2026년 9월 28일 확인 · 오늘의 AI 생활실험실
OpenAI가 9월 22일 GPT-6 Sol과 GPT-6 Luna를 API에 공개했습니다. 둘 다 텍스트와 이미지를 입력받아 텍스트를 생성하고, Responses API와 Chat Completions에서 사용할 수 있습니다. 이름만 보면 Astra의 작은 버전처럼 보이지만 실제 선택 기준은 훨씬 구체적입니다. Sol은 복잡한 코딩과 에이전트 업무의 균형형, Luna는 반복량이 많은 정형 업무의 비용형에 가깝습니다.
가장 눈에 띄는 변화는 가격입니다. Sol의 표준 단가는 입력 100만 토큰당 2달러, 출력 10달러이고 Luna는 입력 0.10달러, 출력 0.50달러입니다. 다만 27만 2천 토큰을 넘는 긴 입력, 캐시 쓰기, Fast 처리, 지역 처리를 사용하면 단가가 달라집니다. 단순히 기본 가격표만 보고 월 예산을 계산하면 실제 청구액과 차이가 날 수 있습니다.
이 글은 유료 API를 직접 실행한 체험기가 아닙니다. OpenAI의 공식 출시 글, 모델 문서, 가격표, 시스템 카드와 공개 평가 설명을 교차 확인해 정리했습니다. 성능 수치는 제공사 측정값과 외부 평가 주체가 운영한 시험을 구분해 해석하며, 공개되지 않은 반복 횟수나 분산은 추정하지 않습니다. 본문 사진 3장은 가상의 한국인 성인을 표현한 AI 생성 실사 이미지이며 실제 직원이나 직접 성능 테스트 장면이 아닙니다.
1. GPT-6 Sol과 Luna, 무엇이 다른가
OpenAI API 변경 기록은 모델 ID를 각각 gpt-6-sol, gpt-6-luna로 안내합니다. 두 모델 모두 105만 토큰 문맥 창과 최대 12만 8천 출력 토큰을 지원합니다. Sol의 지식 기준일은 2026년 4월 20일, Luna는 2026년 5월 18일입니다. 최신 사건을 자동으로 안다는 뜻은 아니므로 현재 정보가 필요한 작업에는 웹 검색이나 자체 검색 계층을 연결해야 합니다.
| 항목 | GPT-6 Sol | GPT-6 Luna |
|---|---|---|
| 권장 용도 | 복잡한 코딩, 판단이 필요한 에이전트 업무 | 범위가 명확한 대량·반복 업무 |
| 모델 ID | gpt-6-sol |
gpt-6-luna |
| 문맥 창 | 1,050,000토큰 | 1,050,000토큰 |
| 최대 출력 | 128,000토큰 | 128,000토큰 |
| 추론 강도 | none·low·medium·high·xhigh·max | none·low·medium·high·xhigh·max |
| 지식 기준일 | 2026-04-20 | 2026-05-18 |
| 입력/출력 | 텍스트·이미지 입력, 텍스트 출력 | 텍스트·이미지 입력, 텍스트 출력 |
기본 추론 강도는 두 모델 모두 medium입니다. Responses API에서는 웹 검색, 파일 검색, 코드 인터프리터, 호스티드 셸, 컴퓨터 사용, MCP 같은 도구를 지원합니다. Chat Completions의 함수 호출은 reasoning_effort를 none으로 둔 경우에만 지원된다는 모델 문서의 제한도 확인해야 합니다. 기존 코드를 모델 이름만 바꾸는 방식으로 이전하면 이 차이에서 오류가 날 수 있습니다.
2. 가격 비교: Astra보다 얼마나 저렴한가
공식 API 가격표의 표준 처리·짧은 문맥 기준으로 Sol은 Astra의 5분의 1, Luna는 Astra의 100분의 1 수준의 입력·출력 단가입니다. 캐시 읽기는 일반 입력의 10%, 캐시 쓰기는 일반 입력의 125%입니다. 이전 GPT-5.6 계열과 비교하면 OpenAI는 Sol과 Luna의 가격이 각각 약 50% 내려갔다고 설명합니다.
| 모델 | 입력 | 캐시 입력 | 캐시 쓰기 | 출력 |
|---|---|---|---|---|
| GPT-6 Astra | $10.00 | $1.00 | $12.50 | $50.00 |
| GPT-6 Sol | $2.00 | $0.20 | $2.50 | $10.00 |
| GPT-6 Luna | $0.10 | $0.01 | $0.125 | $0.50 |
표의 금액은 100만 토큰당 미국 달러이며 표준 처리의 짧은 문맥 구간입니다. 예를 들어 입력 10만 토큰과 출력 1만 토큰을 한 번 사용하면 단순 계산상 Sol은 약 0.30달러, Luna는 약 0.015달러입니다. 같은 요청을 Astra로 처리하면 약 1.50달러입니다. 환율, 도구 호출비, 재시도, 이미지 입력 토큰, 캐시 쓰기 비용은 별도로 더해야 합니다.
3. 27만 2천 토큰을 넘으면 요청 전체가 비싸진다
두 모델은 입력이 272,000토큰을 넘으면 긴 문맥 요금을 적용합니다. 초과분만 비싸지는 방식이 아니라 요청 전체의 입력과 캐시 관련 단가가 2배, 출력 단가가 1.5배가 됩니다. Sol은 입력 4달러·캐시 입력 0.40달러·캐시 쓰기 5달러·출력 15달러, Luna는 입력 0.20달러·캐시 입력 0.02달러·캐시 쓰기 0.25달러·출력 0.75달러입니다.
회의록, 이전 대화, 도구 결과, 원문 문서를 습관적으로 모두 붙이면 이 경계를 쉽게 넘습니다. 긴 문맥이 성공률을 올리지 못한다면 검색으로 필요한 구간만 가져오고 오래된 도구 출력을 압축하는 편이 경제적입니다. EU 데이터 레지던시는 표준 처리에서만 가능하며, 지원되는 지역 처리는 10% 할증됩니다. Batch와 Flex는 표준 단가의 50%, Fast는 해당 단가의 2배라는 점도 처리 방식 선택에 반영해야 합니다.
4. 실제 성능: 공식 수치를 어떻게 읽어야 하나
공식 출시 발표는 전문 업무, 코딩, 컴퓨터 사용 평가를 공개했습니다. AutomationBench 1.0.6은 47개 도구를 사용해 영업·마케팅·운영·지원·재무·인사 업무를 끝까지 수행하는 시험입니다. GPT-6 Sol xhigh는 33.2%, 작업당 비용 0.27달러로 보고됐습니다. 같은 표에서 Astra low는 30.3%이지만 비용은 Sol의 3.9배, Claude Opus 5 max는 26.9%이지만 비용은 11.1배였습니다.
| 평가 | 모델·설정 | 공개 결과 | 해석 시 주의 |
|---|---|---|---|
| AutomationBench 1.0.6 | GPT-6 Sol xhigh | 33.2%, $0.27/작업 | OpenAI가 정리한 평가, 도구 47개 사용 |
| Agents’ Last Exam V1 | GPT-6 Sol max | 56.4% | 55개 하위 산업의 장기 전문 업무 |
| DeepSWE v1.1 | GPT-6 Sol max | 68.8% | Fable 5 xhigh 69.9%보다 1.1%p 낮음 |
| DeepSWE v1.1 | GPT-6 Luna max | 66.6% | 저비용이지만 max 추론 조건 |
| OSWorld 2.0 offline | GPT-6 Sol xhigh | 60.5% | 2026-08-08 오프라인 세트의 부분 보상 |
이 수치들은 출시사가 선택하고 정리한 결과이므로 제공사 측정값으로 봐야 합니다. AutomationBench, Agents’ Last Exam, DeepSWE, OSWorld는 외부 평가 프로젝트이지만 어떤 추론 설정·도구 버전·시간 제한을 적용했는지에 따라 결과가 달라질 수 있습니다. OpenAI는 경쟁 모델 수치 일부를 공개 보고서에서 가져왔다고 밝히며, 실제 ChatGPT와 연구 환경은 시스템 프롬프트와 도구가 달라 결과가 다를 수 있다고 설명합니다.
반복 횟수, 실행별 편차, 한국어 과제 성능은 출시 글의 요약표만으로 충분히 확인되지 않습니다. 따라서 68.8%와 66.6%의 차이를 모든 코딩 업무의 우열로 일반화하면 안 됩니다. 특히 Luna의 최대 추론은 값싼 토큰 단가와 별개로 출력 토큰과 시간이 늘 수 있으므로 작업당 비용을 함께 기록해야 합니다.
5. 코딩과 에이전트 업무에는 Sol이 먼저다
요구사항이 자주 바뀌고 여러 파일을 수정하며 테스트까지 통과해야 하는 업무라면 Sol을 우선 후보로 두는 편이 합리적입니다. GPT-6 Sol 모델 문서는 복잡한 코딩과 에이전트 워크플로를 대표 용도로 제시합니다. 다만 공식 점수가 높더라도 저장소 규칙을 어기거나 불필요한 파일을 수정하면 실제 업무에서는 실패입니다.
- 최근 실제 이슈와 풀리퀘스트에서 재현 가능한 과제 20개를 고릅니다.
- 모델별로 같은 저장소 상태, 같은 도구 권한, 같은 시간 제한을 적용합니다.
- low·medium·high를 먼저 비교하고 xhigh·max는 어려운 과제에만 제한합니다.
- 테스트 통과뿐 아니라 변경 범위, 코드 스타일, 리뷰 수정 횟수를 기록합니다.
- 성공한 작업 1건당 총 토큰과 도구 비용을 계산합니다.
처음부터 전 요청을 max로 돌리면 품질 차이보다 비용과 대기 시간이 먼저 커질 수 있습니다. 기본 medium으로 시작해 실패가 반복되는 과제만 단계적으로 올리는 라우팅이 실무적입니다. Astra는 모호한 고난도 문제와 긴 자율 작업에 남겨 두고, Sol을 기본 작업 모델로 두는 2단 구조도 검토할 만합니다.
6. 분류·추출·요약은 Luna로 비용을 낮춘다
GPT-6 Luna 모델 문서는 범위가 분명하고 대량인 업무를 권장합니다. 고객 문의 라우팅, 문서 메타데이터 추출, 정형 요약, 간단한 품질 검사, 후보 목록 생성처럼 출력 형식이 명확한 작업이 대표적입니다. 구조화 출력과 함수 호출을 사용하면 후처리 오류를 줄일 수 있습니다.
| 업무 | 권장 시작점 | 승격 조건 |
|---|---|---|
| 문의 분류 | Luna none/low | 모호한 다중 의도면 medium 또는 Sol |
| 문서 필드 추출 | Luna low | 표·이미지 혼합 실패가 반복되면 Sol |
| 긴 보고서 요약 | Luna medium | 근거 연결·상충 분석이 필요하면 Sol |
| 코드 수정 | Sol medium | 장기 자율 작업은 high 이상 또는 Astra |
| 브라우저 업무 | Sol high | 실패 비용이 크면 Astra와 사람 검토 |
Luna가 싸다는 이유로 모든 요청을 몰아넣으면 재시도와 사람 검토가 늘어 총비용이 오를 수 있습니다. 반대로 간단한 추출까지 Sol이나 Astra로 처리하면 품질 차이가 거의 없는 구간에 비용을 쓰게 됩니다. 업무별 합격 기준을 먼저 정하고 실패한 경우에만 상위 모델로 승격하는 방식이 가장 관리하기 쉽습니다.
7. 캐시가 실제 비용을 좌우한다
GPT-6 계열의 캐시 읽기는 일반 입력의 10% 가격입니다. OpenAI는 고정 프롬프트 앞부분을 재사용하기 쉽게 캐시 동작을 개선했고, 추론 강도와 사용 가능한 도구를 바꿔도 앞선 문맥 캐시를 보존할 수 있다고 설명합니다. 명시적 캐시 중단점을 사용하면 어느 접두사까지 재사용할지 조정할 수도 있습니다.
운영에서는 긴 시스템 지침, 도구 정의, 회사 정책, 공통 문서를 앞에 두고 매 요청마다 바뀌는 사용자 입력을 뒤에 둡니다. 캐시 쓰기는 일반 입력의 1.25배이므로 대화 한 번으로 끝나는 프롬프트에는 이득이 작을 수 있습니다. 반복 횟수와 캐시 적중률을 함께 보면서 손익분기점을 계산해야 합니다. 개인 식별 정보나 비밀키를 캐시 키에 넣어서는 안 됩니다.
8. 이전할 때 생기는 대표적인 실패
| 실패 상황 | 원인 | 예방 방법 |
|---|---|---|
| 함수 호출이 작동하지 않음 | Chat Completions에서 추론 강도를 none 이외로 사용 | Responses API로 이전하거나 none 조건 확인 |
| 예산이 갑자기 증가 | 272K 입력 경계를 넘겨 전체 요청에 긴 문맥 단가 적용 | 요청별 입력 토큰 알림과 문맥 압축 적용 |
| Luna 재시도가 많음 | 모호한 판단 업무까지 저비용 모델에 배정 | 실패 조건을 정의해 Sol로 자동 승격 |
| 캐시 적중률이 낮음 | 공통 접두사의 순서와 내용이 매번 변함 | 고정 지침을 앞에 두고 변동 입력을 뒤에 배치 |
| 공식 점수와 현업 결과가 다름 | 도구·언어·시간 제한·채점 기준 차이 | 자사 과제와 동일 조건으로 반복 평가 |
또 하나의 함정은 Fast 처리입니다. 더 빠른 응답이 필요하더라도 토큰 단가가 2배이므로 전체 업무에 켜기보다 사용자 대기 시간이 중요한 요청에만 적용하는 편이 좋습니다. 지역 처리는 규정 준수에 필요한 경우가 있지만 10% 할증과 지원 조건을 확인해야 합니다. 비용 최적화는 모델 하나를 고르는 문제가 아니라 모델·추론 강도·처리 등급·캐시를 함께 설계하는 문제입니다.
9. 직접 재현하는 성능·비용 테스트
현재 이 글에는 실제 API 키로 수행한 직접 테스트가 없습니다. 독자가 자기 환경에서 재현할 수 있도록 평가 절차를 제시합니다. 과제는 최소 20개, 각 조건은 최소 3회 반복하고 모델 이름을 가린 뒤 결과를 채점하는 것을 권합니다.
- 업무별 정답 또는 합격 기준을 문서화합니다. 주관 평가라면 두 명 이상이 독립 채점합니다.
- Sol과 Luna에 같은 입력, 같은 도구, 같은 제한 시간을 적용합니다.
- 첫 응답 시간, 전체 완료 시간, 입력·캐시·추론·출력 토큰을 분리해 기록합니다.
- 도구 호출 성공률, 재시도 횟수, 사람 수정 시간을 측정합니다.
- 평균만 보지 말고 중앙값과 상위 95% 지연, 실행별 편차를 함께 봅니다.
- 마지막에 총비용을 합격한 작업 수로 나눠 ‘성공 1건당 비용’을 계산합니다.
예를 들어 Luna가 요청당 20배 저렴해도 성공률이 낮아 Sol로 재시도하고 사람이 수정한다면 작업당 비용 차이는 크게 줄어듭니다. 반대로 명확한 분류 업무에서 Luna가 같은 합격률을 유지한다면 대량 처리 비용을 크게 낮출 수 있습니다. 공식 벤치마크는 후보를 고르는 신호이고 최종 결정은 자사 업무의 반복 측정값이어야 합니다.
10. 도입 전 체크리스트
- 모델 ID를 별칭이 아닌
gpt-6-sol또는gpt-6-luna로 기록했다. - Responses API와 Chat Completions의 함수 호출 조건 차이를 확인했다.
- 272,000토큰 긴 문맥 경계와 전체 요청 할증을 예산에 반영했다.
- 캐시 읽기와 캐시 쓰기를 따로 집계한다.
- Batch·Flex·Fast·지역 처리의 배수를 구분했다.
- 업무별로 Luna에서 Sol, Sol에서 Astra로 승격하는 기준이 있다.
- 직접 테스트라고 쓸 수 있는 재현 로그와 설정을 보관한다.
- 법률·의료·재무·인사처럼 영향이 큰 결과에는 사람 승인을 둔다.
- 공식 점수를 독립 검증 결과처럼 표현하지 않는다.
- 기존 모델로 즉시 돌아갈 수 있는 모델 라우팅 스위치를 준비했다.
11. 자주 묻는 질문
GPT-6 Sol과 Luna 중 무엇부터 써야 하나요?
복잡한 코딩, 여러 도구를 거치는 판단 업무라면 Sol부터 시작하세요. 분류·추출·정형 요약처럼 범위가 명확하고 호출량이 많다면 Luna부터 시험하는 편이 좋습니다.
GPT-6 Astra를 완전히 대체하나요?
아닙니다. OpenAI도 Astra를 최고 성능 모델로 안내합니다. 모호한 고난도 문제와 긴 자율 작업은 Astra가 후보이고, 비용과 처리량을 함께 봐야 하는 일상 업무는 Sol·Luna가 후보입니다.
문맥 창이 105만 토큰이면 항상 많이 넣어도 되나요?
아닙니다. 272,000토큰을 넘으면 요청 전체에 긴 문맥 단가가 적용됩니다. 긴 입력이 실제 성공률을 높이는지 먼저 측정하고 검색·압축을 사용하세요.
표의 성능 수치는 독립 평가인가요?
시험 자체는 외부 프로젝트가 포함되어 있지만 이 글에 인용한 비교표는 OpenAI 출시 발표가 선택해 정리한 제공사 공개값입니다. 독립 반복 검증과 동일하게 보지 않습니다.
한국어 성능도 공식 점수로 확인할 수 있나요?
출시 글의 주요 표만으로는 한국어 업무의 반복 성능을 판단하기 어렵습니다. 실제 한국어 문의·문서·코드 리뷰 과제를 같은 조건으로 세 번 이상 비교하는 것이 안전합니다.
12. 결론: 모델 이름보다 라우팅 기준이 중요하다
GPT-6 Sol과 Luna의 핵심은 Astra급 기능을 모든 요청에 쓰는 대신 작업 난이도와 비용에 맞춰 나눌 수 있게 됐다는 점입니다. Sol은 복잡한 실무의 기본 모델, Luna는 명확한 대량 업무의 비용 모델로 출발점이 다릅니다. 기본 단가만 보면 Luna가 압도적으로 저렴하지만 재시도와 사람 수정까지 포함한 작업당 비용을 계산해야 진짜 차이가 보입니다.
가장 현실적인 도입 순서는 Luna low 또는 medium에서 시작해 합격 기준을 통과하지 못하면 Sol medium 또는 high로 올리고, 실패 비용이 큰 일부 업무만 Astra에 맡기는 것입니다. 여기에 캐시 적중률과 272K 경계 알림을 붙이면 비용 변동을 줄일 수 있습니다. 공식 점수는 후보를 좁히는 자료로 쓰고, 최종 선택은 같은 입력·같은 도구·같은 시간 제한으로 반복한 자사 결과에 맡기세요.
