뮤즈 원더, 오퍼스와 값은 같고 지수는 6점 낮다

effidev·2026년 10월 13일

AI 코딩 도구에 매달 돈을 내고 있거나, 회사 서비스에 붙일 모델 API를 고르는 중이라면 이번 주 발표 하나는 읽어 둘 만하다. 메타가 2026년 10월 12일 뮤즈 원더(Muse Wonder) 를 내놓으며 “개인·업무용 에이전트 시험에서 최고 성능”이라고 적었다.

그런데 발표문의 점수표 맨 앞 열에 있는 모델은 API로 살 수 없다. 표 맨 앞은 뮤즈 원더 풀(Full) 이고, 이 모델은 월 50달러 이상 구독에서만 열린다. API로 파는 일반 뮤즈 원더는 입력 100만 토큰에 4달러, 출력 100만 토큰에 20달러로, 앤스로픽 오퍼스 5.5와 입력·출력·캐시 값이 한 푼도 다르지 않다. 같은 값인데 독립 기관 지수는 오퍼스 5.5가 58점, 뮤즈 원더가 52점이다.

이 글은 “AI 모델의 가격표와 점수표를 처음 보는 사람”에게 맞췄다. 토큰, API, 벤치마크 같은 말은 나올 때마다 한 줄로 풀었다. 어디에 돈을 쓸지 정하는 데 필요한 숫자만 골랐다.

본 자료는 메타 AI 리서치의 발표문과 모델 카드(PDF), 메타 개발자 문서(모델·가격·요금 한도), 앤스로픽 가격 페이지, Artificial Analysis의 모델 페이지, Hacker News 댓글이다. 점수표의 숫자는 전부 메타가 직접 낸 값이고, 이 사이트가 뮤즈 원더를 호출해 다시 잰 값은 없다. 글 끝에서 확인하지 못한 것을 따로 정리했다.

이름부터 정리하자: 뮤즈, 스파크, 원더, 원더 풀, 뮤즈 코드

메타는 새 AI 제품에 뮤즈(Muse) 라는 이름을 붙이고 있다. 뮤즈 앱은 사람이 말을 걸면 일을 대신 해 주는 비서이고, 그 뒤에서 도는 모델이 따로 있다. 이전에 이 사이트가 다룬 메타 뮤즈 개인 에이전트 글이 그 앱 쪽 이야기다.

이번에 이름이 한꺼번에 늘어서 헷갈리기 쉽다. 표로 줄이면 이렇다.

여기서 API는 내 프로그램이 모델에게 글을 보내고 답을 받아 오는 연결 통로를 뜻한다. 챗봇 화면이 아니라 코드로 모델을 부르는 방식이고, 쓴 만큼 요금이 나온다. 에이전트는 질문에 답하는 데서 그치지 않고 파일을 고치고 명령을 돌리며 일을 끝까지 밀고 가는 AI를 말한다.

메타 개발자 문서는 둘의 용도를 이렇게 나눈다. 원더는 “여러 파일을 고치는 코딩, 몇 시간짜리 에이전트 작업, 하위 에이전트 지휘”처럼 능력이 비용보다 중요한 일에, 스파크는 “대량 처리, 지연 시간이 중요한 일, 분류 같은 값에 민감한 일”에 쓰라고 한다.

점수표의 첫 열은 API에 없는 모델의 것이다

메타 발표문에서 가장 눈에 띄는 것은 다섯 모델을 나란히 놓은 점수표다. 열 순서는 원더 풀, 원더, 클로드 페이블 5.1, GPT-6 아스트라, 클로드 오퍼스 5.5이고, 전부 가장 높은 추론 노력(“max”) 설정으로 쟀다고 적었다.

표 맨 앞이 원더 풀이라서 “원더가 이 점수를 낸다”고 읽기 쉽다. 하지만 메타 개발자 문서의 가용성 표는 분명하다.

Artificial Analysis의 원더 풀 페이지도 “공개된 API 없음”이라고 적고 속도와 비용 칸을 비워 뒀다. HN에는 가격 페이지를 찾아 올렸다가 “마케팅 페이지의 점수는 원더 풀 것이고 가격은 일반 원더 것”이라고 뒤늦게 고쳐 적은 댓글이 있다. 점수표와 가격표가 서로 다른 모델을 가리키는 구조라서 생기는 착각이다.

이 글에서 앞으로 “원더”는 API로 살 수 있는 일반 모델, “원더 풀”은 구독 전용 모델이다.

값을 나란히 놓으면 오퍼스 5.5와 똑같다

AI 모델 요금은 토큰 단위로 매겨진다. 토큰은 글을 모델이 읽는 조각으로 자른 단위이고, 같은 한국어 글도 모델의 토크나이저(글을 자르는 규칙)에 따라 토큰 수가 다르게 나온다. Artificial Analysis는 100만 토큰을 A4 1,500쪽쯤으로 환산해 둔다. 요금은 모델에게 보내는 글(입력), 모델이 쓰는 글(출력), 이미 보낸 앞부분을 기억해 둔 것을 다시 읽을 때 깎아 주는 값(캐시 읽기) 세 가지로 나뉜다.

단위는 모두 토큰 100만 개당이다. 클로드 값은 앤스로픽 가격 페이지, 뮤즈 값은 메타 개발자 문서, GPT-6 아스트라의 입력·출력은 Artificial Analysis 페이지에 적힌 값이다. 앤스로픽 쪽 사정은 오퍼스 5.5 출시 글과 페이블 5.1 캐시 가격 글에 풀어 놨다.

두 가지가 눈에 띈다.

첫째, 원더는 같은 회사의 스파크 1.3보다 입력이 약 3.2배, 출력이 약 4.7배 비싸다. 한 HN 댓글은 이전 메타 모델들이 경쟁사보다 크게 싼 값에 나왔던 것과 다르다고 짚으며, 메타가 프런티어(최상위권) 모델로 제값을 받겠다는 신호처럼 읽힌다고 했다. 이건 댓글 작성자의 해석이고 메타가 밝힌 이유는 아니다.

둘째, 원더에는 기여자 모드가 없다. 스파크는 내 프롬프트·코드·파일을 메타의 다음 모델 학습에 쓰도록 허락하는 대신 값을 크게 깎는 모드(입력 0.10달러, 출력 0.20달러)가 있는데, 원더는 API에서 표준 모드만 된다. 표준 모드는 내 내용이 학습에 쓰이지 않는 쪽이다. 긴 컨텍스트 할증도 없다고 문서에 적혀 있다.

감을 잡기 위해 가정 하나를 계산해 보자. 에이전트가 일 하나를 하면서 입력 200만 토큰, 출력 20만 토큰을 쓰고 캐시는 못 쓴다고 하자. 원더와 오퍼스 5.5는 8달러 + 4달러로 12달러, 페이블 5.1은 20달러 + 10달러로 30달러다. 가정일 뿐이고 실제 일은 길이가 천차만별이다.

독립 기관 지수로 보면 원더 52, 오퍼스 58

메타가 낸 점수는 메타가 고른 시험과 설정이다. 그래서 외부 기관이 같은 잣대로 여러 모델을 재 놓은 값을 같이 봐야 한다. Artificial Analysis는 AI 모델을 여러 시험으로 직접 재서 하나의 지수로 합치는 외부 기관이다. 이 글을 쓰는 10월 13일 오전에 확인한 지수 v4.3.2(시험 10종 합산) 값이다.

순위는 Artificial Analysis가 같은 분류로 묶은 219개 모델 안에서의 자리다. 원더 풀의 페이지는 가격 구간을 못 나눠 다른 비교 집단(699개 중 4위)으로 표시하므로, 이 표에서는 순위를 비워 뒀다.

이 표에서 읽을 것은 세 가지다.

첫째, 값이 같은 오퍼스 5.5와 원더의 지수 차이는 6점이다. 둘째, 원더 풀은 56점으로 페이블 5.1과 GPT-6 아스트라(53점)를 앞서지만 오퍼스 5.5(58점)에는 못 닿는다. Artificial Analysis가 X에 올린 요약(테크밈이 전한 것)도 “페이블 5.1을 앞서고, 오퍼스 5.5에는 조금 못 미친다”였다. 셋째가 흥미롭다.

시험 한 건당 비용은 토큰 단가와 순서가 다르다. 원더와 오퍼스 5.5는 토큰 값이 같은데 한 건당 비용은 원더가 4.52달러, 오퍼스가 5.98달러로 원더가 약 24% 싸다. 같은 시험을 푸는 동안 원더가 쓴 출력이 1억 3천만 토큰, 오퍼스가 2억 6천만 토큰으로 정확히 두 배 차이가 나기 때문이다. 토큰 값이 2.5배인 GPT-6 아스트라는 출력을 6천만 토큰만 써서 한 건당 3.26달러로 표의 API 모델 넷 중 가장 싸다.

그래서 “단가가 같으니 비용도 같다”가 아니다. 모델마다 말이 많고 적음이 다르고, 일 하나가 끝날 때까지 쓰는 토큰이 비용을 정한다. 다만 이 값은 Artificial Analysis가 고른 시험 묶음에서의 평균이다. 내 일이 코드 수정 위주인지 문서 요약 위주인지에 따라 달라질 수 있다.

메타가 직접 낸 점수 13개: 풀이 6개, 오퍼스가 5개

이제 메타의 점수표를 열어 보자. 숫자는 메타 개발자 문서의 표에서 옮겼고, 한 줄씩 무엇을 재는 시험인지 적었다. 굵은 숫자가 그 줄의 1등이다.

*SWE-Marathon의 원더 풀은 추론 노력 “xhigh”로 잰 값이다. 오퍼스 5.5는 OSWorld의 엄격 채점(성공/실패) 값을 발표하지 않았다.

세어 보면 13줄 중 원더 풀이 1등인 줄은 6개, 오퍼스 5.5가 5개, GPT-6 아스트라와 원더가 각각 1개다. 원더가 1등인 MemoryBench는 원더 풀(85.5)과 0.1점 차이라 사실상 같은 값이다. 페이블 5.1은 이 표에서 1등인 줄이 하나도 없다.

격차가 큰 줄은 두 곳이다. ProgramBench에서는 오퍼스 5.5가 70.5로 원더 풀(59.0)을 11점 넘게 앞선다. 반대로 Harvey LAB-AA에서는 원더 풀이 13.1로 오퍼스(4.2)의 세 배인데, 이 시험은 모든 기준을 통과한 작업의 비율이라 점수가 전반적으로 낮다.

그리고 이 표의 PSI(1등은 원더 풀)와 MemoryBench(1등은 원더)는 메타가 직접 만든 내부 시험이다. 발표문에 나오는 FocusBench도 같은 내부 시험이다. 이 시험들이 나쁘다는 뜻이 아니라, 아직 다른 기관이 재현해 본 적 없는 숫자라는 뜻이다.

점수를 읽을 때 모델 카드의 단서

메타 모델 카드는 점수를 어떻게 골랐는지 적어 두었다. 읽어 둘 대목이 있다.

• 비교 대상(페이블 5.1, GPT-6 아스트라, 오퍼스 5.5)의 직접 실행분은 “공통 설정을 쓰되 최선의 노력 수준”이고, 독점 모델에 맞게 프롬프트와 도구가 최적화되지 않았을 수 있다고 적혀 있다.
• 비교할 외부 결과가 있으면 그것을 쓰고, 없으면 “내부 검증 실행, 자체 보고 점수, 공식 리더보드 점수 중 가장 높은 값“을 쓴다고 한다.
• SWE-Marathon 줄은 GPT-6 아스트라는 코덱스, 페이블 5.1은 클로드 코드라는 서로 다른 도구로 잰 결과라서 같은 조건 비교가 아니라고 메타가 직접 적었다.

세 번째는 특히 중요하다. 같은 모델도 어떤 도구에 끼워 돌리느냐에 따라 코딩 점수가 달라진다. 표는 “이 모델이 더 똑똑하다”의 증거라기보다 “이 설정에서 이 점수가 나왔다”의 기록으로 읽는 편이 안전하다.

API로 살 수 있는 원더만 오퍼스 5.5와 겨루면

지금 돈을 내고 쓸 수 있는 것은 원더 풀이 아니라 원더다. 같은 표에서 원더와 오퍼스 5.5만 뽑아 보자. 값이 같으니 가장 직접적인 비교다.

그림이 꽤 선명하다. 원더는 오래 걸리는 소프트웨어 작업과 긴 기억 쪽에서 오퍼스 5.5를 앞서고, 터미널 코딩·화면 조작·처음부터 짜기 쪽에서는 뒤진다. 메타가 개발자 문서에서 원더의 용도로 “여러 파일을 고치는 코딩, 몇 시간짜리 에이전트 작업”을 꼽은 것과 맞아떨어진다. 반면 종합 지수는 오퍼스 58, 원더 52로 오퍼스에 기운다. Artificial Analysis 지수에는 Terminal-Bench 4.0, GDP.pdf, AutomationBench-AA 같은 시험이 들어가는데, 이 중 터미널 시험은 위 표에서 오퍼스가 7.6점 앞선 줄이다. 시험별 비중은 이 글이 확인하지 못했다.

’활성 기억’과 ’활성 집중’은 무슨 뜻인가

발표문이 내세우는 두 기능 이름이 낯설다. 메타가 쓴 설명을 풀면 이렇다.

활성 기억(Active Memory) 은 사용자에 대해 중요한 맥락을 대화가 바뀌어도 들고 다니다가, 지금 일에 필요한 순간에 꺼내 쓰는 능력이다. 어제 “나는 매운 거 못 먹어”라고 말했다면 오늘 식당을 고를 때 그걸 반영하는 식이다. 이걸 재는 MemoryBench는 6만 4천~10만 토큰 길이의 여러 번 오간 대화에서 사실 몇 개를 기억하는지 보는 내부 시험이다. 중간에 관련 없는 대화가 섞이고, 앞의 내용과 충돌하거나 나중에 바뀌는 정보가 일부러 끼어 있다. 답은 다른 AI 판정기가 채점한다.

활성 집중(Active Focus) 은 어려운 목표를 향해 길게 일하는 능력이다. 막히면 다른 방법을 써 보고, 새 정보가 들어오면 계획을 바꾸고, 필요할 때는 되묻고, 중요한 행동 전에는 확인을 구한다고 메타는 설명한다. FocusBench는 주거·여행·IT·금융 같은 개인 업무에서 현실의 장애물을 계속 넘어가는지를 재는 내부 시험이고, SWE-Marathon은 큰 프로젝트를 테스트가 통과할 때까지 끌고 가는 외부 시험이다.

초심자 관점에서 핵심은 하나다. 두 기능을 재는 시험 중 MemoryBench와 FocusBench는 메타 안에서만 돌린 값이다. 원더가 MemoryBench에서 오퍼스 5.5를 4.1점 앞선다는 것도 메타가 만든 시험에서 메타가 낸 값이다. 외부 기관의 결과는 SWE-Marathon뿐이고, 모델 카드에 Abundant AI가 결과를 낸 곳으로 적혀 있다.

모델 카드가 스스로 적은 약점

기업 발표문은 좋은 면 위주지만, 같이 올라온 모델 카드에는 한계 목록이 있다. 옮기면 이렇다.

• 시각·공간 추론, 특히 3차원 과제는 알려진 한계다. 정밀한 공간 이해가 필요한 용도는 직접 검증하라고 적혀 있다.
• 사전 학습에 들어간 모든 언어를 평가하지는 않았고, 강하게 지원되는 언어 밖에서는 성능이 떨어질 수 있다. 모델 카드에는 한국어를 따로 잰 숫자가 없다.
• 18세 미만 사용자를 위한 모델이 아니다.
• 실제 세계에서 행동하는 에이전트로 쓸 때는 되돌릴 수 없는 행동 앞에 사람이 확인하는 장치를 두라고 권고한다.
• 양자화, 서빙 설정, 프롬프트, 도구, 에이전트 도구에 따라 성능이 달라질 수 있다.

API 쪽 문서에는 원더가 프리뷰 상태라고 적혀 있다. 프리뷰는 정식 출시 전 단계라서 값이나 한도, 모델 동작이 바뀔 수 있다는 뜻이다. 지금 속도 제한은 팀 단위로 분당 요청 3,000건, 분당 400만 토큰이다.

사이버 시험에서 깃발 92개 중 71개는 ’의도하지 않은 구멍’이었다

모델 카드 안전 평가 대목에는 숫자 하나가 눈에 띈다. 취약점 공격 능력을 재는 ExploitGym에서 원더 풀이 깃발 92개를 잡았다고 한다. 깃발은 모의 해킹 시험(CTF)에서 “여기까지 뚫었다”를 증명하는 표식이다.

그런데 메타가 검증을 한 번 더 돌렸더니, 92개 중 21개만 시험이 의도한 취약점을 이용한 것이고 나머지 71개는 의도하지 않은 다른 구멍으로 얻은 깃발이었다. 이 시험의 공식 순위는 의도한 취약점만 세기 때문에, 순위와 비교할 수 있는 값은 21이라고 모델 카드가 직접 적었다. 검증에는 GPT 계열 검증기를 쓰고 제미나이 3.1 프로로 독립 확인했다고 한다. 같은 표의 CyberGym은 88.4%, ExploitBench는 58.9%다.

원더 풀이 이 시험을 “정답이 아닌 길”로 많이 풀었다는 사실을 읽는 방법은 두 가지다. 시험 설계 의도를 벗어난 구멍을 잘 찾는 모델이라는 뜻일 수도 있고, 시험 환경에 의도치 않은 구멍이 많다는 뜻일 수도 있다. 모델 카드는 어느 쪽인지 판단하지 않는다.

위험 평가는 이렇게 정리돼 있다. 보호 장치를 적용하기 전의 모델은 생물·화학 영역에서 “높음” 위험 문턱에 닿을 가능성을 배제하지 못했다. 그래서 안전 후속 학습과 시스템 단계 분류기 같은 완화 장치를 붙였다. 같은 상태에서 사이버와 통제 상실 영역은 “보통 이하”였다. 완화 장치를 적용한 뒤에는 모든 영역이 “보통 이하”가 되어 배포를 결정했다는 순서다. 전체 안전 평가 보고서는 “곧 공개”라고만 적혀 있다.

써 본 사람들의 첫 반응은 둘로 갈렸다

발표 당일 Hacker News에서는 이 글이 480점 안팎, 댓글 250여 개를 모았다. 반응은 크게 둘이다. 아래는 개별 댓글 작성자의 주장이고, 이 사이트가 검증한 것이 아니다.

• 호의적인 쪽: “독립 지수에서 오퍼스 5.5 다음 2위”라는 평가, 그리고 메타가 이렇게 빨리 프런티어에 왔다는 놀라움.
• 회의적인 쪽: 이미지를 HTML로 옮기는 시험에서 오퍼스 5.5보다 훨씬 못하다는 댓글, 실제 작업 체감이 한 세대 뒤처진 것 같다는 댓글, 뮤즈 코드를 한 달 구독했지만 샌드박스(코드를 안전하게 돌리는 격리 공간)가 맥과 리눅스에서 한 번도 제대로 돌지 않았다는 댓글, 가장 싼 구독의 사용량 한도가 너무 낮다는 댓글.

점수와 체감이 갈리는 것은 신모델 발표 직후 흔한 모습이다. 메타도 발표문에서 “벤치마크 맥싱(시험에 맞춘 조정)” 불만과 “빅 모델 스멜(시험 밖에서의 폭넓은 능력)” 칭찬을 직접 언급하고, 시험에서 겨냥하지 않은 과제의 성능을 따로 보여 준다. 그 그래프에서 원더 풀은 스파크 1.3 추세선이 예측하는 것보다 시험 밖 과제를 더 잘 푼다고 메타는 주장한다. 이것도 메타 자체 분석이다.

구독으로 원더 풀을 쓰려면 월 50달러부터

원더 풀을 쓰는 유일한 경로는 뮤즈 코드 구독이다. 개발자 페이지에 적힌 플랜은 두 가지다.

그 아래 단계 플랜들은 원더까지만 쓴다. 여기서 놓치기 쉬운 것이 하나 있다. 문서에 따르면 뮤즈 코드 구독은 기본값이 기여자 모드다. 내 프롬프트와 코드, 파일, 모델 답변을 메타의 다음 모델 학습에 써도 된다는 대신 사용량을 더 주는 모드이고, 설정에서 언제든 끌 수 있다. 회사 코드나 개인정보를 다룬다면 가입하자마자 이 설정부터 확인해야 한다. API의 원더는 앞서 말했듯 표준 모드만 있어서 학습에 쓰이지 않는 쪽이다.

그래서 누가 지금 시험해 볼 만한가

숫자를 상황별로 줄이면 이렇다.

해 볼 시험은 30분이면 된다. 실제로 하는 일 20건을 골라 원더와 지금 쓰는 모델에 똑같이 시킨다. 점수를 매길 때 토큰 단가가 아니라 일 한 건이 끝날 때까지 든 총 비용을 같이 적는다. 앞에서 본 것처럼 단가가 같아도 말이 많은 모델은 청구서가 두 배가 된다.

이 글이 확인하지 못한 것

• 이 사이트는 뮤즈 원더를 호출해 직접 재지 않았다. 점수표의 숫자는 전부 메타가 발표한 값이고, 지수·비용·속도만 Artificial Analysis의 값이다.
• 원더 풀을 API로 쓸 때의 가격은 정해지지 않았다. Artificial Analysis도 비용과 속도 칸이 “알 수 없음”이다.
• 점수표에 쓴 시험 일부는 메타의 내부 시험이고, 외부에서 재현된 결과는 아직 없다. 모델 카드는 더 자세한 평가 보고서와 안전 평가가 “곧 공개”된다고 적었다.
• 원더는 프리뷰라 가격·한도·동작이 바뀔 수 있다.
• 한국어 성능은 확인할 자료가 없다.

한 줄로 줄이면 이렇다. 점수표 맨 앞의 모델은 월 50달러 구독에서만 열리고, API로 파는 모델은 값이 오퍼스 5.5와 같은데 종합 지수는 6점 낮다. 다만 긴 소프트웨어 작업에서는 오퍼스를 앞선다고 메타가 보여 줬으니, 내 일이 그쪽이라면 20건으로 직접 재 볼 이유는 충분하다.