알리바바 Qwen3-Max-Thinking 공개: HLE 벤치마크서 제미나이 3 프로·GPT-5.2 제쳐

추론형 AI 모델의 연산 비용과 효율을 둘러싼 경쟁이 치열해지는 가운데, 알리바바가 서구권 빅테크를 겨냥한 고성능 모델을 내놓았습니다.

알리바바 클라우드의 Qwen 연구팀은 자체 상용 추론 모델인 'Qwen3-Max-Thinking'을 공개했습니다. 구글링으로 풀기 어려운 석·박사급 3,000개 문제로 구성된 벤치마크 'Humanity's Last Exam(HLE)'에서 웹 검색 도구를 장착한 상태로 49.8점을 기록하며 Gemini 3 Pro(45.8점)와 GPT-5.2-Thinking(45.5점)을 모두 제쳤습니다.

앞서 에어비앤비 최고경영자 브라이언 체스키가 오픈AI의 값비싼 대안으로 Qwen의 무료 오픈소스 모델을 활용하고 있다고 밝혀 주목받은 바 있습니다. 하지만 이번에 알리바바가 선보인 Qwen3-Max-Thinking은 오픈소스가 아닌 독자 상용 모델로, 직접 글로벌 최고 수준의 추론 성능을 겨냥합니다.

낭비되는 토큰을 줄이는 다회차 추론

일반적인 추론 모델은 답안 수십 개를 무작위로 생성한 뒤 최적의 결과를 고르는 'best-of-N' 방식에 의존하는 경우가 많습니다.

반면 Qwen3-Max-Thinking은 이전 추론 단계의 경험을 축적하며 자가 반성을 거치는 다회차 전략을 도입했습니다. 풀이 과정이 막다른 길에 다다랐을 때 끝까지 연산하지 않고 조기에 감지해 멈추는 독자 메커니즘을 적용했습니다.

불필요한 반복 계산을 피하고 남은 연산 자원을 풀리지 않은 핵심 의문에 집중함으로써 토큰 비용 낭비 없이 성능을 끌어올렸습니다. 박사급 과학 벤치마크인 GPQA 점수는 90.3점에서 92.8점으로 올랐고, LiveCodeBench v6 점수 역시 88.0점에서 91.4점으로 상승했습니다.

고난도 수학 추론 벤치마크인 HMMT Feb 25에서는 98.0점을 기록해 Gemini 3 Pro(97.5점)와 DeepSeek V3.2(92.5점)를 앞섰습니다. Arena-Hard v2 코딩 테스트에서도 90.2점을 획득해 Claude-Opus-4.5(76.7점)를 크게 따돌렸습니다.

생각하면서 웹 검색과 코드 실행까지

기존 추론형 모델들은 수학이나 이론 증명에는 강했지만 실시간 웹 검색이나 코드 실행 같은 현실 도구를 다루는 데는 한계가 있었습니다.

Qwen3-Max-Thinking은 생각하는 모드와 도구 활용 모드를 유기적으로 통합했습니다. 이용자가 별도로 프롬프트를 지정하지 않아도 실시간 검색, 맥락 저장을 위한 메모리, 파이썬 스크립트를 실행하는 코드 인터프리터를 스스로 판단해 호출합니다.

한 번의 질의응답 안에서 외부 데이터를 검색해 사실을 검증하고, 코드로 시뮬레이션을 수행한 뒤 최종 전략을 도출하는 복합 추론이 가능해진 것입니다. 외부 데이터를 기반으로 추론을 전개하기 때문에 할루시네이션(환각)도 크게 줄었다고 연구팀은 설명합니다.

왜 중요한가

서구권 연구소들이 주도해 온 '시스템 2' 추론 AI 시장에서 기술적 격차가 사실상 사라졌음을 보여주는 사례입니다.

개발자와 기업 입장에서는 복잡한 에이전트 워크플로를 구축할 때 검토할 만한 강력한 대안이 등장했습니다. 단순히 답을 길게 생각하는 것을 넘어, 검색과 코드 실행을 실시간으로 엮어 검증하는 능력이 뛰어나기 때문에 복합 조사나 정밀 데이터 분석 업무에서 충분히 시험해 볼 가치가 있습니다.

접근 방식도 매우 실용적입니다. 무작정 연산량을 늘려 토큰 비용을 폭증시키는 대신 오답 경로를 조기에 차단하고 도구로 현실 데이터를 보완하는 방식은 엔터프라이즈 환경에 꼭 필요한 구조입니다.

다만 시장 확장의 걸림돌도 분명합니다. 에어비앤비처럼 오픈소스를 자체 인프라에 얹어 쓰던 기업들과 달리, 폐쇄형 상용 API를 써야 하는 상황에서는 국가 안보와 데이터 규제를 엄격히 따지는 미국 및 글로벌 기업들이 도입을 망설일 수밖에 없습니다. 그럼에도 불구하고 추론 모델의 승부처가 단순 지능 대결에서 '도구 통합 효율성'으로 넘어가고 있음을 명확히 짚어준 모델입니다.