무엇이 바뀌었나
OpenAI가 9월 22일 GPT-6 제품군에 GPT-6 Sol과 GPT-6 Luna를 추가했다. 앞서 공개된 GPT-6 Astra가 최고 성능을 요구하는 어려운 작업을 겨냥했다면 Sol은 복잡한 코딩과 에이전트 업무를 위한 범용 작업 모델, Luna는 범위가 분명하고 반복되는 작업을 효율적으로 처리하는 모델이다.
OpenAI는 세 모델을 능력과 비용 사이에서 선택할 수 있는 GPT-6 제품군으로 소개한다. Sol과 Luna는 Astra와 비슷한 개발 방식을 바탕으로 하되 추론과 추론 인프라의 효율을 높여 더 낮은 비용으로 제공한다는 설명이다.
GPT-6 Sol: 코딩과 에이전트 작업의 균형점
Sol은 복잡한 코딩과 여러 도구를 연결하는 에이전트 워크플로를 위한 모델이다. OpenAI는 GPT-5.6 Sol보다 코딩 성능과 사실성이 개선됐고 내부 사실성 평가에서는 실수가 절반가량 줄었다고 발표했다.
업무 자동화와 코드 엔지니어링처럼 판단이 필요한 일을 맡기면서도 Astra보다 낮은 API 단가를 원할 때 Sol이 적합하다. OpenAI가 공개한 평가에서는 높은 추론 설정의 Sol이 일부 업무 자동화 및 코딩 시험에서 높은 성능을 더 낮은 작업당 비용으로 냈다. 벤치마크는 특정 조건에서 수행된 결과이므로 실제 저장소와 도구를 연결해 성능을 확인할 필요가 있다.
잘 맞는 작업: 일상적인 개발, 여러 파일의 수정, 코드 리뷰, 자료 조사, 업무 도구를 오가는 일반적인 에이전트 작업.
GPT-6 Luna: 범위가 명확한 대량 작업용
Luna는 세 모델 가운데 가장 비용 효율적인 선택지다. 한 가지 작업을 반복하거나 요청량이 많을 때 비용 부담을 낮추도록 설계됐다. 간단한 문제 해결부터 높은 추론 강도를 요구하는 작업까지 설정을 조절할 수 있지만 제품 문서는 특히 범위가 정해진 일과 자주 실행되는 자동화를 주요 용도로 제시한다.
잘 맞는 작업: 데이터 추출, 티켓 분류, 짧은 요약, 간단한 문서 변경, 반복 실행되는 정형 워크플로.
GPT-6 Astra: 가장 어려운 일을 맡기는 모델
Astra는 GPT-6 제품군에서 가장 강력한 모델로 복잡한 추론과 코딩, 브라우저·컴퓨터 사용, 연구와 전문 업무를 여러 단계에 걸쳐 수행하도록 설계됐다. OpenAI는 Astra를 가장 어려운 종단 간 작업에 사용하는 모델로 안내한다. GPT-6 Astra 소개에서 공개한 평가에서도 컴퓨터 사용과 전문 업무, 과학·코딩 분야의 성능을 강조했다.
잘 맞는 작업: 모호한 요구를 해석해야 하는 분석, 여러 도구를 오가는 장시간 작업, 결과의 정확도와 완성도가 특히 중요한 프로젝트.
가격과 사양 비교
| 모델 | 주된 역할 | API 입력 / 출력 가격¹ (100만 토큰당) | 추천 작업 |
|---|---|---|---|
| GPT-6 Astra | 가장 높은 성능 | $10 / $50 | 복잡한 분석, 중요한 장기 작업 |
| GPT-6 Sol | 성능과 비용의 균형 | $2 / $10 | 코딩, 조사, 판단이 필요한 일반 업무 |
| GPT-6 Luna | 저비용·고빈도 처리 | $0.10 / $0.50 | 분류, 추출, 요약 등 반복 작업 |
¹ 표준 API 기준으로 입력 토큰 27만 2천 개 이하 요청의 가격이다. 긴 입력, 캐시, Batch·Flex 처리와 Fast mode에는 별도 요금이 적용된다. OpenAI API 가격표
같은 토큰 수를 쓴다고 보면 Sol의 입력·출력 단가는 Astra의 5분의 1, Luna는 100분의 1이다. OpenAI는 Sol과 Luna의 가격을 이전 GPT-5.6 Sol·Luna의 프로모션 가격보다 50% 낮췄다고 밝혔다. 다만 모델이 한 번에 일을 마치는지 도구를 몇 번 호출하는지에 따라 작업당 비용은 토큰 단가와 다르게 나타날 수 있다.
세 모델은 API 문서상 모두 105만 토큰 컨텍스트 창과 최대 12만8000 토큰 출력을 제공한다. 모델 선택 가이드는 Luna를 범위가 분명한 작업과 분류·추출에 Sol을 코딩과 판단이 필요한 일상 업무에 Astra를 모호하고 까다로운 결과물에 권한다. OpenAI 모델 선택 가이드
사용자·개발자·기업에 미치는 영향
개인과 팀은 모든 요청을 가장 비싼 모델에 보내지 않고 일의 난도에 따라 분배할 수 있다. 반복 분류와 데이터 정리는 Luna로, 코드 변경이나 조사처럼 판단이 필요한 작업은 Sol로 처리하고 실패 비용이 큰 복합 프로젝트에 Astra를 쓰는 방식이다.
개발자에게는 모델 간 작업 분배와 캐싱이 중요해진다. OpenAI는 GPT-6 제품군의 프롬프트 캐싱 개선과 추론 강도·도구 구성을 바꾸면서 기존 문맥의 캐시를 유지하는 기능을 소개했다. 반복되는 프롬프트와 긴 대화를 운영한다면 캐시 적중률과 도구 호출 비용까지 측정해야 실제 절감 효과를 알 수 있다.
한계와 주의할 점
모델의 강점 설명과 벤치마크는 OpenAI가 공개한 평가 결과를 포함한다. 작업 환경과 프롬프트, 연결된 도구가 다르면 실제 출력도 달라질 수 있다. 비용이 낮은 Luna가 어떤 상황에서도 Sol이나 Astra를 대신할 수 있다는 뜻은 아니다.
대량 처리에서는 적은 비율의 오류도 누적되면 큰 문제가 될 수 있다. 결과를 샘플링해 검토하고 불확실하거나 영향이 큰 작업은 상위 모델이나 사람에게 넘기는 기준을 정하는 편이 좋다. 가격표를 볼 때도 긴 입력의 추가 요금과 캐시, 서비스별 사용 제한을 함께 확인해야 한다.
이용 방법과 공개 범위
API 모델 ID는 각각 gpt-6-astra, gpt-6-sol, gpt-6-luna다. OpenAI의 9월 22일 발표에 따르면 Sol과 Luna는 ChatGPT Work와 Codex의 Plus·Pro·Business·Enterprise·Edu 사용자에게 순차 제공되며 Free와 Go 사용자는 데스크톱 앱에서 Luna를 이용할 수 있다. 발표 당시에는 일반 ChatGPT 채팅에는 아직 제공되지 않는다고 안내했다. 실제 모델 선택지는 제품과 계정별로 달라질 수 있다.
앞으로의 관전 포인트
첫째는 더 낮은 토큰 가격이 실제 자동화 비용을 얼마나 줄이는지다. 고정된 시험보다 같은 업무 흐름을 여러 모델로 돌려 완료율과 재시도, 도구 호출, 검수 시간을 비교해야 한다. 둘째는 저비용 모델에 업무를 나눠 맡기는 구조가 정확도와 속도의 균형을 얼마나 잘 맞추는지다.
Sol과 Luna가 널리 쓰이면 모델 선택은 하나의 기본값을 고르는 일에서 작업별 라우팅을 설계하는 일로 바뀔 수 있다. 이에 따라 실패 감지와 상위 모델로의 에스컬레이션, 사람 검토 기준도 제품 설계의 일부가 될 전망이다.
자주 묻는 질문
GPT-6 Sol과 Luna는 언제 공개됐나요?
OpenAI는 2026년 9월 22일 두 모델을 발표했다. Astra를 포함한 GPT-6 제품군에서 성능과 비용 수준이 다른 선택지를 추가했다.
Sol과 Astra 중 무엇을 선택해야 하나요?
코딩과 일반 업무를 폭넓게 처리하면서 비용도 고려한다면 Sol부터 검토할 수 있다. 가장 까다로운 분석이나 실패 비용이 높은 작업, 많은 도구를 오가는 장기 업무에는 Astra가 적합하다.
Luna는 단순한 작업만 할 수 있나요?
Luna는 저비용·고빈도 작업에 초점을 둔 모델이지만 추론 강도를 높일 수도 있다. 다만 복잡한 코딩과 장시간 에이전트 작업에서는 대표 업무를 직접 비교해 적합성을 확인해야 한다.
GPT-6 API 가격은 얼마인가요?
표준 가격은 Astra 입력·출력이 100만 토큰당 10달러·50달러, Sol은 2달러·10달러, Luna는 0.10달러·0.50달러다. 입력 길이와 처리 방식에 따라 요금이 달라질 수 있다.
세 모델의 컨텍스트 창은 다른가요?
현재 API 모델 문서상 세 모델 모두 컨텍스트 창은 105만 토큰, 최대 출력은 12만8000토큰이다. 실제 입력 가능량과 비용은 모델 설정 및 가격 조건에 따라 확인해야 한다.
한눈에 정리
GPT-6 Sol은 코딩과 판단이 필요한 업무의 균형형, Luna는 반복 작업을 위한 저비용 모델, Astra는 가장 어려운 종단 간 작업을 위한 최상위 모델이다. OpenAI는 Sol과 Luna의 성능을 끌어올리는 한편 API 가격을 이전 세대 대비 낮췄다.
선택 기준은 간단하다. 업무가 모호하고 결과 품질이 최우선이면 Astra, 개발과 일반 업무를 두루 맡길 기본 모델이 필요하면 Sol, 입력과 출력이 명확하고 호출량이 많으면 Luna를 시험한다. 실제 업무 데이터로 작업당 비용과 오류율을 비교해 배분 기준을 정하는 것이 가장 확실하다.