먼저 결론: 어떤 작업에 어떤 모델을 먼저 테스트할까

핵심 동일 벤치마크: Claude, GPT-5.5, DeepSeek V4-Pro-Max

아래 표는 같은 출처의 비교표에 나온 수치다. DeepSeek V4-Pro-Max, GPT-5.5/GPT-5.5 Pro, Claude Opus 4.7을 비교할 때 가장 직접적으로 참고할 수 있다. 단, GPT-5.5 Pro는 일부 항목에만 등장한다.

이 표만 놓고 보면 패턴은 비교적 분명하다. Claude Opus 4.7은 고난도 추론, 도구 없는 문제 풀이, 소프트웨어 엔지니어링, MCP Atlas에서 강하다. GPT-5.5 계열은 터미널, 브라우저, 도구 사용형 작업에서 더 돋보인다. DeepSeek V4-Pro-Max는 이 동일 표에서 1위 항목은 없지만, BrowseComp 83.4%로 GPT-5.5의 84.4%에 근접하고 Claude Opus 4.7의 79.3%보다 높다.

Kimi K2.6: 눈에 띄는 수치는 있지만 ‘같은 총순위’에 넣기는 어렵다

Kimi K2.6은 자료가 없어서 비교할 수 없는 모델은 아니다. 문제는 자료의 출처, 실행 모드, 비교 대상이 서로 다르다는 점이다. 아래 수치는 Kimi K2.6을 후보군에 넣을지 판단하는 데는 유용하지만, 위 표와 같은 조건의 순위로 섞어 읽으면 안 된다.

따라서 Kimi K2.6의 현실적인 위치는 ‘유망한 후보군’이다. Kimi 생태계를 쓰고 있거나, 대체 코딩 에이전트 경로를 실험하거나, 비용 대비 성능을 확인하고 싶다면 테스트할 만하다. 다만 현재 자료만으로 네 모델 중 검증된 종합 1위라고 말하기에는 근거가 부족하다.

가격, 컨텍스트 길이, 배포 비용까지 봐야 한다

벤치마크는 능력을 보여주지만, 실제 서비스 도입 여부를 혼자 결정해주지는 않는다. API 가격, 출력 토큰 비용, 컨텍스트 길이, 모델 크기와 배포 방식이 전체 비용을 크게 바꾼다.

비용만 보면 중요한 신호는 명확하다. 같은 보도에서 GPT-5.5와 Claude Opus 4.7은 입력 100만 토큰당 5달러로 같지만, 출력 100만 토큰당 가격은 GPT-5.5가 30달러, Claude Opus 4.7이 25달러다. DeepSeek은 최신 미국 모델 대비 약 6분의 1 비용이라는 포지션으로 소개된다.

업무별로 더 자세히 보면

1. 고난도 추론: Claude Opus 4.7을 먼저 본다

학술적 추론, 도구 없는 문제 풀이, 복잡한 분석, 높은 신뢰도의 질의응답이 핵심이라면 Claude Opus 4.7을 먼저 테스트할 만하다. 동일 표에서 Claude Opus 4.7은 GPQA Diamond 94.2%로 GPT-5.5의 93.6%, DeepSeek V4-Pro-Max의 90.1%보다 높고, Humanity’s Last Exam no-tools에서도 46.9%로 앞선다.

2. 터미널·브라우저·도구 사용 에이전트: GPT-5.5 계열이 강하다

작업의 핵심이 터미널 조작, 브라우저 기반 에이전트, 외부 도구 호출, 도구를 동원한 문제 해결이라면 GPT-5.5/GPT-5.5 Pro가 우선 후보가 된다. GPT-5.5는 Terminal-Bench 2.0에서 82.7%로 Claude Opus 4.7의 69.4%, DeepSeek V4-Pro-Max의 67.9%보다 높다. GPT-5.5 Pro는 BrowseComp 90.1%로 같은 표에서 가장 높다.

3. 소프트웨어 엔지니어링: Claude가 앞서지만, GPT-5.5와 Kimi도 재평가해야 한다

동일 표에서 Claude Opus 4.7은 SWE-Bench Pro/SWE Pro 64.3%로 GPT-5.5의 58.6%, DeepSeek V4-Pro-Max의 55.4%보다 높다. LLM Stats의 SWE-Bench Pro 순위도 비슷한 방향이다. Claude Opus 4.7은 0.64, GPT-5.5와 Kimi K2.6은 0.59, DeepSeek V4-Pro-Max는 0.55다.

다만 코딩 벤치마크는 저장소 구조, 언어, 테스트 프레임워크, 에이전트 설정, 프롬프트 방식의 영향을 크게 받는다. 단일 실무 코딩 테스트에서는 Claude Opus 4.7 97점, GPT-5.5 xHigh 96점, Kimi K2.6 87점, DeepSeek V4 Flash 78점, DeepSeek V4 Pro 69점이 제시됐다. 참고할 수는 있지만, 이 결과 하나만으로 프로덕션 모델을 결정해서는 안 된다.

4. 비용 민감형 대량 호출: DeepSeek V4는 우선 검토 대상이다

토큰 비용이 병목이고, 모든 벤치마크에서 최고 점수를 요구하는 상황이 아니라면 DeepSeek V4는 합리적인 후보가 된다. 동일 표에서 DeepSeek V4-Pro-Max는 여러 항목에서 최상위 모델에 근접하지만 1위를 하지는 못한다. 동시에 보도에서는 DeepSeek이 최신 미국 모델 대비 약 6분의 1 비용이라고 설명된다.

다만 DeepSeek V4 Pro의 모델 규모는 크다. DataCamp는 Pro 버전을 총 1.6T 파라미터, 활성 49B 파라미터, 865GB 다운로드로 제시한다. 제3자 API만 쓰는 것이 아니라 직접 배포나 프라이빗 운영을 고려한다면 하드웨어, 다운로드, 추론 비용, 운영 역량까지 함께 봐야 한다.

5. Kimi K2.6: 후보군에 넣고, 내 작업으로 다시 돌려본다

Kimi K2.6에는 눈여겨볼 만한 신호가 있다. DocsBot은 Kimi K2.6의 BrowseComp를 83.2%로 제시하며, 같은 페이지의 DeepSeek-V4 Pro 83.4%와 거의 같다. LLM Stats는 Kimi K2.6의 SWE-Bench Pro를 0.59로 제시해 GPT-5.5와 같은 점수로 둔다. 실무 코딩 벤치마크에서도 Kimi K2.6은 87점으로 제시됐다.

하지만 Claude Opus 4.7, GPT-5.5, DeepSeek V4-Pro-Max와 완전히 같은 출처·설정·벤치마크 묶음으로 비교한 자료가 부족하다. 그래서 현재로서는 Kimi K2.6을 고잠재력 후보로 보는 것이 맞지, 네 모델의 확정적 종합 우승자로 단정하기는 어렵다.

순위를 과하게 해석하면 위험한 이유

1. Kimi K2.6은 완전한 동일 비교표가 부족하다. 가장 완성도 높은 동일 표는 DeepSeek V4-Pro-Max, GPT-5.5/GPT-5.5 Pro, Claude Opus 4.7을 다루지만 Kimi K2.6은 포함하지 않는다. Kimi는 Artificial Analysis, DocsBot, LLM Stats, Hugging Face 모델 카드, 단일 코딩 벤치마크를 함께 봐야 한다.
2. 버전과 실행 모드 이름이 제각각이다. 출처마다 GPT-5.5 Pro, GPT-5.5 xHigh, DeepSeek-V4 Pro, DeepSeek V4-Pro-Max, Kimi Thinking, Claude Opus 4.7 Adaptive Reasoning/Max Effort 같은 표기가 섞여 있다. 이를 모두 같은 설정으로 간주하면 안 된다.
3. 점수 형식도 출처마다 다르다. 동일 비교표는 SWE-Bench Pro/SWE Pro를 퍼센트로 제시하지만, LLM Stats는 SWE-Bench Pro를 0.xx 형식으로 제시한다. 먼저 같은 출처 안의 상대 순위를 보고, 이후 자기 작업으로 다시 평가하는 편이 안전하다.
4. 가격 자료가 균등하지 않다. GPT-5.5와 Claude Opus 4.7은 입력·출력 토큰 가격과 컨텍스트 정보가 비교적 뚜렷하다. DeepSeek은 약 6분의 1 비용이라는 보도가 핵심이고, Kimi K2.6은 이 글의 출처만으로는 충분한 토큰 가격 자료를 확인하기 어렵다.

최종 판단

한 문장으로 줄이면 이렇다. Claude Opus 4.7은 고난도 추론과 소프트웨어 엔지니어링 벤치마크에서 강하고, GPT-5.5/GPT-5.5 Pro는 도구 사용·터미널·브라우저형 작업에서 강하다. DeepSeek V4-Pro-Max는 비용과 성능의 절충안이며, Kimi K2.6은 잠재력은 크지만 더 많은 동일 조건 비교가 필요하다.

실제 도입 단계에서는 총점만 보지 않는 것이 핵심이다. 자체 저장소, 버그 티켓, 리서치 워크플로, 도구 권한, 컨텍스트 길이, 지연 시간, 오류 허용 범위, 토큰 비용을 기준으로 네 모델을 같은 작업 묶음에 다시 돌려봐야 한다. 그때 벤치마크는 비로소 ‘기사 속 숫자’가 아니라 제품 선택의 근거가 된다.

먼저 결론: 어떤 작업에 어떤 모델을 먼저 테스트할까

핵심 동일 벤치마크: Claude, GPT-5.5, DeepSeek V4-Pro-Max

아래 표는 같은 출처의 비교표에 나온 수치다. DeepSeek V4-Pro-Max, GPT-5.5/GPT-5.5 Pro, Claude Opus 4.7을 비교할 때 가장 직접적으로 참고할 수 있다. 단, GPT-5.5 Pro는 일부 항목에만 등장한다.

이 표만 놓고 보면 패턴은 비교적 분명하다. Claude Opus 4.7은 고난도 추론, 도구 없는 문제 풀이, 소프트웨어 엔지니어링, MCP Atlas에서 강하다. GPT-5.5 계열은 터미널, 브라우저, 도구 사용형 작업에서 더 돋보인다. DeepSeek V4-Pro-Max는 이 동일 표에서 1위 항목은 없지만, BrowseComp 83.4%로 GPT-5.5의 84.4%에 근접하고 Claude Opus 4.7의 79.3%보다 높다.

Kimi K2.6: 눈에 띄는 수치는 있지만 ‘같은 총순위’에 넣기는 어렵다

Kimi K2.6은 자료가 없어서 비교할 수 없는 모델은 아니다. 문제는 자료의 출처, 실행 모드, 비교 대상이 서로 다르다는 점이다. 아래 수치는 Kimi K2.6을 후보군에 넣을지 판단하는 데는 유용하지만, 위 표와 같은 조건의 순위로 섞어 읽으면 안 된다.

따라서 Kimi K2.6의 현실적인 위치는 ‘유망한 후보군’이다. Kimi 생태계를 쓰고 있거나, 대체 코딩 에이전트 경로를 실험하거나, 비용 대비 성능을 확인하고 싶다면 테스트할 만하다. 다만 현재 자료만으로 네 모델 중 검증된 종합 1위라고 말하기에는 근거가 부족하다.

가격, 컨텍스트 길이, 배포 비용까지 봐야 한다

벤치마크는 능력을 보여주지만, 실제 서비스 도입 여부를 혼자 결정해주지는 않는다. API 가격, 출력 토큰 비용, 컨텍스트 길이, 모델 크기와 배포 방식이 전체 비용을 크게 바꾼다.

비용만 보면 중요한 신호는 명확하다. 같은 보도에서 GPT-5.5와 Claude Opus 4.7은 입력 100만 토큰당 5달러로 같지만, 출력 100만 토큰당 가격은 GPT-5.5가 30달러, Claude Opus 4.7이 25달러다. DeepSeek은 최신 미국 모델 대비 약 6분의 1 비용이라는 포지션으로 소개된다.

업무별로 더 자세히 보면

1. 고난도 추론: Claude Opus 4.7을 먼저 본다

학술적 추론, 도구 없는 문제 풀이, 복잡한 분석, 높은 신뢰도의 질의응답이 핵심이라면 Claude Opus 4.7을 먼저 테스트할 만하다. 동일 표에서 Claude Opus 4.7은 GPQA Diamond 94.2%로 GPT-5.5의 93.6%, DeepSeek V4-Pro-Max의 90.1%보다 높고, Humanity’s Last Exam no-tools에서도 46.9%로 앞선다.

2. 터미널·브라우저·도구 사용 에이전트: GPT-5.5 계열이 강하다

작업의 핵심이 터미널 조작, 브라우저 기반 에이전트, 외부 도구 호출, 도구를 동원한 문제 해결이라면 GPT-5.5/GPT-5.5 Pro가 우선 후보가 된다. GPT-5.5는 Terminal-Bench 2.0에서 82.7%로 Claude Opus 4.7의 69.4%, DeepSeek V4-Pro-Max의 67.9%보다 높다. GPT-5.5 Pro는 BrowseComp 90.1%로 같은 표에서 가장 높다.

3. 소프트웨어 엔지니어링: Claude가 앞서지만, GPT-5.5와 Kimi도 재평가해야 한다

동일 표에서 Claude Opus 4.7은 SWE-Bench Pro/SWE Pro 64.3%로 GPT-5.5의 58.6%, DeepSeek V4-Pro-Max의 55.4%보다 높다. LLM Stats의 SWE-Bench Pro 순위도 비슷한 방향이다. Claude Opus 4.7은 0.64, GPT-5.5와 Kimi K2.6은 0.59, DeepSeek V4-Pro-Max는 0.55다.

다만 코딩 벤치마크는 저장소 구조, 언어, 테스트 프레임워크, 에이전트 설정, 프롬프트 방식의 영향을 크게 받는다. 단일 실무 코딩 테스트에서는 Claude Opus 4.7 97점, GPT-5.5 xHigh 96점, Kimi K2.6 87점, DeepSeek V4 Flash 78점, DeepSeek V4 Pro 69점이 제시됐다. 참고할 수는 있지만, 이 결과 하나만으로 프로덕션 모델을 결정해서는 안 된다.

4. 비용 민감형 대량 호출: DeepSeek V4는 우선 검토 대상이다

토큰 비용이 병목이고, 모든 벤치마크에서 최고 점수를 요구하는 상황이 아니라면 DeepSeek V4는 합리적인 후보가 된다. 동일 표에서 DeepSeek V4-Pro-Max는 여러 항목에서 최상위 모델에 근접하지만 1위를 하지는 못한다. 동시에 보도에서는 DeepSeek이 최신 미국 모델 대비 약 6분의 1 비용이라고 설명된다.

다만 DeepSeek V4 Pro의 모델 규모는 크다. DataCamp는 Pro 버전을 총 1.6T 파라미터, 활성 49B 파라미터, 865GB 다운로드로 제시한다. 제3자 API만 쓰는 것이 아니라 직접 배포나 프라이빗 운영을 고려한다면 하드웨어, 다운로드, 추론 비용, 운영 역량까지 함께 봐야 한다.

5. Kimi K2.6: 후보군에 넣고, 내 작업으로 다시 돌려본다

Kimi K2.6에는 눈여겨볼 만한 신호가 있다. DocsBot은 Kimi K2.6의 BrowseComp를 83.2%로 제시하며, 같은 페이지의 DeepSeek-V4 Pro 83.4%와 거의 같다. LLM Stats는 Kimi K2.6의 SWE-Bench Pro를 0.59로 제시해 GPT-5.5와 같은 점수로 둔다. 실무 코딩 벤치마크에서도 Kimi K2.6은 87점으로 제시됐다.

하지만 Claude Opus 4.7, GPT-5.5, DeepSeek V4-Pro-Max와 완전히 같은 출처·설정·벤치마크 묶음으로 비교한 자료가 부족하다. 그래서 현재로서는 Kimi K2.6을 고잠재력 후보로 보는 것이 맞지, 네 모델의 확정적 종합 우승자로 단정하기는 어렵다.

순위를 과하게 해석하면 위험한 이유

1. Kimi K2.6은 완전한 동일 비교표가 부족하다. 가장 완성도 높은 동일 표는 DeepSeek V4-Pro-Max, GPT-5.5/GPT-5.5 Pro, Claude Opus 4.7을 다루지만 Kimi K2.6은 포함하지 않는다. Kimi는 Artificial Analysis, DocsBot, LLM Stats, Hugging Face 모델 카드, 단일 코딩 벤치마크를 함께 봐야 한다.
2. 버전과 실행 모드 이름이 제각각이다. 출처마다 GPT-5.5 Pro, GPT-5.5 xHigh, DeepSeek-V4 Pro, DeepSeek V4-Pro-Max, Kimi Thinking, Claude Opus 4.7 Adaptive Reasoning/Max Effort 같은 표기가 섞여 있다. 이를 모두 같은 설정으로 간주하면 안 된다.
3. 점수 형식도 출처마다 다르다. 동일 비교표는 SWE-Bench Pro/SWE Pro를 퍼센트로 제시하지만, LLM Stats는 SWE-Bench Pro를 0.xx 형식으로 제시한다. 먼저 같은 출처 안의 상대 순위를 보고, 이후 자기 작업으로 다시 평가하는 편이 안전하다.
4. 가격 자료가 균등하지 않다. GPT-5.5와 Claude Opus 4.7은 입력·출력 토큰 가격과 컨텍스트 정보가 비교적 뚜렷하다. DeepSeek은 약 6분의 1 비용이라는 보도가 핵심이고, Kimi K2.6은 이 글의 출처만으로는 충분한 토큰 가격 자료를 확인하기 어렵다.

최종 판단

한 문장으로 줄이면 이렇다. Claude Opus 4.7은 고난도 추론과 소프트웨어 엔지니어링 벤치마크에서 강하고, GPT-5.5/GPT-5.5 Pro는 도구 사용·터미널·브라우저형 작업에서 강하다. DeepSeek V4-Pro-Max는 비용과 성능의 절충안이며, Kimi K2.6은 잠재력은 크지만 더 많은 동일 조건 비교가 필요하다.

실제 도입 단계에서는 총점만 보지 않는 것이 핵심이다. 자체 저장소, 버그 티켓, 리서치 워크플로, 도구 권한, 컨텍스트 길이, 지연 시간, 오류 허용 범위, 토큰 비용을 기준으로 네 모델을 같은 작업 묶음에 다시 돌려봐야 한다. 그때 벤치마크는 비로소 ‘기사 속 숫자’가 아니라 제품 선택의 근거가 된다.