더 이상 "최고의 LLM"이란 존재하지 않습니다. 코딩을 위한 최고의 모델, 장기 계획 에이전트 (long-horizon agents)를 위한 최고의 모델, 추론 (reasoning)을 위한 최고의 모델, 그리고 당신의 예산에 맞는 최고의 모델이 각각 따로 있으며, 이들은 모두 서로 다른 모델입니다. 저는 지난 몇 주 동안 현재 존재하는 모든 프런티어 (frontier) 모델과 오픈 웨이트 (open-weight) 모델을 동일한 벤치마크에 올려놓고, 벤더의 주장과 독립적인 수치를 교차 검증하며, 각 모델을 제 팀이 실제로 수행하는 작업에 매핑했습니다. 하루에도 수십 번씩 "어떤 모델을 써야 하나요?"라는 질문에 답해야 하는 에이전트형 AI 매니저로서, 2026년의 라우팅 (routing) 지도를 공개합니다.

내가 이 문제에 깊게 파고든 이유

매주 제 팀원들은 똑같은 질문을 합니다. "이 작업에는 어떤 모델을 사용해야 하나요?" 그리고 매주 정직한 답변은 점점 길어지고 있습니다. 분야가 계속해서 분화되고 있기 때문입니다.

1년 전만 해도 하나의 프런티어 모델을 선택해 모든 것에 사용하면 되었습니다. 하지만 2026년 중반인 지금, 그렇게 하는 것은 직무 유기나 다름없습니다. 최고의 코딩 (coding) 모델, 최고의 추론 (reasoning) 모델, 그리고 최고의 가성비 (value) 모델 사이의 격차가 이제는 잘못된 선택을 했을 때 실제 비용, 실제 지연 시간 (latency), 또는 인지하지 못한 채 성능이 저하된 에이전트로 이어질 만큼 커졌습니다. 프로덕션 환경에서 에이전트 시스템을 관리하는 사람으로서, 제 업무는 "똑똑한 모델을 고르는 것"에서 라우팅 (routing), 즉 작업의 형태에 가장 적합한 모델을 매칭하는 것으로 바뀌었습니다.

그래서 저는 당연한 일을 했습니다. Anthropic, OpenAI, Google, xAI, Meta, 그리고 급부상하는 중국의 오픈 웨이트 (open-weight) 연구소들을 포함한 약 20개의 현재 모델들을 동일한 벤치마크에 올렸습니다. Artificial Analysis Intelligence Index를 벤더 페이지와 교차 참조하였고, 확인할 수 없는 모든 수치는 제외했습니다. 이것이 제가 제 팀에게 전달한 지도입니다.

요약 (TL;DR)

• 단일 승자는 없음. Claude Opus 5가 전체 Artificial Analysis Intelligence Index (~61)에서 1위를 차지했지만, 카테고리별 왕좌는 5개의 연구소(labs)로 나뉘었습니다.
• 코딩 (Coding): Claude Fable 5 / Opus 5가 SWE-bench를 선도하며, GPT-5.6 Sol과 Grok 4.5가 더 어려운 에이전트형 코딩 평가 (agentic coding evals)에서 바로 그 뒤를 잇고 있습니다.
• 에이전트 도구 사용 (Agentic tool use): Meta의 Muse Spark 1.1이 도구 오케스트레이션 (tool-orchestration, MCP Atlas 88.1)을 선도하며, Gemini 3.6 Flash는 컴퓨터 사용 (computer-use, OSWorld 83%) 분야를 선도합니다. 가장 중요한 지표인 τ²-bench 하에서의 정책 준수 (policy adherence) 측면에서는 대부분의 모델이 여전히 조용히 실패하고 있습니다.
• 추론 및 과학 (Reasoning & science): GPT-5.6 Sol과 Gemini 3.1 Pro가 GPQA Diamond (~94%)에서 공동 1위를 차지했으며, Fable 5가 Humanity's Last Exam을 선도합니다.
• 가치 (Value): 2026년의 핵심 서사입니다. 중국의 오픈 웨이트 (open-weight) 모델들인 GLM-5.2, DeepSeek V4, MiniMax M3는 토큰 비용이 1/6에서 1/30 수준이면서도 프런티어 (frontier) 모델에 근접한 품질을 제공합니다.
• 오픈 웨이트 (Open weights): Kimi K3가 가장 강력한 오픈 모델 (Index 57)로, GLM-5.2와 DeepSeek V4를 앞서고 있습니다. 반면 Llama 4는 최하위로 떨어졌으며, Meta의 진정한 프런티어 모델(Muse Spark)은 이제 폐쇄형 (closed) 모델이 되었습니다.
• 벤치마크를 성숙하게 읽으십시오. SWE-bench Verified와 AIME는 포화 상태이며, OpenAI는 표준 평가 (standard evals) 게시를 중단했고, "도구 사용 시 (with tools)"와 "도구 미사용 시 (no tools)" 점수가 끊임없이 혼재되어 나타납니다. 아래에서 이러한 함정들을 짚어보겠습니다.

먼저, 벤치마크 문해력에 대한 경고 (필독)

순위를 확인하기 전에, 리더보드 스크린샷에 속지 않기 위해 알아야 할 다섯 가지가 있습니다:

1. Artificial Analysis Index가 더 어려워졌습니다. 현재의 v4.1은 9개 평가 항목(Terminal-Bench 2.1, Humanity's Last Exam, GPQA Diamond 등)으로 구성된 복합 지표이며, 2025년 인덱스보다 더 까다롭게 재조정되었습니다. 이전 인덱스에서 "56"이라는 점수를 자랑하며 출시된 모델이 오늘날의 리더보드에서는 "46"으로 나타날 수 있습니다. 반드시 동일한 기준으로 비교하십시오.
2. 점수는 추론 노력(effort)에 따라 달라집니다. 동일한 모델이라도 high 추론 노력과 max 추론 노력 설정 시 점수가 다르게 나타납니다. GPT-5.6 Sol은 max 설정 시 약 59점이지만, high 설정 시에는 약 56점입니다. 점수를 확인할 때는 항상 해당 설정값을 함께 확인하십시오.
3. 기존 벤치마크들은 포화 상태입니다. SWE-bench _Verified_와 AIME _2025_는 이미 점수가 거의 한계치에 도달했습니다. 2026년의 실질적인 차별화 요소는 SWE-bench Pro, Terminal-Bench 2.1, FrontierSWE, HLE, 그리고 AIME 2026입니다. 만약 어떤 표가 여전히 AIME 2025를 주요 지표로 내세우고 있다면, 그것은 구식 정보입니다.
4. OpenAI가 공개를 중단했습니다. OpenAI는 GPT-5.6에 대한 공식적인 SWE-bench Verified / GPQA / HLE 수치를 발표하지 않았습니다 — 이는 과거와는 확연히 다른 변화입니다. 여기에 기재된 GPT-5.6 수치는 OpenAI의 수치가 아닌 Artificial Analysis의 독립적인 실행 결과이며, 저는 이를 명시해 두었습니다.
5. "도구 사용 시(With tools)"는 "도구 미사용 시(no tools)"와 같지 않습니다. Humanity's Last Exam 점수는 모델에게 도구 사용이 허용될 때 거의 두 배 가까이 상승합니다. 제조사들은 경쟁사의 "도구 미사용" 점수 옆에 자사 모델의 "도구 사용" 점수를 나란히 배치하여 인용하는 것을 좋아합니다. 이에 속지 마십시오.

이러한 주의사항을 숙지했다면, 이제 본격적인 현황을 살펴보겠습니다.

하나의 사다리로 보는 2026년 모델 지형도

20개의 모델, 하나의 표. 가격은 1M 토큰(입력 / 출력) 기준입니다. "Index"는 Artificial Analysis Intelligence Index(v4.1, 방향성 지표 — 소수점이 아닌 ± 오차 범위로 취급하십시오)입니다.

이제 여러분이 기대하던 부분 — 어떤 작업에 누가 승자인가입니다.

🏆 종합 지능 (Overall Intelligence)

"가장 똑똑한 모델, 올라운더"에 대한 질문입니다. Artificial Analysis의 종합 지표가 가장 최선에 가까운 단일 답변입니다.

매니저를 위한 노트: Opus 5는 드물게 "실무용 가격으로 제공되는 플래그십 지능"입니다 — 이전 Opus와 동일한 $5/$25이며, 인덱스 (Index)에서 약 1위를 차지합니다. 만약 어떤 작업을 프론티어 모델 (frontier model)로 기본 설정해야 한다면, 이 모델을 선택하십시오.

🤖 에이전트 도구 사용 및 장기 자율성 (Agentic Tool Use & Long-Horizon Autonomy)

이것이 저의 실제 본업이기에, 저는 다른 어떤 항목보다 이 항목에 더 신경을 씁니다. 또한 이는 모델들이 가장 취약한 부분이기 때문에 마케팅 스크린샷에서는 숨겨지는 부분이기도 합니다.

"에이전트적 (agentic)"이라는 용어 아래에는 세 가지 서로 다른 기술이 숨어 있으며, 각 기술마다 승리하는 모델이 다릅니다:

1. 도구 오케스트레이션 (Tool orchestration) ≠ 순수 IQ. Meta의 Muse Spark 1.1은 인덱스 ~43에 위치하며 — 일반 지능 측면에서는 중간 수준이지만 — 도구 사용 오케스트레이션 (tool-use orchestration) 분야를 선도하고 있습니다. 이는 네이티브 MCP를 활용한 기본 에이전트(primary-agent) + 병렬 서브 에이전트(parallel-subagent) 워크플로우를 위해 구축되었기 때문입니다. 만약 귀하의 시스템이 주로 "올바른 순서로 올바른 도구를 호출하는 것"에 집중되어 있다면, 가장 똑똑한 모델이 반드시 최고의 에이전트는 아닙니다.

2. 정책 준수 (Policy adherence)가 진정한 기준입니다. $\tau^2$-bench는 단순히 "에이전트가 작업을 완료했는가"를 묻지 않습니다. 대신 "명시된 정책을 위반하지 않고 작업을 완료했는가"를 묻습니다. 항공권을 예약했지만 변경 수수료 규칙을 무시한 에이전트는 실패한 것입니다. 이는 기업의 현실과 정확히 일치하며, 제가 화려한 데모보다 $\tau^2$ 스타일의 평가(evals)를 신뢰하는 이유입니다. 선두 모델들조차 이 지표에서는 80점대 후반에 머물러 있습니다. 이는 "자율 에이전트 (autonomous agent)"에게 여전히 가드레일(guardrails)과 되돌릴 수 없는 작업에 대한 인간의 개입이 필요함을 상기시켜 줍니다.

매니저의 노트: 에이전트의 백본 (backbones) 역할로는 판단력이 중시되는 계획 수립을 위해 Opus 5 또는 GPT-5.6 Sol을 사용합니다. 하지만 대량의 도구 호출 루프에는 더 저렴하고 도구에 최적화된 모델 (Muse Spark, Gemini Flash 또는 오픈 모델)을 투입합니다. 플래너(planner)와 워커(worker)가 반드시 동일한 모델일 필요는 없습니다.

💻 코딩 (Coding)

가장 많이 테스트되는 역량이자, "어떤 벤치마크를 사용하는가"라는 주의 사항이 가장 뼈아프게 다가오는 영역입니다. SWE-bench Verified는 이미 포화 상태이며 (Anthropic의 최상위 모델들이 95~96%를 기록 중), 따라서 저는 여전히 변별력이 있는 SWE-bench Pro와 Terminal-Bench에 더 높은 가중치를 둡니다.

매니저 노트 (Manager's note): DeepSeek V4-Pro가 MIT 라이선스 기반의 셀프 호스팅 가능 모델로서 SWE-bench Verified 80.6%를 달성한 것은 올해 코딩 데이터 중 가장 파괴적인 지점입니다. 데이터 거주성 (data-residency) 제약이 있는 팀들에게는 "자체 VPC에서 실행 가능한 프론티어급 코딩 성능"이 이제 현실이 되었습니다.

🧠 추론, 과학 및 수학 (Reasoning, Science & Math)

하드 사이언스 QA (Hard science QA), 경시대회 수학, 그리고 추상적 추론 — 즉, "실제로 사고할 수 있는가"를 다루는 클러스터입니다.

반복해서 주의를 드리는 점 (Caveat): Opus 5와 Muse Spark가 HLE에서 64%와 62%로 인용되는 것을 보게 될 텐데, 이는 도구 사용 (with-tools) 수치입니다. 위의 도구 미사용 (no-tools) 열과 비교했을 때, Fable 5의 53.3%가 정직한 선두입니다. 이 두 가지를 절대 혼동하지 마십시오.

👁️ 멀티모달 (Multimodal)

시각 (Vision), 문서, 차트, 혼합 미디어.

핵심 요약 (The takeaway): Gemini는 여전히 멀티모달 (multimodal)의 기본값으로 남아 있습니다. 이미지/비디오/오디오/PDF 전반에 걸쳐 네이티브하게 강력하며, 이제는 컴퓨터 사용 (computer-use) 분야의 선두주자이기도 합니다. 하지만 Kimi K3가 MMMU-Pro에서 조용히 앞서나가며 가장 강력한 오픈 (open) 멀티모달 옵션이 되었습니다. 문서 중심적이거나 화면 제어형 에이전트 (agents)를 위해서는 Gemini Flash가 가성비 선택지이며, 온프레미스 (on-prem) 멀티모달을 위해서는 Kimi K3가 적합합니다.

📏 롱 컨텍스트 (Long Context)

작업 내용이 "전부 다 읽기"일 때입니다.

• Llama 4 Scout — 1,000만 (10M) 토큰. 여전히 가장 큰 사용 가능한 윈도우 (window)이며, 단일 H100에 탑재 가능합니다. 일반 지능 (general intelligence)은 낮지만 (인덱스 ~10), 저렴하게 셀프 호스팅하여 "전체 코드베이스/코퍼스 (corpus)를 삼키는" 검색기 (retriever)로서 이 윈도우 크기를 따라올 모델은 없습니다.
• Grok 4.1 Fast — 200만 (2M) 토큰. 폐쇄형 프론티어 인접 모델 (closed frontier-adjacent models) 중 가장 크며, 저렴하고 빠른 고속 롱 컨텍스트 (long-context)에 최적화되어 있습니다.
• 그 외 모델들 — 약 100만 (~1M). Opus 5, Fable 5, GPT-5.6, Gemini, Kimi K3, DeepSeek V4, MiniMax M3 모두 약 100만 토큰 수준에 머물러 있으며, 이는 대다수의 실제 워크로드 (workloads)를 처리하기에 충분합니다.

관리자 노트 (Manager's note): 단순한 윈도우 크기는 과장되어 있습니다. 전체 컨텍스트를 실제로 추론 (reasons) 하는 100만 토큰 모델이, 훑어보기만 하는 1,000만 토큰 모델보다 낫습니다. 광고된 숫자가 아니라, 깊이 있는 검색 품질 (retrieval quality)을 테스트하십시오.

💰 가치 및 비용 효율성 (Value & Cost-Efficiency) (2026년의 진짜 이야기)

올해 제 아키텍처 (architecture)를 재편한 변화가 하나 있다면 바로 이것입니다: "충분히 좋은 (good enough)" 모델의 가격이 폭락했습니다.

🔓 최적의 오픈 웨이트 (Open-Weight) 모델

오픈 소스 분야는 매우 빠르게 발전하여 별도의 순위를 매길 가치가 있으며, 지리적 변화가 가장 중요한 헤드라인입니다.