알리바바 Qwen 3.7 Max & 오픈 Qwen3.6 — 갈라진 두 갈래

 

알리바바 Qwen 시리즈는 꾸준히 오픈웨이트 모델을 Apache-2.0으로 공개하며 중국 오픈 LLM 생태계를 이끌어 왔습니다. 그런데 2026년 5월, 흥미로운 변화가 생겼습니다. 가장 강력한 모델인 Qwen3.7 Max는 클로즈드 API 전용으로만 출시되었고, 오픈웨이트 라인은 Qwen3.6(Apache-2.0)이 별도로 맡는 구조로 갈렸습니다. 중국발 오픈 LLM이 단순 성능 경쟁을 넘어 비즈니스 모델 면에서도 분화하기 시작한 상징적인 사건입니다.

이 글에서는 두 갈래의 차이를 벤치마크 수치, 가격, 아키텍처, 실제 사용법까지 검증된 사실만으로 정리합니다. "큐원 최신 모델이 왜 허깅페이스에 없지?" 궁금했다면, 그 이유도 여기서 풀립니다. 또한 무료로 체험하는 가장 빠른 경로와, 로컬 GPU에서 Qwen3.6을 실행하는 방법도 단계별로 안내합니다.

📌 이 글에서 얻어갈 것

✓ Qwen3.7 Max(클로즈드)와 Qwen3.6(오픈)이 어떻게 다른지
✓ AA Intelligence Index 56.6이 실제로 어느 위치인지
✓ 오픈 Qwen3.6 라인업(35B MoE vs 27B dense)의 아키텍처·차이
✓ DashScope API 가격, 무료 쿼터, Ollama로 로컬 실행하는 법

"Qwen이 오픈을 버렸다?" — 두 갈래로 갈린 배경

알리바바 Qwen 팀은 오랫동안 최고 성능 모델을 오픈웨이트로 공개해 왔습니다. Qwen2, Qwen2.5 시리즈는 허깅페이스에 가중치가 무료로 공개되었고, 이는 전 세계 개발자들이 알리바바 모델을 로컬에서 실행하고 파인튜닝하는 기반이 되었습니다. 그런데 2026년 5월 19~20일 Alibaba Cloud Summit에서 공개된 Qwen3.7 Max(Preview)는 API 전용입니다. 허깅페이스에 가중치가 올라오지 않습니다. 이는 이전 Qwen3 시리즈의 전통과 다른 방향입니다.

왜 이런 결정이 내려졌는지 공식 발표에서 명시적으로 밝히지는 않았지만, 업계에서는 두 가지 방향이 공존하게 되었다고 읽습니다. 최강 추론 모델(Qwen3.7 Max)은 API 수익화, 오픈 생태계 지원은 Qwen3.6(Apache-2.0)이 담당하는 이중 전략입니다. 이는 OpenAI(클로즈드)와 Meta Llama(오픈)가 각자의 전략으로 시장을 공략하는 구도와 닮아 있습니다. 다만 두 전략을 한 회사가 동시에 가져간다는 점이 다릅니다.

오픈웨이트 라인(Qwen3.6)은 2026년 4월에 먼저 공개되었고, 클로즈드 최강 모델(Qwen3.7 Max)은 한 달 뒤 Cloud Summit에서 등장했습니다. 타임라인으로 보면 오픈 → 클로즈드 순이지만, 성능 계층으로 보면 오픈(Qwen3.6)이 아래, 클로즈드(Qwen3.7 Max)가 위에 위치합니다. 즉, 알리바바는 오픈소스 커뮤니티에는 상당히 강력한 오픈웨이트(Qwen3.6)를 제공하면서, 상업·엔터프라이즈 시장에는 최강 성능의 API 전용 모델(Qwen3.7 Max)로 수익을 창출하는 구조를 완성했습니다.

Qwen3.7 Max — 클로즈드 최강, Agent Frontier 추론 모델

Qwen3.7 Max(정식명 Qwen3.7-Max-Preview)는 알리바바가 'Agent Frontier' 추론 모델로 포지셔닝한 클로즈드 API 전용 모델입니다. 2026년 5월 알리바바 클라우드 서밋에서 공개된 이 모델은 단순 언어 생성을 넘어 복잡한 다단계 에이전트 작업을 처리하는 데 초점이 맞춰져 있습니다. 핵심 스펙을 정리하면:

56.6

Artificial Analysis Intelligence Index · 중국 모델 중 최고, 전체 5위권 · Artificial Analysis (2026)

1M

토큰 컨텍스트 윈도우 · Alibaba Cloud Model Studio

+4.8

직전 Qwen3.6 Max Preview(51.8) 대비 AA Index 상승폭 · Artificial Analysis

AA Intelligence Index 56.6은 독립 벤치마크 기관인 Artificial Analysis가 측정한 수치입니다. 이 점수는 Google Gemini 3.5 Flash(55.3)보다 앞서며, 전체 랭킹에서 5위권에 해당합니다. 중국 모델 중에서는 가장 높은 점수입니다. 직전 세대인 Qwen3.6 Max Preview가 51.8이었으므로, Qwen3.7 Max는 단일 세대 업데이트에서 AA Index를 4.8포인트 끌어올린 셈입니다. 모델 하나의 세대 간 격차로는 꽤 큰 폭입니다. Thinking 모드(추론 강화)와 Non-Thinking 모드(빠른 응답)를 전환할 수 있으며, Anthropic API 형식과 OpenAI API 형식 모두 호환됩니다. API 형식 호환성은 기존 Claude나 GPT 기반 애플리케이션을 Qwen3.7 Max로 전환하는 진입 장벽을 낮춰줍니다.

"1M 토큰 컨텍스트"는 긴 코드베이스 분석, 장문 문서 요약, 멀티턴 에이전트 워크플로우에 유리합니다. 예를 들어 수만 줄의 레포지토리 전체를 단일 컨텍스트에 넣고 리팩토링 지시를 내리거나, 수백 페이지 분량의 PDF를 한꺼번에 분석하는 작업이 가능합니다. 알리바바는 이 모델을 단순 채팅이 아닌 Agent(에이전트) 태스크 수행에 최적화된 추론 모델로 설명합니다. 'Agent Frontier'라는 포지셔닝 자체가, 단순 질의응답이 아닌 멀티스텝 태스크 자동화를 겨냥하고 있음을 명확히 합니다.

가격과 접근법 — DashScope API & 무료 쿼터

Qwen3.7 Max는 알리바바의 DashScope(국내) / Alibaba Cloud Model Studio(국제)를 통해 API로 이용합니다. Anthropic과 OpenAI API 형식 모두 호환되므로, 기존 코드베이스를 최소 수정으로 전환할 수 있습니다. 공식 가격표는 다음과 같습니다.

정가 입력 $2.50 / 출력 $7.50 per 1M 토큰

50% 프로모 시 입력 $1.25 / 출력 $3.75 per 1M 토큰 (기간 한정)

신규 가입자에게는 100만(1M) 토큰 무료 쿼터(90일 유효)가 제공됩니다. 개인 개발자나 소규모 테스트라면 충분히 체험할 수 있는 양입니다. 일반적인 채팅 세션 하나에 수백~수천 토큰이 소모되므로, 100만 토큰은 수백~수천 회의 대화에 해당합니다. 90일 이내에 소진하지 못하면 만료되니 일찍 활용을 시작하는 것이 유리합니다. 무료 쿼터 소진 후에는 위 정가 또는 프로모 가격이 적용됩니다.

1

Alibaba Cloud 계정 생성
alibabacloud.com 또는 qwen.ai에서 가입합니다. 이메일 인증 후 Model Studio 콘솔에 접근 가능합니다.

2

API 키 발급
Model Studio 콘솔 → API Keys → Create API Key. 발급된 키는 DASHSCOPE_API_KEY 환경변수로 설정하거나 코드에 직접 주입합니다.

3

OpenAI 호환 엔드포인트로 호출
DashScope는 OpenAI 호환 API를 제공합니다. base_url과 키만 교체하면 기존 코드가 그대로 동작합니다.

from openai import OpenAI

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

resp = client.chat.completions.create(
    model="qwen3.7-max",
    messages=[{"role": "user", "content": "Thinking 모드로 풀어줘: 피보나치 10번째 수는?"}],
    # thinking 모드 활성화 시 extra_body 파라미터 활용 (공식 문서 참고)
)
print(resp.choices[0].message.content)

오픈 Qwen3.6 라인업 — 35B MoE vs 27B Dense 비교

오픈웨이트 진영은 Qwen3.6이 담당합니다. Apache-2.0 라이선스이므로 상업적 사용 제한이 없으며, 파인튜닝 후 재배포도 가능합니다. 두 가지 변형이 존재합니다. 하나는 MoE 기반의 멀티모달 모델, 다른 하나는 전통적인 Dense Transformer 구조로 코딩에 특화된 모델입니다.

Qwen3.6-35B-A3B (MoE) · 총 파라미터 35B / 활성 파라미터 3B · 256-expert MoE 구조 (희소 활성화) · 비전 인코더 내장 (멀티모달 지원) · 최초 오픈웨이트 Qwen3.6, 공개일 2026-04-16 · Ollama: qwen3.6:35b (약 24GB)

Qwen3.6-27B (Dense) · 약 27.8B 파라미터 (모두 활성, 비-MoE) · 컨텍스트 262,144 토큰 (YaRN로 약 101만 확장) · "27B dense로 플래그십급 코딩" 표방 · 공개일 2026-04-22 · Ollama: qwen3.6:27b (약 17GB)

두 모델의 선택 기준은 간단합니다. GPU VRAM이 넉넉하고 코딩·추론이 주 용도라면 27B Dense, VRAM을 아끼면서 멀티모달 기능(이미지 입력 등)이 필요하다면 35B MoE를 고릅니다. MoE 모델은 총 35B지만 추론 시 실제로 작동하는 파라미터가 3B에 불과해, 고사양 GPU 없이도 실행 속도가 빠릅니다. 반대로 27B Dense는 모든 파라미터가 항상 켜져 있어 추론이 단순·예측 가능하고, 긴 컨텍스트 처리에서도 일관된 성능을 보여줍니다.

벤더 자체보고 벤치마크(⚠️ 자체보고 수치임을 주의)로는 SWE-bench Verified 77.2, GPQA Diamond에서도 상위권 성적을 기록했다고 알려져 있습니다. SWE-bench Verified는 실제 GitHub 이슈를 해결하는 능력을 측정하는 벤치마크로, 코딩 에이전트 성능의 대표 지표 중 하나입니다. 다만 자체보고 수치는 평가 설정·버전 등에 따라 달라질 수 있으므로, 독립 기관의 교차검증 수치가 나오기 전까지는 참고 수준으로만 활용하시기 바랍니다.

아키텍처 쉽게 보기 — MoE, 활성 파라미터, Gated DeltaNet

Qwen3.6-35B-A3B의 아키텍처는 다소 복잡해 보이지만, 핵심만 뽑으면 세 가지입니다.

①

MoE (Mixture of Experts) — 256명의 전문가 중 소수만 활성화
총 256개의 전문가 서브네트워크를 두고, 토큰마다 그 중 일부만 골라 계산합니다. 35B 전체를 쓰는 것이 아니라 매 추론 시 약 3B만 활성화되므로, 연산량은 작게 유지하면서 총 파라미터(= 지식 저장량)는 크게 가져갈 수 있습니다.

②

Gated DeltaNet (선형 어텐션) — 긴 문맥을 효율적으로
기존 Transformer의 Self-Attention은 시퀀스 길이의 제곱으로 연산이 증가합니다. Gated DeltaNet은 선형 어텐션(Linear Attention)의 일종으로, 긴 컨텍스트에서도 메모리·연산 부담을 줄입니다. 40개 레이어 중 일부는 이 선형 어텐션, 나머지는 기존 Gated Attention으로 구성되는 하이브리드 방식입니다.

③

비전 인코더 — 텍스트+이미지 멀티모달
35B-A3B 모델에는 비전 인코더가 내장되어 있어 이미지를 입력으로 받을 수 있습니다. 코드 스크린샷, 다이어그램, UI 이미지 등을 직접 붙여 질문하는 멀티모달 시나리오가 가능합니다.

27B Dense는 이름 그대로 모든 파라미터가 항상 활성화됩니다. MoE보다 구조가 단순하고, 추론 시 행동을 예측하기 쉬운 대신, 같은 VRAM에서 더 적은 총 파라미터를 담습니다. YaRN(Yet another Rope extension) 기법으로 기본 262,144 토큰 컨텍스트를 약 101만 토큰까지 확장할 수 있다는 점도 특징입니다. YaRN은 포지션 임베딩을 스케일링해 학습 때보다 긴 시퀀스를 처리하는 기술로, 재학습 없이 긴 문서를 다룰 수 있게 해줍니다. 다만 컨텍스트가 매우 길어질수록 성능이 저하될 수 있으므로, 실제 사용 시에는 256K 이내에서 최상의 결과가 나옵니다.

두 모델 모두 Ollama에서 vision, tools, thinking 태그를 지원합니다. 즉, 이미지 입력, 함수 호출(Function Calling), 내부 추론 단계 출력 기능을 로컬에서도 활용할 수 있습니다. 특히 thinking 태그는 모델이 답을 내놓기 전 사고 과정을 명시적으로 보여주므로, 복잡한 추론 태스크에서 디버깅과 검증에 유용합니다.

직접 써보기 — Qwen Chat · API · HuggingFace · Ollama

Qwen 모델을 체험하는 방법은 접근 목적에 따라 크게 네 가지입니다.

1

Qwen Chat (chat.qwen.ai) — 가장 빠른 체험
chat.qwen.ai에 접속하면 알리바바 계정으로 바로 대화할 수 있습니다. Qwen3.7 Max 포함 여러 모델을 UI에서 전환하며 비교 가능합니다. 코드나 API 없이 즉시 사용 가능한 최단 경로입니다.

2

DashScope API — 프로덕션 통합
앞서 소개한 DashScope API로 Qwen3.7 Max와 Qwen3.6 모두 호출 가능합니다. OpenAI 호환이라 기존 코드 수정이 최소화됩니다. 국제 엔드포인트: dashscope-intl.aliyuncs.com

3

HuggingFace — 오픈 Qwen3.6 가중치 직접 다운로드
huggingface.co/Qwen에서 Qwen3.6-27B, Qwen3.6-35B-A3B 가중치를 내려받을 수 있습니다. Apache-2.0이므로 파인튜닝, 상업 배포 모두 가능합니다. transformers 라이브러리와 바로 연동됩니다.

4

Ollama — 로컬 실행 (VRAM 여유 확인 필수)
ollama pull qwen3.6:27b (약 17GB) 또는 ollama pull qwen3.6:35b (약 24GB)로 즉시 다운로드. vision, tools, thinking 태그도 제공됩니다. 컨텍스트는 256K 기준.

중국 오픈 LLM 3강 — Qwen vs DeepSeek vs GLM

2026년 중반 기준, 중국 오픈소스 LLM 생태계는 크게 세 진영으로 압축됩니다. 알리바바 Qwen3.6, DeepSeek V4, 그리고 칭화대 기반의 GLM 시리즈입니다. 세 모델 모두 Apache-2.0 계열의 오픈 라이선스를 채택해 글로벌 개발자 커뮤니티에서 활발하게 사용됩니다.

"Qwen3.6 Preview는 Artificial Analysis Intelligence Index 52점으로 DeepSeek-V4-Pro와 동률을 기록했다."

Artificial Analysis 독립 벤치마크 기준. DeepSeek V4는 별도 분석 참고.

AA Index 52에서 동률이라는 것은 실력 차이가 오차 범위 수준임을 의미합니다. 실제 사용에서는 태스크 유형, 언어(한국어/중국어/영어 비중), 응답 속도, 가격 등 부차 요소가 선택을 가릅니다. DeepSeek V4는 별도로 깊이 다룬 글이 있으니 참고하시고, 여기서는 Qwen과의 경쟁 구도만 짚겠습니다.

세 진영의 공통점은 모두 Apache-2.0 혹은 유사한 오픈 라이선스를 적용해 오픈웨이트를 공개하고, 동시에 API 서비스도 제공한다는 점입니다. 반면 차별점은 아키텍처 선택에 있습니다. Qwen3.6은 하이브리드 MoE(Gated DeltaNet + Gated Attention), DeepSeek V4는 MLA(Multi-head Latent Attention)+MoE 조합, GLM은 별도의 GLM 아키텍처를 씁니다. 어느 것이 절대적으로 낫다기보다는 각 모델이 최적화된 영역이 미묘하게 다릅니다.

독립 벤치마크 기준으로 Qwen3.6 Preview는 AA Index 52점으로 DeepSeek-V4-Pro와 동률을 기록했습니다. 수치상으로 두 모델의 종합 실력은 현 시점에서 사실상 동일합니다. 그렇다면 실제 선택 기준은 무엇일까요? 개발자 관점에서 체감 차이는 툴 호출(Function Calling) 안정성, 한국어·중국어 이해도, 코드 생성 품질, 속도와 비용에서 드러납니다. DeepSeek V4는 비용 효율이 두드러지고, Qwen3.6은 멀티모달(이미지 처리) 면에서 앞섭니다. 로컬 실행이 목적이라면 Ollama에서 각 모델을 직접 비교해보는 것이 가장 정확한 판단법입니다.

GLM 시리즈는 칭화대 KEG Lab에서 주도하는 연구 기반 모델로, 대화 흐름 유지와 중국어 처리에서 강점을 보입니다. 세 모델이 치열하게 경쟁하는 환경은 오픈 LLM 전체의 품질을 빠르게 끌어올리는 동력이 됩니다. 한국 개발자 입장에서는 세 모델 모두 한국어 처리 능력이 꾸준히 개선되고 있어, 선택지가 풍부해지는 혜택을 누릴 수 있습니다.

클로즈드 전환이 주는 의미 — 오픈 AI 생태계에 던지는 질문

Qwen3.7 Max가 클로즈드 API 전용으로 출시된 것은 단순한 비즈니스 결정이 아닙니다. 알리바바뿐 아니라 오픈 LLM 생태계 전반에 하나의 시그널을 보내고 있습니다.

"최강 성능 모델은 API로, 오픈은 한 세대 아래로"
Qwen3.7 Max(클로즈드) vs Qwen3.6(오픈) 구조가 보여주는 전략

이 구조는 OpenAI의 GPT-4(클로즈드)와 Meta의 Llama(오픈)를 한 회사가 동시에 운영하는 것과 비슷합니다. 오픈웨이트로 개발자 생태계와 신뢰를 쌓고, 최강 모델은 API 수익으로 막대한 연구·인프라 비용을 회수하는 이중 전략입니다. 최근 대형 언어 모델 학습에는 수천억 원 이상의 컴퓨팅 비용이 들기 때문에, 순수 오픈소스만으로 지속 가능성을 유지하기 어렵다는 현실적인 이유도 작용합니다.

⚠️ 오픈 생태계 사용자를 위한 주의점

Qwen3.7 Max는 가중치가 공개되지 않으므로 파인튜닝, 로컬 배포, 비용 예측이 어렵습니다. 파인튜닝이나 온프레미스 운영이 필요하다면 Qwen3.6-27B 또는 35B-A3B (Apache-2.0)를 기반으로 가야 합니다. 클로즈드 API는 가격 정책·서비스 가용성 변동 리스크가 있다는 점도 감안하세요.

한편으로는 긍정적인 해석도 있습니다. 클로즈드 API 수익이 생기면 더 강력한 오픈 모델을 더 빨리 출시할 재원이 생깁니다. 실제로 Qwen 팀은 오픈 라인(Qwen3.6)과 클로즈드 라인(Qwen3.7 Max)을 병행 유지하고 있으므로, 오픈웨이트가 완전히 사라진 것은 아닙니다. 오픈 커뮤니티와 상업 고객 모두를 잡으려는 균형 전략이 앞으로 어떻게 유지될지가 중국 오픈 LLM 생태계의 중요한 관전 포인트입니다. 동시에 이 추세가 Google, Meta 등 다른 빅테크의 오픈소스 전략에도 어떤 영향을 미칠지 지켜볼 만합니다.

자주 묻는 질문 (FAQ)

Q. Qwen3.7 Max와 Qwen3.6의 가장 큰 차이는?

Qwen3.7 Max는 클로즈드 API 전용으로 벤치마크 성능이 높지만 가중치를 받을 수 없습니다. Qwen3.6은 Apache-2.0 오픈웨이트로 로컬 실행·파인튜닝이 가능합니다. 성능 계층상 Qwen3.7 Max가 위, Qwen3.6이 아래입니다.

Q. Qwen3.6-27B와 35B-A3B 중 어느 것을 써야 하나요?

코딩·추론 중심이고 VRAM이 넉넉하다면 27B Dense, 이미지 입력(멀티모달)이 필요하거나 VRAM을 아끼고 싶다면 35B-A3B MoE를 선택하세요. Ollama 기준 각각 약 17GB, 24GB가 필요합니다.

Q. AA Index 56.6이 얼마나 높은 점수인가요?

Artificial Analysis Intelligence Index 기준 전체 5위권이며, Google Gemini 3.5 Flash(55.3)보다 앞섭니다. 중국 모델 중에서는 가장 높은 수치입니다. 단, 이 지수는 여러 태스크를 종합한 복합 점수이므로 특정 태스크에서는 순위가 달라질 수 있습니다.

Q. 무료 쿼터 100만 토큰은 충분한가요?

일반적인 채팅 세션 하나에 수백~수천 토큰이 소모됩니다. 100만 토큰은 수백~수천 회의 대화에 해당하므로 개인 체험·프로토타이핑에는 충분합니다. 단, 90일 유효기간이 있으니 늦게 소진하면 만료될 수 있습니다.

Q. Qwen3.6을 상업적으로 사용해도 되나요?

네, Apache-2.0 라이선스이므로 상업적 사용, 배포, 파인튜닝에 제한이 없습니다. 단, 라이선스 고지 의무 등 Apache-2.0의 표준 조건은 준수해야 합니다. Qwen3.7 Max(클로즈드)는 DashScope 이용약관에 따라야 합니다.

마치며

알리바바 Qwen은 2026년 기준 클로즈드 최강(Qwen3.7 Max, AA Index 56.6)과 오픈 생태계(Qwen3.6, Apache-2.0)를 동시에 가져가는 이중 전략을 선택했습니다. 오픈웨이트가 사라진 것이 아니라, 성능 계층을 분리해 두 시장을 모두 공략하는 구조입니다. 로컬·파인튜닝이 필요하다면 Qwen3.6, 최고 성능이 필요하다면 API로 Qwen3.7 Max를 쓰면 됩니다.

Qwen 시리즈는 이미 전 세계 수백만 명의 개발자가 사용하는 모델 패밀리로 성장했습니다. 한국 개발자 커뮤니티에서도 Ollama로 Qwen3.6을 로컬에서 돌리거나, DashScope API를 통해 Qwen3.7 Max를 호출하는 사례가 빠르게 늘고 있습니다. 특히 코딩 보조 도구로서의 활용도가 높은데, SWE-bench 77.2(자체보고)라는 수치가 과장이 아니라면 실제 코드 작업에서도 충분히 기대해볼 만합니다.

앞으로 알리바바가 클로즈드 전략을 더 강화할지, 아니면 다시 오픈 방향으로 선회할지는 지켜봐야 합니다. 하지만 지금 이 시점에서 결론은 명확합니다. 비용과 접근성 우선이라면 Qwen3.6(오픈), 성능 우선이라면 Qwen3.7 Max(클로즈드). 두 가지를 모두 무료로 체험하는 방법도 존재합니다. Qwen Chat에서 바로 대화하거나, DashScope의 100만 토큰 무료 쿼터를 활용하면 됩니다.

다음 글에서는 DeepSeek V4와 Qwen3.6의 실전 코딩 벤치 비교를 다뤄보겠습니다. Qwen3.7 Max나 Qwen3.6을 직접 써보신 분 계신가요? 체감 성능이나 쓸모 있는 활용법을 댓글로 공유해주세요.

---

※ 본 글은 2026년 6월 기준 최신 자료를 교차검증해 작성했습니다. 주요 출처: huggingface.co/Qwen, qwen.ai, Alibaba Cloud Model Studio, Artificial Analysis Intelligence Index, Ollama 모델 카탈로그. 벤더 자체보고 수치(SWE-bench 등)는 본문에 별도 표기했습니다.