AI 모델 비교 시리즈 #1 — 2026년 6월, 8대 모델의 삼층 구조 총람

8분 만에 읽을 수 있는 · AI 모델 비교 시리즈 제1회 (총 4회)

2026년 제2사분기, AI 대규모 언어 모델 (LLM) 업계는 전례 없는 고밀도 이터레이션 (Iteration)기에 돌입했다. 불과 11주 사이에 OpenAI, Anthropic, Google, DeepSeek, MiniMax가 잇따라 플래그십 모델을 출시하며, '3강 체제 + 오픈 소스 (Open Source)의 대두'라는 경쟁 구도가 형성되었다.

본고는 4회 시리즈 중 제1회차이다. BenchLM 종합 스코어와 Arena Elo의 인간 선호도 평가라는 두 축을 통해, 2026년 6월 시점의 8대 AI 모델의 전체상을 그려낸다.

랭킹을 보기 전에, 사용하는 3가지 평가 도구를 이해하자:

📊 BenchLM — 237개의 벤치마크 테스트를 가중 집계한 스코어. Agentic (22%), Coding (20%), Reasoning (17%) 등 8개 차원을 커버한다. 0-100점. 현시점에서 가장 포괄적인 객관적 평가 시스템이다.

🏟️ Arena Elo — LMSYS Chatbot Arena의 600만 명 이상의 익명 블라인드 투표에 기반하며, 표준 테스트가 아닌 실제 인간의 선호도를 반영한다.

두 가지를 조합함으로써, '시험 성적' (BenchLM)과 '사용감' (Arena Elo)을 모두 확인할 수 있다.

• Opus 4.8이 4포인트 차이로 리드. Coding 98.9는 GPT-5.5를 약 15포인트 상회한다.
• 하지만 GPT-5.5는 Agent 능력과 긴 문맥 검색 (Long-context retrieval)에서 역전한다.
  결론: 코딩은 Opus, Agent는 GPT

• 4개 모델이 불과 4포인트 차이. 절대 스코어보다 가격과 에코시스템 (Ecosystem)이 중요하다.
• Gemini 3.5 Flash는 $1.50/M 입력으로 Agentic 96.9를 달성하며, 'Flash = 타협'이라는 상식을 깨뜨린다.

가장 직관에 반하는 발견: Opus 4.7 (#3, 1491)이 Opus 4.8 (#7, 1479)보다 상위에 있다.

이는 Opus 4.7이 더 뛰어나기 때문이 아니다. 이유는 다음과 같다:

• 투표 수 부족 — Opus 4.8은 공개된 지 약 12일 (Opus 4.7은 11,000+표)
• Elo 수렴 지연 — Bradley-Terry 시스템은 안정화에 4-8주가 필요함
• Thinking 버전의 혼란 — 4.8의 Thinking 버전은 아직 널리 보급되지 않음

표준 벤치마크에서는 Opus 4.8이 종합적으로 리드한다: SWE-bench Pro 69.2% vs 64.3%, BenchLM 95 vs 85.

핵심 결론: BenchLM은 '능력 상한' (최적 추론 조건에서의 피크 성능)을, Arena Elo는 '일상 경험' (캐주얼한 대화에서의 인간 선호도)을 측정한다. 두 지표 사이의 괴리 방향 자체가 선정 시그널이 된다.

제2회에서는 7가지 능력 차원 (Agentic, Coding, Reasoning, Knowledge, 멀티모달, 긴 문맥, 수학)을 상세히 분해한다 —— 각 차원의 톱 모델과 러너업 (Runner-up), 그 차이는?

데이터 출처: BenchLM Leaderboard · lmmarketcap Arena Elo · BuildFastWithAI