Qwen 3.7 Max vs GLM-5.2 오픈웨이트 코딩모델 실전비교: 셀프호스팅과 API

 

Qwen 3.7 Max는 가중치를 아예 안 풀고 API로만 제공하는 폐쇄형이고, GLM-5.2는 MIT 라이선스로 Hugging Face에 통째로 올라와 있는 완전 개방형입니다. 벤치마크 점수만 비교하면 놓치는 이 구조적 차이부터 짚고, 실제로 두 모델을 각각 어떻게 붙여봐야 하는지 코드로 정리했습니다.

 

Qwen 3.7 Max는 5월 21일 알리바바가 출시한 플래그십으로, 텍스트 전용에 API로만 제공됩니다. 오픈 가중치로 받을 수 있는 건 더 작은 Qwen3.6 계열(예: Qwen3.6-27B)뿐이고 3.7 Max 자체는 절대 다운로드할 수 없습니다.

1M 토큰 컨텍스트를 지원하고, Artificial Analysis Intelligence Index 기준 약 56.6점으로 중국계 모델 중 최상위권에 들며, 현재 프런티어 모델 중 환각률이 가장 낮은 22.9%를 기록했습니다. 가장 눈에 띄는 특징은 자율 에이전트 지속시간으로, 별도 개입 없이 약 35시간까지 작업 흐름을 유지할 수 있다고 보고됐는데 GLM 계열은 이 수치가 8시간 안팎이라 이 부분에서만큼은 격차가 명확합니다.

가격은 100만 토큰 기준 입력 $2.5/출력 $7.5이고, 더 가벼운 멀티모달 티어인 Qwen 3.7 Plus는 $0.4/$1.6로 별도 제공됩니다.

 

GLM-5.2는 6월 13일 Zhipu AI(Z.ai)가 공개한 모델로, 753B 총 파라미터에 활성 파라미터는 약 40B인 MoE 구조를 씁니다. MIT 라이선스로 지역 제한 없이 다운로드·수정·재배포·상업적 이용까지 전부 허용되고, vLLM·SGLang·KTransformers·Unsloth·Transformers 등 주요 추론 프레임워크를 공식 지원합니다.

컨텍스트 윈도우는 1M 토큰으로 Qwen과 동일하고, 가격은 API 기준 출력 $4.40 선으로 Qwen보다 저렴합니다.

코딩 벤치마크에서는 SWE-bench Pro 62.1%, Terminal-Bench 2.1(최적 하니스 기준) 82.7%, AIME 2026 99.2%, GPQA-Diamond 91.2%를 기록했는데, Qwen 3.7 Max와 비교하면 공유 벤치마크 대부분에서 근소한 차이의 접전을 보입니다.

실전 1: GLM-5.2 셀프호스팅 — vLLM로 직접 띄우기

GLM-5.2는 753B 파라미터를 통으로 올려야 해서, FP8 양자화 버전도 GPU 메모리만 약 750GB가 필요합니다. 현실적으로는 H200 8장 구성이 표준 경로이고, 이보다 작은 환경이라면 4비트 GGUF 양자화나 llama.cpp 경로를 택해야 합니다. 아래는 8×H200 기준 vLLM 서빙 명령입니다.

# 가중치 다운로드 (약 750GB, 10GbE 기준 30~60분 소요)
huggingface-cli download zai-org/GLM-5.2-FP8 \
  --local-dir /models/glm-5.2-fp8 \
  --local-dir-use-symlinks False

# vLLM으로 OpenAI 호환 API 서버 띄우기
vllm serve "zai-org/GLM-5.2-FP8" \
  --tensor-parallel-size 8 \
  --max-model-len 262144 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --port 8000

 

--tensor-parallel-size 8은 753B 가중치를 GPU 8장에 분산 로딩하는 옵션이고, 1M 전체 컨텍스트까지 쓰려면 FP8 KV 캐시가 사실상 필수입니다. 에이전틱 코딩처럼 반복적으로 같은 코드베이스 컨텍스트를 재사용하는 워크로드라면 SGLang의 RadixAttention이 공유 프리픽스를 캐싱해줘서 vLLM 대비 초당 요청 처리량이 약 3배까지 늘어난다는 보고도 있습니다.

# SGLang 경로 (장시간 에이전트 세션에 유리)
python -m sglang.launch_server \
  --model-path /models/glm-5.2-fp8 \
  --tp 8 \
  --quantization fp8 \
  --enable-moe-ep \
  --context-length 131072 \
  --port 30000

 

--enable-moe-ep는 MoE 전문가 병렬화 플래그로, 이걸 빼면 텐서 병렬화가 모든 전문가 가중치를 GPU마다 복제해서 메모리를 낭비하게 됩니다. 실전 코딩 에이전트라면 굳이 1M 전체 컨텍스트를 상시 띄울 필요는 없고, 32K~131K 구간이 실제 작업 범위로 충분하다는 게 배포 가이드의 공통된 권장사항입니다.

실전 2: Qwen 3.7 Max — API 하나로 바로 붙이기

Qwen 3.7 Max는 셀프호스팅 자체가 불가능하므로, 선택지는 API 호출뿐입니다. OpenAI SDK와 호환되는 엔드포인트를 제공하기 때문에 기존 코드베이스에 모델명만 바꿔서 끼워넣을 수 있습니다.

from openai import OpenAI

client = OpenAI(
    api_key="your-dashscope-api-key",
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
)

response = client.chat.completions.create(
    model="qwen3.7-max",
    messages=[
        {"role": "system", "content": "당신은 신중한 코딩 에이전트입니다."},
        {"role": "user", "content": "이 저장소의 인증 흐름을 분석하고 리팩터링 계획을 세워줘"}
    ],
    max_tokens=4096
)
print(response.choices[0].message.content)

 

Qwen 3.7 Max의 강점이 장시간 자율 작업(최대 35시간 지속)이라는 점을 감안하면, 단발성 질의응답보다는 멀티턴 에이전트 루프에 넣었을 때 진가가 드러납니다. 다만 셀프호스팅이 안 되기 때문에 데이터를 외부로 내보낼 수 없는 조직이라면 애초에 선택지에서 제외해야 합니다. 이 지점이 GLM-5.2와 가장 결정적으로 갈리는 부분입니다.

셀프호스팅이냐 API냐, 선택 기준

항목	Qwen 3.7 Max	GLM-5.2
가중치 공개	없음 (API 전용)	MIT 라이선스, Hugging Face 공개
셀프호스팅	불가능	가능 (vLLM/SGLang/KTransformers 등)
컨텍스트 윈도우	1M 토큰	1M 토큰
SWE-bench Pro	60.6%	62.1%
Terminal-Bench 2.1	-	82.7%(최적 하니스)
자율 에이전트 지속시간	약 35시간	약 8시간
환각률	22.9%(프런티어 최저)	미공개
가격(100만 토큰, 출력 기준)	$7.5	약 $4.40
데이터 외부 유출 우려	있음(API 필수)	없음(온프레미스 가능)

 

결론

두 모델을 벤치마크 점수로만 비교하면 근소한 차이의 접전으로 보이지만, 실제 선택은 점수보다 배포 구조가 좌우합니다. 데이터를 외부로 내보낼 수 없는 규제 산업이나, 반복 호출이 많아 토큰당 비용을 아예 없애고 싶은 고빈도 워크로드라면 GLM-5.2 셀프호스팅이 유일한 답입니다.

 

반대로 인프라 관리 인력이 없거나 장시간 자율 에이전트가 핵심 요구사항이라면, 35시간 지속성과 최저 수준 환각률을 갖춘 Qwen 3.7 Max를 API로 붙이는 쪽이 훨씬 현실적입니다. 결국 "어느 모델이 더 똑똑한가"보다 "내 조직이 GPU 8장을 굴릴 수 있는가"가 먼저 답해야 할 질문입니다.