필요한 메모리는 어느 정도인가요?

1017은 1M 문맥과 552B 백본 때문에 개인 장비에서는 압축 변환본과 SSD 스트리밍이 필요해요. GLM-5.3-Flash도 320B라 서버급 메모리가 필요합니다. '오픈웨이트'와 '내 노트북에서 실행 가능'은 같은 말이 아니에요.

새로 나온 모델 · 2026.10.18

최종 업데이트 2026-10-30

DeepSeek 1017 vs Opus 5 vs GLM-5.3: 점수와 비용을 같이 봐요

코딩은 1017, 종합 추론은 Opus 5, 로컬 실행은 1017과 GLM-5.3-Flash로 갈려요.

DeepSeek 모델 카드의 표에서 1017은 Terminal-Bench와 DeepSWE 같은 코딩·에이전트 항목에서 9월 모델을 크게 앞서고, 일부는 Opus 5도 넘어요. 반대로 HLE와 NL2Repo 같은 종합 추론 항목에서는 Opus 5가 앞섭니다. 여기에 API¹ 가격 차이와 로컬 실행 가능 여부를 더하면, 점수 하나로 고를 수 없다는 결론이 나옵니다.

실행 조건과 핵심 내용

1017은 Terminal-Bench 42.3, DeepSWE 77.0으로 9월 모델보다 크게 올랐고 DeepSWE에서는 Opus 5를 넘어요.
HLE는 42.6으로 Opus 5의 56.3에 못 미쳐, 종합 추론에서는 아직 차이가 있어요.
API 가격은 DeepSeek가 입력·출력 모두 크게 낮고, 로컬 실행은 1017과 GLM-5.3-Flash만 가능해요.

비교표는 같은 하네스 조건의 결과예요

DeepSeek 모델 카드의 표는 1017, 9월 V4.1, K3, GLM-5.3, GPT-5.6 Sol, Opus 5를 같은 항목으로 비교해요. Terminal-Bench 4.0은 Claude Code 하네스, DeepSWE v1.1은 Mini-SWE-V2로 측정했습니다. 하네스가 다르면 같은 모델도 점수가 달라지므로, 표의 숫자를 내 도구 환경의 성능으로 그대로 옮길 수는 없어요.

특히 로컬 실행 속도와는 다른 지표예요. 여기서 말하는 점수는 과제를 끝냈는지를 재는 값이고, tok/s나 첫 토큰² 대기는 별도로 측정해야 합니다.

열린 수납장 안에 같은 크기의 보관 상자가 빼곡히 쌓인 사무실, 탁자 위 상자와 의자 — 모델 파일의 크기와 벤치마크 점수는 서로 다른 숫자예요.

코딩과 에이전트 과제에서는 1017이 앞서요

Terminal-Bench 4.0은 1017이 42.3으로 9월 모델 31.2보다 11.1점 높고, Opus 5의 51.8에는 못 미칩니다. DeepSWE v1.1은 77.0으로 Opus 5의 74.0을 넘고, ProgramBench는 29.1로 9월 20.3에서 올랐지만 Opus 5의 37.0보다 낮아요.

에이전트 과제에서는 Automation-Bench 60.5, Agents' Last Exam 35.4로 9월 모델보다 올랐고 Opus 5보다 높습니다. 다만 이 항목들은 모델 카드가 공개한 값이며, 내 저장소에서 같은 결과가 나온다는 뜻은 아니에요.

좌우로 밀어 표 전체를 비교하세요.

모델 카드에 공개된 주요 벤치마크
벤치마크	1017	Opus 5	GLM-5.3
Terminal-Bench 4.0	42.3	51.8	37.9
DeepSWE v1.1	77.0	74.0	66.9
ProgramBench	29.1	37.0	19.0
HLE (도구 없이)	42.6	56.3	42.0

종합 추론은 아직 Opus 5가 앞서요

HLE(도구 없이)는 1017이 36.8에서 42.6으로 올랐지만 Opus 5의 56.3, GPT-5.6 Sol의 44.5에는 못 미칩니다. NL2Repo-Bench도 68.2로 Opus 5의 75.3보다 낮아요. 반대로 Chartography와 BabyVision 같은 시각·도구 과제에서는 Opus 5와 비슷한 수준까지 올라왔습니다.

그래서 '1017이 Opus 5를 이겼다'는 문장은 코딩 벤치마크 한 줄에서는 맞지만 전체 성능의 결론은 아니에요. 어떤 과제를 자주 하는지에 따라 선택이 달라집니다.

가격 차이는 점수 차이보다 커요

DeepSeek API는 deepseek-flash 기준 캐시 미적중 입력이 peak $0.3, 출력이 $1.2예요. Opus 5는 입력 $5, 출력 $25로 안내됩니다. 같은 토큰을 쓰면 입력은 약 17배, 출력은 약 21배 차이가 나요. off-peak에는 DeepSeek가 절반 가격이 되므로 차이는 더 벌어집니다.

에이전트 작업은 출력이 길어지기 쉬워요. 작업 하나에 입력 2만, 출력 1만 토큰을 쓴다면 DeepSeek는 peak 기준 약 $0.018, Opus 5는 약 $0.35입니다. 1017이 출력을 줄였다는 점까지 더하면 작업당 비용 차이는 더 커질 수 있어요. 다만 실패한 작업을 다시 돌리는 비용은 계산에 넣어야 합니다.

좌우로 밀어 표 전체를 비교하세요.

API 가격과 가중치 공개 여부
모델	입력	출력	가중치
deepseek-flash (peak)	$0.3 / 1M	$1.2 / 1M	MIT
Claude Opus 5	$5 / 1M	$25 / 1M	비공개
GLM-5.3-Flash	공급자별	공급자별	공개

폴더 모양 문서가 화살표를 따라 서버 캐비닛으로 들어가고, 책상 위 노트북에 막대 그래프와 점검표가 놓인 그림 — 점수가 높아도 내 작업의 토큰 비용과 실패율을 함께 봐야 해요.

로컬에서 돌릴 수 있는 쪽은 1017과 GLM-5.3-Flash예요

1017은 MIT 라이선스로 475.25GiB 공식 파일이 공개됐고, GLM-5.3-Flash는 320B 전체·18B 활성의 오픈웨이트 모델이에요. Opus 5는 공개 가중치가 없어 API로만 쓸 수 있습니다. 로컬 실행을 전제로 하면 선택지는 1017과 GLM-5.3-Flash로 좁혀져요.

1017은 1M 문맥과 552B 백본 때문에 개인 장비에서는 압축 변환본과 SSD³ 스트리밍이 필요해요. GLM-5.3-Flash도 320B라 서버급 메모리가 필요합니다. '오픈웨이트'와 '내 노트북에서 실행 가능'은 같은 말이 아니에요.

내 작업으로 결정하는 세 가지

첫째, 자주 하는 작업 세 개를 골라 같은 프롬프트⁴로 비교하세요. 둘째, 작업을 끝내는 데 든 토큰과 재시도 횟수를 기록하세요. 셋째, 데이터가 외부로 나가도 되는지 확인하세요. 이 세 가지가 점수표보다 선택에 더 직접적으로 작용합니다.

벤치마크 1점 차이를 좇기보다, 내 작업에서 실패율이 낮고 비용이 예측되는 쪽을 고르는 편이 낫습니다. 1017은 코딩·에이전트와 로컬 실행, Opus 5는 종합 추론과 관리형 API, GLM-5.3-Flash는 또 다른 오픈웨이트 선택지로 정리할 수 있어요.

나란히 선 네 대의 서버 랙, 책상 위 펼친 도면과 캘리퍼스, 왼쪽 화분과 머그컵 — 서버급 장비가 필요한 모델과 노트북에서 도는 모델을 같은 표로 결정할 수는 없어요.

용어 각주

API — 프로그램의 기능을 다른 코드에서 호출하기 위한 약속된 인터페이스입니다.
본문으로 돌아가기
토큰 — 모델이 입력이나 출력을 나누어 처리하는 단위입니다.
본문으로 돌아가기
SSD — 플래시 메모리를 사용하는 데이터 저장 장치입니다. 전원이 꺼져도 데이터가 보존됩니다.
본문으로 돌아가기
프롬프트 — 모델에 보내는 입력문입니다. 생성 모델에서는 만들 결과를 설명하는 문장이 되어 출력의 구성과 내용을 크게 좌우합니다.
본문으로 돌아가기

자주 묻는 질문

이 글에서 가장 먼저 확인할 것은 무엇인가요?: DeepSeek 모델 카드의 표에서 1017은 Terminal-Bench와 DeepSWE 같은 코딩·에이전트 항목에서 9월 모델을 크게 앞서고, 일부는 Opus 5도 넘어요. 반대로 HLE와 NL2Repo 같은 종합 추론 항목에서는 Opus 5가 앞섭니다. 여기에 API 가격 차이와 로컬 실행 가능 여부를 더하면, 점수 하나로 고를 수 없다는 결론이 나옵니다.
필요한 메모리는 어느 정도인가요?: 1017은 1M 문맥과 552B 백본 때문에 개인 장비에서는 압축 변환본과 SSD 스트리밍이 필요해요. GLM-5.3-Flash도 320B라 서버급 메모리가 필요합니다. '오픈웨이트'와 '내 노트북에서 실행 가능'은 같은 말이 아니에요.