4c9aa6ab6d
- API 키 및 JWT Secret 등 민감한 정보를 플레이스홀더로 교체 - NAVER WORKS 이메일 확장 문서 상태를 '구현 완료'로 업데이트 - Provider 패턴 구현 및 DB 스키마 수정 내용 반영 - 토큰 갱신 테스트 성공 결과 문서화
132 lines
3.7 KiB
Markdown
132 lines
3.7 KiB
Markdown
# LLM 모델 비교 분석 (2025년 8월)
|
|
|
|
## 개요
|
|
로빙 프로젝트를 위한 멀티 LLM 전략 수립을 위해 주요 LLM 모델들의 성능, 비용, 품질을 비교 분석했습니다.
|
|
|
|
## 테스트 환경
|
|
- 테스트 도구: `/home/happybell/projects/ivada/test_llm/test_all_for_ro-being.py`
|
|
- 로빙 시스템 프롬프트 적용
|
|
- 한국어 테스트 케이스 사용
|
|
|
|
## 모델별 상세 분석
|
|
|
|
### 1. Gemini 2.5 Flash-Lite ⭐
|
|
- **가격**: $0.10 / $0.40 (입력/출력 per 1M tokens)
|
|
- **응답 시간**: 2.04초~2.76초
|
|
- **특징**:
|
|
- 2025년 8월 1일 정식 출시
|
|
- 가장 저렴한 가격
|
|
- 안정적인 성능
|
|
- 무료 tier 활용 가능
|
|
- **추천 용도**: 메인 모델
|
|
|
|
### 2. GPT-4o-mini
|
|
- **가격**: $0.15 / $0.60
|
|
- **응답 시간**: 1.78초~4.68초
|
|
- **특징**:
|
|
- 균형잡힌 응답 품질
|
|
- 빠른 초기 응답
|
|
- OpenAI의 안정성
|
|
- **추천 용도**: 백업 모델
|
|
|
|
### 3. Mistral Small 3.1
|
|
- **가격**: $0.75 / $4.00
|
|
- **응답 시간**: 1.49초~3.02초
|
|
- **특징**:
|
|
- 가장 빠른 응답 속도
|
|
- 상세하고 체계적인 답변
|
|
- 토큰 효율적 (평균 200~300 토큰)
|
|
- **추천 용도**: 품질 우선 시
|
|
|
|
### 4. Claude 3.5 Haiku
|
|
- **가격**: 비공개 (사용량 기반)
|
|
- **응답 시간**: 2.57초~4.60초
|
|
- **특징**:
|
|
- 높은 응답 품질
|
|
- 대화형 응답
|
|
- 과부하 시 불안정 (529 에러)
|
|
- **추천 용도**: 복잡한 대화 필요 시
|
|
|
|
### 5. Grok (제외)
|
|
- **가격**: $2.00~$3.00 / $10.00~$15.00
|
|
- **특징**:
|
|
- X/Twitter 실시간 데이터 접근
|
|
- 너무 비싼 가격
|
|
- grok-3-mini는 빈 응답 문제
|
|
- **결론**: 특수 목적 외 비추천
|
|
|
|
## 성능 비교
|
|
|
|
### 응답 속도 순위
|
|
1. Mistral Small 3.1: 1.49초
|
|
2. GPT-4o-mini: 1.78초
|
|
3. Gemini 2.5 Flash-Lite: 2.04초
|
|
4. Claude 3.5 Haiku: 2.57초
|
|
|
|
### 비용 효율성 순위
|
|
1. Gemini 2.5 Flash-Lite: $0.10/$0.40
|
|
2. GPT-4o-mini: $0.15/$0.60
|
|
3. Mistral Small 3.1: $0.75/$4.00
|
|
4. Grok: $2.00/$10.00 이상
|
|
|
|
### 응답 품질 특성
|
|
- **Mistral**: 가장 상세하고 체계적 (번호 목록, 이모지 활용)
|
|
- **GPT-4o-mini**: 균형잡힌 구조적 답변
|
|
- **Gemini**: 간결하면서도 핵심 포착 (표 활용)
|
|
- **Claude**: 대화형, 공감적 응답
|
|
|
|
## 로빙 프로젝트 추천 전략
|
|
|
|
### 멀티 LLM 전략
|
|
1. **메인 모델**: Gemini 2.5 Flash-Lite
|
|
- 가장 저렴한 비용
|
|
- 안정적인 성능
|
|
- 무료 tier 활용
|
|
|
|
2. **백업 모델**: GPT-4o-mini
|
|
- 메인 모델 장애 시 대체
|
|
- 균형잡힌 성능
|
|
|
|
3. **보조 모델**: Mistral Small 3.1
|
|
- 고품질 응답 필요 시
|
|
- 빠른 응답 필요 시
|
|
|
|
### 환경변수 설정
|
|
```bash
|
|
# .env 파일
|
|
GEMINI_API_KEY=(Gemini API 키)
|
|
OPENAI_API_KEY=(OpenAI API 키)
|
|
MISTRAL_API_KEY=(Mistral API 키)
|
|
ANTHROPIC_API_KEY=(Anthropic API 키)
|
|
# XAI_API_KEY=(xAI API 키) # 비용 문제로 제외
|
|
```
|
|
|
|
### 사용 예시
|
|
```python
|
|
# 모델 선택 로직
|
|
if task_type == "general":
|
|
model = "gemini-2.5-flash-lite" # 기본
|
|
elif task_type == "quality":
|
|
model = "mistral-small-latest" # 품질 우선
|
|
elif task_type == "fast":
|
|
model = "gpt-4o-mini" # 속도 우선
|
|
```
|
|
|
|
## 결론
|
|
|
|
### 핵심 발견사항
|
|
1. Gemini 2.5 Flash-Lite가 비용 대비 최고 효율
|
|
2. 각 모델마다 고유한 강점 존재
|
|
3. 멀티 LLM 전략으로 안정성 확보 필요
|
|
4. 토큰 제한 설정 시 충분한 여유 필요 (500 토큰 이상)
|
|
|
|
### 향후 고려사항
|
|
- 정기적인 모델 성능 재평가
|
|
- 새로운 모델 출시 모니터링
|
|
- 사용량 기반 비용 최적화
|
|
- 모델별 특화 작업 정의
|
|
|
|
## 참고 자료
|
|
- 테스트 코드: `/test_llm/test_all_for_ro-being.py`
|
|
- 개별 테스트: `/test_llm/test_*.py`
|
|
- 트러블슈팅: `/DOCS/troubleshooting/250804_happybell80_LLM멀티모델테스트.md` |