OpenAI, GPT-5.6 Luna 가격 80% 인하 및 더 빠른 Sol API 모드 출시

소개

OpenAI가 GPT-5.6 시리즈에 대한 대대적인 가격 조정을 단행했습니다.

2026년 7월 30일부터 회사는 GPT-5.6 Luna의 API 가격을 80% 인하하고, GPT-5.6 Terra의 가격은 20% 인하했습니다. 플래그십 모델인 GPT-5.6 Sol의 표준 가격은 유지되지만, OpenAI는 동일한 모델 지능을 유지하면서 표준 처리 속도보다 최대 2.5배 빠른 패스트 모드를 출시했습니다.

이번 변화는 OpenAI가 GPT-5.6 Sol이 GPT-5.6 자체를 서비스하는 데 사용되는 시스템을 최적화하는 데 어떻게 도움이 되었는지를 보여주는 엔지니어링 분석 보고서를 공개한 시점에 발표되었습니다. OpenAI에 따르면, 프로덕션급 GPU 커널 개선으로 엔드투엔드 서비스 비용이 20% 절감되었으며, 추측 디코딩 개선으로 토큰 생성 효율이 15% 이상 향상되었습니다.

그 결과 OpenAI는 소위 가성비 최적 곡선에서 더욱 공격적인 전략을 취하고 있습니다. 즉, 사용되는 지능의 양을 해당 작업의 경제적 가치에 맞추는 것입니다.

개발자에게 가장 중요한 변화는 한눈에 들어옵니다. Luna는 이제 높은 처리량의 에이전트 워크로드에 대해 가격이 대폭 낮아졌고, Terra는 일상적인 사용 비용이 더 저렴해졌으며, Sol은 지연 시간이 가격보다 더 중요할 때 더 높은 서비스 등급으로 구매할 수 있습니다.

1. Luna 80% 인하, Terra 20% 인하, Sol 패스트 모드 출시

7월 30일의 가격 업데이트는 GPT-5.6 시리즈 전체에 적용되지만, 모델별 조정 폭은 다릅니다.

GPT-5.6 Luna: 최대 폭 인하

Luna가 가장 공격적인 가격 인하를 받았습니다.

표준 API 가격은 다음과 같이 조정되었습니다:

토큰 유형	기존 가격	신규 가격	변동
입력	1.00달러 / 100만 토큰	0.20달러 / 100만 토큰	-80%
출력	6.00달러 / 100만 토큰	1.20달러 / 100만 토큰	-80%

OpenAI는 Luna를 GPT-5.6 시리즈 중 가장 빠르고 가장 저렴한 모델로 설명하며, 비용에 민감한 높은 처리량 워크로드에 포지셔닝했습니다.

여기에는 다음 작업이 포함됩니다:

• 분류
• 정보 추출
• 백그라운드 에이전트
• 일상적인 코딩 작업
• 테스트 생성
• 구조화된 출력 워크플로우
• 도구를 사용하는 하위 에이전트
• 대규모 문서 처리

더 낮은 가격은 특히 에이전트 루프의 경제성을 변화시킵니다. 단일의 단순한 완성 작업이 아닌 하나의 사용자 요청이 여러 번의 모델 호출을 수반할 수 있기 때문입니다.

OpenAI는 Luna가 도구를 사용하고 다단계 워크플로우를 완료할 수 있어, 에이전트 동작을 더 높은 가격의 프론티어 등급에만 맡겨둘 필요 없이 더 많은 작업을 저비용 모델에 할당하는 것이 현실적으로 가능해졌다고 밝혔습니다.

GPT-5.6 Terra: 작지만 의미 있는 인하

Terra의 표준 API 가격은 현재 다음과 같습니다:

토큰 유형	기존 가격	신규 가격	변동
입력	2.50달러 / 100만 토큰	2.00달러 / 100만 토큰	-20%
출력	15.00달러 / 100만 토큰	12.00달러 / 100만 토큰	-20%

Terra는 여전히 GPT-5.6 시리즈의 중간 등급 모델입니다.

Luna보다 더 강력한 추론 능력이 필요하지만 반드시 Sol의 더 높은 비용까지는 필요하지 않은 워크로드를 위해 설계되었습니다.

일반적인 용도는 다음과 같습니다:

• 일상적인 기업 에이전트
• 코딩 지원
• 작업 공간 Q&A
• 문서 분석
• 제한된 범위의 연구
• 다단계 전문 워크플로우

OpenAI는 Notion을 Terra를 사용하여 개인 에이전트 워크로드(예: 지연 시간에 민감한 작업 공간 Q&A 및 제한된 범위의 작업)를 처리하는 고객 중 하나로 언급했습니다.

GPT-5.6 Sol 표준 가격 유지

Sol의 표준 API 가격은 그대로 유지됩니다:

토큰 유형	표준 가격
입력	5.00달러 / 100만 토큰
출력	30.00달러 / 100만 토큰

Sol의 변화는 가격 인하가 아닙니다.

대신 OpenAI는 패스트 모드를 출시했습니다.

Sol 패스트 모드: 최대 2.5배 빠른 속도

패스트 모드는 OpenAI의 이전 "우선 처리" 용어를 대체합니다.

GPT-5.6 Sol의 경우, OpenAI는 패스트 모드의 처리 속도가 표준 처리보다 최대 2.5배 빠르며 모델 지능 수준은 동일하다고 밝혔습니다.

대가는 가격입니다.

패스트 모드의 비용은 표준 처리의 두 배입니다.

Sol의 경우 이는 다음을 의미합니다:

토큰 유형	표준	패스트 모드
입력	5.00달러 / 100만	10.00달러 / 100만
캐시된 입력	0.50달러 / 100만	1.00달러 / 100만
출력	30.00달러 / 100만	60.00달러 / 100만

기존 API 요청에서 다음을 사용하는 경우:

service_tier="priority"

이전 버전과의 호환성이 유지되며 패스트 모드로 라우팅됩니다.

OpenAI는 또한 다음을 지원합니다:

service_tier="fast"

새롭게 명명된 서비스 식별자로 사용됩니다.

대기 비용이 더 빠른 추론 비용보다 높을 때 패스트 모드가 유용합니다.

예시는 다음과 같습니다:

• 대화형 코딩 에이전트
• 시간에 민감한 프로덕션 워크플로우
• 실시간 분석가 지원
• 높은 가치의 고객 운영
• 지연 시간이 여러 단계에 걸쳐 누적되는 복잡한 에이전트 작업

20회 또는 30회의 모델 호출이 필요한 워크플로우는 개별 호출의 지연 시간이 각각 높지 않더라도 전체적인 체감 속도는 단일 채팅 응답보다 훨씬 느릴 수 있습니다. 따라서 에이전트 시스템에서 더 빠른 처리 속도는 불균형적으로 중요한 영향을 미칠 수 있습니다.

ChatGPT Work 및 Codex 사용량 측정 방식도 변경

Luna와 Terra의 낮아진 가격은 ChatGPT Work 및 Codex의 사용량 계산 방식에도 반영되었습니다.

OpenAI에 따르면:

• 무료 사용자와 Go 사용자는 Terra를 사용할 수 있습니다.
• Plus, Pro, Business 및 Enterprise 사용자는 Terra와 Luna를 선택할 수 있습니다.
• 구독 가격과 할당량 예산은 유지됩니다.
• Luna와 Terra가 더 저렴해졌으므로 이제 이들을 사용할 때 소모되는 크레딧이 줄어듭니다.

이는 유료 구독 자체가 더 저렴해진다는 것을 의미하지는 않습니다.

이 변경은 사용자가 Luna 또는 Terra를 선택할 때 동일한 할당량을 더 오래 사용할 수 있다는 것을 의미합니다.

가성비가 더 중요한 모델 지표가 되고 있음

OpenAI는 Artificial Analysis Intelligence Index v4.1 기반의 가격 대비 지능 비교 차트를 공개하여 Luna의 새로운 포지셔닝을 설명했습니다.

해당 차트는 GPT-5.6 Luna를 지능 지수 50점 이상에 배치하면서, 가격 조정 후 Luna 중 하나가

구성된 추정 작업 비용은 약 0.05달러입니다.

이 수치는 단일 API 호출의 가격과 혼동해서는 안 됩니다.

Artificial Analysis는 모델 토큰 사용량과 벤치마크의 가중 방식을 기반으로 스마트 지수 작업당 비용을 계산합니다. 실제 프로덕션 요청 비용은 다음에 따라 달라집니다:

• 입력 크기
• 출력 크기
• 추론 깊이
• 프롬프트 캐싱
• 도구 호출 횟수
• 에이전트 실행 라운드 수
• 긴 컨텍스트 과금
• 재시도 메커니즘

7월 30일 가격 인하 이전에 Artificial Analysis는 GPT-5.6 Luna가 최대 추론 구성에서 스마트 지수 약 51을 기록했다고 보고했습니다.

새로운 낮은 토큰 가격으로 Luna는 '스마트-비용' 곡선의 저비용 구간으로 더욱 이동했습니다.

OpenAI가 전달하는 더 넓은 메시지는 기업이 모든 단계에서 가장 비싼 모델을 사용해서는 안 된다는 것입니다.

하나의 워크플로우는 먼저 Sol을 사용하여 모호성을 해소하고 계획을 수립한 다음, 명확하게 정의된 구현, 테스트 또는 반복 작업을 Luna에 할당할 수 있습니다.

하위 모델이 이미 도구 사용과 다단계 워크플로우 수행 능력을 갖추게 되면, 이러한 모델 라우팅 방식은 더욱 매력적으로 다가옵니다.

2. GPT-5.6이 GPT-5.6을 실행하는 인프라 최적화에 기여

이번 가격 인하 하루 전, OpenAI는 GPT-5.6이 어떻게 더 효율적으로 개선되었는지에 대한 상세한 기술 문서를 발표했습니다.

이 이야기에서 가장 특이한 점은 GPT-5.6 Sol 자체가 최적화 과정에 참여했다는 것입니다.

OpenAI는 엔지니어들이 Codex를 통해 Sol을 사용하여 프로덕션 시스템을 분석하고, 성능 코드를 작성하고, 대안을 테스트하고, 실험을 모니터링했다고 밝혔습니다.

회사는 세 가지 주요 계층의 최적화를 설명했습니다:

1. 에이전트 도구 제품군
2. API 및 요청 오케스트레이션
3. GPU 인프라에서의 모델 추론

Sol이 프로덕션 환경의 GPU 커널 최적화를 도왔습니다

추론 계층에서 OpenAI는 GPT-5.6 Sol이 프로덕션 커널을 자율적으로 재작성하고 최적화했다고 밝혔습니다.

GPU 커널은 가속기 하드웨어에서 수학 연산을 효율적으로 실행하는 저수준 프로그램입니다.

기본 모델 아키텍처가 동일하더라도 비효율적인 메모리 이동, 동기화, 스케줄링 또는 데이터 배치로 인해 값비싼 GPU 리소스가 충분히 활용되지 않을 수 있습니다.

OpenAI는 Sol이 다음 유형의 최적화 가능한 계산을 식별하는 데 도움을 주었다고 밝혔습니다:

• 사전 계산 가능한 것
• 회피 가능한 것
• 병렬화 가능한 것
• 재정렬 가능한 것
• 더 효율적인 커널로 구현 가능한 것

회사는 특히 Triton과 Gluon이라는 두 가지 GPU 프로그래밍 기술이 이 작업에 참여했다고 언급했습니다.

OpenAI에 따르면, 커널 개선 및 관련 서비스 최적화로 GPT-5.6의 엔드투엔드 서비스 비용이 20% 절감되었습니다.

Sol은 추측 디코딩도 개선했습니다

또 다른 중요한 최적화는 추측 디코딩에서 비롯되었습니다.

추측 디코딩의 간소화된 버전은 다음과 같습니다:

1. 더 작은 드래프트 모델이 몇 개의 가능한 후속 토큰을 예측합니다.
2. 메인 모델이 이러한 후보 토큰을 병렬로 평가합니다.
3. 승인된 토큰은 동일한 양의 순차 생성 작업 없이 출력될 수 있습니다.

따라서 드래프트 모델의 품질이 매우 중요합니다.

OpenAI는 GPT-5.6 Sol이 추측 모델의 아키텍처에 대해 수백 가지 실험을 설계하고 실행했다고 밝혔으며, 변경 사항은 다음과 같습니다:

• 규모
• 구조
• 특징
• 훈련 구성

Sol은 또한 훈련 과정을 모니터링하고 하드웨어 장애 또는 훈련 불안정성이 발생할 때 개입합니다.

OpenAI는 이로 인해 토큰 생성 효율이 15% 이상 향상되었다고 밝혔습니다.

로드 밸런싱도 중요합니다

모델 비용은 단일 GPU 내부에서 실행되는 코드에만 의존하지 않습니다.

요청은 다음 계층 간에 라우팅되어야 합니다:

• 리전
• 데이터 센터
• 가속기 유형
• 클러스터
• 모델 인스턴스
• 모델 서브네트워크
• 컴퓨팅 코어

작업 분배가 비합리적이어서 일부 하드웨어가 유휴 상태라면, 가속기 성능이 뛰어나더라도 비용은 여전히 높을 수 있습니다.

OpenAI는 Sol이 프로덕션 트래픽 분석을 통해 로드 불균형의 원인을 찾아내고, 대체 라우팅 전략을 테스트하고, 요청 분배에 사용되는 휴리스틱 규칙을 조정했다고 밝혔습니다.

이러한 운영 차원의 최적화는 상응하는 하드웨어 투자 없이 전체 처리량을 향상시킬 수 있습니다.

컨텍스트 관리를 통한 중복 계산 감소

OpenAI는 Codex 및 ChatGPT Work와 같은 시스템에서 사용되는 에이전트 프레임워크도 최적화했습니다.

에이전트는 최종 결과를 반환하기 전에 모델과 도구를 여러 번 호출해야 할 수 있습니다.

예를 들어, Codex는 다음을 수행할 수 있습니다:

1. 소스 코드를 검사합니다.
2. 배포 기록을 검색합니다.
3. 장애 보고서를 읽습니다.
4. 파일을 편집합니다.
5. 테스트를 실행합니다.
6. 오류를 확인합니다.
7. 코드를 수정합니다.
8. 테스트를 다시 실행합니다.

각 루프는 컨텍스트, 도구 정의, 이전 결과 및 환경 정보를 전달할 수 있습니다.

이러한 컨텍스트가 불필요하게 증가하면 비용과 지연 시간도 함께 증가합니다.

OpenAI는 자사의 에이전트 프레임워크가 지연 발견과 같은 기술을 채택하여 필요한 경우에만 도구, 스킬, 플러그인 및 MCP 통합을 노출한다고 밝혔습니다.

도구 출력은 모델이 다른 제한을 요청하지 않는 한 기본적으로 10,000토큰으로 제한됩니다.

이는 대규모 도구 결과가 불필요하게 컨텍스트 창을 채우는 가능성을 줄여줍니다.

이력 추가 전용 방식으로 프롬프트 캐시 유지

에이전트 루프는 일반적으로 동일한 지침과 컨텍스트를 여러 번 재사용합니다.

프롬프트 캐싱은 안정적인 프롬프트 접두사의 중복 계산을 방지할 수 있습니다.

하지만 캐시가 작동하려면 반복되는 접두사가 완전히 동일하게 유지되어야 합니다.

OpenAI는 자사의 프레임워크가 모델에 표시되는 이력의 추가 전용 특성을 유지한다고 밝혔습니다:

• 새 메시지는 끝에 추가됩니다.
• 도구 결과는 끝에 추가됩니다.
• 환경 업데이트는 끝에 추가됩니다.
• 도구 정렬은 결정적입니다.
• 런타임 승인 설정은 도구 정의에서 처리되지 않습니다.

이러한 설계는 Codex 및 ChatGPT Work에서 프롬프트 캐시 재사용률을 높입니다.

기본 원칙은 간단합니다:

모델이 더 저렴한 이유는 토큰 비용이 낮기 때문만이 아니라, 주변 시스템이 처음부터 불필요한 토큰의 생성과 처리를 피하기 때문입니다.

효율성 루프는 복합 효과를 만들 수 있습니다

OpenAI는 이를 피드백 루프로 설명합니다.

더 강력한 모델이 엔지니어가 다음을 개선하는 데 도움을 줍니다:

• GPU 커널
• 라우팅
• 추측 디코딩
• 캐싱
• 워크로드 구성
• 에이전트 오케스트레이션

이러한 개선은 비용과 지연 시간을 줄여줍니다.

더 높은 효율성의 인프라는 더 강력한 모델을 더 큰 규모로 실행하는 것을 더 경제적으로 만듭니다.

OpenAI는 이것이 모델 연구 개발부터 대규모 배포까지의 주기를 단축시켜 AI 혁신의 반복 속도를 가속화할 수 있다고 믿습니다.

차세대 최적화 이점을 찾아내야 합니다.

7월 30일 Luna와 Terra의 가격 인하는 지금까지 가장 눈에 띄는 고객 대상 결과입니다.

3. 개발자 반응: Luna가 더 많은 주목을 받고, 경쟁사는 새로운 가격 압박에 직면

원본 중국어 보고서는 또한 발표 이후 개발자 커뮤니티의 열띤 반응을 강조했습니다.

일부 사용자는 Luna의 가격 인하 폭이 크다는 점에 주목했습니다.

80% 인하 폭은 프론티어 API에서 흔한 점진적 가격 조정보다 훨씬 큽니다.

다른 사용자들은 Luna가 가격 인하 이전부터 저평가되어 있었다고 생각합니다. 특히 에이전트 워크로드의 경우, 더 저렴한 모델이 더 강력한 플래너의 지도 아래 일상적인 실행 작업을 처리할 수 있기 때문입니다.

이번 가격 조정은 Kimi K3를 포함한 다른 비용 효율적인 모델과의 즉각적인 비교를 불러일으켰습니다.

커뮤니티에서 유포된 인기 밈 이미지는 이 상황을 Luna가 갑자기 Kimi K3의 저가 포지셔닝에 끌린 사용자들을 두고 경쟁하기 시작한 것으로 묘사했습니다.

이 밈은 재미있지만 기술 벤치마크가 아니므로 본문 이미지에는 포함되지 않았습니다.

개발자들은 즉시 Anthropic이 대응할지 질문했습니다

또 다른 일반적인 반응은 @Anthropic을 태그하며 Claude API 가격이 그에 맞춰 조정될지 묻는 것이었습니다.

이러한 반응은 대규모 언어 모델 프론티어 경쟁 구도의 더 넓은 변화를 반영합니다.

1년 전만 해도 가장 눈에 띄는 경쟁은 다음에 집중되어 있었습니다:

• 벤치마크 점수
• 코딩 능력
• 컨텍스트 창
• 멀티모달 기능

이러한 차원은 여전히 중요합니다.

하지만 프로덕션 수준 에이전트를 운영하는 개발자들은 점점 다음에 주목하고 있습니다:

• 작업 완료당 비용
• 지연 시간
• 출력 토큰 사용량
• 프롬프트 캐시 효율성
• 도구 호출 횟수
• 안정성
• 모델 라우팅 유연성

가장 저렴한 토큰이 항상 가장 저렴한 워크플로우는 아닙니다.

마찬가지로, 가장 똑똑한 모델이 워크플로우의 모든 단계에 최적의 모델인 것도 아닙니다.

Luna 가격 인하로 모델 라우팅의 매력이 더욱 커지다

하나의 작업이 다섯 단계로 구성되어 있다고 가정해 봅시다:

1. 모호한 문제를 이해한다.
2. 계획을 수립한다.
3. 일반 파일을 수정한다.
4. 테스트를 작성한다.
5. 결과를 검토한다.

한 팀은 1단계와 2단계에서 Sol을 사용할 수 있습니다.

작업이 명확하게 지정되면 Luna가 3단계부터 5단계까지 처리할 수 있습니다.

Luna가 저렴할수록 일반적인 에이전트 작업을 플래그십 모델에서 분산시킬 유인이 커집니다.

이는 Luna가 모든 능력에서 Sol에 근접한다는 의미가 아닙니다.

이는 더 작은 모델의 가치가 할당된 특정 작업에 대해 충분히 똑똑한지 여부에 달려 있음을 의미합니다.

중요한 지표는 성공적인 결과 1건당 비용입니다

OpenAI의 새로운 홍보 문구는 달러당 결과를 반복해서 강조합니다.

이는 토큰 가격에만 집중하는 것보다 더 유용합니다.

프로덕션 환경 평가는 다음을 추적해야 합니다:

• 작업 성공률
• 입력 토큰
• 출력 토큰
• 캐시된 입력 재사용
• 모델 왕복 횟수
• 도구 호출
• 종단 간 지연 시간
• 재시도율
• 수동 수정 시간
• 성공한 작업당 총 비용

토큰당 비용이 5분의 1인 모델이라도 재시도가 많으면 여전히 비쌀 수 있습니다.

더 비싼 모델이 더 적은 단계로 작업을 완료할 수 있다면 전체 비용은 오히려 더 낮을 수 있습니다.

새로운 Luna 가격 책정은 더 작은 모델에 유리한 계산을 가능하게 하지만, 개발자는 여전히

특정 워크로드에 대한 평가가 필요합니다.

결론: 모델 경쟁은 지능 대비 비용 비율로 이동 중

7월 29일과 7월 30일에 발생한 사건들은 OpenAI가 두 가지 관련된 아이디어를 동시에 추진하고 있음을 보여줍니다.

첫째, GPT-5.6이 GPT-5.6 자체를 실행하는 인프라를 개선하는 데 점점 더 많이 사용되고 있습니다.

둘째, 이 회사는 이러한 효율성 향상의 일부를 더 낮은 고객 가격과 더 빠른 서비스 옵션으로 전환하고 있습니다.

이것은 경쟁 구도를 변화시킵니다.

모델 시장의 다음 단계는 단순히:

어느 모델이 가장 똑똑한가?

만이 아니라, 다음도 포함합니다:

개발자가 1달러를 지출하고 1초의 지연 시간을 기다릴 때, 얼마나 많은 유용한 지능을 얻을 수 있는가?

Luna의 80% 가격 인하로 이 질문은 특히 두드러집니다.

Terra는 일상적인 전문 업무에 더 저렴해졌습니다.

Sol은 여전히 하이엔드 모델이지만, Fast 모드를 통해 개발자는 시간이 촉박할 때 더 많은 비용을 지불하고 더 빠른 속도를 얻을 수 있습니다.

모델 품질이 더 많은 작업에서 점점 비슷해짐에 따라, 동일한 하드웨어로 더 많은 유용한 작업을 처리하고 이러한 효율성 향상을 더 나은 가격 책정으로 전환할 수 있는 회사가 점점 더 중요한 경쟁 우위를 확보할 수 있습니다.

자주 묻는 질문

새로운 GPT-5.6 Luna API 가격은 얼마인가요?

2026년 7월 30일부터 OpenAI는 GPT-5.6 Luna의 표준 처리 모드 가격을 입력 토큰 100만 개당 0.20달러, 출력 토큰 100만 개당 1.20달러로 책정했습니다. 이는 초기 토큰 100만 개당 1달러/6달러 가격에서 80% 인하된 것입니다.

새로운 GPT-5.6 Terra 가격은 얼마인가요?

GPT-5.6 Terra는 현재 표준 처리 모드에서 입력 토큰 100만 개당 2달러, 출력 토큰 100만 개당 12달러로 책정되어 있습니다. OpenAI는 이전의 토큰 100만 개당 2.50달러/15달러 가격보다 20% 인하된 것이라고 밝혔습니다.

GPT-5.6 Sol도 가격이 인하되었나요?

아니요. Sol의 표준 API 가격은 여전히 입력 토큰 100만 개당 5달러, 출력 토큰 100만 개당 30달러입니다. 주요 변경 사항은 Fast 모드 도입입니다.

GPT-5.6 Sol Fast 모드란 무엇인가요?

Fast 모드는 OpenAI의 더 빠른 API 처리 계층으로, 기존의 Priority Processing(우선 처리) 명칭을 대체합니다. GPT-5.6 Sol의 경우 OpenAI는 표준 토큰 가격의 2배 조건에서 처리 속도를 표준 모드의 최대 2.5배까지 높일 수 있으며, 모델의 지능 수준은 변경되지 않는다고 밝혔습니다.

기존 Priority Processing API 요청은 여전히 유효한가요?

네. OpenAI는 priority 서비스 계층을 사용하는 요청이 여전히 이전 버전과 호환되며 자동으로 Fast 모드를 사용한다고 밝혔습니다. 개발자는 fast 서비스 계층 값을 사용할 수도 있습니다.

GPT-5.6이 실제로 자체 최적화에 기여했나요?

OpenAI는 인간 주도의 엔지니어링 프로세스에서 Codex를 통해 사용된 GPT-5.6 Sol이 프로덕션 트래픽 분석, GPU 커널 재작성, 수백 회의 추측 디코딩 실험 실행, 학습 프로세스 모니터링을 도왔다고 밝혔습니다. OpenAI는 종단 간 서비스 비용 20% 절감과 토큰 생성 효율성 15% 이상 향상의 일부 성과를 이러한 작업 덕분으로 돌렸습니다.

가격 인하로 ChatGPT 구독이 변경되나요?

구독 가격과 할당량 예산은 변경되지 않습니다. OpenAI는 기본 가격이 낮아짐에 따라 Luna와 Terra가 이제 Codex 및 ChatGPT Work에서 더 적은 크레딧을 소비한다고 밝혔습니다.

Luna가 이제 모든 에이전트 워크로드에 최적의 모델인가요?

아니요. Luna는 훨씬 저렴하지만 모델 선택은 여전히 작업 난이도와 허용 가능한 오류율에 따라 달라집니다. 일반적인 전략은 모호한 계획 작업에는 더 강력한 모델을 사용하고, 명확하게 정의된 실행 작업에는 더 저렴한 모델을 사용하는 것입니다.

관련 도구

• OpenAI API: GPT-5.6 모델 및 API 서비스에 접근하기 위한 OpenAI의 개발자 플랫폼.
• GPT-5.6 Sol: 플래그십 GPT-5.6 모델의 공식 사양.
• GPT-5.6 Terra: 균형형 GPT-5.6 계층의 공식 모델 문서.
• GPT-5.6 Luna: 비용 민감형 GPT-5.6 계층의 공식 문서.
• Codex: OpenAI의 에이전트 코딩 환경으로, 일부 GPT-5.6 최적화 작업에 사용되었습니다.
• Artificial Analysis: 지능 수준, 속도, 토큰 사용량 및 작업당 비용을 다루는 독립 모델 분석 플랫폼.

관련 링크

• OpenAI: GPT-5.6으로 가격 대비 성능 프런티어를 전진시키다: 7월 30일 발표된 Luna 및 Terra 가격 인하와 Sol Fast 모드에 대한 OpenAI 공식 발표.
• OpenAI: GPT-5.6이 프런티어 지능과 프런티어 효율성을 어떻게 융합하는가: 부하 분산, GPU 커널, 추측 디코딩, 컨텍스트 관리 및 프롬프트 캐싱에 대한 엔지니어링 세부 사항.
• OpenAI Fast 모드: 더 빠른 API 처리 및 Fast 모드 가격 책정에 대한 공식 문서.
• OpenAI GPT-5.6 출시 발표: GPT-5.6 제품군의 원래 일반 공급 발표 및 벤치마크 배경.
• Artificial Analysis: GPT-5.6 벤치마크: 7월 30일 가격 인하 이전 GPT-5.6의 지능 수준, 코딩 성능, 속도 및 비용에 대한 독립적 분석.
• [Artificial Analysis GPT-5.6 Luna](https://artificialanalysis.

ai/models/gpt-5-6-luna/)：Luna의 모델 수준 방법론 및 지능 지수 상세 정보.

• OpenAI 모델 카탈로그: 공식 API 모델 카탈로그 및 현재 모델 사양.

요약

OpenAI는 GPT-5.6 Luna API 가격을 80% 인하하고 Terra는 20% 인하했으며, Sol Standard 가격은 그대로 유지했습니다. 대신 Sol에는 API 처리 속도를 최대 2.5배까지 높일 수 있는 Fast 모드가 새로 추가되었으며, 가격은 Standard의 두 배입니다.

이 시점은 OpenAI의 최근 엔지니어링 작업과 밀접한 관련이 있습니다. 회사에 따르면 GPT-5.6 Sol은 GPU 커널, 추측 디코딩, 로드 밸런싱 및 에이전트 인프라 최적화에 기여하여 엔드투엔드 서비스 비용을 20% 절감하고 일부 기술 스택에서 15% 이상의 토큰 생성 효율 향상을 달성했습니다.

개발자 입장에서 결과적으로 가격 대비 성능 범위가 더 넓어졌습니다. Sol은 가장 어려운 작업에, Terra는 균형 잡힌 전문 작업에, Luna는 저렴한 가격으로 대규모 에이전트 실행에 사용됩니다.

GPT-5.6의 업데이트는 프런티어 모델 경쟁이 점점 더 원시 벤치마크 지능 수준이 아닌 성공 결과당 비용에 초점을 맞추고 있음을 보여줍니다.