Z.ai, 10분의 1 가격의 320B 멀티모달 모델 'GLM-5.3-Flash' 공개

최근 OpenCode와 OpenRouter에서 'Ox Alpha'라는 가명으로 암암리에 테스트되던 의문의 코딩 모델 정체가 마침내 공개되었습니다.

Z.ai는 GLM-5 시리즈 최초의 네이티브 멀티모달 모델인 GLM-5.3-Flash를 정식 출시했습니다. 총 320B 매개변수를 지녔지만 토큰당 활성화되는 매개변수는 18B에 불과한 MoE(Mixture-of-Experts) 구조로 설계되었으며, 100만 토큰의 컨텍스트 윈도우와 이미지·동영상 입력을 지원합니다. 가중치는 Hugging Face에 MIT 라이선스로 오픈소스로 풀렸으며, 제공 비용은 동급 고성능 모델 대비 10분의 1 수준에 불과합니다.

100만 컨텍스트를 극도로 저렴하게 만든 구조

100만 토큰의 긴 문맥을 다루면서 추론 비용을 획기적으로 낮추기 위해, Z.ai는 30조 토큰의 멀티모달 코퍼스를 기반으로 처음부터 모델을 다시 학습시키고 아키텍처를 대폭 손질했습니다.

가장 눈에 띄는 변화는 하이브리드 어텐션입니다. 45개 언어 레이어에 KDA 선형 어텐션과 NoPE 희소 MLA 어텐션을 교차 배치해, 선형 어텐션이 국소적 관계를 다루고 희소 어텐션이 전역 컨텍스트를 검색하도록 했습니다. 각 토큰은 288개 전문가 중 8개로 라우팅됩니다. 여기에 인덱스 키 벡터를 압축하는 'IndexPool' 기법을 도입해 어텐션 연산량을 약 3분의 1로, KV 캐시를 4.4배 축소시켰습니다. 또한 다양체 제약 초연결(mHC) 기술을 적용해 이전 세대 모델과 비슷한 총 매개변수 규모에서도 활성화 매개변수와 레이어 수를 절반 수준으로 줄였습니다.

성능 면에서도 DeepSWE v1.1에서 63.4점을 기록하며 기존 GLM-5.2의 46.2점을 크게 앞질렀고, Terminal-Bench 2.1에서는 84.3점을 기록해 내부 코딩 벤치마크 기준 Claude Opus 4.8에 근접했습니다. 비하인드 스토리도 인상적입니다. 사전 테스트 기간 동안 이 모델은 전량 중국산 국산 AI 칩 위에서 구동되었으며, SGLang 기반의 독자적인 분리형 서빙 엔진을 적용해 수만 개의 가속기 클러스터에서 3배의 종단 간 처리량 향상을 달성했습니다.

파격적인 API 가격, 하지만 자체 구축 장벽은 높아

MIT 라이선스로 공개된 오픈소스 모델이지만, 기업이 자체 인프라에 직접 띄우기는 만만치 않습니다. 기본 FP8 체크포인트만 해도 KV 캐시를 제외하고 약 306 GiB에 달하며, 현재 vLLM 경로는 NVIDIA Hopper 이상 사양만 지원합니다. 즉, 최소 8개 이상의 최신 GPU 노드를 갖춘 중대형 조직이 아니라면 현실적으로 호스팅 API를 사용하는 편이 훨씬 경제적입니다.

호스팅 API 가격은 100만 입력 토큰당 0.15달러(캐시 적용 시 0.03달러), 출력 토큰당 0.50달러로 책정되었습니다. 독립 분석 기관인 Artificial Analysis에 따르면 인텔리전스 지수 57점을 기록했으며, 할인 적용 시 작업당 0.045달러라는 극단적인 가성비를 보여주었습니다. 다만 출력 속도가 초당 48.7토큰, 첫 토큰 응답 시간(TTFT)이 1.52초로 다소 느리고 장황하다는 평가를 받았습니다. 시각 처리 역량 역시 약점으로 꼽혀 BabyVision 등 멀티모달 벤치마크에서는 Gemini 3.7 Flash에 미치지 못했습니다.

왜 중요한가

개발자와 소프트웨어 엔지니어링 조직에게 이번 발표의 실질적 가치는 '비용 때문에 망설였던 무거운 코딩 에이전트를 상시 운영할 수 있게 되었다'는 점입니다. 전체 코드베이스를 통째로 읽히거나 수백만 줄의 시스템 로그를 분석하고 브라우저를 자동 제어하는 작업은 플래그십 모델을 쓸 경우 비용이 눈덩이처럼 불어났습니다. 10분의 1 비용으로 최상위권 코딩 역량을 활용할 수 있는 만큼, 에이전트 기반 개발을 진행 중이라면 당장 도입해 볼 가치가 충분합니다.

저희는 Z.ai의 접근 방식이 매우 영리하다고 봅니다. 무작정 매개변수를 키우며 최고 성능 타이틀 경쟁에만 매달리는 대신, 하이브리드 어텐션과 벡터 풀링으로 메모리 병목을 제거해 실제 배포 비용을 낮추는 실용적인 선택을 했습니다. 특히 중국산 칩셋 환경에서도 소프트웨어 최적화만으로 강력한 처리량을 뽑아낸 점은 인프라 제약 속에서도 아키텍처 혁신이 유효함을 증명합니다.

물론 비전 성능이 경쟁 모델 대비 뒤처진다는 한계가 명확하고, 로컬 구동에 고가의 하드웨어가 필요해 소규모 팀은 API 의존도가 높을 수밖에 없습니다. 그럼에도 불구하고 최상위급 코딩 능력을 파격적인 단가로 시장에 공급함으로써, 경쟁 빅테크 기업들의 개발자 API 가격 인하를 강하게 압박하는 계기가 될 것입니다.