이번 주말 동안 V4-Flash-0731과 너무 많은 시간을 보냈고, 제가 느낀 점들을 최대한 간결하게 공유하고 싶었습니다. 실제 업무와 개인적인 벤치마크(benchmarks)를 통해 테스트해 보았습니다. 저의 짧은 생각은 다음과 같습니다: 양자화 (Quantization)가 이 모델에 엄청난 영향을 미칩니다. 여러 Q2 및 Q3 가중치(weights)를 시도해 보았는데, 완전히 다른 모델처럼 작동합니다. 추론 (Reasoning) 방식이 다르게 느껴지며, 결과물은 공식 서비스되는 V4-Flash-0731보다 한 단계 아래 수준입니다. Q4는 테스트할 시간이 많지 않았습니다. Q3는 드디어 여러분의 Qwen3.6-27B 대체제가 될 수 있습니다 (VRAM이 충분하다면..). Qwen3.6-27B와 동일한 작업을 수행하지만, 훨씬 더 안정적입니다. 단순한 원샷 (one-shots)에서는 비슷하지만, 더 큰 저장소(repos)나 대규모 하네스(harnesses)로 가져가면 (도구를 사용하는 약 30k 시스템 프롬프트 토큰 규모의 Claude Code 등..), Q3 버전의 V4-Flash-0731이 Q8 버전의 Qwen3.6-27B를 훨씬 앞섭니다. Q2는 조금 과합니다. Q2를 사용한 모든 사례에서 결국 Qwen3.6-27B Q8 가중치를 더 선호하게 되었습니다. Q2_K_XL은 의문스럽지만, IQ3_XXS보다 약 4GB 정도 작기 때문에 추천하지도 않습니다. Full Precision (전정밀도) 버전이 진짜입니다. GLM 5.2 수준에 근접하고 있다고 말하고 싶을 정도이며, 이는 믿기지 않을 정도로 흥미롭습니다. 네, 복잡한 작업에서 추론을 많이 수행하지만, 최종 비용은 여전히 믿기지 않을 정도로 낮습니다. 이 모델이 GLM 5.2 (Opus 5, Fable 등은 말할 것도 없고..)를 능가한다고 말하는 것은 조금 어리석은 일일 수 있지만.. 가격에 초점을 맞춘다면 이 모델은 독보적인 위치에 있습니다. 이 모델은 명확하게 에이전트 작업 (agentic-work)에 매우 집중되어 있습니다. 저는 항상 Deepseek의 출시작들을