Claude Fable 5.2 벤치마크, 65점으로 Anthropic 1위 기록

Anthropic의 Claude Fable 5.2가 Artificial Analysis의 Intelligence Index에서 65점을 기록하며 Gemini 4 Carbon과 Claude Opus 5.5를 제치고 선두에 올랐다. Claude Fable 5.2 벤치마크 결과는 Anthropic에 분명한 헤드라인 승리를 안겼다. 동시에 개발자와 기업이 실제로 어떤 추론 구성을 사용해야 하는지라는 실질적인 질문도 제기한다.

이 결과는 문제 해결에 모델이 투입하는 연산량을 조절하는 최대 추론 노력 설정에서 실행된 Fable 5.2의 성과다. Artificial Analysis는 각 모델의 선도 구성에서 Gemini 4 Carbon을 60점, Opus 5.5를 59점으로 제시한다. 이러한 순위는 벤치마크상 우위를 보여주지만, 모든 Fable 배포 환경에서 같은 우위가 나타난다는 뜻은 아니다.

Anthropic의 자체 제품 가이드는 이 구분을 유난히 중요하게 만든다. 더 높은 점수를 기록한 모델을 내놓았음에도, 이 회사는 대부분의 일상적인 코딩 및 지식 작업에는 여전히 Opus 5.5를 권장한다. 핵심적인 긴장은 측정된 최대 성능과 사용자가 실제 업무 제약 안에서 필요로 하는 성능 사이에 있다.

Claude Fable 5.2 벤치마크가 새로운 선두를 확립하다

Artificial Analysis의 최대 노력 결과는 Intelligence Index에서 Fable 5.2를 65점으로 제시한다. 모델 페이지는 평가 구성을 “Max, Default Fallback”으로 명시한다. 이 결과가 구매 또는 배포 결정에 영향을 준다면, 이 조건 역시 점수와 함께 고려해야 한다.

검증된 사실은 특정 Fable 구성의 벤치마크 선두 기록이다. 이 결과는 평가 기관의 자체 웹사이트에 게재되어 있으므로 근거 없는 출시 주장을 넘어서는 증거다. 다만 여전히 해당 평가 기관의 테스트 프레임워크 안에서 이뤄진 측정치다.

이 구분은 하나의 모델명이 여러 운영 선택지를 포괄할 수 있기 때문에 중요하다. 개발자는 추론 설정, 애플리케이션 지침, 사용 가능한 도구, 실행 한도를 조정할 수 있다. 각 선택은 어시스턴트가 작업을 수행하려는 조건을 바꾼다.

리더보드는 이러한 조건을 읽기 쉬운 비교로 압축한다. 이러한 압축 덕분에 테스트할 가치가 있는 후보를 찾는 데 유용하다. 그러나 점수가 헤드라인과 소셜 게시물을 통해 확산될 때 구성 라벨은 쉽게 간과될 수 있다.

이 기사에 제공된 원본 출처 링크는 X의 Artificial Analysis 게시물을 가리킨다. 해당 게시물은 취재 과정에서 불러올 수 없었다. 그러나 평가 기관의 접근 가능한 모델 페이지가 핵심 점수 주장을 독립적으로 뒷받침하므로, 이 기사는 해당 게시물을 재구성하는 데 의존하지 않는다.

Anthropic은 2026년 11월 9일 Fable 5.2를 발표했다. 따라서 이 벤치마크 결과는 구매자들이 출시 제품의 즉각적인 테스트 가치 여부를 판단하는 시점과 맞물린다. 초기 측정치는 조직이 모델에 관한 충분한 경험을 축적하기 전에 그러한 결정에 영향을 줄 수 있다.

이 점수는 지수 값으로 읽어야 한다. 65점은 어시스턴트가 모든 사용자의 작업 중 65%를 성공적으로 완료한다는 의미가 아니다. 또한 경쟁 모델의 지수 점수 차이가 업무 생산성에서 동일한 수준의 차이로 직접 이어지는 것도 아니다.

따라서 의미는 있으나 범위가 제한된 결론이 남는다. Artificial Analysis는 자사 평가 모음에서 새로운 선두 구성을 측정했다. 이제 조직들은 후보 모델을 재검토할 근거를 얻었지만, 측정된 우위가 자사의 업무로 이전되는지 확인할 책임은 여전히 남아 있다.

합리적인 대응은 헤드라인 뒤에 있는 세부 정보를 보존하는 것에서 시작한다. 모델 버전, 추론 설정, 벤치마크 개정판, 평가 날짜는 모두 내부 비교에 포함되어야 한다. 이 정보가 없으면 팀은 프로덕션 구성을 다른 구성의 공개 결과와 잘못 비교할 수 있다.

Gemini는 선두를 잃고, Opus는 내부 도전에 직면하다

경쟁 구도의 변화는 명확하다. Artificial Analysis의 Gemini 구성 비교는 고노력 설정에서 Gemini 4 Carbon을 60점으로 제시한다. Opus 최대 노력 결과에서는 Claude Opus 5.5가 59점이다. Fable의 공개 점수 65점은 두 구성 모두를 앞선다.

Google은 새로운 종합 벤치마크 목표에 직면했고, Anthropic은 더 복잡한 제품 선택 문제에 직면했다. 외부 경쟁은 측정된 성능에 관한 것이다. 내부 경쟁은 고객이 언제 Opus를 넘어설지에 관한 것이다.

Google이 당장 받는 압박은 증거 측면에 있다. 이 구성들을 비교하는 구매자들은 이제 Anthropic의 최신 모델이 우세하다는 독립적인 종합 결과를 확인하게 된다. Google은 더 뛰어난 측정 성능, 특정 작업에서의 장점, 또는 구매자의 운영 제약 안에서 더 나은 결과로 이 비교에 대응할 수 있다.

이러한 대응 중 어느 것도 지수가 무의미하다고 간주할 필요는 없다. 경쟁 모델이 전체 순위에서는 뒤처져도 다른 역량을 중시하는 워크로드에는 여전히 적합할 수 있다. 중요한 점은 그러한 적합성이 재현 가능한 결과로 나타나는지다.

Anthropic의 제품군 안에서는 결정이 더 미묘해진다. 기존 Opus 사용자는 이제 같은 공급업체의 더 높은 점수 옵션을 갖게 됐다. Fable을 고려하기는 쉬워졌지만, 정상적으로 작동하는 배포 환경을 자동으로 교체해야 한다는 뜻은 아니다.

모델을 바꾸면 답변 품질 이상에 영향을 미칠 수 있다. 팀은 지침, 출력 검증, 실행 한도, 검토 관행을 다시 살펴봐야 할 수 있다. 어려운 추론 능력이 개선되더라도 애플리케이션의 다른 영역에서 조정이 필요할 수 있다.

이는 Fable의 보고된 실패 사례가 아니라 구현상의 고려 사항이다. 이러한 점은 벤치마크 선두가 보편적 마이그레이션 지시가 아니라 평가 의무를 만드는 이유를 설명한다. 이미 품질 요구 사항을 충족하는 팀은 반복적으로 해결되지 않는 문제를 겪는 팀과 다른 결정을 내려야 한다.

따라서 Claude Fable 5.2와 Opus의 비교는 현재 성능의 경계에서 가장 유용하다. Opus는 어디에서 반복 시도를 요구하는가? 어떤 작업에 상당한 인적 수정이 필요한가? 어떤 실패가 유용할 수 있었던 워크플로가 완료에 이르는 것을 막는가?

이러한 질문은 추가 역량이 실질적인 가치를 지니는 지점을 찾게 해준다. 또한 모델 업그레이드가 리더보드 순위에 이끌린 과시적 구매가 되는 것을 막는다. 더 높은 성능 한계는 기존 한계가 업무를 제약할 때 가장 중요하다.

기업 구매자에게는 공급업체 선택만큼 평가 관행에도 압박이 가해진다. 조달팀은 더 나은 벤치마크 성능과 더 나은 비즈니스 결과를 구분하는 증거가 필요하다. 공급업체 발표는 선호하는 구성을 실제 검토 중인 작업과 연결해야 한다.

이번 출시는 후보 목록을 바꾼다. 하지만 승자를 선택하기 전에 성공을 정의해야 할 필요성을 없애지는 않는다.

최대 추론은 결과의 의미를 바꾼다

Artificial Analysis의 고노력 평가는 Fable 5.2에 62점을 부여한다. 이 결과는 최대 노력 점수보다 낮지만, 인용된 Gemini 및 Opus의 종합 결과는 여전히 앞선다. 이 차이는 “Fable 5.2”라는 이름만으로는 불완전한 벤치마크 설명인 이유를 보여준다.

추론 노력은 측정된 제품 행동의 일부다. 따라서 Claude Fable 5.2 벤치마크는 모델 선택뿐 아니라 구성 선택에도 반영되어야 한다. 모델에 대한 접근 권한을 구매한다고 해서 모든 애플리케이션이 가장 높은 공개 점수를 재현할 수 있는 것은 아니다.

추론 설정은 작업을 시도할 때 시스템에 서로 다른 연산 여유를 부여한다. 더 많은 여유는 추가 검증이나 더 긴 문제 해결을 지원할 수 있다. 그렇다고 모든 요청이 똑같이 이점을 얻는 것은 아니다.

어려운 회귀 문제를 조사하는 가상의 엔지니어링 팀을 생각해 보자. 더 오래 추론하고 근본 원인을 찾아내는 어시스턴트는 상당한 인적 작업을 줄일 수 있다. 대안이 장기간의 수동 조사라면 답변을 더 오래 기다리는 것이 허용될 수 있다.

이제 회의 중 일상적인 요약을 요청하는 직원을 생각해 보자. 작업의 목적이 다르기 때문에 같은 정도의 대기 허용 범위는 사라질 수 있다. 가장 유용한 구성은 그 환경에서 지연 시간이 무엇을 제공하는지에 따라 달라진다.

이 사례들은 배포 선택을 보여주는 것이며, 보고된 Fable 고객 성과는 아니다. 그 가치는 성능 결과에 워크로드가 함께 제시되어야 하는 이유를 보여주는 데 있다. 그렇지 않으면 “더 낫다”는 말은 여전히 충분히 정의되지 않는다.

운영 단위도 중요하다. 생성 토큰은 모델 출력의 작은 단위이며, 출력 속도는 그러한 단위가 얼마나 빨리 도착하는지를 설명한다. 작업 완료는 추론, 도구 상호작용, 작업 검증, 수용 가능한 결과 생성이라는 더 넓은 과정을 포함한다.

따라서 애플리케이션은 빠르게 느껴지지만 약한 답변을 낼 수도 있고, 더 오래 걸리지만 어려운 문제를 더 완전하게 해결할 수도 있다. 어느 한 관찰만으로 어떤 구성이 더 큰 가치를 제공하는지 판단할 수는 없다. 팀은 자신들이 중요하게 여기는 전체 결과를 측정해야 한다.

Claude Fable 5.2와 Opus의 결정은 두 시스템이 비교 가능한 제약 조건에 놓일 때 더 많은 정보를 제공한다. 동일한 원본 자료, 동등한 도구 접근 권한, 일관된 수용 기준을 제공해야 한다. 그런 다음 각 결과가 요구 사항을 충족하는지와 얼마나 많은 개입이 여전히 필요한지를 기록해야 한다.

이 접근 방식은 불필요한 상향 조정도 드러낸다. 부담이 덜한 구성이 작업을 안정적으로 완료한다면 최대 노력은 실질적 가치를 거의 더하지 못할 수 있다. 더 강력한 구성만 성공한다면, 추가 연산은 정당화하기 쉬워진다.

벤치마크 선두는 팀이 그러한 경계를 조사할 이유를 제공한다. 하지만 각 팀의 구체적인 경계가 어디인지는 알려주지 않는다.

Anthropic은 여전히 대부분의 일상 업무에 Opus를 권장한다

모델 출시 발표에서 Anthropic은 Fable과 Mythos를 야심차고 개방형인 기술 업무용으로 제시한다. 이 회사는 대부분의 코딩 및 지식 작업에 Opus 5.5부터 시작한 뒤, 난이도에 따라 모델을 전환할 것을 권장한다. 이 가이드는 이번 출시를 얼마나 폭넓게 해석해야 하는지를 제한한다.

Anthropic은 Fable을 범용 출발점과 함께 쓰는 상향 전환 옵션으로 제시하고 있다. 이는 최고 성능과 일상적 적합성의 구분과 일치한다. 또한 공급업체의 권고가 단순한 리더보드 우선 구매 규칙보다 더 선택적이라는 의미이기도 하다.

발표문은 소프트웨어 마이그레이션, 과학 연구, 엔지니어링 관련 작업을 설명한다. 이는 회사가 보고한 의도된 역량의 사례다. 모델을 도입하는 모든 조직에서 독립적으로 입증된 결과로 간주해서는 안 된다.

소프트웨어 마이그레이션은 의도된 워크로드를 보여주는 구체적인 사례다. 마이그레이션에는 기존 시스템을 이해하고, 파일 전반의 변경을 조율하며, 호환성을 확인하는 작업이 포함될 수 있다. 과제는 고립된 코드 한 조각을 생성하는 데 그치지 않는다.

Anthropic은 사전 출시 테스트에 어려운 마이그레이션 지원이 포함됐다고 밝혔다. 이는 회사가 모델의 유용성을 어떻게 평가했는지 보여주는 실제의 출처가 명시된 사례다. 그러나 Fable이 낯선 고객의 저장소에서 어떻게 작동할지는 입증하지 않는다.

개발팀이 확인해야 할 후속 질문은 구체적이다. 모델은 기존 어시스턴트가 완료하지 못한 변경을 완료했는가? 결과 소프트웨어는 요구되는 검사를 통과했는가? 검토자는 제안을 수정하는 데 더 적은 시간을 썼는가?

이러한 질문은 기술적 역량을 실제 업무 활용과 연결합니다. 또한 길거나 정교한 응답을 성공적인 결과와 동일시하지 않도록 합니다. 어시스턴트는 그럴듯한 마이그레이션 전략을 설명할 수 있지만, 중요한 구현 세부 사항은 여전히 미해결 상태로 남길 수 있습니다.

Anthropic은 다른 모델이 어려운 문제에서 Fable에 자문하는 어드바이저 역할도 설명합니다. 애플리케이션 관점에서 이는 일상적인 실행과 예외적인 추론을 분리합니다. 워크플로는 그 사용이 정당화되는 단계에 가장 강력한 모델을 배정할 수 있습니다.

이 아키텍처는 분명한 매력이 있지만, 또 다른 판단을 요구합니다. 언제 에스컬레이션이 필요한지 인식하는 일입니다. 모든 것을 에스컬레이션하는 애플리케이션은 일상 업무와 예외 업무의 구분을 잃습니다. 너무 드물게 에스컬레이션하는 애플리케이션은 어려운 실패를 해결하지 못한 채 남길 수 있습니다.

출시 발표는 선택적 모델 사용에 대한 공급업체 지원을 확립합니다. 특정 라우팅 전략이 효과적인지는 운영자에게 여전히 실증적 질문입니다. 팀은 각 작업을 어떤 모델에 할당할지에 관한 판단을 포함해 전체 워크플로를 평가해야 합니다.

지식 노동자에게 이러한 평가는 어시스턴트가 이용할 수 있는 자료에도 좌우됩니다. 더 나은 추론은 누락된 프로젝트 기록이나 불완전한 문서를 대체할 수 없습니다. 검색 가능한 AI 지식 베이스를 유지하면 팀이 평가에 필요한 맥락을 보존하는 데 도움이 될 수 있습니다.

그 맥락은 비교 전반에서 일관되게 유지되어야 합니다. 그렇지 않으면 새 모델에 귀속된 개선이 더 나은 입력, 더 명확한 지시 또는 더 완전한 참고 자료를 부분적으로 반영할 수 있습니다.

Intelligence Index v5는 정의된 역량 범위를 측정한다

Artificial Analysis의 벤치마크 방법론은 현재 개정판을 Intelligence Index v5.0.1로 규정합니다. 이 지수는 지식 업무, 코딩, 과학 및 일반 역량 전반의 9개 평가를 결합합니다. 각 범주는 전체 지수의 25%를 차지합니다.

이 지수는 독자의 업무량에 따라 관련성이 달라지는 구조화된 비교를 제공합니다. 종합 결과는 폭넓은 역량을 보여주는 유용한 근거입니다. 하지만 이 제품군의 모든 구성 요소나 그 밖의 모든 사용 사례에서 동일한 우위를 입증하지는 않습니다.

방법론은 일부 작업에 이미지 입력을 포함한, 주로 영어 기반의 텍스트 평가를 설명합니다. 더 폭넓은 시각 추론, 음성 입력 및 다국어 성능은 별도로 평가됩니다. 따라서 대표 점수는 명시된 이러한 범위 안에서 해석되어야 합니다.

여러 언어에 걸쳐 어시스턴트를 배포하는 기업에는 추가 근거가 필요합니다. 핵심 업무량이 오디오나 비디오를 포함하는 팀도 마찬가지입니다. 영어 중심의 종합 결과를 이러한 영역으로 확장하는 것은 지수 자체가 측정하는 범위를 넘어섭니다.

가중치 역시 또 다른 경계를 만듭니다. 동일한 범주 가중치는 모델 간 일관된 비교를 제공하지만, 조직의 업무량은 매우 다르게 분포할 수 있습니다. 연구 그룹과 지원 조직은 합리적으로 서로 다른 결과를 우선시할 수 있습니다.

이는 지수를 무효화하지 않습니다. 종합 선두 모델이 작업별 대안과 공존할 수 있는 이유를 설명합니다. 벤치마크는 정의된 질문에 답하는 반면, 배포 결정은 현지 요구 사항에 따라 형성된 관련 질문을 던집니다.

점수 차이도 신중하게 해석할 필요가 있습니다. 반올림된 지수 값은 각 기저 결과의 불확실성을 드러내지 않습니다. 구매자는 대표 숫자만으로 통계적 유의성이나 보장된 개선 수준을 추론해서는 안 됩니다.

비슷한 이유로 버전 이력도 중요합니다. 평가 제품군이 바뀌면 비교의 기반도 바뀝니다. 방법론을 확인하지 않고 이전 개정판의 과거 점수를 직접 동등한 것으로 제시해서는 안 됩니다.

게시된 페이지도 서로 다른 시점에 업데이트될 수 있습니다. 검색 결과, 개요 페이지, 구성 페이지는 서로 다른 스냅샷을 반영할 수 있습니다. 이 기사에서는 상세 Fable 페이지가 새 결과를 뒷받침하는 반면, 이전 개요 스니펫은 여전히 앞선 선도 구성을 설명합니다.

이러한 불일치는 어느 모델의 결과가 조작되었다고 단정하기보다 페이지 맥락을 확인해야 함을 보여줍니다. 동적으로 변하는 리더보드는 인용되는 모델 항목, 구성 및 개정판에 주의를 기울여야 합니다. 이러한 세부 정보가 없는 스크린샷은 보드가 바뀌면서 오해를 불러일으킬 수 있습니다.

또 다른 미해결 문제는 고객 업무로의 전이입니다. 벤치마크는 역량을 식별할 수 있지만, 조직의 권한, 문서 품질, 검토 프로세스 또는 통합 요구 사항을 측정하지는 않습니다. 이러한 조건은 올바른 모델 응답이 완료된 비즈니스 작업으로 이어지는지 결정합니다.

따라서 신중한 해석은 명확합니다. Claude Fable 5.2 벤치마크는 Artificial Analysis가 공개한 테스트에서 새로운 종합 선두 모델을 뒷받침합니다. 보편적인 생산성 향상, 자율적 신뢰성 또는 측정되지 않은 환경에서의 우월성에 관한 주장은 별도의 근거가 필요합니다.

향후 3개월 동안 이 선두가 중요해지려면 무엇이 필요할까?

다음 신호는 공개된 결과를 재현 가능한 성능 및 실질적인 도입과 연결해야 합니다. 변화하는 리더보드는 관심을 끌겠지만, 가장 유용한 근거는 모델이 왜 이기는지 설명할 것입니다. 독자는 순서대로 구성별 테스트, 경쟁사의 대응, 실제 워크플로 결과를 지켜봐야 합니다.

가장 강력한 확인은 명확히 명시된 운영 조건에서 더 많은 업무가 완료되는 것입니다. 이 기준은 벤치마크의 의미를 보존하는 동시에 더 폭넓은 결론을 위한 근거를 요구합니다. 또한 구매자가 모든 순위 변동을 따라가지 않고도 이후의 주장을 평가할 방법을 제공합니다.

첫 번째 신호는 추론 설정을 식별하고 동등한 작업을 비교하는 독립 테스트입니다. 보고서는 모델의 최대 구성과 일반 애플리케이션에서 사용되는 설정을 구분해야 합니다. 또한 이용 가능한 도구, 실행 제한 및 승인 기준을 설명해야 합니다.

어려운 업무량 전반에서 반복되는 근거는 Fable의 선두가 실질적인 폭넓은 적용성을 지닌다는 주장을 강화할 것입니다. 일관되지 않은 결과는 그 결론을 특정 작업이나 구성으로 좁힐 것입니다. 어느 결과든 원래 점수를 더 쉽게 해석하게 할 것입니다.

가장 유익한 테스트에는 실패한 시도와 필요한 수정도 포함됩니다. 잘 다듬어진 성공 사례는 가능성을 보여주지만, 대표적인 사례 집합은 신뢰성을 드러냅니다. 독자는 최초 요청과 승인된 결과 사이에 무슨 일이 있었는지 이해할 수 있을 만큼 충분한 세부 정보를 찾아야 합니다.

두 번째 신호는 경쟁 구성이 동일한 지수 개정판에서 평가될 때의 성과입니다. 새로운 Gemini 결과나 업데이트된 Opus 측정치는 종합 순위를 바꿀 수 있습니다. 또한 서로 다른 시스템이 서로 다른 구성 요소를 이끄는, 더욱 선택적인 패턴을 드러낼 수도 있습니다.

경쟁사가 격차를 좁힌다면 Fable의 대표적 우위가 지속될 가능성은 약화될 것입니다. Fable이 자리를 지킨다면 측정된 역량에 대한 근거는 강화될 것입니다. 관련 업무량의 근거가 뒷받침되지 않는 한, 어느 결과도 모든 배포 질문을 해결하지는 못합니다.

경쟁 주장은 지표를 바꿀 때 특히 주의 깊게 살펴볼 가치가 있습니다. 다른 벤치마크에 초점을 맞춘 대응은 유용할 수 있지만, 다른 질문에 답합니다. 독자는 비교가 동일한 작업, 설정 및 채점 체계를 유지하는지 확인해야 합니다.

세 번째 신호는 Fable이 워크플로에 어디에 투입되는지 설명하는 문서화된 도입입니다. 어려운 조사를 위해 Fable을 남겨 두는 팀은 기본 어시스턴트를 교체하는 팀과는 다른 근거를 제공합니다. 측정된 결과에 따라 둘 다 합리적인 선택일 수 있습니다.

유용한 도입 보고서는 업무를 수행하는 사람들에게 무엇이 바뀌었는지 설명할 것입니다. 어려운 작업이 더 자주 완료되었는가? 검토자가 수정해야 할 사항이 줄었는가? 대기 시간과 운영상 요구를 고려한 뒤에도 조직은 개선을 유지했는가?

개선이 까다로운 작업에 집중된다면 이러한 결과는 선택적 에스컬레이션의 논거를 강화할 것입니다. 일상 업무 전반의 폭넓은 개선은 더 큰 배포 역할을 뒷받침할 것입니다. 벤치마크 조건 밖에서의 제한적인 개선은 이번 출시를 더 좁게 해석해야 한다는 신호가 됩니다.

지금 출시를 평가하는 팀이라면 결정의 근거가 된 정확한 사례를 보존해야 합니다. 입력, 모델 설정, 출력 및 검토자 판단을 함께 보관하세요. 다른 출시가 리더보드를 바꾸거나 동료가 최초 선택에 의문을 제기할 때도 그 기록은 계속 유용할 것입니다.

현재 어시스턴트가 제대로 처리하지 못하는 업무부터 시작한 뒤, 팀이 실제로 지원할 수 있는 조건에서 대안을 비교하세요. 작업은 대표성을 유지하고, 추론 설정을 기록하며, 테스트 전에 정한 요구 사항에 따라 완성된 결과를 판단하세요. Claude Fable 5.2 벤치마크는 이러한 비교를 수행할 신뢰할 만한 이유를 제공합니다. 또한 결과를 해석할 때 구성 세부 사항이 필수적임을 보여줍니다. Fable이 어려운 업무를 더 안정적으로 해결한다면, 그 개선이 어디에서 에스컬레이션을 정당화하는지 파악하세요. Opus 또는 Gemini가 여전히 충분하다면 그 근거도 보존하세요. 어시스턴트가 더 깊이 추론할 수 있다면 워크플로의 어떤 작업이 실질적으로 더 유용해질 것이며, 성공적인 결과는 어떻게 알아볼 수 있을까요?