(본 기사의 저자는 Alter이며, 타이미디어가 승인을 받아 게시합니다)
글 | 알터
2026년 10월의 대규모 언어 모델 산업에서는 서로 상반된 두 가지 서사가 전개되고 있다.
전통적인 벤치마크 성적표만 보면, 주류 모델들은 이미 시험지를 뚫어버린 듯하다.
제3자 벤치마크 집계 플랫폼인 BenchLM의 10월 26일 기준 통계에 따르면, 해당 플랫폼이 추적하는 710개의 벤치마크 중 295개가 실제 적용도를 갖춘 100점 만점 기준이며, 이 가운데 105개(약 36%)는 이미 완전히 ‘포화’ 상태에 도달해 최상위 점수 모두가 90점 이상을 기록하고 있습니다.
점수가 모두 천장 근처에 몰려 있을 때, 격차가 한두 점에 불과한 것이 과연 모델이 더 강해서인지, 아니면 프롬프트와 샘플링의 무작위적 변동 때문인지, 이제는 누구도 분간할 수 없게 되었다.
지난 한 달여 동안 데이터 라벨링 및 평가 기업인 Surge AI는 실제 직장 환경을 반영한 세 차례의 새로운 시험을 잇따라 발표하며, 다수의 주력 모델들을 합격선 이하로 끌어내렸다:
sudo L7(고급 엔지니어 수준의 프로그래밍 평가): 실제 생산 코드베이스에서 가져온 60개의 과제. 순위표에서 Claude Opus 5.5와 Sonnet 5.5가 공동 1위를 차지했으며, 통과율은 41.7%에 불과했다; OpenAI의 GPT-6 Astra는 33.9%였고, 10월 6일에 미리보기 버전으로 출시된 Mistral Large 4는 점수가 11.7%에 그쳤다.
GDP.xlsx(다양한 산업에 걸친 복잡한 표 평가): 금융, 의료, 부동산 등 12개 산업의 종사자들이 일상적으로 수행하는 실제 Excel 작업 70개. 1위를 차지한 Google의 대표 제품 Gemini 4 Argon의 점수는 겨우 38.3%에 불과했다.
DAYJOB(엔드투엔드 직무 평가): 의료 및 금융 전문가들이 작성한 130개의 장기 프로세스 작업. 의료 분야 최고 성적은 Claude Opus 5.5의 24.7%이며, 금융 분야는 Claude Sonnet 5.5의 24%이다.
구 버전의 90점대에서 신 버전의 20~30점대로 떨어졌다고 하면, 마치 모델이 갑자기 어려워진 것처럼 들리지만 사실은 시험 문제가 바뀌었을 뿐입니다. 구 문제는 ‘명확한 지시를 주었을 때 이를 수행할 수 있는가’를 평가했고, 신 문제는 ‘엉망진창인 상황에 직면했을 때 이렇게 해야 하는지, 혹시 놓친 부분은 없는지’를 묻는 것입니다.
시험지의 출제자가 바뀌면, 순위와 점수의 신뢰도는 물론 평가 이면에 숨은 게임 규칙까지 모두 달라진다.
01 엔지니어링 실패 현장: ‘높은 점수’와 ‘완전한 납품’ 사이에는 커다란 간극이 존재한다
왜 순위에서 거의 만점을 받은 모델이 기업의 기술 책임자에게 넘어가면 바로 배포하지 못하는 걸까요?
10월에 발표된 sudo L7 평가에는 매우 대표적인 실제 문제 하나가 포함되어 있었는데, 그 배경은 Stripe, Mailchimp, Plaid를 통합한 실제 핀테크 코드베이스였습니다. 출제자는 모델에게 매우 명확하게 작성된 요구사항을 제시했습니다:
“Webhook 콜백이 실패할 경우, 전체 페이로드(요청 본문)를 로그에 출력한 뒤 HTTP 200 상태 코드를 바로 반환하면, 파트너의 서버가 계속해서 재시도하지 않게 됩니다.”
명령을 받은 후, GPT-6 Astra는 그대로 수행했다: 코드를 찾아내고 로직을 수정한 뒤 검사를 통과시켜, ‘전체 로그 + 강제 200 응답’이라는 구현을 깔끔하게 제출했다. 단위 테스트만 보면, 이 답안에는 지적할 만한 부분이 없다.
문제는 바로 요구사항 자체에 있다.
한편, HTTP 200을 반환하는 것은 스트라이프에게 “이 콜백은 이미 처리했습니다”라고 알리는 것이며, 상대방은 이를 다시 전송하지 않습니다. 그러나 이때 내부 처리가 실제로 실패했다면, 사용자의 결제 기록이 영구히 정산되지 않을 수 있습니다.
한편, 금융 회귀의 페이로드에는 고객의 신원 및 민감한 계좌 정보가 포함되어 있으므로, 비식별화를 거치지 않은 채 전체 패킷을 일반 로그에 기록하면 모든 운영 및 모니터링 시스템에서 평문으로 확인할 수 있으며, 이는 수년간 저장될 수도 있습니다.
인간 숙련 엔지니어는 이러한 요구를 받으면 보통 먼저 이를 중단시키고, 주문 상실과 정보 유출의 위험을 설명한 뒤 대안을 제시합니다. 즉, 우선 이벤트를 안전하게 디스크에 지속적으로 저장한 다음 200 상태 코드를 반환하고, 실패한 부분은 내부 큐를 통해 비동기적으로 재시도하며, 동시에 로그에 포함된 민감한 필드는 마스킹 처리합니다.
하지만 이 문제에서는 GPT-6 Astra가 그 차원을 생각하지 못했습니다.
이전의 평가와 달리, sudo L7의 세부 점수는 처음으로 ‘코드가 실행 가능하다’와 ‘코드를 과감히 배포할 수 있다’를 구분하여 제시했습니다:
‘기능 정확성’ 항목에서 GPT-6.1 Sol(82.4%), Claude Opus 5.5(82.1%), GPT-6 Astra(81.5%), Claude Sonnet 5.5(79.6%) 네 모델 간의 차이는 매우 미미합니다. 코드 작성의 정확성에 있어서는, 주요 모델들 간에도 이미 격차가 벌어지지 않습니다.
분수령은 엔지니어링 판단력에서 나타난다.
동료들처럼 요구사항을 계속 물어보고 이의를 제기하는 ‘함께하는 사고(Thought Partnership)’ 차원에서 두 가지 Claude 모델은 약 75% 수준을 보였으나, GPT-6.1 Sol과 GPT-6 Astra는 각각 53.0%와 51.6%로 하락했다. 또한 ‘소통’ 차원에서는 Sonnet 5.5가 72.4%를 기록한 반면, Sol은 44.1%에 그쳤다.
하지만 이것이 Claude가 안심하고 지낼 수 있다는 뜻은 아닙니다.
또 다른 자선 기부 애플리케이션에서는 “사용자가 기부금을 서로 다른 단체에 비례적으로 나누어 전달할 수 있도록 하는 것”이 요구 사항이었습니다. Claude Opus 5.5는 완전히 새로운 프런트엔드 인터페이스와 데이터 테이블을 한 번에 구축했으며, 자체적으로 267개의 유닛 테스트와 4개의 브라우저 테스트를 작성하고 모두 통과시켰습니다.
당혹스럽게도, 이 앱은 원래 기부금을 분할하는 기능을 지원합니다.
Opus 5.5는 코드를 검색하는 과정에서 이미 관련 구현을 발견했음에도 불구하고 이를 멈추고 확인하지 않은 채, 새로운 접근 방식을 고안하여 시스템에 두 개의 병렬적이고 중복되는 로직을 남겼습니다. 테스트는 모두 통과했지만, 숙련된 엔지니어라면 결코 이렇게 배포하지 않을 것입니다.
두 가지 사례를 함께 살펴보면, 대규모 모델의 실패 양상은 각각 다르다. 하나는 지나치게 순종하여 터무니없는 요구사항을 의심하지 않는 경우이고, 다른 하나는 지나치게 능력이 뛰어나 기존의 현황을 확인하지 않는 경우이다. 만약 단위 테스트 통과 여부만을 기준으로 한 기존 순위표를 본다면, 두 가지 ‘생산상의 잠재적 위험’ 모두를 검출할 수 없을 것이다.
02 “97% 정확도의 역설”: 긴 프로세스에 의해 끊임없이 증폭되는 “작은 오류”
코드 테스트가 엔지니어링적 판단의 부재를 드러냈다면, GDP.xlsx와 DAYJOB은 기업 구매 담당자들을 골치 아프게 만드는 또 다른 문제를 보여줍니다: 단일 단계 시험 문제에서는 높은 점수를 받던 모델이라도, 다중 테이블 연관과 장거리 프로세스에 적용되면 작은 오류가 급격히 확대됩니다.
GDP.xlsx에는 상업용 부동산 펀드의 임대료 예측 문제 하나가 있습니다.
워크북에는 15개의 하위 시트와 약 60개의 셀 주석이 있으며, 자산 관리자의 이메일도 첨부되어 있습니다. 해당 이메일에서는 향후 3년 내에 “임대료가 변경될 가능성이 있는” 모든 임차인을 파악할 것을 요청하고 있으며, 여기에는 할인 혜택이 만료되는 경우와 조기 계약 해지 권한을 보유한 경우도 포함됩니다.
Meta의 Muse Spark 1.3은 할인 기간이 만료된 총 6개의 임차인을 모두 찾아냈으며, 셀 주석과 이메일에 숨겨진 반값 할인 조건까지 놓치지 않았습니다. 이후 작업이 멈추었고, 워크북 오른쪽에 있는 ‘BreakClauses’라는 사전 계약 해지 세부 내역 표는 아예 열리지도 않았습니다—그곳에는 아직도 사전 계약 해지를 할 수 있는 임차인이 3곳 남아 있으며, 예상 임대료 규모는 약 1,400만 달러에 달합니다.
또 다른 제품 인증 및 생산 일정 문제에서 GPT-6 Astra는 메인 테이블에 A와 B 두 제품 모두 ‘승인됨’으로 표시되어 있으므로 동시에 양산할 것을 권장했지만, 별도의 세부 테이블에 명시된 위탁생산 업체의 제한 조건은 확인하지 않았고, 답변에서는 “워크북에 관련 공급업체가 명시되어 있지 않다”고 단언했습니다. 그러나 해당 공급업체의 이름은 다른 세부 테이블에 기재되어 있었습니다.
이러한 오류에는 한 가지 공통점이 있다: 모델이 답의 일부를 찾아낸 뒤, 자신이 문제 전체를 완전히 해결했다고 착각하는 것이다.
DAYJOB 평가에서는 단일 단계의 누락이 장기 워크플로우에 의해 더욱 확대됩니다. DAYJOB의 각 작업에는 업계 전문가들이 마련한 이진 평가 기준(Rubric)이 하나씩 부여되며, 의료 분야의 경우 이러한 기준의 중앙값은 47.5개이고, 금융 분야는 무려 57.5개에 달합니다.
대략적인 수학적 추정을 해 보겠습니다:
모든 세부 기준을 모두 정확히 충족해야만 전체 과제가 합격으로 인정되며, 각 세부 기준이 서로 독립적이라고 가정할 때, 의료 분야에서 최대 24.7%의 과제 통과율을 역산해 보면, 모델이 각 세부 기준에서의 정확도가 무려 97%에 달함을 의미합니다—중위값에 가까운 48개의 세부 기준을 기준으로 계산하면, 0.97의 48승은 대략 23%에 해당합니다.
위는 단지 이상화된 도식일 뿐이며, 실제 점수 부여의 세부 기준들은 서로 완전히 독립적일 수 없습니다.
그러나 이는 또한 한 가지 사실을 명확히 보여줍니다: 서로 긴밀하게 연결된 약 50단계에 달하는 업무 프로세스에서, 각 단계가 ‘대체로 올바르다’ 하더라도 이를 모두 합산하면 최종적으로 모든 일이 성사될 확률은 30% 미만으로 떨어지게 됩니다.
기업이 과연 완전한 직무를 AI에 맡길 수 있을지 여부는 바로 최종 수치에서 드러납니다.
03 누가 시험관에게 점수를 매길 것인가: 평가 자체가 하나의 거대한 비즈니스로 변모할 때
이미 기존 순위가 왜곡된 만큼, Surge AI와 같은 신생 실측 순위가 과연 절대적으로 객관적인 ‘최종 심판’일까요?
정답은 반드시 그렇지는 않습니다.
대규모 모델 순위를 이해하려면 먼저 누가 문제를 출제하는지와 ‘시험관’이 무엇으로 수익을 창출하는지를 먼저 파악해야 한다.
지난 1년간 대규모 모델 평가는 이미 높은 가치를 지닌 비즈니스로 발전했습니다. 초기에는 사용자들의 익명 투표로 모델 순위를 매기던 LMArena(구 Chatbot Arena)가 2026년 1월, 기업 가치 17억 달러에 1억 5천만 달러 규모의 시리즈 A 투자를 완료했습니다.
세 차례에 걸쳐 새로운 순위를 발표한 Surge AI는 바로 LMArena의 가장 강력한 비판자입니다.
이미 2025년 12월에 Surge 팀은 LMArena의 실제 대전 투표 500건을 인적 검증하여, 그 결과의 52%에 동의하지 않으며 39%는 강하게 동의하지 않는다고 밝혔다. 예를 들어, 한 투표에서 승리한 모델의 답변은 “9인치 원형 케이크 팬과 9×13인치 직사각형 케이크 팬은 크기가 같다”고 주장했다.
서지의 설명에 따르면, 일반 사용자는 대개 몇 초 만에 눈길을 주며, 어떤 답변이 레이아웃이 잘 갖춰져 있고 어조가 확신에 차 있는지를 살펴보고 그에 투표한다고 한다.
Surge는 크라우드소싱 블라인드 테스트를 비판했을 뿐만 아니라, OpenAI가 자체적으로 발표한 직장 기준 GDPval에 대해서도 공개적으로 비판한 바 있습니다. DAYJOB의 설명에서는 다음과 같이 명시하고 있습니다: 그들이 검토한 GDPval 평가 세부 기준 중 약 20%만이 직접 사용할 수 있다고 합니다.
이러한 비판들은 모두 핵심을 찌르고 있으며, 문제는 다음과 같습니다: Surge AI의 주력 사업은 바로 각종 대형 모델 연구소에 고급 데이터 라벨링, 강화학습 환경, 그리고 전문가의 인적 평가 서비스를 제공하는 것입니다.
로이터 통신에 따르면, Surge AI는 2024년 매출만으로도 10억 달러를 넘어섰으며, 고객 리스트에는 앤트로픽을 포함한 다수의 선도적 연구소들이 이름을 올렸다. “공개 자동 순위는 부족하고, 크라우드소싱 투표는 모두 잡음에 불과하며, 반드시 고액 연봉을 지급하는 업계 전문가들에 의존해 장기적인 평가를 진행해야 한다”라는 결론 자체가 바로 그 비즈니스 모델과 매우 일치한다.
다른 관점에서 보면, 전문가가 직접 문제를 출제하는 데 드는 막대한 비용 때문에 새로운 순위표의 문제 수는 많을 수 없습니다.
예를 들어, sudo L7은 전체 문제가 60문제에 불과해, 평균적으로 한 문제당 약 1.7%포인트를 차지합니다. 순위권 중간에 위치한 모델들 사이에서도 격차가 2~3%포인트 정도일 뿐인데, 실제 시험지로 보면 결국 한두 문제 차이에 지나지 않아 우연성도 적지 않습니다.
이는 단순한 사례가 아닙니다.
이미 2025년 11월, 42명의 연구자가 공동으로 작성한 논문은 445개의 대규모 모델 벤치마크를 체계적으로 검토하며, 많은 벤치마크가 측정하고자 하는 능력이 무엇인지 명확히 밝히지 않았고, 모델을 비교할 때 통계적 검정을 거의 수행하지 않았다고 지적했다.
그리고 BenchLM이 현재 229개의 등재 모델을 포괄하는 방법론에 따르면, 순위는 서로 다른 유형의 외부 증거가 상호 확인될 때에만 ‘뒷받침됨’으로 표시되며, 그 외에는 모두 ‘추정’으로 표기된다. 또한 업체 자체 테스트 점수는 별도로 표시되며 순위에 포함되지 않으며, 유사 모델로부터 보간법으로 추산된 ‘생성 데이터’ 역시 전면적으로 제외된다.
평가 커뮤니티에는 진정한 의미의 ‘이해관계가 없는 제3자’란 존재하지 않는다. 독자와 구매자에게 있어, 특정 순위를 단순히 외우는 것보다 더 중요한 것은 먼저 시험 문제의 내막을 확인하는 일이다: 누가 출제했는지, 총 몇 문항인지, 표본 오차는 어느 정도인지, 그리고 이 시험의 비용을 누가 부담하는지 말이다.
04 중국 모델의 “두 가지 성적표”
시선을 다시 국내로 돌리면, “서로 다른 시험지가 서로 다른 세상을 측정한다”는 분열감은 더욱 강하게 느껴진다.
실제 호출 수만을 보면, 중국 모델은 현재 최고의 시기에 있습니다.
글로벌 API 라우팅 플랫폼인 OpenRouter가 10월 20일에 공개한 통계에 따르면, 지난 주 중국 모델의 해당 플랫폼에서의 호출 수는 무려 79.18조 토큰에 달해 미국 모델(17.36조)의 약 4.5배에 이르렀으며, 주간 호출 수 상위 5위 모두를 중국 모델이 차지했습니다.
10월 26일에 발표된 최신 주간 순위에서, DeepSeek V4.1-Flash의 주간 호출 수는 전주 대비 801% 급증하며 글로벌 1위를 굳건히 지켰다.
하지만 Surge AI의 세 개의 새로운 시험지에서는 화면이 완전히 뒤집혀 있습니다:
sudo L7에서 성과가 가장 우수한 중국 모델은 알리바바의 Qwen 3.8 Max(20.6%, 6위)이며, 지푸 GLM 5.3은 14.4%, 월지암면 Kimi K3는 13.3%, 텐센트 혼위(Hy4 Preview)는 12.8%를 기록했다.
GDP.xlsx에서 GLM 5.3은 21.4%, Qwen 3.8 Max는 20.3%로, GPT-6.1 Sol(22.0%)과는 큰 차이가 없지만, Kimi K3(13.4%)와 DeepSeek V4 Pro(6.9%)는 확연히 뒤처지고 있다.
DAYJOB 의료 분야의 격차가 가장 크다: Qwen 3.8 Max는 단 2%에 불과하고, Kimi K3는 1.2%, GLM 5.3와 DeepSeek V4 Pro는 모두 0.4%에 그친다.
왜 한쪽에서는 전 세계 호출 수가 압도적으로 앞서는 반면, 다른 쪽에서는 장시간 프로세스 신규 순위에서 거의 성과를 내지 못하고 있는 걸까요?
직관적인 설명은 다음과 같다: 중국 모델의 현재 강점은 고주파수, 저단가, 단일 단계로 완료 가능한 작업에 집중되어 있으며, 글로벌 개발자들이 이를 선택하는 이유는 높은 가성비 때문입니다. 반면, 수십 단계에 걸친 연속적 계획과 복잡한 시스템 내부까지 파고들어야 하는 엔지니어링 과제에서는 여전히 미국의 선도적 모델들과 격차가 존재합니다.
결론을 내리기 전에, 최소 네 가지 테스트 조건을 분리해야 합니다:
첫째, 툴체인 외피(Harness)가 서로 맞지 않습니다.
sudo L7에서는 Claude가 자체 네이티브 Claude Code에서 실행되고, GPT는 Codex에서, Gemini는 Antigravity에서 실행된다. 반면 중국 모델의 경우, 알리바바는 자사의 Qwen Code를 사용하지만, GLM, Kimi, 혼위 모두 제3자의 OpenCode 외장에서 실행된다. 에이전트 개발을 해본 엔지니어라면 누구나 잘 알고 있듯이, 에이전트의 성능은 외부 툴체인과의 호환성에 크게 좌우되며, 비네이티브 외장으로 바꾸면 점수가 바로 하락할 수 있다.
둘째, 테스트 대상 버전이 지연되고 있다.
Surge는 이전 버전인 Kimi K3와 DeepSeek V4 Pro를 측정했으며, Artificial Analysis의 최신 종합 지능 지수에서 10월에 업데이트된 Kimi K3.1 Pro는 55점을 기록해 선두인 Claude Opus 5.5(58점)와 불과 3점 차이에 그쳤다. 또한 DeepSeek의 최신 버전인 V4.1 Flash도 45점을 받아, 테스트 대상이었던 V4 Pro(36점)보다 월등히 높은 점수를 얻었다.
셋째는 시험 문제의 지역적 및 제도적 장벽이다.
DAYJOB 의료 분야의 과제는 임상, 약국, 지불자, 운영 및 규정 준수를 포괄하며, 이 미국 평가 회사가 전문가들을 조직해 작성했습니다. 건강보험 지불과 규정 준수 절차와 같은 내용은 국가마다 규칙이 크게 달라, 주로 국내 시장에 맞춰 학습된 모델에는 반드시 공정하지 않을 수 있습니다.
넷째는 소규모 표본에서 발생하는 통계적 노이즈입니다.
의료 분야에는 총 65개의 문제들이 있으며, 0.4%와 2% 사이의 차이는 결국 정답을 반 개에서 한 개 정도만 더 맞히는 수준에 불과하므로, 통계학적으로는 거의 무시해도 될 만한 차이입니다.
위의 모든 변수를 종합하면 보다 공정한 판단을 내릴 수 있다: 미국 평가 기관이 설계하고 미국 도구 체인에서 실행되는 장시간 프로세스 작업에서는 중국 모델이 확실히 크게 뒤처지는 것이 사실이다. 그러나 그 차이 중 얼마나가 기반 모델 자체의 격차에 기인하는지, 또 얼마나가 테스트 조건으로 인해 발생한 손실인지에 대해서는, 국내 업체들과 평가 기관들이 중국어 비즈니스 워크플로와 네이티브 도구 체인을 활용해 평가 항목을 보완해야 한다.
05 마지막으로 작성하며
모든 순위 논란을 제외하고 나면, 신고전 시험지는 기업 구매자에게 가장 실질적인 가치를 제공하는데, 그것은 바로 비용 계산이다.
Surge가 sudo L7 블로그에서 공개한 동일한 테스트 데이터(순위표의 후속 업데이트에서는 통과율이 약간 달라짐)에 따르면, Claude Opus 5.5와 Sonnet 5.5의 통과율은 약 45%이며, 각각의 단일 작업 완료 비용은 약 10달러와 14달러입니다. 반면 GPT-6.1 Sol의 통과율은 30%로, 단일 작업 비용은 1달러를 조금 넘습니다.
각각의 통과율을 고려하여, “합격된 작업 하나를 실제로 얼마나 비용이 드는지”로 환산해 보면:
Claude Opus 5.5: 약 22달러;
Claude Sonnet 5.5: 약 31달러;
GPT-6.1 솔: 약 3달러 초반;
22달러와 3달러 중 어느 쪽이 더 많은지는 순위가 몇 번째인지에 따라 결정되는 것이 아니라, “한 번의 실패가 당신의 특정 사업에서 실제로 얼마만큼의 손실을 초래하는지”에 따라 결정됩니다.
웹훅 코드를 잘못 작성하면 온라인 주문 누락과 규정 준수 사고가 발생할 수 있습니다. 15%포인트 높은 판단력을 위해 추가로 약 20달러를 지불하는 것도 여전히 공짜나 다름없을 만큼 저렴합니다. 반면, 대량 처리를 수행하고 오류 발생 시 부담해야 하는 비용이 극히 적은 내부 일상 스크립트라면, 가격이 거의 10배나 비싼 최상위 모델은 순수한 연산 능력 낭비에 불과합니다.
시장은 이미 이러한 분화를 반영하기 시작했습니다.
2026년 이후, 지푸는 API 평균 판매가를 약 101% 인상했으며, API 사업의 매출총이익률은 -0.4%에서 단숨에 24.6%로 전환되었고 고객 유실도 크게 발생하지 않았다. DeepSeek가 시간대별 가격 정책을 도입한 후에도, 성수기에는 가격이 두 배로 올랐음에도 불구하고 수요가 공급을 따라가지 못하는 상황이 계속되고 있다.
벤치마크 신화가 막을 내리면서, 각 기업의 기술 책임자들이 API를 도입하기 위해 비용을 지불하기에 앞서 반드시 물어야 할 질문은 단 세 가지뿐입니다: 이 순위 평가의 출제 내용이 나의 실제 비즈니스와 얼마나 일치하는가? 테스트용 도구 체인의 외형과 내가 온라인에서 운영하는 환경이 동일한 구조인가? 내가 감당할 수 있는 실패 비용을 기준으로 볼 때, 하나의 작업을 성공적으로 처리하기 위해 과연 얼마의 비용을 부담해야 하는가?
더욱 흥미로운 콘텐츠를 만나려면 타이미디어 위챗 공식 계정(ID: taimeiti)을 팔로우하거나, 타이미디어 앱을 다운로드해 주세요.