유출 주장에 따르면 Gemini 4 Pro가 주요 AI 벤치마크에서 경쟁 모델을 앞섰다

이 유출이 사실이라면 Google이 코딩과 컴퓨터 조작처럼 실제 업무에 가까운 영역에서 경쟁 구도를 흔들 가능성이 큽니다. 기사에 제시된 수치로는 DeepSWE 88.7점, Terminal-Bench 95.3점, OSWorld 86.8점이 경쟁 모델보다 높습니다. 특히 에이전트가 코드를 고치고 터미널과 데스크톱을 다루는 성능은 단순한 대화 능력보다 업무 자동화의 실효성을 가늠하는 데 중요하죠.

다만 지금 단계에서 이를 Google의 선두 복귀라고 부르기는 이릅니다. 수치는 유출 자료에 적힌 주장이지, 공식 문서와 재현 가능한 공개 평가로 확인된 결과가 아닙니다. 더구나 기사에 따르면 초기 비공개 시험에서 관측된 이름은 gemini-3.8-flash였는데, 비교표의 모델명은 Gemini 4 Pro입니다. 두 이름이 어떤 관계인지 설명되지 않는다면 모델 식별부터 불확실합니다.

비교 방식에도 주의가 필요합니다. GDPval-AA는 Gemini 결과가 v2, 경쟁 모델 결과가 v2.1로 표기됐고, OSWorld의 경쟁 모델 점수에는 부분 결과나 오프라인 결과가 포함됐습니다. 평가 버전이나 조건이 다르면 점수 차이가 모델의 순수한 우위를 뜻하지 않을 수 있습니다. 표준 시험에 맞춰 성능을 끌어올리는 벤치맥싱 가능성도 배제하기 어렵습니다. 점수표가 실제 복잡한 업무에서의 성공률을 그대로 보장하지는 않습니다.

그렇다고 유출 내용을 무시할 이유도 없습니다. 기사에 나온 200만 토큰 문맥 창과 낮은 API 가격이 사실이라면, 대규모 코드베이스나 긴 문서를 다루는 개발자는 비용과 입력 한도 면에서 상당한 이점을 얻을 수 있습니다. 다만 긴 문맥을 제공한다는 것과 그 안의 정보를 정확히 찾아 활용한다는 것은 별개의 문제입니다. 실제 선택에서는 응답 속도, 오류율, 도구 사용의 안정성, 가격까지 함께 확인해야 합니다.

제 판단으로는 이번 소식의 핵심은 특정 점수의 승패보다 Google이 성능·문맥 길이·가격을 한꺼번에 개선했을 가능성입니다. 공식 출시에서 같은 조건의 독립 평가가 재현된다면 경쟁사들은 가격을 낮추거나 에이전트 성능을 강화하라는 압박을 받을 수 있습니다. 반대로 점수가 재현되지 않거나 초기 사용자 경험과 공개 제품 사이에 차이가 크다면, 기대가 빠르게 실망으로 바뀔 수도 있습니다.

그러니 지금은 승자 선언보다 검증을 기다리는 편이 합리적입니다. Google이 모델 사양과 평가 조건을 투명하게 공개하고 실제 사용에서도 성능을 입증한다면 그때야 업계의 판도가 바뀌었다고 말할 수 있습니다. 현재 확인된 것은 유출표가 큰 기대를 만들었다는 사실이지, Google이 이미 선두를 되찾았다는 결론은 아닙니다.