마법의 듀얼: LLM 게임 플레이 성능을 테스트하다
복잡한 카드 게임인 '매직 더 개더링'을 활용해 다양한 최신 LLM들의 게임 플레이 및 논리적 추론 능력을 평가하는 'MTG Bench'가 공개되었습니다. 개발자는 규칙 강제 엔진 없이 MCP(Model Context Protocol) 서버를 연동하여, 에이전트 루프에서 발생하는 API 토큰 비용을 획기적으로 절감하는 효율적인 테스트 방식을 제안했습니다.
MTG Bench: LLM이 매직 더 개더링을 얼마나 잘 플레이할 수 있는지 테스트하기 2026년 6월 11일
전체 점수 (점수가 높을수록 좋음) 95.4 gpt-5.5 medium 90.3 claude-fable-5 medium 88.6 gpt-5.4 medium 85.7 gemini-3.5- flash medium 85 claude-fable-5 low 84.5 gpt-5.5 low 79.6 gemini-3.1-pro- preview medium 68.2 gpt-5.4-nano medium 60.9 qwen3.7-max medium 60.1 gpt-5.4-mini medium 59.7 grok-4.3 medium 43 kimi-k2.6 medium 39.8 claude-opus-4-8 medium 26.6 claude-opus-4-8 low 12.8 deepseek-v4-pro high
비용 대비 점수
- gpt-5.4-nano (medium): 점수 68.2, 비용 $0.01
- gpt-5.4-mini (medium): 점수 60.1, 비용 $0.03
- gpt-5.4 (medium): 점수 88.6, 비용 $0.06
- gpt-5.5 (low): 점수 84.5, 비용 $0.06
- gpt-5.5 (medium): 점수 95.4, 비용 $0.10
- claude-opus-4-8 (low): 점수 26.6, 비용 $0.18
- claude-opus-4-8 (medium): 점수 39.8, 비용 $0.19
- gemini-3.1-pro-preview (medium): 점수 79.6, 비용 $0.08
- gemini-3.5-flash (medium): 점수 85.7, 비용 $0.09
- grok-4.3 (medium): 점수 59.7, 비용 $0.02
- deepseek-v4-pro (high): 점수 12.8, 비용 $0.01
- kimi-k2.6 (medium): 점수 43, 비용 $0.03
- qwen3.7-max (medium): 점수 60.9, 비용 $0.07
- claude-fable-5 (low): 점수 85, 비용 $0.24
- claude-fable-5 (medium): 점수 90.3, 비용 $0.30
(그래프 축: 0~100 점수 / $0.00 ~ $0.30 턴 당 시도 비용)
결과 각 벤치마크의 시뮬레이션을 보려면 위 차트를 클릭하세요.
성공 사례:
- Fable 5: 점술(Scry) 랜드를 플레이하고 덱 맨 위의 카드를 확인합니다.
- Gemini 3.5 flash: 점술(Scry), 발견(Discover), 그리고 수색(Tutor) 효과를 사용하는 복잡한 턴을 수행합니다.
실패 사례:
- Opus 4.8: 카드를 덱으로 잘못 반환한 후, 스스로 실수했다고 보고합니다.
- Gpt 5.5: 발견(Discover) 능력으로 추방된(Exiled) 카드를 덱으로 반환하는 것을 잊어버리고, 스스로 실수했다고 보고합니다.
- Fabel 5: 도구 사용 실수를 한 뒤, 조용히 턴을 다시 시작하려고 시도합니다. (이는 평가 과정에서 적발됨)
벤치마크 작동 방식 핵심 아이디어는 LLM이 매직 더 개더링을 잘할 만큼 똑똑하다면, 규칙 엔진의 도움을 받지 않아도 될 만큼 똑똑해야 한다는 것입니다. 합법적인 행동만 하도록 강제하는 규칙 엔진은 최소한의 성능 바닥을 높여주겠지만, 시뮬레이션의 전반적인 품질을 개선하지는 못할 것이라고 생각합니다.
각 LLM 호출은 기본적인 라이브러리 조작 기능이 포함된 MCP 서버에 접근할 수 있습니다. 예를 들어, 덱 맨 위에서 카드를 뽑거나, 카드를 덱 맨 아래로 되돌리거나, 덱을 섞는 등의 행동이 가능합니다. 점술(Scry)이나 감시(Surveil) 같은 좀 더 고급 작업을 시뮬레이션하기 위해 여러 번의 라이브러리 도구 호출을 사용할 수 있습니다. 라이브러리를 제외한 모든 작업은 LLM이 직접 관할합니다.
벤치마크의 합법성 검사와 점수 채점은 모두 gpt-5.5 (medium)을 통해 이루어졌습니다. 제 테스트 결과, LLM들은 실제로 합법적인 턴을 수행하는 것보다 시뮬레이션된 턴이 합법적인지 평가하는 데 훨씬 능숙했습니다.
MCP 서버를 사용하는 이유 저는 모든 데이터와 LLM API 호출에 대한 완전한 통제권을 가지고 있습니다. 그렇다면 기본적인 함수/도구 호출 대신 왜 MCP를 사용할까요? 주된 이유는 OpenAI와 Anthropic이 API 요청에 원격 MCP 서버 URL을 제공하는 것을 허용하기 때문입니다. 즉, OpenAI나 Anthropic이 에이전트 루프를 직접 처리해 줍니다. 이는 두 가지 큰 이점이 있습니다. 첫째, 한 번의 API 호출로 이루어지기 때문에 도구를 사용할 때마다 발생하는 캐시된 입력 토큰 비용을 지불하지 않아도 됩니다. (적어도 OpenAI의 경우에는 그렇습니다. 이에 대해서는 아래에서 자세히 설명하겠습니다.) 둘째, 도구를 호출할 때마다 새로운 배치를 제출할 필요 없이 배치 API를 사용하여 50%의 비용을 절약할 수 있습니다.
입력 토큰 캐싱 제 생각에 캐시된 입력 토큰이 청구되는 방식은 에이전트 루프에는 맞지 않습니다. 이 가격 책정은 독립적인 요청에 대해서만 타당합니다. 여러 개의 독립적인 API 호출이 동일하고 큰 시스템 프롬프트로 시작된다면, 입력 캐싱을 통해 무료나 적은 캐싱 수수료로 할인을 받을 수 있습니다. 하지만 에이전트 루프에서는 도구를 호출할 때마다 큰 시스템 프롬프트에 대한 캐시된 입력 비용을 계속해서 청구받게 됩니다.
예를 들어보겠습니다. 시스템 프롬프트가 이미 캐시되어 있고 도구 호출로 인한 토큰 사용량은 무시할 수 있을 정도라고 가정해 봅시다. 대용량 시스템 프롬프트 = 10k 토큰 에이전트가 10개의 도구 기능을 호출합니다...