GPT-6 루나 vs 솔 vs 아스트라: 작업당 비용으로 최적 티어 선택

OpenAI는 2026년 9월 22일 GPT-6 Sol과 GPT-6 Luna를 출시하여, GPT-6 Astra와 함께 3단계 제품군을 완성했습니다. 대부분의 팀이 가장 먼저 하는 일은 가격 페이지를 열어 Luna 옆에 $0.10, Astra 옆에 $10가 표시된 것을 보고 최상위 모델의 비용이 100배 더 비싸다고 결론 내리는 것입니다.

이 숫자는 실제지만, 또한 잘못된 단위입니다. 토큰을 프로덕션으로 배포하는 것이 아닙니다. 완료된 작업(해결된 티켓, 마이그레이션된 파일, 완료된 브라우저 작업)을 배포하는 것입니다. 추론 모델은 해당 작업에 필요한 토큰 수를 스스로 결정하며, 사용자가 전달하는 노력 수준에 따라 결과가 한 자릿수 차이로 변경됩니다. 최대 노력으로 작동하는 저렴한 모델은 빠르게 응답하는 비싼 모델보다 완료된 작업당 비용이 더 많이 들 수 있습니다.

이 가이드는 GPT-5.6 Sol vs Terra vs Luna 비교 게시물의 GPT-6 후속편입니다. 해당 게시물은 토큰 백만 개당 가격으로 등급을 비교했는데, 이는 당시 세대에 적합한 단위였습니다. 이 게시물은 OpenAI가 새 모델을 정당화하기 위해 사용한 단위가 작업당 비용이었으므로, 작업당 비용을 기준으로 모델을 비교합니다.

서류상 세 가지 등급

이 표에서 두 가지가 사람들을 놀라게 합니다.

첫째, Luna는 세 모델 중 가장 큰 컨텍스트 창을 가지고 있습니다. 제품군 중 가장 저렴한 모델은 백만 토큰 전체를 처리하는 반면, Sol은 872k에서 멈춥니다. 작업 부하가 "많이 읽고, 조금 결정하는" 것이라면, 예산 등급이 제약되는 모델이 아닙니다.

둘째, Astra 행에 공백이 있습니다. Sol 및 Luna 출시 게시물에는 Astra의 컨텍스트 창이나 캐시된 읽기 속도가 다시 명시되어 있지 않으며, Astra는 다른 두 모델과 함께 게시된 인공 분석 지수 점수가 없습니다. 이는 원본 자료의 공백이며, 0을 의미하는 것은 아닙니다.

Sol과 Luna는 모두 GPT-5.6보다 50% 저렴하다고 설명되어 있으며, OpenAI 자체 표현은 비교 대상이 GPT-5.6 프로모션 가격이라는 것입니다. 이 한정사가 중요하여 우리는 별도의 분석을 제공했습니다. 당시 당사의 출시 보도에서 기록된 GPT-5.6 정가 대비, 할인 폭은 헤드라인보다 더 큽니다.

토큰당 가격이 청구서를 예측하지 못하는 이유

요금표와 청구서 사이에는 세 가지 개별 승수가 존재합니다.

추론 토큰은 출력 토큰입니다. 모델이 답변하기 전에 생각할 때, 그 생각은 출력 요율로 청구되며, 이는 세 등급 모두에서 입력 요율의 5배입니다. 8,000개의 추론 토큰 후에 200개의 토큰 답변을 반환하는 작업은 8,200개의 토큰 답변처럼 청구됩니다.

노력 수준은 플래그가 아닌 다이얼입니다. OpenAI의 벤치마크 표는 노력 설정(낮음, 중간, 높음, 매우 높음, 최대)별 결과를 보고합니다. 최대 노력과 낮은 노력으로 작동하는 동일한 모델은 예산 책정 목적상 작업당 가격이 다른 두 가지 제품입니다.

에이전트 루프는 프롬프트를 다시 보냅니다. 12단계 에이전트는 매 단계마다 시스템 프롬프트, 도구 정의 및 누적된 기록을 보냅니다. 캐싱이 이를 흡수하지 않는 한 입력량은 단계에 따라 기하급수적으로 증가하는데, 바로 이것이 GPT-6가 모델과 함께 캐싱 릴리스를 제공한 이유입니다. 캐시된 입력 읽기에 90% 할인이 적용되며, 추론 노력이나 도구 변경이 더 이상 접두사를 무효화하지 않습니다.

현실적인 에이전트 작업에 이를 적용해 봅시다. 12번의 모델 호출, 40k 토큰 프롬프트 접두사, 호출당 2k 출력 토큰. 첫 번째 호출은 전체 입력 가격을 지불하고, 나머지 11번은 캐시에서 접두사를 읽는다고 가정합니다.

헤드라인 입력 비율은 1:20:100입니다. 캐싱이 적용되면 스프레드는 대략 1:20:294로 늘어나거나 다시 1:20:100으로 압축되는데, 이는 출시 표에 나와 있지 않은 Astra의 캐시된 읽기 속도에 전적으로 달려 있습니다. 이 단일 미확인 요소가 최상위 등급의 작업당 비용을 3배만큼 변화시킵니다. Astra에 대한 예산을 책정하기 전에 귀하의 계정에서 해당 속도가 무엇인지 확인하십시오.

OpenAI 자체의 작업당 비용 수치가 보여주는 것

출시 게시물은 점수와 상대 비용을 함께 게시하며, 이것이 유용한 부분입니다. AutomationBench 1.0.6에서:

상위 두 쌍을 천천히 읽어보세요. 매우 높은 노력 수준의 중간 등급 모델은 낮은 노력 수준의 플래그십 모델보다 2.9점 높고, 작업당 비용은 약 1/4에 불과합니다. $0.27 기준선에서 낮은 노력 수준의 Astra는 약 $1.05에 해당하는데, 이는 OpenAI가 인쇄한 수치라기보다는 OpenAI의 승수에 대한 산술 계산입니다.

동일한 형태가 다른 곳에서도 반복됩니다:

• Agents’ Last Exam V1: Sol은 최대 노력 수준에서 56.4%를 기록하여 Claude Opus 5의 최고 결과보다 높으며, 작업당 비용은 60% 더 낮습니다.
• DeepSWE 1.1: Sol은 최대 노력 수준에서 68.8%에 도달하여 Claude Fable 5의 매우 높은 노력 수준과 1.1점 차이이며, 작업당 비용은 약 80% 더 낮습니다. Luna는 최대 노력 수준에서 66.6%에 도달하여 중간 노력 수준의 Opus 5 및 Fable 5와 비슷하며, Opus 5보다 작업당 비용이 93% 적고 Fable 5보다 96% 적습니다.
• OSWorld 2.0 오프라인: Sol은 매우 높은 노력 수준에서 60.5%를 기록하여 중간 노력 수준의 Opus 5의 60.3%와 비교되며, 작업당 약 80% 더 저렴합니다. Luna는 최대 노력 수준에서 GPT-5.6 Sol의 중간 노력 수준을 10분의 1 비용으로 능가합니다.
• 사실성: Sol은 이전 모델의 실수를 약 절반으로 줄입니다. Luna는 더 높은 노력 수준에서 GPT-5.6 Sol과 비슷한 성능을 보이며, 비용은 약 100분의 1에 불과합니다.
• 등급 내 비용 변화: Luna는 높은 노력 수준에서 자체 이전 모델을 5.4점 앞서며, 작업당 비용은 58% 더 낮습니다.

두 가지 솔직한 주의사항입니다. 이 모든 비교는 Claude Opus 5를 대상으로 작성되었습니다. Anthropic이 같은 날 Opus 5.5를 출시했고 OpenAI의 게시물은 그보다 이전이기 때문입니다. 그리고 해당 표의 Astra 수치는 단일 낮은 노력 데이터 포인트입니다. OpenAI는 Astra가 "전반적으로 최고의 모델"이라고 명확하게 밝힙니다. 여기에 Astra가 진다는 말은 없습니다. 단지 낮은 노력 수준의 Astra가 30.3%를 얻기에는 비싼 방법이라고 말할 뿐입니다.

사라진 등급과 이동한 등급

GPT-5.6은 Sol, Terra, Luna였습니다. GPT-6는 Astra, Sol, Luna입니다. GPT-6 Terra는 없습니다.

이것은 이전 중간 등급의 이름 변경이 아닙니다. Astra는 GPT-5.6 Sol이 있던 자리 위에 있으며, GPT-6 Sol은 이전 등급 이름의 요율보다 훨씬 낮은 가격으로 중간 슬롯을 물려받았습니다. 오늘날 귀하의 코드가 gpt-5.6-terra를 고정한다면, 역할상 가장 가까운 GPT-6 모델은 Sol이지, 같은 이름의 후속 모델이 아닙니다. 당사의 명명 설명은 이제 현재 지도가 아닌 세대 역사입니다.

살아남은 두 이름의 가격 계보는 다음과 같습니다:

같은 이름, 다른 모델, 다른 경제성. 등급 이름을 안정적인 기능 수준으로 취급하는 구성의 모든 내용은 다시 확인해야 합니다.

등급 선택하기

네 번째 행의 라우팅 패턴이 비용을 절약하는 방법입니다. 저렴한 등급을 실행하고, 출력을 프로그래밍 방식으로 검증하며, 실패한 경우에만 상위 등급으로 에스컬레이션합니다. Luna가 대기열의 80%를 작업당 $0.02로 처리하고 Sol이 나머지를 $0.41로 처리한다면, 혼합 비용은 $0.41이 아니라 약 $0.10입니다.

저렴한 등급이 빠르다고 가정하기 전에 한 가지 대기 시간 각주가 있습니다. 공급업체가 아닌 제3자인 인공 분석(Artificial Analysis)은 최대 추론 변형에서 Sol의 경우 초당 115.2개의 출력 토큰과 첫 토큰까지 102.15초를, Luna의 경우 초당 153.9개의 토큰과 첫 토큰까지 124.23초를 측정했습니다. 이는 최대 노력 수치이며 낮은 노력 호출을 설명하지는 않습니다. 2분 첫 토큰이 API 계약에 미치는 영향을 대기 시간 관련 게시물에서 자세히 설명합니다.

자체 트래픽으로 측정하기

공급업체의 작업당 비용 수치는 공급업체 자체 테스트 환경에서 나온 것입니다. 귀하의 수치는 다를 것이며, 무엇이든 결정하는 유일한 비교는 귀하의 프롬프트에서 실행된 것입니다.

모든 응답의 사용량 블록에 필요한 정보가 있습니다.

{
  "model": "gpt-6-luna",
  "usage": {
    "input_tokens": 41200,
    "input_tokens_details": { "cached_tokens": 39800 },
    "output_tokens": 2140,
    "total_tokens": 43340
  }
}

해당 호출의 Luna 요율 기준 비용: 캐시되지 않은 입력 1,400개($0.10/M), 캐시된 입력 39,800개($0.01/M), 출력 2,140개($0.50/M). 이는 $0.00014 + $0.000398 + $0.00107, 또는 대략 $0.0016입니다. 작업 수로 곱하는 것이 아니라 작업에 필요한 호출 수로 곱하십시오.

측정을 신뢰할 수 있게 하는 세 가지 규칙:

1. 호출이 아닌 전체 작업을 계산합니다. 재시도 및 실패한 호출을 포함하여 실행의 모든 단계에서 사용량을 합산합니다.
2. 행당 노력 수준을 일정하게 유지합니다. 헤더에 명시하지 않는 한, 최대 Luna 대 낮은 Sol 테이블은 아무것도 알려주지 않습니다.
3. 캐시된 토큰 수를 별도로 기록합니다. 콜드 캐시에서 실행된 등급 비교는 비싼 모델을 유리하게 만드는데, 저렴한 모델의 이점은 반복되는 접두사에서 가장 크기 때문입니다.

실제로 이는 저장된 하나의 요청, 모델 ID에 대한 변수, 그리고 사용량 필드에 대한 어설션입니다. Apidog는 이러한 형태를 잘 처리합니다. 호출을 한 번 정의하고, 환경 변수를 통해 모델을 교체한 다음, 시나리오로 실행하여 사용량 숫자가 세 개의 터미널 창 대신 하나의 보고서에 기록되도록 합니다. 동일한 시나리오는 등급 가격이 변경될 때 회귀 검사로도 사용될 수 있으며, 이러한 출시 주기로는 몇 달 간격입니다.

요약

토큰당 입력 기준으로 Luna는 Astra보다 100배 저렴합니다. 작업당 기준으로, OpenAI 자체 벤치마크에 따르면 순위가 그렇게 깔끔하지는 않습니다. 매우 높은 노력 수준의 Sol은 AutomationBench에서 낮은 노력 수준의 Astra를 능가했으며, 비용은 약 1/4에 불과했습니다. 그리고 최대 노력 수준의 Luna는 작업당 10배 더 비싼 모델들과 근접한 성능을 보였습니다.

Luna에서 시작하고, 실패 시 상위 등급으로 에스컬레이션하며, 틀리는 것이 느린 것보다 더 큰 비용을 초래하는 작업에는 Astra를 사용하십시오. 그런 다음 직접 측정하십시오. 위의 모든 숫자는 다른 사람의 작업 부하에서 생성된 것이기 때문입니다.

같은 48시간 동안 두 출시 전반의 더 넓은 그림을 보려면 2026년 9월 AI 모델 가격 전쟁 요약을 참조하십시오.