요약
- 알리바바가 2.4T 총 파라미터 MoE 구조의 Qwen3.8 Max를 공개했다
- Artificial Analysis Intelligence Index에서 56점, 작업당 비용 1.14달러를 기록했다
- 오픈소스 모델 Kimi K3는 1점 앞선 점수를 25% 낮은 비용(0.86달러)으로 달성했다
- 모델명
- Qwen3.8 Max (Alibaba Qwen)
- 구조
- 2.4T 총 파라미터 MoE(Mixture of Experts), 알리바바 발표 기준
- Intelligence Index 점수
- 56점
- 작업당 비용
- 1.14달러
- 비교 대상
- Kimi K3 (오픈 가중치 리더)
- Kimi K3 비용 우위
- Qwen3.8 Max 대비 25% 낮은 0.86달러
- 평가 기관
- Artificial Analysis
알리바바, Qwen3.8 Max 공개
알리바바 산하 Qwen 팀이 신규 대형언어모델 Qwen3.8 Max를 공개했다. 알리바바 측은 이 모델이 2.4T(2조 4000억) 총 파라미터 규모의 MoE(Mixture of Experts) 구조라고 밝혔다. 평가 기관 Artificial Analysis는 이 모델을 자체 지표인 Intelligence Index로 측정한 결과를 공개하며 오픈 가중치 모델과의 비교 결과를 함께 제시했다.
벤치마크 결과: 56점, 작업당 1.14달러
Artificial Analysis에 따르면 Qwen3.8 Max는 Intelligence Index에서 56점을 기록했다. 이 점수를 얻는 데 드는 비용은 작업당 1.14달러로 집계됐다. 같은 지표에서 오픈 가중치 모델 중 선두로 꼽히는 Kimi K3는 1점 더 높은 점수를 기록하면서도 비용은 오히려 낮았다.
| 모델 | Intelligence Index | 작업당 비용(달러) |
|---|---|---|
| Qwen3.8 Max | 56 bar:56 | 1.14 |
| Kimi K3 | 57(추정, 1점 우위) bar:57 | 0.86 |
비용 효율성 격차
Artificial Analysis는 Kimi K3가 Qwen3.8 Max보다 작업당 비용이 25% 낮다고 밝혔다. 점수 차이는 1점에 불과하지만 비용 격차는 상당한 수준으로, 동일한 성능을 얻기 위해 지불해야 하는 비용 면에서 Kimi K3가 우위를 점한 것으로 나타났다. 해당 게시물은 "open weights leader Kimi K3 remains 1 point ahead at 25% lower cost per task"라고 설명했다.
MoE 구조와 파라미터 규모
Qwen3.8 Max는 알리바바가 밝힌 바에 따르면 2.4T 총 파라미터를 갖춘 MoE 아키텍처로 설계됐다. MoE 구조는 전체 파라미터 중 일부만 활성화해 추론하는 방식으로, 대규모 파라미터를 갖추면서도 연산 비용을 관리할 수 있다는 장점이 있다. 다만 이번 벤치마크 결과를 보면 파라미터 규모가 크다고 해서 비용 효율성까지 담보되지는 않는 모습이다.
오픈소스 LLM 생태계의 최신 흐름은 metallab.ai의 Kimi K3 관련 기사에서도 다뤄진 바 있다.
시사점
이번 비교는 폐쇄형 대형 모델과 오픈 가중치 모델 간 격차가 좁혀지고 있음을 보여주는 사례로 평가된다. 특히 비용 대비 성능 지표에서 오픈 가중치 모델이 우위를 보인 점은 상업용 API 가격 경쟁 구도에 영향을 줄 수 있다. 다만 이번 수치는 Artificial Analysis의 자체 벤치마크 기준이며, 다른 평가 방식에서는 결과가 달라질 수 있다는 점에서 해석에 신중함이 필요하다.
댓글