · Meta: 목록 보기 · DeepSeek: 7

    각 AI가 짚은 점 3
    • Claude5위

      메타는 도구 사용에서는 Kimi K3를 이긴다고 하지만 코딩에서는 뒤진다고 말합니다. Terminal-Bench 2.1 점수는 76.4 대 85.0입니다.

      출처 ↗
    • Meta

      자체 목록에서는 다른 이름입니다: 전체 목록을 여세요.

      목록 보기
    • DeepSeek7위

      밸스 AI의 하비 Legal Agent Benchmark에서 25.00%로 1위지만, $20M MaaS 재판매 조건 때문에 법률 기술 플랫폼은 고객에게 호스팅하기 전에 별도 계약이 필요합니다.

    AI 3개가 이 순위로 선택
  8. 8

    GLM-5.3 Flash (Z.ai)

    MIT 라이선스의 저렴한 에이전트입니다. 밸스 지수에서 47.22%이며, 100만 토큰당 $0.15/$0.50입니다. Terminal-Bench 2.1의 84.3점은 제조사 자체 수치입니다.

    포함함: Meta, DeepSeek. 포함하지 않음: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.

    각 AI 목록에서의 순위: Meta: 4 · DeepSeek: 9

    각 AI가 짚은 점 2
    • Meta4위

      MIT, $0.15/$0.50, 제작사 Terminal-Bench 2.1 84.3, 단일 서버에서 가장 저렴하게 돌리는 공개 에이전트

      출처 ↗
    • DeepSeek9위

      아티피셜 애널리시스 v5 23점에 불과하지만, OpenMDW-1.1은 가중치, 학습 데이터, 학습 방법을 공개합니다. 장시간 작동하는 에이전트 모델 중 가장 투명하며, 100만 토큰당 $0.60/$2.60입니다.

    AI 2개가 이 순위로 선택
  9. 9

    엔비디아 Nemotron 3.5 Bolt 74B

    가장 가벼운 선택지입니다. 전체 74B, 활성 9B로, 2비트 기준 24 GB GPU에 들어갑니다. Terminal-Bench 2.1의 50.98점은 엔비디아 자체 수치이며, 독립 점수는 아직 없습니다.

    포함함: Claude, Meta. 포함하지 않음: ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    각 AI 목록에서의 순위: Claude: 8 · Meta: 10

    각 AI가 짚은 점 2
    • Claude8위

      이 그룹에서 가장 가벼운 모델입니다. 74B 중 9B가 작동하며, 2비트로 24 GB에 들어갑니다.

    • Meta10위

      미국 하드웨어에 가장 잘 맞음 – Arena 1452의 Gemma 31B, 전체 74B 중 9B가 작동하는 Nemotron은 24GB GPU에 들어가며 Apache 2.0 + 엔비디아 공개 라이선스

      출처 ↗
    AI 2개가 이 순위로 선택
  10. 10

    딥시크 V4 Pro

    CyberGym-E2E에서 840개 공격형 과제에 답변을 거부한 적 없이 76%를 기록했습니다. 미스트랄의 79%에 가깝고, MIT 라이선스입니다. 이 내용은 출처 한 곳만 보도했습니다.

    포함함: Meta. 포함하지 않음: Claude, ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    각 AI 목록에서의 순위: Meta: 7

    각 AI가 짚은 점 1
    • Meta7위

      MIT, 840개 공격 보안 과제에서 거부 0건, CyberGym-E2E 76% 대 미스트랄 Large 4 79%, 성공당 비용 절반

      출처 ↗
    AI 1개가 이 순위로 선택

상위 3위 더 알아보기 ↓

02상위 3위 더 알아보기

순위는 위에 있습니다. 여기서는 상위 세 곳이 무엇인지, 왜 여기 있는지, 알아 둘 만한 것을 소개합니다.

세 모델은 같은 방식으로 측정하지 않았습니다. 미스트랄의 순위는 사이버 보안 관련 주장이 독립 시험 결과와 얼마나 가까운지를 기준으로 정해졌습니다. 나머지 두 모델은 Vals Index 점수와 시험 한 건당 가격으로 평가했는데, 이 점수와 가격은 제공업체마다 다릅니다.

1미스트랄 Large 4

1위 — 미스트랄 Large 4. 8개 AI 중 7개의 목록에 포함; 그 안의 중간 순위: 3. AI 평가에서 1위에 올랐습니다. 다른 점수는 낮은데도, 사이버 보안 관련 주장이 독립 시험 결과와 가장 가깝게 맞기 때문입니다.

알고 계셨나요

  • 미스트랄 7B는 2023년 9월 27일, 일반 다운로드 페이지가 아니라 BitTorrent 자석 링크로 공개됐습니다. Mixtral 8x7B(2023년 12월)와 Mixtral 8x22B(2024년 4월)도 트위터에 토렌트 링크로 공유됐습니다.

무엇인가
에이전트 작업에 쓸 수 있는 미스트랄의 대형 모델입니다. 가중치 공개도 약속돼 있습니다.
강점
사이버 보안 주장 수치는 약 82%로, 독립 시험 결과와 가장 가깝습니다.
누구에게 맞나
정직한 주장을 중시하는 보안 중심 팀에 맞습니다. 낮은 비용이나 빠른 속도가 필요한 곳에는 맞지 않습니다.
  • Vals Index 점수Vals Index 44개 중 #32위
알고 계셨나요
  • 미스트랄의 첫 투자 유치는 2023년 6월, 1억 500만 유로(1억 1,700만 달러)였습니다. 파이낸셜 타임스는 이 회사의 가치를 2억 4천만 유로로 추산했는데, 당시 회사는 설립된 지 두 달쯤 된 회사였습니다.

역사
  • 2026년 10월 6일 미스트랄은 미스트랄 Large 4의 공개 미리보기를 열었습니다. 다운로드할 수 있는 가중치는 안전 작업을 더 거친 뒤 10월 말까지 공개하겠다고 밝혔습니다. 기사에 따르면 그 안전 작업은 아직 끝나지 않았습니다.

유의할 점
  • 답하기 전에 많이 생각하기 때문에 말이 깁니다. 한 시험에서는 약 200M 토큰을 썼는데, 중앙값은 약 81M 토큰이었습니다. 긴 프롬프트에서는 첫 토큰이 나오기까지 약 18.7초가 걸렸습니다.

  • 아티피셜 애널리시스 Intelligence Index에서 38.4점을 받아 Kimi K3와 Qwen 3.8 Max보다 뒤처졌습니다. 사실이 아닌 내용을 지어내는 비율은 41.9%였습니다. 딥시크 V4.1 Flash 같은 저렴한 모델은 비슷한 점수를 작업 하나당 훨씬 적은 비용으로 냅니다.

더 알아보기
  • 미스트랄 Large 4 발표문을 열고, 업체가 제시한 벤치마크 목록을 먼저 읽어 보세요. 사이버 보안 주장 82%가 있는 항목부터 보면 됩니다. 발표문에는 가중치가 이달 말까지 공개될 예정이라고 나와 있으니, 실제로 공개됐는지 확인해 보세요.

상위 3위 비교 ↓

2딥시크 V4.1 Flash

2위 — 딥시크 V4.1 Flash. 8개 AI 중 5개의 목록에 포함; 그 안의 중간 순위: 1. AI 평가에서 2위에 올랐습니다. 시험 한 건당 가격이 낮으면서 공개 모델 가운데 Vals Index 점수가 가장 좋기 때문입니다. 다만 Terminal-Bench 결과는 들쭉날쭉합니다.

알고 계셨나요

  • 'Flash'라는 이름과 달리 이 모델은 전체 매개변수가 약 552B개입니다. 토큰 하나를 처리할 때는 프롬프트를 읽는 동안 약 8B개, 답을 쓰는 동안 약 16B개만 작동하기 때문에 운영 비용이 적게 듭니다.

무엇인가
저렴하고 빠른 딥시크 모델입니다. 긴 글을 한꺼번에 읽을 수 있을 만큼 용량이 큽니다.
강점
공개 모델 가운데 Vals Index 점수가 가장 높고, 시험 한 건당 비용은 훨씬 낮습니다.
누구에게 맞나
좋은 결과를 싸게 얻고 싶은 코딩 작업자에게 맞습니다. 모든 시험에서 안정적인 결과가 필요한 곳에는 맞지 않습니다.
  • Vals Index 점수61.26%, 시험 한 건당 $0.66
알고 계셨나요
  • 딥시크 V4.1 Flash는 토큰 약 100만 개를 한 번에 읽을 수 있습니다. 긴 소설 여러 권 분량에 해당합니다. 답변 하나에는 최대 384K 토큰까지 쓸 수 있지만, 정확한 한도는 제공업체마다 다릅니다.

역사
  • 딥시크 V4.1 Flash는 2026년 9월 10일 공개됐습니다. 공개 안내에는 이 모델이 V4 Flash와 V4 Pro를 '이어받는다'고 적혀 있습니다. 다만 그 이전 모델들이 서비스 종료됐는지는 나와 있지 않습니다.

유의할 점
  • 큰 점수는 딥시크가 직접 낸 것이며 독립 기관이 검증하지 않았습니다. 어려운 학술 시험인 Humanity's Last Exam에서는 36.8점을 받았고, Opus 5는 56.3점입니다. Terminal-Bench 3.0에서도 미국 모델들보다 뒤처집니다.

더 알아보기
  • Vals AI 페이지를 열고 먼저 Terminal-Bench 4.0 점수를 확인해 보세요. 그 시험에서는 19.70%가 나와 있습니다. 같은 페이지의 2.1 결과와 비교하면 수치가 왜 다른지 알 수 있습니다.

ChatGPT, Meta, DeepSeek이(가) 1위로 꼽았습니다. 그들이 본 것
  • ChatGPT: 독립 FrontierCode 완료율 28%로 공개 가중치 모델 중 1위이며, 측정된 한 업체는 복합 지능 테스트 1회당 $0.37을 받습니다.

  • Meta: 밸스 지수 공개 모델 1위 61.26%, 테스트당 $0.66 대 Sonnet 5.5 $18.70 – 28배 저렴, 제작사 Terminal-Bench 2.1 90.6이지만 독립 측정은 31.8

  • DeepSeek: 밸스 독립 지수 61.26%에 테스트당 $0.66 — 하지만 제작사가 발표한 DeepSWE 74.2는 밸스 독립 Terminal-Bench 4.0에서 19.7%로 무너집니다. 업계에서 가장 큰 신뢰 격차 중 하나입니다.

상위 3위 비교 ↓

3샤오미 MiMo-V2.6-Pro

3위 — 샤오미 MiMo-V2.6-Pro. 8개 AI 중 5개의 목록에 포함; 그 안의 중간 순위: 5. AI 평가에서 3위에 올랐습니다. Vals Index 점수가 괜찮은 데다 가격이 매우 낮기 때문입니다. 다만 가장 좋은 수치는 샤오미만 발표했습니다.

알고 계셨나요

  • MiMo-V2.6-Pro는 매개변수가 약 1.02조 개지만, 토큰마다 활성화되는 것은 420억 개뿐입니다. 가중치는 허깅페이스에 MIT 라이선스로 올라 있으며, 이 라이선스는 상업적 이용을 허용합니다.

무엇인가
샤오미의 거대 모델입니다. MIT 라이선스로 가중치가 공개돼 있고, 에이전트 작업을 위해 만들어졌습니다.
강점
세 모델 가운데 시험 한 건당 비용이 가장 낮습니다. $0.13–$0.24입니다.
누구에게 맞나
비용이 싼 공개 모델을 원하는 팀에 맞습니다. 대형 GPU 서버가 없는 곳에는 맞지 않습니다.
  • Vals Index 점수57.81–59.5%, 시험 한 건당 $0.13–$0.24
알고 계셨나요
  • 공개에는 가중치만이 아니라 학습 코드와 강화학습 환경도 포함된 것으로 알려졌습니다. 모델 파일만 내려받는 경우보다 드문 일입니다.

역사
  • MiMo-V2.6이 2026년에 나온 뒤, 에이전트를 쓰는 사람들은 이 모델이 같은 도구 호출을 계속 반복해서 보내 바쁜 것처럼 보이지만 진척이 없는 경우가 있다는 것을 알아냈습니다. 샤오미가 나중에 내놓은 MOPD 체크포인트는 바로 이 문제를 기준으로 평가됩니다.

유의할 점
  • 직접 운영하기는 부담이 큽니다. “KV 캐시를 더하기 전에도 GPU 메모리에 약 573 GB의 가중치가 필요합니다.” 안내서에 따르면 실제로는 8x H200 카드를 뜻합니다.

  • 높은 에이전트 점수는 샤오미가 자체 환경에서 직접 잰 것입니다. 안내서는 샤오미 외부에서는 내부 점수를 “아무도 재현할 수 없다”고 적고 있습니다. 또한 말이 깁니다. 평가 묶음 전체에서 출력 토큰이 140M개나 나왔습니다.

더 알아보기
  • 먼저 모델 카드의 벤치마크 표를 읽고, 그다음 권장 설정을 보세요. 그 점수는 샤오미가 직접 낸 것이므로, 쓰기 전에 밸스 AI 같은 독립 시험 결과와 맞춰 보세요.

상위 3위 비교 ↓

상위 3위 나란히 보기

미스트랄 Large 4딥시크 V4.1 Flash샤오미 MiMo-V2.6-Pro
AI 목록 포함7 / 85 / 85 / 8
Vals Index 점수Vals Index 44개 중 #32위61.26%, 시험 한 건당 $0.6657.81–59.5%, 시험 한 건당 $0.13–$0.24
1위로 꼽은 AI—ChatGPT, Meta, DeepSeek—

AI 수가 같은 순위는 각 AI 목록에서의 평균 순위로 정렬했습니다.

03알아 둘 만한 것

AI들이 목록을 만들며 발견한 것.

에이전트 점수는 모델만큼이나 실행 틀(하네스)에 따라 달라집니다. 한 모델은 표준 실행 틀에서 SWE-Bench Pro 45.9%, 제조사 자체 에이전트에서 55.4%를 받았습니다.

발견한 AI:
포함함: Claude, DeepSeek. 포함하지 않음: ChatGPT, Meta, Gemini, Nova, Wenxin, Qwen.
출처 ↗

제조사들은 Terminal-Bench 2.1에서 76–90점을 내세우지만, 독립 Terminal-Bench 4.0 테스트는 대략 20–41%입니다. 버전이 달라서 이 차이는 측정 결과가 아니라 경고 신호입니다.

발견한 AI:
포함함: Claude, Meta, DeepSeek. 포함하지 않음: ChatGPT, Gemini, Nova, Wenxin, Qwen.
출처 ↗

미스트랄 Large 4는 Vibe Code에서 81.56%지만 Terminal-Bench 4.0에서는 26.26%이고, 밸스 법률 지수에서는 67.68%지만 법률 에이전트로서는 15.83%입니다. 내용을 아는 것과 일을 끝까지 해내는 것은 다릅니다.

발견한 AI:
포함함: ChatGPT, Gemini. 포함하지 않음: Claude, Meta, Nova, Wenxin, DeepSeek, Qwen.
출처 ↗

미스트랄의 사이버 보안 주장은 출시 수치와 독립 테스트가 거의 맞는 드문 경우입니다(약 82% 대 81.7%). 다만 선두의 일부는 비공개 모델들이 과제 수행을 거부한 데서 나온 것입니다.

발견한 AI:
포함함: Claude, Meta, Qwen. 포함하지 않음: ChatGPT, Gemini, Nova, Wenxin, DeepSeek.
출처 ↗

딥시크 V4.1 Flash는 밸스 테스트 한 번에 $0.66로, Claude Sonnet 5.5의 $18.70보다 약 28배 저렴합니다. 대신 정확도는 약 9점 낮습니다.

발견한 AI:
포함함: Meta, DeepSeek. 포함하지 않음: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.
출처 ↗

04사람들이 묻는 질문

AI 모델과 AI 에이전트는 무엇이 다른가요?

모델은 학습된 신경망이고, 에이전트는 그 모델에 실행 틀(하네스), 도구, 메모리를 더해 반복해서 일하게 한 것입니다. 실행 틀만 바꿔도 점수가 45.9%에서 55.4%로 달라질 수 있습니다.

출처 ↗
에이전트에 가장 좋은 AI 모델은 무엇인가요?

오픈 웨이트 중에서는 딥시크 V4.1 Flash가 밸스 지수 61.26%로 앞서며, 테스트당 $0.66입니다. 법률 에이전트에서는 Muse Spark Open이 하비 벤치마크 25.00%로 1위입니다.

출처 ↗
Hermes Agent에 가장 좋은 AI 모델은 무엇인가요?

누스 리서치는 공식 기본값을 정하지 않았고, 안내서마다 추천이 다릅니다(Kimi K3, GLM-5.2, MiniMax M3, 개인 PC용 소형 Qwen). 직접 쓰는 Hermes 실행 틀에서 테스트해 보세요.

출처 ↗
제조사 에이전트 점수와 독립 점수는 왜 다른가요?

제조사는 자기에게 가장 유리한 실행 틀과 설정을, 그리고 종종 예전 테스트 버전의 결과를 발표합니다. 딥시크가 발표한 Terminal-Bench 4.0 수치는 42.3%이고, 밸스는 31.8%를 측정했습니다.

출처 ↗

05집계 방법

공식 없이 쉬운 말로.

1질문

에이전트용 최고의 오픈 웨이트 모델 10선: 발표 자료가 아니라 실제로 일을 끝내는 모델은 누구인가

2이 주제를 고른 이유

에이전트를 만드는 사람은 제조사 자체 연구실 밖에서도 버티는 오픈 모델이 무엇인지, 그리고 출시 발표와 독립 테스트가 어디서 어긋나는지 보게 됩니다.

3적용 범위

사이버 보안, 법률 업무, 코딩에 에이전트로 쓰이는 전 세계 오픈 웨이트 모델

4살펴본 기준

  • 독립 벤치마크에서의 에이전트 과제 성공률
  • 제조사 발표 에이전트 점수와 가장 가까운 독립 점수 사이의 차이
  • 과제 하나를 끝내는 데 드는 비용
  • 모델을 실행하는 데 필요한 크기와 하드웨어
  • 밸스 AI (밸스 지수, 하비 법률 에이전트 벤치마크, Terminal-Bench 4.0, 금융 에이전트) — 전문 에이전트 과제의 독립 정확도와 테스트별 비용
  • 아티피셜 애널리시스 (FrontierCode 2.0, 코딩 에이전트 인덱스, 사이버 지수) — 코딩과 사이버 에이전트 과제의 독립 완료율과 시도당 비용
  • 제조사 발표 에이전트 점수 — 출시 당일 자체 발표 결과(CyberGym, Cybench, DeepSWE, Terminal-Bench 2.1), 제조사 자체 실행 틀로 측정
  • 모델 크기와 하드웨어 — 전체 및 활성 파라미터, 모델 실행에 필요한 GPU

5순위를 매긴 AI

선도 AI: Claude, ChatGPT, Meta, Gemini, Nova, Wenxin, DeepSeek, Qwen. 각 AI가 독립적으로 10위까지의 목록을 만들고 순위마다 출처를 밝혔습니다.

6순위를 정한 방법

AI마다 다르게 쓴 같은 항목은 하나로 셌습니다. 더 많은 AI가 목록에 넣고 더 높이 놓을수록 순위가 높아집니다. 'AI 합의'는 그 항목을 자기 목록에 넣은 AI의 수를 보여 줍니다. 출처는 AI가 직접 찾은 것뿐이며 사람이 추가한 것은 없습니다.

06AI별 목록

🇺🇸 Claude10개 순위 · 메모 3개

같은 질문에 Claude 혼자 답한 결과입니다. 위의 최종 목록은 모든 AI를 종합합니다.

  1. 1
    GLM-5.3 (Z.ai, 2026)

    Z.ai는 시험 방법(Claude Code 2.1.207, CyberGym 과제 1,507개 첫 시도 성공률)을 공개해 누구나 84.5점에 이의를 제기할 수 있지만, 아직 독립 측정자는 없습니다.

  2. 2
    미스트랄 Large 4 (2026)

    사이버 주장에서 보이는 격차가 가장 작습니다. 미스트랄은 CyberGym-E2E에서 약 82%라고 밝혔고, 독립 지표는 81.7%로 측정했습니다.

    출처 ↗
  3. 3
    딥시크 V4.1 Flash (2026)

    미스트랄의 차트에서는 빠져 있지만, Reflection AI 표에서는 DeepSWE에서 Large 4보다 위입니다(74.2% 대 61.7%).

    출처 ↗
  4. 4
    Kimi K3 (문샷 AI, 2026)

    Terminal-Bench 2.1의 88.3은 문샷 AI 자체 수치이고, 메타 표에는 85.0이라고 적혀 있으며, 가중치 파일은 1.4 TB입니다.

    출처 ↗
  5. 5
    Muse Spark Open (메타, 2026)

    메타는 도구 사용에서는 Kimi K3를 이긴다고 하지만 코딩에서는 뒤진다고 말합니다. Terminal-Bench 2.1 점수는 76.4 대 85.0입니다.

    출처 ↗
  6. 6
    Qwen3.8-2.4T-A95B (알리바바, 2026)

    GPQA 92.6 주장은 다운로드 가능한 체크포인트가 아니라 Max 버전에 대한 것입니다.

  7. 7
    MiMo-V2.6-Pro (샤오미, 2026)

    밸스 AI 기사는 이 모델을 Claude Opus 5.5보다 약 100배 저렴하다고 제목으로 뽑았습니다.

  8. 8
    Nemotron 3.5 Bolt 74B-A9B (엔비디아, 2026)

    이 그룹에서 가장 가벼운 모델입니다. 74B 중 9B가 작동하며, 2비트로 24 GB에 들어갑니다.

  9. 9
    Qwen3.8 27B (알리바바, 2026)

    노트북급 에이전트 두뇌로, 옛 지수에서는 34점이지만 v5에서는 20점뿐입니다.

    출처 ↗
  10. 10
    Kolibri-1 (알레프 알파, 2026)

    80 GB A100 두 장에서 돌아가지만, 자체 수치인 Terminal-Bench 2.1에서 27.7점에 그칩니다.

Claude의 발견

미스트랄의 사이버 주장은 발표일 수치가 독립 측정과 거의 맞는 몇 안 되는 사례입니다(주장 약 82%, 측정 81.7%). 다만 근거의 일부는 폐쇄형 모델이 과제를 거부했다는 데 있어서, 가중치가 공개되면 그 격차는 줄어들 수 있습니다.

에이전트 점수는 모델만큼 실행 틀(하네스) 선택에도 좌우됩니다. 한 모델은 표준 틀에서는 SWE-Bench Pro 45.9%, 제작사 자체 에이전트에서는 55.4%를 받았고, 스케일 AI는 에이전트 세 개 사이에서 5.2점 차이를 봤습니다.

공개 모델의 제작사 Terminal-Bench 2.1 점수는 76~88인데, 공개 실행 틀에서 Terminal-Bench 2 최고 기록은 51.9%입니다. 두 쪽은 버전과 실행 틀이 달라서, 이 차이는 측정값이 아니라 경고 신호입니다.

🇺🇸 ChatGPT10개 순위 · 메모 2개

같은 질문에 ChatGPT 혼자 답한 결과입니다. 위의 최종 목록은 모든 AI를 종합합니다.

  1. 1
    딥시크 V4.1 Flash 1017 (2026)

    독립 FrontierCode 완료율 28%로 공개 가중치 모델 중 1위이며, 측정된 한 업체는 복합 지능 테스트 1회당 $0.37을 받습니다.

    출처 ↗
  2. 2
    GLM-5.3 (2026, Z.ai)

    독립 지능 지수 32점으로 딥시크와 같지만, 독립 측정된 한 업체에서 지능 테스트 1회당 $2.53이 듭니다.

    출처 ↗
  3. 3
    MiMo-V2.6-Pro (2026, 샤오미)

    밸스 전문 정확도 57.81%에 GMI에서 지능 테스트 1회당 $0.24로 보고되어 있습니다.

    출처 ↗
  4. 4
    미스트랄 Large 4 OSS (2026, 프랑스)

    독립 Vibe Code 결과는 81.56%인데 Terminal-Bench 4.0에서는 26.26%뿐입니다. 어떤 과제를 고르느냐에 따라 결과가 크게 달라집니다.

  5. 5
    MiMo-V2.6-Flash (2026, 샤오미)

    GMI에서 지능 테스트 1회당 $0.11이라, 반복 재시도가 많은 에이전트에 저비용 후보입니다.

    출처 ↗
  6. 6
    Ling 3.1 Flash 1019 (2026)

    지능 점수 29점과 활성 파라미터 250억 개로, 효율적인 에이전트 후보 중 상위권입니다.

    출처 ↗
  7. 7
    Step 5 Preview (2026, 스텝펀)

    지능 지수 29점은 Ling과 같지만, 약 $0.50의 혼합 토큰 가격 때문에 반복 시도의 경제성이 떨어집니다.

    출처 ↗
  8. 8
    Kimi K3 (2026, 문샷 AI)

    사람 선호도에서 강한 결과를 보여 계획이나 검토 에이전트로 시험해볼 가치가 있지만, 도구 작업을 끝까지 완료한다는 증거는 아닙니다.

  9. 9
    미니맥스-M3.1-Flash (2026)

    지능 점수 29점과 측정된 테스트 시도당 $0.42 비용은 흥미롭지만, 배포 권리는 아직 불분명합니다.

    출처 ↗
  10. 10
    미스트랄 Large 3 (2025–2026)

    기업이 고객 에이전트를 호스팅할 때, Large 4의 서비스형 모델(MaaS) 예외 없이 Apache 2.0을 쓰면 운영상 이점이 있습니다.

    출처 ↗

ChatGPT의 발견

FrontierCode 2.0에서 최고 공개 가중치 모델은 28%, Claude Opus 5.5는 46%입니다. 18점 차이는 일반 지능과 자율 코딩 신뢰도를 같은 것으로 보면 안 된다는 직접적인 경고입니다.

$0.11 시도가 저렴하다고 해도 자주 실패한다면 $0.37 시도보다 싼 것은 아닙니다. 완료된 작업의 경제성은 재시도와 사람이 고치는 비용까지 재야 알 수 있습니다.

🇺🇸 Meta10개 순위 · 메모 4개

같은 질문에 Meta 혼자 답한 결과입니다. 위의 최종 목록은 모든 AI를 종합합니다.

  1. 1
    딥시크 V4.1 Flash 1017 (2026, 중국)

    밸스 지수 공개 모델 1위 61.26%, 테스트당 $0.66 대 Sonnet 5.5 $18.70 – 28배 저렴, 제작사 Terminal-Bench 2.1 90.6이지만 독립 측정은 31.8

    출처 ↗
  2. 2
    샤오미 MiMo-V2.6-Pro (2026, 중국)

    Terminal-Bench 2.1 89.9로 Claude Opus 5의 89.1보다 약간 높음, DeepSWE v1.1 71.9, CyberGym 94%, 지능 과제당 $0.13

    출처 ↗
  3. 3
    Z.ai GLM-5.3 (2026, 중국)

    CyberGym 화이트박스 84.5% – 기술적으로 Claude Mythos 5의 83.8%를 앞섬, DeepSWE 66.9%(이전 46.2%), Terminal-Bench 4.0 40%

    출처 ↗
  4. 4
    Z.ai GLM-5.3 Flash (2026, 중국)

    MIT, $0.15/$0.50, 제작사 Terminal-Bench 2.1 84.3, 단일 서버에서 가장 저렴하게 돌리는 공개 에이전트

    출처 ↗
  5. 5
    미스트랄 Large 4 Le Chonk (2026, 프랑스)

    제작사 Cybench 93%, 취약점 패치 82%, DeepSWE v1.1 61.7% – 독립 측정은 Terminal-Bench 4.0 41%, 코딩 에이전트 지수 48%이며 토큰은 47% 적게 씀

    출처 ↗
  6. 6
    문샷 Kimi K3 (2026, 중국)

    밸스 지수 공개 모델 최고 57%, Arena 1488, K3.1 Pro는 v5 Terminal-Bench 4.0에서 67% – 공개 모델 중 최고 터미널 점수

    출처 ↗
  7. 7
    딥시크 V4 Pro 0813 (2026, 중국)

    MIT, 840개 공격 보안 과제에서 거부 0건, CyberGym-E2E 76% 대 미스트랄 Large 4 79%, 성공당 비용 절반

    출처 ↗
  8. 8
    알리바바 Qwen3.8-2.4T-A95B Max (2026, 중국)

    전체 2.4T·활성 95B, 맞춤 $50M MaaS 조건, IOI 68.89%, Apache 27B 형제 모델이 깔끔한 라이선스 대안

    출처 ↗
  9. 9
    미니맥스 M3.1 Flash (2026, 중국)

    전체 428B·활성 23B MoE, $0.075/$0.30로 가장 싼 최상위 에이전트, 지능 지수 43, 가중치는 10월 23일 허깅페이스에 공개

    출처 ↗
  10. 10
    구글 Gemma 4 31B / 엔비디아 Nemotron 3.5 Bolt 74B (2026, 미국)

    미국 하드웨어에 가장 잘 맞음 – Arena 1452의 Gemma 31B, 전체 74B 중 9B가 작동하는 Nemotron은 24GB GPU에 들어가며 Apache 2.0 + 엔비디아 공개 라이선스

    출처 ↗

Meta의 발견

신뢰 격차가 10점을 넘습니다. 딥시크 V4.1 Flash는 제작사 Terminal-Bench 4.0 42.3%인데 밸스 독립 측정은 31.8%이고, 미스트랄 Large 4는 제작사 취약점 패치 82%인데 독립 Terminal-Bench 4.0은 41%입니다. 발표 수치는 독립 재측정보다 20점 높습니다.

완료 작업당 비용: 딥시크 V4.1 Flash 1017(밸스 테스트당 $0.66) 대 Claude Sonnet 5.5 $18.70, Opus 5.5 $28.12 – 정확도가 9점 낮은 대신 28배, 42배 저렴합니다.

CyberGym은 포화 상태입니다. GLM-5.3 84.5%, Claude Mythos 5 83.8%, GPT-5.6 Sol 83.6%로 7.3점 안에 몰려 있어, 헤드라인 퍼센트에서는 능력 차이가 보이지 않습니다.

Terminal-Bench가 승부를 가릅니다. 공개 모델 최고 Kimi K3.1 Pro는 67%이고, 공개 딥시크 V4.1 Flash 최고는 FrontierCode 28%와 Terminal-Bench-Science 13%이며, 대부분의 공개 모델은 10% 아래입니다.

🇺🇸 Gemini10개 순위

같은 질문에 Gemini 혼자 답한 결과입니다. 위의 최종 목록은 모든 AI를 종합합니다.

  1. 1
    Qwen 2.5 Coder 32B Instruct (알리바바, 중국)

    업계에서 신뢰 격차가 가장 작습니다(4%포인트 미만). 소비자용 장비에서 복잡한 코딩 에이전트 작업을 몇 푼으로 끝냅니다.

    출처 ↗
  2. 2
    딥시크-V3 (중국, 2024–2026)

    671B MoE의 도구 호출 능력에 5% 미만의 공격적인 신뢰 격차, 거의 없는 API 호출 가격을 함께 갖췄습니다.

    출처 ↗
  3. 3
    Llama 3.3 70B Instruct (메타, 미국)

    함수 호출 시퀀스의 92%를 문법 오류 없이 끝내며, 메타 백서 주장과의 차이는 5.1%로 촘촘합니다.

  4. 4
    Nous Hermes 3 - 70B (누스 리서치, 미국)

    오직 자율 에이전트 조종과 JSON 함수 실행을 위해 설계되었고, 50단계 작업에서도 프롬프트 이탈이 거의 없습니다.

    출처 ↗
  5. 5
    미스트랄 Large 4 (미스트랄 AI, 프랑스, 2026)

    CyberGym-E2E 82%, DeepSWE v1.1 61.7%를 주장하지만, 하비의 독립 Legal Agent Benchmark에서는 15.83%로 떨어집니다.

    출처 ↗
  6. 6
    Llama 3.1 405B Instruct (메타, 미국)

    공개 가중치 중 추론 여유가 가장 크지만, 에이전트 한 개를 돌리려면 8-GPU 데이터센터 서버가 필요합니다.

  7. 7
    딥시크-Coder-V2.5 (중국)

    믿을 만한 자동 버그 사냥꾼입니다. 16B 활성 MoE 설계 덕분에 완료된 코드 패치 비용이 $0.05까지 떨어집니다.

    출처 ↗
  8. 8
    Qwen 2.5 72B Instruct (알리바바, 중국)

    128k 문맥에서도 안정적이고 파싱 실패가 거의 없어, 여러 에이전트를 묶는 오케스트레이터에 쓸 만한 범용 에이전트입니다.

    출처 ↗
  9. 9
    Devstral 24B / 미스트랄 NeMo (미스트랄 AI, 프랑스)

    미스트랄의 가볍고 로컬에서 돌아가는 에이전트로, 기업 클라우드 크레딧을 태우지 않고 IDE 터미널 명령을 안정적으로 실행합니다.

    출처 ↗
  10. 10
    GLM-4 9B Chat (지푸AI, 중국)

    모바일과 엣지 에이전트 환경의 입문용으로, 16GB 메모리 안에서 웹 탐색 동작을 해석할 수 있습니다.

    출처 ↗
🇨🇳 Wenxin10개 순위 · 메모 1개

같은 질문에 Wenxin 혼자 답한 결과입니다. 위의 최종 목록은 모든 AI를 종합합니다.

  1. 1
    메타 Llama 4 Maverick 405B (2026)

    405B 에이전트 괴물이지만, 작업 하나를 끝내려면 H100 8장과 $12k 상당 장비가 필요합니다.

  2. 2
    딥시크-V3.2 671B (2025/2026)

    MoE 덕분에 활성 파라미터가 약 37B로 줄어듭니다 — 크게 생각하고 적게 쓰는 에이전트

  3. 3
    미스트랄 Large 4 123B (미스트랄 AI, 프랑스, 2026)

    123B 에이전트 점수는 서류상 훌륭하지만, 독립 테스트에서는 20점 차이가 납니다.

    출처 ↗
  4. 4
    Qwen3 235B-A22B MoE (알리바바, 2026)

    추론 시 22B만 작동 — 24시간 돌릴 만큼 감당할 수 있는 에이전트

    출처 ↗
  5. 5
    Falcon 3 180B (TII, 아랍에미리트, 2026)

    180B 범용 모델로, 괜찮은 에이전트지만 코드나 법률 전문가는 아닙니다.

  6. 6
    엔비디아 Nemotron 4 340B (2025/2026)

    엔비디아가 자사 칩을 보여주려고 만든 에이전트 모델 — 당신의 예산이 아니라 칩 판매가 목적입니다.

  7. 7
    마이크로소프트 Phi-4 14B (2025/2026)

    노트북의 14B — 커피가 내려지는 동안 돌아가는 에이전트

  8. 8
    코히어 Command R+ 104B (2025/2026)

    기업용 문서 검색 에이전트로 만들어졌지만, '오픈'은 판매하지 않을 때만 해당됩니다.

    출처 ↗
  9. 9
    스태빌리티 AI Stable Code 3 15B (2026)

    15B 코드 에이전트 — 깃허브 이슈는 잘 처리하지만 세금 신고는 못 합니다.

  10. 10
    구글 Gemma 3 27B (2026)

    27B 범용 에이전트 — 작업의 80%에는 충분하며 비용은 10분의 1

    출처 ↗

Wenxin의 발견

딥시크-V3.2는 자체 설치 시 100만 토큰당 1 미만으로, 최상위 5위권 에이전트 모델 중 가장 저렴합니다. MoE이므로 토큰마다 약 37B 파라미터만 작동합니다.

🇨🇳 DeepSeek10개 순위 · 메모 1개

같은 질문에 DeepSeek 혼자 답한 결과입니다. 위의 최종 목록은 모든 AI를 종합합니다.

  1. 1
    딥시크 V4.1 Flash 1017 (2026)

    밸스 독립 지수 61.26%에 테스트당 $0.66 — 하지만 제작사가 발표한 DeepSWE 74.2는 밸스 독립 Terminal-Bench 4.0에서 19.7%로 무너집니다. 업계에서 가장 큰 신뢰 격차 중 하나입니다.

  2. 2
    GLM-5.3 (2026)

    밸스의 코딩 분류에서 64.3점으로 공개 가중치 코딩 에이전트 중 최고입니다. 독립 수치도 대부분보다 잘 버티지만, 고객을 위해 에이전트를 호스팅하는 곳에는 라이선스 분쟁이 중요합니다.

    출처 ↗
  3. 3
    미스트랄 Large 4 (Le Chonk, 2026)

    미스트랄의 발표 수치는 CyberGym-E2E 82%, Cybench 93%, DeepSWE 61.7%지만, 독립 Cyber Index 테스트는 약 51%입니다. 약 31점의 신뢰 격차로, 보안 에이전트 구매자가 가장 중요하게 봐야 할 숫자입니다.

    출처 ↗
  4. 4
    Kimi K3 (문샷 AI, 2026)

    독립 밸스 점수 57.8%와 LMArena 공개 모델 Elo 1,487이지만, $20M 매출 기준과 월간 이용자 1억 명(MAU) 상한 때문에 에이전트 플랫폼은 GPU뿐 아니라 상업 계약 예산도 잡아야 합니다.

    출처 ↗
  5. 5
    MiMo-V2.6-Pro (샤오미, 2026)

    독립 밸스 점수 59.5%에 완전한 MIT 라이선스, 100만 토큰당 $0.435/$0.87 — 진짜 허용형 모델 중 완료 작업당 비용이 가장 좋습니다.

    출처 ↗
  6. 6
    Qwen 3.8 Max (알리바바, 2026)

    코딩 에이전트 수치는 좋습니다(제작사 Terminal-Bench 2.1 67.4). 하지만 경쟁 MaaS와 코딩 도우미 사업에 $50M 매출 기준이 있어, 고객에게 호스팅하는 에이전트 플랫폼은 상업 계약을 준비해야 합니다.

    출처 ↗
  7. 7
    Muse Spark Open (메타, 2026)

    밸스 AI의 하비 Legal Agent Benchmark에서 25.00%로 1위지만, $20M MaaS 재판매 조건 때문에 법률 기술 플랫폼은 고객에게 호스팅하기 전에 별도 계약이 필요합니다.

  8. 8
    Step 5 Preview (스텝펀, 2026)

    아티피셜 애널리시스 v5 29점에 1M 토큰 문맥과 600B MoE 설계를 갖췄지만, 스텝펀 모델 라이선스 1.0의 OEM과 MaaS 조건 때문에 가중치는 내려받아도 에이전트 배포가 막힐 수 있습니다.

  9. 9
    Nemotron 3 Ultra (엔비디아, 2026)

    아티피셜 애널리시스 v5 23점에 불과하지만, OpenMDW-1.1은 가중치, 학습 데이터, 학습 방법을 공개합니다. 장시간 작동하는 에이전트 모델 중 가장 투명하며, 100만 토큰당 $0.60/$2.60입니다.

  10. 10
    Beam 1.0 (Reflection AI, 2026)

    아티피셜 애널리시스 v5 30점, AutomationBench-AA 48.5%로 업무 흐름 에이전트에는 강하지만, Terminal-Bench 4.0에서는 3.0%뿐입니다. 지식 업무용 에이전트는 끝내도 터미널 에이전트는 잘 끝내지 못합니다.

DeepSeek의 발견

충분한 턴을 주면 공개 가중치 에이전트가 폐쇄형 모델과 맞먹으면서 비용은 10분의 1 미만일 수 있습니다. 보안·법률 에이전트 팀이 직접 만들지 살지 계산하는 방식을 바꾸는 결과입니다.

🇨🇳 Qwen10개 순위 · 메모 2개

같은 질문에 Qwen 혼자 답한 결과입니다. 위의 최종 목록은 모든 AI를 종합합니다.

  1. 1
    Kimi K3.1 Pro

    문샷 AI의 에이전트는 실제 해킹 과제의 94.7%를 끝내며, 독립 점수와 다른 곳들의 발표 수치 사이에 큰 차이를 남깁니다.

    출처 ↗
  2. 2
    딥시크 V4.1

    MIT 라이선스의 일꾼으로, 여러 파일에 걸친 복잡한 코딩 에이전트를 미국 최상위 모델보다 훨씬 싸게 완성합니다.

  3. 3
    미스트랄 Large 4

    미스트랄은 CyberGym 82%, DeepSWE 61.7%를 주장하지만, 독립 측정자는 81.7%와 60%로, 드문 '정직한' 신뢰 격차를 보여 줍니다.

    출처 ↗
  4. 4
    GLM-5.1

    하비의 Legal Agent Benchmark에 맞춰 후속 학습되어, 일반 모델보다 빨리 계약서를 쓰고 검토합니다.

  5. 5
    Qwen 3.8 Max

    알리바바의 에이전트 오케스트레이터는 아시아 법률·금융 업무에 강하지만, $50M 매출 라이선스 상한 때문에 해외 SaaS 도입이 느립니다.

  6. 6
    Llama 3.3 405B

    메타의 대형 문맥 창 덕분에 긴 작업용 리팩터링 에이전트가 코드베이스 전체를 메모리에 담을 수 있습니다.

  7. 7
    Yi-Lightning

    01.AI의 가벼운 에이전트는 저렴한 클라우드 GPU에서 돌아가, 자동 고객 지원 루프를 만드는 스타트업의 기본 선택입니다.

    출처 ↗
  8. 8
    MiMo

    수학 중심 코딩 과제에서 일반 모델을 이기는 전문 추론 에이전트이며, 100B 파라미터 규모가 필요하지 않습니다.

    출처 ↗
  9. 9
    Phi-4

    마이크로소프트의 소형 에이전트는 기기 안에서 하는 보안 점검에 강합니다. 코드를 클라우드로 보내는 것이 규정 위반인 곳에 적합합니다.

    출처 ↗
  10. 10
    InternLM 3

    상하이 AI 연구소의 에이전트 프레임워크에는 도구 사용 추적 기능이 내장되어 있어, 감사 대상 금융 업무 조율에 가장 선호됩니다.

    출처 ↗

Qwen의 발견

AI 에이전트의 '신뢰 격차'가 좁아지고 있습니다. 미스트랄 Large 4의 제작사 주장(CyberGym 82%)은 독립 테스트(81.7%)와 거의 같았습니다. 골라낸 벤치마크가 난무하는 분야에서 드문 투명성입니다.

에이전트에서는 하드웨어 효율이 새로운 해자(경쟁 우위)입니다. Phi-4와 Yi-Lightning으로 스타트업은 RTX 4090 한 장에서 24시간 자율 보안 점검을 돌리고, 클라우드 API 호출 제한을 완전히 피할 수 있습니다.