Coding plan comparisons based on actual usage
이 글은 2026년 5월 1일 기준으로 여러 AI 코딩 플랜의 실제 사용 데이터를 바탕으로 가격과 성능을 비교 분석한다. Kimi 2.6, MiniMax 2.7, GLM 5.1, Codex(GPT-5.5), Claude Pro(Opus 4.7) 등 다양한 모델의 구독료 대비 토큰 비용과 처리 속도를 상세히 제시하며, 특히 코딩 플랜이 가장 경제적인 접근법임을 강조한다. 또한 각 모델의 응답 시간과 TPS(초당 처리량)를 비교해 사용자 경험 측면에서 Claude Pro가 빠르고 직관적임을 언급한다. 다만 일부 중국계 모델은 API 사용 시 계정 정지 위험이 있을 수 있음을 경고한다.
CanIRun.ai는 브라우저의 WebGPU로 내 PC·노트북에서 실행 가능한 AI 모델을 추정해 보여주는 웹 도구입니다. 모델별 메모리 요구량·토큰 속도·컨텍스트 길이와 S~F 등급을 제공해 Qwen, Llama, Gemma, Mistral, GPT‑OSS 등 주요 모델의 로컬 실행 가능성을 빠르게 판단하게 해주나, 결과는 추정치이며 MoE·양자화·모바일 인식 등 정확도 개선 요구가 있습니다.
Ravi Sharma (@ravishar313)
@AnthropicAI, @OpenAI, @Google, @Zai_org, @MiniMax_AI, @Kimi_Moonshot 등의 모델을 단백질-리간드 결합 부위를 출판 수준으로 시각화할 수 있는지 테스트한 결과, Anthropic의 모델이 가장 우수하고 Google의 Gemini 모델이 가장 저조한 성능을 보였다는 실험 결과를 공유한 트윗입니다. 이는 생명과학, 약물 설계 등 AI 기반 연구 응용 가능성을 보여주는 흥미로운 비교입니다.
I tested models from @AnthropicAI @OpenAI @Google @Zai_org @MiniMax_AI and @Kimi_Moonshot on whether they can create a publication-level view of a protein-ligand binding site and the results were surprising. TL;DR: Anthropic models did the best and Gemini models did the worst.
Ravi Sharma (@ravishar313)
@AnthropicAI, @OpenAI, @Google, @Zai_org, @MiniMax_AI, @Kimi_Moonshot의 모델들을 단백질-리간드 결합 부위 시각화 생성 능력으로 비교한 결과, Anthropic 모델이 가장 우수하고 Google의 Gemini 모델이 가장 낮은 성능을 보였다는 실험 결과를 공유한 트윗입니다.
I tested models from @AnthropicAI @OpenAI @Google @Zai_org @MiniMax_AI and @Kimi_Moonshot on whether they can create a publication-level view of a protein-ligand binding site and the results were surprising. TL;DR: Anthropic models did the best and Gemini models did the worst.
Ravi Sharma (@ravishar313)
Anthropic, OpenAI, Google, Zai, MiniMax, Kimi_Moonshot 등의 모델을 단백질-리간드 결합 부위의 출판 수준 시각화를 생성하는 능력으로 평가한 결과, Anthropic 모델이 가장 우수했고 Google의 Gemini 모델이 가장 낮은 성능을 보였습니다.
I tested models from @AnthropicAI @OpenAI @Google @Zai_org @MiniMax_AI and @Kimi_Moonshot on whether they can create a publication-level view of a protein-ligand binding site and the results were surprising. TL;DR: Anthropic models did the best and Gemini models did the worst.
AshutoshShrivastava (@ai_for_success)
Kilo Code가 OpenRouter 일일 리더보드에서 OpenClaw를 제치고 다시 1위를 차지했다는 소식입니다. 트윗에 따르면 어제 총 313B 토큰이 처리되었고 그중 222B가 GLM-5를 통해 라우팅되었다고 보고되며, GLM-5의 성능과 시장 점유에 대한 관심을 환기시키고 있습니다.
LLM Stats (@LlmStats)
Step-3.5-Flash(또는 StepFun의 모델)가 LiveCodeBench V6에서 0.864로 1위를 기록하며 Kimi K2.5(0.85), GLM-4.7(0.849), GPT OSS 120B(0.819) 등을 제치고 최상위 성능을 보였습니다. LiveCodeBench V6는 실제 경쟁 프로그래밍 플랫폼의 최신 문제로 모델을 평가하는 벤치마크입니다.
Step-3.5-Flash (@StepFun_ai) tops LiveCodeBench V6 with 0.864 #1 out of all models, ahead of Kimi K2.5 (0.85), GLM-4.7 (0.849), and GPT OSS 120B (0.819). LiveCodeBench V6 tests models on fresh, real-world coding problems from competitive programming platforms. Step-3.5-Flash
Iaiso (@laiso)
Qwen code와 qwen3-coder-next 조합이 GLM 4.7 수준의 결과를 보였다는 보고(laiso/ts-bench PR). 해당 모델은 상위권 모델들 중 셀프호스트 요건이 가장 낮고, 외부 제공자 가격도 k2.5 대비 약 절반 수준으로 관측되어 성능 대비 호스팅 비용·자원 효율 측면에서 주목받고 있습니다.
sayzard
