Snowflake가 GLM-5.2와 Claude Opus 4.7을 103개 코딩 과제로 직접 비교했다. 각 과제를 3회씩 실행하는 조건에서 두 모델의 최종 정답률은 66% 대 67%로 사실상 동률이었다.
차이는 첫 시도 정확도에서 드러난다. Opus 4.7은 첫 시도 정답률 53.7%인 반면 GLM-5.2는 47.6%에 그쳤다. 일관성 면에서 Opus가 앞선다. 과제당 평균 실행 횟수도 GLM이 99회, Opus가 80회로 GLM이 더 많은 시도를 소비했다. 전체 소모 토큰도 GLM이 8억 6,000만 개로 Opus의 4억 3,900만 개보다 약 2배 많다. (소스 기준: 860M vs 439M)
Snowflake CEO Sridhar Ramaswamy는 GLM의 강점으로 DuckDB와 Snowflake 양쪽 플랫폼에서 동시에 코드를 검증하는 능력을 꼽았다. 이 덕분에 일부 과제는 GLM만 풀 수 있었다. 반면 GLM의 약점은 불필요한 검증을 과도하게 반복하는 것이다. 한 과제에서 GLM은 24분 동안 411번의 도구 호출을 반복하며 행 수, 분포, 결측값, 컬럼 유형을 점검했지만 3회 모두 실패했다. Opus는 같은 과제를 49번 호출, 9분 만에 해결했다.
가격 비교
성능 격차보다 주목할 지점은 가격이다.
▼ 주요 모델 토큰 단가 비교 (단위: 백만 토큰당 달러)
| 모델 | 입력 ($) | 캐시 입력 ($) | 출력 ($) |
|---|---|---|---|
| GLM-5.2 | 1.40 | 0.26 | 4.40 |
| Claude Opus 4.7 | 5.00 | 0.50 | 25.00 |
| GPT-5.5 | 5.00 | 0.50 | 30.00 |
| GPT-5.4 | 2.50 | 0.25 | 15.00 |
출력 토큰 기준으로 GLM-5.2($4.40)는 Claude Opus 4.7($25.00)의 약 5분의 1 수준이다. 일부 서드파티 공급자는 Zhipu AI 공식 가격보다도 낮게 제공한다. GLM이 토큰을 약 2배 더 소비하더라도 실질 비용 차이는 여전히 크다.
코딩은 Anthropic과 OpenAI 모두 핵심 수익원으로 삼는 영역이다. 이 분야에서 중국 모델이 가격 압박을 가하면 두 회사의 매출 성장 전망에 직접 영향을 준다. The Decoder는 두 회사의 높은 기업 가치가 매출 고성장 가정에 기반하며, 이는 데이터센터·칩 발주 등 AI 인프라 투자와 연동돼 있다고 분석했다.
국내 기업 입장에서도 GLM-5.2는 고려 대상이 될 수 있다. 코딩 자동화·내부 개발 도구에 AI 모델을 도입할 때 비용 구조가 결정적 변수가 되는데, 출력 토큰 단가 기준 5분의 1이라는 격차는 대규모 운용 시 무시하기 어렵다. 다만 첫 시도 정확도가 낮고 토큰 소모가 많다는 점은 반복 호출 비용과 응답 지연으로 이어질 수 있어, 실제 도입 전 워크로드 특성에 맞는 검증이 필요하다.
