여러분, 저는 LLM(대규모 언어 모델)의 Deep Research (심층 조사) 능력을 상세하게 비교해 보았습니다. 특히 어려운 주제 중 하나인 특정 분야의 학술 논문들을 조사하도록 했으며, 인용 횟수, 피어 리뷰(Peer-reviewed) 저널/컨퍼런스 여부, 최신성 및 평판(Reputation)에 따라 다양한 지표로 분석하여 다음 모델들이 각자의 웹 플랫폼 상에서 심층 조사를 수행하도록 요청했습니다.

모델 목록:

• Kimi Agent Swarm - K2.6
• ChatGPT Work - GPT-5.6 Very High
• ChatGPT Deep Research - GPT-5.6 Pro
• Gemini Deep Research - 3.1 Pro
• Perplexity Computer - GPT-5.6 Sol
• Claude Research - Fable 5 (실패)

🎉 우승자: ChatGPT Work – GPT‑5.6 Very High 🎉

이유: Work 보고서는 정확성, 소스 이동성(Source portability), 범위, 그리고 엔지니어링 의사 결정 지원을 가장 잘 결합한 결과물을 보여주었습니다.

최종 점수 및 요약:

• ChatGPT Work – GPT‑5.6 Very High — 90.8/100
• ChatGPT Deep Research – GPT‑5.6 Pro — 86.4/100
• Perplexity Computer – GPT‑5.6 Sol — 75.5/100
• Gemini Deep Research – 3.1 Pro — 60.0/100
• Kimi Agent Swarm – K2.6 — 42.7/100

주요 강점:

• 59개의 고유한 직접 소스 링크 전체가 독창적인 연구 또는 제1차 자료(First-party source)로 연결됩니다.
• 프리프린트(Preprint), 피어 리뷰 출판물, 산업계 자료를 동일한 인식론적 수준(Epistemic level)으로 평가하지 않고, A+~C 증거 등급 분류를 사용합니다.
• 2025년 프리프린트이지만 2026년에 채택된 연구를 명확하게 라벨링함으로써, Perplexity 및 Gemini보다 날짜 필터를 더 정확하게 적용합니다.
• 메모리(Memory), 플래너(Planner), 툴 컨트랙트(Tool contract), 보안(Security), 서빙(Serving), 리플레이(Replay), 관측성(Observability) 및 릴리스 관리(Release management)를 단일 시스템 아키텍처로 통합합니다.
• 문헌 조사를 직접적인 ASF 결정으로 전환합니다: 동적 토폴로지 라우터(Dynamic topology router), 출처 인식 메모리(Provenance-aware memory), 불변 런타임(Immutable runtime), 리플레이 테스트(Replay tests), 하드웨어-역할 매핑(Hardware-role mapping) 및 90일 단계별 계획.
• 장기적 지평을 가진 에이전트(Long-horizon agents)에서 경계 문맥(Bounded context) 및 파일 중심의 권위 있는 상태(File-centric authoritative state) 제안은 InfiAgent의 실제 접근 방식과 일치합니다. InfiAgent – ACL 2026