핵심 요약
기사 목차 펼치기 / 접기
메타(Meta)가 10월 12일 내놓은 뮤즈 원더 풀(Muse Wonder Full)은 독립 측정에서도 프런티어 정상권에 안착했다. 하지만 메타 성적표에 없는 앤트로픽(Anthropic)과 구글(Google)의 9월 신모델을 대입하면 1위 항목 상당수가 바뀐다. 상용 API로 판매되는 일반 뮤즈 원더(Muse Wonder)는 동일한 가격대의 경쟁 모델보다 종합 지능 점수가 6점 낮다.
메타가 10월 12일 공식 블로그를 통해 공개한 모델은 둘이다. 뮤즈 원더는 메타 모델 API와 코딩 도구 뮤즈 코드(Muse Code)에서 활용되며, 최상위 모델인 원더 풀은 뮤즈 코드 유료 구독자 전용이다. 메타 개발자 문서에 따르면 두 모델 모두 프리뷰 단계다. 독립 평가기관 아티피셜 애널리시스(Artificial Analysis)는 발표 하루 만에 원더와 원더 풀의 측정치를 공개했다. 이번 수치는 지능지수 v4.3.2 기준 10월 13일 조회 데이터다.
메타 개발자 문서에 따르면 원더는 작업 계획을 수립하고 하위 에이전트에 세부 과제를 분할 위임한다. 외부 도구를 병렬로 호출하고 실행 오류가 발생하면 스스로 복구한다. 문맥 창은 약 100만토큰이며, 텍스트·이미지·영상·음성·PDF를 통합 입력으로 처리한다. 모델 학습은 공식 발표 기준 기가와트(GW)급 차세대 데이터센터 ‘프로메테우스(Prometheus)’에서 수행됐다.
혼자 일하던 직원이 일을 쪼개 맡기는 팀장이 된 구조다.
최신 경쟁작 배제한 대진표… 9월 신모델 투입 시 뒤집히는 순위
이번 성적표는 한 달 전과 판도가 다르다. 메타는 지난 9월 뮤즈 스파크 1.3 발표 당시 직전 세대 모델과 성능을 비교했다. 반면 메타의 공식 성능 비교표에는 클로드 페이블 5.1(Claude Fable 5.1), GPT-6 아스트라(GPT-6 Astra), 클로드 오푸스 5.5(Claude Opus 5.5)가 올랐으며 모두 9월에 출시된 현행 세대다.
비교군에서 누락된 모델 역시 현행 프런티어 세대다. 앤트로픽이 9월 28일 선보인 클로드 소넷 5.5(Claude Sonnet 5.5)와 구글이 9월 30일 공개한 제미나이 4 아르곤(Gemini 4 Argon)이다. 미국 IT 전문 매체 더버지(The Verge) 보도에서도 원더가 아르곤과 대조해 어느 위치에 서는지는 명확하지 않다고 지적했다.
결승 후보 둘을 빼고 짠 대진표다.
누락된 두 모델을 대입해 아티피셜 애널리시스 독립 측정치로 순위를 다시 대조했다.
딥SWE 평가는 측정 주체와 구동 환경이 다르다. 메타 공식 표의 79%는 데이터 평가사 데이터커브(Datacurve)의 측정값이며, 아티피셜 애널리시스 벤치마크는 원더를 뮤즈 코드로, 아르곤을 구글 공식 개발 도구 환경에서 구동했다. 심판과 경기장이 다른 기록을 한 줄에 세우기는 어렵다.
메타 모델 소개 페이지는 원더 풀이 “독립 제3자 측정에서 딥SWE와 SWE-마라톤 1위를 차지했다”고 적었다. 하지만 아티피셜 애널리시스 독립 측정에서 딥SWE 1위는 78.8%를 기록한 아르곤이었다.
지수 비교 차트에서도 소넷 5.5는 제외됐다. 메타는 공식 발표문에 아티피셜 애널리시스 차트를 실었으나 아르곤만 포함하고 소넷 5.5는 누락했다. 다만 아티피셜 애널리시스 공식 차트 기본 비교군에도 소넷 5.5가 빠져 있어 메타가 의도적으로 제외했다고 단정할 수는 없다.
문서 분석과 대규모 코드 질의의 독주… 유료 구독에 갇힌 프런티어
가장 강력한 영역은 보고서와 문서를 정밀 처리하는 전문 사무 과업이다. 보고서·스프레드시트·프레젠테이션 제작 역량을 평가하는 GDPval-AA 벤치마크에서 원더 풀은 1857점을 획득했다. 오푸스 5.5(1866점)에 이은 전체 2위로 소넷 5.5(1838점)를 앞섰다. 복합 서식 문서를 읽고 정밀 추론하는 GDP.pdf에서는 전체 통과율 32.6%로 측정 모델 중 단독 1위에 올랐다.
고난도 학술 연구 추론에서도 선두권에 포진했다. 물리학 연구 문제를 검증하는 CritPt 벤치마크에서 원더 풀은 32.9%를 기록해 오푸스 5.5와 GPT-6 아스트라(각 31.7%)를 앞섰다. 다만 아티피셜 애널리시스는 해당 평가 항목을 재검토 대상으로 지정해 둔 상태다.
수십만 줄의 방대한 코드베이스를 파악하고 해답을 도출하는 역량 역시 뛰어나다. 코딩 에이전트 독립 실측에서 원더 풀은 대규모 코드베이스 질의응답 시험인 SWE-Atlas 68%로 단독 1위를 기록했다. 단일 과제 완료에 소요된 평균 시간은 29분에 불과해 소넷 5.5(87분)와 오푸스 5.5(64분)를 크게 앞질렀다.
출력 토큰 소모량도 적다. 지능지수 평가 항목에서 원더 풀이 과제당 소모한 출력 토큰은 5만4000개로 오푸스 5.5(11만9000개)와 소넷 5.5(19만7000개)의 절반 이하다.
결정적 한계는 이용 경로다. 메타 모델 정책상 원더 풀은 독립 API 형태로 판매되지 않는다. 월 50달러(약 6만7000원)인 파워(Power Usage) 요금제나 월 200달러(약 26만8000원)인 맥시멈(Maximum Usage) 요금제에 가입해야만 뮤즈 코드 환경 안에서 호출할 수 있다. 메타 개발자 문서에는 일반 원더의 추론 강도를 최대로 올려도 원더 풀로 전환되지 않는다는 점이 명시돼 있다. 반면 일반 원더는 뮤즈 코드 모든 요금제에 기본 포함되며, 엔트리 등급인 에브리데이 요금제는 지난 9월 출시 당시 월 5달러로 책정됐다.
매장에서만 맛볼 수 있고 포장은 안 되는 요리다.
개발자 개인이나 팀의 코딩 도구로는 즉시 도입할 수 있지만, 외부 고객용 엔터프라이즈 서비스에 연동할 길은 현재 차단돼 있다.
지식 질의응답 43%의 벽… 사실 검증과 터미널 제어의 한계
사실적 팩트를 검증하는 지식 질의응답은 여전히 취약하다. 사실적 지식 질의응답을 검증하는 AA-옴니사이언스(AA-Omniscience) 평가에서 원더 풀의 정답률은 43.2%에 머물러 하위 라인업인 스파크 1.3(43.6%)과 큰 차이가 없었다. 겉보기 환각률은 23%로 낮게 측정되지만, 이는 정답을 맞히지 못한 문항 중 허위 답변을 생성한 비율일 뿐이다. 원더 풀은 전체 질의의 43.7%에 대해 응답을 기권했다. 질문 100개 기준으로 환산하면 판도는 명확해진다.
| 비교 모델 | 정답 문항 | 오답 문항 | 답변 보류 | 응답 시 정답률 |
|---|---|---|---|---|
| 제미나이 4 아르곤 | 49.9개 | 7.6개 | 42.5개 | 86.9% |
| 클로드 오푸스 5.5 | 66.2개 | 19.8개 | 14개 | 77% |
| 뮤즈 원더 풀 | 43.2개 | 13.1개 | 43.7개 | 76.8% |
| 뮤즈 원더 | 41.1개 | 15.6개 | 43.3개 | 72.5% |
| 뮤즈 스파크 1.3 | 43.6개 | 18.6개 | 37.8개 | 70.1% |
지어내는 답은 줄었지만, 아는 것이 늘지는 않았다.
서버 인프라를 직접 제어하는 터미널 명령 작업은 상당 부분 진전을 이뤘다. 스파크 1.3이 33.3%에 그쳤던 터미널벤치 4.0에서 원더 풀은 57.1%, 일반 원더는 52%를 기록해 페이블 5.1(52%)과 어깨를 나란히 했다. 하지만 소넷 5.5(63.6%)와 오푸스 5.5(59.6%)의 벽을 넘지는 못했다. 복수의 업무용 앱을 연계하는 오토메이션벤치 역시 아르곤(77.5%)이 원더 풀(71.3%)보다 6.2%p 앞선다.
법률 실무 분야는 평가 주체에 따라 수치가 엇갈린다. 메타는 공식 블로그에서 법률 에이전트 시험 하비 랩(Harvey LAB-AA) 13.1%로 1위라고 발표했으나, 해당 지표는 아티피셜 애널리시스 공개 페이지에 등재되지 않았다. 아티피셜 애널리시스가 다수 과제를 종합한 법률 벤치마크 지수에서 원더 풀은 54.7점으로 오푸스 5.5(63.3점), 페이블 5.1(60.5점), 아르곤(60점)에 모두 밀렸다.
같은 학생도 어느 시험지를 펴느냐에 따라 등수가 바뀐다.
동일 지능에 비용은 6배… 가성비 무너진 상용 API 요금 체계
메타 모델 API 요금표에 따르면 원더 단가는 100만토큰당 입력 4달러(약 5400원), 출력 20달러(약 2만6800원)로 책정됐다. 이는 앤트로픽 공식 요금표에 명시된 오푸스 5.5와 동일한 가격이다. 하지만 종합 지능지수는 오푸스 5.5가 58점인 반면 원더는 52점에 머문다. 소넷 5.5는 그 절반 가격인 입력 2달러, 출력 10달러로 56점을 기록했다.
토큰을 절약하는 아키텍처 덕분에 과제당 소요 비용은 오푸스보다 낮다. 실측 과제당 비용 분석에서 지능지수 과제 하나에 원더는 4.52달러(약 6100원)가 소요돼 오푸스 5.5(5.98달러)와 소넷 5.5(5.46달러)보다 적었다. 하지만 동일한 52점을 기록한 GPT-6.1 솔(GPT-6.1 Sol)은 0.72달러로 원더의 6분의 1 수준에 불과했다. 아르곤은 53점에 1.99달러였다.
같은 점수를 받으려고 여섯 배 비싼 학원에 다니는 꼴이다.
코딩 에이전트 도구로 활용할 때도 셈법은 복잡하다. 코딩 에이전트 실측 지수에서 뮤즈 코드와 원더 조합은 63.5점, 과제당 8.05달러(약 1만800원)를 기록했다. 오픈AI(OpenAI) 코덱스(Codex)와 GPT-6.1 솔 조합(62.9점, 1.04달러) 대비 비용 격차가 현격하지만, 클로드 코드(Claude Code)와 오푸스 5.5 조합(66점, 13.04달러)보다는 원더가 저렴하다.
직전 모델 스파크 1.3과 대조하면 성능 향상은 뚜렷하다. 지능지수는 48점에서 52점으로 올랐고, 업무 산출물 평가 GDPval-AA는 1681점에서 1770점으로 상승했다. 코딩 에이전트 지수도 54.3점에서 63.5점으로 도약했다. 비용 인상분을 감당할 가치가 있는지는 작업 성격에 따라 갈린다.
스파크 1.3에 지원되던 요금 할인 혜택도 폐지됐다. 메타 API 정책상 사용자 데이터를 모델 학습에 제공하는 대가로 단가를 인하해 주던 기여자(Contributor) 모드는 원더에 적용되지 않는다. 분당 호출 한도는 스파크 1.3 일반 요금제와 동일한 3000회, 분당 토큰 한도는 400만개다.
“지능에서는 선두권 모델에 속하지만, 비슷한 가격대의 경쟁 모델과 비교하면 비용이 다소 비싸다.”
“초장기 작업 최적화” 메타의 반론… 보안 검증 누락과 프리뷰의 숙제
메타 개발자 가이드는 토큰당 비용보다 절대적 추론 성능이 중요한 과업과 수 시간 동안 구동되는 장기 에이전트 작업에 원더를 권장한다. 대량 배치 처리나 지연 시간에 민감한 작업에는 스파크를 추천하며, 원더는 고성능 장기 과업을 겨냥해 설계됐다는 취지다.
초장기 소프트웨어 개발 과제를 검증하는 SWE-마라톤 평가에서 원더 풀은 57.5%로 메타 비교군 중 최고점을 기록했다. 평가는 외부 전문사 어번던트 AI(Abundant AI)가 주관했다. 대화 맥락을 기억하는 메모리벤치(MemoryBench)에서도 원더 계열이 앞섰다. 알렉산더 왕 메타 슈퍼인텔리전스 랩 책임자는 미국 경제 매체 액시오스(Axios) 인터뷰에서 “세계 최고 모델들과 직접 경쟁하는 진정한 프런티어 모델”이라고 강조했다.
선수가 고른 종목에서는 금메달이 맞다.
평가표에서 아르곤을 제외한 배경에도 참작할 여지는 있다. 미국 IT 매체 더버지 분석에 따르면 아르곤 역시 출시 초기라 전체적인 성능 윤곽이 지속해서 측정되는 단계다. 아티피셜 애널리시스 역시 원더와 아르곤의 응답 속도 지표를 아직 공개하지 않았다.
남는 과제는 객관적 검증이다. 메모리벤치와 SWE-마라톤은 아티피셜 애널리시스의 공개 측정 지표에 포함돼 있지 않으며, 메모리벤치는 모델 카드의 외부 평가 기관 목록에도 누락돼 있다. 메타 역시 공식 모델 카드를 통해 경쟁 모델 실측이 “최선의 노력(best-effort)”에 기반한 참고치라고 밝혔다. 원더는 아직 프리뷰 단계인 만큼 수치는 변동될 수 있다.
에이전트 보안 측정치도 누락됐다. 공식 모델 카드는 사이버 공격 유도와 유해 행동 검증 결과를 수록했으나, 웹 문서 내 악성 명령으로 에이전트를 탈취하는 프롬프트 인젝션 방어율은 공개하지 않았다. 외부 웹 문서를 자율 탐색하는 에이전트에 원더를 연동하려면 이용자가 직접 취약점을 점검해야 한다. 메타는 화학·생물 분야에서 안전장치를 해제할 경우 고위험 기준을 상회하지 않는다고 단정할 수 없다고도 인정했다. 안전장치를 가동한 상태에서는 전 영역이 중간 이하 위험으로 분류됐다.
잠금장치 성능표 없이 현관 열쇠를 맡길 수는 없다.
업무 환경 및 작업 목적별 최적 모델 선택 가이드
메타는 이번에 처음으로 같은 세대와 겨뤘지만, 대진표는 여전히 메타가 짰다.
