GPT-5.6 Sol·Terra·Luna 비교: 공식 요금·합격률로 고르는 기준

비용에 민감한 대량 분류·추출은 GPT-5.6 Luna부터 검증하세요. 일반적인 문서 처리나 에이전트 작업에서 품질과 비용을 함께 보려면 GPT-5.6 Terra를 첫 후보로 둘 수 있습니다. 복잡한 추론이나 까다로운 코딩에서 앞선 두 모델이 미리 정한 합격 기준을 넘지 못할 때는 GPT-5.6 Sol까지 비교하세요.

이 세 줄은 성능 순위가 아니라 첫 검증 지점입니다. OpenAI는 공식 Models 문서에서 Sol을 복잡한 추론·코딩용, Terra를 지능과 비용의 균형을 위한 모델, Luna를 비용에 민감한 대규모 작업용으로 소개합니다. 이는 공급자의 권장 용도일 뿐, 실제 데이터에서 특정 모델이 이긴다는 보장은 아닙니다.

이 글은 ChatGPT 구독 화면이 아니라 OpenAI 공식 API에서 텍스트·이미지를 입력하고 텍스트를 출력하는 세 범용 모델을 고르는 개발자를 위한 글입니다. 이미지 생성, 음성, Realtime, embedding 전용 모델이나 Codex credits는 비교 범위에 포함하지 않습니다.

모델별 공식 포지셔닝과 USD/100만 토큰 Standard 단문맥 요금을 함께 보되, 품질 순위가 아니라 검증 시작점으로 사용합니다.

API 모델 ID부터 명시적으로 고정한다

제품 이름과 API 요청에 넣는 식별자는 구분해야 합니다. API의 model 필드에는 다음 명시적 ID 중 하나를 넣습니다.

gpt-5.6 별칭은 2026년 8월 10일 확인 기준으로 현재 gpt-5.6-sol을 가리킵니다. 같은 Latest model guide는 GPT-5.6의 max reasoning, pro mode, persisted reasoning, explicit prompt caching 같은 기능도 설명합니다. 별칭 대상과 기능 제공 상태는 바뀔 수 있으므로, 운영 코드에서는 의도한 모델을 명시하고 배포 전에 문서를 다시 확인하는 편이 안전합니다.

ChatGPT 화면에서 보이는 이름과 API의 model 값은 같은 선택 문제가 아닙니다. 이 글의 가격과 사양은 세 명시적 API 모델 ID를 OpenAI 공식 API로 호출할 때의 조건만 다룹니다.

공통 사양은 같지만 품질과 지연은 따로 검증한다

context window는 한 요청에서 모델이 참고할 수 있는 전체 토큰 범위이고, max input은 그중 입력으로 허용되는 최대치입니다. 따라서 1,050,000-token context window를 “1,050,000 tokens를 전부 입력할 수 있다”는 뜻으로 읽으면 안 됩니다.

OpenAI Compare models와 Sol, Terra, Luna 개별 모델 페이지를 함께 보면 세 모델은 다음 사양을 공유합니다.

• context window: 1,050,000 tokens
• 최대 입력: 922,000 tokens
• 최대 출력: 128,000 tokens
• knowledge cutoff: 2026-02-16
• 입력 형식: text, image
• 출력 형식: text
• 지원 API: Responses, Chat Completions, Batch

공통 context window와 출력 한도는 품질, 처리량, 첫 토큰 지연 또는 작업 완료 시간이 같다는 뜻이 아닙니다. 이 차이는 카탈로그 한 줄이 아니라 실제 대표 요청으로 측정해야 합니다.

네 가지 토큰 요금부터 구분한다

가격을 계산하기 전에 입력 토큰을 한 덩어리로 보지 않아야 합니다. input은 일반 입력, cached input은 캐시가 적중한 입력, cache write는 캐시에 새로 기록하는 입력, output은 모델이 생성한 토큰입니다. 아래 단위는 모두 미국 달러(USD)/100만 토큰이며, Standard가 기준 처리 방식입니다.

OpenAI Pricing 문서에서 2026년 8월 10일 확인한 OpenAI 공식 API의 Standard 단문맥 요금은 다음과 같습니다. 여기서 단문맥은 입력이 272K 토큰 이하인 요청을 뜻합니다.

이 표만으로 “Luna가 가장 가성비가 좋다”거나 “Sol이 가장 좋은 결과를 낸다”고 결론내릴 수는 없습니다. 저렴한 모델에서 재시도가 반복되거나 사람이 오래 고쳐야 한다면 실제 완료 비용은 커집니다. 반대로 비싼 모델의 추가 품질이 합격률을 거의 높이지 못하면 지출만 늘어납니다.

272K를 넘으면 초과분만 할증되는 것이 아니다

입력이 272K 토큰을 넘으면 요청 전체에 장문맥 요금이 적용됩니다. 공식 가격 기준으로 입력 계열은 Standard의 2배, 출력은 1.5배입니다. 경계 근처에서 큰 문서를 묶는 시스템이라면 272K를 넘기기 전후의 요청 비용을 따로 계산해야 합니다. cache write는 uncached input의 1.25배라는 관계도 함께 반영하세요.

예를 들어 문서 묶음을 한 번에 넣는 편이 구현은 단순해도, 경계를 넘는 순간 전체 요청의 입력 요율이 바뀔 수 있습니다. 문서를 나눌 때 생기는 중복 입력과 여러 호출의 지연까지 포함해 두 방식을 비교해야 어느 쪽이 실제로 저렴한지 알 수 있습니다.

Batch·Flex·Fast는 같은 속도 상품이 아니다

Standard를 1배로 놓으면 GPT-5.6 토큰 요금은 Batch와 Flex가 0.5배, Fast가 2배입니다. Batch나 Flex는 단순히 “느리지만 싼 Standard”로 가정하지 말고, 프로젝트에서 이용 가능 여부, 대기열 특성, 지연 조건을 먼저 확인해야 합니다. Fast 역시 가격을 두 배 내면 모든 요청이 반드시 두 배 빨라진다는 성능 보장이 아닙니다.

OpenAI는 2026-07-30 Changelog에서 공개 명칭을 Priority Processing에서 Fast로 변경했습니다. 이전 요청의 priority 값은 하위 호환되지만 응답에는 여전히 priority가 표시될 수 있습니다. 따라서 공개 제품명 Fast와 API 요청·응답의 값이 항상 같은 문자열이라고 단정하면 안 됩니다.

조건을 충족하는 지역 데이터 처리에는 10%가 추가될 수 있습니다. 도구 사용료도 토큰 요금과 별도일 수 있으므로, 최종 견적에는 해당 프로젝트의 지역 자격과 사용하는 도구 비용을 더해야 합니다.

실패 비용으로 작업별 시작 모델을 고른다

모델을 고르기 전에 먼저 “성공”을 정의하세요. 분류라면 허용 오분류율, 추출이라면 필수 필드 정확도, 코딩이라면 테스트 통과와 금지된 변경의 부재처럼 자동 또는 수동으로 판정할 수 있어야 합니다. 합격 기준이 없으면 더 유창한 문장과 실제 업무 완료를 구분하기 어렵습니다.

대량 분류·추출은 Luna에서 시작하되 누적 오류를 본다

송장 필드 추출이나 고객 문의 라우팅처럼 건당 비용이 중요한 작업은 gpt-5.6-luna에서 검증을 시작할 수 있습니다. 다만 표본 몇 건의 인상보다 실제 분포를 반영한 샘플에서 누락, 잘못된 형식, 애매한 케이스의 오분류를 세어야 합니다.

Luna가 합격 기준을 만족하면 유지하세요. 불합격 재시도와 사람이 수정하는 시간이 누적되어 절감한 토큰 비용을 넘어선다면 같은 입력과 판정 기준으로 Terra를 시험합니다. 이는 Luna의 공식적인 품질 한계를 주장하는 것이 아니라, 비용 민감형 작업을 검증하는 가설입니다.

일반 문서 처리와 에이전트는 Terra를 후보로 삼는다

여러 문서를 요약해 구조화하거나 도구 호출을 포함한 업무 흐름은 gpt-5.6-terra를 첫 후보로 둘 수 있습니다. 여기서는 최종 답의 정확성뿐 아니라 올바른 도구 선택, 인수 형식, 중간 실패 뒤 복구 여부도 합격 조건에 포함해야 합니다.

Terra의 추가 토큰 비용이 Luna보다 높더라도 재시도와 수동 수정이 크게 줄면 성공 결과당 비용은 더 낮아질 수 있습니다. 반대로 단순한 변환 작업에서 두 모델의 합격률이 같다면 Luna로 내리는 편이 합리적입니다.

복잡한 코딩·추론은 Sol을 포함해 비교한다

여러 파일에 걸친 버그 수정, 상충하는 제약을 함께 만족해야 하는 설계, 긴 증거에서 결론을 도출하는 작업은 gpt-5.6-sol을 비교군에 포함할 이유가 있습니다. 그러나 공식 포지셔닝을 실제 코드베이스의 우승 결과로 바꾸어 말할 수는 없습니다.

같은 저장소 상태, 테스트, 허용 변경 범위와 입력으로 Terra와 Sol을 비교하세요. Sol의 높은 출력 요금이 더 높은 합격률, 더 적은 수정 시간 또는 더 적은 재시도로 회수될 때만 상향 선택이 의미가 있습니다.

같은 대표 작업으로 상향·하향 기준을 측정한다

공정한 비교의 핵심은 모델마다 질문을 다르게 꾸미는 것이 아니라 같은 대표 샘플과 같은 합격 기준을 사용하는 것입니다. 실제 트래픽의 쉬운 요청과 어려운 요청을 모두 포함하되, 개인정보나 비밀 키는 평가 데이터에서 제거하세요.

각 실행에서 최소한 다음 값을 기록합니다.

1. 합격 또는 불합격
2. 합격까지의 재시도 횟수
3. 사람이 수정한 시간
4. 일반 입력, 캐시 입력, 캐시 쓰기, 출력의 총 tokens
5. 요청 지연과 업무 완료까지 걸린 시간
6. 도구 사용료와 지역 처리 비용을 포함한 총 API 비용

가장 중요한 계산은 다음과 같습니다.

text
성공 결과당 비용 = 평가 구간의 총 API 비용 / 합격 결과 수

합격 결과가 0건이면 이 값을 임의의 큰 숫자로 대신하지 말고 “계산 불가”로 표시합니다. 모델별 총비용만 비교하면 싼 실패를 대량으로 만든 경우를 놓칠 수 있고, 성공률만 비교하면 작은 품질 차이에 지나치게 많은 비용을 지불할 수 있습니다.

가정 예시로 Luna의 평가 구간 총 API 비용이 $12이고 합격 결과가 70건이면 합격 결과당 API 비용은 $12 / 70 = $0.1714입니다. Terra가 $24로 90건을 합격시켰다면 $24 / 90 = $0.2667로 API 비용만으로는 Luna가 낮습니다. 하지만 Luna 수정에 240분, Terra 수정에 60분이 걸렸고 수정 시간의 기회비용을 시간당 $30로 정했다면 운영 비용은 Luna가 ($12 + $120) / 70 = $1.89, Terra가 ($24 + $30) / 90 = $0.60입니다. 이 숫자는 실측값이 아니라, 같은 공식에 자신의 값을 넣어 다시 계산하는 방법을 보여 주는 가정입니다.

화살표는 가격 순위가 아니라 현재 모델이 대표 작업의 합격 기준을 충족하지 못했다는 측정 결과를 뜻합니다. 상위 모델의 추가 비용이 회수되지 않으면 반대로 내려갑니다.

상향과 하향을 같은 규칙으로 결정한다

Luna가 합격 기준을 만족하면 그대로 유지합니다. 만족하지 못하면 Terra로 올리고, Terra도 부족하면 Sol을 시험합니다. 하지만 이 흐름은 단방향 승급표가 아닙니다. Sol의 추가 비용이 합격률이나 수정 시간의 개선으로 회수되지 않으면 Terra로, Terra의 개선도 의미가 없으면 Luna로 내립니다.

운영 전환에는 평균뿐 아니라 실패가 집중되는 작업 유형도 기록하세요. 전체 성공률은 높아도 고객 응대, 주문 데이터 추출, 대규모 코드 변경처럼 실패 비용이 큰 일부 요청에서 기준을 못 넘을 수 있습니다. 이런 경우 모든 트래픽을 상위 모델로 보내기보다 판별 가능한 작업군만 분리하는 방식도 검토할 수 있습니다.

Responses API에서 모델 ID만 바꿔 실행한다

OpenAI는 Latest model guide에서 추론, 도구 호출, 멀티턴 GPT-5.6 작업에 Responses API 사용을 권장합니다. 아래 최소 요청은 모델 ID만 바꾸어 같은 입력을 실행하기 위한 출발점입니다.

bash
curl https://api.openai.com/v1/responses \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-terra",
    "input": "대표 작업의 실제 입력을 여기에 넣으세요."
  }'

같은 요청에서 model만 gpt-5.6-luna, gpt-5.6-terra, gpt-5.6-sol로 바꾸고, 사전에 정한 판정기로 결과를 평가합니다. 프로덕션 비밀 키를 코드나 로그에 남기지 말고 환경 변수 또는 사용하는 비밀 관리 도구에서 주입하세요.

대화형 요청에서 더 낮은 지연이 실제로 필요하고 프로젝트가 Fast를 지원한다면 Responses API reference에 따라 다음 필드를 추가할 수 있습니다.

json
{
  "model": "gpt-5.6-terra",
  "service_tier": "fast",
  "input": "대표 작업의 실제 입력"
}

하위 호환 값 priority를 보내는 기존 코드가 동작할 수 있고 응답에도 priority가 나타날 수 있습니다. 새 코드에서 API 값과 공개 명칭을 임의로 섞기보다는 현재 레퍼런스에서 허용 값을 확인하고, 응답의 실제 service_tier를 관찰하세요.

배포 전 결정표를 실제 값으로 채운다

가격표를 복사하는 것보다 작은 평가표를 실제 숫자로 채우는 편이 모델 선택에 직접 도움이 됩니다.

이 표의 빈칸은 공식 문서가 대신 채워 줄 수 없습니다. 공식 자료는 모델의 계약과 가격을 알려 주지만, 여러분의 프롬프트·데이터·도구·판정 기준에서 나오는 합격률을 제공하지 않기 때문입니다.

결론은 간단합니다. 가장 낮은 모델부터 무조건 쓰는 것도, 가장 비싼 모델을 기본값으로 두는 것도 피하세요. Luna, Terra, Sol을 같은 대표 샘플로 실행한 뒤 합격 결과당 비용과 수정 시간을 함께 비교해 선택합니다. 이미지 생성·음성·Realtime·embedding이 핵심 작업이라면 이 세 모델 비교를 억지로 확장하지 말고 해당 전용 모델 문서로 이동하세요.

다음 단계는 위의 Responses API 레퍼런스를 확인하고, 공식 API 또는 Playground에서 세 명시적 모델 ID로 같은 대표 샘플을 실행해 결정표를 채우는 것입니다. 운영 조건이 달라지면 가격, alias 대상, service_tier 허용 값부터 다시 확인하세요. 평가가 끝나기 전에는 어느 한 모델을 정답으로 확정하지 않는 것이 가장 정확합니다.