중국 AI 모델 도입 판단법 — 딥시크·큐원·GLM의 가격, 라이선스, 배포 경로를 따로 보는 기준

핵심 메시지

• '중국 모델'이라는 한 단어로 묶는 습관이 가장 큰 오해다. 딥시크, 큐원, GLM, Kimi, MiniMax는 가격도 라이선스도 배포 경로도 서로 다르고 공유하는 것은 원산지뿐이다.
• 비교 기준은 토큰 단가가 아니라 '받아들일 만한 결과 하나를 얻는 데 드는 총비용'이어야 한다. 값싼 모델이 추론을 길게 끌거나 늦게 실패하면 오히려 더 비싸진다.
• 미국 정부 CAISI 평가는 딥시크 V4 Pro를 자신들이 시험한 중국 모델 중 가장 뛰어나다고 보면서도 선두 미국 모델보다 약 8개월 뒤처진 것으로 추정했다.
• 가중치를 내려받을 수 있다는 것과 실제로 운영할 수 있다는 것은 전혀 다른 문제다. GLM 5.2의 공개 체크포인트는 1.5테라바이트 규모다.
• 모델을 고르기 전에 데이터가 어디로 가는지부터 정해야 한다. 같은 모델이라도 중국 본사 서비스로 부르는 것과 내 서버에서 돌리는 것은 위험 구조가 완전히 다르다.

쉽게 이해하기

영상은 최근 Kimi K3와 큐원(Qwen) 신모델 공개로 다시 불붙은 '중국 모델이 따라잡았나' 논쟁에서 출발한다. 진행자는 이 질문 자체가 잘못 놓였다고 본다. 우리가 '중국 모델'이라고 부를 때 그 말은 종종 싸다, 열려 있다, 로컬에서 돌아간다는 뜻으로 뭉뚱그려 쓰이지만, 셋 다 맞을 때도 있고 하나도 맞지 않을 때도 있기 때문이다.

구체적으로 보면 차이는 뚜렷하다. Kimi K3는 2.8조 파라미터에 100만 토큰 맥락을 내세우며 출력 100만 토큰당 15달러를 받는 프리미엄 전략을 택했고, 딥시크 V4 Pro는 같은 단위에 87센트를 받는 극단적 추론 경제성을 노린다. Z.ai의 GLM 5.2는 MIT 라이선스로 열려 있지만 공개된 BF16 체크포인트가 1.5테라바이트에 이르고, MiniMax M3는 연매출 2천만 달러를 넘으면 사전 서면 허가를 요구하고 군사적 사용을 금지하는 자체 라이선스를 쓴다.

그래서 '열려 있다'도 하나의 성질이 아니다. API로 부를 수 있는지, 가중치를 내려받을 수 있는지, 라이선스가 내 용도를 허용하는지, 내 하드웨어가 필요한 맥락 길이와 속도로 그 모델을 돌릴 수 있는지는 각각 따로 물어야 할 질문이다. 진행자는 전문가 혼합(MoE) 구조 때문에 토큰당 활성 파라미터가 적어도 전체 파라미터가 저장·메모리·서빙 부담을 결정한다는 점을 들어, 활성 파라미터 수를 하드웨어 요구량으로 곧장 환산하지 말라고 경고한다.

비용 이야기에서 가장 실질적인 대목은 CAISI 평가 인용이다. 일곱 개 벤치마크에서 딥시크는 '정확히 풀어낸 과제 하나당 비용' 기준으로 53% 저렴한 경우부터 41% 더 비싼 경우까지 폭넓게 갈렸다. 토큰 값과 완성된 일의 값이 서로 반대 방향을 가리킬 수 있다는 뜻이며, 대부분의 사람에게 중요한 것은 후자다.

증류(distillation) 논란도 다룬다. 딥시크가 R1이 만든 80만 개 샘플로 큐원·라마 기반 소형 모델을 학습시킨 것처럼 공개적으로 이뤄지는 교사-학생 학습은 업계의 일상이지만, 앤트로픽은 딥시크·문샷·MiniMax가 약 2만 4천 개의 부정 계정으로 1,600만 건이 넘는 대화를 생성하며 접근 제한을 우회했다고 주장한다. 진행자는 이것이 법원 판단이 아니라 주장이라는 점을 분명히 하면서도, 칩과 달리 능력은 정보의 형태로 훨씬 쉽게 국경을 넘는다는 점을 강조한다.

주요 인사이트

• 업무, 모델, 배포 경로는 각각 따로 결정해야 한다. 대량·반복·검증 가능한 작업(추출, 분류, 1차 조사)에는 저가 모델의 경제성이 큰 무기가 되지만, 애매한 답 하나가 되돌릴 수 없는 행동을 유발하는 일에는 신중해야 한다.
• 벤치마크 점수는 출발점일 뿐이다. 진행자는 '프런티어'라는 말이 내 업무 기준에서 무엇을 측정하는지 정의한 뒤에야 쓸모 있는 표현이 된다고 말한다. 코딩에 강한 모델이 저장소 전체 작업에서 도구를 잘못 골라 실패할 수 있기 때문이다.
• 자체 호스팅은 네 조건이 모두 충족될 때만 합리적이다. 가중치와 라이선스가 허용되고, 데이터 주권 요구가 실재하며, 작업량이 인프라 비용을 정당화하고, 스택을 안전하게 운영할 팀이 있어야 한다.
• 가중치를 내 서버로 옮긴다고 모델에 학습된 거부 행동이나 정치적 편향까지 사라지지는 않는다. 바뀌는 것은 누가 데이터를 볼 수 있는가이지, 소프트웨어 공급망 전체의 신뢰성이 아니다.
• 공급자 종속을 줄이는 가장 실용적인 장치는 자체 평가셋이다. 프롬프트와 테스트, 도구를 옮길 수 있게 만들어두면 가격이나 정책이 바뀌어도 워크플로를 다른 모델로 이전할 수 있다.

자주 묻는 질문

관련 AI 소식