GPT-6 루나란? 모델 ID, 0.10/0.50달러 가격, 1M 토큰 컨텍스트 창

모델 제품군에서 가장 저렴한 티어는 한때 신뢰하지 않던 티어였습니다. 분류, 요약, 재시도 트래픽을 그곳으로 보냈고, 에이전트적인 작업은 플래그십 모델에 맡겼으며, 예산 모델이 한 단계 이상의 작업을 필요로 하는 순간 무너질 것이라는 점을 받아들였습니다.

2026년 9월 22일 발표된 GPT-6 Luna는 그 티어와 같은 가격이면서도 다르게 동작합니다. 백만 입력 토큰당 0.10달러, 백만 출력 토큰당 0.50달러의 비용이 들고, 백만 토큰의 컨텍스트 윈도우를 제공합니다. OpenAI가 발표한 수치에 따르면, 에이전트 코딩 벤치마크에서 선도적인 모델들의 범위에 속하면서도 작업당 비용은 극히 일부에 불과합니다.

먼저 한 가지 명확히 할 점: 이것은 이미 폴백 체인에 연결해 두었을 수도 있는 GPT-5.6 Luna가 아닙니다. 같은 티어 이름이지만, 새로운 모델, 새로운 가격, 새로운 컨텍스트 윈도우입니다. 그렇지 않다고 가정하는 것은 조용한 동작 변경을 배포하고 지원 티켓을 통해서만 이를 알게 되는 쉬운 방법입니다.

GPT-6 Luna 한눈에 보기

같은 제품군 내에서, GPT-6 Sol은 872,000 토큰 윈도우와 인덱스 48을 가지며 2달러/10달러이고, GPT-6 Astra는 10달러/50달러입니다. OpenAI는 Astra가 “전반적으로 최고의 모델”이라고 밝혔으므로, Luna는 가장 똑똑한 모델로 판매되지 않습니다. 대신 작업당 비용이 급락한 모델로 판매되고 있습니다.

이것은 이름만 바꾼 티어가 아닌, 새로운 모델입니다.

GPT-5.6 제품군은 Sol, Terra, Luna였습니다. GPT-6 제품군은 Astra, Sol, Luna입니다. 두 이름은 계승되었고, Terra는 그렇지 않으며, Astra는 새로 추가되었습니다. OpenAI는 Sol과 Luna가 GPT-6 Astra와 유사한 방법으로 훈련되었다고 설명하는데, 이는 즉 이전 모델과 명명 규칙을 공유하는 새로운 모델이라는 의미입니다.

GPT-6 Terra는 없습니다. 만약 GPT-5.6 명명 체계를 중심으로 라우팅 계층을 구축했다면, 중간 단계는 더 이상 존재하지 않으며, Sol과 Terra, Luna를 비교했던 이전 글은 이제 현재의 가이드라인이라기보다는 역사로 읽힙니다.

가격 계보는 티어가 얼마나 변했는지 보여줍니다:

모든 수치는 백만 입력 토큰 및 백만 출력 토큰당 기준입니다. GPT-5.6 행은 당시 우리의 기사, GPT-5.6 가격 정책 및 GPT-5.6 가격 인하에서 가져왔습니다.

OpenAI는 Sol과 Luna가 GPT-5.6 **프로모션** 가격보다 50% 저렴하다고 설명합니다. '프로모션'이라는 단어는 OpenAI 자체적으로 사용한 것이며, 주장의 의미를 바꿉니다. 이 비교는 GPT-5.6 출시 가격이 아닌 할인된 요율을 기준으로 합니다. GPT-5.6 Luna 정가인 1달러/6달러와 비교하면, GPT-6 Luna의 0.10달러/0.50달러는 입력에서 90%, 출력에서 92%의 인하입니다. 실제 절감 폭은 헤드라인보다 크며, 헤드라인은 할인율을 기준으로 측정되었습니다. 예산 모델에는 첫 번째 숫자가 아닌 두 번째 숫자를 넣으십시오.

저렴한 모델이 더 큰 컨텍스트 윈도우를 가집니다.

이것은 대부분의 출시 기사에서 놓친 세부 사항입니다. Luna는 1,000,000 토큰 컨텍스트 윈도우를 제공합니다. 가격이 20배 비싼 Sol은 872,000 토큰 윈도우를 제공합니다.

이는 많은 라우팅 코드가 내포하고 있는 가정을 뒤집습니다. 즉, 페이로드가 커지면 요청을 더 비싼 모델로 승격시킨다는 가정입니다. GPT-6에서는 제품군 내에서 가장 큰 윈도우가 가격 목록의 가장 아래에 있습니다. 900,000 토큰 문서는 Sol에는 맞지 않지만 Luna에는 맞습니다.

계산은 두 가격에서 파생됩니다. Luna의 전체 윈도우를 한 번 채우는 데는 입력 토큰으로 0.10달러가 듭니다. Sol의 872,000 토큰 윈도우를 한 번 채우는 데는 대략 1.74달러가 듭니다. Claude Opus 5.5의 1M 윈도우를 백만당 4달러로 채우는 데는 4.00달러가 듭니다. 동일한 종류의 페이로드에 대해 읽기 비용이 40배 차이가 납니다.

OpenAI의 캐싱 작업을 추가하면 그 격차는 다시 벌어집니다. GPT-6는 캐시된 입력 읽기에 90% 할인을 적용하므로, 호출 간에 캐시된 상태로 유지되는 1M 토큰 접두사는 0.10달러 대신 약 0.01달러로 다시 읽을 수 있습니다. OpenAI는 또한 GPT-6가 기본적으로 더 높은 캐시 적중률을 보이고, 추론 노력 또는 도구 가용성 변경이 더 이상 캐시를 무효화하지 않으며, 명시적인 중단점으로 캐시된 접두사가 끝나는 지점을 제어할 수 있다고 말합니다. GitHub는 수십억 건의 요청에서 신규 처리가 필요한 프롬프트 토큰이 50% 이상 감소했다고 보고했습니다.

OpenAI가 발표한 내용

아래의 모든 수치는 OpenAI의 출시 자료에서 가져온 것입니다. 추론 노력 설정은 괄호 안에 표시되는데, 이는 모델들이 노력 수준에 따라 점수가 매우 다르게 나오며, 노력 설정이 없는 벤치마크 행은 사용할 수 있는 수치가 아니기 때문입니다.

DeepSWE 행은 주목할 만합니다. 백만 입력 토큰당 0.10달러의 모델이 에이전트 소프트웨어 엔지니어링 벤치마크에서 66.6%를 기록하며, 중간 노력 수준의 두 선도적 모델과 동일한 영역에 있으면서도 그 중 하나보다 작업당 93% 저렴하다는 것은 예산 티어와는 다른 제안입니다. 이것이 Luna가 가장 어려운 작업에서 선도적 모델을 대체한다는 의미는 아닙니다. 다만 “이것은 저렴한 모델로 라우팅”과 “이것은 비싼 모델이 필요” 사이의 경계가 이동했으며, 2026년 9월 이전에 그 선을 그었던 곳은 이제 잘못된 위치에 그려졌다는 의미입니다.

사실성 결과는 일반적인 제품 작업에 가장 중요할 가능성이 높습니다. 이전 세대의 중간 티어와 사실 정확도에서 일치하면서도 비용은 약 100분의 1 수준이라는 점이 Luna를 내부 배치 작업뿐만 아니라 사용자 대면 요약 및 추출에도 활용할 수 있게 만듭니다.

여기서의 모든 비교는 Claude Opus 5를 대상으로 합니다.

이 행들이 어떤 Claude 모델을 벤치마크했는지 주목하십시오. Claude Opus 5입니다.

Anthropic은 같은 날 Claude Opus 5.5를 출시했는데, Opus 5의 5달러/25달러에 비해 4달러/20달러였으며, 인공 분석 지능 지수에서 58점으로 212개 모델 중 1위를 차지했습니다. OpenAI의 출시 게시물은 Opus 5.5가 존재하기 전에 작성되었으므로, Opus 5에 대한 모든 작업당 비용 비교는 게시 몇 시간 만에 대체된 모델을 기준으로 측정된 것입니다.

그렇다고 해서 OpenAI의 수치가 틀린 것은 아닙니다. 실행된 비교에 대해서는 정확합니다. 다만, 어떤 Opus를 지칭하는지 명시하지 않고 "Opus 5보다 93% 저렴하다"는 말을 현재 시장 상태로 조달 문서에 포함해서는 안 된다는 의미입니다. 어떤 벤더도 Luna와 Opus 5.5를 직접 비교한 자료를 발표하지 않았으며, 소셜 미디어에서 유통되는 비교 자료는 연구소에서 나온 것이 아니라 개별 테스터들의 것입니다. 우리의 가격 전쟁 기둥은 세 가지 출시 모델을 한 표에 비교하여 추적합니다.

지연 시간: 저렴한 모델이 빠른 모델은 아닙니다.

Artificial Analysis의 제3자 측정에 따르면 GPT-6 Luna는 초당 153.9 출력 토큰이며, 첫 토큰까지의 시간은 124.23초입니다. 두 가지 주의사항이 적용되며 둘 다 중요합니다. 이는 벤더가 발표한 것이 아닌 제3자 수치입니다. 그리고 이 수치는 가장 느리고 비싼 구성인 최대 추론 변형에서 측정된 것입니다.

두 가지 주의사항을 감안하더라도 그 방향성은 이해할 가치가 있습니다. Luna는 첫 토큰까지의 시간이 Sol(102.15초)보다 느립니다. 이 제품군에서는 가격과 지연 시간이 상관관계가 없습니다. 첫 토큰이 도착하기까지 2분간 기다리는 것은 기본 HTTP 클라이언트 타임아웃을 깨고, 로드 밸런서를 유휴 상태로 만들며, 대부분의 서버리스 런타임에서 실행 한도를 초과할 것입니다. 높은 노력 수준으로 동기 엔드포인트를 Luna로 라우팅하는 경우, 통합 작업은 프롬프트가 아니라 타임아웃 및 스트리밍 레이어에 있습니다.

라우팅하기 전에 자체 워크로드로 테스트하십시오.

벤치마크 표는 집계된 결과입니다. 당신의 프롬프트는 그렇지 않습니다. 중요한 질문은 Luna가 감당할 수 있는 노력 수준에서 당신의 트래픽을 처리할 수 있는가이며, 이를 제대로 답변하는 데는 약 10분 정도가 걸립니다.

모델당 하나의 요청을 설정하고, 모델 ID를 매개변수화한 다음, 동일한 페이로드를 티어 전반에 걸쳐 실행하십시오:

curl https://api.openai.com/v1/responses \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "input": "Extract every endpoint, method and required parameter from the OpenAPI document below as JSON.",
    "reasoning": { "effort": "high" }
  }'

이 형태를 기반으로 구축하기 전에 OpenAI의 현재 모델 참조와 엔드포인트 및 매개변수 이름을 확인하십시오. 모델 ID gpt-6-luna는 출시 자료에서 확인된 부분입니다.

Apidog에서는 동일한 요청이 모델 ID를 환경 변수로 사용하여 저장된 엔드포인트가 되므로, 하나의 컬렉션으로 Luna, Sol, Astra를 중복 없이 다룰 수 있습니다. 이를 테스트 시나리오로 실행하면 실행당 응답 시간과 토큰 사용량을 얻을 수 있으며, 응답 형태에 대한 어설션도 가능합니다. 이는 더 저렴한 모델의 실제 실패 모드를 포착하는 방법입니다. 즉, 틀린 답변이 아니라 파서가 기대하는 JSON 스키마에 더 이상 부합하지 않는 응답을 파악하는 것입니다. 동일한 시나리오를 세 가지 노력 수준으로 실행하면, 다른 사람의 벤치마크 스위트가 아닌 자신만의 프롬프트에 대한 비용, 지연 시간 및 신뢰성 표를 얻을 수 있습니다.

Luna가 올바른 선택인 경우

페이로드가 크고, 작업이 잘 정의되어 있으며, 출력을 프로그램적으로 검증할 수 있을 때 Luna로 라우팅하십시오. 문서 추출, 사양 구문 분석, 로그 분류, 테스트 생성, 대용량 분류 및 1M 윈도우가 청킹 파이프라인을 절약해주는 모든 배치 작업이 여기에 해당하며, 긴 접두사가 호출 간에 안정적으로 유지될 때 캐싱 할인은 더욱 커집니다.

답변을 저렴하게 확인할 수 없는 작업이나, 자체 트래픽에 대한 첫 토큰 시간을 측정하기 전까지는 지연 시간에 민감한 작업에는 비싼 티어를 사용하십시오. Luna는 경계선을 이동시켰지만, 지우지는 않았습니다.