고급 코딩 기술 LLM 벤치마크 🔥 모델 및 노력 임계값:

• Qwen3.7-Max

• Minimax M3

• Kimi-K2.7-Code

• GLM 5.2 Max

• Gemini3.5-Flash High

• Sonnet 5 Ultracode

• 작업(Tasks): 이 작업은 단순한 "canvas 애니메이션"이 아닙니다; 수치 물리(numerical physics) + UI + 렌더링(rendering) + 검증(validation)의 결합입니다. 삼체 문제(three-body problem)는 카오스(chaotic)적이기 때문에 잘못된 적분기(integrator)는 빠르게 에너지를 주입합니다. Figure-8 안무(choreography)는 매우 정밀한 검증기(validator)로, 작은 오류나 잘못된 초기 조건은 궤도(orbit)의 붕괴를 초래합니다. 근접 통과 시 |r|^3 항이 폭발하기 때문에 모델은 소프트닝(softening)/적응형 서브스텝(adaptive substep)을 설계해야 합니다. 여기에 에너지, 선운동량(linear momentum) 및 각운동량(angular momentum) 그래프, 카오스 복제본, 항력(drag)을 통한 위치/속도 조정, 팬/줌(pan/zoom) 및 발광 궤적(luminous trails)이 동시에 요구됩니다. 따라서 우수한 모델은 단순히 "작동하는 코드"뿐만 아니라, 수치 해석 방법(numerical-methods)에 대한 인식, 데이터 구조 선택, UI 상태(state) 관리 및 시각적 디자인을 보여주어야 합니다.

🎉 우승자: GLM 5.2 Max
🧮 판사(Judge): GPT 5.5 Advanced Pro

최종 점수 및 요약

• GLM 5.2 Max — 91/100
• Gemini 3.5 Flash High — 87/100
• Sonnet 5 Ultracode — 84/100
• Minimax M3 — 81/100
• Kimi K2.7 Code — 78/100
• Qwen3.7-Max — 72/100

이유: 이 프롬프트의 핵심(crux)은 세 가지였습니다: 정확한 뉴턴 역학 기반의 3체 물리(Newtonian 3-body physics), 실제 RK4 적용, 그리고 근접 조우(close-encounter) 시 NaN/에너지 폭발 방지입니다. GLM 5.2 Max는 이 핵심을 가장 의식적으로 구축한 모델입니다: 상태(state)를 Float64Array로 유지하고, RK4 스크래치 버퍼(scratch buffers)를 재사용하며, Plummer softening을 통해 1/r³ 특이점(singularity) 위험을 줄입니다. 무엇보다 중요한 것은 적응형 서브스텝(adaptive substep) 계산을 단순히 거리에만 의존하지 않고 근접 쌍의 상대 속도(relative velocity)에도 연결했다는 점입니다. 즉, 빠른 근접 비행(close flyby) 상황에서 타임스텝(timestep)을 자동으로 줄입니다. 이는 이 작업에서 가장 중요한 엔지니어링 본능입니다. 또한 라이브 그래프에서 에너지, 운동량 및 각운동량 선택이 가능하며, 항력/팬/줌(drag/pan/zoom), 속도 항력(velocity-drag), 질량 중심(COM) 표시 및 카오스 카운트 슬라이더도 갖추고 있습니다.

일반 요약
이 프롬프트에서는 단순히 "보기 좋은 모습"만으로는 충분하지 않습니다. 정확한 RK4 (Runge-Kutta 4th Order), Figure-8 궤적의 분산 방지, 근접 조우 (close encounter) 시 NaN (Not a Number) 미발생, 그리고 보존 메트릭 (conservation metrics)의 실시간 모니터링 여부가 결정적인 요소입니다. GLM은 특히 adaptive substep (적응형 서브스텝) + preallocated RK4 (사전 할당된 RK4) + momentum/energy/angular diagnostics (운동량/에너지/각운동량 진단)의 조합을 통해 가장 뛰어난 엔지니어링 해답을 제시했습니다.

Gemini 3.5 Flash High는 시각적/UI 측면에서 매우 강력하며, Figure-8을 softening (연화) 없이 시작한다는 점이 큰 장점입니다. 하지만 allocation (할당) 및 chaos diagnostics (카오스 진단) 측면에서는 GLM에 뒤처집니다. Sonnet 5 Ultracode는 깔끔하고 신뢰할 수 있는 3위이지만, Figure-8 값/softening/adaptive의 부족으로 인해 정점에 도달하지는 못했습니다. Minimax M3는 시각적 궤적 (visual trail) 측면에서 즐거움을 주지만, 물리 검증 및 chaos trail/diagnostics 측면은 다소 가볍습니다. Kimi K2.7 Code는 기능적으로는 충분하지만, hot-path allocation (핫패스 할당) 및 진단 깊이가 약합니다. Qwen3.7-Max는 기본 요구 사항을 충족하지만, 이 벤치마크가 요구하는 "numerical robustness (수치적 견고함) + polished simulator (다듬어진 시뮬레이터)" 수준에는 다른 모델만큼 근접하지 못합니다.