샤오미가 LLM을 만든다고요?
스마트폰이랑 로봇청소기 만드는 회사로만 알고 계셨다면 조금 놀라실 수도 있는데요. 샤오미는 2025년 봄에 MiMo-7B라는 소형 추론 모델을 공개하면서 LLM 경쟁에 정식으로 뛰어들었어요. 당시 70억 파라미터짜리 작은 모델이 수학이랑 코딩 벤치마크에서 훨씬 큰 모델들을 따라잡는다고 해서 눈길을 끌었거든요. 그 뒤로 이미지까지 이해하는 MiMo-VL, 대형 MoE 구조의 MiMo-V2 계열로 라인업을 넓혀왔고, 이번에 벤치마크 사이트 Artificial Analysis에 MiMo-v2.6-Pro 분석 페이지가 올라왔어요.
여기서 Artificial Analysis가 뭐냐면, 전 세계 주요 LLM을 같은 조건에서 돌려보고 지능, 속도, 가격을 한 표에 정리해주는 독립 벤치마크 사이트예요. 모델 회사가 자기 입맛대로 뽑은 숫자가 아니라 제3자가 직접 측정한 결과라서, 요즘 모델 고를 때 많이들 참고하는 곳이죠.
이 페이지에서 봐야 할 세 가지 축
분석 페이지는 크게 세 가지를 보여줘요. 정확한 숫자는 페이지에서 직접 확인하시는 게 좋고, 여기서는 각 지표가 무슨 의미인지 풀어볼게요.
첫 번째는 Intelligence Index예요. 이게 뭐냐면 수학, 코딩, 과학 추론, 지시 따르기 같은 여러 벤치마크 점수를 하나로 합친 종합 점수예요. 수능 총점 같은 거라고 보시면 돼요. 단, 총점이 높다고 모든 과목을 잘하는 건 아니듯이, 종합 지수가 비슷한 두 모델도 코딩은 A가, 긴 문서 이해는 B가 나을 수 있어요. 그래서 세부 항목을 꼭 같이 보셔야 해요.
두 번째는 속도예요. 두 가지로 나뉘는데, 첫 토큰이 나올 때까지 걸리는 시간(TTFT)이랑 초당 생성 토큰 수예요. 챗봇처럼 사용자가 화면을 보고 기다리는 서비스라면 첫 토큰 지연이 체감 품질을 좌우하고, 배치로 문서 수천 개를 처리하는 파이프라인이라면 초당 토큰 수가 전체 처리 시간을 결정해요. 어떤 속도가 중요한지는 여러분 서비스 성격에 따라 달라지는 거죠.
세 번째는 가격이에요. 100만 토큰당 입력 가격과 출력 가격이 따로 표시돼요. 출력 가격이 보통 몇 배 비싸기 때문에, 긴 답변을 많이 뽑는 서비스라면 출력 가격을 먼저 보셔야 해요. Artificial Analysis는 이 세 축을 산점도로 그려주는데, 왼쪽 위(싸고 똑똑한 쪽)에 찍히는 모델들이 이른바 '파레토 프론티어'에 있는 모델이에요. 이게 뭐냐면, 같은 가격에 이보다 똑똑한 모델이 없고 같은 지능에 이보다 싼 모델이 없는 위치라는 뜻이에요.
MiMo 계열이 노리는 자리가 바로 이 영역이에요. 최상위 프론티어 모델을 이기겠다는 게 아니라, 그 근처 성능을 훨씬 낮은 가격에 제공하겠다는 전략이거든요.
벤치마크를 읽을 때 조심할 점
종합 지수는 편리하지만 함정도 있어요. 요즘 모델들은 유명 벤치마크 데이터를 학습 과정에서 직간접적으로 접했을 가능성이 있어서, 점수가 실제 실력보다 부풀려질 수 있어요. 그리고 Artificial Analysis의 테스트는 대부분 영어 기준이라, 한국어 성능은 별도로 확인하셔야 해요. 특히 중국 모델들은 중국어와 영어에 최적화돼 있어서 한국어 존댓말이나 미묘한 표현에서 품질 차이가 나는 경우가 꽤 있거든요.
또 하나, 속도 측정치는 특정 API 제공자 기준이에요. 같은 모델이라도 어느 회사 서버에서 돌리느냐에 따라 속도가 두세 배 차이 날 수 있어요.
중국발 '가성비 모델' 경쟁의 한복판
이 모델을 이해하려면 지금 중국 AI 업계 흐름을 봐야 해요. DeepSeek이 2025년 초에 프론티어급 성능을 10분의 1 가격에 내놓으면서 판을 흔들었고, 알리바바의 Qwen, 문샷의 Kimi, 즈푸의 GLM, MiniMax까지 비슷한 전략으로 뒤따랐어요. 샤오미의 MiMo는 그 대열에서 조금 늦게 출발했지만, 스마트폰과 자동차, IoT 기기까지 직접 만드는 회사라는 점이 달라요. 클라우드용 대형 모델과 기기에 들어가는 소형 모델을 같은 계보로 만들 수 있다는 게 샤오미만의 무기인 셈이죠.
미국 프론티어 모델들과 비교하면, 최상위 추론 능력에서는 아직 차이가 있지만 그 격차가 계속 좁혀지고 있고, 가격 차이는 여전히 커요. 그래서 요즘 실무에서는 '가장 똑똑한 모델 하나'를 쓰는 게 아니라, 요청 난이도에 따라 모델을 나눠 쓰는 라우팅 방식이 늘고 있어요.
한국 개발자에게 주는 시사점
당장 써볼 수 있는 건 비용 최적화예요. 분류, 요약, 간단한 추출처럼 난이도가 낮은 작업은 이런 가성비 모델로 돌리고, 복잡한 추론이나 코드 생성만 프론티어 모델에 맡기면 API 비용을 크게 줄일 수 있어요. 다만 중국 회사 API를 쓸 때는 데이터가 어디로 가는지, 개인정보보호법이나 회사 보안 정책에 걸리지 않는지 꼭 확인하셔야 해요. 오픈 웨이트로 공개된 버전이 있다면 국내 클라우드나 자체 서버에서 돌리는 것도 방법이에요.
그리고 벤치마크 페이지를 읽는 능력 자체가 요즘 개발자에게 필요한 기술이 됐어요. 모델이 매달 새로 나오는 시대에, 종합 점수만 보고 고르는 게 아니라 우리 서비스에 맞는 축을 골라서 비교하는 습관을 들여두시면 좋아요.
마무리
한 줄로 정리하면, MiMo-v2.6-Pro는 '최고'가 아니라 '충분히 똑똑하면서 싼' 자리를 노리는 모델이고, 이런 모델을 제대로 평가하려면 지능·속도·가격 세 축을 함께 봐야 한다는 거예요.
여러분은 모델을 고를 때 어떤 지표를 가장 먼저 보시나요? 그리고 중국 모델을 실무에 도입하는 것에 대해 팀에서는 어떤 논의가 있으셨는지 궁금해요.
🔗 출처: Hacker News