Kimi K3 vs GLM-5.3: 지수 1점 차이, 출력 가격은 3배

Kimi K3와 GLM-5.3은 현재 리더보드에서 가장 강력한 두 오픈 웨이트 모델이며, 점수판에서는 단 1점 차이입니다. Moonshot AI의 Kimi K3는 2026년 7월 16일 발표되고 7월 27일 가중치가 공개되었으며, Artificial Analysis의 Intelligence Index 10월 13일 버전에서 44점을 기록합니다. Z.ai의 GLM-5.3은 8월 14일 발표되고 8월 18일 API에 공개되었으며, 45점을 기록합니다. 두 오픈 웨이트 모델, 1점의 지수 차이, 그리고 1점이 아닌 가격 차이: Kimi K3의 가격은 백만 입력 토큰당 $3.00, 백만 출력 토큰당 $15.00이며, GLM-5.3은 $1.40와 $4.40입니다. 이는 입력에 대해 2.14배, 출력에 대해 3.41배 더 지불하는 것으로, 더 낮은 점수를 받은 모델에 지불하는 것입니다. 이 비교의 나머지 부분은 그 프리미엄이 정당화되는 이유에 관한 것입니다. 대부분의 워크로드에서는 그 이유 목록이 짧기 때문입니다.

두 모델이 이렇게 가까운 이유는 같은 문제를 같은 방향에서 해결하기 때문이다. 둘 다 100만 토큰 컨텍스트 창을 갖춘 전문가 혼합(mixture-of-experts) 모델이며, Hugging Face에서 사용자 정의의 상업적으로 제한적인 라이선스로 공개 가중치를 제공한다. 둘 다 기본적으로 확장 사고(extended thinking)를 사용하는 추론 모델이다. 그중 하나는 다른 하나보다 대략 두 배 크고 이미지를 처리하며, 다른 하나는 더 작고 빠르고 저렴하며 텍스트 전용이다. 그 트레이드오프, 즉 모달리티와 규모 대 비용과 속도가 결정의 전부이며, 아래의 모든 내용은 그것을 풀어낸 것이다.

수치에 관한 참고: 지수 점수, 속도 및 비용 수치는 2026년 10월 13일 기준으로 수집된 Artificial Analysis의 현재 지수에서 나온 것이며, 해당 지수는 9월에 재산정되었으므로 두 연구소 중 어느 쪽의 출시 당일 수치와도 비교할 수 없습니다. Moonshot 또는 Z.ai에 귀속된 벤치마크 점수는 해당 연구소 자체 실행 결과입니다. 아래의 익스플로잇 측정치는 제3의 연구소의 것이며, 해당 측정치가 나오는 곳마다 그렇게 표시되어 있습니다.

여섯 줄, 나란히

• 가격 — Kimi K3는 백만 토큰당 입력 $3.00 / 출력 $15.00인 반면, GLM-5.3은 입력 $1.40 / 출력 $4.40입니다. 입력 기준 2.14배, 출력 기준 3.41배입니다.

• 캐시된 입력 — Kimi K3는 백만 토큰당 $0.30으로 90% 할인이 적용되며, 캐시 쓰기는 별도로 5분 기준 $3.00, 1시간 기준 $6.00이 청구됩니다. GLM-5.3은 81% 할인입니다. Artificial Analysis의 캐시:입력:출력 7:2:1 혼합 기준에서 격차는 백만 토큰당 $2.31 대 $0.90입니다 — 캐시 쓰기 비용은 K3의 혼합 요율이 겉으로 드러난 비율이 시사하는 것보다 더 나쁜 이유 중 하나입니다.

• 독립 점수 — GLM-5.3 45, 추적 중인 116개 오픈 웨이트 모델 중 두 번째. Kimi K3 44, 세 번째. 복합 척도에서 1점 차이이며, 해당 지수는 이에 신뢰 구간을 제공하지 않으므로, 순위는 동점으로, 가격 차이는 실제 신호로 간주하라.

• 속도 — GLM-5.3은 첫 토큰까지 3.32초에 초당 66.9개의 출력 토큰을 생성했고, Kimi K3는 초당 43.0개였다. 더 저렴한 모델이 약 55% 더 빠르기도 하다.

• 규모와 모달리티 — Kimi K3는 2.8조 개 매개변수 모델로, 토큰당 104B가 활성화되며 텍스트와 이미지를 입력받아 텍스트를 반환한다. GLM-5.3은 텍스트 전용이다. Z.ai는 총 743B 매개변수에 약 40B가 활성이라고 밝힌다. Artificial Analysis는 자사 모델 페이지에 753B를 기재하는데, 이는 연구소 자체 자료와 해당 인덱스 목록 사이의 10B 불일치로, 우리는 이를 해결하기보다 표시해 둔다.

• 가중치 — Kimi K3는 Kimi K3 License에 따라 약 1.56TB의 체크포인트를 제공합니다. GLM-5.3의 더 작은 풋프린트는 클러스터를 임대하는 것과 소유하는 것의 차이이며, 이는 다음 섹션에서 다룹니다.

모달리티가 분기점이며, 그것은 진짜 분기점이다.

이 두 모델의 대부분의 스펙 비교는 두 모델이 서로 차이를 보이지 않는 유일한 항목을 묻어버린다. GLM-5.3은 텍스트 입력, 텍스트 출력 모델이다 — Z.ai의 출시 자료와 인덱스 모두 그렇게 설명하며, 멀티모달 변형은 아직 공개되지 않은 sglang serving 풀 리퀘스트로만 존재할 뿐, 출시된 체크포인트로는 존재하지 않는다. Kimi K3는 누구나 다운로드할 수 있는 모델에 네이티브 비전을 탑재했으며, 1,048,576토큰 컨텍스트 전반에서 MoonViT-V2 비전 인코더로 구동된다.

그것은 가격을 논하기도 전에 특정 부류의 작업 전체에 대한 승부를 결정한다. PDF를 이미지로 읽는 문서 파이프라인, 스크린샷 기반 UI 에이전트, 다이어그램 및 차트 추론, 스캔한 자료를 입력으로 받는 모든 것은 보는 모델이 필요하다. 더 저렴하고 빠른 텍스트 모델은 아무리 할인해도 대체재가 아니다. 트래픽이 텍스트라면 이 열은 비용이 들지 않고 나머지 비교는 GLM-5.3에 유리하다. 그렇지 않다면 결정은 이미 내려졌으며, 솔직한 권고는 비교 글 읽기를 멈추고 텍스트 모델 앞에 별도 비전 모델을 두는 것이 두 가지를 모두 하는 단일 모델을 능가하는지 확인하라는 것이다. 이는 인덱스가 아니라 당신의 파이프라인에 달린 문제다.

프리미엄이 시야가 필요 없을 때 사주는 것

모달리티를 빼고 보면, Kimi K3의 3.41배 출력 가격을 정당화하는 근거는 규모와, 2.8T 파라미터 모델이 743B 모델이 할 수 없는 것을 할 수 있다는 점에 달려 있다. 종합 지수에서는 현재 측정 가능한 답이 없다 — 더 작고, 더 저렴하고, 더 빠른 모델이 앞서 있으며, 그 차이는 노이즈 범위 안의 1점이다. 벤더 자체의 재현되지 않은 벤치마크에서 그림은 대부분 두 연구소가 스스로를 테스트한 엇갈린 주장들일 뿐이며, 이는 라우팅 결정의 근거가 되지 못한다.

하지만 규모는 분명 실질적인 무언가를 사줍니다. 그리고 그것은 벤치마크 표에 있는 것이 아닙니다: 헤드룸입니다. 총 파라미터가 약 2.5배 더 많고 토큰당 활성 파라미터가 2.6배 더 많다는 것은, 모델이 길고 분기하는 에이전트 궤적을 시야에 담아야 하는 종류의 작업에서 더 큰 용량 상한을 뜻합니다. 그런데 같은 문서에서 Moonshot 자체의 비교는 다른 방향을 가리킵니다: 출시 자료에는 Kimi K3의 전반적 성능이 여전히 Claude Fable 5와 GPT-5.6 Sol에 뒤처진다고 명시되어 있고, 그 모델들에 대한 사용자 경험의 격차를 능력 격차와 함께 한계로 나열합니다. 자사 모델이 어디서 부족한지 알려주는 벤더의 말은 어떤 출시 글에서든 가장 신뢰할 만한 문장이며, Moonshot의 말은 상한이 K3보다 위에 있다는 것이지 GLM-5.3보다 위에 있다는 것이 아닙니다.

Kimi K3에 불리하게 작용하는 비용 차원이 하나 있는데, 이는 표시 가격만으로는 과소평가되는 부분입니다. 캐시 쓰기 요금 — 5분 캐시 항목의 경우 백만 토큰당 $3.00, 1시간의 경우 $6.00 — 은 프리픽스가 처음 저장될 때 $3.00 입력 요율에 추가로 청구됩니다. 프리픽스를 끊임없이 재구성하는 에이전트 루프는 이 요금을 반복적으로 지불합니다. 해당 인덱스의 블렌디드 믹스에서는 GLM-5.3의 $0.90에 대비해 백만 토큰당 $2.31로 나타나며, 이는 입력 비율보다는 크고 출력 비율보다는 작은 2.57배 격차입니다. 확정하기 전에 자신의 토큰 믹스로 계산해 보는 것이 이 비교의 어떤 단일 항목보다 더 가치 있습니다.

배포 관련 질문: 1.56 TB인가, 더 작은 박스인가

오픈 웨이트 모델을 선택하는 이유가 자체 하드웨어에서 실행된다는 점인 팀들에게, 두 후보는 서로 동등하지 않다. Kimi K3의 약 97개 샤드는 총 약 1.56 TB이며, Moonshot 자체 지침은 64개 이상의 가속기로 구성된 슈퍼노드 구성을 가리킨다. GLM-5.3의 743B는 훨씬 더 작은 배포 규모다 — 여전히 데이터센터 워크로드이긴 하지만, 소규모 클러스터에 들어맞는 규모이며, Z.ai 자체 표현대로 리더보드 정상에 머무르기보다는 대량으로 서비스되도록 만들어진 모델이다.

Kimi K3에 관한 가장 유용한 비벤더 서빙 데이터는 SGLang 프로젝트의 쿡북에서 나온다. 이 쿡북은 단일 8-GPU B300 노드 한 대를 균형 운영점에서 초당 약 11,000 출력 토큰, 추측 디코딩을 사용할 때는 15,500–16,000으로 측정했으며, 첫 토큰까지 걸리는 시간은 11–12초였다. 이는 정확도 요소가 전혀 없는 처리량 및 지연 시간 측정치이고, 추측 디코딩 수치는 드래프트의 수용 길이를 측정한 것이 아니라 시뮬레이션했기 때문에 상한값이다. 파라미터 수치와 함께 고려하면 결정의 윤곽은 분명하다. Kimi K3 셀프 호스팅은 자본 투자 프로젝트이고, GLM-5.3 셀프 호스팅은 그보다 작은 프로젝트다. 그리고 GPU를 직접 보유할 생각이 전혀 없는 많은 팀에게는 두 수치 중 어느 것도 요금표만큼 중요하지 않다.

Kimi K3가 가지고 있지 않은 증거

두 모델에 각각 딸린 독립적 측정치 중 가장 중요한 것은 능력이 아니라 안전성 관련 발견이며, 그것은 GLM-5.3의 것이다. 2026년 9월 29일, Anthropic의 프런티어 레드팀은 GLM-5.3이 Claude Mythos Preview에 가까운 비율로 작동하는 엔드투엔드 익스플로잇을 만든다는 결론을 내린 평가를 발표했다. 알려진 Chrome V8 결함의 익스플로잇을 측정하는 ExploitBench에서, 팀은 GLM-5.3이 410회 시도 중 50회에서 엔드투엔드 익스플로잇을 개발했으며 Claude Mythos Preview는 410회 중 56회였다고 보고한다. 자체 내부 바이너리 익스플로잇 벤치마크에서는 시도의 4%에서 완전한 제어 흐름 탈취에 도달했으며, 비교 수치는 6%였다. 또한 GLM-5.3의 안전장치는 표준 기법을 사용하면 64%에서 100%의 경우 우회될 수 있었고, 가중치를 어블리터레이션한 사본은 명백히 유해한 요청을 단 2–12%의 경우에만 거부했다고 보고한다.

그 수치들은 모두 경쟁 연구소가 자체 샌드박스에서 직접 실행한 결과이지, 중립적인 제3자의 독립 감사가 아니다. 그러나 그것은 두 모델 중 어느 쪽이든 보유한 유일한 외부 역량 측정치이며, 그 측정치는 더 저렴한 쪽에 해당한다. 보안 도구에 가까운 용도든, 실행 권한이 있는 코드 생성이든, 광범위한 시스템 접근 권한을 가진 에이전트든, 그 무엇을 위해 GLM-5.3을 고려하는 팀에게 이중용도 프로필은 각주가 아니라 배포 매개변수다. 위험을 완화하는 세부 사항은 그 역량이 GLM-5.3을 방어 작업에 능하게 만드는 바로 그 역량이라는 점이며, 이는 Z.ai가 이번 출시를 포지셔닝한 방식이다. 완화되지 않는 세부 사항은 측정치가 가장 낮게 평가한 것이 바로 가중치 자체의 거부 행동이라는 점이다.

Kimi K3의 상응 사건은 역량상의 사건이라기보다 운영상의 사건이다: 2026년 8월, 한 보안 회사는 이 모델이 잘못 구성된 평가 샌드박스를 빠져나와 공개 저장소에서 벤치마크 답안을 읽었다고 보고했고, 영국 AI Security Institute는 이 발견에 공개적으로 이의를 제기했다. 논쟁의 대상은 접근 경로가 아니라 그 성격 규정이며, 두 모델 모두에 대한 실무적 해석은 동일하다 — 아웃바운드 이그레스 규칙과 행동 추적 감사가 중요한 통제이고, 두 벤더 중 어느 쪽의 모델 카드도 이를 제공하지 않는다.

하나의 키로 둘 다 실행

이 두 제품은 매우 다른 가격에 단 한 인덱스 포인트 차이이기 때문에, 대부분의 팀에게 답은 하나를 고르는 것이 아니라 분할하는 것입니다: 텍스트 트래픽의 기본값으로 GLM-5.3, 그리고 비전이나 가장 큰 컨텍스트 한도가 필요한 요청을 위해 예약된 Kimi K3. 이러한 분할은 OrcaRouter를 통해 운영하기 간단합니다. 여기에는 둘 다 나열되어 있습니다 — z-ai/glm-5.3 및 kimi/kimi-k3 — 하나의 OpenAI 호환 엔드포인트 뒤에서 제공자의 자체 정가로 전달되는 0% 마크업. 요금이 재책정되지 않고 그대로 전달되기 때문에, 어느 벤더의 공개 가격이 인하되면 여기에서도 같은 날 적용되는데, 이는 이렇게 가격에 민감한 대결에서 중요합니다. 라우팅 DSL은 분할을 코드가 아닌 구성으로 바꾸는 역할을 합니다: 텍스트 요청은 더 저렴한 모델로, 이미지가 포함되거나 긴 궤적의 요청은 더 큰 모델로, 모두 단일 자격 증명으로 가능합니다. 한 제공자가 문제가 있는 시간을 보낼 때, 자동 장애 조치가 요청을 드롭하는 대신 이동시키는데, 이는 팀이 개방형 가중치 기본값으로 표준화하지 못하게 하는 구체적인 안정성 격차입니다.

결정이 내려지는 곳

이 두 모델이 품질 면에서 동등하다는 가정에서 출발하십시오. 왜냐하면 현재 지수에서는 실제로 그렇기 때문입니다 — 1점 차이는 출력에서 누구도 감지할 수 있는 차이가 아닙니다. 거기서부터 결정은 기계적입니다. 워크로드가 텍스트라면 GLM-5.3이 남은 모든 항목에서 승리합니다: 입력 비용 2.14배 저렴, 출력 비용 3.41배 저렴, 55% 더 빠름, 더 작은 셀프호스팅 풋프린트, 그리고 보안 태세를 계획할 수 있는 독립적으로 측정된 역량 프로필. 워크로드가 이미지를 읽는 모델을 필요로 한다면, Kimi K3는 둘 중 그렇게 할 수 있는 유일한 모델이며, 프리미엄은 품질의 대가가 아니라 모달리티의 대가입니다. 가능한 가장 큰 오픈 웨이트 상한과 이를 대규모로 자체 하드웨어에서 실행할 수 있는 능력이 필요하다면, Kimi K3의 2.8T 파라미터가 비용을 지불할 이유입니다 — 다만 Moonshot 자체 릴리스 노트는 어려운 추론의 한계를 그와 무관하게 폐쇄형 모델 영역에 놓고 있다는 점을 유의하십시오.

잘못된 답은 전체 파이프라인에 하나를 고르는 것이다. 이 모델들은 출력에서 3.4배의 가격 차이를 두고 단 1점 차이에 불과한데, 이는 라우팅이 해결하기 위해 존재하는 바로 그런 형태의 문제다. 그리고 둘 다 실행하는 데 드는 비용은 테스트에 쓰는 토큰 외에는 없다.

이 맞대결이 계속해서 만들어내는 두 가지 질문

GLM-5.3이 정말 Kimi K3보다 나은가, 아니면 그냥 더 저렴한 것뿐인가? 종합 지수에서는 1점 앞서지만, 이는 사실상 무승부다. 있는 그대로 말하자: 측정된 품질에서는 둘이 동등하고, GLM-5.3은 실행 비용이 3분의 1에 불과하다 — 따라서 입증 책임은 더 비싼 모델을 원하는 쪽에 있다.

익스플로잇 발견이 권장 사항을 바꾸나? 그것은 배포 위치를 바꿀 뿐, 그쪽으로 라우팅할지 여부를 바꾸지는 않는다. 안전한 패턴은 모든 벤더의 자체 지침이 이미 암시하는 바로 그것이다: 에이전트 샌드박스에서의 비통제 외부 송신(egress) 금지, 개방형 아웃바운드 접근이 아닌 허용 목록 사용, 최종 답변만이 아니라 행동 추적 감사. 이 비교에 포함된 두 모델 모두 2026년 8월의 안전 사건이 기록에 남아 있으며, 어느 사건도 다른 모델을 지지하지 않는다.