어떤 모델을 써야 하나?

검증됨 · 확인 2026-07 · 고침 2026-07-25

Step 1 — 작업 난이도 분류

Step 2 — 작업 축(axis)으로 가중

• 코딩 / 에이전트 → Opus 5, Sonnet 5, GPT-5.6 Sol, Qwen 3.7 Max 다 강함
• 멀티모달 (이미지/오디오/비디오) → Gemini 라인이 리더. Gemini 3.5 Pro 가 오디오/비디오 깊이 추가
• 아주 긴 컨텍스트 → 대부분 플래그십이 1M. Gemini 3.5 Pro 는 2M. ⚠️ 롱컨텍스트 서차지 주의 (OpenAI >272K 는 요청 전체 재과금, Google >200K 는 입력 ~2배)
• 비용/셀프호스트/데이터 레지던시 → 오픈웨이트: DeepSeek V4 (MIT), Mistral Large 3 (Apache 2.0). ⛔ Qwen 3.7 Max 는 런칭 시 오픈 아님
• 토큰당 최저가 → DeepSeek V4 Flash ($0.14/$0.28) 가 닫힌 플래그십들보다 압도적으로 쌈

Step 3 — 실전 휴리스틱 ⭐

1. 생각한 것보다 한 티어 아래에서 시작하라. eval 이 실패할 때만 올린다.
2. 티어를 바꾸기 전에 모델 안의 effort/thinking 노브로 비용↔품질을 먼저 조절하라 (Anthropic output_config.effort, OpenAI reasoning.effort).
3. 에이전트 루프에서는 프리미엄-고effort 가 오히려 총비용이 쌀 때가 많다 — 중간 모델이 여러 턴을 헤매는 것보다.
4. 프롬프트 캐싱 + 배치로 비용을 50~90% 후려칠 수 있다 → 스티커 가격 비교 전에 이걸 먼저 반영하라. (프롬프트 캐싱)
5. 오픈웨이트는 볼륨 + 인프라가 있고, 데이터 통제가 필요하거나, 토큰당 비용이 0 이길 원할 때 말이 된다. 아니면 호스팅 플래그십이 편의성에서 이긴다.

결정 표 — 필요 → 손 뻗을 것

참고

• 전체 표·가격 → 2026 LLM 지형도 — 모델 한눈에
• 추론모델은 프롬프팅 규칙이 다름 → 추론모델 vs 일반모델 — 프롬프팅이 뒤집힌다
• 비용 절감 메커니즘 → 프롬프트 캐싱
• 지식 주입이 필요하면 모델보다 RAG/파인튜닝 결정 을 먼저