정체불명 모델이 하루 만에 4백억 토큰을 처리했다 — GLM-5와 Slime RL의 정체

귀속 정보도, 모델 카드도, 소속 기관 공개도 없이 등장한 모델이 있었다. 2026년 초, "Pony Alpha"라는 이름으로 조용히 등장한 이 모델은 첫날 20만 6천 건의 요청과 400억 토큰 이상을 처리하며 개발자 커뮤니티를 들썩였다. 닷새 후 밝혀진 정체는 중국 AI 스타트업 Zhipu AI(국제 브랜드명 z.ai)의 GLM-5였다.

정체를 숨긴 채 등장한 이유

GLM-5의 등장 방식은 그 자체로 화제였다. 2026년 2월 6일, "Pony Alpha"라는 이름의 모델이 어떠한 공개 발표 없이 OpenRouter에 등록됐다. 개발자들은 이 모델의 놀라운 코딩 능력과 도구 호출 안정성에 주목했다. 닷새 후, z.ai는 Pony Alpha가 GLM-5의 사전 실사용 테스트였음을 공개했다(2026년이 말의 해임을 기념한 네이밍이기도 했다). OpenRouter에서 종종 등장하는 "스텔스 런칭" 전통의 일환으로, Quasar Alpha는 GPT-4.1로, Sherlock Alpha는 Grok 4.1 Fast로 밝혀진 전례와 같은 패턴이다. 이 스텔스 테스트의 목적은 명확했다. 실제 사용자 트래픽 하에서 모델의 내구성과 도구 호출 안정성을 검증하고, 공개 발표 이전에 실세계 피드백을 수집하는 것이었다. 결과는 성공적이었고, z.ai는 GLM-5를 MIT 라이선스로 공개했다.

같은 GLM 패밀리, 다른 설계 목적

GLM-5와 GLM-5 Turbo는 같은 GLM 패밀리지만 설계 목적이 명확히 다르다. GLM-5는 744B 파라미터 규모의 Mixture-of-Experts(MoE) 아키텍처를 채용한 범용 프론티어 모델이다. 토큰당 40B 파라미터만 활성화되는 희소 활성화 방식으로 추론 효율을 극대화했고, 28.5조 토큰의 사전학습 데이터로 폭넓은 지식 기반을 구축했다. 반면 GLM-5 Turbo는 처음부터 에이전트 실행에 최적화된 목적 특화(purpose-built) 모델이다. 일반적인 LLM이 범용 대화 모델을 사후에 에이전트 용도로 전환하는 방식을 택하는 것과 달리, GLM-5 Turbo는 훈련 데이터 구성 단계부터 OpenClaw 시나리오 기반의 실세계 에이전트 워크플로우를 체계적으로 반영했다.

항목	GLM-5	GLM-5 Turbo
출시일	2026년 2월 12일	2026년 3월 15일
컨텍스트	202K 토큰	202K 토큰
최대 출력	-	128K 토큰
주요 용도	복잡한 추론, 코딩, 시스템 엔지니어링	고처리량 OpenClaw 에이전트 워크플로우
라이선스	MIT (오픈소스)	클로즈드소스 (향후 오픈소스 통합 예정)
입력 가격	-	$1.2 / 1M 토큰
출력 가격	-	$4.0 / 1M 토큰

할루시네이션을 90%에서 34%로 낮춘 기법

GLM-5 패밀리의 가장 중요한 기술적 성과는 할루시네이션 대폭 감소다. 독립 평가 기관인 Artificial Analysis Intelligence Index v4.0에서 GLM-5는 AA-Omniscience Index 기준 -1점을 기록했다. 전작 대비 35포인트 개선이며, 지식 신뢰성 부문에서 AI 업계 전체 1위에 해당하는 성과다. 더 구체적으로는, GLM-4.7에서 90%에 달하던 할루시네이션 비율이 GLM-5에서 34%로 급감했다.

이 성과의 핵심에는 Slime이라는 새로운 비동기 강화학습(RL) 인프라가 있다. Slime이 해결하는 문제는 LLM 강화학습의 고질적 병목이다. 기존 RL 훈련에서는 생성(rollout) 단계가 전체 훈련 시간의 90% 이상을 차지하는 롱테일 병목 현상이 발생한다. Slime은 비동기 아키텍처로 이 문제를 우회한다. Megatron 훈련 프레임워크와 SGLang 추론 엔진을 결합해, 훈련 트래젝토리 생성이 독립적으로 진행되도록 설계됐다. 핵심은 Active Partial Rollouts 기법이다. 생성 중인 트래젝토리가 완료를 기다리지 않고 부분적으로 활성화돼 훈련에 기여할 수 있어, 전체 이터레이션 사이클이 극적으로 단축된다. 결과적으로 모델은 동일한 컴퓨팅 예산 내에서 훨씬 더 많은 RL 이터레이션을 경험하며, 이것이 지식 신뢰성과 사실 정확도 향상으로 이어졌다.

OpenClaw가 요구하는 것들

GLM-5 Turbo를 이해하려면 먼저 OpenClaw 생태계를 파악해야 한다. OpenClaw는 Zhipu AI가 구축한 AI 에이전트 실행 생태계로, 모델이 단순 질문 응답을 넘어 독립적으로 태스크를 계획하고 도구를 호출하며 복잡한 멀티스텝 프로세스를 실행하는 환경이다. 과거 OpenClaw의 사용자층이 주로 개발자에 한정됐다면, 2026년 현재는 금융 전문가·운영 엔지니어·콘텐츠 창작자·연구 분석가 등으로 확대됐다. 특히 모듈화된 에이전트 능력 단위인 스킬(Skill)이 OpenClaw 워크플로우에서 차지하는 비중이 26%에서 45%로 급증했다 — 에이전트 태스크의 복잡도와 자동화 수준이 빠르게 심화되고 있다는 신호다.

OpenClaw가 요구하는 핵심 역량은 외부 API·데이터베이스·스크립트 등을 필요에 따라 즉각 호출하는 도구 동적 활용, 수십 단계 이상의 연쇄 태스크를 안정적으로 처리하는 장기 태스크 체인 실행, 스케줄링된 작업이나 트리거 기반 실행을 지원하는 타이밍 기반 자동화, 긴 대화와 작업 상태를 효율적으로 관리하는 지속적 컨텍스트 유지다. GLM-5 Turbo는 이 요구사항을 훈련 단계부터 내재화한 첫 번째 모델이다.

도구 호출 오류율 0.67%가 뜻하는 것

GLM-5 Turbo의 가장 두드러진 강점은 도구 호출 안정성이다. 제3자 실사용 테스트에서 도구 호출 오류율은 약 0.67%로 측정됐다. 비교 대상이 된 GLM-5 제공자 기준 오류율이 2.33%~6.41% 범위였음을 감안하면 현격한 차이다. 수십 단계의 자동화 파이프라인에서는 단 하나의 도구 호출 실패도 전체 워크플로우를 중단시킬 수 있다. 0.67%라는 수치는 1000번의 도구 호출 중 약 7번만 오류가 발생함을 의미하며, 프로덕션 에이전트 시스템에서 실용적으로 운용 가능한 수준이다.

복잡한 멀티레이어 명령어를 이해하고 단계별 실행 가능한 서브태스크로 분해하는 능력도 강화됐다. "분기 보고서를 작성하고 데이터 분석 후 슬라이드로 변환하라"와 같은 복합 지시에 대해 의존성 그래프를 구성하고 최적 실행 순서를 결정한다. 이를 가능하게 하는 것은 Agentic Engineering 패러다임이다. 인간이 품질 기준(Quality Gate)을 정의하면 모델이 실행 전략을 수립하고 자율적으로 처리한다. 단순한 "바이브 코딩(Vibe Coding)"을 넘어 구조화된 공학적 접근이 가능해진 것이다. 스케줄링된 태스크와 트리거 기반 워크플로우도 기본 지원해, "매일 오전 9시에 특정 데이터 소스를 수집하고 요약 보고서를 생성하라" 같은 타이밍 지정 태스크를 별도 오케스트레이션 레이어 없이 처리할 수 있다. 202K 토큰의 컨텍스트 윈도우와 최대 128K 토큰의 출력은 대규모 코드베이스 분석, 긴 문서 처리, 여러 세션에 걸친 에이전트 상태 유지를 단일 호출로 처리할 수 있게 한다.

OpenClaw 태스크를 재는 새 벤치마크

기존 LLM 벤치마크는 에이전트 실행 능력을 평가하는 데 한계가 있다. MMLU, HumanEval 등은 단일 응답 품질을 측정하지만, 실제 에이전트 환경은 연속적이고 동적인 태스크 실행 능력이 핵심이다. 이를 인식한 Zhipu AI는 ZClawBench를 개발했다. OpenClaw 생태계의 엔드-투-엔드 에이전트 태스크를 평가하는 이 벤치마크는 개발 환경 구성 및 의존성 해결을 보는 환경 설정(Environment Setup), 코드 생성·수정·테스트 실행을 보는 소프트웨어 개발(Software Development), 다중 소스 검색 및 사실 검증을 보는 정보 검색(Information Retrieval), 데이터 처리·시각화·인사이트 도출을 보는 데이터 분석(Data Analysis), 문서 작성·요약·형식 변환을 보는 콘텐츠 창작(Content Creation)을 커버한다. ZClawBench 결과에서 GLM-5 Turbo는 복수의 주요 태스크 카테고리에서 비교 대상 모델들을 상회했고, 특히 도구 호출 오류율과 장기 체인 실행 안정성 부문에서 두드러졌다.

실행 흐름과 오류 복구

⤢✕

입력된 요청이 단순 태스크인지 복합 태스크인지를 먼저 분석하고, 복합 태스크의 경우 계획 수립 엔진이 서브태스크로 분해한 후 의존성을 고려한 최적 실행 순서를 결정한다. 실행 과정에서 오류가 감지되면 자동 복구 루틴이 작동하며, 모든 서브태스크가 완료되면 결과를 통합해 최종 응답을 생성한다. 이 워크플로우에서 GLM-5 Turbo의 핵심 차별점은 오류 복구 루틴의 안정성이다. 장기 체인 실행 중 단일 도구 호출 실패가 전체 파이프라인을 무너뜨리지 않도록 설계된 것이 Turbo 버전의 핵심 개선 사항이다. 실용적 활용 시나리오는 Z Code와 결합해 요구사항 분석부터 코드 작성·테스트 실행·버그 수정까지 자율 처리하는 자율 개발 에이전트, 다수 데이터 소스를 조합해 인사이트를 도출하고 보고서를 자동 생성하는 데이터 분석 파이프라인, 이메일 처리·일정 관리·문서 정리 등을 스케줄링 기반으로 자동화하는 비즈니스 프로세스 자동화로 나뉜다.

오픈소스로 신뢰를 쌓고, 클로즈드소스로 수익을 낸다

GLM-5 모델은 MIT 라이선스로 공개됐다. 상업적 활용을 포함한 완전한 오픈소스 허용을 뜻하며, 중국 AI 연구소가 글로벌 개발자 커뮤니티와 신뢰를 구축하는 전략적 결정이었다. Hugging Face의 zai-org/GLM-5 레포지토리에서 직접 접근 가능하며, NVIDIA NIM을 통해서도 활용할 수 있다. 그러나 GLM-5 Turbo는 다른 선택을 했다. VentureBeat는 "z.ai debuts faster, cheaper GLM-5 Turbo model for agents and 'claws' — but it's not open-source"라는 제목으로 이 점을 명확히 지적했다. GLM-5 Turbo는 현재 클로즈드소스 API 형태로만 제공된다.

z.ai의 설명에 따르면 Turbo 모델의 역량과 연구 성과는 차기 오픈소스 모델 릴리스에 통합될 예정이다. 상업적 API로 수익을 창출하면서도 오픈소스 커뮤니티와의 관계를 유지하는 이중 전략인 셈이다. 기술 커뮤니티 일부에서는 이를 "오픈소스 세탁(Open Washing)"으로 비판하기도 했으나, z.ai 입장에서는 에이전트 특화 모델의 상업적 가치를 선점하면서도 장기적 생태계 기여를 약속하는 현실적 타협점이라 할 수 있다.

가격이 낮추는 진입 장벽

GLM-5 Turbo의 또 다른 핵심 경쟁력은 가격이다. API 기준 입력 $1.2/1M 토큰, 출력 $4.0/1M 토큰의 요금은 동급 성능 대비 상당히 낮은 수준이다. Anthropic의 Claude Opus 4.6과 비교하면 입력은 약 4배, 출력은 약 6배 저렴하다. OpenRouter를 통해 접근할 경우 약 $0.96(입력)/토큰, $3.20(출력)/토큰으로 제공된다. 이 가격 구조는 OpenClaw 기반의 고처리량 에이전트 운영 비용을 현저히 낮춰, 프로덕션 에이전트 시스템 도입의 경제적 장벽을 허문다. 스타트업과 중소기업 입장에서 에이전트 시스템 운용은 기존에 비용 문제로 망설여지는 영역이었다. GLM-5 Turbo의 가격 정책은 이 진입 장벽을 낮추는 동시에, 기존 고가 모델 의존 기업들에게 전환 동인을 제공한다.

삼중 구조로 시장을 공략하는 z.ai

Zhipu AI는 2026년 초 상장을 완료했으며 현재 시가총액은 약 345억 달러로 평가된다. 국제 브랜드인 z.ai를 통해 글로벌 개발자 시장을 적극적으로 공략하고 있으며, GLM 모델 시리즈는 오픈소스 AI 리더보드에서 최상위권을 유지하고 있다. OpenClaw 생태계에서의 경쟁은 Zhipu AI만의 전유물이 아니다. 텐센트, 알리바바 등 중국 빅테크들도 유사한 에이전트 생태계 구축에 뛰어들었다. 그러나 GLM-5 Turbo의 훈련 단계부터의 에이전트 특화 접근은 경쟁사들의 사후 파인튜닝 방식과 구별되는 기술적 강점으로 인정받고 있다.

z.ai의 전략은 오픈소스 기반의 기술 신뢰도 구축(GLM-5 MIT 라이선스), 에이전트 특화 상업 모델로 수익 창출(GLM-5 Turbo), 자체 에이전트 생태계 구축(OpenClaw)의 삼중 구조로 글로벌 AI 에이전트 시장에서 지속 가능한 경쟁력을 확보하는 것이다. NVIDIA NIM을 통한 배포 지원도 글로벌 인프라 생태계와의 통합을 가속하는 요소다. 25년간 IT 현장에서 다양한 기술 사이클을 경험한 입장에서 보면, 이 모델이 흥미로운 이유는 단순한 성능 지표보다 설계 패러다임의 전환에 있다. 범용 모델을 에이전트 용도로 전환하는 방식에서 벗어나 훈련 데이터 구성 단계부터 에이전트 시나리오를 내재화한 목적 특화 설계는, 도구 호출 안정성·장기 체인 실행·타이밍 기반 자동화처럼 이전까지 오케스트레이션 프레임워크가 담당하던 영역을 모델 자체로 끌어들인다는 점에서 에이전트 시스템의 단순화와 신뢰성 향상 모두에 기여한다. 클로즈드소스 전환에 대한 논란과 오픈소스 커뮤니티와의 신뢰 문제는 z.ai가 약속한 차기 오픈소스 모델 통합이 실제로 이행될 때 비로소 평가받을 것이다.