중국 프론티어 LLM 동시 출하가 바꾼 오픈소스 경쟁 구도

2026년 6월, Qwen 3.7, DeepSeek V4.1, Hunyuan Large 3, ERNIE 5.1, Doubao Pro, GLM-6가 불과 2주 안에 연달아 출하됐다. 중국 프론티어 LLM 시장이 단순한 모델 성능 경쟁을 넘어 오픈소스 생태계와 개발자 커뮤니티를 둘러싼 경쟁으로 이동한 시점이다.

특히 GLM-5.2가 1M 토큰 컨텍스트를 오픈소스로 공개하면서 장문 문서, 전체 코드베이스, 장기 대화를 다루려는 기업에는 새로운 선택지가 생겼다. 이 변화가 글로벌 AI 격차에 어떤 영향을 주는지, 실제 도입 과정에서는 무엇을 따져야 하는지 모델별 구조와 비용을 중심으로 정리한다.

짧은 기간에 집중된 프론티어 모델 출하

중국 AI 기업들은 2025년 하반기부터 공개 벤치마크에서 GPT-4o와 Claude 3.5 수준에 근접했다. 2026년 상반기에는 특정 작업 영역에서 이들을 추월하는 결과도 다수 달성했다. 같은 시기에 나온 모델들은 각기 다른 기술과 공개 전략을 내세웠다.

모델명	개발사	주요 특징	오픈소스 여부
Qwen 3.7	Alibaba	멀티모달, MoE 아키텍처	일부 가중치 공개
DeepSeek V4.1	DeepSeek	MoE 효율, API 저가격	완전 오픈소스
Hunyuan Large 3	Tencent	멀티모달 특화, 중국어	비공개
ERNIE 5.1	Baidu	지식 그래프 통합	비공개
Doubao Pro	ByteDance	에이전트 특화	비공개
GLM-6 / GLM-5.2	Zhipu AI	1M 컨텍스트, 오픈소스	완전 오픈소스

이 가운데 DeepSeek V4.1과 GLM-5.2는 오픈소스 라이선스와 1M 토큰 컨텍스트를 경쟁 수단으로 삼았다는 점에서 눈에 띈다. GLM-5.2는 GLM-6의 전신이다.

모델마다 다른 효율화 전략

Qwen 3.7은 MoE와 멀티모달에 무게를 둔다

Qwen 3.7은 Mixture-of-Experts(MoE) 구조를 사용한다. 전체 파라미터 가운데 실제로 활성화하는 비율을 약 20% 수준으로 유지해 추론 비용을 줄이는 방식이다. 시각-언어 통합(Vision-Language Integration) 능력도 강화해 문서 분석, 도표 해석, 코드 생성에서 높은 성능을 기록했다.

총 파라미터: 약 230B (MoE)
활성 파라미터: 약 22B per token
컨텍스트 길이: 128K 토큰
특화 영역: 수학, 코딩, 멀티모달

DeepSeek V4.1은 메모리와 학습 효율을 겨냥한다

DeepSeek V4.1은 V3에서 도입한 Multi-head Latent Attention(MLA)과 DeepSeekMoE를 이어받았다. 여기에 FP8 혼합 정밀도 학습을 표준화했다. 훈련 비용 대비 성능 효율이 서구 모델보다 현저히 낮다는 점도 계속 강조되고 있다.

총 파라미터: 약 671B (MoE)
활성 파라미터: 약 37B per token
컨텍스트 길이: 128K 토큰
특화 영역: 코딩, 수학적 추론, API 효율

GLM 계열은 긴 컨텍스트를 전면에 내세운다

GLM-6 계열에서 핵심은 GLM-5.2의 1M 토큰 컨텍스트 오픈소스 공개다. 기존 오픈소스 모델 가운데 1M 컨텍스트를 지원하는 사례는 극히 드물었다. 장문 문서 분석이나 코드베이스 전체 이해, 장기 대화 유지가 필요한 엔터프라이즈 환경에서는 이 특성이 직접적인 경쟁력이 된다.

총 파라미터: 약 130B (Dense)
컨텍스트 길이: 1,000K(1M) 토큰
특화 영역: 장문 컨텍스트, 중국어, 에이전트

⤢✕

1M 컨텍스트를 뒷받침하는 설계

GLM-5.2의 1M 컨텍스트는 위치 인코딩 확장, 청크 단위 어텐션, KV 캐시 최적화를 함께 적용한 결과다.

Rotary Position Embedding(RoPE)은 YaRN(Yet another RoPE extensioN) 계열의 변형 기법으로 외삽(extrapolation) 능력을 확장했다. 사전 학습에서 사용하지 않은 위치 인덱스에서도 안정적인 어텐션 패턴을 유지하기 위한 접근이다.

1M 토큰을 단일 어텐션 패스로 처리하면 메모리 복잡도가 O(n²)로 증가한다. GLM-5.2는 슬라이딩 윈도우 어텐션과 글로벌 어텐션을 결합한 청크 어텐션으로 이 문제를 완화했다.

로컬 윈도우: 인접 토큰 집중 처리 (O(n·w), w는 윈도우 크기)
글로벌 토큰: 문서 전체 맥락 파악 (싱크 토큰 방식)
희소 어텐션 패턴: 중요도 기반 어텐션 마스킹

추론 단계에서는 KV 캐시 메모리가 병목이 된다. PagedAttention 방식의 동적 KV 캐시 관리와 INT4·INT8 양자화를 결합해 필요한 자원을 낮춘다.

KV Cache 크기 (1M 토큰 기준, 130B 모델):
- FP16: 약 2TB VRAM 필요 → 실제 배포 불가
- INT8 + 청크화: 약 500GB → A100 클러스터 수준
- INT4 + 오프로딩: 약 250GB → 실용적 추론 가능

오픈소스는 배포 방식이자 시장 전략이다

DeepSeek과 Zhipu는 MIT 혹은 Apache 2.0에 준하는 라이선스로 핵심 가중치를 공개한다. 메타의 Llama 전략과 닮았지만, 글로벌 개발자 생태계를 빠르게 선점하려는 목적이 더 선명하다.

Hugging Face에서는 다운로드 수를 바탕으로 가시성을 확보하고, LoRA와 QLoRA 기반 파인튜닝 커뮤니티를 키운다. 대학과 연구기관에서 기본 모델로 채택되면 학술 생태계도 넓어진다. 무료로 모델을 접한 사용자가 관리형 API로 이동하면 오픈소스 배포가 API 과금 고객을 확보하는 경로가 된다.

중문 데이터는 별도의 경쟁 기반이다. ERNIE 5.1은 중국 인터넷 전체를 크롤링한 데이터와 지식 그래프를 결합하고, Qwen은 Alibaba의 전자상거래·금융·물류 데이터를 사전 학습에 활용한다. 이러한 구조적 강점은 중문 NLP 작업에서 GPT-4o 대비 약 15-20%p의 성능 우위로 나타난다.

가격 차이도 크다. DeepSeek V4.1의 입력 가격은 1M 토큰당 약 $0.27로, OpenAI GPT-4o의 $5.00 대비 약 5% 수준이다. 스타트업과 비용에 민감한 기업이 중국 모델을 빠르게 채택하게 만드는 구조다.

모델	입력 (1M 토큰)	출력 (1M 토큰)
GPT-4o	$5.00	$15.00
Claude 3.5 Sonnet	$3.00	$15.00
Qwen 3.7 (API)	$0.60	$2.40
DeepSeek V4.1 (API)	$0.27	$1.10
GLM-5.2 (오픈소스)	자체 호스팅	자체 호스팅

기업 도입에서는 데이터 경로부터 확인해야 한다

클라우드 API를 사용하면 데이터가 중국 서버를 경유할 가능성이 있다. 이 경로는 GDPR, 국내 개인정보보호법, 금융위원회 IT 가이드라인과 충돌할 수 있다. 오픈소스 모델을 자체 인프라에 배포하는 Self-hosting 방식은 이 위험을 완전히 해소할 수 있다.

성능 평가는 공개 벤치마크 순위만으로 끝낼 수 없다. 한국어 처리 품질을 확인하고, 중문에서의 강점이 한국어에도 전이되는지 검증해야 한다. 법률·의료·금융과 같은 전문 도메인에서는 별도 벤치마크가 필요하다. 처리할 문서의 평균 길이가 모델 컨텍스트와 맞는지, 실시간 응답 환경에서 TPS(Tokens per Second)가 요구 수준을 충족하는지도 함께 본다.

비용과 기능을 기준으로 선택지를 정리하면 다음과 같다.

의사결정 프레임워크:

[비용 최우선 + 오픈소스 필요]
  → DeepSeek V4.1 또는 GLM-5.2 자체 호스팅

[장문 문서 처리 특화]
  → GLM-5.2 (1M 컨텍스트)

[멀티모달 + 생산성]
  → Qwen 3.7

[중국어 특화 + 엔터프라이즈 지원]
  → ERNIE 5.1 또는 Hunyuan Large 3 (파트너십 필요)

[글로벌 표준 컴플라이언스 필수]
  → GPT-4o / Claude (중국 모델 제외)

기술 구조와 시장 변화를 함께 읽는 관점

이 경쟁 구도를 이해하려면 모델 구조와 거버넌스를 분리해서 볼 수 없다. Mixture-of-Experts(MoE)는 조건부 계산으로 추론을 효율화하며, Sparse MoE와 Dense 구조의 차이가 자원 요구량에 직접 연결된다. Multi-head Latent Attention(MLA)은 KV 캐시를 압축해 메모리 효율을 높이고, RoPE는 상대 위치 정보를 인코딩한다.

오픈소스 배포에는 Apache 2.0, MIT, 독점 라이선스의 차이가 따라온다. 데이터 주권(Data Sovereignty)은 학습 및 처리 데이터의 지리적·법적 귀속 문제와 연결된다. 성능 비교에는 MMLU, HumanEval, MATH, MT-Bench 등의 평가 체계가 사용된다.

시장 측면에서는 기술 추격(Technology Catch-up)과 혁신 도약(Leapfrogging), LLM API가 가치 사슬을 바꾸는 API 경제(API Economy)를 함께 봐야 한다. 1M 토큰 컨텍스트가 제공하는 활용 가능성 뒤에는 메모리 복잡도 O(n²)를 줄여야 하는 엔지니어링 과제가 놓여 있다. MLA, MoE, 청크 어텐션은 이 비용과 성능의 균형을 다루는 핵심 기술이다.

2주 이내 6개 프론티어 모델이 집중적으로 출하된 사건은 중국 AI 생태계의 성숙도와 경쟁 강도를 보여준다. 중국 LLM은 특정 작업 영역에서 GPT-4o와 동등하거나 그 이상의 성능을 제공하면서 API 비용은 최대 95% 저렴한 수준에 도달했다. GLM-5.2의 1M 토큰 오픈소스 공개는 엔터프라이즈 장문 처리 시장에 영향을 줄 잠재력이 있으며, DeepSeek V4.1은 비용에 민감한 스타트업 생태계에서 사실상 표준 모델로 자리 잡고 있다.

국내 기업과 개발자는 가격 차이만 좇기보다 데이터 주권을 먼저 검토해야 한다. 그 조건을 충족한다면 오픈소스 자체 호스팅은 중국 프론티어 모델의 비용·성능 우위를 활용할 수 있는 선택지가 된다.